一种基于数字孪生技术的列车EP阀退化预测方法

本发明涉及ep阀退化预测，尤其是涉及一种基于数字孪生技术的列车ep阀退化预测方法。

背景技术：

1、epla电空变换阀(ep阀)作为动车组制动系统的关键驱动部件，其性能的好坏直接影响着列车制动性能的可靠性。在ep阀退化的早期阶段，系统闭环控制策略可以实时调整输入来实现目标输出的鲁棒控制，所以只依靠输出端压力传感器很难及时检测和识别到ep阀的早期退化特征。当压力传感器能检测到故障信号时，说明ep阀退化程度已经严重到无法再通过闭环控制策略实现鲁棒控制和调节，此时列车的制动性能往往会迅速下降，这可能会引起严重的事故和不必要的经济损失。因此，对ep阀退化过程的有效预测是动车组电空制动系统健康管理与智能运维中亟需解决的重要问题。

2、现有的ep阀状态监测方法主要分为两类，分别是基于离线测试的方法和基于在线监测的方法。其中，离线测试虽然是最直接有效的方法，但测量直接反映健康状态的相关参数是一项费时费力且成本高昂的工作，并且在许多情况下很难定期中断正在运行的设备以获取这些数据；相反，在线监测方法则是基于相对容易获取的连续电信号来提取退化特征，从而间接反映ep阀的健康状态，但这种纯数据驱动的方法需要依赖大量的历史数据和标记样本，然而由于ep阀的高可靠性特点(其设计使用寿命为20-30年)，在实际分析和应用时往往缺少故障部件和故障数据。

技术实现思路

1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于数字孪生技术的列车ep阀退化预测方法，解决离线测量成本高昂、在线监测故障数据缺失、预测准确度受限、物理特性复杂、故障机理未知等实际问题，通过孪生模型仿真数据和物理实体测试数据信息交互来实现数字孪生体对物理实体的动态跟踪，从而有效地监测和预测列车ep阀的退化过程。

2、本发明的目的可以通过以下技术方案来实现：

3、一种基于数字孪生技术的列车ep阀退化预测方法，包括以下步骤：

4、根据列车ep阀结构建立ep阀仿真模型，并根据列车ep阀结构的物理实体信息校正所述ep阀仿真模型的结构参数；

5、对所述列车ep阀结构进行在线加速退化试验，得到在线测试的历史运行数据；对所述列车ep阀结构进行离线制动性能测试，得到离线测试数据；

6、基于所述在线测试的历史运行数据建立电磁线圈直流电阻初始退化模型；

7、采用所述电磁线圈直流电阻初始退化模型分阶段进行退化趋势预测，并同时对各阶段进行在线加速退化试验，得到对应的测量数据，从而根据各阶段的退化趋势预测数据和测量数据修正和更新电磁线圈直流电阻初始退化模型；

8、采用更新后的电磁线圈直流电阻初始退化模型计算实时的等效线圈匝数，并更新ep阀仿真模型的结构参数，从而通过更新后的ep阀仿真模型进行退化预测，并通过所述离线测试数据对退化预测结果进行验证。

9、进一步地，所述根据列车ep阀结构建立ep阀仿真模型的过程具体为：

10、对列车ep阀结构划分为电磁部分和气动部分；

11、对电磁部分进行参数化建模，并分别进行电-热耦合仿真和电磁场仿真；

12、对气动部分进行结构建模。

13、进一步地，所述电-热耦合仿真过程中的热传导分析方式、热对流分析方式，以及电阻和温度的关系的表达式为：

14、

15、pc＝kc·δt·a

16、

17、式中，jt为热流密度，κ是热传导系数，dt/dx、dt/dy、dt/dz分别为x、y、z方向的温度梯度，分别为x、y、z方向的热流变量；pc是自然对流散热功率，kc为对流散热系数，δr为发热体表面和流体介质之间的温差，a为散热面积；表示t2温度下的电阻值，表示t1温度下的电阻值，α表示电阻的温度系数。

18、进一步地，所述电磁场仿真的电磁场分析方式的表达式为：

19、

20、式中，jz(x,y)是电流流动截面的电流密度，az(x,y)为矢量磁位a的z轴分量，ur是材料的相对磁导率，u0是真空中的磁导率，为hamilton算子。

21、进一步地，所述在线加速退化试验过程中，采集有ep阀的连续电信号数据，作为所述在线测试的历史运行数据；

22、所述离线制动性能测试过程中，采集有不同退化阶段ep阀在1-7级制动和紧急制动下的开环ac输出压力，作为所述离线测试数据。

23、进一步地，建立所述电磁线圈直流电阻初始退化模型的过程包括：

24、构建反映电磁线圈直流电阻退化趋势的经验参数模型；

25、将所述在线测试的历史运行数据中的退化开始的时刻标记为t0，当退化过程进行到t1时刻时，将t0-t1阶段的在线测试的历史运行数据作为历史数据，采用最小二乘法对经验参数模型进行参数辨识，从而得到t1时刻所对应的电磁线圈直流电阻初始退化模型。

26、进一步地，所述反映电磁线圈直流电阻退化趋势的经验参数模型的表达式为：

27、dcr(pre)(t)＝a·exp(b·t)+c·exp(d·t)

28、式中，dcr(pre)(t)为t时刻的线圈直流电阻的预测值，t为退化时间，a、b、c、d是与前期退化趋势相关的参数，exp(·)为指数函数。

29、进一步地，所述根据各阶段的退化趋势预测数据和测量数据修正和更新电磁线圈直流电阻初始退化模型的过程具体包括以下步骤：

30、利用t1时刻所对应的电磁线圈直流电阻初始退化模型预测t1-t2阶段的退化趋势，得到预测数据；

31、继续进行在线加速退化试验，获取t1-t2阶段的测量数据，将所述预测数据与测量数据比较，若平均误差小于预设的误差阈值，则完成电磁线圈直流电阻初始退化模型的更新，否则采用t0-t2阶段的在线测试的历史运行数据更新t1时刻所对应的电磁线圈直流电阻初始退化模型。

32、进一步地，更新所述电磁线圈直流电阻初始退化模型的过程中，采用带自适应遗忘因子的加权最小二乘法重新进行参数辨识，对应的计算表达式为：

33、

34、λ(k)＝λ0+p·(k-1),k＝1,2,...,m,...,s

35、式中，λ为调节遗忘程度的指标，n为历史样本的采样点数，l为新一阶段样本的采样点数，dcr(exp)为线圈直流电阻的实验测量值，dcr(pre)为线圈直流电阻的预测值，为新一阶段样本的采样点，ymin为目标函数；

36、所述电磁线圈直流电阻初始退化模型更新后的参数解的求取过程包括：

37、令g＝rmse[dcr(pre,λ(k))(t),dcr(exp)(t)]，假设在第m次迭代时可以得到g的最小值：则在第m次迭代时的解am、bm、cm、dm为本次更新的最终解；所述g的最小值的表达式为：

38、

39、式中，am、bm、cm、dm为第m次迭代时的与前期退化趋势相关的参数。

40、进一步地，所述进行退化预测的过程包括：采用更新后的电磁线圈直流电阻初始退化模型提前预测下一阶段的退化数据，从而更新ep阀仿真模型中的对应结构参数，通过更新后的ep阀仿真模型获得ep阀在下一阶段的退化预测结果。

41、与现有技术相比，本发明具有以下优点：

42、(1)本发明无需定期中断正在运行的设备来进行离线测试，减少了大量的人力物力，降低了ep阀健康监测的成本和人工检测的复杂程度；

43、(2)本发明克服了纯数据驱动方法的弊端，无需依赖大量的历史数据和标记样本，在实现在线监测的同时还降低了计算的复杂度；

44、(3)本发明提出了一种带自适应遗忘因子的退化模型，通过定期更新结构参数退化模型，提高了退化预测的准确性；

45、(4)本发明即使在训练样本较少的情况下，依然能准确地连续预测ep阀的退化过程，提高了基于预测性健康管理维护的实用性。