摘 要：車輛是城市軌道交通工程中的核心組成部分，通過全面分析車輛的購置、運營、維修和廢棄等方面的成本，實現車輛成本的最小化和精細化管理，具有巨大的經濟效益和社會效益。文章對軌道交通車輛全壽命周期各個階段成本進行分解，建立全壽命周期成本（Life Cycle Cost，LCC）模型，針對軌道車輛項目成本中故障維修費用的復雜性，文章以車輛牽引系統(tǒng)為例，基于國內某地鐵公司部分車型牽引系統(tǒng)維修數據，運用BP神經網絡對軌道車輛牽引系統(tǒng)糾正性維修費用進行估算和預測。

關鍵詞：城市軌道車輛；全壽命周期成本；牽引系統(tǒng)；BP神經網絡

中圖分類號：F572；U279 文獻標志碼：A DOI：10.13714/j.cnki.1002-3100.2024.18.021

Abstract： The vehicle is the core component of urban rail transit engineering. Through comprehensive analysis of purchase， operation， maintenance and abandonment costs of vehicles， vehicle cost minimization and fine management are realized， which has huge economic and social benefits. In this paper， the cost of each stage of the life cycle of rail transit vehicles is decomposed， and the Life Cycle Cost （LCC） model is established. In view of the complexity of fault maintenance costs in rail vehicle project costs， this paper takes vehicle traction system as an example， based on the maintenance data of some models of a domestic metro company， and uses BP neural network to estimate and predict the corrective maintenance costs of rail vehicle traction system.

Key words： urban rail vehicles; Life Cycle Cost; traction system; BP neural network

近年來，中國的城市軌道交通發(fā)展迅速，各大城市紛紛加快了軌道交通的建設進程，以緩解交通擁堵問題。城市軌道交通已成為中國城市可持續(xù)交通的重要組成部分，為人們提供了便捷、高效、環(huán)保的出行方式。截至2023年，中國已經建成了超過9 000公里的城市軌道交通線路，以上海為例，上海軌道交通自1993年正式運營至今，已開通運營 19 條線路（包括上海磁浮示范線），覆蓋上海除崇明以外的所有各區(qū)，總里程達 803 公里，設施設備總資產超 3 000 億元，上海地鐵全網配屬電動列車數量（除浦江線）為 1 202 列、7 416 輛。隨著運營年限的增長，軌道車輛受到惡劣環(huán)境的影響，不可避免地產生腐蝕、裂紋、老化等情況，嚴重影響車輛的運行安全性和可靠性，越來越多的軌道車輛面臨著延壽改造、維修、報廢等一系列決策問題。由于軌道車輛價值巨大，在保證軌道車輛安全性和可靠性基礎上，軌道車輛成本研究在車輛的購置、運營、維修、報廢等階段具有重要意義。

全壽命周期成本管理概念（Life Cycle Cost Management，LCCM）是一種以全壽命周期為視角來管理和優(yōu)化產品或系統(tǒng)的成本的方法。它包括產品或系統(tǒng)從設計、采購、制造、運營到報廢的整個生命周期，通過對各階段成本的綜合分析和管理，以實現成本最小化和效益最大化的目標。最早應用于美國的軍工企業(yè)中，旨在滿足最低可靠性的前提下，降低研究對象研制、運行、維修和報廢處理整個壽命周期費用的作用。軌道交通行業(yè)全壽命周期成本理念最早在瑞典鐵路得到應用，以全壽命周期費用為基準進行高速列車的購置[1]。國內學者將全壽命周期成本管理應用到電網、軌道交通等行業(yè)中，陳國鋒等通過對車輛全壽命周期成本進行量化分析，為降低成本提供管控方法[2]。孫悅等引入全壽命周期成本招標模式，通過計算車輛購置、運行、維護和報廢成本，制定出完善合理的招標方案[3]。劉蘇等對變壓器進行全壽命周期成本分解，并對成本中不確定性進行Monte Carlo模擬，進一步提高成本的精確性[4]。文獻[5-6]建立了軌道車輛全壽命周期成本模型，并提出招標方案。

本文在分解軌道車輛全壽命成本的基礎上，考慮到資金的時間價值，將車輛各個階段發(fā)生的成本歸集到一個時間點上，應用區(qū)間法，對軌道車輛從購置到報廢中間各個階段進行成本分解，提出了軌道交通車輛全壽命周期成本模型。基于軌道車輛牽引系統(tǒng)維修故障數據，采用BP神經網絡對軌道車輛牽引系統(tǒng)糾正性維修費用進行估算和預測。

1 車輛全壽命周期成本模型

全壽命周期成本模型是針對軌道交通車輛成本管理的一種綜合性方法。該模型旨在通過合理的管理和技術手段，保證軌道交通車輛從生產到使用周期結束的全生命周期成本控制在最低。同時，該模型也著眼于保證軌道交通的安全運營和穩(wěn)定，以此為前提，通過合理的管理模式和技術方式，提高軌道交通車輛的可靠性，并實現全壽命周期成本的最小化。全壽命周期成本模型分析的環(huán)節(jié)較多，數據量也比較大。因此，本文采用區(qū)間法建立軌道車輛全壽命周期成本模型，對各個階段的成本進行綜合分析。根據全壽命周期成本模型對車輛全面把控，并根據實際情況適當做出調整，以實現對成本控制的預期效果。

軌道車輛全壽命周期成本管理是在滿足安全性和可靠性的基礎上，將設備從采購、運行、維護、報廢等整個壽命周期內的所有成本進行量化，實現全壽命周期成本最低的一種方法。城市軌道交通車輛全壽命周期成本模型結構如圖1所示，全壽命周期成本分為4個部分，即購置成本、運營能耗成本、維修成本和回收處置成本。

1.1 購置成本

購置成本包括設備購置費、安裝調試費、初始保障費等費用，即：。式中，為車輛購置費用，為調試費用，為其他費用，如研發(fā)費用等。

1.2 運營成本

軌道交通車輛的運營能耗成本分為兩大類：一是車輛牽引運動產生的能耗;二是車輛運行以外車輛輔助設備消耗的能耗，即車輛牽引運動能耗和車輛輔助設備能耗兩大部分。其中車輛輔助設備能耗主要有通風設備、空調壓縮機、照明系統(tǒng)、弱電設備和控制器能耗。據統(tǒng)計，牽引系統(tǒng)凈能耗占地鐵列車能耗的80%左右，輔助設備能耗大概占20%[7]。從整車耗能來說，制動再生能量可以抵消部分牽引能耗。城市軌道交通車輛牽引運行凈能耗的計算公式如下。

1.3 維修成本

1.3.1 預防修成本

目前地鐵車輛主要采用計劃修的維修策略，維修形式包括日常檢修和深度修。其中，日常檢修包括日檢和均衡修，屬于不退出服務的日常檢修；深度修主要包括架修和大修。根據《城市軌道交通設施設備運行維護管理辦法》相關要求，架修間隔不超過5年或80萬車公里，大修間隔不超過10年或160萬車公里。上海地鐵維修通用規(guī)程預防性修復分為架修和大修，運營時間滿年，運營公里數達到要求，實施第一次架修，運營時間滿年，運營公里數達到要求，實施第一次大修，其中公里數或運營時間按先達到的實施。在地鐵全壽命周期內一般需要進行3次架修和2次大修。

1.3.2 糾正修成本

1.4 報廢成本

軌道車輛在進行報廢處理后，仍然含有大量的剩余價值，車體材料可以進行回收處理，這部分產生的價值稱為殘值，在全壽命周期成本中，這部分回收成本可以抵消部分成本，相應地，再對這部分整車剩余價值處理的過程中也會產生相應的處理費用，即報廢成本。單臺軌道車輛殘值為：。 式中，為退役處理系數，取。

2 全壽命周期成本計算

2.1 地鐵成本基礎數據

某城市地鐵A型車各類成本基礎數據如表1所示。

2.2 地鐵全壽命周期各部分成本LCC計算

根據全壽命周期成本模型，計算車輛全壽命周期內各階段成本，利用表1基礎數據，可得A型車輛全壽命周期各部分的成本，如表2所示。

圖2為各類成本的分布情況，可以看出，購置成本在車輛全壽命周期成本中占比最高（48.22%），維修成本次之（32.72%）。

3 軌道車輛糾正性維修費用預測模型

本文使用BP神經網絡，建立了基于車輛可靠性的維修費用預測模型，并以牽引系統(tǒng)為例，驗證了預測模型的準確性。

3.1 BP網絡基本理論

BP神經網絡是一種基于誤差反向傳播算法的人工神經網絡，它可以學習和存儲大量的輸入輸出模式映射關系，無需事先揭示這種映射關系的數學方程。BP神經網絡使用最速下降法通過反向傳播來不斷調整網絡的權值和閾值，以使網絡的誤差平方和最小化。隱含層是BP神經網絡的一個重要組成部分，它可以將輸入空間映射到低維的特征空間中，從而提高模型的表達能力和預測精度。但是，當隱含層數量過多時，BP網絡的訓練過程會變得更加復雜，誤差向后傳播的計算也會變得更加困難，同時也更容易陷入局部最優(yōu)點而無法找到全局最優(yōu)解[8]。此外，隨著隱含層數量的增加，訓練時間也會大幅增加，導致模型訓練效率降低。BP神經網絡模型如圖3所示。

3.2 模型搭建

根據某城市地鐵部分車型牽引系統(tǒng)歷史維修數據，建立基于BP神經網絡牽引系統(tǒng)維修費用的預測模型，首先對牽引系統(tǒng)維修費用的影響因素進行分析，以確定預測模型的輸入變量。對牽引系統(tǒng)的原始維修數據進行預處理，并對模型參數進行優(yōu)化，從而實現了模型的搭建。牽引系統(tǒng)費用模型流程圖如圖4所示。

3.3 影響因素分析

車輛可靠性指標MDBF（Mean Distance Between Failures）也稱為車輛平均無故障行駛里程。這個指標表示車輛平均運行多少公里后會出現故障。MDBF的值越高，說明車輛的可靠性越高，故障率越低。相反，MDBF的值越低，說明車輛的可靠性越差，故障率越高。因此，車輛MDBF是影響軌道車輛牽引系統(tǒng)維修費用的一個重要因素。列車平均故障間隔里程計算方式為：。式中，為特定批次列車運行里程總和，為時間內特定批次列車發(fā)生的故障總和。

軌道車輛MDBF的計算一般采用統(tǒng)計方法，通過對車輛故障發(fā)生的次數和行駛里程進行統(tǒng)計和分析，得出車輛的平均無故障運營里程。車輛MDBF指標的大小會直接影響到軌道車輛牽引系統(tǒng)的維修時間。本文收集國內某城市地鐵部分車型2021年間牽引系統(tǒng)每個月MDBF對應下的維修時間數據如表3所示。

故障維修時間是指車輛因故障需要進行維修的時間。由表3可以看出車輛指標越小，故障維修時間越長。維修時間的長短還取決于故障的類型和嚴重程度、維修技術和人員素質、維修設備和材料配備情況等因素。

3.4 數據預處理

糾正性維修時間受眾多因素影響如下。

第一，故障類型和嚴重程度：不同類型和嚴重程度的故障需要的維修時間也不同。一些小型的故障，如更換繼電器等，只需要短時間的維修；而一些大型的故障，如電動機故障等，則需要較長時間的維修。

第二，維修設備和材料配備情況：維修設備和材料的配備情況也會影響維修時間。如果維修設備和材料不齊全，維修人員可能需要等待配件到達或使用不合適的工具，從而延長維修時間。

因此，先對原始數據進行預處理，如在統(tǒng)計中遇到數據異常值，采用取變化值均值的方法，如下。

式中，為異常值點修正后的值，為異常點之前一個月同類型故障維修時間統(tǒng)計變化值的平均，為異常點之后一個月時間同類型故障維修時間統(tǒng)計變化值的平均，為異常點上一個同類型故障的維修時間。

3.5 BP神經網絡參數預處理

圖5中縱坐標為測試集中樣本的牽引系統(tǒng)維修費用，單位為元。對比圖片中的預測值和實際值，可以得出本文所提出的BP神經網絡模型，預測結果穩(wěn)定、準確，異常預測值很少，與實際值吻合度高。通過對訓練集的多次訓練后，使用BP神經網絡模型對測試集進行測試，準確率達到94.23%，其中相關系數達到0.99，如圖6所示。

4 結 論

本文建立了城軌車輛全壽命周期成本模型，并基于BP神經網絡對車輛糾正性維修費用進行了預測。得出以下結論。

第一，將車輛各個階段發(fā)生成本歸集到車輛購置初期，建立了全壽命周期模型。

第二，對全壽命周期費用進行測算，其中購置費用占比48.22%，維修費用占比32.72%，地鐵運營成本占比19.83%。因此，優(yōu)化維修策略，降低運營能耗對提升城軌車輛運營經濟效益具有重要意義。

第三，本文提出一種基于BP神經網絡軌道車輛糾正性維修費用預測的方法，預測準確率達到94.23%。

參考文獻：

[1] KJELLSSON U．From X2000 to Crusaris Regina：Development of LCC technology[C]//Proceedings of World CongressRailroad Research，Paris：SNCF，1999：1-7.

[2] 陳國鋒，蔡勛，蔡岳辰，等．我國標準地鐵車輛的全壽命周期成本構成及控制[J]．城市軌道交通研究，2023，26（4）：5-8.

[3] 孫悅，張光準．城市軌道交通車輛全壽命周期成本招標分析[J]．城市軌道交通研究，2020，23（7）：153-157.

[4] 劉蘇，姚建剛，韋亦龍，等．基于Monte Carlo的主變壓器全壽命周期成本研究[J]．電源技術，2017，41（2）：312-315.

[5] 蔣鈞杰，談飛．城市軌道交通車輛全壽命周期成本分析[J]．土木工程與管理學報，2014，31（2）：91-95，109.

[6] 皇甫小燕．城市軌道交通車輛全壽命周期成本探討[J]．城市軌道交通研究，2012，15（5）：8-11.

[7] 唐飛龍，韓慶軍．地鐵車輛能耗分析及節(jié)能措施研究[J]．機車電傳動，2020（4）：138-141.

[8] 夏禹，王磊．基于反向傳播神經網絡的海洋工程項目投標風險評價方法[J]．上海交通大學學報，2023，57（S1）：46-53.