设备全生命周期预知维修系统构建了基于规则的故障诊断、基于案例的故障诊断、设备状态劣化趋势预测、部件剩余寿命预测等应用。基于规则的故障诊断利用了经典诊断分析技术和专家系统理论，通过对所获取的数据进行故障征兆提取，再依据诊断规则，自动输出设备将要或已经发生的故障情况以及处理措施;基于案例的故障诊断功能在系统中构建了案例模型，并且从企业历史故障记录中提炼总结了若干故障案例作为原案例保存在大数据平台中，设备当前运行状态作为目标案例实时与原案例进行相似度计算，当相似度达到预设值时，系统给出与设备当前状态相似的历史故障案例及相似度;劣化趋势预测功能应用大数据平台中提供的若干算法，包括聚类、分类、回归、神经网络、灰度模型等，对所采集到的数据进行分析预测，系统自动给出设备所处的状态类别和参数达到报警的时间;劣化趋势预测功能还引入了自适应报警的概念，通过自适应报警算法模型进行计算，系统能够针对每个设备的每个测点给出符合当前工况的报警阈值，当然这种自适应报警阈值一定是在符合相关企业和国家标准的前提下才能发挥其作用;部件剩余寿命预测功能利用设备启停和历史部件更换信息以及设备故障诊断和预测结果，系统通过计算得到部件的剩余寿命并对小于预设值的部件进行报警提醒。
燕山石化目前的数据量约为1000万条/天，每年的数据规模达到20-30TB。设备全生命周期预知维修系统利用5台服务器组成的集群部署了星环大数据平台，包括内存计算、Hbase和流处理模块。系统架构如下图所示。
利用星环大数据平台，系统实现了对数据的实时分析计算，使设备故障诊断和趋势预测等功能的延迟控制在5秒之内，完全满足的客户对实时性的要求;通过对各类数据的分析，颠覆了传统中人们的经验思维，看似很多无关的数据，但却对设备故障产生着实实在在的影响，例如设备运行效率过低时设备故障发生的概率增大，这就要求做好工艺参数控制;利用大数据分析自动生成的检修维护计划，保证了设备维护更有针对性，减少了“过修”和“失修”现象;大数据分析最有价值之处在于能够在设备出现故障隐患时就发现设备的潜在故障，大大减少了生成装置的非计划停车，从经济方面和安全方面为企业带了了巨大的价值。下图为系统自动给出的故障诊断结论：