轨道交通车辆健康诊断及智能维护系统

陈美霞，黄苏平，王 维

（中车南京浦镇车辆有限公司，南京 210031）

目前，轨道车辆的维修思路大部分都是传统思路，即响应维修以及计划维修。响应维修是出现故障，然后进行响应式维护，1该维修方式针对性较强，故障的准确度判断最高，但实时性较差，且维修周期较长，如果故障的部件需要更换，则更换部件及部件的调运周期较长，并且故障车辆一直处于停运状态，导致车辆使用率大幅下降。计划维修是在故障发生前进行维修，按照时间和定期检测进行维修。该维修方式针对性较弱，但能起到一定的预防作用，是对响应式维修的补充。

随着轨道交通的蓬勃发展，轨道交通方式逐渐成为了人们交通的首选。在当前紧迫的交通压力下，如何进一步提升维修效率，提高轨道车辆产品的可用性，延长产品的使用寿命，是当前维保系统迫切需要解决的问题。而传统维修方式成本居高不下，造成车辆维修部门的经济效益低迷，如何降低运营维护成本，是目前车辆维修思路改变的核心。此外，随着大量车辆投入使用，维护工作量巨大，如何通过自动化的维护减少工作量，减少人力成本同样是迫切需要研究的课题。

随着技术的不断发展，预测性维护的思路逐渐被提出。预测性维护是通过数据建模对故障发生情况进行预测，依据数据进行趋势分析，根据系统预测的状态进行维修，即智能化维修。通过智能化的维修思路，可在故障发生之前进行预测，从而达到维修的智能化。

通过故障预测减少了计划外的纠正性维修工作，大幅度地降低维修成本。故障发生之前进行针对性的维修，能够确保车辆产品在第一时间被检修完成，极大地提升了车辆产品的可用性，提升了车辆厂商的商业形象。

在不同时期、不同车型上关于如何开展故障诊断，很多科研人员对此进行了研究。比如曾嵘[1]进行了机车状态监测、智能诊断与维护支持系统的研究与设计，研究和开发了车载相应的人机接口界面、列车与地面之间的无线通信连接等；李帅[2]对轨道交通车站机电智能设备智能监控和健康维护关键技术进行了研究并提出了一种预警和诊断模型，设计了相应的软件；刘毅斌[3]在2009年对SS9型电力机车进行了故障诊断研究，介绍了数据采集模块和车载故障诊断专家系统模块；杨连报[4]在2015年对高速铁路信号系统进行了大数据规范化研究与运维决策支持研究，他利用决策树经典的ID3算法并结合专家知识，构建了高铁信号系统的智能维护决策树模型；刘志亮等[5]从故障检测和远程诊断两个方面研究了轨道车辆故障诊断的特点，同时提出了故障诊断技术及理论发展方向。以上科研人员分别从不同角度、不同侧重点对车辆健康诊断进行了研究，都具备一定的参考价值，但是缺少系统的研究方案，因此笔者从车地通讯如何将数据从车上发送到地面、数据落地后如何处理分析、采用什么样的算法进行挖掘等方面进行一整套的介绍，可操作性强。本文针对现阶段轨道车辆健康诊断及智能维护的迫切需求，提出了系统地、完整地、具体地解决方案。从平台的组成、功能等方面进行了描述，可直接应用到高铁、地铁、低地板等各种不同车型中，为研究车辆健康诊断及智能维护人员提供有力的参考。

1 系统结构

列车健康诊断及智能维护系统主要由四部分组成，分别为：车载检测系统；轨旁检测系统；数据仓库及分析中心；资产管理系统。

系统总体结构如图1所示。

图1 系统总体结构Fig. 1 Overall structure of the system

1.1 车载检测系统

车载检测系统主要以列车控制与监测系统（TCMS）为依托，获取列车实时状态及各种故障记录，并通过无线系统实时发给车载系统的地面服务器，地面服务器对这些信号进行转化，使之成为可识别的信息。必要的实时故障信息在车载系统的地面服务器可通过屏幕进行显示提醒，实现车载显示屏落地的功能。所有的信息通过构建的互联网通信渠道发送至数据仓库及分析中心（见图2）。

图2 车地通信逻辑结构图Fig. 2 Train-Ground communication logic structure

1.2 轨旁检测系统

轨旁检测系统通过轨旁检测设备获取列车外部设备的状态信息，通过地面网络将数据发送至数据仓库及分析中心。

1.3 数据仓库及分析中心

由于数据仓库及分析中心将会存储并处理若干项目的数据，提供若干指导性意见，故该分析中心需要具备以下特性要求。

1.3.1 可靠性

系统架构健壮、运行稳定、功能可靠。保持系统运行稳定，确保数据不因意外情况丢失或损坏。

1.3.2 安全性

技术平台符合国家信息安全体系的管理要求，并遵循国际安全设计规范。系统关键信息进行机密管理，实现关键信息的加密保存；系统数据完整，有效防止信息被非法修改。

1.3.3 可扩展性

系统有良好的可扩展性，能够快速响应业务需求的变化。系统采用松耦合构件方式进行设计，对于应用功能的扩展可采用发布新构件方式实现。

1.3.4 开放性

系统的主要数据、功能具备开放性，通过标准或通用的接口向外部提供数据和功能的支持，且对接口设有安全性的保护控制。

1.3.5 可伸缩性

在不用修改系统架构的情况下，通过增加或增强相应的设备即可实现系统功能的扩展支持，包括垂直扩展和水平扩展。

数据仓库采用国际通用的平台软件。数据仓库及分析中心收到车载检测系统及轨旁检测系统的数据，将进行预处理，即分析出数据类别，并将不同数据发往相应的仓库进行分类存储。同时，分析中心的数据挖掘模型同时启动，对正存储和已存储的数据进行基于各种属性的模型计算、比较分析，分析结果将根据决策模型中的定义进行处理。如果分析结果通过决策模型指示该部件已到达故障临界点，需要进行维修，则数据仓库及分析中心会将该结果的详细信息发送至资产管理系统。数据仓库及分析中心主要用于存储车辆现场发回的数据，通过数据的过滤、抽取、转化，将按照已定义的数据模型进行存储数据。

从原始数据到终端的各类应用，将经过多层工序对数据进行处理，如图3所示。

图3 数据流向Fig. 3 Data flow direction

在数据获取层，可采用市场成熟的商用或开源的数据仓库技术（extract-transform-load，ETL）工具与自主开发相结合的方式，对数据进行加工过滤，最后得出结构化的元数据，存储于数据存储层。数据存储层除了配置大容量存储器外，同时将运行综合分析工具，按自定义的分析模型对元数据进行分析。该分析模型可根据需要不断调整，最终完成符合需求的分析策略。综合分析工具得出的结果，将通过数据仓库服务器的输出端口进行输出，用户根据需要可使用 BI软件，如 Pentaho等成熟的工具对结果进行可视化展示，同时也可按决策模型定义的策略，将故障警报等关键信息发送给资产管理系统等应用。

1.4 资产管理系统

资产管理系统收到数据仓库及分析中心给出的故障预判结果后，将智能地制订维修计划，自动生成维修工单并发送至被预判故障所在的城市项目车辆段，同时以短信的方式提醒维修责任人。维修责任人可使用手机登录维修 APP中查看维修工单，并根据维修工单附带的维修操作标准进行维修作业，并将维修结果反馈至手机APP中。

通过建立资产分类管理、备件分类管理、备件编码管理及资产构型管理准确地定位到每个部件，从而达到部件级别报告故障，部件级别解决方案和指导措施。资产管理系统除了可对车辆进行管理，其他设备如车站的机电设备等也可纳入管理。

2 车辆健康评估

车辆健康评估是数据仓库及分析中心应具备的基本功能。为了能够对每一列车辆的健康程度进行评估，健康诊断及智能维护系统需要建立车辆健康度评估模型。该模型能够综合性能和警告数据，对每辆列车的健康度进行实时的评估。评估方法为首先进行数据清洗，然后筛选维度，根据归一化后的事件（性能和告警）触发的扣分累积值进行综合加权，从而得到综合评估的健康度总分。

2.1 设备健康度权重分配的算法设计

2.1.1 Boruta算法

采用 Boruta算法选择影响健康度的重要变量。Boruta算法首先通过创建混合副本的所有特征为给定的数据集增加随机性；然后训练一个随机森林分类的扩展数据集，并采用一个特征的重要性措施（默认设定为平均减少精度），以评估每个特征的重要性，越高则意味着越重要；在每次迭代中，它检查一个真实特征是否比最好的阴影特征（即各维度变量）具有更高的重要性（即该特征是否比最大的阴影特征得分更高）并且不断删除它视为非常不重要的特征；最后，当所有特征得到确认或拒绝，或算法达到随机森林运行的一个规定的限制时，算法停止，如图4所示。

图4 Boruta算法基本原理Fig.4 Principle of Boruta algorithm

2.1.2 CBC算法

采用CBC（choice-based conjoint analysis）算法，获取各重要变量的贡献度即维度权重。首先，标准化变量值以便得到标准化的模型系数；然后建立多元回归模型，计算变量相对重要性（通过所有可能的自变量顺序组合计算序列平方和的均值），将重要性折合得到贡献百分比即为变量权重。

2.2 健康度算法

设备健康度算法使用基于Boruta算法选取的告警数据和性能数据，其权重值为CBC模型计算出的权重值，首先将告警、性能按照一定规则清洗后，计算告警、性能总扣分，然后将扣分数据标准化，乘以各自权重，最终得到健康度分值，具体步骤如下：

1）数据清洗，按照各自清洗规则进行处理；

2）将清洗后的数据标准化处理，使得数据都在[0，100]范围内；

3）计算健康度分值，即：

其中，H为设备健康度，wi和pi分别为某车辆设备的第i个告警数据和性能数据，ωp和ωq分别为根据历史数据通过CBC模型算法计算得到的告警或性能指标的权重。scale函数为

其中，X为告警（性能）总扣分，Xmax为告警（性能）扣分值中最大值，Xmin为告警（性能）扣分值中最小值。

scale函数是将数据归一化，即将扣分后的数据归一化到[0，100]区间范围内，消除各维度数据间的差异。

车辆健康度评估模型同时可以实时评估系统级别的健康程度。通过构建设备健康度算法检测设备状况，从而提高车辆健康诊断及智能维护系统的设备健康管理能力。

3 系统功能

该系统首先实时自动地将数据发送到地面服务器，节省了维护人员逐列车手动捧着电脑进行下载的时间，大大减少了维护人员的工作量。其次，由于地面服务器配备了基本的维护分析软件，对所下载的所有的数据进行统计分类，给出不同等级的故障提示，使维护人员可以重点地关注那些影响严重的故障。通过软件分析，保证了数据分析的全面性，提高了处理数据的速度，避免因人为原因漏掉一些重大故障的处理。

系统主要有3种类型的支持功能：实时支持、离线支持和长期维护支持，用以解决不同迫切程度的故障。

3.1 实时支持

实时监控主要用于查看车辆在正线上运行的实际情况，包括对线路和车辆的监控，变量查询等。可以进行线路配置、能耗管理等，根据系统查看各自的关键参数。

3.2 离线支持

离线支持主要包括对已下载的故障进行查看，对历史故障可以根据不同的条件进行查询及统计，有饼图、柱图、线图等多种图形展现方式；用户可以通过专家知识库查看具体子系统/设备的维修建议方案、作业指导书等相关内容，也可以更新完善专家知识库。

3.3 长期维护支持

3.3.1 预防性维护

健康诊断系统建立车辆健康评估模型，根据获取的大量车载数据，综合分析判断每列车的健康状态，适当给出车辆维护建议。车辆健康评估主要分为子系统级和列车级。

用户可以根据系统的评估结果以报表的形式进行预览。针对该部分内容可以独立构成显示模块，系统管理员可以为浏览的用户进行配置，单独显示该模块，使用户可以直观地了解地铁车辆健康状况。

3.3.2 关键部件的状态维修建议

对于关键部件或子系统，有很多人在做这方面的研究。如杜林森[6]对齿轮箱、轴箱、电机、轮对和构架等部件做了深入的研究，建立了分析的公式，收集了一些实际的数据，同时运用了多种分析方法，这些分析方法对研究健康诊断系统的人员具有一定的启发性。北京交通大学的邵一琨[7]在对地铁列车牵引供电系统关键结构故障诊断的研究中指出，牵引电动机故障、受电弓故障和逆变器是牵引供电系统的关键结构，也是容易产生故障的部位。考虑到影响地铁车辆运行因素的多样性以及故障特征与故障源关系的复杂性，提出了基于模糊逻辑理论和自适应网络模糊逻辑推理理论，建立了地铁列车牵引供电系统的故障诊断系统。张乳燕[8]基于因果图理论并采用近似推理算法实现专家系统诊断，最终对整个牵引系统的故障诊断系统进行了软件实现。变流器是故障高发的设备之一。对于弓网的状态监测与故障诊断国内外研究相对丰富，Zhang等[9]利用弓网动力学模型对接触网不平顺与接触力间的关系进行了深入的分析，最终建立了基于接触网不平顺的弓网系统状态预测模型。南京理工大学的孙宇多年来以康尼公司生产的城市轨道交通车辆自动门为对象，指导其学生梅继雄[10]设计和开发了轨道交通自动门远程智能监控、诊断与维护系统，并投入实际应用，达到了预定目标。其中，蒋超[11]着重阐述了运用于该系统的智能诊断方法，提出了结合故障树和产品树的混合结构树，以此建立一个逻辑系统使得诊断结果不仅能表明故障类型还能体现故障部位的结构设计信息，便于故障排除，同时引入模糊推理方法和知识编码算法来实现混合结构树模型下的推理和决策。健康诊断系统需要获取其关键的性能监测参考量，并对数值长期跟踪。跟踪的数据将持续与该数据的理论值进行比较。健康诊断系统建立模型能预测设备性能数据的发展趋势，然后根据子系统提供的维修分级处理措施，对性能数据发生较大偏差的设备给出适当的维修建议，达到车辆修程修规的智能化管理。

通过长期的数据积累，健康诊断系统可以较为准确地判断车辆或子系统的健康状态，健康诊断系统通过算法及模型，将车辆健康状态与修程修规进行关联性匹配，使得健康诊断系统能够依据车辆的实际健康情况智能地管理车辆修程修规，在适当的时候对用户提出车辆的维修建议。该系统应用到轨道交通后，可大大提升车辆的可用性、提升管理效率和维修效率，节约成本、优化设计和提升服务质量。

4 结语

近年来随着轨道交通车辆大量的投入使用，大数据的普遍应用，有线网络、无线网络的成熟发展，如何应用这些新技术提升车辆的维护效率，提高整个轨道交通的使用效率，提升乘客的舒适度，吸引了大量学者和工作人员进行这方面的研究。人们希望开发出一套更有效的健康诊断系统，用以提升车辆的使用效率，降低车辆维护成本，并且从收集到的大数据中挖掘出更多有意义的信息，进而开发更多的功能，为人们提供更多的服务。关于健康诊断系统的研究还有许多的工作需要做。