城市軌道交通制動系統PHM技術 研究與應用

　　摘 要：通過分析城市軌道交通制動系統PHM技術應用現狀，結合PHM建設理念，介紹如何在城市軌道交通制動系統開展PHM技術研究與應用。提出制動系統PHM目標及架構，從數據采集與處理、異常檢測、故障診斷及故障預測方面對制動系統PHM主要功能進行闡述，并結合相關案例進行說明。

　　關鍵詞：城市軌道交通;車輛;制動系統;PHM;故障診斷;故障預測

　　《現代城市軌道交通》(雙月刊)創刊于2004年，由鐵道部主管、鐵道部科學技術信息研究所和鐵科院(北京)工程咨詢有限公司主辦。

　　1 制動系統PHM應用現狀分析

　　故障預測與健康管理系統 (Prognostic and Health Management，PHM)是指利用傳感器采集和分析系統運行狀態數據，以提供先進的故障診斷和預測行為，進而能夠預測未來的健康狀況、問題的出現及需要的維修行為;基于診斷/預測信息、可利用資源和運行要求，對維修和后勤活動做智能、充分和適合的決策，從而在產品設計、生產、檢驗、運行、維護、配置等整個生命周期過程中體現出管理成本效益。簡單地說，PHM就是借助各種算法和模型，找到故障表象與故障原因之間的關系，推導出設備故障的原因及故障部位，并對故障征兆趨勢進行跟蹤，對未來可能發生的故障進行預測，并通過維修決策合理調配維修保障資源，從而制定出最佳維修保障方案。PHM項目的研發與應用，可在成本優化、運營效率提升、運營安全性及運營品質提升等方面獲得卓越成效，將為城市軌道交通帶來顯著的經濟效益和社會效益。

　　制動系統作為行車安全的關鍵子系統，承擔著保證列車安全、可靠停車的重要職能。隨著現代工業技術尤其是傳感器、嵌入式系統、網絡通信技術、基于大數據的信息技術的迅速發展，制動系統的智能化管理、智能化診斷已經逐步開始應用。在極大地降低司機和軌道車輛運維人員工作強度的同時，提高產品的可維護性及可用性，實現軌道交通裝備的預測性維護、遠程診斷監控維護與全生命周期管理。設備維修方式也逐漸由定期維修轉變為狀態維修。

　　目前國內外城軌車輛制動系統均具備系統自診斷功能，但是不同制動系統的診斷覆蓋率不盡相同。故障診斷和維修維護方面主要存在以下不足。

　　(1)故障排查存在缺陷。制動系統很多故障，例如抱死、制動力不足等存在著多系統耦合的情況，因此僅靠制動系統的自身判斷很難快速進行故障定位。

　　(2)無法實現故障的中間狀態預警。目前制動系統的診斷條件只能等故障影響到一定程度后才能發現故障，即只有“正常”、“故障”2種狀態判斷。

　　(3)維護模式存在缺陷。目前制動系統存在著維修不足或維修過剩的現象，無法對產品的壽命進行預測。

　　2 制動系統PHM建設理念

　　2.1 系統目標

　　將PHM技術應用在城市軌道交通車輛制動系統中，應充分考慮車輛的實際運行環境以及制動系統的產品特點，結合現有的設計理念、運營方式以及維護體制等內容，對多樣、繁雜的數據進行失效物理、機器學習以及專家知識等多技術的融合分析，以期達成以下目標。

　　(1)針對系統中搜集的海量數據，建立統一的數據管理平臺，研究大數據背景下的數據分析方法，實現對制動系統中數據的有效處理、分析和綜合應用。

　　(2)結合產品PHM技術研究，對產品運行全壽命周期中已出現的故障實現精確快速定位;對潛在的故障或異常進行提前告警，實現故障預測。

　　(3)從制動系統眾多狀態參數中，提取表征制動系統狀態的參數指標，建立制動系統健康狀態評價指標體系，并對其健康狀態分級。

　　(4)綜合運維體系中的各個環節因素，例如人員、備件、站點、維護等，研究最優組合，形成完善的制動系統運維解決方案。

　　2.2 系統架構

　　依據制動系統PHM建設目標，構建制動系統PHM架構，如圖1所示。制動系統車載PHM單元對綜合采集到的數據進行故障診斷、系統自評價以及故障預警、預測，并將原始數據、狀態信息以及故障信息發送至車輛端車載PHM系統，數據由車輛端PHM系統經整車廠地面PHM系統整理后通過互聯網發送至制動系統地面PHM平臺。

　　制動系統地面根據預先定義的數據視圖將數據歸類以便進行大數據分析和機器學習，找尋故障、分析關聯、預測故障，通過企業接口系統接入專家系統以協助分析;在控制中心查看外部資產性能、故障趨勢及內部相關流程、告警、現場維修狀態、資源等。

　　3 制動系統PHM主要功能

　　制動系統PHM技術主要包含數據采集與處理、異常檢測、故障診斷和故障預測功能，下面將重點介紹這4個功能。

　　3.1 數據采集與處理

　　制動系統的信號采集主要覆蓋制動系統的關鍵部位，目前城市軌道交通車輛制動系統各相關部件信號采集內容如表1所示。

　　3.2 異常檢測

　　制動系統常見的異常檢測故障有抱死故障、摩擦制動施加故障、摩擦制動緩解故障、速度傳感器故障、防滑閥故障、壓力傳感器故障、指令類故障、控制類故障、功能性故障、通信類故障等。

　　現有的故障診斷均為邏輯性診斷，具有安全導向、事后檢測、實時性差、精確度低等特點，結合現有的數據現狀、異常檢測的方法可逐步向故障預警進行過渡。如針對摩擦制動施加/緩解等系統級異常，以制動缸壓力為最終表征。車輛制動過程中，制動缸壓力數據是動態的、大量的，因此如何挖掘出制動缸壓力數據的特征就指向于如何使用簡易的方式表達該段數據。針對制動缸壓力的數據特性，將制動缸壓力過程分為系統響應、建立、穩定3個階段。針對每個階段的特性，使用8個特征量(表2)表達制動的時序數據。

　　針對多次制動的特征量進行自相關對比，借助機器學習、專家經驗等確定異常的原因，持續積累經驗形成樣本，逐步形成自動化的系統異常檢測和原因分析。

　　3.3 故障診斷

　　故障診斷的目的是快速定位故障及其失效模式，提升維修分析的效率，城市軌道交通車輛制動系統目前的故障診斷已具備快速排查大部分故障的能力，但仍存在以下缺陷：

　　(1)系統級故障檢測較多，部件級故障定位自動化程度低;

　　(2)人工排查程序規范化程度低，多數依靠專家經驗現場分析。

　　由于制動系統存在數據樣本量小、系統學科性復雜等特點，傳統的基于機器學習的故障分析、聚類的診斷推理在精確度方面存在較大瓶頸，因此如何結合機理及數據分析技術成為城市軌道交通車輛制動系統故障診斷領域的重點研究方向。

　　常見的故障診斷內容包括電路板故障、閥類故障、傳感器故障、管路泄漏故障、連接器故障、通信類故障。這些故障種類在很多時候其信號的表征是深度耦合的，因此如何進行診斷定位是制動系統較為特有的需求方向。

　　以常見的抱死故障為例，其可能的故障原因有以下3種：①速度傳感器故障;②軸抱死;③電路板故障。由于抱死的后果較為嚴重，往往對車輛運營產生影響，因此需要對以上的故障原因進行快速診斷及定位。筆者針對以上的故障原因，采用卡爾曼濾波方法進行研究。卡爾曼濾波算法核心是運用遞歸算法來達到最優狀態估計，利用前一時刻的估計值和現時刻的觀測值來更新當前狀態變量的估計值，結合殘差判斷故障及佩特里(Petri)網等技術進行故障診斷，進而將速度信號自身的故障和真實的軸抱死故障進行區分。其算法流程如圖2所示。

　　3.4 故障預測

　　故障預測一般有2種方法，一種是基于已有的產品壽命模型進行預測，一種是基于歷史數據建立模型進行預測。

　　3.4.1 基于已有產品的壽命模型

　　在城市軌道交通行業中，產品的實際運用很難得到全壽命周期的特性數據，因此如需得到較為完整周期的模型，有仿真和實驗2種方法獲取數據。仿真的成本較低，可以通過仿真實現多種故障注入的驗證，由此獲得產品不同的響應特性數據。

　　仿真的局限性在于其研究成果很大程度上依賴于模型的精確程度以及對于產品失效機理的理解深度，目前應用比較廣泛的是采用可靠性實驗技術開展一定樣本量的產品加速壽命實驗，實時監測全實驗過程的產品性能退化特征，利用基于相似性建模的方法進行故障預測，常用的加速壽命實驗模型有以下2種。

　　(1)溫度加速模型：

　　(1)

　　式(1)中， AFT是溫度加速因子，E是活化能，k是玻爾茲曼常數， T1是典型工作絕對溫度， T2是加速試驗絕對溫度。該加速模型被廣泛的應用在各種溫度加速測試里，包括MIL-STD-217和Telcordia SR332 可靠性預計標準。同時也被運用在MIL-STD-883，IEC 60025-2 的可靠性測試和壽命驗證方法中。

　　(2)溫濕度加速模型 (Peck’s Model)綜合了溫度和濕度加速模型，可以提高加速因子，減少測試時間。其加速模型公式如下：

　　(2)

　　式(2)中， AFH是濕度加速因子， H1是使用環境相對濕度， H2是加速試驗環境相對濕度，n是未知模型參數，由腐蝕特性決定，一般取值1～5。

　　目前大部分產品都采用溫濕度測試加速模型，而且在電子元器件和半導體領域，已經形成了標準，為各個國家各個領域所共同遵守。這些標準包括 EIA/JSTD 22-A 101-B 恒溫恒濕壽命測試。

　　3.4.2 基于歷史數據的預測模型

　　預測是在了解和掌握系統的運行狀態及狀態變化規律的基礎上，根據一定的預測方法推測其狀態的變化趨勢，估計故障的傳播、發展和系統的性能劣化趨勢，是進行事故預防、實現視情維修和健康管理的重要手段。其中基于數據驅動的故障預測方法主要利用設備的歷史工作數據、故障注入數據以及仿真實驗數據等，通過各種數據分析處理算法進行趨勢預測，是目前應用比較廣泛的預測方法。

　　基于數據驅動的故障預測是數據采集、特征提取、趨勢預測、故障識別的過程(圖3)，主要分為以下3個步驟。

　　(1)預測樣本數據準備和預測模型訓練。將監測到的設備狀態數據進行分析、特征提取后形成歷史數據，結合故障注入數據或仿真數據等其它數據，構建用于故障預測的訓練樣本，并進行預測模型的訓練。

　　(2)趨勢預測。將監測到的潛在故障狀態信息進行分析處理，利用第一步所建立的模型進行狀態變化趨勢和系統性能劣化趨勢預測，得到表征設備將來狀態的特征趨勢數據。

　　(3)潛在故障識別。利用預測得到的特征趨勢數據進行故障模式識別，預測設備未來可能發生的故障或設備的剩余壽命。

　　基于數據驅動預測的典型方法有時間序列分析、灰色模型預測、隱馬爾可夫模型預測、神經網絡預測和支持向量機預測等，優缺點如表3所示。由于預測本身具有不確定性，需要提高預測的精度和穩定性，采用混合預測方法和組合預測方法的故障預測逐步得到應用，也是故障預測技術發展的必然趨勢。

　　4 結束語

　　以城市軌道交通發展現狀為基礎，提出城市軌道交通制動系統的PHM架構，論述了PHM的主要功能，并結合相關案例進行了說明。但城市軌道交通制動系統PHM技術仍處于起步階段，隨著未來工業互聯網的深化應用，其工程應用的可行性及其能效將逐步體現，同時伴隨城市軌道交通行業智能運維技術的逐步推廣，制動系統PHM技術將成為產品的核心競爭力。

　　參考文獻

　　[1] 王玘，何正友，林圣，等. 高鐵牽引供電系統PHM與主動維護研究[J]. 西南交通大學學報，2015，50(5)：942-952.

　　[2] Sun B，Kang R，Xie J. Research and application of the prognostic and health management system[J]. Systems Engineering and Electronics，2007，29(10)： 1762-1767.

　　[3] Farhat A，Guyeux C，Makhoul A，et al. On the coverage effects in wireless sensor networks based prognostic and health management[J]. International Journal of Sensor Networks，2018，28(2)：125-138.