城市轨道交通车辆全寿命周期成本研究

摘 要：车辆是城市轨道交通工程中的核心组成部分，通过全面分析车辆的购置、运营、维修和废弃等方面的成本，实现车辆成本的最小化和精细化管理，具有巨大的经济效益和社会效益。文章对轨道交通车辆全寿命周期各个阶段成本进行分解，建立全寿命周期成本（Life Cycle Cost，LCC）模型，针对轨道车辆项目成本中故障维修费用的复杂性，文章以车辆牵引系统为例，基于国内某地铁公司部分车型牵引系统维修数据，运用BP神经网络对轨道车辆牵引系统纠正性维修费用进行估算和预测。

关键词：城市轨道车辆；全寿命周期成本；牵引系统；BP神经网络

中图分类号：F572；U279 文献标志码：A DOI：10.13714/j.cnki.1002-3100.2024.18.021

Abstract： The vehicle is the core component of urban rail transit engineering. Through comprehensive analysis of purchase， operation， maintenance and abandonment costs of vehicles， vehicle cost minimization and fine management are realized， which has huge economic and social benefits. In this paper， the cost of each stage of the life cycle of rail transit vehicles is decomposed， and the Life Cycle Cost （LCC） model is established. In view of the complexity of fault maintenance costs in rail vehicle project costs， this paper takes vehicle traction system as an example， based on the maintenance data of some models of a domestic metro company， and uses BP neural network to estimate and predict the corrective maintenance costs of rail vehicle traction system.

Key words： urban rail vehicles; Life Cycle Cost; traction system; BP neural network

近年来，中国的城市轨道交通发展迅速，各大城市纷纷加快了轨道交通的建设进程，以缓解交通拥堵问题。城市轨道交通已成为中国城市可持续交通的重要组成部分，为人们提供了便捷、高效、环保的出行方式。截至2023年，中国已经建成了超过9 000公里的城市轨道交通线路，以上海为例，上海轨道交通自1993年正式运营至今，已开通运营 19 条线路（包括上海磁浮示范线），覆盖上海除崇明以外的所有各区，总里程达 803 公里，设施设备总资产超 3 000 亿元，上海地铁全网配属电动列车数量（除浦江线）为 1 202 列、7 416 辆。随着运营年限的增长，轨道车辆受到恶劣环境的影响，不可避免地产生腐蚀、裂纹、老化等情况，严重影响车辆的运行安全性和可靠性，越来越多的轨道车辆面临着延寿改造、维修、报废等一系列决策问题。由于轨道车辆价值巨大，在保证轨道车辆安全性和可靠性基础上，轨道车辆成本研究在车辆的购置、运营、维修、报废等阶段具有重要意义。

全寿命周期成本管理概念（Life Cycle Cost Management，LCCM）是一种以全寿命周期为视角来管理和优化产品或系统的成本的方法。它包括产品或系统从设计、采购、制造、运营到报废的整个生命周期，通过对各阶段成本的综合分析和管理，以实现成本最小化和效益最大化的目标。最早应用于美国的军工企业中，旨在满足最低可靠性的前提下，降低研究对象研制、运行、维修和报废处理整个寿命周期费用的作用。轨道交通行业全寿命周期成本理念最早在瑞典铁路得到应用，以全寿命周期费用为基准进行高速列车的购置[1]。国内学者将全寿命周期成本管理应用到电网、轨道交通等行业中，陈国锋等通过对车辆全寿命周期成本进行量化分析，为降低成本提供管控方法[2]。孙悦等引入全寿命周期成本招标模式，通过计算车辆购置、运行、维护和报废成本，制定出完善合理的招标方案[3]。刘苏等对变压器进行全寿命周期成本分解，并对成本中不确定性进行Monte Carlo模拟，进一步提高成本的精确性[4]。文献[5-6]建立了轨道车辆全寿命周期成本模型，并提出招标方案。

本文在分解轨道车辆全寿命成本的基础上，考虑到资金的时间价值，将车辆各个阶段发生的成本归集到一个时间点上，应用区间法，对轨道车辆从购置到报废中间各个阶段进行成本分解，提出了轨道交通车辆全寿命周期成本模型。基于轨道车辆牵引系统维修故障数据，采用BP神经网络对轨道车辆牵引系统纠正性维修费用进行估算和预测。

1 车辆全寿命周期成本模型

全寿命周期成本模型是针对轨道交通车辆成本管理的一种综合性方法。该模型旨在通过合理的管理和技术手段，保证轨道交通车辆从生产到使用周期结束的全生命周期成本控制在最低。同时，该模型也着眼于保证轨道交通的安全运营和稳定，以此为前提，通过合理的管理模式和技术方式，提高轨道交通车辆的可靠性，并实现全寿命周期成本的最小化。全寿命周期成本模型分析的环节较多，数据量也比较大。因此，本文采用区间法建立轨道车辆全寿命周期成本模型，对各个阶段的成本进行综合分析。根据全寿命周期成本模型对车辆全面把控，并根据实际情况适当做出调整，以实现对成本控制的预期效果。

轨道车辆全寿命周期成本管理是在满足安全性和可靠性的基础上，将设备从采购、运行、维护、报废等整个寿命周期内的所有成本进行量化，实现全寿命周期成本最低的一种方法。城市轨道交通车辆全寿命周期成本模型结构如图1所示，全寿命周期成本分为4个部分，即购置成本、运营能耗成本、维修成本和回收处置成本。

1.1 购置成本

购置成本包括设备购置费、安装调试费、初始保障费等费用，即：。式中，为车辆购置费用，为调试费用，为其他费用，如研发费用等。

1.2 运营成本

轨道交通车辆的运营能耗成本分为两大类：一是车辆牵引运动产生的能耗;二是车辆运行以外车辆辅助设备消耗的能耗，即车辆牵引运动能耗和车辆辅助设备能耗两大部分。其中车辆辅助设备能耗主要有通风设备、空调压缩机、照明系统、弱电设备和控制器能耗。据统计，牵引系统净能耗占地铁列车能耗的80%左右，辅助设备能耗大概占20%[7]。从整车耗能来说，制动再生能量可以抵消部分牵引能耗。城市轨道交通车辆牵引运行净能耗的计算公式如下。

1.3 维修成本

1.3.1 预防修成本

目前地铁车辆主要采用计划修的维修策略，维修形式包括日常检修和深度修。其中，日常检修包括日检和均衡修，属于不退出服务的日常检修；深度修主要包括架修和大修。根据《城市轨道交通设施设备运行维护管理办法》相关要求，架修间隔不超过5年或80万车公里，大修间隔不超过10年或160万车公里。上海地铁维修通用规程预防性修复分为架修和大修，运营时间满年，运营公里数达到要求，实施第一次架修，运营时间满年，运营公里数达到要求，实施第一次大修，其中公里数或运营时间按先达到的实施。在地铁全寿命周期内一般需要进行3次架修和2次大修。

1.3.2 纠正修成本

1.4 报废成本

轨道车辆在进行报废处理后，仍然含有大量的剩余价值，车体材料可以进行回收处理，这部分产生的价值称为残值，在全寿命周期成本中，这部分回收成本可以抵消部分成本，相应地，再对这部分整车剩余价值处理的过程中也会产生相应的处理费用，即报废成本。单台轨道车辆残值为：。 式中，为退役处理系数，取。

2 全寿命周期成本计算

2.1 地铁成本基础数据

某城市地铁A型车各类成本基础数据如表1所示。

2.2 地铁全寿命周期各部分成本LCC计算

根据全寿命周期成本模型，计算车辆全寿命周期内各阶段成本，利用表1基础数据，可得A型车辆全寿命周期各部分的成本，如表2所示。

图2为各类成本的分布情况，可以看出，购置成本在车辆全寿命周期成本中占比最高（48.22%），维修成本次之（32.72%）。

3 轨道车辆纠正性维修费用预测模型

本文使用BP神经网络，建立了基于车辆可靠性的维修费用预测模型，并以牵引系统为例，验证了预测模型的准确性。

3.1 BP网络基本理论

BP神经网络是一种基于误差反向传播算法的人工神经网络，它可以学习和存储大量的输入输出模式映射关系，无需事先揭示这种映射关系的数学方程。BP神经网络使用最速下降法通过反向传播来不断调整网络的权值和阈值，以使网络的误差平方和最小化。隐含层是BP神经网络的一个重要组成部分，它可以将输入空间映射到低维的特征空间中，从而提高模型的表达能力和预测精度。但是，当隐含层数量过多时，BP网络的训练过程会变得更加复杂，误差向后传播的计算也会变得更加困难，同时也更容易陷入局部最优点而无法找到全局最优解[8]。此外，随着隐含层数量的增加，训练时间也会大幅增加，导致模型训练效率降低。BP神经网络模型如图3所示。

3.2 模型搭建

根据某城市地铁部分车型牵引系统历史维修数据，建立基于BP神经网络牵引系统维修费用的预测模型，首先对牵引系统维修费用的影响因素进行分析，以确定预测模型的输入变量。对牵引系统的原始维修数据进行预处理，并对模型参数进行优化，从而实现了模型的搭建。牵引系统费用模型流程图如图4所示。

3.3 影响因素分析

车辆可靠性指标MDBF（Mean Distance Between Failures）也称为车辆平均无故障行驶里程。这个指标表示车辆平均运行多少公里后会出现故障。MDBF的值越高，说明车辆的可靠性越高，故障率越低。相反，MDBF的值越低，说明车辆的可靠性越差，故障率越高。因此，车辆MDBF是影响轨道车辆牵引系统维修费用的一个重要因素。列车平均故障间隔里程计算方式为：。式中，为特定批次列车运行里程总和，为时间内特定批次列车发生的故障总和。

轨道车辆MDBF的计算一般采用统计方法，通过对车辆故障发生的次数和行驶里程进行统计和分析，得出车辆的平均无故障运营里程。车辆MDBF指标的大小会直接影响到轨道车辆牵引系统的维修时间。本文收集国内某城市地铁部分车型2021年间牵引系统每个月MDBF对应下的维修时间数据如表3所示。

故障维修时间是指车辆因故障需要进行维修的时间。由表3可以看出车辆指标越小，故障维修时间越长。维修时间的长短还取决于故障的类型和严重程度、维修技术和人员素质、维修设备和材料配备情况等因素。

3.4 数据预处理

纠正性维修时间受众多因素影响如下。

第一，故障类型和严重程度：不同类型和严重程度的故障需要的维修时间也不同。一些小型的故障，如更换继电器等，只需要短时间的维修；而一些大型的故障，如电动机故障等，则需要较长时间的维修。

第二，维修设备和材料配备情况：维修设备和材料的配备情况也会影响维修时间。如果维修设备和材料不齐全，维修人员可能需要等待配件到达或使用不合适的工具，从而延长维修时间。

因此，先对原始数据进行预处理，如在统计中遇到数据异常值，采用取变化值均值的方法，如下。

式中，为异常值点修正后的值，为异常点之前一个月同类型故障维修时间统计变化值的平均，为异常点之后一个月时间同类型故障维修时间统计变化值的平均，为异常点上一个同类型故障的维修时间。

3.5 BP神经网络参数预处理

图5中纵坐标为测试集中样本的牵引系统维修费用，单位为元。对比图片中的预测值和实际值，可以得出本文所提出的BP神经网络模型，预测结果稳定、准确，异常预测值很少，与实际值吻合度高。通过对训练集的多次训练后，使用BP神经网络模型对测试集进行测试，准确率达到94.23%，其中相关系数达到0.99，如图6所示。

4 结 论

本文建立了城轨车辆全寿命周期成本模型，并基于BP神经网络对车辆纠正性维修费用进行了预测。得出以下结论。

第一，将车辆各个阶段发生成本归集到车辆购置初期，建立了全寿命周期模型。

第二，对全寿命周期费用进行测算，其中购置费用占比48.22%，维修费用占比32.72%，地铁运营成本占比19.83%。因此，优化维修策略，降低运营能耗对提升城轨车辆运营经济效益具有重要意义。

第三，本文提出一种基于BP神经网络轨道车辆纠正性维修费用预测的方法，预测准确率达到94.23%。

参考文献：

[1] KJELLSSON U．From X2000 to Crusaris Regina：Development of LCC technology[C]//Proceedings of World CongressRailroad Research，Paris：SNCF，1999：1-7.

[2] 陈国锋，蔡勋，蔡岳辰，等．我国标准地铁车辆的全寿命周期成本构成及控制[J]．城市轨道交通研究，2023，26（4）：5-8.

[3] 孙悦，张光准．城市轨道交通车辆全寿命周期成本招标分析[J]．城市轨道交通研究，2020，23（7）：153-157.

[4] 刘苏，姚建刚，韦亦龙，等．基于Monte Carlo的主变压器全寿命周期成本研究[J]．电源技术，2017，41（2）：312-315.

[5] 蒋钧杰，谈飞．城市轨道交通车辆全寿命周期成本分析[J]．土木工程与管理学报，2014，31（2）：91-95，109.

[6] 皇甫小燕．城市轨道交通车辆全寿命周期成本探讨[J]．城市轨道交通研究，2012，15（5）：8-11.

[7] 唐飞龙，韩庆军．地铁车辆能耗分析及节能措施研究[J]．机车电传动，2020（4）：138-141.

[8] 夏禹，王磊．基于反向传播神经网络的海洋工程项目投标风险评价方法[J]．上海交通大学学报，2023，57（S1）：46-53.