1. 课程导入与智能运维全景
地铁车站是城市轨道交通运输网络中最贴近乘客、设备最密集、运行环境最复杂的节点之一。一个标准的地下车站，往往同时包含自动售检票系统（AFC）、站台门（PSD）、电扶梯、通风空调（BAS/FAS联动）、给排水、低压配电、照明、广播、视频监控、乘客信息系统（PIS）以及综合监控系统（ISCS）等十余类子系统。这些设备并非孤立运行，而是通过综合监控平台与各专业子系统形成"监测—控制—联动"的层次结构。一旦某个环节出现异常，轻则影响乘客体验，重则触发降级运营甚至安全事件。因此，如何让车站"看得见状态、判得准故障、处置得快"，正是智能运维要解决的核心问题。
什么是地铁车站智能运维
地铁车站智能运维，是指以车站设备与系统的运行数据为基础，借助传感采集、数据通信、状态监测、故障诊断、健康评估与决策支持等技术手段，实现对车站机电与监控设备的状态感知、异常识别、故障定位、维护决策和闭环管理的运维模式。它与传统运维的根本区别不在于"是否使用计算机"，而在于运维决策的依据从"人工经验+定期巡检"转向"数据驱动+状态驱动"。
可以用一个对比来理解这种转变：传统计划修按固定周期更换或检修部件，例如某类继电器每两年更换一次，无论其实际磨损如何；而智能运维通过监测动作次数、触点电阻、线圈电流等参数，判断该继电器是否接近寿命阈值，从而把"到期就换"变为"该换才换、该修才修"。前者保证下限但浪费资源，后者在保证可靠性的前提下优化维护成本。
智能运维的目标与核心价值
从工程目标看，车站智能运维通常围绕四个维度展开：安全（降低故障导致的安全风险）、可靠（提高设备可用率、减少故障停机时间）、经济（优化人力与备件投入）、高效（缩短故障响应与处置周期）。这四个维度并非彼此独立，例如缩短故障定位时间既提升可靠性，也降低人工排查成本。
落到可量化的指标上，运维团队通常关注：设备可用率、平均无故障时间（MTBF）、平均修复时间（MTTR）、故障误报率与漏报率、巡检工作量占比、备件周转率等。以一个假设的车站站台门系统为例：若某站共有 24 组滑动门，每扇门配置门锁状态、开关到位、障碍物检测等信号，运维团队通过采集开关门次数与电机电流曲线，发现某组门在关闭末段电流峰值持续偏高，结合门体导轨润滑记录，可判断为导轨阻力增大而非电机故障——这类"从参数异常反推物理原因"的判断，正是智能运维价值的直接体现。需要说明的是，上述数值为教学示例设定，实际工程中应依据设备台账与现场实测数据确定阈值。
故障诊断在运维体系中的位置
很多初学者容易把"智能运维"等同于"故障诊断"，这是需要澄清的。故障诊断只是运维体系中的一个关键环节，它上游依赖状态监测与数据采集，下游衔接维护决策与工单执行。完整的运维闭环可以概括为：感知（采集什么）→ 传输（数据如何汇聚）→ 分析（状态评估与故障诊断）→ 决策（修不修、何时修、怎么修）→ 执行（工单与处置）→ 反馈（效果验证与知识沉淀）。故障诊断处在"分析"环节的核心位置，它回答的是"设备是否异常、异常在哪里、可能是什么原因"三个问题；而"何时修、如何修"则属于决策与执行层面。
从技术层次看，故障诊断本身也分层次：最基础的是阈值报警（如温度超过 75℃ 报警），进一步是逻辑判断（如"门锁未闭合且无开门指令"判定为异常状态），再进一步是特征分析（如电流谐波、振动频谱、趋势斜率），最高层次是故障隔离与根因定位（在多个疑似部件中定位真正失效点）。课程后续将沿着这条由浅入深的路径逐步展开。
课程整体框架与学习路径
本课程共 30 章，整体遵循"先建立全景认知，再逐层深入技术细节，最后回到工程实践"的组织逻辑。可以划分为四个阶段：
- 认知与基础阶段：理解智能运维的定义、目标与体系结构，掌握车站主要设备与监控系统的组成，建立"设备—信号—数据"的基本对应关系。
- 数据与监测阶段：学习状态量、模拟量的采集方式，数据通信与汇聚，以及数据质量对诊断结论的影响。
- 诊断与分析阶段：这是课程的技术核心，涵盖阈值与逻辑诊断、特征提取、趋势分析、故障树与根因定位、健康评估等方法，并结合站台门、电扶梯、AFC 等典型设备展开案例。
- 工程与实践阶段：面向真实运维场景，讨论告警治理、误报抑制、工单闭环、系统集成与运维指标评价，形成可落地的运维能力。
对学习者而言，建议的路径是：先通读全景章节建立"地图感"，不必急于记住每个术语；进入设备与数据章节时，结合本站实际设备台账对照学习；到诊断方法章节时，务必动手用示例数据走一遍判断过程，例如给定一组站台门电机电流序列，尝试用滑动平均与阈值组合判断异常起始点；最后在工程实践章节中，把方法映射回自己的岗位职责。课程中的参数、阈值与案例数据，除特别说明外均为教学示例，实际应用需以现场设备手册、历史数据和试验结果为准。