基于模糊故障树的动车组空调系统可靠性分析

王永志， 孙超凡， 高明亮

(1． 吉林大学 仪器科学与电气工程学院， 长春 130061； 2． 中车长春轨道客车股份有限公司检修研发部， 长春 130062)

0 引 言

随着我国自主知识产权多类型动车组的运行，为人们带来了更快速、更舒适、更方便的出行工具。因动车组运行时处于高速环境下，要求车厢内的温度、空气、压力、噪声等参数应符合更高标准。动车组车厢内部温度是影响旅客乘车舒适度的最重要因素之一，需要动车组系统的车载空调系统进行实时温度调节，因其运行时间长、负载大，故易发生故障。若空调系统发生故障将会直接影响车内温度和空气流通等，大大降低车内舒适度，甚至会影响到旅客生命安全，故对动车组空调系统进行可靠性分析具有重大意义[1]。

近年来，国内学者使用统计方法对动车组空调系统故障进行了研究，主要体现在对空调系统的故障检测[1]、故障分析[2]、工作状态判断以及提出对应的预防建议[3-4]。通过查阅和分析文献可知，目前国内鲜有采用模糊概率对动车组空调系统进行可靠性分析案例。本文分析了动车组空调系统的故障模式，建立了空调系统的故障树；基于模糊集合理论对空调系统进行模糊故障树分析，并计算出顶事件模糊概率及底事件模糊概率的重要度，实现了一种用于定位空调系统中薄弱部件(可能故障点)的方法。

1 模糊故障树分析法

1.1 故障树分析法

故障树是一种展示系统结构和故障间逻辑关系的模型。由顶事件以树状结构不断细分故障类型，一直细分至叶子节点(基本事件)为止，位于顶事件和基本事件之间的是中间事件[5]。采用故障树分析法(FTA)进行动车组空调系统的可靠性分析，基于新建立的故障树分析系统中发生故障的原因及发生故障的概率[6]，最终可获得整个系统故障的概率，用于对系统的稳定性评估。

1.2 模糊概率

模糊故障树的底事件具有模糊性与随机性，故基本事件的发生概率采用三角模糊数F=(m-α,m,m+β)表示，其隶属函数为[7-9]：

(1)

若事件A的三角模糊数为(m1-α1,m1,m1+β1)，事件B三角模糊数为(m2-α2,m2,m2+β2)，则故障树的或门区间算子为[10]：

FA∪B=FA+FB-FAFB

(2)

FA+FB=(m1-α1+m2-α2,m1+m2,

m1+β1+m2+β2)

(3)

FAFB=((m1-α1)(m2-α2),m1m2,

(m1+β1)(m2+β2))

(4)

若故障树是或门结构且基本事件概率全部使用三角模糊数表示时，顶事件的概率为[11]：

(5)

1.3 模糊重要度

概率重要度表示底事件发生概率的变化对顶事件发生概率产生的影响，它是模糊集合理论与底事件的概率重要度结合的产物[12]，可采用中值法计算得出。记顶事件发生模糊概率中值为MTe、Fj不发生，其他事件正常发生时，顶事件发生模糊概率中值为MTje，事件Fj的概率重要度为[13]

STj=MTe-MTje

(6)

2 动车组空调系统故障树模型

2.1 空调系统

空调系统通过制冷、加热、通风等方式提高旅客舒适度，动车组空调系统主要包括通风系统、冷却系统、加热系统、自动控制系统及压力保护系统(见图1)。

1-顶板供风道; 2-车内废排风道; 3-司机室供风道; 4-底架废排风道; 5-客室空调机组; 6-风扇加热器; 7-司机室空调装置; 8-中顶板; 9-混合箱; 10-耐候格栅; 11-温度传感器

图1 空调系统布置图

单元式空调机组内设压缩机、冷凝器、蒸发器、凝风机、蒸发风机、加热器、旁通阀、膨胀阀、压力开关、压力传感器、电动阀门、风压开关等，铝合金材料的框架被设计成流线型外观。单元式空调机组位于车体顶部，机组两侧设新风、回风混合箱，供风通道在车顶板下，顶部出风经车内的多孔顶板送出，废排风道布置在车体两侧下部，废排单元布置在车下，回风口设在空调机组下部的靠近通过台的顶板上，系统设回风道。

(1) 冷却系统。包括膨胀阀、压缩冷凝装置、压力开关、干燥过滤器等。

(2) 采暖系统。包括空调机组内的加热器、风道内加热器和风扇加热器等。

(3) 通风系统。包括安装在车顶并贯穿于整车的供风道组成和风道两侧与侧墙风道连接的软风道，空调机组两侧的新风和回风混合箱、耐候格栅，安装车下的排废单元、布置在车内的排废风道等结构。

(4) 控制系统。使用微处理器控制预调节、通风、制冷、加热等，并通过MVB总线接口进行数据通信。控制面板还可操控电流接触器、继电器、断路器等，以管理车厢和驾驶室HVAC系统各种工作模式。

(5) 压力保护系统。包括4个位于末端车厢前部的压力波传感器，2个位于末端车厢控制面板内部的电子控制卡等。使用快速动作的压力保护阀隔离送风风道，当压力保护被触发，阀门打开，空调进入全回风模式；当压力保护阀重新打开后，新风量提高，室内CO2含量迅速下降。

2.2 空调系统故障树建立

根据动车组空调故障模式建立空调模糊故障树，从顶事件T开始由上至下可细分为13个中间事件(B和A)、37个基本事件C。用上行法求故障树的最小割集[14]，则动车组空调系统故障树可表示为：

(7)

图2为空调系统故障树总模型，图3为制冷系统的故障树模型，图4为通风系统的故障树模型，图5为加热系统的故障树模型，图6为是控制及供电系统的故障树模型，表1为动车空调系统的故障树事件列表。

图2 动车空调系统故障树

图3 制冷系统故障树

图4 通风系统故障树

图5 加热系统故障树

图6 控制及供电系统故障树

表1 动车组空调系统故障树事件列表

3 空调系统故障定量分析

3.1 实验数据

动车组安装了远程无线传输系统，将监控数据(如空调故障)实时传输至动车组故障管理平台，可从平台下载各类型动车组的故障详细信息，信息项主要包括故障设备号、上层设备、故障所属系统、故障现象、故障日期、故障原因、维修手段、操作者、责任单位等。本文精选某动车组2014年空调系统发生的166条典型故障信息，将故障数据进行统计归类、归一化等处理，作为评估故障树底事件概率计算的基础数据。

3.2 故障定量分析

采用基于信心指数修正的专家调查法[15]计算基本事件的模糊故障数(见表2)，据式(5)计算得出动车空调系统顶事件的概率模糊数(138.16×10-4,181.44×10-4,223.50×10-4)。结果表明，空调控制单元故障模糊概率最高，系统发生故障概率符合实际情况。再根据式(6)计算得出各事件的模糊概率重要度(见表2)。

表2 动车组空调系统基本事件模糊数和模糊概率重要度

对表2中基于空调模糊故障树计算的模糊概率重要度数据分析，可知模糊概率重要度从大到小依次为空调控制单元(C24)、换气或废排风机(C20)、蒸发器(C1)、压缩机及其附件(C5)等部件，它们是影响空调系统可靠性的关键部件。空调控制单元故障原因主要为控制板卡故障，换气或废排风机故障原因主要为风缸、风机故障，压缩机及其附件故障原因主要为接触器或继电器故障。因控制板卡、接触器等电子精密器件在长时间高温运行环境下容易损坏，导致系统发生故障，故对其应加强检测及维修以提高空调系统可靠性。

按照文献[4]中提出的方法，对本文所用同组数据进行计算得出结果如表3所示，可知发生故障从易到难顺序依次为空调控制单元、换气或废排风机、蒸发器和压缩机及其附件等。

表3 2014年动车组某车型空调系统故障模式影响分析

通过表2、表3对比可知，本文方法与文献[4]方法对动车组空调系统同组数据的故障高发部件评价分析结果一致，验证了本文提出的方法是可行的。此外，模糊概率分析方法给出了较可靠性的量化结果。

4 结 论

(1) 建立了动车组空调系统的模糊故障树，涵盖空调的4大系统及9个子系统，并确定了故障树中37个最小割集。

(2) 提出采用三角模糊数表示动车组空调模糊故障树底事件概率的方法，用以计算顶事件发生的模糊概率。

(3) 采用中值法计算基本事件模糊概率重要度，据此可分析影响空调系统可靠性的主要单元依次为空调控制单元、换气或废排风机、蒸发器、压缩机及其附件等。

通过对比分析，验证了文中提出定位动车组空调故障部件方法的正确性，为提高空调系统可靠性及故障诊断提供有效依据。

利用大数据[16-17]、云计算[18-19]等前沿技术，使用动车组采集的实时监测大数据，基于回归分析[20]、支持向量机[21]、时间序列、神经网络等算法，后续可开展更为精确、实时的高性能分析与挖掘。