武漢鐵路職業(yè)技術(shù)學(xué)院 郭紅梅

中國(guó)動(dòng)車維修戰(zhàn)略優(yōu)化研究正越來(lái)越受到國(guó)際重視，其中故障預(yù)知和健康管理(PHM)的關(guān)鍵技術(shù)研究和高速鐵路動(dòng)車牽引系健康預(yù)警管理是中國(guó)目前動(dòng)車維修戰(zhàn)略優(yōu)化的研究重點(diǎn)。因此，本文首先闡述了動(dòng)車組牽引系統(tǒng)的概念及其特性，并針對(duì)特性建立牽引系統(tǒng)健康評(píng)估的模型，并對(duì)高速動(dòng)車組牽引系統(tǒng)健康預(yù)測(cè)管理算法進(jìn)行分析和討論，希望能為相關(guān)人員提供一些新的思路。

1 高速動(dòng)車組牽引系統(tǒng)概述

1.1 動(dòng)車組牽引系統(tǒng)

CRH2型高速動(dòng)車牽引控制系統(tǒng)一般分為：受電弓、牽引變壓器、脈沖整流器、中央直流系統(tǒng)輸出環(huán)節(jié)、牽引逆變器、牽引電機(jī)等。牽引控制系統(tǒng)的工作原理為通過(guò)升起受電弓，于接觸網(wǎng)接通AC25kv/50Hz電源，高壓電流經(jīng)牽引變壓器轉(zhuǎn)化為適應(yīng)牽引系統(tǒng)工作的電壓。而脈沖整流器與牽引逆變器，基本上完成了控制系統(tǒng)在牽引狀況與再生制動(dòng)狀況之間快速的平滑轉(zhuǎn)換，脈沖整流器用作供電側(cè)變流器，牽引狀況時(shí)為整流裝置，再生制動(dòng)狀況時(shí)為逆變器，而牽引逆變器則為供電驅(qū)動(dòng)側(cè)變流器，在牽引狀況時(shí)為逆變器，在再生制動(dòng)工況時(shí)為整流裝置。

牽引電機(jī)是整個(gè)控制系統(tǒng)的核心，主要承擔(dān)著電能與機(jī)械能之間的相互切換，將牽引狀態(tài)電能轉(zhuǎn)化為機(jī)械能，將再生制動(dòng)狀態(tài)時(shí)機(jī)械能轉(zhuǎn)化為電能。由于牽引電機(jī)構(gòu)造簡(jiǎn)潔、穩(wěn)定、體積小、輸出功率大，其構(gòu)造主要分為定子、轉(zhuǎn)子、軸承和通風(fēng)系統(tǒng)等，絕緣級(jí)別約為二百級(jí)。動(dòng)車組的牽引電器性能比較平穩(wěn)，很適合惡劣的工況環(huán)境。

1.2 牽引系統(tǒng)特性分析

牽引狀態(tài)下：通過(guò)升起受電弓觸碰接觸網(wǎng)，接入AC25kV單相工頻交換電，由牽引變壓器將高壓轉(zhuǎn)化為牽引變流器工作需要的1500V單相故障交換電，繼而傳送至脈沖整流器上，其將負(fù)責(zé)的交換電轉(zhuǎn)化為直流電后，經(jīng)中央直流電線路傳遞給牽引力逆變器，牽引力逆變器將輸出電流/頻數(shù)可調(diào)節(jié)的三相交流電源直接供應(yīng)給牽引電機(jī)，由牽引電機(jī)將能量轉(zhuǎn)化為機(jī)械功率傳動(dòng)車輪對(duì)，從而完成動(dòng)車組工作。

再生制動(dòng)狀態(tài)：該狀態(tài)中的牽引電機(jī)將機(jī)械能轉(zhuǎn)化為能量，由牽引電機(jī)逆變器轉(zhuǎn)化為整流設(shè)備，將由牽引電機(jī)所傳遞的三相交流電轉(zhuǎn)化為直流輸出電，再供應(yīng)中央直流輸出環(huán)節(jié)進(jìn)行補(bǔ)充。脈沖整流器轉(zhuǎn)化為逆變器后，使其中直流輸出環(huán)節(jié)所傳輸?shù)闹绷麟娔孀兂蓡我唤涣麟?，最后交換電再經(jīng)由牽引變壓器、高壓電路等高壓裝置傳輸?shù)浇佑|網(wǎng)，從而實(shí)現(xiàn)將機(jī)械功率轉(zhuǎn)變成電能。

通過(guò)比較牽引狀態(tài)和再生制動(dòng)狀態(tài)中牽引系統(tǒng)各部分的工作狀態(tài)，可以得出，牽引電機(jī)是整個(gè)牽引系統(tǒng)的核心部件，其電氣特點(diǎn)可包括對(duì)牽引力特性和再生制動(dòng)兩方面加以分析。

2 高速動(dòng)車組牽引傳動(dòng)系統(tǒng)健康狀態(tài)評(píng)估模型的建立

2.1 牽引傳動(dòng)系統(tǒng)健康狀況評(píng)價(jià)指標(biāo)

集中牽引傳動(dòng)系統(tǒng)作為一種相當(dāng)復(fù)雜的機(jī)械系統(tǒng)，其元器件很多，而各個(gè)元器件之間又有多個(gè)指標(biāo)，因此各個(gè)技術(shù)指標(biāo)間也有一定的相互關(guān)系[1]，但假如將每個(gè)元器件的全部技術(shù)指標(biāo)都列入評(píng)價(jià)指標(biāo)集，就會(huì)使整體評(píng)價(jià)的過(guò)程很繁瑣，所以，應(yīng)當(dāng)選擇能夠真實(shí)、客觀反映整個(gè)牽引傳動(dòng)系統(tǒng)所處于狀況的全部技術(shù)指標(biāo)作為評(píng)價(jià)指標(biāo)集。

對(duì)高速動(dòng)車組的牽引力傳動(dòng)控制系統(tǒng)健康狀況開(kāi)展了綜合評(píng)價(jià)，并首先對(duì)高速動(dòng)車組的牽引力傳動(dòng)控制系統(tǒng)構(gòu)建了層次解析模式，如圖1所示。

圖1中第一層為控制系統(tǒng)層，用以評(píng)價(jià)整個(gè)控制系統(tǒng)的健康狀況；第二層則為電子元器件層，主要針對(duì)構(gòu)成控制系統(tǒng)的電子元器件進(jìn)行健康狀況評(píng)價(jià)；第三層次是指標(biāo)層，針對(duì)各個(gè)元器件的物理特征、工作狀況等形成健康狀況評(píng)價(jià)指數(shù)集。從指數(shù)層分別向前遞進(jìn)以評(píng)價(jià)元器件層、系統(tǒng)層面的健康狀況，最后進(jìn)行動(dòng)車組牽引傳動(dòng)系統(tǒng)整體的健康狀況評(píng)價(jià)。

圖1 高速動(dòng)車組的牽引力傳動(dòng)控制系統(tǒng)層次解析模式Fig.1 Hierarchical analysis mode of traction transmission control system of high-speed EMU

2.2 牽引傳動(dòng)系統(tǒng)健康狀態(tài)等級(jí)的劃分

牽引傳動(dòng)系統(tǒng)的健康狀況通常會(huì)用四個(gè)等級(jí)代表牽引傳動(dòng)系統(tǒng)的實(shí)際健康狀況，具體包括正常、微故障、故障、嚴(yán)重故障。正常表示各指標(biāo)檢測(cè)數(shù)值均達(dá)到最優(yōu)數(shù)值附近，系統(tǒng)仍能正常安全工作。此時(shí)，系統(tǒng)已不需要大修，并可延長(zhǎng)系統(tǒng)大修計(jì)劃。微故障指?jìng)€(gè)別指標(biāo)檢測(cè)數(shù)值有所降低，但系統(tǒng)無(wú)劣化趨向，仍可正常工作。此時(shí)，系統(tǒng)仍可按計(jì)劃進(jìn)行大修。故障表示有些指標(biāo)檢測(cè)數(shù)值降低幅度很大，但系統(tǒng)整體運(yùn)行狀況較差，易出現(xiàn)重大故障，劣變趨向較明顯。

3 基于統(tǒng)計(jì)的預(yù)測(cè)技術(shù)

與基于模擬的預(yù)測(cè)技術(shù)比較，基于大數(shù)據(jù)的預(yù)測(cè)技術(shù)并不要求構(gòu)建設(shè)備整體的動(dòng)態(tài)數(shù)學(xué)模型，其所要求的信號(hào)都來(lái)自于概率密度函數(shù)[2]。通過(guò)從設(shè)備中收集的數(shù)據(jù)信號(hào)，可以統(tǒng)計(jì)和算出設(shè)備所需的各種概率密度函數(shù)，并據(jù)此可以針對(duì)設(shè)備狀態(tài)進(jìn)行合理的估計(jì)。

3.1 貝葉斯技術(shù)

在某些情形下，因?yàn)闊o(wú)法收集到設(shè)備上大量的樣本數(shù)據(jù)信息，從而使得采用極大似然差估計(jì)方法預(yù)測(cè)模型參數(shù)的退化模型，無(wú)法正確的實(shí)現(xiàn)預(yù)測(cè)。貝葉斯方法可利用在實(shí)際產(chǎn)品中所累積的經(jīng)驗(yàn)信息對(duì)產(chǎn)品進(jìn)行數(shù)據(jù)分析，從而得出產(chǎn)品參數(shù)信息，并使用相對(duì)較少的設(shè)備特性數(shù)據(jù)構(gòu)建產(chǎn)品動(dòng)態(tài)模型，同時(shí)使用設(shè)備性能數(shù)據(jù)分析對(duì)產(chǎn)品參數(shù)信息持續(xù)性調(diào)整，從而不斷提升產(chǎn)品預(yù)測(cè)準(zhǔn)確度。

3.2 隱馬爾科夫和隱零點(diǎn)五馬爾科夫模型

隱馬爾科夫模式(HMM)是一個(gè)基于概率的隨機(jī)數(shù)據(jù)建模和分析，在故障診斷中得到了成功運(yùn)用，該模式是一種二重的隨機(jī)過(guò)程，一方面模式中狀態(tài)之間的傳遞都是隨機(jī)的，即馬爾科夫過(guò)程，另外，狀態(tài)與觀測(cè)數(shù)值之間的傳遞也是隨機(jī)的。利用統(tǒng)計(jì)學(xué)習(xí)，能夠合理的尋找出故障狀況與檢測(cè)信號(hào)間的關(guān)聯(lián)，反映設(shè)備的潛在結(jié)構(gòu)特征，形成HMM模式，由此能夠進(jìn)行評(píng)價(jià)當(dāng)前設(shè)備的健康狀況和對(duì)設(shè)備剩余使用壽命的預(yù)估。

但是由于馬爾可夫鏈假定狀況的停留持續(xù)時(shí)間概率為指數(shù)分配，從而導(dǎo)致了HMM相對(duì)較繁雜設(shè)施來(lái)說(shuō)無(wú)法科學(xué)合理的衡量其狀況的停留持續(xù)時(shí)間，因此模型上存在著一些的局限。隱零點(diǎn)五馬爾科夫模型(HSMM)是HMM的延伸，提高了狀態(tài)停留持續(xù)時(shí)間，也因此在一些程度上解決了HMM易于進(jìn)入局部?jī)?yōu)化的局限。該模塊中健康狀況所相應(yīng)的一個(gè)觀察片斷，可以更加精確的說(shuō)明復(fù)雜系統(tǒng)設(shè)備退化狀況的轉(zhuǎn)化以及故障規(guī)律的演化過(guò)程。

4 基于HSMM動(dòng)車組牽引控制系統(tǒng)的健康預(yù)測(cè)

高鐵的迅速發(fā)展使得對(duì)高速動(dòng)車安全可靠性的需求也在相應(yīng)地增加，維護(hù)高速動(dòng)車組及其重要組成部分的安全，已成為中國(guó)高速鐵路系統(tǒng)各運(yùn)營(yíng)保障部門所面對(duì)的重要挑戰(zhàn)性問(wèn)題[3]。而目前，由于高速動(dòng)車的修理模式正在從傳統(tǒng)“計(jì)劃修”向“狀態(tài)修”轉(zhuǎn)變，因此目前維修策略的合理性還需進(jìn)一步研究，而建設(shè)以故障預(yù)警為基石的新型維修策略將是目前的重點(diǎn)研發(fā)內(nèi)容。新型的維修策略既可以預(yù)知列車運(yùn)行設(shè)施發(fā)生故障時(shí)刻，重新評(píng)價(jià)設(shè)施的健康狀況，并預(yù)計(jì)剩余使用壽命，以便決定如何保養(yǎng)，怎樣維護(hù)，又可以有效的減少維護(hù)成本，減少過(guò)度維護(hù)，從而提高了列車的安全可靠性，還可以有效防止因不合理的維護(hù)對(duì)設(shè)施完整性的損害，產(chǎn)生潛在的健康隱患[4]。而進(jìn)行新維護(hù)模式的轉(zhuǎn)換，關(guān)鍵問(wèn)題就是在動(dòng)車組所有重要子系統(tǒng)和關(guān)鍵部件的運(yùn)行性能退化規(guī)律研究基礎(chǔ)上，對(duì)其健康狀況和故障狀態(tài)作出合理的趨勢(shì)分析與預(yù)估。

4.1 基于HSMM動(dòng)車組牽引力控制系統(tǒng)的故障狀態(tài)預(yù)報(bào)

本文中采用了改良后的算法，以牽引系統(tǒng)為主要試驗(yàn)對(duì)象，并對(duì)其作故障預(yù)測(cè)和殘余壽命預(yù)測(cè)。牽引控制系統(tǒng)的退化狀況一般可以分成四類：正常狀況、微故障狀況、故障狀態(tài)和嚴(yán)重故障狀況。在第四章中，對(duì)隱零點(diǎn)五馬爾科夫模型的參數(shù)優(yōu)化方法作了設(shè)計(jì)，詳細(xì)闡述了通過(guò)改良后的粒子群計(jì)算優(yōu)化隱零點(diǎn)五馬爾科夫模型參數(shù)的方式。

4.2 健康狀態(tài)評(píng)估

4.2.1 初始化HSMM模型參數(shù)

在基于設(shè)備狀態(tài)退化演變規(guī)律的故障預(yù)報(bào)中，左型HSMM模式可以更加精確的描述故障演化，因此采用了四狀態(tài)的左型馬爾可夫鏈，在初始狀態(tài)時(shí)牽引動(dòng)系統(tǒng)狀態(tài)仍保持在正常狀態(tài)下，其狀態(tài)為初始概率矢量：

初始化狀態(tài)轉(zhuǎn)換矩陣，左右型馬爾可夫鏈中態(tài)之間的轉(zhuǎn)化可以由自身態(tài)轉(zhuǎn)化到自身態(tài)甚至轉(zhuǎn)化到下一種退化態(tài)，初始化階段認(rèn)為其轉(zhuǎn)化幾率相等，即態(tài)轉(zhuǎn)化矩陣四A=(aij)N×N初始化如下：

4.2.2 基于FPSO的HSMM模型的訓(xùn)練

由于在訓(xùn)練模型中發(fā)現(xiàn)模型均可在五百內(nèi)達(dá)到收斂條件，所以設(shè)置了最大的迭代步數(shù)為五百步，收斂誤差范圍為5×10-5，然后根據(jù)以上HSMM建模參數(shù)初始化后并訓(xùn)練，得到了每個(gè)狀態(tài)下對(duì)應(yīng)的多個(gè)HSMM模型，根據(jù)訓(xùn)練得到的HSMM模型定義了可行解空間，進(jìn)而可以定義了基空間和外空間。初始化延伸因子η以及回歸因子τ0以及τ1。

以對(duì)牽引系統(tǒng)在正常狀況下的模擬訓(xùn)練結(jié)果為例，正常狀況下轉(zhuǎn)移的概率矩陣如表1所示。

表1 正常狀況下轉(zhuǎn)移的概率矩陣Tab.1 Probability matrix of transition under normal conditions

4.2.3 牽引系統(tǒng)健康狀態(tài)評(píng)估

將正常狀況、微故障狀況、故障狀態(tài)以及嚴(yán)重故障狀況等共15個(gè)檢測(cè)樣本的特征值向量觀測(cè)序列，注入在訓(xùn)練后所獲得的4個(gè)健康狀況分類器中，并通過(guò)輸出獲得對(duì)4個(gè)分類器測(cè)量結(jié)果的似然概率對(duì)數(shù)據(jù)。

在正常狀況下，通過(guò)比較15個(gè)試驗(yàn)樣本在各狀態(tài)分類器下的辨識(shí)結(jié)果，可以得出在正常狀況下正常狀態(tài)分類器的似然概率對(duì)數(shù)最大即為認(rèn)知率最大，15個(gè)試驗(yàn)樣本將全部被準(zhǔn)確辨識(shí)。

在微故障狀況下，可以通過(guò)對(duì)15個(gè)檢測(cè)樣品在各狀態(tài)分類器下的辨識(shí)結(jié)果，得出在正常狀況下正常狀態(tài)分類器的似然概率對(duì)數(shù)最大即為識(shí)別率最大，但參與檢測(cè)的樣品中1個(gè)樣品并沒(méi)有被正確標(biāo)識(shí)。

在故障狀況下，可以通過(guò)比較15個(gè)試驗(yàn)樣本在各狀態(tài)分類器下的辨識(shí)結(jié)果，得出在正常狀況下正常狀態(tài)分類器的似然概率對(duì)數(shù)最大即為認(rèn)知率最大，而15個(gè)試驗(yàn)樣本中2個(gè)并未被成功辨識(shí)。

在嚴(yán)重故障狀況下，通過(guò)比較15個(gè)試驗(yàn)樣品在各狀態(tài)分類器下的辨識(shí)結(jié)果，可以得出在正常狀況下正常狀態(tài)分類器的似然概率對(duì)數(shù)最大即識(shí)別率最大，所有試驗(yàn)樣品均被順利辨識(shí)。

5 結(jié)語(yǔ)

動(dòng)車維修戰(zhàn)略優(yōu)化研究也越來(lái)越受到重視，其中故障預(yù)知和健康管理(PHM)的關(guān)鍵技術(shù)研究和高速鐵路動(dòng)車牽引系健康預(yù)警管理是目前動(dòng)車維修戰(zhàn)略優(yōu)化的研究重點(diǎn)。因此，本文首先闡述了動(dòng)車組牽引系統(tǒng)的概念及其特性，并針對(duì)特性建立牽引系統(tǒng)健康評(píng)估的模型，并對(duì)高速動(dòng)車組牽引系統(tǒng)健康預(yù)測(cè)管理算法進(jìn)行分析和討論，發(fā)現(xiàn)改進(jìn)后的算法相對(duì)于傳統(tǒng)算法來(lái)說(shuō)，狀態(tài)識(shí)別和預(yù)測(cè)精度更高。

引用

[1] 邵俊捷,鄧洋,于闖.故障預(yù)測(cè)與健康管理技術(shù)在動(dòng)車組中的應(yīng)用[J].城市軌道交通研究,2018(2):102.

[2] 李雪昆.故障預(yù)測(cè)與健康管理技術(shù)在地鐵列車上的應(yīng)用[J].城市軌道交通研究,2018(2):105.

[3] 楊軍祥,田澤,李成文,等.新一代航空電子故障預(yù)測(cè)與健康管理系統(tǒng)綜述[J].計(jì)算機(jī)測(cè)量與控制,2014,22(4):972.

[4] 毛京明,胥家常.一種新的自主式武器裝備后勤保障系統(tǒng)[J].兵工自動(dòng)化,2009,28(7):23.