本发明涉及一种基于风险费用预测的牵引供电设备维修方法。
背景技术：
高铁牵引供电设备的维修维护工作能够有效发现并处理故障，为保障牵引供电系统的安全可靠运行做出极大的贡献。目前，铁路牵引供电系统的维修(包括检测及修理)通常采用的是固定时间间隔的周期维修。该维修模式已在牵引供电领域执行多年，能够在较大程度上保障牵引供电设备的安全可靠运行。但这种固定周期的维修，易造成维修不足或维修过剩现象，不能确保维持牵引供电设备的高可靠性，同时成本高。
基于设备故障预测的状态维修方法通过贝叶斯网络、支持向量机、神经网络等智能算法对设备运行状态进行预测；根据预测状态给出维修方案，方案中对预测状态为正常的设备不进行维修(检测及修理)，预测状态为故障的设备进行维修。这种基于状态预测的维修方案，能减少维修不足或维修过剩现象。但现有的基于状态预测的维修方案，没有对其状态预测结果进行基于历史维修状况的修正，导致其预测结果误差大，其维修方案有待优化，节约的维修费用有限。同时，现有的维修方案也未给出其维修方案与传统固定周期维修方式节省的费用，即未评估出其维修方案到底能提高多少可靠性，降低多少检修成本，难以说服维管单位人采用，不易推广实施。
技术实现要素：
本发明的目的是提出一种基于风险费用预测的牵引供电设备维修方法，该方法预测结果误差小，节约的维修费用多；且易于推广实施。
本发明实现其发明目的所采用的技术方案为，一种基于风险费用预测的牵引供电设备维修方法，其步骤为：
a、输入数据
将历史维修记录中各牵引供电设备的各次维修时的设备实际运行状态值ck及各次维修时的环境温度值x1k、冰雪值x2k、降雨值x3k、雷电值x4k、风速值x5k、载荷值x6k、人为因素值x7k共七个影响变量值输入系统；其中，k为维修的次数序号，k＝1,2,…,k-1；k为当前拟进行维修的次数序号，ck＝0,1；ck＝0表示第k次维修时该设备正常，ck＝1表示第k次维修时该设备故障；
b、获取运行状态信息的概率
将七个影响变量作为贝叶斯网络的节点证据变量，构建出贝叶斯网络分类器模型；将各设备各次维修时的实际运行状态值ck和各次维修时的七个影响变量值代入贝叶斯网络分类器模型，得到七个影响变量与设备运行状态c的后验概率p(c|x1,x2,...,x7)；进而求出七个影响变量共同作用下设备运行状态c为故障的后验概率p(c＝1|x1,x2,...,x7)和七个影响变量共同作用下设备运行状态c为正常的后验概率p(c＝0|x1,x2,...,x7)；其中，x1,x2,...,x7分别表示影响变量：环境温度、冰雪、降雨、雷电、风速、载荷、人为因素；
c、后验概率的计算
根据第k次维修时的七个影响变量值x1k,x2k,...,x7k和b步骤的七个影响变量共同作用下的设备故障的后验概率p(c＝1|x1,x2,...,x7)，得到第k次维修时的设备运行状态为故障的后验概率pk(c＝1|x1k,x2k,...,x7k)，其中，k＝1,2,…,k；
根据第k次维修时的七个影响变量值x1k,x2k,...,x7k和b步骤的七个影响变量共同作用下设备正常的后验概率p(c＝0|x1,x2,...,x7)，得到第k次维修时设备运行状态为正常的后验概率pk(c＝0|x1k,x2k,...,x7k)，其中，k＝1,2,…,k；
d、运行状态预测及维修方案制定
将第k次维修的设备运行状态为正常的后验概率pk(ck＝0|x1k,x2k,...,x7k)减去第k次维修的设备运行状态为故障的后验概率pk(ck＝1|x1k,x2k,...,x7k)得到第k次维修的设备健康指数b；如第k次维修的设备健康指数b>健康指数修正值b，则第k次维修时该设备的预测运行状态c'k为正常，即c'k＝0；否则，第k次维修时该设备的预测运行状态c'k为故障，即c'k＝1；其中，k＝1,2,…,k；
维修方案的制定：当c'k＝1时，当前拟进行的维修，需对该设备进行维修；当c'k＝0时，当前拟进行的维修，不对该设备进行维修；
e、预测准确率的计算
将k≤k-1的各次预测运行状态为故障，即c'k＝1(k≤k-1)的设备数量相加得到预测故障设备总数q1'；将k≤k-1的各次实际运行状态为故障，即ck＝1(k≤k-1)的设备数量相加得到实际故障设备总数q1，进而得到故障预测准确率f，f＝q1'/q1；
将k≤k-1的各次预测运行状态为正常，即c'k＝0(k≤k-1)的设备数量相加得到预测正常设备总数q0'，将k≤k-1的各次实际运行状态为正常，即ck＝0(k≤k-1)的设备数量相加得到实际正常设备总数q0，进而得到正常预测准确率r，r＝q0'/q0；
f、风险费用评估
风险费用s，即当次维修至下次维修前多余花费的设备维护费用，由下式得出：
s＝[q'k0×(1-r)/r]×s1+[q'k1×(1-f)/f]×s2
其中，s1为对一台设备维修时的故障检测费用，s2为一台设备未对其进行维修检测但在下次维修前发生故障的净损失,q'k0为第k次维修(当前拟进行的维修)设备预测运行状态为正常即c'k＝0的设备数量，q'k1为第k次维修(当前拟进行的维修)设备预测运行状态为故障即c'k＝1的设备数量；
g、最佳维修方案的获得
取不同的健康指数修正值b，重复d到f步的操作，算出不同健康指数修正值b下的风险费用s值；比较各个风险费用s值得到最小风险费用值s0，最小风险费用值s0对应的健康指数修正值b即为最佳健康修正指数b0；由最佳健康修正指数值b0下的各设备的预测运行状态c'k，得出的各设备当前拟进行维修的维修方案即为风险费用最小的最佳维修方案；
最后，最佳维修方案与固定周期维修方式的费用差sp，sp＝q'k0×s1-[q'k1×(1-f)/f]×s2；该费用差即为较之于固定周期维修方式，最佳维修方案节约的费用sp。
与现有技术相比，本发明的有益效果是：
一、本发明通过引入健康指数修正值、得到修正运行状态预测值；再由历史各次维修时设备的修正运行状态预测值与实际状态值进行比较得到预测的准确率，进而得到维修方案的风险费用(维修中多余花费的费用)；再通过不同健康指数的迭代运算得出风险费用最小的健康修正值及最佳维修方案。
与将贝叶斯网络分类器模型得出的各设备正常状态的后验概率与故障状态的后验概率相减，直接得出各设备的预测运行状态及其维修方案的现有技术相比。本发明通过健康指数迭代得出的风险费用最小的维修方案，降低了预测结果的误差，提高了对各设备的状态预测准确率，节约的维修费用明显增多。
二、本发明直接的、量化的给出了最佳维修方案的预测结果准确率及其与固定周期维修方式相比，节约的维修费用。即给出了最佳维修方案到底提高了多少可靠性，降低了多少维修成本，能够充分说服维管单位人采用，易于推广实施。
具体实施方式
下面结合具体实施方式对本发明做进一步的详细说明。
实施例
本发明的一种具体实施方式是，一种基于风险费用预测的牵引供电设备维修方法，其步骤为：
a、输入数据
将历史维修记录中各牵引供电设备的各次维修时的设备实际运行状态值ck及各次维修时的环境温度值x1k、冰雪值x2k、降雨值x3k、雷电值x4k、风速值x5k、载荷值x6k、人为因素值x7k共七个影响变量值输入系统；其中，k为维修的次数序号，k＝1,2,…,k-1；k为当前拟进行维修的次数序号，ck＝0,1；ck＝0表示第k次维修时该设备正常，ck＝1表示第k次维修时该设备故障；
b、获取运行状态信息的概率
将七个影响变量作为贝叶斯网络的节点证据变量，构建出贝叶斯网络分类器模型；将各设备各次维修时的实际运行状态值ck和各次维修时的七个影响变量值代入贝叶斯网络分类器模型，得到七个影响变量与设备运行状态c的后验概率p(c|x1,x2,...,x7)；进而求出七个影响变量共同作用下设备运行状态c为故障的后验概率p(c＝1|x1,x2,...,x7)和七个影响变量共同作用下设备运行状态c为正常的后验概率p(c＝0|x1,x2,...,x7)；其中，x1,x2,...,x7分别表示影响变量：环境温度、冰雪、降雨、雷电、风速、载荷、人为因素；
c、后验概率的计算
根据第k次维修时的七个影响变量值x1k,x2k,...,x7k和b步骤的七个影响变量共同作用下的设备故障的后验概率p(c＝1|x1,x2,...,x7)，得到第k次维修时的设备运行状态为故障的后验概率pk(c＝1|x1k,x2k,...,x7k)，其中，k＝1,2,…,k；
根据第k次维修时的七个影响变量值x1k,x2k,...,x7k和b步骤的七个影响变量共同作用下设备正常的后验概率p(c＝0|x1,x2,...,x7)，得到第k次维修时设备运行状态为正常的后验概率pk(c＝0|x1k,x2k,...,x7k)，其中，k＝1,2,…,k；
d、运行状态预测及维修方案制定
将第k次维修的设备运行状态为正常的后验概率pk(ck＝0|x1k,x2k,...,x7k)减去第k次维修的设备运行状态为故障的后验概率pk(ck＝1|x1k,x2k,...,x7k)得到第k次维修的设备健康指数b；如第k次维修的设备健康指数b>健康指数修正值b，则第k次维修时该设备的预测运行状态c'k为正常，即c'k＝0；否则，第k次维修时该设备的预测运行状态c'k为故障，即c'k＝1；其中，k＝1,2,…,k；
维修方案的制定：当c'k＝1时，当前拟进行的维修，需对该设备进行维修；当c'k＝0时，当前拟进行的维修，不对该设备进行维修；
e、预测准确率的计算
将k≤k-1的各次预测运行状态为故障，即c'k＝1(k≤k-1)的设备数量相加得到预测故障设备总数q1'；将k≤k-1的各次实际运行状态为故障，即ck＝1(k≤k-1)的设备数量相加得到实际故障设备总数q1，进而得到故障预测准确率f，f＝q1'/q1；
将k≤k-1的各次预测运行状态为正常，即c'k＝0(k≤k-1)的设备数量相加得到预测正常设备总数q0'，将k≤k-1的各次实际运行状态为正常，即ck＝0(k≤k-1)的设备数量相加得到实际正常设备总数q0，进而得到正常预测准确率r，r＝q0'/q0；
f、风险费用评估
风险费用s，即当次维修至下次维修前多余花费的设备维护费用，由下式得出：
s＝[q'k0×(1-r)/r]×s1+[q'k1×(1-f)/f]×s2
其中，s1为对一台设备维修时的故障检测费用，s2为一台设备未对其进行维修检测但在下次维修前发生故障的净损失,q'k0为第k次维修(当前拟进行的维修)设备预测运行状态为正常即c'k＝0的设备数量，q'k1为第k次维修(当前拟进行的维修)设备预测运行状态为故障即c'k＝1的设备数量；
g、最佳维修方案的获得
取不同的健康指数修正值b，重复d到f步的操作，算出不同健康指数修正值b下的风险费用s值；比较各个风险费用s值得到最小风险费用值s0，最小风险费用值s0对应的健康指数修正值b即为最佳健康修正指数b0；由最佳健康修正指数值b0下的各设备的预测运行状态c'k，得出的各设备当前拟进行维修的维修方案即为风险费用最小的最佳维修方案；最后，最佳维修方案与固定周期维修方式的费用差sp，
sp＝(q'k0+q'k1)×s1-[q'k1s1+[q'k1×(1-f)/f]×s2]＝q'k0×s1-[q'k1×(1-f)/f]×s2；该费用差即为较之于固定周期维修方式，最佳维修方案节约的费用sp。
显然，本发明中第k(k＝1,2,…,k-1)次维修时实际故障即ck＝1的设备数量为：第k次预测为故障且维修时实际发现故障的设备数量与第k次预测为正常但在第k+1次维修前实际发生故障的设备数量之和。本发明中第k次维修时实际正常即ck＝0的设备数量为：将第k(k＝1,2,…,k-1)次预测为正常且第k+1次维修前没有发生故障的设备数量与第k次预测为故障但第k次维修时没有发现(检测出)故障的设备数量之和。
本发明中x1,x2,...,x7七个影响变量取值如下表：