高速动车组牵引系统健康预测管理算法

武汉铁路职业技术学院 郭红梅

中国动车维修战略优化研究正越来越受到国际重视，其中故障预知和健康管理(PHM)的关键技术研究和高速铁路动车牵引系健康预警管理是中国目前动车维修战略优化的研究重点。因此，本文首先阐述了动车组牵引系统的概念及其特性，并针对特性建立牵引系统健康评估的模型，并对高速动车组牵引系统健康预测管理算法进行分析和讨论，希望能为相关人员提供一些新的思路。

1 高速动车组牵引系统概述

1.1 动车组牵引系统

CRH2型高速动车牵引控制系统一般分为：受电弓、牵引变压器、脉冲整流器、中央直流系统输出环节、牵引逆变器、牵引电机等。牵引控制系统的工作原理为通过升起受电弓，于接触网接通AC25kv/50Hz电源，高压电流经牵引变压器转化为适应牵引系统工作的电压。而脉冲整流器与牵引逆变器，基本上完成了控制系统在牵引状况与再生制动状况之间快速的平滑转换，脉冲整流器用作供电侧变流器，牵引状况时为整流装置，再生制动状况时为逆变器，而牵引逆变器则为供电驱动侧变流器，在牵引状况时为逆变器，在再生制动工况时为整流装置。

牵引电机是整个控制系统的核心，主要承担着电能与机械能之间的相互切换，将牵引状态电能转化为机械能，将再生制动状态时机械能转化为电能。由于牵引电机构造简洁、稳定、体积小、输出功率大，其构造主要分为定子、转子、轴承和通风系统等，绝缘级别约为二百级。动车组的牵引电器性能比较平稳，很适合恶劣的工况环境。

1.2 牵引系统特性分析

牵引状态下：通过升起受电弓触碰接触网，接入AC25kV单相工频交换电，由牵引变压器将高压转化为牵引变流器工作需要的1500V单相故障交换电，继而传送至脉冲整流器上，其将负责的交换电转化为直流电后，经中央直流电线路传递给牵引力逆变器，牵引力逆变器将输出电流/频数可调节的三相交流电源直接供应给牵引电机，由牵引电机将能量转化为机械功率传动车轮对，从而完成动车组工作。

再生制动状态：该状态中的牵引电机将机械能转化为能量，由牵引电机逆变器转化为整流设备，将由牵引电机所传递的三相交流电转化为直流输出电，再供应中央直流输出环节进行补充。脉冲整流器转化为逆变器后，使其中直流输出环节所传输的直流电逆变成单一交流电，最后交换电再经由牵引变压器、高压电路等高压装置传输到接触网，从而实现将机械功率转变成电能。

通过比较牵引状态和再生制动状态中牵引系统各部分的工作状态，可以得出，牵引电机是整个牵引系统的核心部件，其电气特点可包括对牵引力特性和再生制动两方面加以分析。

2 高速动车组牵引传动系统健康状态评估模型的建立

2.1 牵引传动系统健康状况评价指标

集中牵引传动系统作为一种相当复杂的机械系统，其元器件很多，而各个元器件之间又有多个指标，因此各个技术指标间也有一定的相互关系[1]，但假如将每个元器件的全部技术指标都列入评价指标集，就会使整体评价的过程很繁琐，所以，应当选择能够真实、客观反映整个牵引传动系统所处于状况的全部技术指标作为评价指标集。

对高速动车组的牵引力传动控制系统健康状况开展了综合评价，并首先对高速动车组的牵引力传动控制系统构建了层次解析模式，如图1所示。

图1中第一层为控制系统层，用以评价整个控制系统的健康状况；第二层则为电子元器件层，主要针对构成控制系统的电子元器件进行健康状况评价；第三层次是指标层，针对各个元器件的物理特征、工作状况等形成健康状况评价指数集。从指数层分别向前递进以评价元器件层、系统层面的健康状况，最后进行动车组牵引传动系统整体的健康状况评价。

图1 高速动车组的牵引力传动控制系统层次解析模式Fig.1 Hierarchical analysis mode of traction transmission control system of high-speed EMU

2.2 牵引传动系统健康状态等级的划分

牵引传动系统的健康状况通常会用四个等级代表牵引传动系统的实际健康状况，具体包括正常、微故障、故障、严重故障。正常表示各指标检测数值均达到最优数值附近，系统仍能正常安全工作。此时，系统已不需要大修，并可延长系统大修计划。微故障指个别指标检测数值有所降低，但系统无劣化趋向，仍可正常工作。此时，系统仍可按计划进行大修。故障表示有些指标检测数值降低幅度很大，但系统整体运行状况较差，易出现重大故障，劣变趋向较明显。

3 基于统计的预测技术

与基于模拟的预测技术比较，基于大数据的预测技术并不要求构建设备整体的动态数学模型，其所要求的信号都来自于概率密度函数[2]。通过从设备中收集的数据信号，可以统计和算出设备所需的各种概率密度函数，并据此可以针对设备状态进行合理的估计。

3.1 贝叶斯技术

在某些情形下，因为无法收集到设备上大量的样本数据信息，从而使得采用极大似然差估计方法预测模型参数的退化模型，无法正确的实现预测。贝叶斯方法可利用在实际产品中所累积的经验信息对产品进行数据分析，从而得出产品参数信息，并使用相对较少的设备特性数据构建产品动态模型，同时使用设备性能数据分析对产品参数信息持续性调整，从而不断提升产品预测准确度。

3.2 隐马尔科夫和隐零点五马尔科夫模型

隐马尔科夫模式(HMM)是一个基于概率的随机数据建模和分析，在故障诊断中得到了成功运用，该模式是一种二重的随机过程，一方面模式中状态之间的传递都是随机的，即马尔科夫过程，另外，状态与观测数值之间的传递也是随机的。利用统计学习，能够合理的寻找出故障状况与检测信号间的关联，反映设备的潜在结构特征，形成HMM模式，由此能够进行评价当前设备的健康状况和对设备剩余使用寿命的预估。

但是由于马尔可夫链假定状况的停留持续时间概率为指数分配，从而导致了HMM相对较繁杂设施来说无法科学合理的衡量其状况的停留持续时间，因此模型上存在着一些的局限。隐零点五马尔科夫模型(HSMM)是HMM的延伸，提高了状态停留持续时间，也因此在一些程度上解决了HMM易于进入局部优化的局限。该模块中健康状况所相应的一个观察片断，可以更加精确的说明复杂系统设备退化状况的转化以及故障规律的演化过程。

4 基于HSMM动车组牵引控制系统的健康预测

高铁的迅速发展使得对高速动车安全可靠性的需求也在相应地增加，维护高速动车组及其重要组成部分的安全，已成为中国高速铁路系统各运营保障部门所面对的重要挑战性问题[3]。而目前，由于高速动车的修理模式正在从传统“计划修”向“状态修”转变，因此目前维修策略的合理性还需进一步研究，而建设以故障预警为基石的新型维修策略将是目前的重点研发内容。新型的维修策略既可以预知列车运行设施发生故障时刻，重新评价设施的健康状况，并预计剩余使用寿命，以便决定如何保养，怎样维护，又可以有效的减少维护成本，减少过度维护，从而提高了列车的安全可靠性，还可以有效防止因不合理的维护对设施完整性的损害，产生潜在的健康隐患[4]。而进行新维护模式的转换，关键问题就是在动车组所有重要子系统和关键部件的运行性能退化规律研究基础上，对其健康状况和故障状态作出合理的趋势分析与预估。

4.1 基于HSMM动车组牵引力控制系统的故障状态预报

本文中采用了改良后的算法，以牵引系统为主要试验对象，并对其作故障预测和残余寿命预测。牵引控制系统的退化状况一般可以分成四类：正常状况、微故障状况、故障状态和严重故障状况。在第四章中，对隐零点五马尔科夫模型的参数优化方法作了设计，详细阐述了通过改良后的粒子群计算优化隐零点五马尔科夫模型参数的方式。

4.2 健康状态评估

4.2.1 初始化HSMM模型参数

在基于设备状态退化演变规律的故障预报中，左型HSMM模式可以更加精确的描述故障演化，因此采用了四状态的左型马尔可夫链，在初始状态时牵引动系统状态仍保持在正常状态下，其状态为初始概率矢量：

初始化状态转换矩阵，左右型马尔可夫链中态之间的转化可以由自身态转化到自身态甚至转化到下一种退化态，初始化阶段认为其转化几率相等，即态转化矩阵四A=(aij)N×N初始化如下：

4.2.2 基于FPSO的HSMM模型的训练

由于在训练模型中发现模型均可在五百内达到收敛条件，所以设置了最大的迭代步数为五百步，收敛误差范围为5×10-5，然后根据以上HSMM建模参数初始化后并训练，得到了每个状态下对应的多个HSMM模型，根据训练得到的HSMM模型定义了可行解空间，进而可以定义了基空间和外空间。初始化延伸因子η以及回归因子τ0以及τ1。

以对牵引系统在正常状况下的模拟训练结果为例，正常状况下转移的概率矩阵如表1所示。

表1 正常状况下转移的概率矩阵Tab.1 Probability matrix of transition under normal conditions

4.2.3 牵引系统健康状态评估

将正常状况、微故障状况、故障状态以及严重故障状况等共15个检测样本的特征值向量观测序列，注入在训练后所获得的4个健康状况分类器中，并通过输出获得对4个分类器测量结果的似然概率对数据。

在正常状况下，通过比较15个试验样本在各状态分类器下的辨识结果，可以得出在正常状况下正常状态分类器的似然概率对数最大即为认知率最大，15个试验样本将全部被准确辨识。

在微故障状况下，可以通过对15个检测样品在各状态分类器下的辨识结果，得出在正常状况下正常状态分类器的似然概率对数最大即为识别率最大，但参与检测的样品中1个样品并没有被正确标识。

在故障状况下，可以通过比较15个试验样本在各状态分类器下的辨识结果，得出在正常状况下正常状态分类器的似然概率对数最大即为认知率最大，而15个试验样本中2个并未被成功辨识。

在严重故障状况下，通过比较15个试验样品在各状态分类器下的辨识结果，可以得出在正常状况下正常状态分类器的似然概率对数最大即识别率最大，所有试验样品均被顺利辨识。

5 结语

动车维修战略优化研究也越来越受到重视，其中故障预知和健康管理(PHM)的关键技术研究和高速铁路动车牵引系健康预警管理是目前动车维修战略优化的研究重点。因此，本文首先阐述了动车组牵引系统的概念及其特性，并针对特性建立牵引系统健康评估的模型，并对高速动车组牵引系统健康预测管理算法进行分析和讨论，发现改进后的算法相对于传统算法来说，状态识别和预测精度更高。

引用

[1] 邵俊捷,邓洋,于闯.故障预测与健康管理技术在动车组中的应用[J].城市轨道交通研究,2018(2):102.

[2] 李雪昆.故障预测与健康管理技术在地铁列车上的应用[J].城市轨道交通研究,2018(2):105.

[3] 杨军祥,田泽,李成文,等.新一代航空电子故障预测与健康管理系统综述[J].计算机测量与控制,2014,22(4):972.

[4] 毛京明,胥家常.一种新的自主式武器装备后勤保障系统[J].兵工自动化,2009,28(7):23.