轨道车辆运行状态智能化监测与诊断系统

蒋建辉，刘洋

湖南智融科技有限公司，湖南株洲，412000

0 引言

轨道交通是一种具有大运量、安全舒适、快速且环保的交通方式，有效地解决了区域经济发展和城市交通拥堵等问题[1]。近年来，在国家发展战略的引领下，中国轨道交通快速发展，运营线路总里程稳居世界前列。随着运营线路规模的不断扩大、车辆类型的多样化，日常运营维护工作量显著增加。传统的运维方式主要采用“预防性计划修”和“事后故障修”两种检修方式，其存在车辆利用率低、管理效率低、检修周期长、人工成本高且可靠性低等弊端[2]。因此，亟待构建基于状态监测、特征提取、状态评估、故障诊断、故障预测、维修决策及模式优化为一体的智能化维保系统[3]。“大数据、物联网、5G通信、云计算、人工智能”等新技术的发展和全面应用推动了智能化维保系统的建成，并促进了传统运维模式向智能化、信息化和自动化转变，有效提高了维修工作效率、节省了人工成本并提升了故障检出率，保障了车辆的安全稳定运行。利用智能化、信息化和大数据等手段，在获取大量车辆运行状态数据的基础上，通过数据计算和深度挖掘，指导设备运营与维护、优化管理模式和成本，提高运维模式的高效性和可靠性。然而，轨道交通智能维保技术参数和标准仍处于探索阶段，其缺少设备技术状态的评价标准，极易出现过维修的情况；各设备系统独立发展，呈现分散化状态，数据标准和数据源缺乏统一，存在“信息孤岛”；数据统计分析工作缺失，数据质量规范性差，数据挖掘深度不够，数据结果与业务决策联动性差[3]。此外，车辆故障诊断主要在发生故障后，未能建立车辆关键部件的故障预测模型[4]。因此，轨道交通智能维保技术仍存在诸多不足。

针对以上不足，本文在智能运维体系框架下采用大数据管理和分析技术将车辆、轨旁实时数据及故障数据和履历数据等非实时数据进行分类、关联和融合，解决了各专业系统间联动性差的问题，实现互联互通管理；在数据分析和挖掘中，提出了基于3σ准则和相似度分析的预警阈值确定方法，建立了关键部件的健康评估和故障预警模型；最后，提取数据特征，找出数据的蕴含规律、特征分布及演变规律，对数据进行深度挖掘，实现车辆故障统计、成因分析及性能预测。在保证车辆安全运行的基础上，开展个性化维护与延寿、智慧设计和修程修制优化，可降低运营维修成本和人力、减少过度维修次数、提高维修效率和设备的可靠性[4]。

1 轨道车辆智能运维系统架构与组成

轨道车辆智能化监测系统应包括关键部件在线智能监测、数据传输处理、智能诊断、整车及关键部件剩余寿命预测等主要功能[5]。典型的轨道车辆智能运维系统由感知层、数据层、分析层、业务层和执行层构成，如图1所示。在感知层，车载检测系统和轨旁检测系统将车辆的运行状态进行采集，并传输至数据层，即数据仓库；在数据层，数据仓库中收集的感知层传来的数据进行预处理并分类存储；在分析层，先对关键部件进行诊断分析，之后对数据层预处理后的多维信息数据进行特征提取、趋势分析、故障隐患挖掘等分析操作；最后，在业务层和执行层，系统根据分析层得到的结果结合历史数据，制定出相应的维修计划和决策并下发到业务执行部门完成[6]。

图1 轨道车辆运维系统总体架构图

1.1 车载检测系统

车载检测系统主要通过安装在车辆上的传感器，将采集到的走行部系统、牵引制动系统、车门空调系统、牵引供电及信号传输系统等关键参数，车辆的里程、速度、载重等状态运行数据，整车接触器及列车总线等特征数据，通过无线传输技术实时发送给车载地面服务器，服务器将收集到的数据进行预处理并存储。

走行部是轨道交通车辆的核心部件，其运行状态直接影响列车的安全性和车辆的乘坐舒适性[7]。对其关键部件进行实时状态监测以及健康状况预警，是保证列车安全性、提高乘坐舒适性的重要手段。车载走行部监测系统是车载检测系统中最主要且最关键的部分，获取其完备的数据能更系统地反映车辆的运行状态。

轮对、轴承、齿轮箱（动车）、牵引电机（动车）以及构架作为轨道车辆走行部的关键部件，其健康状态直接影响车辆的安全性、稳定性（平稳性）和乘坐舒适性。在实际车辆运行过程中，车轮会因磨耗等因素出现多边形及扁疤等缺陷产生车辆的不平顺激扰甚至影响运行安全；轴承以及传动齿轮会因疲劳失效以及润滑不良等因素出现点蚀及剥离等缺陷；牵引电机会因线路老化等因素出现故障；构架由于轮轨接触和悬挂参数变化导致动力学性能变差而易出现蛇行失稳，导致车辆平稳性变差、舒适度下降，严重者甚至会引起车辆脱轨[8]。以上缺陷将主要导致振动和温度两个指标的变化，具体反映在车辆上：如轴承、车轮型面、齿轮、牵引电机的缺陷会导致轴箱、齿轮箱和电机振动加剧，并伴随有不同程度的冲击特征信号；蛇行失稳将导致构架横向加速度增大；同时，部分故障也将导致轴箱轴温、齿轮箱温度以及电机温度升高。

为实现车辆及其走行部的运行状态监测，需要监测轴箱、牵引电机、齿轮箱的振动加速度和温度以及构架和车体不同部位的振动加速度[9]。轴箱、齿轮箱及牵引电机的振动加速度和温度用于监测轴承、齿轮和电机的故障，构架加速度用于监测车辆的稳定性和反演轮轨力，车体不同部位加速度用于监测车辆的平稳性和舒适度。为了消除车辆载荷大小对各部件振动幅值的影响，还需将车辆的载荷信息考虑在内。

1.2 轨旁检测系统

轨旁检测系统主要基于机器视觉、红外和激光等传感技术，当列车通过时安装在轨道两侧及轨下的智能化视觉及光学设备，对车辆外观、关键部件尺寸、损耗及失效等情况进行检测，通过网络将数据发送到数据仓库及分析中心。

1.2.1 轮对廓形及尺寸检测

当列车经过时，通过安装在车轮两侧的四个高精度2D激光扫描踏面廓形，之后经过坐标转化、廓形拼接等算法测量出：踏面廓形、轮缘厚度、轮缘高、QR值、轮径、内测距。

1.2.2 踏面擦伤检测

当有车辆经过时，接近开关触发，安装在轨道内侧的工业相机以及外侧移动光源开始工作，对车轮踏面拍照，然后通过图像识别算法进行处理，从而判断出车轮踏面有无擦伤、擦伤斑长度、宽度和深度。

1.2.3 车辆360°动态图像智能检测

采用“HTM神经网络技术”“图像特征分析”和“模式识别技术”，自动获取车顶状态、车底走行部及车侧转向架关键部件的高品质图像，通过图像特征分析和模式识别自动识别受电弓、车顶天线、车底牵引装置、轴抱箱、电机、制动器、齿轮箱螺栓等关键部件缺失、变形、异物等异常情况。

1.3 数据仓库及分析中心

数据仓库和分析中心将收集到的车载检测系统、轨旁检测系统的数据和其他系统的多专业数据进行预处理、分类存储，分析中心的数据挖掘工作启动，对已存储的数据（车辆历史数据）和正存储的数据（新采集数据）进行特征提取、故障预警分析与诊断、模型计算、比较分析，其分析结果辅助运维人员进行车辆维修决策及设备管理调度。

制定异常判别的标准是实现车辆状态故障预警与诊断的关键，但行业内缺少部分技术参数和标准。确定关键部件的预警及故障阈值成为车辆健康状态数据分析环节的难点。此外，车辆运维环节各专业数据联动性差也成为数据深度挖掘的痛点。

2013年11月9—12日，中国共产党第十八届中央委员会第三次全体会议在北京举行。会后，水利部将学习宣传贯彻党的十八届三中全会精神作为首要政治任务，立即采取多种形式兴起学习贯彻三中全会精神的热潮。

2 关键部件故障定阈与诊断

根据车载系统、轨旁系统采集到的振动、温度及图像信息，通过相应的时域、频域以及深度学习的算法，可以有效提取出车辆关键部件的故障特征，当被监测特征量到达故障区域时，系统发出报警[10]，如图2所示。

图2 车辆关键部件参数安全阈值示意图

为了实现故障早期预警，必须要确定系统预警临界点的阈值。但由于轨道交通运营维护类标准较少，且缺少设备技术状态的评价标准，使得临界点阈值不易确定。在实际运营维护中，通常按照车辆运行里程数对车辆关键部件进行更换，常常存在过维修的状态。因此，要实现计划修到状态修的转变，改善过维修的状况，首先应当确定车辆关键部件故障特征预警阈值，同时也是为设备健康状态评估提供依据。

本文中，轴承和传动系统温度拟采用基于3σ准则的温度预警技术，判断温度的变化量是否正常。首先采集正常行驶温度数据并计算温差、均值、标准差，绘制概率密度函数图；根据标准差将概率密度函数图分为三个区域（正常-预警-严重预警），即：[μ±2σ，μ]，[μ±3σ，μ±2σ]，(±∞,μ±3σ]；然后计算实时数据的温差，判断其在概率密度函数图中所处的区域；最后根据所处的区域，判断是否发出预警，如图3所示。

图3 基于3σ 准则的温度预警流程图

由于轴承、齿轮、车轮和轨道表面的故障缺陷缺少损伤阈值的确定标准，但车轮和钢轨有镟修和打磨标准可供参考。因此，本文采用基于相似度分析的定阈策略确定车轮、钢轨状态的预警阈值。首先将车辆运行速度、车辆载荷及车轮镟修标准特征（钢轨打磨标准特征）作为边界输入条件；然后通过刚柔耦合仿真、台架或线路试验获得关键部件的振动信号，从而得到能够反映车轮（钢轨）状态极限的振动特征信号并以此为基准；之后检测正常运行车辆关键部件的实测振动信号，并将其与基准特征信号进行相似度分析；最后根据相似度分析结果判断车轮（轨道）的健康状态，如图4所示。该理论模型可推广应用到车辆其他关键部件状态的故障定阈与诊断。

图4 基于相似度分析的预警定阈流程图

3 特征数据挖掘与应用

数据管理中心以数据仓库的方式管理监测到的数据和车辆历史状态数据。数据管理中心存储了车载检测系统数据、轨旁检测系统数据、车辆在线运行状态数据、车辆轨道系统数据、故障历史数据等。这些数据来源众多、种类各异、累积量大、更新频繁。数据分析中心根据以上多维数据实现对轨道车辆的运行状态的综合分析、趋势预测、基于多变量回归、多变量聚类、多变量预测、多变量统计、相似度匹配和关联度规则的故障成因挖掘、故障关联挖掘和故障隐患挖掘以及监测结果综合呈现。相应地做出智能化决策，包括设计智能推荐、设计智能优化、设计智能评估、主动维护、个性化延寿和修程修制优化，如图5所示。

图5 轨道车辆运维大数据分析与挖掘流程图

4 智能化监测研究建议

然而，庞大的测试网络带来的是更加庞大的测试数据，整个监测系统更加复杂，严重增加了系统维护难度，且各系统独立发展，呈现分散化状态。为解决这一问题，须建立车地大数据综合分析平台利用云存储、云计算等先进技术实现数据管理、信号分析和深度挖掘。对各子系统数据编码实现关联，打通车载、地面、车地数据孤岛，实现互联互通与管理；提取数据特征、统一数据标准和数据源、加强数据信息共享、打通信息孤岛；深度挖掘信息蕴含规律（关键要因、关联规则、演变预测、聚类画像），保障车辆运行安全，实现智慧设计、个性化维护与延寿，合理有效地优化修程修制，突出研究和规划的系统性和先进性，突出模块化建设和设计研发理念。

5 结语

针对轨道交通智能维保技术存在技术参数标准缺乏、数据联动性差及数据挖掘深度不足的问题，本文在智能运维体系框架下采用大数据管理和分析技术将车辆实时数据及故障数据和履历数据等非实时数据进行分类、关联和融合，解决了各专业系统间联动性差的问题，实现数据互联互通管理；然后，在数据分析和挖掘中，提出了基于3σ准则和相似度分析的预警阈值确定方法，建立了关键部件的健康评估和故障预警模型；之后，提取数据特征，找出数据的蕴含规律，进行数据的深度挖掘，进行故障成因分析及性能预测。在保证车辆安全运行的基础上，开展个性化维护与延寿、智慧设计和修程修制优化，降低了运营维修成本和人力、减少了过度维修次数、提高了维修效率和设备的可靠性；最后，关于轨道车辆智能化监测提出了相应的研究建议。