城轨车辆牵引系统故障预测与健康管理技术研究及应用

刘 衎， 毛 琦， 李瑮冉，徐小明，王 营，祖绍鹏

（1.北京纵横机电科技有限公司，北京 100094；2.中国铁路上海局集团有限公司上海动车段，上海 201803）

1 引言

随着轨道交通事业的快速发展，我国各大城市均兴起修建城市轨道交通（以下简称“城轨”）线路的热潮。线路总里程自2010年的1 777 km爆发式增长至2021年末的超过8 700 km，51个城市开通共计269条城轨线路，车站数量达到5 216座。同时，超过60个城市的新建城轨线路获得批准。随着总里程和线路数量的不断增加，在役车辆的总体数量也呈爆发式增长，牵引系统部件检修和维护更换的压力逐渐增大。而在轨道交通领域，对安全性、可靠性的要求极为严格，在传统的牵引系统检修中，通常实际故障发生后先通过线上上报，再由系统供应商售后人员登车下载数据并发回分析，即使供应商技术人员可以立即分析出故障原因，也要待车组夜间入库检修时才能完成维修作业，这种模式下的牵引系统检修无法预判车组运行时可能发生的故障和事故。类似地，根据车组运行里程和运行时长确定的固定周期检修，也无法准确的判断整个系统的运行状态，盲目的更换部件往往会降低电气部件使用的平均寿命，也会增加业主方的经营成本。因此，在现有条件下，为提高牵引系统关键部件的运维效率，降低业主方日常的车辆营运成本，同时兼顾对城轨列车牵引系统关键部件的实时数据监控，应用故障预测与健康管理技术（PHM）势在必行。随着PHM系统广泛地尝试运用于各个车型，本文将通过分析牵引系统各部件故障预测的需求和技术关键，提出一种可以应用到城轨牵引系统的PHM架构，并以实车测试数据为例介绍PHM系统的基本应用方法。

2 PHM 技术的发展

故障预测是一项专注于预测系统或系统部件无法正常完成预期功能的一门工程学科。这种“无法正常完成预期功能”往往预示着整个系统已经无法达到既定的设计目标。这种预测手段，一般通过评估系统与其设计的正常性能偏差或在较长时间尺度的性能退化程度来预测系统部件的性能。

使用较先进算法进行故障预测的研究起步于1960年，美英日等各国逐渐发掘出该项技术的社会经济效益，世界各个地区也迅速跟进。随着几十年的发展，PHM技术逐渐丰富，手段也愈发多样，时至今日已成为一个独立的研究方向。

我国PHM研究起步较早，但由于基础薄弱，发展速度并不理想。1980年之后，我国才从军工、航天领域开始，逐渐将PHM技术运用到工程领域中。但是受限于传感器精度和核心算力，PHM技术的工程化水平与预期相差仍然较大，研究水平停滞不前，一直处于最初的摸索层面，即使在航天领域也仅仅做到对现有先进技术的跟踪研究。在铁路牵引系统领域PHM研究则更为缓慢，可谓是寥若晨星，尤其在城轨领域，关于牵引系统和其关键部件的PHM产品也没有成熟的应用记录。

3 牵引系统 PHM 关键技术

列车牵引系统是城轨列车的核心部分之一，牵引系统的稳定、高效是列车安全平稳的运行基础。因此，PHM技术在列车系统中的应用也愈发迫切。目前的故障处理能力仅可以识别系统的故障状态，但是无法做到“预测”和“管理”，实际上在故障发生时仅能做到诊断具体故障部件的功能状态，故障发生原因则需要值班人员通过数据分析才能有更深层的了解，不仅缺少对器件健康度的预估，也无法有效的提高系统可靠性。PHM技术的关键在于使用一系列的方法较为准确的找到系统介于正常和故障之间的非稳定状态，并根据一定的逻辑和判断方法，包括但不限于采取车载或者地面的方式进行实时预警或安全评估，同时根据提前设定的应急操作办法进行处理，以最大限度的提升牵引系统的安全性能。

2021年初智能动车组上线，标志着我国铁路系统第一款牵引系统PHM正式进入了运营阶段。与交直交供电动车组牵引系统相同，城轨牵引系统的框架结构中同样使用异步电机交流传动技术。特别地，城轨和动车组牵引系统所用的各项外部传感器数据和内部采集变量也极为相似，因此城轨牵引系统PHM的上线也逐渐成为大势所趋。

根据时间尺度、预测故障的轻重缓急以及对数据采集的频率需求不同，牵引系统PHM分为车载实时PHM预警系统和地面PHM预警系统。两者相辅相成，互相弥补，可满足不同部件的预警需求。

3.1 城轨车辆级牵引系统 PHM 平台

综合车载和地面牵引系统PHM平台和列车网络系统，组成车辆级的城轨牵引系统PHM平台，平台架构如图1所示。

图1 城轨车辆级牵引系统PHM平台架构

在单车牵引设备中，牵引控制器将行车数据发送至牵引PHM板卡中，牵引PHM板卡数据经过筛选和处理后，将有关车辆级别的数据发送整车PHM主机中，其他相关数据则由车载PHM模型所采集并计算，并将与整车数据相关的结果发送至整车PHM主机，部件级的预警结果则回发至牵引控制器，根据提前设定好的方式，将预警结果报出，并由相关技术人员进行处理和反馈，形成有效的闭环管理。

在整车PHM设备中，整车PHM主机作为数据交换中枢负责收集所有行车数据和单车模型计算结果，并将结果发送到整车PHM模型和列车车载网络系统中，符合条件的相关故障信息可以在车辆显示终端显示，在检修时，牵引系统供应商的相关技术人员可以根据显示终端的提示，综合列车运行的工况和里程，指导库内的检修和部件的维护工作。同时，根据预警报出的真伪，模型开发单位和牵引系统供应商相关单位需要安排盯控技术人员实时关注模型的判据、报出逻辑，并及时指导车辆检修人员进行车辆部件的维护工作。对于确定的由于模型原因造成的预警不准确问题，也需要开发人员及时优化模型，形成闭环管理模式。

3.2 车载牵引系统 PHM 预警平台架构

车载PHM预警系统一般采用数据采样频率较高的设备进行预警分析，总体来看，车载PHM主要实现对实时性要求较高和判断逻辑较为简单的部件进行预警。由于该类预警算法往往对运算量要求并不高，但是对数据精度要求较高，因此首先在硬件实现方面可以通过现有的数据处理板卡或增加额外的预警专用板卡完成全部的PHM功能。

对于车辆牵引系统而言，车载牵引系统PHM部件预警中需要加入与控车算法不同的预警模型，并以一定逻辑算法处理部件级别的运行数据，其结构如图2所示。

图2 车载牵引系统PHM预警平台架构

车载牵引系统PHM部件预警，主要负责处理冷却系统、传感器、直流环节和功率模块4个大方向。冷却系统由于是单独成套的系统，其车载部件预警并不包括内部功能的判断，而是判断温度和压力等数据变化判断内部是否存在管路或风路异常。传感器状态预警主要针对牵引变流器内部的电压电流传感器以及由外部引入的速度传感器。直流环节预警则是根据预充电和正常运行的各项数据综合评估包括支撑电容、谐振回路在内的中间环节各部件的健康程度。而模块预警则主要是根据脉冲激活时刻的电压电流值对功率模块的健康度进行综合评估。

由于现有牵引系统板卡采样频率已达到1 kHz以上级别，4种不同部件的预警均可通过现有数据采集板卡完成。然而PHM系统仅仅提供预警功能，为不过多占用其他现有控车软件板卡的算力，避免车载网络系统控车端的带宽占用比例过高，可以采用新增具有数据发送功能的信号处理板卡的方式，这样既可以满足高频信号采集的需求，也兼顾必要的运算能力。同时，单独使用的PHM板卡可以新增更多的数据采集，弥补控车数据的不足，也可以将计算结果或者特征变量自牵引系统维护口发至整车网络非控车线路中，避免大量数据造成网络堵塞等问题从而影响控车信号传输。

当板卡中PHM预警的计算结果满足设计阈值时，板卡可以通过固定的车载协议，由以太网和多功能车辆总线（MVB）将数据发送至车载网络系统做预警显示或直接发送至远程监控系统，2种方式均可实现车载PHM闭环管理模式。技术盯控人员结合预警时刻的列车运行状态和历史数据分析，判断结果若为有效告警则指导现场人员进行部件维护或检修更换，若为无效告警则需要模型设计人员通过优化算法从而减少无效告警的报出。

3.3 地面牵引系统 PHM 预警平台架构

地面牵引系统PHM不需要额外新增硬件设备，该部分的预警工作可以通过控车数据完成，且按照数据采集频率和时间尺度长短的不同，可以分为2类。采集频率稍大而时间尺度需求较短的预警功能，可以经由车载网络系统，将整车的控车数据通过远程发送功能，实时发送至地面PHM数据中心，由数据中心的数据处理硬件进行预警模型的计算。在此情况下，由于需要根据不同的工况和其他车辆同时刻的运行状态，在较短的时间内判断牵引系统部件在最近一段时间的状态是否正常，因此适合复杂度较低，评判逻辑较为简单的预警模型。某些时间持续需求较长的预警功能，甚至要积累以月为单位的数据量才能获得有效的预警效果。例如对冷却系统数据的分析，冷却系统受外温、湿度影响较大，不同的季节温度上升曲线的趋势也有较大差距，设计PHM预警模型需要收集大量的历史运行数据才能使准确度和可靠性有所保证。因此此类预警对数据的突变并不敏感，使用采集频率较低的信号即可完成模型的建立和后期运行时期PHM预警的功能。

由于地面牵引系统PHM可以平台化的搭建于城轨运营公司或者牵引系统供应商处，因此不仅优化、更新模型较车载PHM更加方便，使得地面牵引系统PHM的预警模型更新迭代的方式较车载平台更丰富且更方便。特别是，搭建于运营公司处的预警平台还可以在预警分析时额外加入车组运行数据，让评判角度更加全面。另外，还可以在平台中搭建预警结果数据库，系统的存放所有预警结果，每次报出预警时可以快速匹配历史信息，使后续的判断工作变得更加简便。最后，经判断后的预警信息通过筛选，若为真实预警则推送至维护人员处进行处理，而无法判断乃至错误的预警信息将提供给设计人员更新优化预警模型，通过不断的提高预警准确度，最终达到降低真实故障发生频率的目的。

4 牵引系统 PHM 应用实例

4.1 半实物仿真应用实例

为验证城轨牵引系统PHM的实际应用效果，搭建城轨牵引系统半实物仿真平台，通过线下真实硬件环境和模拟的高压供电系统对预警效果进行验证。搭建的半实物基本结构如图4所示。

图3 地面牵引系统PHM预警平台架构

图4 PHM半实物仿真示意图

图4中用于进行预警模型运行的牵引控制单元与实际装车相同，通过网络通信与Labview上位机相连，模拟车载网络系统与牵引控制单元的网络通信，并通过网络上位机进行实时数据读取；通过硬线连接半实物系统，模拟牵引系统高压部分，包括中间直流回路的电气部件和供电单元等，并通过仿真器上位机对数据进行实时修改，达到模拟车辆中间直流回路电气部件失效、外部输入电源异常等特殊工况。

以中间直流回路支撑电容异常为例，预警模型通过实时监测中间直流回路电压的脉动分量，即电压纹波，对中间直流回路的健康程度进行评估，根据设定的阈值实时报出预警。

图5为车辆牵引系统中间直流回路电压值，图中红色部分为正常运行时刻的中间直流回路电压值，当运行到图中箭头时刻，通过半实物上位机修改直流支撑电容值为正常值的二分之一，中间直流回路电压值出现显著的纹波，如图中蓝色部分。测试过程中，PHM实时计算的中间直流回路电压纹波值如图 6、图7所示，通过将采集的直流电压值按照一定时间窗口进行分割，针对每个窗口分别进行快速傅里叶变换（FFT）分析，便可以得到直流电压的纹波分布。此时再根据幅值大小对不同频率的纹波进行排列，并根据总纹波电压判断中间直流回路的电气部件是否出现异常。

图5 中间直流回路电压值

图6为牵引系统正常运行时的中间直流回路电压纹波情况，图7为修改电容值后的中间直流回路电压纹波情况。对比图6与图7，PHM计算的中间直流电压基波幅值大体一致，而修改电容值后，电压纹波值显著增大，根据设定的阈值，报出谐振回路异常标志。

图6 中间直流回路电压纹波正常值

图7 中间直流回路电压纹波异常值

4.2 实车应用实例

现阶段车辆级牵引系统PHM已经在多种不同型号列车上进行不同程度的应用，不同部件的预警效果各异，但是均在提高维护检修效率和避免运行故障起到了一定的效果。

在此，以某型号车组中间直流回路电抗器温度预警为例，对牵引系统PHM的应用效果做简单介绍。如上文所述，电气部件的温度数据受环境温湿度影响较大，经过较长时间的数据收集，才可以获得可信度较高的预警信息。表1为多个轨道交通线路车辆数据回传至地面PHM预警平台，并经由平台内置的算法报出的中间直流回路电抗器温度预警，表中标注的温度值为报出预警时前后数分钟的最高温度，处理结果为盯控人员的具体处理意见，现场反馈结果则为现场售后人员经过车下作业后填写的反馈信息。

从报出的温度和月份来看，不同季节、不同区域报出的结果类似，但是综合各方面的评判所得出的结论也不尽相同。例如，3月至4月为柳絮多发季节，对于即使电抗器温度低于其他月份也被判定为虚警的预警信息，也应该在收到后及时对滤网进行处理。类似地，由于各个月份的平均温度不同，而电气部件温升在相同功率下基本一致，因此预警判定时的温度阈值需要根据线路所在地理位置进行调整。牵引系统负责人员会根据综合判断的结论进行响应，并且会将处理结果和实际情况一并回馈至数据库中。从表1中的预警信息可以看出，判断为实警的预警均有效反映出了散热器和滤网存在的隐患，并可及时通过现场检修维护避免温度及其相关次生故障的发生。当该预警模型的准确程度达到特定行业标准或与运营公司约定的标准时，运营公司可以根据实际情况和预警结果决定何时对该部件进行检修和维护工作，从而提高检修的灵活度，降低运行时相关故障的发生概率。

表1 中间直流回路电抗器温度预警数据表 ℃

5 结束语

为提升城轨车辆的维修效率，充分考虑到城轨的智能运维和绿色低碳需求，介绍城轨牵引系统PHM的基本情况，提出1 种从部件级到车辆级的PHM平台架构：

（1）提出车载牵引系统PHM平台的架构和预警维护闭环方法，提出1 套部件级车载牵引系统PHM的实现方法，并根据实际情况，给出几种硬件设备的解决方案。

（2）提出地面牵引系统PHM平台的架构，根据预警需求的数据量、历史数据的长度，综合给出几种不同部件的预警测试方法，并根据模型优化的需求，提出一种闭环管理的方法。

（3）综合车载、地面牵引系统PHM平台，提出城轨车辆级牵引系统PHM平台，整车PHM主机将作为中枢系统综合评判各个单车部件预警，并将数据通过网络系统转发至地面平台中，形成完整的牵引系统故障预测和健康管理功能。

（4）通过半实物仿真和实车运行中对牵引系统PHM的功能进行测试，验证牵引系统PHM的实际运用效果。

牵引系统PHM技术刚刚迈入应用阶段，从模型搭建到预警闭环处理均有待在后续工作中进行完善。而PHM平台的优势是建立在较高的预警准确率上，不完善的模型和算法反而会加重现场处置人员和部件维护人员的工作负担，因此，搭建完整的城轨牵引系统PHM平台后，下一步可以在地面、车载平台搭载机器学习类的算法，例如神经网络、随机森林算法等，以进一步提高PHM平台稳定性，达到提高预警准确度、降低线上故障报出率的目的。