高速列车的异常状态往往涉及列车集群、系统集群、部件集群等多个层次, 各个层次之间的状态特征相互关联, 使得故障预测和定位变得极为复杂.因此, 开展高速列车智能诊断和故障预测的研究, 需要对实时状态数据进行特征提取和预处理, 深入挖掘列车运行积累的历史数据, 建立系统的故障预测数学模型, 对部件、系统和列车层次的特征数据及关联关系进行监测和逻辑推导.高速列车智能诊断与故障预测系统主要由车载PHM系统、车地数据传输系统、地面感知系统、地面PHM系统4个要素组成, 系统架构如图1所示.

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 高速列车智能诊断与故障预测系统架构.Fig.1 System architecture of intelligent diagnosis and prognostics in high speed train

车载PHM系统采用分布式结构, 用于感知从零部件级到子系统级及整车不同层次的状态信息, 完成实时数据融合、清洗、特征提取及存储等工作.根据数据处理后的状态特征, 车载PHM系统对列车状态进行预处理, 包括故障诊断、健康评估和智能决策, 并将状态特征和预处理结果通过车地数据传输系统反馈到地面PHM系统.地面PHM系统接收来自列车集群的运行数据, 对列车集群进行差异性评估与分析, 对运行数据中的相关性和因果性等关系进行挖掘, 进而训练和优化车载PHM系统中的分析模型.

车地数据传输系统利用无线网络将车载PHM的实时诊断结果和车辆关键状态数据发送至地面PHM系统.

信息感知系统用于感知地面设施、车辆状态、环境气候等信息并发送至地面PHM系统, 主要包括:1)反映部件自身状态的物理信息, 如轴承的温度、振动及牵引电机的电压、电流等物理量; 2)反映车辆状态或性能, 如平稳性、舒适性等的物理信息和车辆的位置及环境信息; 3)反映部分地面设施的信息, 如轨道、电网及轨道环境的物理信息; 4)反映车辆设计、试验或检修相关参数的数据.

地面PHM系统接收来自信息感知系统的车辆状态数据、运维环境数据、设计和制造数据等, 进行清洗、转换、存储之后, 基于已构建的分析模型对实时数据流进行处理, 实现从列车集群到关键零部件的精确故障预测与健康管理.同时通过大数据分析对非实时数据进行知识挖掘, 作为优化PHM模型的依据.地面PHM应用平台包含可视化展示及决策支持等, 能够及时实现与运营管理层面的信息交互, 将地面PHM系统分析结果反馈给车载PHM系统, 同时指导列车的设计改进、智能制造和检修维护环节.

高速列车整车、子系统或部件的智能诊断和故障预测模型是根据其自身固有属性、逻辑和功能, 通过数学方法进行抽象表达建立的可分析模型.建立模型后, 通过不断完善和改进模型的关联参数, 最终能够实现对整个轨道交通装备制造领域从产品设计到运营维护等各个环节的优化.

高速列车智能诊断与故障预测技术通过感知关键部件、核心系统、整车以及地面设施、外部环境等各类信息, 利用特定的通信手段将数据进行传输, 完成数据转换、存储、特征提取等分析工作.然后, 车载和地面PHM模型按照不同的流程分类处理实时数据和历史数据, 完成列车集群、车辆、子系统和关键部件不同层次的故障诊断、预测与健康管理, 进而形成运维决策.最后, 利用可视化手段显示诊断结果, 推送相关信息, 完成故障管理的闭环, 具体流程如图2所示.其中, 图2(a)与高速列车智能诊断和故障预测系统整体架构相对应, 是建立智能诊断和故障预测模型的一般流程.提取该流程的关键节点可以得到图2(b).由图2(b)可知, 根据整车、子系统或部件的各自特点建立智能诊断和故障预测模型需要考虑的环节包括数据采集、数据分析、综合诊断和信息反馈.高速列车智能诊断与故障预测模型通过传感器网络以规定频率和参数采集相应数据后, 对数据进行特征提取和预处理, 对列车单一或一组异常特征进行实时应急响应.数据分析提取的特征同时作为历史数据和关联数据为列车的综合诊断提供数据支撑.列车综合诊断内容包括列车部件剩余寿命预测, 潜在故障信息推导, 潜在故障源定位, 问题原因分析等.故障预测流程的最后环节是形成决策, 并反馈至相关责任方, 直到潜在故障关闭.

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 高速列车智能诊断和故障预测分析流程Fig.2 Analysis procedure for intelligent diagnosis and prognostics in high speed train

当前基于高速列车平台开展的智能诊断与故障预测研究已经涵盖了走行部、车门系统、牵引和制动系统、列车控制网络等各个系统.车辆状态数据由监测主机实时监测高速列车运行过程产生, 数据经过车载PHM系统分析和预处理后, 分析结果传递到包括动车运用所、地面PHM中心等在内的地面维护中心.高速列车服役性能长期跟踪监测采集到了大量运行历史数据, 这些数据具有增加速度快、价值密度低等特征.处理这些庞大的数据并挖掘出能反映高速列车运行状态的模型与特征, 利用传统的故障分析方法在诊断速度和处理能力上很难满足需要.基于此, 将高速列车智能诊断与故障预测技术与云计算相结合起来, 利用Apache Hadoop开发出了一套跨集群的云计算平台, 允许分布式处理大型数据集^[22].依托大数据分析技术和云平台架构, 列车智能诊断与故障预测系统通过搭建关键部件健康度及剩余寿命等关联模型, 挖掘轨道交通装备全寿命周期数据, 并将计算结果反馈至传感器布置和车辆设计, 优化智能诊断模型和车辆维修计划, 提高车辆维修效率.

中国高速列车设置的各类传感器及状态反馈器件的监测范围基本涵盖了列车的关键系统和主要设备, 按照功能可以分为安全保障、系统控制保护和服务设施状态监视3大类, 通过采集压力、温度、继电器状态等信息, 实现故障预警、设备监控、数据记录等功能, 保障列车和子系统的安全运营.

2.1 轴温预警智能诊断模型

以走行部轴承可靠性监测为例介绍高速列车智能诊断与故障预测系统的运行过程.轴承可靠性监测系统通过实时监测转向架上轴箱、齿轮箱、牵引电机轴承的温度和振动状态, 利用大数据处理技术及人工智能方法对数据进行分析, 实现对相关部件早期故障的识别和定位, 避免事故发生^{[23, 24, 25]}.

轴承可靠性监测设备由轴承监测主机、传感器网络及线缆组成, 如图3所示.转向架及牵引传动系统轴承监测主机采集各轴承和电机的温度、振动信息, 并对温度和振动数据进行分析, 提取特征参数.当特征参数超过预警或报警值时, 监测主机将预警信息通过列车控制网络发送给人机交互界面(Human Machine Interface, HMI)显示, 并发送到车载无线传输装置(Wireless Transformation Device, WTD)记录, 列车控制网络根据预警级别判断是否采取限速或制动等预处理措施.WTD装置用于实现数据的本地存储, 并将列车运行状态信息及特征参数等实时发送至地面.WTD装置本地记录的数据还可以通过WLAN自动下载至动车运用所的地面服务器, 为地面PHM系统实现列车状态的智能化健康诊断提供数据支持.地面PHM系统根据建立的故障预测模型对收到的实时轴温和振动数据进行故障预测, 并对历史数据进行深入挖掘, 不断完善智能诊断和故障预测模型.地面PHM系统的诊断结果反馈至列车制造商及运营商大数据中心, 用于车辆的修程制定、设计改进及调度安排等.

图3

Framework of bearing monitoring system

	Figure Option ViewDownloadNew Window
	图3 轴承可靠性监测系统框架.Fig.3

轴承可靠性监测和预警是一种典型的无监督条件下的故障诊断问题, 即只以历史正常数据的特征为依据, 来判断系统是否存在潜在故障.对此类异常检测和诊断问题进行建模分析, 主要难点在于如何提取有效特征来显著区分系统的正常状态和异常状态.按照智能诊断和故障预测的一般流程, 该问题可按照基于多维度特征融合的方法进行解决.

轴承可靠性监测模型构建阶段, 特征提取模块从历史数据中提取能够有效表达数据特点的特征, 然后利用提取到的时序特征建立趋势预测模型, 从而获得系统正常工作时, 运行数据隐含特征的时序关联性关系.

在系统运用阶段, 将实测数据输入特征提取模块提取数据特征, 然后将实测数据的特征表达输入趋势预测模型, 判断该实测数据特征是否符合正常数据的预测趋势, 并根据判定结果对是否进行预警做出决策.

定义一维数组两点之间的实际距离为其欧式距离, 在该例中, 对以下4组特征值进行分析:

特征值λ 1为两两轴承数据间的欧式距离, 取均值; 特征值λ 2、λ 3、λ 4分别为两两轴承数据均值间、方差间、峰值间的欧式距离, 求和;

融合特征值λ 为对上述特征值的和, 设定每个采集点一个采集周期内的数据个数为L, 轴承数量为K, 则第m轴承的第n个采样数据可记为σ mn, 其中m∈ [1, K], n∈ [1, L], 用i, j标记中间变量, 特征值计算方法如下:

记某个轴承与其他轴承数据的特征值和为Dm.

用i标记中间变量, 则该轴位置发生故障的相对概率P_m可以表达为

$\ P_{m}=D_{m}^{3}/$$\ \sum\limits_{i=1}^{m}D_{i}^{3}$ (3)

2.2 故障预测及诊断结果

某型号动车组轴承可靠性监测系统成功对潜在轴承故障进行了预测, 避免了事故的发生.在该案例中, 故障预测模型对列车运行的轴承温度实时数据和历史数据进行了分析, 其中包括:1)车载PHM系统对车载实时数据进行分析, 得到了多个轴发生故障的相对概率, 当某一轴的故障发生概率明显高于其他轴时, 即可实现潜在故障的预处理和定位; 2)地面PHM系统借助大数据处理平台对历史数据综合分析, 将轴温融合特征作为差异指标, 根据其变化曲线实现了对潜在故障的预测.

取故障预警当日和预警前一段时间的12组数据进行说明, 其中故障预警当日(2017-06-03)的数据1组, 故障预警前的数据11组; 每组数据分别来自四路信号:1轴、2轴、3轴、4轴齿轮箱(潜在故障位置), 如图4所示.

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 列车轴温数据采集位置Fig.4 Data acquisition position of axle temperature

故障预测模型通过实时数据分析得到的故障轴概率如表1所示, 由表可知, 4轴齿轮箱发生故障的相对概率明显高于其他轴, 故障预警当日超过70%.通过地面大数据处理平台对历史数据分析得到的融合特征变化曲线如表1中融合特征值λ 所示, 在故障预警前4日融合特征值持续异常升高, 超出合理范围(λ =2500), 最终引起了轴承潜在故障预警.

表1

Tab.1

表1(Tab.1)

表1 车载轴温实时数据分析 Tab.1 Analysis of on-board real-time bearing temperature data 日期 λ 故障轴概率P_m/% 1轴 2轴 3轴 4轴 2017-05-30 2760 11.87 26.15 12.31 49.67 2017-05-31 6360 13.95 24.94 11.24 49.87 2017-06-01 7020 8.2 33.42 14.13 44.26 2017-06-02 9100 17.79 11.39 3.23 67.59 2017-06-03 (故障预警日)— 3.86 13.87 12.02 70.25

表1 车载轴温实时数据分析 Tab.1 Analysis of on-board real-time bearing temperature data

为方便对诊断结果进行验证, 首先选用故障日期当天以及故障发生日前两天共3日的数据, 车轴温度3天的原始数据如图5所示.可以明显观察到当故障发生时, 车轴组的第4路信号表现出了不同的变化规律, 该曲线从下午1点30分后明显高于其他3路信号, 一直持续到车辆降速停止运行。轴温变化曲线表明, 4轴齿轮箱轴承温度出现异常, 验证了轴温故障智能诊断模型的有效性.

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 轴温差异性融合特征变化曲线及原始数据Fig.5 Variation curve and original data of bearing temperature’ smerge feature

数据分析及预测结果表明智能诊断和故障预测模型能够对列车运行状态进行有效的监控和预警, 有助于实现故障的快速定位和预测性维护.