一种城轨列车转向架的故障预测与视情维修方法
【专利摘要】本发明提供一种城轨列车转向架的故障预测与视情维修方法，采用基于生存分析的方法确定转向架的构架、弹簧装置、连接装置、轮对和轴箱、驱动机构、基础制动装置的最佳寿命分布模型，并得出各子系统的可靠性特征函数，然后采用进化算法优化的神经网络模型对转向架各子系统的故障率进行计算。最后，将转向架各子系统的故障率和安全运营天数作为协变量进行比例风险模型建模，在成本优化的基础上，得出转向架系统视情维修的阈值和控制限。
【专利说明】一种城轨列车转向架的故障预测与视情维修方法
【技术领域】
[0001] 本发明涉及一种转向架的故障预测与视情维修方法，尤其涉及一种城轨列车转向 架的故障预测与视情维修方法。
【背景技术】
[0002] 城市轨道列车转向架系统是城轨列车的重要部件，用来传递各种载荷，并利用轮 轨间的黏着来保证牵引力的产生，其性能很大程度上决定了车辆运行的稳定性和安全性。 因此，如何准确地评定城轨列车转向架系统的可靠性，预测转向架系统的故障率，对于城轨 列车运行的稳定性和安全性具有重要意义。同时，转向架系统在使用过程中，需要及时进行 检修、维护、保养，其产生的费用是城轨列车维护养护费用的主要组成部分，因此准确地评 定城轨列车转向架系统的运行状态，制定合理的转向架系统维修计划，对于保证城轨列车 安全经济地运行具有重要意义。
[0003] 研究系统可靠性的方法主要有统计模型法和机理模型法。统计模型法主要是通过 分析系统失效时间的概率分布函数，并得出系统相关的可靠性指标，如平均故障间隔时间、 失效率等。机理模型法主要是通过对系统的结构原理进行可靠性分析。在维修决策建模的 研究，现有技术中提出综合考虑了运行条件、负载大小等因素对系统寿命带来的影响，建立 旋转机械的维修模型并取得了较好的效果，表明了协变量在对系统寿命分布规律研究中的 重要作用。
[0004] 以上研究在转向架系统可靠性分析和视情维修上都取得了一定的成果，但是，仍 然一定的问题：（1)目前上述研究大多针对铁路客车、货车，而对城轨列车转向架可靠性的 研究较少；（2)上述方法基于监控或检修数据，有时不能准确地掌握转向架的寿命时间，在 时间的不确定问题上缺乏考虑；（3)对于传统的系统寿命或系统性能衰退数学描述通常是 基于一维时间变量来衡量的，但是对于转向架等复杂系统而言，维修阈值的模糊性以及失 效模式的随机性等因素使得仅依据一维时间变量无法客观地予以评估，必须同时考虑性能 参数、失效类型等相关协变量对系统运行的影响，为制定维修优化决策提供更有力的依据。
【发明内容】
[0005] 本发明对转向架系统的各关键部件进行可靠性分析，通过对转向架系统关键部件 历史检修数据的整理和分析，建立故障率预测模型，并针对整个转向架系统建立比例风险 模型。
[0006] 具体采取如下技术方案：
[0007] -种城轨列车转向架视情维修方法，转向架包括构架、弹簧装置、连接装置、轮对 和轴箱、驱动机构、基础制动装置六个子系统，该方法依次包括如下步骤：（1)根据采集的 历史故障数据进行删失处理，基于生存分析的方法确定转向架各子系统的最佳寿命分布 模型，并得出各子系统的可靠性特征函数，计算出各子系统的可靠度，将各子系统中可靠度 最低的子系统确定为转向架最薄弱环节，进行对该最薄弱环节重点关注；(2)采用进化算 法优化的神经网络模型计算转向架各子系统的故障率；(3)将转向架各子系统的安全运营 天数和计算得到的故障率作为协变量进行比例风险模型建模，得出转向架系统视情维修的 阈值和控制限，控制限上限是失效阈值，在运行过程中，一旦发现系统状态值超过上限，则 系统此时为不可用状态，按规定必须进行修复性修理或更换后才重新投入使用；控制限下 限是预防性维修或更换阈值，代表系统的潜在故障开始出现，如果系统的状态值超过了下 限，则应考虑对部件作相应的排故或预防性维修工作，如果系统的状态值低于下限，则不用 考虑维修。
[0008] 优选地，步骤（1)包括如下步骤：
[0009] 1)建立轮对和轴箱、弹簧装置、连接装置两参数威布尔分布模型，
[0010] 故障分布函数为：
[0011]
【权利要求】
1. 一种城轨列车转向架的故障预测与视情维修方法，所述转向架包括构架、弹簧装置、 连接装置、轮对和轴箱、驱动机构、基础制动装置六个子系统，其特征在于，该方法依次包括 如下步骤： (1) 根据采集的历史故障数据进行删失处理，基于生存分析的方法确定转向架各子系 统的分布模型，并得出各子系统的可靠性特征函数，计算出各子系统的可靠度，将各子系统 中可靠度最低的子系统确定为转向架最薄弱环节； (2) 采用进化算法优化的神经网络模型计算转向架各子系统的故障率； (3) 将转向架各子系统的安全运营天数和计算得到的故障率作为协变量进行比例风险 模型建模，得出转向架系统视情维修的阈值和控制限，控制限上限是失效阈值，在运行过 程中，一旦发现系统状态值超过上限，则系统此时为不可用状态，按规定必须进行修复性修 理或更换后才重新投入使用；控制限下限是预防性维修或更换阈值，代表系统的潜在故障 开始出现，如果系统的状态值超过了下限，应对部件作相应的排故或预防性维修工作，如果 系统的状态值低于下限，则不用考虑维修。
2. 根据如权利要求1所述的城轨列车转向架的故障预测与视情维修方法，其特征在 于， 步骤（1)包括如下步骤： 1) 建立轮对和轴箱、弹簧装置、连接装置两参数威布尔分布模型， 故障分布函数为：
可靠度函数为：
概率密度函数为：
失效率函数为：
其中，,彡>〇且?？ >〇,t为故障间隔时间，卢和分别是分布的形状参数和尺度 参数； 2) 建立构架、驱动机构、基础制动装置三参数威布尔分布模型， 故障分布函数为：
可靠度函数为：
其概率密度函数为：
失效率函数为：
其中，t为故障间隔时间，P>0且7 >0, #和?？分别是分布的形状参数和尺度参 数，y是分布的位置参数。
3.根据前述权利要求所述的城轨列车转向架的故障预测与视情维修方法，其特征在 于，步骤（2)包括如下步骤：建立的基于PSO的BP神经网络模型，采用PSO优化BP神经网 络连接权值，并对BP神经网络进行训练，在建模过程中，确定PSO的参数，设置如下： 1) 选取粒子数目为30; 2) 粒子最大速率选取为0. 5 ; 3) 粒子根据如下的公式来更新自己的速度和位置，
式中，表示第i个粒子在第々+1代时的飞行速度；表示第i个粒子在第左+1 代时的位置；表示第i个粒子到第i代的最优位置；^表示种群到第i代的最优位置； <-彳为个体认知；< -彳为种群认知，为惯性权重；'^是粒子的速度；^和^为学习 因子；T1和巧为均匀分布在[〇, 1]内的随机数;i=l，2… 4) 适应度函数为 /=IiRMSE； 5) 初始化，将输入输出数据归一化到[-1，1]区间，初始化产生的粒子种群代表不同权 重与阈值组合的神经网络，产生初始BP网络结构； 6) 评价，依据4)中公式计算其适应度； 7) 更新位置和速度，通过比较适应度不断更新粒子的位置，适应度最优的个体极值即 为全局极值，对应的权值与阈值为粒子种群的当前最优解，更新速度； 8) 算法停止的判断，达到最大迭代次数或适应度达到期望误差，停止迭代； 9) 最优解的生存，迭代停止时，全局权值对应的权值与阈值为训练样本的最优解； 10) 将最优解带入BP神经网络模型中学习，用来对故障率进行预测。
4.根据前述权利要求所述的城轨列车转向架的故障预测与视情维修方法，其特征在 于，步骤（3)包括如下步骤： 1) 建立转向架的比例风险模型，其风险函数为：hfr丨ΛΥ?) 求得故障率阈值f:
其中，t为故障间隔时间，#>〇且7 多和7分别是分布的形状参数和尺度参 数，？是分布的位置参数，X(t)为协变量； 2) 以工作时间t为横坐标、以埤^·)-ι)ω的值为纵坐标作图，图形中上线为故 障率阈值对应的控制限的上限，下线为故障率阈值对应的控制限的下限。
【文档编号】G06F19/00GK104239694SQ201410431294
【公开日】2014年12月24日 申请日期:2014年8月28日 优先权日:2014年8月28日
【发明者】秦勇, 贾利民, 史婧轩, 程晓卿, 张媛, 于珊, 寇淋淋, 张振宇 申请人:北京交通大学