動車組健康管理與運維決策研究

吳詩春

(中國鐵路南昌局集團有限公司 福州動車段,福建 福州 350018)

當前,我國動車組實行“以走行公里周期為主、時間周期為輔(先到為準)”的計劃性預防修檢修模式,隨著中國國家鐵路集團有限公司(以下簡稱“國鐵集團”)持續深化動車組修程修制改革,動車組整車與配件壽命不一致問題愈發顯現,動車組運維工作面臨巨大挑戰。在經過十余年的運營后,動車組運維積累了海量數據,受“工業4.0”浪潮的影響,動車組大數據分析成為必然趨勢。

目前國內各領域的故障預測與健康管理(PHM)技術相繼投入開發運用,但是系統集成和綜合分析能力很弱。就動車組而言,近年來故障預測技術逐漸完善,但健康管理大多數僅局限于關鍵部件,未能實現總體評價,無法發揮PHM技術的優勢[1]。廖濤[2]運用BP神經網絡模型預測了動車組制動閘片的磨耗量,通過估算閘片的磨耗量為動車組的狀態維修提供了依據;趙峰等[3-4]采用健康狀態綜合評估方法對CRH3型動車組輔助供電系統和牽引傳動系統進行了健康狀態評價,得到了較為準確的健康等級評估;LIVIO等[5]基于狀態監測和數據驅動對高速轉向架的運行穩定性評估方法進行了研究,通過試驗驗證了該方法能夠及時判斷和處理轉向架出現的故障。

以上研究理論只針對動車組中的某個系統或部件,在動車組健康狀態評價中存在局限性,無法呈現動車組整體健康狀態?；诖?本文根據動車組數據量大、種類繁多的特點,對動車組各類數據進行了融合分析[6-7],搭建了動車組大數據分析平臺,并通過層次分析法和變異系數法制定了動車組健康狀態評價體系,多維展示了動車組健康狀態。同時,圍繞配件作為動車組健康狀態評價這一核心,利用線性回歸法分析了配件壽命與走行里程之間的關系,達到了動車組健康狀態評估和配件壽命趨勢分析的目的,從而實現了動車組健康管理與智能運維。

1 動車組大數據分析

數據是開展動車組健康管理的基礎,根據動車組運維數據管理需要,國鐵集團將動車組細分為主供電、牽引、制動、外門及車內設施等15個子系統,并在動車組運維過程中針對各類監測場景相繼開發了對應數據管理平臺,但由于各平臺間數據為多源異構格式,無法直接進行比較分析,需要在采集處理后進行融合分析。

動車組大數據分析總體邏輯架構包含6個層級,分別是數據源層、數據采集層、數據存儲層、數據處理層、數據分析層和應用呈現層,如圖1所示,各層級間緊密聯系、協作,主要通過數據流驅動,實現數據的采集、分析及應用。

(1) 數據源層。限定了納入動車組健康評估的運維數據范圍,為動車組健康評估的開展提供豐富的數據源。

(2) 數據采集層。利用適應任何編程語言的ETL工具將數據源層中的數據抽取至數據采集層,保證動車組數據采集的可靠性和高效性。

(3) 數據存儲層。本文根據業務需求采用Web網頁作為人機交互界面,因此,選取了速度快、體積小、成本低且適用于Internet中小型網站的MySQL作為網站數據庫,用于數據的存儲。

(4) 數據處理層。通過調用數據存儲層中的數據,完成實時數據的查找、運算,同時對離線數據進行清洗、轉換以及整合,為數據深入分析奠定基礎。

(5) 數據分析層?；贖adoop框架的核心組件HDFS和MapReduce實現動車組海量運維數據的存儲和計算,充分發揮Hadoop軟件框架對于大數據分析的高容錯性和高擴展性。

(6) 應用呈現層。通過可視化展示,用戶與健康管理系統直接進行人機交互,通過查看圖像、圖表或分析報告等,從不同角度多維展示分析結果,以便各層級用戶開展健康管理與運維決策。

2 動車組評價體系

通過搭建大數據分析平臺,從多維度對動車組健康狀態進行評估[8-14],從而開展動車組健康管理。

2.1 總體框架

本文采用分層結構,設置綜合評價、一級評價、二級評價3個層級評價指數,各層級評價指數間為從屬關系,即上一層指數由下一層指數聚合而成。根據實際業務需求,本文設置了質量評估、故障風險、司乘舒適、維修養護、設備檢測5項一級評價指數,并在此基礎上細化了18項二級評價指數,多維度、多層級對動車組健康狀態展開研究。動車組評價指數框架如圖2所示。

圖2 動車組評價指數框架

(1) 質量評估指數。從動車組質量鑒定、源頭質量整治進度、技改普查完成情況、同車型動車組差異項目4個方面對動車組總體質量進行評估,動車組運用所根據推進計劃有針對性地實施作業,提升動車組質量。同時,在各作業項目中設置效果驗證功能,對作業前后故障發生情況進行對比分析,驗證作業成效。

(2) 故障風險指數。通過分析動車組歷史故障、遺留故障、跟蹤故障以及重復故障,分系統、分等級地對動車組存在的故障風險進行評估,督促動車組運用所在規定周期內完成故障處置及銷號,實現動車組故障統計分析及跟蹤閉環管理,保障動車組運用安全。

(3) 司乘舒適指數。近年來,國鐵集團對于動車組上部服務設施質量關注度與日俱增,為保障司機駕駛體驗感和提升旅客乘坐舒適性,設置了司乘舒適指數,通過分析司機室及客室故障發生情況,形成故障統計表和趨勢分析圖。動車組運用所根據評估結果開展深度整修,提升上部服務設施質量。

(4) 維修養護指數。隨著動車組修程修制改革的持續深入,動車組運用修及高級修周期調整對動車組運維影響較大,尤其是整車與配件壽命不一致問題愈發顯現,因此配置維修養護指數,通過分析配件與裝車年限、走行里程及高級修程之間的關系,獲取配件壽命規律,為配件專項整治提供決策依據,從而調整動車組檢修模式,逐步實現“計劃修”向“精準預防修”模式的轉變,提升動車組智能運維水平。

(5) 設備檢測指數。為更好地發揮設備檢測系統安全防范作用,本文配置了設備檢測指數,通過檢測結果評估輪對軸箱軸承(TADS)、輪對多邊形(TPDS)、運行故障圖像(TEDS)、輪對踏面診斷(LY)、受電弓及車頂(SJ)的狀態,保障動車組轉向架、高壓系統以及裙底板狀態正常。

2.2 評價機制

建立科學、合理的評價機制是客觀評價動車組健康狀態的核心,以二級評價指數為基礎,分別采用層次分析法、變異系數法對動車組健康狀態進行分析。

2.2.1 層次分析法

根據動車組技術進步及檢修運用需要,本文按照國鐵集團的規定對動車組進行系統分類,編制整車部件分解結構,并建立各級結構與功能分類節點的對應關系,將動車組分解到最小單元,形成動車組構型詞典庫。采用層次分析法對具有多個層級、多個類別的系統進行分析評價,使決策時更具邏輯性。

在對源頭質量、技改普查、差異項目等系統分級和影響性質明確的二級評價指數進行評價時,通過九分尺(表1)對各指數內的系統、子系統、功能組、功能件4個層級內的項目進行兩兩相互比較,按各層級對動車組行車影響的重要程度,通過專家評估法獲得權重。

表1 九分尺標度法

以系統評價為例,將國鐵集團公布的動車組15項系統[15]劃分為高壓牽引、供風制動、轉向架、網絡監控、車體車端等8大類,根據九分尺標度法設定各系統指標,利用數據分析平臺SPSSAU獲得各系統層次分析結果,如表2所示。經過層次分析法計算權重后,對計算結果進行一致性檢驗,即求出一致性指標CR值(CR=CI/RI)是否小于0.1,其中CI值已知為0.000,隨機一致性RI值根據劃分的8大類系統(即階數為8)通過查詢表3可知取值為1.410,因此可求出一致性指標CR值為0.000,滿足小于0.1的要求,表明用于各系統權重計算的判斷矩陣滿足一致性檢驗,即權重設定合理。

表2 動車組各系統層次分析結果

表3 隨機一致性RI值參照表

2.2.2 變異系數法

對于需依靠歷史數據而客觀評價的配件壽命指數,采用變異系數法客觀賦予權重[16],將影響配件壽命的裝車年限、走行里程、磨損速率等分別進行離散程度歸一化處理,通過標準差與平均值的比值確定其變異系數,從而獲得對應權重。

(1)

如選取10位專家對動車組主斷路器、碳滑板、閘片、牽引變流器、輪對軸箱5項配件狀態進行評價,以1～5分為評價基礎,通過專家打分獲得各位專家的權重,如表4所示。經過分析,專家4和專家7變異系數波動較大,說明這2位專家相對不穩定,攜帶信息量大,需要給予更多“關注”,即應賦予該專家更大權重占比。反之,專家2和專家10變異系數較小,說明這2位專家對各部件評價相差不大,因此賦予更小的權重。最終將各位專家評分與權重的積進行相加,得到對應綜合評價。

2.2.3 文件定義法

對于人為定性占比較大的質量鑒定、司機駕駛、乘客設施二級指數進行評價時,根據《鐵路動車組運用維修規則》中的動車組運用質量鑒定辦法,將故障劃分為A、B、C、D 4個類別,其中A類每件扣5分,B類每件扣10分,C類每件扣20分,D類每件扣100分,根據扣分情況獲得其評分。

2.3 配件壽命研究

動車組配件相當于人體的“器官組織”,當某個部位生病時,需要及時就醫,即動車組發生故障時,需要對相關配件狀態進行分析。本文制定的各項評價指數主要以動車組配件壽命為基礎,因此,將故障信息與配件壽命進行關聯,通過歷史故障篩查、分析,預測動車組配件壽命。

2.3.1 故障數據篩查

由于動車組運維數據繁雜,需通過人工設定數據分流規則,規范、糾正并補全遺漏數據,從而消除缺陷數據和冗余數據,提高數據可用性。如在分析CRH1A型動車組主供電系統真空斷路器真實故障數據時,需查找并提取具有“真空斷路器、LCBT和LCBB”字樣的數據,然后將故障描述中帶有“批次更換、升級改造、源頭質量”和故障處理方法中帶有“無異常、修復、庫檢正?！钡茸謽拥臄祿M行過濾,從而獲取準確的真空斷路器故障。

2.3.2 線性回歸法

趨勢分析又可稱為趨勢預測,基于設備或者系統的歷史數據來分析得到其變化規律并作出壽命預測。采用線性回歸法分析動車組配件壽命趨勢,即將一組契合y=kx+b線性關系的歷史數據組用一條直線表示,通過計算求出k和b的最優解,使得盡可能多的點落在該條直線上,從而根據自變量x對因變量y進行預測。

設線性回歸方程為:

y=kx+b

(2)

式中:y為配件壽命,x為走行里程,k為擬合斜率,b為固定截距。

根據最小二乘法公式:

(3)

b=y-kx

(4)

求出斜率k和截距b,從而確定配件壽命與影響因素(裝車年限、走行里程以及作業標準)之間的關系。

2.3.3 壽命分析案例

以CRH1A型動車組輪對壽命分析為例,在輪對定期鏇修時,當輪對恢復標準廓形后,鏇修進刀量與輪緣厚度增量之間存在線性關系(正比例),當鏇修進刀量增大時,輪緣厚度增量也隨之增大;當鏇修進刀量減小時,輪緣厚度增量也隨之減小。因此,以鏇修進刀量為自變量,輪緣厚度增量為因變量,對統計的離散點進行線性回歸分析,如圖3所示。通過對鏇修進刀量與輪緣厚度增量進行線性擬合,得到鏇修進刀量與輪緣厚度增量的線性擬合方程,并預測輪緣厚度增加1 mm所需進刀量約為7.09 mm。結合動車組每個周期內輪緣磨耗及輪徑磨耗,可對動車組輪對壽命進行預測并及時調整運用策略。

3 動車組運維決策

為直觀反映動車組健康狀態,對動車組各類定性指標進行量化,定義動車組原始總分為1 000分,通過對各層級指數進行評價,以綜合評分的形式展示動車組健康狀態,并根據評分高低將動車組細分為4個等級:950～1 000分為優秀;900～950分為良好(不含950);800～900分為達標(不含900);800分以下為不達標。

同時,基于二級評價指數,定制生成動車組“畫像報告”,綜合運用動車組評價等級及畫像報告結果,為動車組整車運維提供決策依據,實現動車組“一車一方案”的運維策略:

(1) 評價等級為優秀且畫像報告無潛在影響行車安全隱患的動車組,用于執行特殊運用需求,并可安排至進京、進港以及長大交路等場景運用;

(2) 評價等級為良好的動車組,按日常計劃正常編排運用;

(3) 評價等級為達標的動車組,可安排局管內交路或短途交路運用,對于畫像報告中的重點關注事項,納入隨車機械師出乘提示卡重點監控,并通過動車組故障預測與健康管理(PHM)系統實時監控關聯部件狀態。同時,結合畫像報告深度分析影響其等級評定的主要因素,針對性提升動車組質量,如推進源頭質量治理、督促遺留故障消耗、提前開展質量鑒定等;

(4) 評價等級不達標的動車組,則立即取消其運用資格并組織人員開展專項整治,調整動車組檢修周期、檢修內容和檢修標準,將動車組評價等級提升至良好及以上標準。

4 結論

本文基于中國鐵路南昌局集團有限公司福州動車段實際應用情況,在修程修制改革趨勢中,結合大數據技術深入研究了影響動車組運維的關鍵因素,初步搭建了動車組健康管理系統,可指導動車組健康管理與運維,主要研究內容及成果如下:

(1) 基于大數據分析技術,解決了數據間多源異構無法直接對比、分析的問題,實現了系統間數據的互聯互通及有效管理。

(2) 多維度、多層級對動車組健康狀態展開了研究,制定了5項一級評價指數和18項二級評價指數,通過層次分析法和變異系數法獲取了動車組系統及部件的權重,并對權重的配置進行了驗證,從而確定了動車組健康狀態評價機制,客觀評價了動車組健康狀態。

(3) 深入分析了動車組歷史檢修數據,發現數據間存在線性關系,利用線性回歸法研究了動車組配件壽命趨勢,可對動車組配件壽命進行預測,具有可靠的指導作用。

(4) 為每列動車組定制了“畫像報告”,根據配件壽命趨勢預判、關鍵項目作業質量、歷史故障發生情況等,可指導動車組運用所開展動車組健康管理與智能運維。

現階段,對于動車組健康管理系統主要采取邊研究、邊開發、邊應用的模式,下一階段研究的主要方向是對評價機制合理性進行驗證,盡可能以客觀數據反映動車組真實的健康狀態,從而通過深度檢修來保障動車組的運維安全。