1 概述

鐵路行業(yè)數(shù)字化的發(fā)展為車輛、基礎設施和部件監(jiān)控創(chuàng)造了新的可能性。通過將經(jīng)濟且有效的診斷功能集成到設施和流程中，可以取得非常好的監(jiān)控效果。得益于信息技術（IT）基礎設施的不斷完善和傳感器價格的不斷降低，維修工程師可以采集和調(diào)用大量運營數(shù)據(jù)并將其用于維修決策。

通過人工方式或信息孤島解決方案難以實現(xiàn)可靠且有充分依據(jù)的預測和分析。為進行合理預測，必須收集海量數(shù)據(jù)，并對這些數(shù)據(jù)進行分析和評估，再將分析結果融合到復雜的維修管理過程中。在此過程中，數(shù)據(jù)的分析和融合是指：①自動評估并生成有關基礎設施狀態(tài)的典型特征;②獲取用于故障檢測和狀態(tài)預測的特征;③基于所獲取的車輛、設施和組件狀態(tài)信息，優(yōu)化維修計劃。這也適用于輪對的維修和保養(yǎng)過程。

為此，德國公司ZEDAS GmbH推出了zedas?asset新型輪對分析模塊。該模塊以對輪對進行定期的自動或者半自動測量和評估為基礎，通過分析和預測輪對數(shù)據(jù)，優(yōu)化維修流程，對輪對加工或更換進行更精確的計劃和管理。它具有以下功能：①可視化顯示車輪或車軸上不同測量點的磨損過程;②預測超出車輪踏面基圓直徑及其他測量參數(shù)極限值的時間;③確定輪對的剩余使用壽命和剩余走行里程;④自動將計算數(shù)據(jù)應用于維修計劃。

2 輪對磨損的類型和原因

輪對磨損的主要原因是輪軌接觸時各種力的影響。在一定的負載時間后，車輪（尤其是輪箍和車軸）會出現(xiàn)損壞。典型的損壞類型有：①擦傷，即為使車輪不旋轉（如制動時抱死車輪）而造成的局部材料損耗（磨損）;②開裂;③剝落，即車輪踏面材料掉塊;④多邊形，即車輪不圓;⑤折痕，即高機械應力導致的材料偏移。車輪損壞的嚴重程度和頻率取決于車輪踏面類型、車輛行車速度、運輸載荷、外部溫度，以及線路和道岔的鋼軌截面等影響因素。

除頻繁的輪軌接觸之外，軌道不平順，以及鋼軌在軌距、高低和左右方向與理想位置幾何尺寸的偏差也會導致輪對的磨損增加和損壞。

3 輪對維修現(xiàn)狀

為監(jiān)控和評估輪對狀態(tài)，通常會測量車輪的規(guī)定參數(shù)（圖1）。測量是根據(jù)時間周期或走行里程進行的。測量結果會通過自動化接口傳輸給維修計劃系統(tǒng)，并按照車輛和組件進行分類存儲。此外，對于裂紋、剝落、擦傷等病害，可以派人員進行目視檢查和評估，但這種方法非常耗時，所以通常在大型檢查時才使用。由于輪對安裝時間不盡相同（如某些車軸因為缺陷必須提前更換），因此必須根據(jù)各輪對的行駛里程、曾出現(xiàn)的損壞及測量值的變化趨勢，分別對其進行監(jiān)控。

由于輪對數(shù)據(jù)數(shù)量巨大，且需符合不同的要求，因此其管理必須有特殊軟件的支持，否則將耗時耗力。許多負責維修計劃的工程師采用Excel列表的方式進行數(shù)據(jù)管理，他們在Excel表格中列出測量值，并計算車輪檢查日期。在確定剩余使用壽命或剩余走行里程，以及使用Excel列表計劃輪對鏇修時，許多參數(shù)是預先規(guī)定或基于經(jīng)驗確定的，如每月走行距離（以km為單位）、每月平均磨損量、到下一次輪對鏇修時的走行里程、到下一次輪對鏇修時的磨損量等。在假設走行里程與車輪直徑減小量之間存在線性關系的前提下，根據(jù)上述信息，以及指定的極限值和最新測得的車輪踏面基圓直徑，可以計算出車輛所有輪對剩余的最短走行里程。但這種方法有多種缺點：①磨損過程是非線性的;②磨損量的決定因素眾多，如走行里程、天氣、線路縱斷面、載荷等，由于車輪鏇修時去除的材料量受到如此多因素的影響，因此其變化范圍很大。這些影響是Excel列表計算時難以充分考慮的。

因此，應該改進計算方法，使預測的磨損過程與實際磨損過程盡可能相符，從而達到基于歷史測量數(shù)據(jù)使磨損可預測的目標。

4 預測方法

zedas?asset新型輪對分析模塊在預測時采用了一個適用的非線性回歸模型，該模型能夠在輪對測量所采集的樣本量相對較少的情況下，描述磨損所導致的車輪直徑減小量與走行里程之間的關系。該集成回歸模型基于下列函數(shù)：

此函數(shù)可詳細解釋磨損過程。如果鏇修后車輪初始直徑變小，則會使整個磨損函數(shù)曲線向左平移，從而提前達到采取維修措施的干預閾值。參數(shù)ɑ和β決定車輪直徑隨走行里程增加而減小的程度。

通過去除車輪鏇修所導致的車輪踏面基圓直徑減小的那部分測量數(shù)據(jù)，可以得到車輪踏面基圓直徑的磨損曲線（圖2）。然后，使用高斯-牛頓迭代法，根據(jù)歷史測量值優(yōu)化參數(shù)ɑ和β，使其與實際磨損過程相符。該方法適合解決“非線性最小二乘問題”，并可準確地預估所需的參數(shù)。確定所需參數(shù)后，可以使用上面列出的回歸模型計算之后的磨損過程。

每當進行新的輪對測量后，可以使用新值進行更新計算并微調(diào)預測值。然后，可以將計算所得的車輪鏇修時的材料平均去除量以及兩次車輪鏇修之間的平均走行里程值整合到測量曲線中。結合極限值和警告閾值，可以獲得所需的剩余走行里程信息（圖3）。

從車輪踏面基圓直徑的測量曲線可以看出，車輪鏇修的頻率和強度對輪對剩余走行里程有重大影響。此處提出一種進一步提高預測精度的輔助方法，即測量車輪鏇修的決定性參數(shù)（如輪緣厚度、輪緣高度或輪緣側面斜度），并將其用于預測，以計算車輪鏇修時間點和材料去除量。以輪緣側面斜度為例，圖4～圖6分別顯示了測量數(shù)據(jù)曲線、求得的磨損曲線，以及在前兩者基礎上預測出的剩余走行里程（即達到輪緣側面斜度極限值時的走行里程）。 同樣，也可以通過分析歷史數(shù)據(jù)，預測影響車輪鏇修時間的其他輪緣參數(shù)。因此，之前預先規(guī)定的車輪鏇修時間及根據(jù)經(jīng)驗確定的車輪踏面基圓直徑減少量，如今可以從歷史數(shù)據(jù)中推斷出來，并由預測值替代。

5 應用

用于輪對診斷的zedas?asset新型輪對分析模塊可幫助維修人員根據(jù)測得的輪對參數(shù)做出正確的維修決策。在使用界面中，使用者可以通過變量過濾器選擇所需的輪對，并查看其基于走行里程或時間的各種輪緣測量數(shù)據(jù)曲線。

當選擇預測功能時，綠色圖形（圖7）將顯示預測的輪對磨損曲線、走行里程，以及超出警告閾值和極限值的預計時間。預測值會定期更新，并用于后續(xù)計算。以這些預測數(shù)據(jù)為基礎，可進行維修措施和組件更換的計劃和管理。

6 展望

綜上所述，輪軌接觸對輪對磨損具有顯著影響。zedas?asset新型輪對分析模塊為用戶提供了一種有效的工具，它可以記錄輪對測量數(shù)據(jù)，對輪對進行狀態(tài)評估，并利用這些測量和評估結果對重要參數(shù)進行預測。根據(jù)其分析和預測結果，可以科學合理地進行輪對維修管理。

參考文獻

[1]Peter Engel. Digitales Radsatzmanagement：Die Digitalisierung macht den Radsatzverschlei? berechenbar[J]. Eisenbahntechnische Rundschau，2019，68（11）：54-59.

蘇靖棋 編譯

收稿日期 2020-02-23