动车组健康管理与运维决策研究

吴诗春

(中国铁路南昌局集团有限公司 福州动车段,福建 福州 350018)

当前,我国动车组实行“以走行公里周期为主、时间周期为辅(先到为准)”的计划性预防修检修模式,随着中国国家铁路集团有限公司(以下简称“国铁集团”)持续深化动车组修程修制改革,动车组整车与配件寿命不一致问题愈发显现,动车组运维工作面临巨大挑战。在经过十余年的运营后,动车组运维积累了海量数据,受“工业4.0”浪潮的影响,动车组大数据分析成为必然趋势。

目前国内各领域的故障预测与健康管理(PHM)技术相继投入开发运用,但是系统集成和综合分析能力很弱。就动车组而言,近年来故障预测技术逐渐完善,但健康管理大多数仅局限于关键部件,未能实现总体评价,无法发挥PHM技术的优势[1]。廖涛[2]运用BP神经网络模型预测了动车组制动闸片的磨耗量,通过估算闸片的磨耗量为动车组的状态维修提供了依据;赵峰等[3-4]采用健康状态综合评估方法对CRH3型动车组辅助供电系统和牵引传动系统进行了健康状态评价,得到了较为准确的健康等级评估;LIVIO等[5]基于状态监测和数据驱动对高速转向架的运行稳定性评估方法进行了研究,通过试验验证了该方法能够及时判断和处理转向架出现的故障。

以上研究理论只针对动车组中的某个系统或部件,在动车组健康状态评价中存在局限性,无法呈现动车组整体健康状态。基于此,本文根据动车组数据量大、种类繁多的特点,对动车组各类数据进行了融合分析[6-7],搭建了动车组大数据分析平台,并通过层次分析法和变异系数法制定了动车组健康状态评价体系,多维展示了动车组健康状态。同时,围绕配件作为动车组健康状态评价这一核心,利用线性回归法分析了配件寿命与走行里程之间的关系,达到了动车组健康状态评估和配件寿命趋势分析的目的,从而实现了动车组健康管理与智能运维。

1 动车组大数据分析

数据是开展动车组健康管理的基础,根据动车组运维数据管理需要,国铁集团将动车组细分为主供电、牵引、制动、外门及车内设施等15个子系统,并在动车组运维过程中针对各类监测场景相继开发了对应数据管理平台,但由于各平台间数据为多源异构格式,无法直接进行比较分析,需要在采集处理后进行融合分析。

动车组大数据分析总体逻辑架构包含6个层级,分别是数据源层、数据采集层、数据存储层、数据处理层、数据分析层和应用呈现层,如图1所示,各层级间紧密联系、协作,主要通过数据流驱动,实现数据的采集、分析及应用。

(1) 数据源层。限定了纳入动车组健康评估的运维数据范围,为动车组健康评估的开展提供丰富的数据源。

(2) 数据采集层。利用适应任何编程语言的ETL工具将数据源层中的数据抽取至数据采集层,保证动车组数据采集的可靠性和高效性。

(3) 数据存储层。本文根据业务需求采用Web网页作为人机交互界面,因此,选取了速度快、体积小、成本低且适用于Internet中小型网站的MySQL作为网站数据库,用于数据的存储。

(4) 数据处理层。通过调用数据存储层中的数据,完成实时数据的查找、运算,同时对离线数据进行清洗、转换以及整合,为数据深入分析奠定基础。

(5) 数据分析层。基于Hadoop框架的核心组件HDFS和MapReduce实现动车组海量运维数据的存储和计算,充分发挥Hadoop软件框架对于大数据分析的高容错性和高扩展性。

(6) 应用呈现层。通过可视化展示,用户与健康管理系统直接进行人机交互,通过查看图像、图表或分析报告等,从不同角度多维展示分析结果,以便各层级用户开展健康管理与运维决策。

2 动车组评价体系

通过搭建大数据分析平台,从多维度对动车组健康状态进行评估[8-14],从而开展动车组健康管理。

2.1 总体框架

本文采用分层结构,设置综合评价、一级评价、二级评价3个层级评价指数,各层级评价指数间为从属关系,即上一层指数由下一层指数聚合而成。根据实际业务需求,本文设置了质量评估、故障风险、司乘舒适、维修养护、设备检测5项一级评价指数,并在此基础上细化了18项二级评价指数,多维度、多层级对动车组健康状态展开研究。动车组评价指数框架如图2所示。

图2 动车组评价指数框架

(1) 质量评估指数。从动车组质量鉴定、源头质量整治进度、技改普查完成情况、同车型动车组差异项目4个方面对动车组总体质量进行评估,动车组运用所根据推进计划有针对性地实施作业,提升动车组质量。同时,在各作业项目中设置效果验证功能,对作业前后故障发生情况进行对比分析,验证作业成效。

(2) 故障风险指数。通过分析动车组历史故障、遗留故障、跟踪故障以及重复故障,分系统、分等级地对动车组存在的故障风险进行评估,督促动车组运用所在规定周期内完成故障处置及销号,实现动车组故障统计分析及跟踪闭环管理,保障动车组运用安全。

(3) 司乘舒适指数。近年来,国铁集团对于动车组上部服务设施质量关注度与日俱增,为保障司机驾驶体验感和提升旅客乘坐舒适性,设置了司乘舒适指数,通过分析司机室及客室故障发生情况,形成故障统计表和趋势分析图。动车组运用所根据评估结果开展深度整修,提升上部服务设施质量。

(4) 维修养护指数。随着动车组修程修制改革的持续深入,动车组运用修及高级修周期调整对动车组运维影响较大,尤其是整车与配件寿命不一致问题愈发显现,因此配置维修养护指数,通过分析配件与装车年限、走行里程及高级修程之间的关系,获取配件寿命规律,为配件专项整治提供决策依据,从而调整动车组检修模式,逐步实现“计划修”向“精准预防修”模式的转变,提升动车组智能运维水平。

(5) 设备检测指数。为更好地发挥设备检测系统安全防范作用,本文配置了设备检测指数,通过检测结果评估轮对轴箱轴承(TADS)、轮对多边形(TPDS)、运行故障图像(TEDS)、轮对踏面诊断(LY)、受电弓及车顶(SJ)的状态,保障动车组转向架、高压系统以及裙底板状态正常。

2.2 评价机制

建立科学、合理的评价机制是客观评价动车组健康状态的核心,以二级评价指数为基础,分别采用层次分析法、变异系数法对动车组健康状态进行分析。

2.2.1 层次分析法

根据动车组技术进步及检修运用需要,本文按照国铁集团的规定对动车组进行系统分类,编制整车部件分解结构,并建立各级结构与功能分类节点的对应关系,将动车组分解到最小单元,形成动车组构型词典库。采用层次分析法对具有多个层级、多个类别的系统进行分析评价,使决策时更具逻辑性。

在对源头质量、技改普查、差异项目等系统分级和影响性质明确的二级评价指数进行评价时,通过九分尺(表1)对各指数内的系统、子系统、功能组、功能件4个层级内的项目进行两两相互比较,按各层级对动车组行车影响的重要程度,通过专家评估法获得权重。

表1 九分尺标度法

以系统评价为例,将国铁集团公布的动车组15项系统[15]划分为高压牵引、供风制动、转向架、网络监控、车体车端等8大类,根据九分尺标度法设定各系统指标,利用数据分析平台SPSSAU获得各系统层次分析结果,如表2所示。经过层次分析法计算权重后,对计算结果进行一致性检验,即求出一致性指标CR值(CR=CI/RI)是否小于0.1,其中CI值已知为0.000,随机一致性RI值根据划分的8大类系统(即阶数为8)通过查询表3可知取值为1.410,因此可求出一致性指标CR值为0.000,满足小于0.1的要求,表明用于各系统权重计算的判断矩阵满足一致性检验,即权重设定合理。

表2 动车组各系统层次分析结果

表3 随机一致性RI值参照表

2.2.2 变异系数法

对于需依靠历史数据而客观评价的配件寿命指数,采用变异系数法客观赋予权重[16],将影响配件寿命的装车年限、走行里程、磨损速率等分别进行离散程度归一化处理,通过标准差与平均值的比值确定其变异系数,从而获得对应权重。

(1)

如选取10位专家对动车组主断路器、碳滑板、闸片、牵引变流器、轮对轴箱5项配件状态进行评价,以1～5分为评价基础,通过专家打分获得各位专家的权重,如表4所示。经过分析,专家4和专家7变异系数波动较大,说明这2位专家相对不稳定,携带信息量大,需要给予更多“关注”,即应赋予该专家更大权重占比。反之,专家2和专家10变异系数较小,说明这2位专家对各部件评价相差不大,因此赋予更小的权重。最终将各位专家评分与权重的积进行相加,得到对应综合评价。

2.2.3 文件定义法

对于人为定性占比较大的质量鉴定、司机驾驶、乘客设施二级指数进行评价时,根据《铁路动车组运用维修规则》中的动车组运用质量鉴定办法,将故障划分为A、B、C、D 4个类别,其中A类每件扣5分,B类每件扣10分,C类每件扣20分,D类每件扣100分,根据扣分情况获得其评分。

2.3 配件寿命研究

动车组配件相当于人体的“器官组织”,当某个部位生病时,需要及时就医,即动车组发生故障时,需要对相关配件状态进行分析。本文制定的各项评价指数主要以动车组配件寿命为基础,因此,将故障信息与配件寿命进行关联,通过历史故障筛查、分析,预测动车组配件寿命。

2.3.1 故障数据筛查

由于动车组运维数据繁杂,需通过人工设定数据分流规则,规范、纠正并补全遗漏数据,从而消除缺陷数据和冗余数据,提高数据可用性。如在分析CRH1A型动车组主供电系统真空断路器真实故障数据时,需查找并提取具有“真空断路器、LCBT和LCBB”字样的数据,然后将故障描述中带有“批次更换、升级改造、源头质量”和故障处理方法中带有“无异常、修复、库检正常”等字样的数据进行过滤,从而获取准确的真空断路器故障。

2.3.2 线性回归法

趋势分析又可称为趋势预测,基于设备或者系统的历史数据来分析得到其变化规律并作出寿命预测。采用线性回归法分析动车组配件寿命趋势,即将一组契合y=kx+b线性关系的历史数据组用一条直线表示,通过计算求出k和b的最优解,使得尽可能多的点落在该条直线上,从而根据自变量x对因变量y进行预测。

设线性回归方程为:

y=kx+b

(2)

式中:y为配件寿命,x为走行里程,k为拟合斜率,b为固定截距。

根据最小二乘法公式:

(3)

b=y-kx

(4)

求出斜率k和截距b,从而确定配件寿命与影响因素(装车年限、走行里程以及作业标准)之间的关系。

2.3.3 寿命分析案例

以CRH1A型动车组轮对寿命分析为例,在轮对定期镟修时,当轮对恢复标准廓形后,镟修进刀量与轮缘厚度增量之间存在线性关系(正比例),当镟修进刀量增大时,轮缘厚度增量也随之增大;当镟修进刀量减小时,轮缘厚度增量也随之减小。因此,以镟修进刀量为自变量,轮缘厚度增量为因变量,对统计的离散点进行线性回归分析,如图3所示。通过对镟修进刀量与轮缘厚度增量进行线性拟合,得到镟修进刀量与轮缘厚度增量的线性拟合方程,并预测轮缘厚度增加1 mm所需进刀量约为7.09 mm。结合动车组每个周期内轮缘磨耗及轮径磨耗,可对动车组轮对寿命进行预测并及时调整运用策略。

3 动车组运维决策

为直观反映动车组健康状态,对动车组各类定性指标进行量化,定义动车组原始总分为1 000分,通过对各层级指数进行评价,以综合评分的形式展示动车组健康状态,并根据评分高低将动车组细分为4个等级:950～1 000分为优秀;900～950分为良好(不含950);800～900分为达标(不含900);800分以下为不达标。

同时,基于二级评价指数,定制生成动车组“画像报告”,综合运用动车组评价等级及画像报告结果,为动车组整车运维提供决策依据,实现动车组“一车一方案”的运维策略:

(1) 评价等级为优秀且画像报告无潜在影响行车安全隐患的动车组,用于执行特殊运用需求,并可安排至进京、进港以及长大交路等场景运用;

(2) 评价等级为良好的动车组,按日常计划正常编排运用;

(3) 评价等级为达标的动车组,可安排局管内交路或短途交路运用,对于画像报告中的重点关注事项,纳入随车机械师出乘提示卡重点监控,并通过动车组故障预测与健康管理(PHM)系统实时监控关联部件状态。同时,结合画像报告深度分析影响其等级评定的主要因素,针对性提升动车组质量,如推进源头质量治理、督促遗留故障消耗、提前开展质量鉴定等;

(4) 评价等级不达标的动车组,则立即取消其运用资格并组织人员开展专项整治,调整动车组检修周期、检修内容和检修标准,将动车组评价等级提升至良好及以上标准。

4 结论

本文基于中国铁路南昌局集团有限公司福州动车段实际应用情况,在修程修制改革趋势中,结合大数据技术深入研究了影响动车组运维的关键因素,初步搭建了动车组健康管理系统,可指导动车组健康管理与运维,主要研究内容及成果如下:

(1) 基于大数据分析技术,解决了数据间多源异构无法直接对比、分析的问题,实现了系统间数据的互联互通及有效管理。

(2) 多维度、多层级对动车组健康状态展开了研究,制定了5项一级评价指数和18项二级评价指数,通过层次分析法和变异系数法获取了动车组系统及部件的权重,并对权重的配置进行了验证,从而确定了动车组健康状态评价机制,客观评价了动车组健康状态。

(3) 深入分析了动车组历史检修数据,发现数据间存在线性关系,利用线性回归法研究了动车组配件寿命趋势,可对动车组配件寿命进行预测,具有可靠的指导作用。

(4) 为每列动车组定制了“画像报告”,根据配件寿命趋势预判、关键项目作业质量、历史故障发生情况等,可指导动车组运用所开展动车组健康管理与智能运维。

现阶段,对于动车组健康管理系统主要采取边研究、边开发、边应用的模式,下一阶段研究的主要方向是对评价机制合理性进行验证,尽可能以客观数据反映动车组真实的健康状态,从而通过深度检修来保障动车组的运维安全。