梁 建 英

(中車青島四方機(jī)車車輛股份有限公司，山東 青島 266111)

高速列車的設(shè)計和運維是復(fù)雜的系統(tǒng)工程，影響其可靠性的因素涉及多方面，其中車輛系統(tǒng)及關(guān)鍵部件的健康狀態(tài)維護(hù)與保持能力是評價高速列車技術(shù)水平的重要內(nèi)容.目前，我國高速列車主要還是采用按里程計劃維護(hù)的策略，運營和維護(hù)費用較高.近年來，得益于智能化和信息技術(shù)的快速發(fā)展，人們對故障和異常事件的響應(yīng)也由傳統(tǒng)的被動反應(yīng)開始向主動預(yù)防轉(zhuǎn)變，智能診斷和故障預(yù)測技術(shù)在高速列車的運營維護(hù)中得到了快速發(fā)展[1].在由周期性維護(hù)向基于狀態(tài)維護(hù)模式轉(zhuǎn)變的大背景下，突破高速列車系統(tǒng)及關(guān)鍵部件健康監(jiān)測、在線故障診斷、預(yù)測及健康管理技術(shù)，是提升高速列車安全保障能力、降低運維成本、提高運營效率的重要途徑，也是智能動車組持續(xù)發(fā)展的主流趨勢[2].

智能診斷與故障預(yù)測技術(shù)的起源和具有代表性的應(yīng)用是波音和空客的故障預(yù)測與健康管理(Prognostic and Health Management,PHM)系統(tǒng)[3-4].智能診斷與故障預(yù)測系統(tǒng)研究方面，歐洲鐵路產(chǎn)業(yè)聯(lián)盟聯(lián)合40余家主要軌道交通裝備制造商和運營商從2005年開始研究新一代智慧解決方案，于2010年發(fā)布了InteGRrail體系[5-6]，該體系嘗試通過規(guī)范軌道交通的智能診斷、信息傳輸、數(shù)據(jù)處理和評估標(biāo)準(zhǔn)等，綜合當(dāng)前信息技術(shù)和智能化技術(shù)的前沿成果，為新型高速列車運維體系提供更先進(jìn)的解決方案[7-8].InteGRrail體系標(biāo)準(zhǔn)目前尚處于審核認(rèn)證階段，短期內(nèi)尚不具備應(yīng)用于高速列車及其運行環(huán)境設(shè)計的條件.另外，日本新干線動車組的MON診斷系統(tǒng)同樣具有代表性，其主要由列車控制信息管理系統(tǒng)組成[9]，能夠?qū)崿F(xiàn)閉環(huán)監(jiān)視，但MON系統(tǒng)依賴于對傳統(tǒng)振動信號處理、熱力學(xué)、聲學(xué)信號處理得到的特征信息進(jìn)行提取和判斷，對于歷史運維數(shù)據(jù)的挖掘尚未形成有效的應(yīng)用模型.智能診斷算法研究方面，文獻(xiàn)[10]通過將神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)分類相結(jié)合對滾動軸承故障狀態(tài)開展了混合智能診斷研究；文獻(xiàn)[11]基于神經(jīng)網(wǎng)絡(luò)與模糊邏輯理論構(gòu)建了一個面向鐵路系統(tǒng)的故障診斷系統(tǒng)；文獻(xiàn)[12]以小波包分解系數(shù)的標(biāo)準(zhǔn)差作為特征參數(shù)，將遺傳算法與神經(jīng)網(wǎng)絡(luò)結(jié)合，建立了復(fù)雜齒輪箱的故障診斷系統(tǒng)，用來診斷不同故障模式和程度的齒輪箱故障；文獻(xiàn)[13-14]建立了網(wǎng)上遠(yuǎn)程診斷與處理支持中心，綜合運用小波變換、支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)等多種人工智能技術(shù)和現(xiàn)代信號處理方法的混合智能故障診斷與預(yù)示技術(shù)對各類大型設(shè)備開展有效的狀態(tài)監(jiān)測和故障診斷；文獻(xiàn)[15]研究開發(fā)了基于Internet遠(yuǎn)程分布式網(wǎng)絡(luò)的實時監(jiān)測系統(tǒng)，為缺乏故障診斷專業(yè)知識的用戶提供技術(shù)支持；北京交通大學(xué)[16-18]對異源信息進(jìn)行融合，開展了遠(yuǎn)程診斷及虛擬維護(hù)等關(guān)鍵技術(shù)研究.此外，中國鐵道科學(xué)研究院、中南大學(xué)、西南交通大學(xué)、南車株洲車輛研究所等高校和科研機(jī)構(gòu)對高速列車智能診斷與故障預(yù)測技術(shù)也開展了相應(yīng)的研究工作[19-21].

雖然在高速列車故障診斷的系統(tǒng)研究和診斷算法研究方面，國內(nèi)外已經(jīng)取得了許多重要的研究進(jìn)展.然而，現(xiàn)階段能夠借鑒的故障診斷模型過多依賴于對傳統(tǒng)振動信號處理或是對熱力學(xué)、聲學(xué)信號處理之后得到的特征信息進(jìn)行智能融合和判斷，而對高速列車運維過程中積累形成的專家知識或歷史數(shù)據(jù)的利用較少，由于該方面涉及的研究和應(yīng)用面較廣，需要在現(xiàn)有條件下結(jié)合大數(shù)據(jù)分析和人工智能技術(shù)建立系統(tǒng)的理論模型和解決方法.本文作者以高速列車的設(shè)計和運維實踐為基礎(chǔ)，從整體框架和算法模型搭建方面介紹了目前中國高速列車智能診斷與故障預(yù)測系統(tǒng)的相關(guān)研究和平臺建設(shè)，并以走行部軸承可靠性監(jiān)測作為案例，具體闡述智能診斷和故障預(yù)測系統(tǒng)的工作原理和應(yīng)用效果.

1 智能診斷與故障預(yù)測系統(tǒng)建設(shè)

1.1 高速列車智能診斷與故障預(yù)測系統(tǒng)架構(gòu)

高速列車的異常狀態(tài)往往涉及列車集群、系統(tǒng)集群、部件集群等多個層次，各個層次之間的狀態(tài)特征相互關(guān)聯(lián)，使得故障預(yù)測和定位變得極為復(fù)雜.因此，開展高速列車智能診斷和故障預(yù)測的研究，需要對實時狀態(tài)數(shù)據(jù)進(jìn)行特征提取和預(yù)處理，深入挖掘列車運行積累的歷史數(shù)據(jù)，建立系統(tǒng)的故障預(yù)測數(shù)學(xué)模型，對部件、系統(tǒng)和列車層次的特征數(shù)據(jù)及關(guān)聯(lián)關(guān)系進(jìn)行監(jiān)測和邏輯推導(dǎo).高速列車智能診斷與故障預(yù)測系統(tǒng)主要由車載PHM系統(tǒng)、車地數(shù)據(jù)傳輸系統(tǒng)、地面感知系統(tǒng)、地面PHM系統(tǒng)4個要素組成，系統(tǒng)架構(gòu)如圖1所示.

車載PHM系統(tǒng)采用分布式結(jié)構(gòu)，用于感知從零部件級到子系統(tǒng)級及整車不同層次的狀態(tài)信息，完成實時數(shù)據(jù)融合、清洗、特征提取及存儲等工作.根據(jù)數(shù)據(jù)處理后的狀態(tài)特征，車載PHM系統(tǒng)對列車狀態(tài)進(jìn)行預(yù)處理，包括故障診斷、健康評估和智能決策，并將狀態(tài)特征和預(yù)處理結(jié)果通過車地數(shù)據(jù)傳輸系統(tǒng)反饋到地面PHM系統(tǒng).地面PHM系統(tǒng)接收來自列車集群的運行數(shù)據(jù)，對列車集群進(jìn)行差異性評估與分析，對運行數(shù)據(jù)中的相關(guān)性和因果性等關(guān)系進(jìn)行挖掘，進(jìn)而訓(xùn)練和優(yōu)化車載PHM系統(tǒng)中的分析模型.

車地數(shù)據(jù)傳輸系統(tǒng)利用無線網(wǎng)絡(luò)將車載PHM的實時診斷結(jié)果和車輛關(guān)鍵狀態(tài)數(shù)據(jù)發(fā)送至地面PHM系統(tǒng).

信息感知系統(tǒng)用于感知地面設(shè)施、車輛狀態(tài)、環(huán)境氣候等信息并發(fā)送至地面PHM系統(tǒng)，主要包括：1)反映部件自身狀態(tài)的物理信息，如軸承的溫度、振動及牽引電機(jī)的電壓、電流等物理量；2)反映車輛狀態(tài)或性能，如平穩(wěn)性、舒適性等的物理信息和車輛的位置及環(huán)境信息；3)反映部分地面設(shè)施的信息，如軌道、電網(wǎng)及軌道環(huán)境的物理信息；4)反映車輛設(shè)計、試驗或檢修相關(guān)參數(shù)的數(shù)據(jù).

圖1 高速列車智能診斷與故障預(yù)測系統(tǒng)架構(gòu)Fig.1 System architecture of intelligent diagnosis and prognostics in high speed train

地面PHM系統(tǒng)接收來自信息感知系統(tǒng)的車輛狀態(tài)數(shù)據(jù)、運維環(huán)境數(shù)據(jù)、設(shè)計和制造數(shù)據(jù)等，進(jìn)行清洗、轉(zhuǎn)換、存儲之后，基于已構(gòu)建的分析模型對實時數(shù)據(jù)流進(jìn)行處理，實現(xiàn)從列車集群到關(guān)鍵零部件的精確故障預(yù)測與健康管理.同時通過大數(shù)據(jù)分析對非實時數(shù)據(jù)進(jìn)行知識挖掘，作為優(yōu)化PHM模型的依據(jù).地面PHM應(yīng)用平臺包含可視化展示及決策支持等，能夠及時實現(xiàn)與運營管理層面的信息交互，將地面PHM系統(tǒng)分析結(jié)果反饋給車載PHM系統(tǒng)，同時指導(dǎo)列車的設(shè)計改進(jìn)、智能制造和檢修維護(hù)環(huán)節(jié).

1.2 智能診斷與故障預(yù)測模型

高速列車整車、子系統(tǒng)或部件的智能診斷和故障預(yù)測模型是根據(jù)其自身固有屬性、邏輯和功能，通過數(shù)學(xué)方法進(jìn)行抽象表達(dá)建立的可分析模型.建立模型后，通過不斷完善和改進(jìn)模型的關(guān)聯(lián)參數(shù)，最終能夠?qū)崿F(xiàn)對整個軌道交通裝備制造領(lǐng)域從產(chǎn)品設(shè)計到運營維護(hù)等各個環(huán)節(jié)的優(yōu)化.

高速列車智能診斷與故障預(yù)測技術(shù)通過感知關(guān)鍵部件、核心系統(tǒng)、整車以及地面設(shè)施、外部環(huán)境等各類信息，利用特定的通信手段將數(shù)據(jù)進(jìn)行傳輸，完成數(shù)據(jù)轉(zhuǎn)換、存儲、特征提取等分析工作.然后，車載和地面PHM模型按照不同的流程分類處理實時數(shù)據(jù)和歷史數(shù)據(jù)，完成列車集群、車輛、子系統(tǒng)和關(guān)鍵部件不同層次的故障診斷、預(yù)測與健康管理，進(jìn)而形成運維決策.最后，利用可視化手段顯示診斷結(jié)果，推送相關(guān)信息，完成故障管理的閉環(huán)，具體流程如圖2所示.其中，圖2(a)與高速列車智能診斷和故障預(yù)測系統(tǒng)整體架構(gòu)相對應(yīng)，是建立智能診斷和故障預(yù)測模型的一般流程.提取該流程的關(guān)鍵節(jié)點可以得到圖2(b).由圖2(b)可知，根據(jù)整車、子系統(tǒng)或部件的各自特點建立智能診斷和故障預(yù)測模型需要考慮的環(huán)節(jié)包括數(shù)據(jù)采集、數(shù)據(jù)分析、綜合診斷和信息反饋.高速列車智能診斷與故障預(yù)測模型通過傳感器網(wǎng)絡(luò)以規(guī)定頻率和參數(shù)采集相應(yīng)數(shù)據(jù)后，對數(shù)據(jù)進(jìn)行特征提取和預(yù)處理，對列車單一或一組異常特征進(jìn)行實時應(yīng)急響應(yīng).數(shù)據(jù)分析提取的特征同時作為歷史數(shù)據(jù)和關(guān)聯(lián)數(shù)據(jù)為列車的綜合診斷提供數(shù)據(jù)支撐.列車綜合診斷內(nèi)容包括列車部件剩余壽命預(yù)測，潛在故障信息推導(dǎo)，潛在故障源定位，問題原因分析等.故障預(yù)測流程的最后環(huán)節(jié)是形成決策，并反饋至相關(guān)責(zé)任方，直到潛在故障關(guān)閉.

當(dāng)前基于高速列車平臺開展的智能診斷與故障預(yù)測研究已經(jīng)涵蓋了走行部、車門系統(tǒng)、牽引和制動系統(tǒng)、列車控制網(wǎng)絡(luò)等各個系統(tǒng).車輛狀態(tài)數(shù)據(jù)由監(jiān)測主機(jī)實時監(jiān)測高速列車運行過程產(chǎn)生，數(shù)據(jù)經(jīng)過車載PHM系統(tǒng)分析和預(yù)處理后，分析結(jié)果傳遞到包括動車運用所、地面PHM中心等在內(nèi)的地面維護(hù)中心.高速列車服役性能長期跟蹤監(jiān)測采集到了大量運行歷史數(shù)據(jù)，這些數(shù)據(jù)具有增加速度快、價值密度低等特征.處理這些龐大的數(shù)據(jù)并挖掘出能反映高速列車運行狀態(tài)的模型與特征，利用傳統(tǒng)的故障分析方法在診斷速度和處理能力上很難滿足需要.基于此，將高速列車智能診斷與故障預(yù)測技術(shù)與云計算相結(jié)合起來，利用Apache Hadoop開發(fā)出了一套跨集群的云計算平臺，允許分布式處理大型數(shù)據(jù)集[22].依托大數(shù)據(jù)分析技術(shù)和云平臺架構(gòu)，列車智能診斷與故障預(yù)測系統(tǒng)通過搭建關(guān)鍵部件健康度及剩余壽命等關(guān)聯(lián)模型，挖掘軌道交通裝備全壽命周期數(shù)據(jù)，并將計算結(jié)果反饋至傳感器布置和車輛設(shè)計，優(yōu)化智能診斷模型和車輛維修計劃，提高車輛維修效率.

圖2 高速列車智能診斷和故障預(yù)測分析流程Fig.2 Analysis procedure for intelligent diagnosis and prognostics in high speed train

2 智能診斷與故障預(yù)測技術(shù)的應(yīng)用

中國高速列車設(shè)置的各類傳感器及狀態(tài)反饋器件的監(jiān)測范圍基本涵蓋了列車的關(guān)鍵系統(tǒng)和主要設(shè)備，按照功能可以分為安全保障、系統(tǒng)控制保護(hù)和服務(wù)設(shè)施狀態(tài)監(jiān)視3大類，通過采集壓力、溫度、繼電器狀態(tài)等信息，實現(xiàn)故障預(yù)警、設(shè)備監(jiān)控、數(shù)據(jù)記錄等功能，保障列車和子系統(tǒng)的安全運營.

2.1 軸溫預(yù)警智能診斷模型

以走行部軸承可靠性監(jiān)測為例介紹高速列車智能診斷與故障預(yù)測系統(tǒng)的運行過程.軸承可靠性監(jiān)測系統(tǒng)通過實時監(jiān)測轉(zhuǎn)向架上軸箱、齒輪箱、牽引電機(jī)軸承的溫度和振動狀態(tài)，利用大數(shù)據(jù)處理技術(shù)及人工智能方法對數(shù)據(jù)進(jìn)行分析，實現(xiàn)對相關(guān)部件早期故障的識別和定位，避免事故發(fā)生[23-25].

軸承可靠性監(jiān)測設(shè)備由軸承監(jiān)測主機(jī)、傳感器網(wǎng)絡(luò)及線纜組成，如圖3所示.轉(zhuǎn)向架及牽引傳動系統(tǒng)軸承監(jiān)測主機(jī)采集各軸承和電機(jī)的溫度、振動信息，并對溫度和振動數(shù)據(jù)進(jìn)行分析，提取特征參數(shù).當(dāng)特征參數(shù)超過預(yù)警或報警值時，監(jiān)測主機(jī)將預(yù)警信息通過列車控制網(wǎng)絡(luò)發(fā)送給人機(jī)交互界面(Human Machine Interface,HMI)顯示，并發(fā)送到車載無線傳輸裝置(Wireless Transformation Device,WTD)記錄，列車控制網(wǎng)絡(luò)根據(jù)預(yù)警級別判斷是否采取限速或制動等預(yù)處理措施.WTD裝置用于實現(xiàn)數(shù)據(jù)的本地存儲，并將列車運行狀態(tài)信息及特征參數(shù)等實時發(fā)送至地面.WTD裝置本地記錄的數(shù)據(jù)還可以通過WLAN自動下載至動車運用所的地面服務(wù)器，為地面PHM系統(tǒng)實現(xiàn)列車狀態(tài)的智能化健康診斷提供數(shù)據(jù)支持.地面PHM系統(tǒng)根據(jù)建立的故障預(yù)測模型對收到的實時軸溫和振動數(shù)據(jù)進(jìn)行故障預(yù)測，并對歷史數(shù)據(jù)進(jìn)行深入挖掘，不斷完善智能診斷和故障預(yù)測模型.地面PHM系統(tǒng)的診斷結(jié)果反饋至列車制造商及運營商大數(shù)據(jù)中心，用于車輛的修程制定、設(shè)計改進(jìn)及調(diào)度安排等.

圖3 軸承可靠性監(jiān)測系統(tǒng)框架Fig.3 Framework of bearing monitoring system

軸承可靠性監(jiān)測和預(yù)警是一種典型的無監(jiān)督條件下的故障診斷問題，即只以歷史正常數(shù)據(jù)的特征為依據(jù)，來判斷系統(tǒng)是否存在潛在故障.對此類異常檢測和診斷問題進(jìn)行建模分析，主要難點在于如何提取有效特征來顯著區(qū)分系統(tǒng)的正常狀態(tài)和異常狀態(tài).按照智能診斷和故障預(yù)測的一般流程，該問題可按照基于多維度特征融合的方法進(jìn)行解決.

軸承可靠性監(jiān)測模型構(gòu)建階段，特征提取模塊從歷史數(shù)據(jù)中提取能夠有效表達(dá)數(shù)據(jù)特點的特征，然后利用提取到的時序特征建立趨勢預(yù)測模型，從而獲得系統(tǒng)正常工作時，運行數(shù)據(jù)隱含特征的時序關(guān)聯(lián)性關(guān)系.

在系統(tǒng)運用階段，將實測數(shù)據(jù)輸入特征提取模塊提取數(shù)據(jù)特征，然后將實測數(shù)據(jù)的特征表達(dá)輸入趨勢預(yù)測模型，判斷該實測數(shù)據(jù)特征是否符合正常數(shù)據(jù)的預(yù)測趨勢，并根據(jù)判定結(jié)果對是否進(jìn)行預(yù)警做出決策.

定義一維數(shù)組兩點之間的實際距離為其歐式距離，在該例中，對以下4組特征值進(jìn)行分析：

特征值λ1為兩兩軸承數(shù)據(jù)間的歐式距離，取均值；特征值λ2、λ3、λ4分別為兩兩軸承數(shù)據(jù)均值間、方差間、峰值間的歐式距離，求和；

融合特征值λ為對上述特征值的和，設(shè)定每個采集點一個采集周期內(nèi)的數(shù)據(jù)個數(shù)為L，軸承數(shù)量為K，則第m軸承的第n個采樣數(shù)據(jù)可記為σmn，其中m∈[1,K]，n∈[1,L]，用i，j標(biāo)記中間變量，特征值計算方法如下：

(1)

記某個軸承與其他軸承數(shù)據(jù)的特征值和為Dm.

(2)

用i標(biāo)記中間變量，則該軸位置發(fā)生故障的相對概率Pm可以表達(dá)為

(3)

2.2 故障預(yù)測及診斷結(jié)果

某型號動車組軸承可靠性監(jiān)測系統(tǒng)成功對潛在軸承故障進(jìn)行了預(yù)測，避免了事故的發(fā)生.在該案例中，故障預(yù)測模型對列車運行的軸承溫度實時數(shù)據(jù)和歷史數(shù)據(jù)進(jìn)行了分析，其中包括：1)車載PHM系統(tǒng)對車載實時數(shù)據(jù)進(jìn)行分析，得到了多個軸發(fā)生故障的相對概率，當(dāng)某一軸的故障發(fā)生概率明顯高于其他軸時，即可實現(xiàn)潛在故障的預(yù)處理和定位；2)地面PHM系統(tǒng)借助大數(shù)據(jù)處理平臺對歷史數(shù)據(jù)綜合分析，將軸溫融合特征作為差異指標(biāo)，根據(jù)其變化曲線實現(xiàn)了對潛在故障的預(yù)測.

取故障預(yù)警當(dāng)日和預(yù)警前一段時間的12組數(shù)據(jù)進(jìn)行說明，其中故障預(yù)警當(dāng)日(2017-06-03)的數(shù)據(jù)1組，故障預(yù)警前的數(shù)據(jù)11組；每組數(shù)據(jù)分別來自四路信號：1軸、2軸、3軸、4軸齒輪箱(潛在故障位置),如圖4所示.

圖4 列車軸溫數(shù)據(jù)采集位置Fig.4 Data acquisition position of axle temperature

故障預(yù)測模型通過實時數(shù)據(jù)分析得到的故障軸概率如表1所示，由表可知，4軸齒輪箱發(fā)生故障的相對概率明顯高于其他軸，故障預(yù)警當(dāng)日超過70%.通過地面大數(shù)據(jù)處理平臺對歷史數(shù)據(jù)分析得到的融合特征變化曲線如表1中融合特征值λ所示，在故障預(yù)警前4日融合特征值持續(xù)異常升高，超出合理范圍(λ=2 500)，最終引起了軸承潛在故障預(yù)警.

表1 車載軸溫實時數(shù)據(jù)分析

為方便對診斷結(jié)果進(jìn)行驗證，首先選用故障日期當(dāng)天以及故障發(fā)生日前兩天共3日的數(shù)據(jù)，車軸溫度3天的原始數(shù)據(jù)如圖5所示.可以明顯觀察到當(dāng)故障發(fā)生時，車軸組的第4路信號表現(xiàn)出了不同的變化規(guī)律，該曲線從下午1點30分后明顯高于其他3路信號，一直持續(xù)到車輛降速停止運行。軸溫變化曲線表明，4軸齒輪箱軸承溫度出現(xiàn)異常，驗證了軸溫故障智能診斷模型的有效性.

圖5 軸溫差異性融合特征變化曲線及原始數(shù)據(jù)Fig.5 Variation curve and original data of bearing temperature’smerge feature

數(shù)據(jù)分析及預(yù)測結(jié)果表明智能診斷和故障預(yù)測模型能夠?qū)α熊囘\行狀態(tài)進(jìn)行有效的監(jiān)控和預(yù)警，有助于實現(xiàn)故障的快速定位和預(yù)測性維護(hù).

3 結(jié)論

在軌道交通裝備現(xiàn)有運維體系的基礎(chǔ)上，介紹了高速列車智能診斷和故障預(yù)測系統(tǒng)，主要包括：

1)提出了智能診斷和故障預(yù)測的基本框架，并針對列車運維中的各個環(huán)節(jié)給出了故障預(yù)測模型的系統(tǒng)搭建方法.

2)介紹了高速列車智能診斷和故障預(yù)測方法在軸溫監(jiān)測系統(tǒng)中的應(yīng)用，結(jié)合軸溫監(jiān)測系統(tǒng)及其應(yīng)用案例的診斷結(jié)果，證明該方法能夠?qū)Ω咚倭熊囘\行過程中的潛在問題進(jìn)行預(yù)警和預(yù)測.高速列車本身及其運維過程復(fù)雜，下一步工作將結(jié)合智能診斷和故障預(yù)測過程中的特征提取和分析對列車狀態(tài)參數(shù)之間的關(guān)聯(lián)性展開研究，建立列車可靠性和可用性等指標(biāo)的評估體系.