关键词:动车组;故障预测;健康管理;
0引言
当下,我国高速动车组技术已经取得突破性进展,但车辆系统及关键部件的健康状态维护与保持能力是评价高速列车技术水平的重要内容。现运行的和谐号高速列车采取以里程计划进行维护,所需维修与维护费用较高。受益于电子硬件及智能算法技术的发展,检修人员对于列车故障的响应也由计划修状态修向预防性[1],故障预测与健康管理技术(Prognostics and Health Management,PHM)是实时监测装备运行的状态参数及特征信号,借助智能推理算法和模型评估装备的健康状态,对故障进行预测,并提供维修保障决策,实现装备状态维修。
故障预测与健康管理技术源于对飞机关键系统部件的故障预测中,现广泛用于应用于英、美、加拿大、荷兰、新加坡、南非、以色列等国的直升机上,其中,美国国防部新一代HUMS——JAHUMS具有全面的PHM能力和开放、灵活的系统结构。
当下智能运维是智能铁路系统的重要组成部分,欧洲铁路产业联盟研究新一代智慧解决方案,于2010年发布了InteGRrail体系,但目前仍然尚处于审核认证阶段,短期内尚不具备应用于高速列车及其运行环境设计的条件,尚不能提供高速列车运维体系解决方案[2]。通过将神经网络和支持向量机分类相结合对滚动轴承故障状态开展了混合智能诊断研究[3];以小波包分解系数的标准差作为特征参数,将遗传算法与神经网络结合,建立了复杂齿轮箱的故障诊断系统,用来诊断不同故障模式和程度的齿轮箱故障[4];中南大学刘剑锋采用基于模糊预测控制方法对机车制动控制开展深入研究[5]。国内外学者对问题都进行了相应研究,所提出的模型。
1动车组智能诊断与故障预测系统架构
高速动车组的异常状态与列车集群、系统集群、部件集群等相关联,,使得故障预测和定位变得极为复杂.因此,开展高速列车智能诊断和故障预测的研究,需要对实时状态数据进行特征提取和预处理,对列车运行积累的历史数据深入挖掘,建立系统的故障预测数学模型,对部件、系统和列车层次的特征数据及关联。关系进行监测和逻辑推导.高速列车智能诊断与故障预测系统主要由车载PHM系统、车地数据传输系统、地面感知系统、地面PHM系统4个要素组成,系统架构如图1所示.
图1:动车组健康管理系统架构
其中车载PHM系统以整体采用分布式结构,获取从零部件至子系统的至整车级别的车辆状态信息,完成实时数据进行融合、清洗、提取相关特征参数等工作,根据数据处理后的状态特征,车载PHM系统分别从故障诊断、健康评估和智能决策等方面进行处理,并把处理后的状态特征和预处理结果反馈到地面PHM系统中,地面PHM系统对列车集群进行差异性评估与分析统计,对运行数据中的相关性和因果性等关系进行挖掘,进而训练和优化车载PHM系统中的分析模型。
车地数据传输系统利用无线网络将车载PHM的实时诊断结果和车辆关键状态数据发送至地面PHM系统信息感知系统用于感知地面设施、车辆状态、环境气候等信息并发送至地面PHM系统,主要包括:
1)以轴承温度、牵引电机电压电流等为代表的反映部件自身状态的物理信息。
2)以平稳性、舒适性等的物理信息和车辆的位置及环境信息反映车辆状态或性能的信息;
3)以轨道、电网及轨道环境为代表的,反映部分地面设施的信息;
4)反映车辆设计、试验或检修相关参数的数据信息。
地面PHM系统接收来自信息感知系统的车辆状态数据、运维环境数据、设计和制造数据等,进行清洗、转换、存储之后,基于已构建的分析模型对实时数据流进行处理,实现从列车集群到关键零部件的精确故障预测与健康管理.同时通过大数据分析对非实时数据进行知识挖掘,作为优化PHM模型的依据.地面PHM应用平台包含可视化展示及决策支持等,能够及时实现与运营管理层面的信息交互,将地面PHM系统分析结果反馈给车载PHM系统,同时指导列车的设计改进、智能制造和运维检修。
2智能诊断与故障预测模型
高速列车智能诊断与故障预测技术通过感知关键部件、核心系统、整车以及地面设施、外部环境等各类信息,利用特定的通信手段将数据进行传输,完成数据转换、存储、特征提取等分析工作.然后,车载和地面PHM模型按照不同的流程分类处理实时数据和历史数据,完成列车集群、车辆、子系统和关键部件不同层次的故障诊断、预测与健康管理,进而形成运维决策.最后,利用可视化手段显示诊断结果,推送相关信息,完成故障管理的闭环,具体流程如图2所示.据整车、子系统或部件的各自特点建立智能诊断和故障预测模型需要考虑的环节包括数据采集、数据分析、综合诊断和信息反馈.高速列车智能诊断与故障预测模型通过传感器网络以规定频率和参数采集相应数据后,对数据进行特征提取和预处理,对列车单一或一组异常特征进行实时应急响应.数据分析提取的特征同时作为历史数据和关联数据为列车的综合诊断提供数据支撑.列车综合诊断内容包括列车部件剩余寿命预测,潜在故障信息推导,潜在故障源定位,问题原因分析等.故障预测流程的最后环节是形成决策,并反馈至相关责任方,直到潜在故障关闭。
图2 高速列车智能诊断和故障预测分析流程
3结语
现有的高速动车组运维体系中,阐述了PHM系统设计与应用的关键环节。提出了智能诊断与故障预测的基本框架。现有的PHM系统否满足实际的预防性维修需求,需要进行后期的验证和评估,并进行改进和完善。从而不断提高PHM系统的开发质量、经济效益和使用可靠性。PHM下一步将与实际的运维检修等环节相结合,实现基于保障性维修的“PHM+”技术体系。
参考文献:
[1]贾利民,秦勇,李平.新一代轨道智能运输系统总体框架与关键技术[J].中国铁路,2015(4):14—19.
[2]InteGrail.Publishable final activity report[EB/OL].[2018—05—28].
[3]GUO H,JACK L B,NANDI A K.Feature generationusing genetic programming with application to fault
classification[J].IEEE Transactions 0n Systems,Man,and Cybernetics,Part B(Cybernetics),2005,35(1):89—99.
[4]RAFIEE J,TSE P W,HARIFI A,et a1.A novel tech—nique for selecting mother wavelet{unction using an intelligent fault diagnosis system[J].Expert Systems with Applications,2009,36(3):4862—4875.
[5]刘剑锋,刘友梅,桂卫华,等.基于模糊预测控制的机车制动控制方法I-J].中南大学学报(自然科学版),
2009,40(5):1329—1335.
论文作者:郭桐宇
论文发表刊物:《科学与技术》2019年第22期
论文发表时间:2020/4/29
标签:系统论文; 故障论文; 列车论文; 数据论文; 状态论文; 智能论文; 车组论文; 《科学与技术》2019年第22期论文;