李宇：开迈斯智能运维开展方法和成效

来源：睿见Economy

　　2025年7月10-12日，2025中国汽车论坛在上海嘉定举办。本届论坛主题为“提质向新，智赢未来”，由“闭门峰会、大会论坛、技术领袖峰会、多场主题论坛、N场行业发布、主题参观活动”等15场会议和若干配套活动构成，各场会议围绕汽车行业热点重点话题，探索方向，引领未来。其中，在7月12日上午举办的“主题论坛十：构建智能化充电运维体系，提升充电运维效率”上，开迈斯新能源科技有限公司服务质量控制部总监李宇发表了精彩演讲。

　　以下内容为现场演讲实录：

　　大家好！

　　很荣幸参加本次论坛，与与会的各位领导、各企业的专家和同行一起交流运维的先进工作方法。

　　我和大家分享一下开迈斯智能运维的方案和成效，主要四部分，引言、概述、具体开展案例和实施效果，最后是智能运维的总结和展望。

　　智能运维背景意义我相信大家是能达成充分共识的，因为充电桩这个行业的特点就是分布广和网点多，尤其现在的一些乡镇也在布局充电桩，所以导致了整个运维会有大量的成本和时间消耗在运维路上。又因为每个场站都配备人工值守和运维人员这也不太现实，那样成本会更加巨大。从数据统计来看，场站投建之后每年最大的成本就在运维方面，因为原来运维方式主要痛点是故障定位比较困难，需多次到现场排故，更换配件成本高等，这就导致工作效率低、成本大，服务质量跟不上的情况，因此各个充电企业都在发展智能运维，以达到提升效率，为企业运营降本增效。

　　本材料分享了开迈斯的智能运维的基本原理、实践方法和成果，希望借这个机会和同行进行充分交流。

　　第一部分，首先是智能运维的定义和内容。智能运维是集成了监控、管理、自动化、智能分析的运维平台，帮助我们定位故障，甚至提前预知故障，降低设备的故障率，达到提升运营的目的。

　　所以智能运维的功能主要集中在以下五个方面。

　　第一是要准确快速定位故障。故障在哪个场站，哪个设备和具体是什么问题，如何快速处理。

　　第二预知故障。通过设备的传感器和性能数据，来预判这个设备可能的故障隐患，这时候会结合日常的巡检和保养工作中及时排查和消除故障，避免最后产生真正故障导致影响运营和更换备件的成本。

　　第三方面是监控异常订单。因为运维的最终目的是配合营运，一些无法充电的故障就直接导致订单丢失，通过分析异常订单来查找故障设备，提高订单成功率。

　　第四方面是自动化运维。目前开迈斯工作机制是符合我们智能运维模型的会自动派单，减少人工分析和派单的工作，提升工作效率。

　　第五是智能分析，利用大数据和人工智能技术。今年年初我们也和豆包AI进行合作，目前在把大量的历史故障输入到智能AI的数据库里，让其迭代学习。后期我们在进行问题锁定的时候，智能AI会给出故障指引，甚至是故障预警，即提升效率又降低成本。

　　第二部分是实现的架构和组成部分：主要是通过数据采集层，数据存储层、数据处理层、应用层和展示层。

　　这里介绍的是智能运维的系统架构，数据层是采集性能的数据，桩端采集的性能数据，还有系统日志、告警数据、工单数据和业务数据等，然后通过传输层传输到数据处理层，数据处理层核心是根据设备性能等参数的变化进行故障类型的判断，然后应用层是根据故障类型不同按照设定的程序进行处置，最后展示给手机端的APP端或者电脑端。

　　具体来说这个数据来源主要是四方面，一个是系统日志，包括操作系统和应用系统；还有业务数据是一些客户的订单、用户数、访问量等；另外最主要的是桩端性能数据，包括充电桩本体里面一些智能控制单元、传感器、监测设备、边缘计算设备等；最后是外部的数据，包括第三方互联互通的订单数据，以上这些是数据的来源。

　　刚才听了几位行业同行专家的分享，各位不约而同地都意识到了智能运维的重要性，而且形成了齐头并进、百花争鸣的局面，那么智能运维的关键在哪里，就在以下三方面：一是数据的质量，二是模型的搭建，三是智能化水平的提升。前面也讲过底层有大量的数据，现在的重点是识别出哪些是有用的数据，哪些是和智能运维相关联的数据。

　　第二是我们系统的复杂性和异构性，现在整个系统比较复杂，所以是要通过专业的判断和运维经验进行系统数据的链接和逻辑编程。

　　另外就是整个智能化水平的提升，现在的实际能力还是相对初级的，只能提供排查故障的指引。后面需要用AI技术实现更高效和更高质量的运维水平。

　　第三方面介绍一下开迈斯具体的案例和实施效果。开迈斯现在的做法是研发人员根据与设备故障相关的参数进行阈值的编程来搭建我们智能运维模型。第二步就是根据场站实际情况进行不断的修正和优化：比如充电桩所在的场所不一样，有的在地面，有的在地下；场站的环境不一样：有地方湿度大，有的地方湿度小；还有所处的地域位置不一样：有的在南方，有的在北方。这些差异都会对实际故障产生影响，因此我们会根据上面的差别和实际充电桩的状态不断进行智能运维模型的优化，最后一步是系统设计的逻辑，进行异常告警和自动派单，以达到提升效率的目标。

　　开迈斯智能运维实施最主要体现在以下两个方面。第一是设备巡检方面，第二是智能告警方面。现在我们所有的巡检和保养计划都是通过智能运维系统自动派发的，而且各个场站因为利用率不同，场站环境不同、温湿度不同，各种历史的故障率不同，我们做到了根据这些差异来自动派发不同频次的保养和巡检计划，这样就为企业节省很多的成本。

　　另外就是智能巡检的判断逻辑，就像刚才星充张总讲的，过滤棉更换一直是各个企业日常面临的比较大的一笔支出，也是保障充电桩正常运行的关键。因为场站利用率不同，场站清洁情况也是不同的，滤棉统一的更换频次也是不科学的。所以我们通过长期事件摸索，实现了通过检测电源模块自身工作温度和环境温度的逻辑关系来辅助指引滤棉的更换，相当于通过这个逻辑就能够判断出这个桩里的过滤棉可能发生堵塞或者通风情况不好，热量一直无法排出去，这种情况会触发工单要求运维人员去排查，根据现场排查结果进行适当的处理。

　　第二就是智能故障告警方面，我们开迈斯自主开发了九个智能运维模型，模型一到模型三都是关系到充电订单的模型，这个底层逻辑是连续的几笔订单报出故障，充电时间或电量不满足阈值等，就会自动派发一些工单进行故障排除。

　　模型四是针对枪温、急停的报警，如果枪温超过阈值，甚至降流后仍然超过阈值几次，我们认为枪是有质量风险的。另外急停报警是当急停被按下后会自动报警。

　　模型五到模型七是关系到离线率的，这里会细分成离线次数，离线时长等维度，这类我们会优先进行后台重启，重启还是无法排除故障会触发自动工单。

　　模型八与电源模块相关。电源模块是整个桩里故障率和运维成本最高的，而且是相对来说最核心的部件，这个模型包含监控电流、电压阈值，还有功率饱和度等。功率饱和度模型的逻辑是比如一个桩是360kW或者是180kW，它在SOC正常的情况下，实际功率不满足理论功率时，我们就有理由判断是模块的故障。

　　还有用户和订单复合模型，用户订单和桩匹配情况会发出相关的运维需求。

　　通过这些模型的实施，智能派单率相比去年提升的30%，MTTR由133小时降到114小时，维修及时率也有大幅的提升。

　　第四方面是开迈斯对智能运维的总结与展望。首先是桩内的硬件配置，目前我个人理解充电桩内部里的传感器还没有按需配置，这种统一的传感器配置方案要么不够精益，要么配置不足。因此我们后面在升级改造和设计生产新桩时会根据之前的knowhow进行因地制宜的匹配，比如增加里面的温湿度传感器、清洁度探测、抄表模块、红外探测等，通过桩里面这些针对性的传感器会提前捕捉到先兆故障，这样就可以进行更全面的桩运行状态识别和智能运维，控制后期维护成本。

　　第二方面是搭建稳定的系统能力。现在数据很多，我们要挖掘和分析这么大量的数据，就需要有相匹配的数据运行能力和稳定的系统。

　　第三方面是进行一些性能测试和优化，在设备上线之前结合地域差异等进行相应的性能测试和调整。

　　第四方面是深度的学习，接下来与AI大模型的结合才是未来的方向和发力点。

　　最后我觉得未来智能运维发展预测有四方面。第一是AI和智能运维结合；第二是跨平台和区域数据的整合和共享；第三是实时监控和动态调整；第四是自动化和智能化运维工具链的完善。

　　以上是来自开迈斯的交流，谢谢各位。