劉元清 耿曉峰 祁成

摘 要：通過分析城市軌道交通制動(dòng)系統(tǒng)PHM技術(shù)應(yīng)用現(xiàn)狀，結(jié)合PHM建設(shè)理念，介紹如何在城市軌道交通制動(dòng)系統(tǒng)開展PHM技術(shù)研究與應(yīng)用。提出制動(dòng)系統(tǒng)PHM目標(biāo)及架構(gòu)，從數(shù)據(jù)采集與處理、異常檢測、故障診斷及故障預(yù)測方面對(duì)制動(dòng)系統(tǒng)PHM主要功能進(jìn)行闡述，并結(jié)合相關(guān)案例進(jìn)行說明。

關(guān)鍵詞：城市軌道交通;車輛;制動(dòng)系統(tǒng);PHM;故障診斷;故障預(yù)測

中圖分類號(hào)：U231.3

1 制動(dòng)系統(tǒng)PHM應(yīng)用現(xiàn)狀分析

故障預(yù)測與健康管理系統(tǒng) （Prognostic and Health Management，PHM）是指利用傳感器采集和分析系統(tǒng)運(yùn)行狀態(tài)數(shù)據(jù)，以提供先進(jìn)的故障診斷和預(yù)測行為，進(jìn)而能夠預(yù)測未來的健康狀況、問題的出現(xiàn)及需要的維修行為;基于診斷/預(yù)測信息、可利用資源和運(yùn)行要求，對(duì)維修和后勤活動(dòng)做智能、充分和適合的決策，從而在產(chǎn)品設(shè)計(jì)、生產(chǎn)、檢驗(yàn)、運(yùn)行、維護(hù)、配置等整個(gè)生命周期過程中體現(xiàn)出管理成本效益。簡單地說，PHM就是借助各種算法和模型，找到故障表象與故障原因之間的關(guān)系，推導(dǎo)出設(shè)備故障的原因及故障部位，并對(duì)故障征兆趨勢進(jìn)行跟蹤，對(duì)未來可能發(fā)生的故障進(jìn)行預(yù)測，并通過維修決策合理調(diào)配維修保障資源，從而制定出最佳維修保障方案。PHM項(xiàng)目的研發(fā)與應(yīng)用，可在成本優(yōu)化、運(yùn)營效率提升、運(yùn)營安全性及運(yùn)營品質(zhì)提升等方面獲得卓越成效，將為城市軌道交通帶來顯著的經(jīng)濟(jì)效益和社會(huì)效益。

制動(dòng)系統(tǒng)作為行車安全的關(guān)鍵子系統(tǒng)，承擔(dān)著保證列車安全、可靠停車的重要職能。隨著現(xiàn)代工業(yè)技術(shù)尤其是傳感器、嵌入式系統(tǒng)、網(wǎng)絡(luò)通信技術(shù)、基于大數(shù)據(jù)的信息技術(shù)的迅速發(fā)展，制動(dòng)系統(tǒng)的智能化管理、智能化診斷已經(jīng)逐步開始應(yīng)用。在極大地降低司機(jī)和軌道車輛運(yùn)維人員工作強(qiáng)度的同時(shí)，提高產(chǎn)品的可維護(hù)性及可用性，實(shí)現(xiàn)軌道交通裝備的預(yù)測性維護(hù)、遠(yuǎn)程診斷監(jiān)控維護(hù)與全生命周期管理。設(shè)備維修方式也逐漸由定期維修轉(zhuǎn)變?yōu)闋顟B(tài)維修。

目前國內(nèi)外城軌車輛制動(dòng)系統(tǒng)均具備系統(tǒng)自診斷功能，但是不同制動(dòng)系統(tǒng)的診斷覆蓋率不盡相同。故障診斷和維修維護(hù)方面主要存在以下不足。

（1）故障排查存在缺陷。制動(dòng)系統(tǒng)很多故障，例如抱死、制動(dòng)力不足等存在著多系統(tǒng)耦合的情況，因此僅靠制動(dòng)系統(tǒng)的自身判斷很難快速進(jìn)行故障定位。

（2）無法實(shí)現(xiàn)故障的中間狀態(tài)預(yù)警。目前制動(dòng)系統(tǒng)的診斷條件只能等故障影響到一定程度后才能發(fā)現(xiàn)故障，即只有“正?！?、“故障”2種狀態(tài)判斷。

（3）維護(hù)模式存在缺陷。目前制動(dòng)系統(tǒng)存在著維修不足或維修過剩的現(xiàn)象，無法對(duì)產(chǎn)品的壽命進(jìn)行預(yù)測。

2 制動(dòng)系統(tǒng)PHM建設(shè)理念

2.1 系統(tǒng)目標(biāo)

將PHM技術(shù)應(yīng)用在城市軌道交通車輛制動(dòng)系統(tǒng)中，應(yīng)充分考慮車輛的實(shí)際運(yùn)行環(huán)境以及制動(dòng)系統(tǒng)的產(chǎn)品特點(diǎn)，結(jié)合現(xiàn)有的設(shè)計(jì)理念、運(yùn)營方式以及維護(hù)體制等內(nèi)容，對(duì)多樣、繁雜的數(shù)據(jù)進(jìn)行失效物理、機(jī)器學(xué)習(xí)以及專家知識(shí)等多技術(shù)的融合分析，以期達(dá)成以下目標(biāo)。

（1）針對(duì)系統(tǒng)中搜集的海量數(shù)據(jù)，建立統(tǒng)一的數(shù)據(jù)管理平臺(tái)，研究大數(shù)據(jù)背景下的數(shù)據(jù)分析方法，實(shí)現(xiàn)對(duì)制動(dòng)系統(tǒng)中數(shù)據(jù)的有效處理、分析和綜合應(yīng)用。

（2）結(jié)合產(chǎn)品PHM技術(shù)研究，對(duì)產(chǎn)品運(yùn)行全壽命周期中已出現(xiàn)的故障實(shí)現(xiàn)精確快速定位;對(duì)潛在的故障或異常進(jìn)行提前告警，實(shí)現(xiàn)故障預(yù)測。

（3）從制動(dòng)系統(tǒng)眾多狀態(tài)參數(shù)中，提取表征制動(dòng)系統(tǒng)狀態(tài)的參數(shù)指標(biāo)，建立制動(dòng)系統(tǒng)健康狀態(tài)評(píng)價(jià)指標(biāo)體系，并對(duì)其健康狀態(tài)分級(jí)。

（4）綜合運(yùn)維體系中的各個(gè)環(huán)節(jié)因素，例如人員、備件、站點(diǎn)、維護(hù)等，研究最優(yōu)組合，形成完善的制動(dòng)系統(tǒng)運(yùn)維解決方案。

2.2 系統(tǒng)架構(gòu)

依據(jù)制動(dòng)系統(tǒng)PHM建設(shè)目標(biāo)，構(gòu)建制動(dòng)系統(tǒng)PHM架構(gòu)，如圖1所示。制動(dòng)系統(tǒng)車載PHM單元對(duì)綜合采集到的數(shù)據(jù)進(jìn)行故障診斷、系統(tǒng)自評(píng)價(jià)以及故障預(yù)警、預(yù)測，并將原始數(shù)據(jù)、狀態(tài)信息以及故障信息發(fā)送至車輛端車載PHM系統(tǒng)，數(shù)據(jù)由車輛端PHM系統(tǒng)經(jīng)整車廠地面PHM系統(tǒng)整理后通過互聯(lián)網(wǎng)發(fā)送至制動(dòng)系統(tǒng)地面PHM平臺(tái)。

制動(dòng)系統(tǒng)地面根據(jù)預(yù)先定義的數(shù)據(jù)視圖將數(shù)據(jù)歸類以便進(jìn)行大數(shù)據(jù)分析和機(jī)器學(xué)習(xí)，找尋故障、分析關(guān)聯(lián)、預(yù)測故障，通過企業(yè)接口系統(tǒng)接入專家系統(tǒng)以協(xié)助分析;在控制中心查看外部資產(chǎn)性能、故障趨勢及內(nèi)部相關(guān)流程、告警、現(xiàn)場維修狀態(tài)、資源等。

3 制動(dòng)系統(tǒng)PHM主要功能

制動(dòng)系統(tǒng)PHM技術(shù)主要包含數(shù)據(jù)采集與處理、異常檢測、故障診斷和故障預(yù)測功能，下面將重點(diǎn)介紹這4個(gè)功能。

3.1 數(shù)據(jù)采集與處理

制動(dòng)系統(tǒng)的信號(hào)采集主要覆蓋制動(dòng)系統(tǒng)的關(guān)鍵部位，目前城市軌道交通車輛制動(dòng)系統(tǒng)各相關(guān)部件信號(hào)采集內(nèi)容如表1所示。

3.2 異常檢測

制動(dòng)系統(tǒng)常見的異常檢測故障有抱死故障、摩擦制動(dòng)施加故障、摩擦制動(dòng)緩解故障、速度傳感器故障、防滑閥故障、壓力傳感器故障、指令類故障、控制類故障、功能性故障、通信類故障等。

現(xiàn)有的故障診斷均為邏輯性診斷，具有安全導(dǎo)向、事后檢測、實(shí)時(shí)性差、精確度低等特點(diǎn)，結(jié)合現(xiàn)有的數(shù)據(jù)現(xiàn)狀、異常檢測的方法可逐步向故障預(yù)警進(jìn)行過渡。如針對(duì)摩擦制動(dòng)施加/緩解等系統(tǒng)級(jí)異常，以制動(dòng)缸壓力為最終表征。車輛制動(dòng)過程中，制動(dòng)缸壓力數(shù)據(jù)是動(dòng)態(tài)的、大量的，因此如何挖掘出制動(dòng)缸壓力數(shù)據(jù)的特征就指向于如何使用簡易的方式表達(dá)該段數(shù)據(jù)。針對(duì)制動(dòng)缸壓力的數(shù)據(jù)特性，將制動(dòng)缸壓力過程分為系統(tǒng)響應(yīng)、建立、穩(wěn)定3個(gè)階段。針對(duì)每個(gè)階段的特性，使用8個(gè)特征量（表2）表達(dá)制動(dòng)的時(shí)序數(shù)據(jù)。

針對(duì)多次制動(dòng)的特征量進(jìn)行自相關(guān)對(duì)比，借助機(jī)器學(xué)習(xí)、專家經(jīng)驗(yàn)等確定異常的原因，持續(xù)積累經(jīng)驗(yàn)形成樣本，逐步形成自動(dòng)化的系統(tǒng)異常檢測和原因分析。

3.3 故障診斷

故障診斷的目的是快速定位故障及其失效模式，提升維修分析的效率，城市軌道交通車輛制動(dòng)系統(tǒng)目前的故障診斷已具備快速排查大部分故障的能力，但仍存在以下缺陷：

（1）系統(tǒng)級(jí)故障檢測較多，部件級(jí)故障定位自動(dòng)化程度低;

（2）人工排查程序規(guī)范化程度低，多數(shù)依靠專家經(jīng)驗(yàn)現(xiàn)場分析。

由于制動(dòng)系統(tǒng)存在數(shù)據(jù)樣本量小、系統(tǒng)學(xué)科性復(fù)雜等特點(diǎn)，傳統(tǒng)的基于機(jī)器學(xué)習(xí)的故障分析、聚類的診斷推理在精確度方面存在較大瓶頸，因此如何結(jié)合機(jī)理及數(shù)據(jù)分析技術(shù)成為城市軌道交通車輛制動(dòng)系統(tǒng)故障診斷領(lǐng)域的重點(diǎn)研究方向。

常見的故障診斷內(nèi)容包括電路板故障、閥類故障、傳感器故障、管路泄漏故障、連接器故障、通信類故障。這些故障種類在很多時(shí)候其信號(hào)的表征是深度耦合的，因此如何進(jìn)行診斷定位是制動(dòng)系統(tǒng)較為特有的需求方向。

以常見的抱死故障為例，其可能的故障原因有以下3種：①速度傳感器故障;②軸抱死;③電路板故障。由于抱死的后果較為嚴(yán)重，往往對(duì)車輛運(yùn)營產(chǎn)生影響，因此需要對(duì)以上的故障原因進(jìn)行快速診斷及定位。筆者針對(duì)以上的故障原因，采用卡爾曼濾波方法進(jìn)行研究。卡爾曼濾波算法核心是運(yùn)用遞歸算法來達(dá)到最優(yōu)狀態(tài)估計(jì)，利用前一時(shí)刻的估計(jì)值和現(xiàn)時(shí)刻的觀測值來更新當(dāng)前狀態(tài)變量的估計(jì)值，結(jié)合殘差判斷故障及佩特里（Petri）網(wǎng)等技術(shù)進(jìn)行故障診斷，進(jìn)而將速度信號(hào)自身的故障和真實(shí)的軸抱死故障進(jìn)行區(qū)分。其算法流程如圖2所示。

3.4 故障預(yù)測

故障預(yù)測一般有2種方法，一種是基于已有的產(chǎn)品壽命模型進(jìn)行預(yù)測，一種是基于歷史數(shù)據(jù)建立模型進(jìn)行預(yù)測。

3.4.1 基于已有產(chǎn)品的壽命模型

在城市軌道交通行業(yè)中，產(chǎn)品的實(shí)際運(yùn)用很難得到全壽命周期的特性數(shù)據(jù)，因此如需得到較為完整周期的模型，有仿真和實(shí)驗(yàn)2種方法獲取數(shù)據(jù)。仿真的成本較低，可以通過仿真實(shí)現(xiàn)多種故障注入的驗(yàn)證，由此獲得產(chǎn)品不同的響應(yīng)特性數(shù)據(jù)。

仿真的局限性在于其研究成果很大程度上依賴于模型的精確程度以及對(duì)于產(chǎn)品失效機(jī)理的理解深度，目前應(yīng)用比較廣泛的是采用可靠性實(shí)驗(yàn)技術(shù)開展一定樣本量的產(chǎn)品加速壽命實(shí)驗(yàn)，實(shí)時(shí)監(jiān)測全實(shí)驗(yàn)過程的產(chǎn)品性能退化特征，利用基于相似性建模的方法進(jìn)行故障預(yù)測，常用的加速壽命實(shí)驗(yàn)?zāi)Ｐ陀幸韵?種。

（1）溫度加速模型：

（1）

式（1）中， AFT是溫度加速因子，E是活化能，k是玻爾茲曼常數(shù)， T1是典型工作絕對(duì)溫度， T2是加速試驗(yàn)絕對(duì)溫度。該加速模型被廣泛的應(yīng)用在各種溫度加速測試?yán)铮∕IL-STD-217和Telcordia SR332 可靠性預(yù)計(jì)標(biāo)準(zhǔn)。同時(shí)也被運(yùn)用在MIL-STD-883，IEC 60025-2 的可靠性測試和壽命驗(yàn)證方法中。

（2）溫濕度加速模型 （Pecks Model）綜合了溫度和濕度加速模型，可以提高加速因子，減少測試時(shí)間。其加速模型公式如下：

（2）

式（2）中， AFH是濕度加速因子， H1是使用環(huán)境相對(duì)濕度， H2是加速試驗(yàn)環(huán)境相對(duì)濕度，n是未知模型參數(shù)，由腐蝕特性決定，一般取值1～5。

目前大部分產(chǎn)品都采用溫濕度測試加速模型，而且在電子元器件和半導(dǎo)體領(lǐng)域，已經(jīng)形成了標(biāo)準(zhǔn)，為各個(gè)國家各個(gè)領(lǐng)域所共同遵守。這些標(biāo)準(zhǔn)包括 EIA/JSTD 22-A 101-B 恒溫恒濕壽命測試。

3.4.2 基于歷史數(shù)據(jù)的預(yù)測模型

預(yù)測是在了解和掌握系統(tǒng)的運(yùn)行狀態(tài)及狀態(tài)變化規(guī)律的基礎(chǔ)上，根據(jù)一定的預(yù)測方法推測其狀態(tài)的變化趨勢，估計(jì)故障的傳播、發(fā)展和系統(tǒng)的性能劣化趨勢，是進(jìn)行事故預(yù)防、實(shí)現(xiàn)視情維修和健康管理的重要手段。其中基于數(shù)據(jù)驅(qū)動(dòng)的故障預(yù)測方法主要利用設(shè)備的歷史工作數(shù)據(jù)、故障注入數(shù)據(jù)以及仿真實(shí)驗(yàn)數(shù)據(jù)等，通過各種數(shù)據(jù)分析處理算法進(jìn)行趨勢預(yù)測，是目前應(yīng)用比較廣泛的預(yù)測方法。

基于數(shù)據(jù)驅(qū)動(dòng)的故障預(yù)測是數(shù)據(jù)采集、特征提取、趨勢預(yù)測、故障識(shí)別的過程（圖3），主要分為以下3個(gè)步驟。

（1）預(yù)測樣本數(shù)據(jù)準(zhǔn)備和預(yù)測模型訓(xùn)練。將監(jiān)測到的設(shè)備狀態(tài)數(shù)據(jù)進(jìn)行分析、特征提取后形成歷史數(shù)據(jù)，結(jié)合故障注入數(shù)據(jù)或仿真數(shù)據(jù)等其它數(shù)據(jù)，構(gòu)建用于故障預(yù)測的訓(xùn)練樣本，并進(jìn)行預(yù)測模型的訓(xùn)練。

（2）趨勢預(yù)測。將監(jiān)測到的潛在故障狀態(tài)信息進(jìn)行分析處理，利用第一步所建立的模型進(jìn)行狀態(tài)變化趨勢和系統(tǒng)性能劣化趨勢預(yù)測，得到表征設(shè)備將來狀態(tài)的特征趨勢數(shù)據(jù)。

（3）潛在故障識(shí)別。利用預(yù)測得到的特征趨勢數(shù)據(jù)進(jìn)行故障模式識(shí)別，預(yù)測設(shè)備未來可能發(fā)生的故障或設(shè)備的剩余壽命。

基于數(shù)據(jù)驅(qū)動(dòng)預(yù)測的典型方法有時(shí)間序列分析、灰色模型預(yù)測、隱馬爾可夫模型預(yù)測、神經(jīng)網(wǎng)絡(luò)預(yù)測和支持向量機(jī)預(yù)測等，優(yōu)缺點(diǎn)如表3所示。由于預(yù)測本身具有不確定性，需要提高預(yù)測的精度和穩(wěn)定性，采用混合預(yù)測方法和組合預(yù)測方法的故障預(yù)測逐步得到應(yīng)用，也是故障預(yù)測技術(shù)發(fā)展的必然趨勢。

4 結(jié)束語

以城市軌道交通發(fā)展現(xiàn)狀為基礎(chǔ)，提出城市軌道交通制動(dòng)系統(tǒng)的PHM架構(gòu)，論述了PHM的主要功能，并結(jié)合相關(guān)案例進(jìn)行了說明。但城市軌道交通制動(dòng)系統(tǒng)PHM技術(shù)仍處于起步階段，隨著未來工業(yè)互聯(lián)網(wǎng)的深化應(yīng)用，其工程應(yīng)用的可行性及其能效將逐步體現(xiàn)，同時(shí)伴隨城市軌道交通行業(yè)智能運(yùn)維技術(shù)的逐步推廣，制動(dòng)系統(tǒng)PHM技術(shù)將成為產(chǎn)品的核心競爭力。

參考文獻(xiàn)

[1] 王玘，何正友，林圣，等. 高鐵牽引供電系統(tǒng)PHM與主動(dòng)維護(hù)研究[J]. 西南交通大學(xué)學(xué)報(bào)，2015，50（5）：942-952.

[2] Sun B，Kang R，Xie J. Research and application of the prognostic and health management system[J]. Systems Engineering and Electronics，2007，29（10）： 1762-1767.

[3] Farhat A，Guyeux C，Makhoul A，et al. On the coverage effects in wireless sensor networks based prognostic and health management[J]. International Journal of Sensor Networks，2018，28（2）：125-138.

[4] Yi X，Chen Y，Hou P，et al. A survey on prognostic and health management for special vehicles[C] //2018 Prognostics and System Health Management Conference（PHM-Chongqing）. IEEE，2018.

[5] 尹方，楊永勤，崔虎山. 動(dòng)車組軸抱死檢測誤報(bào)故障的解決方案[J]. 電力機(jī)車與城軌車輛，2013，36（1）：83-84.

[6] 張堯庭，方開泰. 多元統(tǒng)計(jì)分析引論[M]. 北京：科學(xué)出版社，1982.

[7] Ralston P，DePuy G，Graham J H. Computer-based monitoring and fault diagnosis：a chemical process case study[J]. ISA Transactions， 2001，40（1）：85-98.

[8] Kwon D，Hodkiewicz M R，F(xiàn)an J，et al. IoT-based prognostics and systems health management for industrial applications[J]. IEEE Access，2016（4）：3659-3670.

[9] Macaluso A，Jacazio G. Prognostic and health management system for fly-by-wire electro-hydraulic servo actuators for detection and tracking of actuator faults[J]. Procedia CIRP，2017（59）：116-121.

[10] Elsayed A.Elsayed. 可靠性工程[M]. 北京：電子工業(yè)出版社，2013.

[11] Peysson F，Ouladsine M，Outbib R，et al. A generic prognostic methodology using damage trajectory models[J]. IEEE transactions on reliability，2009，58（2）：277-285.

[12] 韓東，楊震，許葆華. 基于數(shù)據(jù)驅(qū)動(dòng)的故障預(yù)測模型框架研究[J]. 計(jì)算機(jī)工程與設(shè)計(jì)，2013，34（3）： 1054-1058.

收稿日期 2019-08-16

責(zé)任編輯 宗仁莉