李熒，戚峰，尹鵬飛，葛盛昌，魯寨軍

?

強(qiáng)風(fēng)沙環(huán)境下動(dòng)車組塞拉門預(yù)防性維修周期研究

李熒1, 2，戚峰3，尹鵬飛3，葛盛昌3，魯寨軍1, 4, 5, 6

(1. 中南大學(xué) 交通運(yùn)輸工程學(xué)院，湖南 長沙，410075；2. 中國鐵路北京局集團(tuán)有限公司，北京，100860；3. 中國鐵路烏魯木齊局集團(tuán)有限公司，新疆維吾爾自治區(qū) 烏魯木齊，830011；4. 中南大學(xué) 軌道交通安全教育部重點(diǎn)實(shí)驗(yàn)室，湖南 長沙，410075；5. 軌道交通安全關(guān)鍵技術(shù)國際合作聯(lián)合實(shí)驗(yàn)室，湖南 長沙，410075；6. 軌道交通列車安全保障技術(shù)國家地方聯(lián)合工程研究中心，湖南 長沙，410075)

針對(duì)強(qiáng)風(fēng)沙運(yùn)用環(huán)境與長交路運(yùn)行工況對(duì)動(dòng)車組關(guān)鍵系統(tǒng)及部件故障的影響特性，建立基于系統(tǒng)可用度的預(yù)防性維修周期決策模型；考慮蘭新(甘肅蘭州—新疆烏魯木齊)高鐵開行時(shí)間短、檢修經(jīng)驗(yàn)不足等問題，提出基于Monte?Carlo思想的統(tǒng)計(jì)模擬算法。利用蘭新客運(yùn)專線強(qiáng)風(fēng)沙運(yùn)用環(huán)境下的塞拉門服役故障信息，對(duì)決策模型分布函數(shù)進(jìn)行定義、參數(shù)估計(jì)和假設(shè)檢驗(yàn)；利用建立的模型在MATLAB環(huán)境下仿真計(jì)算塞拉門預(yù)防性維修周期，結(jié)合現(xiàn)場實(shí)驗(yàn)驗(yàn)證維修決策模型和算法的有效性。研究結(jié)果表明：塞拉門故障服從形狀參數(shù)為0.779、尺度參數(shù)為315 158.178的雙參數(shù)威布爾分布；隨預(yù)防性維修周期增加，塞拉門的可用度先增加后減小，考慮到預(yù)防性維修的人員組織、均衡作業(yè)和修程間隔等因素，確定其維修保養(yǎng)運(yùn)行里程為10萬km。

強(qiáng)風(fēng)沙；維修周期；動(dòng)車組；塞拉門；蘭新客運(yùn)專線

蘭新(甘肅蘭州—新疆烏魯木齊)高鐵長期處于強(qiáng)風(fēng)沙、高溫、高寒、長運(yùn)行路徑等特殊的環(huán)境中[1]，動(dòng)車組各系統(tǒng)、部件及整體綜合性能面臨嚴(yán)峻考驗(yàn)。為了使動(dòng)車組對(duì)特殊運(yùn)用環(huán)境有良好的適應(yīng)性，一方面，人們針對(duì)受環(huán)境影響敏感的系統(tǒng)進(jìn)行合理研發(fā)與改造；另一方面，在運(yùn)用維修上，需結(jié)合季節(jié)、天氣、故障規(guī)律等實(shí)際因素，制定合理的預(yù)防性維修范圍和周期，盡可能提前防止故障發(fā)生，以保障動(dòng)車組安全、準(zhǔn)時(shí)運(yùn)行和提高乘客滿意度。國內(nèi)外許多學(xué)者對(duì)復(fù)雜設(shè)備維修周期進(jìn)行了大量研究，如呂立波等[2?6]針對(duì)非動(dòng)車組復(fù)雜設(shè)備，建立了周期決策模型，并提出了相應(yīng)計(jì)算方法。在動(dòng)車組預(yù)防性維修周期方面，丁陽喜等[7]對(duì)動(dòng)車組車輪旋修周期進(jìn)行了研究；趙澤平等[8]提出了一種基于可靠性來確定預(yù)防性維修周期的方法，并以CRH1型動(dòng)車組高壓電氣系統(tǒng)為例進(jìn)行了驗(yàn)證；趙金方等[9?11]針對(duì)動(dòng)車組零部件預(yù)防性維修周期進(jìn)行了研究。目前，人們對(duì)考慮環(huán)境因素對(duì)動(dòng)車組維修周期的研究較少，為此，本文作者針對(duì)蘭新高鐵強(qiáng)風(fēng)沙運(yùn)用環(huán)境的實(shí)際現(xiàn)狀，根據(jù)可靠性理論，通過收集、分析動(dòng)車組目標(biāo)系統(tǒng)故障數(shù)據(jù)，建立相應(yīng)的維修周期決策模型，采用模擬仿真的方法確定預(yù)防性維修周期，以便為動(dòng)車組運(yùn)用維修部門提供參考依據(jù)。

1 維修周期決策模型

蘭新高鐵于2014年11月開通運(yùn)營至今，由于人員、時(shí)間、技術(shù)、設(shè)備和動(dòng)車組自身狀態(tài)等原因，動(dòng)車組故障數(shù)據(jù)和設(shè)備檢修經(jīng)驗(yàn)不足，通過動(dòng)車組運(yùn)用維修信息和經(jīng)驗(yàn)來推斷預(yù)防性維修周期不具備可行性。設(shè)備故障的發(fā)生具有隨機(jī)性，針對(duì)動(dòng)車組環(huán)境敏感的部件和系統(tǒng)，根據(jù)積累的動(dòng)車組真實(shí)服役故障數(shù)據(jù)，確定系統(tǒng)的故障分布函數(shù)，結(jié)合相關(guān)標(biāo)準(zhǔn)與蘭新高鐵動(dòng)車組運(yùn)用維修實(shí)際的可操作性，建立科學(xué)合理的運(yùn)用維修周期決策模型，是確定強(qiáng)風(fēng)沙地區(qū)動(dòng)車組運(yùn)用維修周期的重要途徑。

1.1 仿真模型定義

動(dòng)車組故障發(fā)生與系統(tǒng)、部件的工作時(shí)間有關(guān)。工作時(shí)間與運(yùn)行里程密切對(duì)應(yīng)，我國實(shí)行以運(yùn)行里程為主、運(yùn)行時(shí)間為輔的檢修制度。設(shè)強(qiáng)風(fēng)沙環(huán)境對(duì)某系統(tǒng)或系統(tǒng)組件有顯著影響，且其故障服從某分布函數(shù)，在1個(gè)預(yù)防性維修周期內(nèi)(預(yù)防性維修周期與預(yù)防性維修作業(yè)時(shí)間之和)發(fā)生了多次故障，發(fā)生故障后需在動(dòng)車組運(yùn)用所進(jìn)行動(dòng)車組故障處理，由于動(dòng)車組件多為模塊化設(shè)計(jì)，故障處理多以更換故障件和清潔保養(yǎng)為主，故障后維修如新；運(yùn)行途中發(fā)生故障時(shí)，返所進(jìn)行故障處理以及預(yù)防性維修均會(huì)降低動(dòng)車組的利用率，其耽誤的時(shí)間和造成的行車影響折算為運(yùn)行里程。以動(dòng)車組可用度(1/(1+2)，其中，1為工作時(shí)間，2為不能工作時(shí)間)[12]為目標(biāo)函數(shù)，建立以下最佳周期仿真優(yōu)化模型。

各約束條件含義如下：

約束條件1) 表示平均可用度的計(jì)算公式，即1次計(jì)算的可用度平均值。

約束條件2) 表示可用度的計(jì)算方法，即以上線總運(yùn)行里程為分子，上線總運(yùn)行里程、故障修耽誤折算的總運(yùn)行里程、預(yù)防性維修耽誤折算的運(yùn)行里程與懲罰函數(shù)值的總和為分母的比值。

約束條件3) 表示1個(gè)預(yù)防性維修周期內(nèi)動(dòng)車組上線總運(yùn)行里程。1個(gè)預(yù)防性維修周期內(nèi)發(fā)生了2次(為隨機(jī)變量)故障，故其總運(yùn)行里程為2+1次上線運(yùn)行里程之和。

約束條件4) 表示不能超期檢修。由于中國鐵路總公司規(guī)定了動(dòng)車組各項(xiàng)目的預(yù)防性檢修周期，故可以根據(jù)實(shí)際情況適當(dāng)縮短檢修周期，但不能進(jìn)行超期檢修。

約束條件5) 表示1個(gè)預(yù)防性維修周期內(nèi)發(fā)生2次故障，進(jìn)行2次故障處理所折算的累積運(yùn)行里程。

約束條件6) 表示預(yù)防性維修作業(yè)時(shí)間太短時(shí)檢修作業(yè)質(zhì)量不能得到保證，時(shí)間太長將影響其他檢修項(xiàng)目作業(yè)。為保證預(yù)防性維修的作業(yè)質(zhì)量，同時(shí)考慮作業(yè)效率，預(yù)防性維修的作業(yè)時(shí)間需介于上、下限之間，相應(yīng)地，預(yù)防性維修時(shí)間折算的運(yùn)行里程也需介于上、下限之間。

約束條件7) 為懲罰函數(shù)，即在1個(gè)預(yù)防性維修周期內(nèi)，運(yùn)行途中所發(fā)生故障對(duì)動(dòng)車組可用性的總影響。一方面，動(dòng)車組入庫進(jìn)行故障處理和周期預(yù)防性檢修會(huì)直接影響動(dòng)車組的可用性；另一方面，動(dòng)車組故障常在運(yùn)行途中發(fā)生，當(dāng)故障發(fā)生后，動(dòng)車組需降速、停車甚至救援，均會(huì)影響動(dòng)車組的可用性?？紤]1個(gè)預(yù)防性維修周期內(nèi)故障發(fā)生的次數(shù)和時(shí)機(jī)，故障次數(shù)越多，影響越大；同時(shí)，由于故障在運(yùn)行途中無法修復(fù)，運(yùn)行途中發(fā)生故障的時(shí)機(jī)不同，對(duì)運(yùn)用的影響也不同，故障發(fā)生時(shí)刻越靠近始發(fā)或終到站，對(duì)行車影響越小，相反則越大，且這種影響與故障處理時(shí)間成正比關(guān)系。所以，1個(gè)周期內(nèi)總影響表達(dá)為故障發(fā)生時(shí)，距始發(fā)或終到站的距離與進(jìn)行此故障處理折算的運(yùn)行里程乘積的累積和。

1.2 Monte-Carlo統(tǒng)計(jì)模擬算法

蘭新高鐵長1 776 km，經(jīng)歷多個(gè)大風(fēng)區(qū)，自開通運(yùn)營以來，一些對(duì)風(fēng)沙敏感的系統(tǒng)、部件和部位因強(qiáng)風(fēng)沙而發(fā)生故障，采用長期統(tǒng)計(jì)分析大量此類故障發(fā)生的季節(jié)、天氣、運(yùn)行里程等，確定出1個(gè)具體的維修周期更符合實(shí)際，但這需要長時(shí)間的動(dòng)車組運(yùn)行故障數(shù)據(jù)積累。本文利用篩選的樣本故障信息，推導(dǎo)出目標(biāo)系統(tǒng)或部件的故障分布函數(shù)，然后采用Monte? Carlo模擬仿真的方法來確定維修周期，能準(zhǔn)確模擬現(xiàn)實(shí)故障發(fā)生的隨機(jī)性，是比較合理、科學(xué)的解決方案。

Monte-Carlo統(tǒng)計(jì)模擬流程如下：首先收集、篩選因強(qiáng)風(fēng)沙因素導(dǎo)致的動(dòng)車組設(shè)備故障信息；然后確定系統(tǒng)的故障分布函數(shù)，利用篩選的故障數(shù)據(jù)，對(duì)分布函數(shù)進(jìn)行參數(shù)估計(jì)和假設(shè)設(shè)檢；最后利用確定的故障分布函數(shù)，采用Monte-Carlo隨機(jī)模擬的方法來決策最佳的預(yù)防性維修周期。算法流程如圖1所示，其中?為仿真模擬時(shí)運(yùn)行里程增加的步長，其他變量和參數(shù)的含義與模型(1)中的相同。算法的思想是逐步增加預(yù)防性維修周期，采用Monte-Carlo統(tǒng)計(jì)模擬方法，計(jì)算每個(gè)預(yù)防性維修周期下的可用度。為保證計(jì)算的穩(wěn)定性與可靠性，在每個(gè)周期下迭代模擬1次，取平均值為該預(yù)防性維修周期下的可用度，當(dāng)達(dá)到最高運(yùn)行里程時(shí)結(jié)束計(jì)算。

2 算例分析

2.1 塞拉門故障數(shù)據(jù)

自2014年聯(lián)調(diào)聯(lián)試開始至2017年底，蘭新高鐵在特殊環(huán)境下運(yùn)行的CRH5型動(dòng)車組多次在途中發(fā)生某車門無法打開或關(guān)閉故障，入庫檢查各控制、機(jī)械部件均無異常，原因多為風(fēng)沙、冰雪進(jìn)入密封膠條，一段時(shí)間后導(dǎo)致膠條上的潤滑油脂變質(zhì)老化、干澀、卡滯、密封不良，通過對(duì)密封膠條進(jìn)行清潔、保養(yǎng)后，車門開閉良好。對(duì)此類故障進(jìn)行整理，故障時(shí)對(duì)應(yīng)的運(yùn)行里程如圖2所示。

圖1 算法流程

圖2 塞拉門故障里程分布

2.2 確定塞拉門故障分布函數(shù)

常用的故障分布函數(shù)有正態(tài)分布、指數(shù)分布和威布爾分布。威布爾分布是一種適應(yīng)面較廣的分布形式，在復(fù)雜系統(tǒng)的故障率及可靠性研究方面得到廣泛應(yīng)用[13?14]。兩參數(shù)的威布爾分布函數(shù)為：

其中：為形狀參數(shù)；為尺度參數(shù)。

參數(shù)估計(jì)是確定故障分布函數(shù)的關(guān)鍵環(huán)節(jié)，參數(shù)估計(jì)方法有矩法估計(jì)、最小二乘法和極大似然估計(jì)等。在各估計(jì)方法中，極大似然估計(jì)可靠性較好[15?18]。設(shè)塞拉門故障服從兩參數(shù)的威布爾分布函數(shù)，利用MATLAB軟件，采用極大似然估計(jì)法計(jì)算各參數(shù)值，結(jié)果如表1所示。

分布檢驗(yàn)是推斷故障數(shù)據(jù)是否服從初步分析所選定的分布類型的一種檢驗(yàn)方法。擬合優(yōu)度是故障數(shù)據(jù)分布與所選定理論分布之間符合程度的度量，K-S是一種常用的擬合優(yōu)度檢驗(yàn)方法，通過建立統(tǒng)計(jì)量D[19]來表征：

表1 威布爾分布參數(shù)估計(jì)

其中：0()為計(jì)算的分布函數(shù)；F()為經(jīng)驗(yàn)分布函數(shù)。當(dāng)假設(shè)問題0：0()=F()成立時(shí)，對(duì)于給定的可以得到D的精確分布和→∞的極限分布。

1—經(jīng)驗(yàn)分布函數(shù)；2—故障分布函數(shù)。

圖3 Weibull故障分布函數(shù)與經(jīng)驗(yàn)分布函數(shù)對(duì)比

Fig. 3 Comparison between Weibull distribution function and empirical distribution function

2.3 塞拉門預(yù)防性維修周期計(jì)算

通過對(duì)班組故障處理和預(yù)防性維修作業(yè)時(shí)間進(jìn)行統(tǒng)計(jì)，其分布分別服從均值為1.72 h和7.53 h、方差為0.12和0.21的正態(tài)分布。蘭新高鐵全長1 776 km，故進(jìn)行預(yù)防性維修的運(yùn)行里程約為1 770 km的整數(shù)倍，故仿真遞進(jìn)步長?=g=1 770 km；三級(jí)(120萬km)及以上高級(jí)修程，令max=120萬km。為保證算法的可靠性與穩(wěn)定性，每個(gè)周期下隨機(jī)模擬計(jì)算2 000次，即1=2 000次；采用不斷變化的懲罰等級(jí)，即在1個(gè)預(yù)防性維修周期內(nèi)，故障越多，懲罰等級(jí)越高。

利用各分布函數(shù)及上述算法，在MATLAB環(huán)境下編程計(jì)算，計(jì)算結(jié)果如圖4所示。從圖4可以看出：隨著預(yù)防性維修周期不斷增加，動(dòng)車組可用度先增大，在10萬km左右達(dá)到最大值，然后隨周期增大不斷減小。由于CRH5型動(dòng)車組運(yùn)用維修修程(一級(jí)修除外)為5萬，10萬，15萬和30萬km等，最小修程為 5萬km，其中塞拉門預(yù)防性維修、保養(yǎng)周期為15萬km?？紤]人員組織及其均衡作業(yè)的因素，根據(jù)上述仿真計(jì)算結(jié)果，蘭新高鐵在強(qiáng)風(fēng)沙運(yùn)用環(huán)境下，動(dòng)車組塞拉門的最佳預(yù)防性維修周期為10萬km。根據(jù)現(xiàn)場驗(yàn)證觀察，當(dāng)維修周期為10萬km左右時(shí)，各塞拉門密封膠條內(nèi)積塵較明顯且存在異物，部分門邊膠條上的潤滑、密封油脂很少，開始變得干澀，必須進(jìn)行清潔和保養(yǎng)。

圖4 可用度與周期的關(guān)系

3 結(jié)論

1) 蘭新高鐵開通后，面臨大風(fēng)、長交路及強(qiáng)風(fēng)沙的運(yùn)用環(huán)境，與國內(nèi)其他地區(qū)的運(yùn)用環(huán)境存在很大差異。對(duì)于運(yùn)用維修部門而言，預(yù)防性維修周期是所面臨的主要問題之一?？紤]到強(qiáng)風(fēng)沙環(huán)境因素對(duì)部分系統(tǒng)的預(yù)防性維修周期有很大影響，針對(duì)長運(yùn)行路徑及運(yùn)行途中故障發(fā)生時(shí)機(jī)對(duì)動(dòng)車組有不同影響的特點(diǎn)，建立了基于可用度的預(yù)防性維修周期決策模型。

2) 針對(duì)蘭新高鐵開行時(shí)間短、運(yùn)用維修數(shù)據(jù)少和檢修經(jīng)驗(yàn)不足等問題，提出了利用故障分布函數(shù)的Monte?Carlo統(tǒng)計(jì)模擬算法。該算法簡潔、易實(shí)現(xiàn)，實(shí)用性強(qiáng)。

3) 對(duì)積累的塞拉門故障數(shù)據(jù)進(jìn)行篩選、整理，通過故障分布函數(shù)類型的假設(shè)、參數(shù)估計(jì)和假設(shè)檢驗(yàn)，確定了受風(fēng)沙影響的塞拉門故障服從形狀參數(shù)為0.779、尺度參數(shù)為315 158.178的兩參數(shù)威布爾分布。利用建立的周期決策模型、算法和故障分布函數(shù)，在MATLAB平臺(tái)下計(jì)算了塞拉門預(yù)防性維修周期，結(jié)合人員組織與均衡作業(yè)的因素，得出蘭新高鐵強(qiáng)風(fēng)沙環(huán)境下CRH5G型動(dòng)車組的塞拉門預(yù)防性維修保養(yǎng)周期為10萬km。

4) 由于蘭新高鐵開行時(shí)間較短，受人員素質(zhì)及技術(shù)手段的限制，對(duì)風(fēng)沙敏感的系統(tǒng)、部件如濾網(wǎng)、設(shè)備艙等的風(fēng)沙數(shù)據(jù)積累還很少，確定這些系統(tǒng)、部件、檢修項(xiàng)目的預(yù)防性維修周期還需進(jìn)一步研究。

[1] 康衛(wèi)林. 高速動(dòng)車組設(shè)備艙通風(fēng)格柵氣粒分離特性的數(shù)值模擬[D]. 蘭州: 蘭州交通大學(xué)機(jī)電工程學(xué)院, 2015: 10?23.KANG Weilin. Numerical simulation of gas-solid separation characteristics on ventilate equipment cabin grille of high-speed train[D]. Lanzhou: Lanzhou Jiaotong University. School of Mechanical Engineering, 2015: 10?23.

[2] 呂立波, 高崎, 李有為, 等. 基于蒙特卡洛仿真的設(shè)備維修周期建模與優(yōu)化[J]. 計(jì)算機(jī)與數(shù)字工程, 2011, 39(4): 47?49. Lü Libo, GAO Qi, LI Youwei, et al. Maintenance modeling and optimization of equipment based on Monte Carlo simulation[J]. Computer & Digital Engineering, 2011, 39(4): 47?49.

[3] 葛陽, 高崎, 黃照協(xié). 基于可用度的復(fù)雜設(shè)備維修周期決策模型[J]. 數(shù)學(xué)的實(shí)踐與認(rèn)識(shí), 2012, 42(8): 174?179. GE Yang, GAO Qi, HUANG Zhaoxie. Maintenance interval period decision-making model of complex equipment based on availability[J]. Mathematics in Practice and Theory, 2012, 42(8): 174?179.

[4] MELCHOR-HERNáNDEZ C L, RIVAS-DáVALOS F, MAXIMOV S, et al. A model for optimizing maintenance policy for power equipment[J]. International Journal of Electrical Power & Energy Systems, 2015, 68(68): 304?312.

[5] WU Changjie, LI Yanting, XI Lifeng. A preventive maintenance model for leased equipment subject to internal degradation and external shock damage[J]. Reliability Engineering & System Safety, 2016, 154: 1?7.

[6] VILARINHO S, LOPES I, OLIVEIR J A A. Preventive maintenance decisions through maintenance optimization models[J]. Procedia Manufacturing, 2017, 11: 1170?1177.

[7] 丁陽喜, 唐玉杰, 朱韶光, 等. 動(dòng)車組旋修周期驗(yàn)證研究[J]. 鐵道機(jī)車車輛, 2015, 35(4): 25?30. DING Yangxi, TANG Yujie, ZHU Shaoguang, et al. Research on the verification of reprofiling cycle for EMU[J]. Railway Locomotive & Car, 2015, 35(4): 25?30.

[8] 趙澤平, 姚建偉, 張可新. 基于可靠性理論制定動(dòng)車組子系統(tǒng)最佳預(yù)防維修周期的方法研究[J]. 鐵道機(jī)車車輛, 2014, 34(4): 85?89. ZHAO Zeping, YAO Jianwei, ZHANG Kexin. Study of method to calculate the best preventive maintenance period for EMUs subsystem based on reliability theory[J]. Railway Locomotive & Car, 2014, 34(4): 85?89.

[9] 趙金方. 動(dòng)車組零部件預(yù)防性維修周期決策模型的研究[D]. 北京: 北京交通大學(xué)機(jī)械與電子控制工程學(xué)院, 2010: 35?41. ZHAO Jinfang. The study of EMU components preventive maintenance period decision model[D]. Beijing: Beijing Jiaotong University. School of Mechanical, Electronic and Control Engineering, 2010: 35?41.

[10] 孫超. 基于可靠性分析的軌道交通車輛轉(zhuǎn)向架維修周期研究[D]. 南京: 南京理工大學(xué)自動(dòng)化學(xué)院, 2014: 37?55. SUN Chao. Research on maintenance cycle of rail vehicle bogie based on reliability analysis[D]. Nanjing: Nanjing University of Science and Technology. School of Automation, 2014: 37?55.

[11] 王彩霞. 高速動(dòng)車組主要零部件損傷規(guī)律及維修周期的研究[D]. 北京: 北京交通大學(xué)機(jī)械與電子控制工程學(xué)院, 2012: 56?62. WANG Caixia. The damage rules and the maintenance cycle of the main components of the high-speed EMU[D]. Beijing: Beijing Jiaotong University. School of Mechanical, Electronic and Control Engineering, 2012: 56?62.

[12] CHARLES E E. 可靠性與維修性工程概論[M]. 康銳, 譯. 北京: 清華大學(xué)出版社, 2010. CHARLES E E. An introduction to reliability and maintainability engineering[M]. KANG Rui, trans. Beijing: Tsinghua University Press, 2010.

[13] BISTOUNI F, JAHANSHAHI M. Evaluating failure rate of fault-tolerant multistage interconnection networks using Weibull life distribution[J]. Reliability Engineering and System Safety, 2015, 144: 128?146.

[14] GUILANI P P, AZIMI P, NIAKI S T A, et al. Redundancy allocation problem of a system with increasing failure rates of components based on Weibull distribution: a simulation-based optimization approach[J]. Reliability Engineering and System Safety, 2016, 152(C): 187?196.

[15] 金良瓊. 兩參數(shù)Weibull分布的參數(shù)估計(jì)[D]. 昆明: 云南大學(xué)數(shù)學(xué)與統(tǒng)計(jì)學(xué)院, 2010: 21?24. JIN Liangqiong. Two parameter estimation for Weibull distribution[D]. Kunming: Yunnan University. School of Mathematics and Statistics, 2010: 21?24.

[16] COORAY K. A study of moments and likelihood estimators of the odd Weibull distribution[J]. Statistical Methodology, 2015, 26: 72?83.

[17] JIAN Xiang, WANG Dong, JIANG Ping, et al. Inference on the reliability of Weibull distribution with multiply Type-I censored data[J]. Reliability Engineering and System Safety, 2016, 150: 171?181.

[18] AYDO?DU H, ?ENO?LU B, MAHMUTKARA. Parameter estimation in geometric process with Weibull distribution[J]. Applied Mathematics and Computation, 2010, 217(6): 2657?2665.

[19] 王靈芝. 以可靠性為中心的高速列車設(shè)備維修決策支持系統(tǒng)研究[D]. 北京: 北京交通大學(xué)機(jī)械與電子控制工程學(xué)院, 2011: 41?43. WANG Lingzhi. Research on reliability-centered maintenance decision and support system for high-speed train equipments[D]. Beijing: Beijing Jiaotong University. School of Mechanical, Electronic and Control Engineering, 2011: 41?43.

(編輯 陳燦華)

Study on preventive maintenance cycle of sliding plug door of high-speed train in strong blown-sand area

LI Ying1, 2, QI Feng3, YIN Pengfei3, GE Shengchang3, LU Zhaijun1, 4, 5, 6

(1. School of Traffic & Transportation Engineering, Central South University, Changsha 410075, China;2. China Railway Beijing Group Co. Ltd., Beijing 100860, China;3.China Railway Urumuqi Group Co. Ltd., Urumuqi 830011, China;4. Key Laboratory of Traffic Safety on Track (Central South University)，Ministry of Education, Changsha 410075, China;5. Joint International Research Laboratory of Key Technology for Rail Traffic Safety, Changsha 410075, China;6. National & Local Joint Engineering Research Center of Safety Technology for Rail Vehicle, Changsha 410075, China;)

To investigate the blown sand environment influence on train-set fault occurrence under long routing operation, a preventive maintenance period decision model based on system availability was proposed. With inadequate running time and maintenance experience on Lanzhou—Xinjiang high-speed railway line, Monte?Carlo-based algorithm was presented for statistical simulation. Real service fault occurrence information of sliding plug door was employed for distribution function definition, parameter estimation and hypothesis testing. Finally, preventive maintenance period of sliding plug door was calculated with MATLAB programming using the suggested model, which was then validated by field test. The results indicate that the fault occurrence of sliding plug door submits to two-parameter Weibull distribution, where the shape parameter is 0.779 and scale parameter is 315 158.178. With the increase of preventive maintenance period, the availability of sliding plug door increases at first and then decreases. Taking factors such as personnel organization of preventive maintenance, balanced operation and repair interval into account, the maintenance period of sliding plug door is determined to be 100 000 km.

strong blown-sand; maintenance cycle; train-set; sliding plug door; Lanzhou—Xinjiang railway for passenger traffic

10.11817/j.issn.1672-7207.2018.09.030

U279.3

A

1672?7207(2018)09?2344?06

2017?11?12；

2018?01?22

國家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目(2016YFB1200104)(Project(2016YFB1200104) supported by the National Key R&D Program of China)

李熒，高級(jí)工程師，從事風(fēng)區(qū)鐵路行車安全研究；E-mail:liying8806@163.com