高鐵牽引供電系統PHM 與主動維護研究

王 玘， 何正友， 林 圣， 馮 玎， 李朝陽

(西南交通大學電氣工程學院，四川 成都610031)

截止2014 年底，我國高速鐵路運營的總里程達到了1.6 萬km，占世界高鐵運營里程的60%以上，穩居世界高鐵里程的榜首.預計到2015 年高鐵運營總里程將達1.8 萬km，高鐵列車日均發送旅客將達249 萬人次.我國高速鐵路建設周期短、運營規模大，且正從大規模的建設階段向以全面運營維護為主的階段轉換.牽引供電系統作為高速列車的唯一動力來源，其服役安全是保障高速鐵路安全、可靠、高效運行的關鍵［1］. 隨著服役時間的增長和設備性能的退化，高速鐵路牽引供電系統的安全隱患問題必將逐漸暴露出來，維修維護壓力也將與日俱增.如何保障上萬千米路網條件下上千列高速列車的安全可靠運行，減輕一線運營維護人員的檢修工作量，提高牽引供電設備的利用率，使高鐵牽引供電系統始終處于良好的運營狀態，減少甚至避免故障的發生，對保證未來我國高速鐵路的正常運行具有重要意義.

目前，高速鐵路牽引供電系統的故障處理和維修維護存在以下三方面的不足:

(1)系統及設備狀態判斷存在不足［2］. 為了有效地掌握設備的運行狀態，雖然對牽引供電關鍵設備的特征指標存在部分相應的監測或檢測手段，如牽引變壓器的油色譜監測和饋線電纜的光纖測溫等，但是利用這些特征指標判斷設備運行狀態時，往往只依賴單一特征指標，而未能綜合考慮多個甚至全部指標. 只考慮單一設備的運行狀態，而無法計及設備間的耦合和相互影響關系對系統的狀態進行整體把握;只能做“正常”或“故障”的二元判斷，無法反映設備或系統從“正常”到“故障”過程中的退化趨勢即各個中間狀態;只利用當前值進行簡單的閾值比較，而未結合歷史數據，也不預測未來走勢.

(2)故障診斷與處理方式存在缺陷［3-4］. 高鐵牽引供電系統采用故障后處理的方式，在故障發生后才進行故障的診斷與排除，這時已經造成了設備損壞、鐵路停運甚至人員傷亡等故障后果. 故障查找與排除速度慢，在與故障爭分奪秒的競爭中有時耗費了大量人力卻未能及時阻止故障范圍的擴大與故障程度的惡化.這不僅會損壞若干價值不菲的設備或產生高昂的維修成本，其造成的停電停運、人員傷亡、社會名譽的負面影響更是不可估量的.此外，在事后的事故分析與責任劃分中，故障原因難以真正查明，更無法追蹤并反推故障過程，使得事故責任歸屬難以明確.

(3)維修維護模式有待完善改進［5］. 目前，高速鐵路牽引供電系統仍然采用周期維修、人工巡檢和事故搶修相結合的維修維護模式，這是一種被動的模式，維修不足或維修過剩是普遍現象. 維修缺乏針對性，如維修規程的制定有些是參考電力系統設備的運行規程、檢修導則和維修技術標準等，有些則直接套用普速鐵路的現有規程，沒有考慮高鐵牽引供電系統的結構特點和服役條件科學制定維修規程，直接導致效率低下甚至錯誤指導維修活動的實施.維修活動的實施存在盲目性和投機性，維修人員往往憑經驗甚至運氣來使設備脫離故障狀態，雖然表面上暫時排除了故障，但這種缺乏科學依據的維修也為設備的后續運行埋下了隱患;這種被動的維修維護模式造成了維修效率低、經濟性差、工作量與工作強度大等問題.

以上不足使得現有的故障處理和維修維護工作并不能高效處理牽引供電系統艱巨的運營維護任務，不能有效緩解鐵路工作者巨大的工作壓力，已無法很好地適應高速鐵路進入全面運營維護期后所面臨的各項問題，對高速鐵路的安全、可靠、高效運行造成了嚴重的威脅和巨大的挑戰.

針對以上問題，本文提出將故障預測和健康管理(prognostic and health management，PHM)與主動維護的理論及技術應用于高速鐵路牽引供電系統中，首先分析了系統在各個方面的多時空尺度性、動態性與隨機性的特點，介紹了PHM 與主動維護的概念、理論與常用方法;接著確立了牽引供電系統PHM 與主動維護的目標并建立了相關的理論框架;然后結合高速鐵路牽引供電系統的特點探討了其多時空尺度PHM 與主動維護的理論研究內容;最后展望了高速鐵路牽引供電系統實現PHM與主動維護的技術途徑.

1 高速鐵路牽引供電系統的特點

1.1 多時空尺度性

高速鐵路牽引供電系統在服役環境、數據和信息以及結構和服役性能等方面具有時間和空間上的多尺度性質.

(1)服役環境的時空多尺度性

我國高速鐵路運營環境極其復雜，單條線路超過1 000 km 的行駛里程與全年服役的特點使其橫跨多個自然氣候帶，有時要輪番承受雨雪、強風、雷電等氣象災害的侵襲［6］;高速鐵路網覆蓋30 多個省市，跨越高寒(如京哈線)，高溫、高濕(如武廣線)、強腐蝕(如海南通道)、多風沙(如蘭新線)、高原(如滬昆線)等復雜且極端的地理水文環境;同時，各個地區的區域電網在供電能力、電能質量、脆弱性等方面具有較大的差異，牽引負荷的特點以及與區域電網頻繁的大功率交換使得這種電源條件差異性更加明顯. 因此，多樣的自然環境、氣象因素、地理水文甚至電源條件等造就了高速鐵路牽引供電系統在服役環境上的時空多尺度性.

(2)數據和信息的時空多尺度性

高速鐵路牽引供電系統中存在海量的在線監測數據、離線檢測記錄、統計數據、事件記錄、維修臺賬等數據和信息，它們來源于不同的采集裝置或手段，反映了不同部件或設備的服役情況. 數據采集的間隔、周期、精度、量綱等千差萬別，或客觀或主觀，或定性或定量，且分布式地存放或記錄于不同的物理載體上，構成了高速鐵路牽引供電系統在數據和信息上的時空多尺度性.

(3)結構和服役性能的時空多尺度性

沿著電能的流動方向看去，牽引供電系統實際上是由眾多供電設備和元件(牽引變電所的一次設備、接觸網的錨段)所組成的一條鏈式供電回路. 尤其是牽引變電所的關鍵設備(如牽引變壓器)甚至關鍵結構(如一路進線)由于存在備用而形成了冗余結構，這種鏈式或冗余結構在空間上將單獨的設備組成了完整的系統，形成了從設備級到系統級的空間尺度的跨越. 另一方面，牽引供電設備的服役性能在不同的時間尺度上會表現出不同的規律，在實時運行的短時間尺度、有限個失效-修復周期的中時間尺度和全壽命周期的長時間尺度上，所能觀察到的故障演變、退化趨勢及失效規律逐漸從微觀到宏觀，所關注的問題由點到面，對其描述所采用的數學方法也應具有不同的分辨率和精度.

1.2 動態性與隨機性

高速鐵路牽引供電系統在設備正常運行、性能退化、故障失效以及維修恢復的全壽命服役周期中都具有典型的動態性和隨機性的特點.

動態性是指與設備或系統有關的現象、參數及指標等是時間的函數的性質.如列車的位置是動態變化的，導致牽引負荷體現出劇烈波動的動態性;設備的服役條件是動態變化的，導致設備的性能或與性能有關的指標具有動態性;系統運行過程中，內部的服役性態退化過程、外部的風險因素是隨時間動態變化的，使得系統的健康狀態具有實時性和動態性的特點.

隨機性是指設備或系統的運行服役、故障發展、維修活動等過程的特征變量、影響因素和評價指標是時間或空間上的隨機變量的性質.如故障的發生、發展過程是隨機的，此時故障的發生時間、發生部位以及發展速度等均可視為隨機變量;自然災害等外部風險因素是隨機的，此時災害類型、災害次數和災害程度等均可視為隨機變量;維修活動的實施效果也是隨機的，這是由于維修過程中天窗時間、備品備件的需求量、維修人員經驗水平以及維修難易程度等一系列因素都是隨機變量造成的.

2 高鐵牽引供電系統PHM 與主動維護的理念

2.1 PHM 理論與方法

由于高速鐵路牽引供電系統中存在多種時空多尺度性、動態性以及隨機性，使得問題的描述和模型的建立更加復雜，傳統的狀態判斷方法、故障診斷理論以及維修維護理念將難以取得良好的效果.因此，提出將PHM 的理論與方法以及主動維護的理念引入高速鐵路牽引供電系統中以解決故障處理和維修維護方面存在的問題.

PHM 是指利用盡可能少的傳感器采集系統的各種數據信息，借助各種智能推理算法(如物理模型、神經網絡、數據融合、模糊邏輯、專家系統等)來評估系統自身的健康狀態，在系統故障發生前對其進行預測，并結合各種可利用的資源信息提供一系列的維修保障措施的理論與技術［7-9］.PHM 最早在陸軍裝備的直升機研制中被提出［10］，后其理論被發展并廣泛應用于航空航天、武器裝備、電子設備、海軍船舶、電力能源以及復雜系統等多個領域.

與傳統的故障診斷相比，PHM 代表了一種理念和方法上的轉變，使傳統基于傳感器的診斷轉向基于智能系統的預測［11］;同時PHM 也是對傳統復雜系統的機內測試和狀態監控技術的進一步拓展，加入了對多元狀態信息的融合處理、故障發生前的及時預報和預防、系統健康狀態的綜合掌控和未來可靠性的預測［12-13］.

目前，PHM 的研究中發展出3 類較為成熟且常用的方法:基于失效物理模型的方法、基于數據驅動的方法和基于統計可靠性的方法.

(1)基于失效物理模型的方法.這是利用產品的生命周期載荷和失效機理知識來進行預測和診斷的方法.這種方法通常需要利用具體對象專業領域的知識，對其進行故障物理的建模，即一般要求對象系統的數學模型是已知的或可求解的.在模型的支持下，其預測精度較高，但針對復雜動態系統通常難以建立精確的數學模型，限制了該方法的廣泛應用.典型的基于失效物理模型的方法有:故障模式、機理和影響分析(FMMEA)方法［14］、卡爾曼濾波/粒子濾波方法［15］和基于專家知識的方法［16］等.

(2)基于數據驅動的方法.很多時候復雜系統的數學模型是無法得到或難以求解的，此時在研究對象的關鍵位置安裝各種傳感器或針對研究對象進行多種實驗就成為了解系統服役規律的有效手段.基于數據驅動的方法正是利用這些傳感器或實驗采集到的數據來進行分析和預測的.由于僅用可用數據進行健康判斷和預測，該方法具有廣泛的適用性，且能滿足一定的精度. 典型的基于數據驅動的方法有:主成分分析(PCA)法［17］、隱馬爾可夫模型(HMM)方法［18］、支持向量機(SVM)方法［19］和人工神經網絡方法(ANN)［20］等.

(3)基于統計可靠性的方法.由于受到多種條件的限制，有時難免存在既難以求得系統的數學模型又無法獲取足夠狀態數據的情況，但此時只要積累了充足的歷史失效數據，就可以利用這種方法實現故障預測.基于統計可靠性的方法從可靠性的角度擬合對象的壽命分布，并推測出平均剩余壽命.由于缺乏細節信息，該方法的準確度波動較大，因此常在預測結果中加入一個置信度來表征準確度水平.典型的基于統計可靠性的方法有:D-S 證據理論［21］、貝葉斯網絡方法［22］和模糊統計方法［23］等.

2.2 主動維護理念

在過去的半個世紀中，與維修維護有關的理念、理論、技術與管理模式一直在不斷變革，從最初在設備損壞或故障后才進行維修的事后維修(breakdown maintenance，BM)階段，到后來在設備的平時運行階段按一定的周期和計劃進行維修的預防維修(preventive maintenance，PB)階段，再到近幾十年來發展形成的按設備實際運行狀態合理安排維修的狀態維修或視情維修(condition-based maintenance，CBM)階段［24-25］，人們對于設備故障和維修維護之間的關系逐漸由故障后的“維修”轉變為故障前的“維護+維修”.

隨著與維修維護有關的理論與技術不斷推陳出新，同時設備技術含量與系統復雜性不斷提高，人們對于設備運行過程中的安全可靠性要求也逐年上升，維修維護理念的聚焦點不應僅僅由“故障后”轉向“故障前”，更應該從圍繞“故障”轉移到圍繞“系統及設備全壽命周期的健康狀態”，即從“被動維修”向“主動維護”轉型.與被動維修這種對設備的故障或性能下降進行修復或恢復的反射式處理方式不同，主動維護旨在對引起故障的根源性原因進行分析和干涉，以從源頭上避免失效事件的發生同時提升設備的服役性能. 主動維護的優勢在于:無論何種形式的被動維修都只能最大限度地保持設備的健康屬性，而主動維護可以改善設備的固有健康屬性;被動維修只能延緩故障發展過程或降低故障發生概率，而主動維護能改變故障發展方向及消除故障后果.主動維護的實施并不局限于設備的運行維護階段，在必要時可以通過更改設計、優化制造或升級施工工藝等手段實現.

在以往的普速鐵路以及早期高速鐵路的運營中，維修維護工作主要采用事后維修(故障修)與預防維修(周期修)相結合的方式. 隨著近年來狀態維修的大力發展以及在電力系統中的迅速推廣與應用，狀態維修的相關技術也逐漸被引入高鐵牽引供電系統中.但目前狀態維修在牽引供電系統中的應用效果并不理想，雖有一系列在線監測裝置(如變壓器油色譜監測、電纜光纖測溫等)上線投運，但其采集的數據并未有效地利用以指導維修;另外，與狀態維修有關的經驗、標準與規程等都直接照搬電力系統，缺少針對牽引供電系統的合理改進.而主動維護理念的提出，一方面希望將各個設備的各種實時的、歷史的監測、檢測數據充分收集并加以分析利用，另一方面希望結合牽引供電系統的特點形成具有針對性的經驗、標準與規程，為狀態維修在牽引供電系統中的普及奠定堅實基礎，并更好地與既有的維修維護發展方向相結合.

2.3 高鐵牽引供電系統PHM 與主動維護的目標

將PHM 理論與主動維護理念應用于高速鐵路牽引供電系統中，應充分考慮并利用其多時空尺度性和動態性與隨機性的特點. 針對多時空尺度性，可將問題目標從不同的時間與空間層面進行劃分，并采用多尺度建模方法、多尺度融合算法以及時空聯合分析方法等進行分析;針對動態性與隨機性，其實質表現為時間上的序列性結合空間上的概率性，因此可利用隨機過程的數學工具進行統一建模分析，以期實現以下目標:

(1)對系統中存在的海量、繁雜、分布式的多時空尺度數據，建立統一的數據管理平臺，對各種歷史和實時數據進行高效地收集、存儲和管理;研究大數據背景下的信息處理與融合方法，以實現對牽引供電系統中海量異構多態數據的有效處理、集中分析與綜合利用［26］.

(2)結合牽引供電設備投運后全壽命周期的服役性態演變以及失效退化規律(如圖1 所示)，在功能性故障發生之前，對系統中可能存在的潛在故障與隱藏故障(定義見表1)進行及時地識別與預測，以實現對故障的提早預警并將故障消滅在孕育階段;若功能性故障已經發生，則進行快速準確的故障診斷，迅速識別故障元件或準確定位故障部位以及時排除故障.

圖1 牽引供電設備服役性態演變及失效退化規律Fig.1 Service state and degradation trend of traction power supply equipment

表1 牽引供電設備失效過程中的3 種故障Tab.1 Three types of fault in the failure process of traction power supply equipment

(3)借鑒生物體的健康概念與免疫機制，定義系統從正常運行到失效退出的若干個中間健康狀態(如圖2 所示);從牽引供電系統的眾多狀態參數中，提煉出能描述系統健康狀態的典型指標參數，建立包括各項監測檢測數據的重要度和時效性的動態評估指標體系;實現對牽引供電系統及設備所處健康狀態的多因素綜合評估，以全面、準確、客觀地掌握系統和設備實時的服役狀態［27-28］;根據一定時間段內設備的健康走勢對設備剩余壽命做出合理預測.

圖2 牽引供電設備健康狀態Fig.2 Health status of traction power supply equipment

(4)針對牽引供電系統內部負荷頻繁沖擊、供電質量波動、設備絕緣下降等安全性問題，以及外部惡劣天氣、自然災害、電源不穩定等安全風險因素，從統計可靠性角度考察系統的可靠度、可用度、故障率等指標，評估系統在多尺度復雜服役環境下的各種風險值，找出系統中可靠性低、風險值高的薄弱環節，并探尋提高可靠性、降低或規避風險的技術手段［29-30］.

(5)PHM 的實施最終要服務于主動維護目標的實現，因此在數據處理、故障預測、健康評估、可靠性和風險分析的基礎上，充分利用以上PHM 的分析結果與結論，研究牽引供電系統的各類維修決策(維修時間決策［31-32］、維修方式決策［33-34］、維修周期決策［35-36］和維修程度決策［37-38］等)問題、維修策略的優化以及最優組合問題［39-42］，以最終形成一套高速鐵路牽引供電系統維修維護的成套化解決方案，為涵蓋維修規程制定、檢修計劃安排以及維修活動實施等各個階段的運營維護工作提供理論指導與技術支撐.

根據以上目標，提出高鐵牽引供電系統PHM與主動維護理論框架如圖3 所示.將該理論框架的各部分進行細化，形成高鐵牽引供電系統PHM 與主動維護的理論研究內容.

圖3 高鐵牽引供電系統PHM 與主動維護理論框架Fig.3 Theoretical frame of PHM and active maintenance for high-speed railway traction power supply system

3 高鐵牽引供電系統PHM 與主動維護的理論研究內容

3.1 多尺度數據處理與融合研究

如圖4 所示，針對牽引供電系統中不同設備(空間)和不同采集間隔(時間)的各種多時空尺度數據，分析其多源異構的信息特征，包括廣域空間(位置)標識、事件標識、連續或離散性質、傳輸特性等.從各類結構化、半結構化和非結構化數據中挖掘趨勢信息;研究各個時間尺度下數據的去噪、剔冗余、解耦和特征提取等算法，研究各個空間尺度下數據的分類、聚類及相關性分析等方法. 考慮不同尺度之間的背景效應進行多尺度聯合分析，研究小尺度向大尺度的統計性轉化和大尺度向小尺度的平滑算法，建立含空間相關項和時空交互項的層次時空模型進行多時空尺度數據的融合分析.

圖4 多尺度數據處理與融合研究的內容Fig.4 Theoretical contents of data processing and fusion in multiple scales

3.2 故障預測與健康評估研究

在短時間尺度(實時運行)和中時間尺度(設備的有限個失效與更新周期)上，采用隨機過程理論對潛在故障和隱藏故障發生、發展的隨機性以及設備健康狀態退化的動態性進行建模，研究潛在故障和隱藏故障的概率分布描述形式和設備健康狀態的實時評估方法，以在功能性故障發生前或健康狀態的劣化超過閾值前進行及時預測并預警，并在一定的置信區間內預測設備的剩余使用壽命.在功能性故障發生后或健康狀態的劣化超過閾值后，利用基于案例推理的方法進行故障的快速診斷;在空間尺度上將單元件單故障模式的設備級分析擴充為多元件多故障模式的系統級分析，針對牽引供電系統的串并聯、冗余、冷/熱備用等多部件結構，以及劣化故障、沖擊故障以及多重故障并發等多故障模式，采用基于數據驅動和基于失效物理模型相結合的PHM 方法進行建模，以對系統進行健康狀態的綜合評估并實現系統級的故障預測.

3.3 全壽命周期可靠性分析與風險評估研究

在長時間尺度(牽引供電系統服役的全壽命周期)上，從隨機過程的角度對牽引供電系統的可靠性和可用性進行分析，基于設備故障率的浴盆曲線，對系統可靠性指標的時間序列進行建模并預測該序列未來的發展趨勢，準確追蹤到安全風險增大的區間并在轉折期安排避險措施以抑制故障率的上升.在空間尺度上一方面考慮惡劣天氣、自然災害等風險因素對系統故障率和可用度的影響，評估風險值的大小，另一方面針對牽引供電系統的鏈式(串聯)及備用(并聯)結構考察系統故障率和可用度的概率分布形式，在傳統的以時間為單一自變量的故障率模型λ(t)中加入健康狀態H 與服役環境E 的影響，建立可定量反映系統內、外部風險的綜合故障率模型λ(H，t，E)，并引入尺度變量建立條件可靠度模型分析系統全壽命周期的可靠性.

3.4 維修決策與優化研究

在前三點研究內容的基礎上，考慮維修活動中的多種動態性和隨機性，考察維修活動在時間上的多尺度效應(如事故搶修的緊迫性、狀態維修的實時性和定期維修的周期性等)和空間上的多尺度效應(如部件級、設備級、子系統級、系統級維修等)，建立多因素、多尺度的時空聯合決策模型，重點研究維修時間、維修周期、維修程度和維修方式等方面的決策問題(各類維修決策的含義如表2所示);應用靈敏度分析方法、非線性數學規劃方法以及多目標智能優化算法等研究維修決策變量的優化與最優組合問題;分析牽引供電系統在維修活動中表現出的各項屬性，合理分配其權重，形成維修影響因素集，并結合維修活動所要用到的備件、工具和工種等建立維修庫，最終為每條結構、性能各異的牽引供電系統提供一整套定制化的維修維護解決方案. 上述主動維護層面的研究內容如圖5 所示.

表2 四種維修決策類型及其含義Tab.2 Four types of maintenance decision and their meanings

圖5 維修決策與優化研究的內容Fig.5 Theoretical contents of maintenance decision and optimization

4 高鐵牽引供電系統PHM 與主動維護的技術展望

隨著高速鐵路牽引供電系統PHM 與主動維護的理論研究不斷深入與完善，實現其目標的技術途徑也將得到長足的發展.最終將由一定的軟硬件平臺作為各種技術手段的載體，安裝于現有牽引供電系統上，甚至融合進新建高鐵線路的建設中，形成一套高鐵牽引供電系統的健康監控與智能維護系統，如圖6 所示.

圖6 牽引供電系統的健康監控與智能維護系統Fig.6 Health monitoring and intelligent maintenance system of traction power supply system

圖6 中的高鐵牽引供電健康監控與智能維護系統是一套分布式軟硬件集成平臺，具有從設備級到系統級的分布式分層結構.類似生物體的免疫系統，其組成結構傳感器agent、免疫agent、管理agent和執行器agent 分布于各個設備、子系統及系統中，用以實現PHM 與主動維護的各項功能.其中各個結構的含義和功能為:

(1)傳感器agent:用于采集系統中的海量數據與信息，它通過與現有的或未來可能增設的各項在線監測裝置(如SCADA 系統、電氣設備絕緣狀態監測、接觸網6C 系統等)和離線檢測手段(如預防性試驗、保護測試儀、接觸網檢測車等)對接，獲取表征設備健康狀態的各項指標.由于每項指標的采集源、存儲媒介與采集手段等不盡相同，每項指標對應一種傳感器agent，如圖7 所示為以牽引變壓器和接觸網一個跨距為例設置的傳感器agent.

(2)免疫agent:該部分集成了PHM 在設備級的主要功能，在接收到傳感器agent 上傳的信息后，實現對設備健康指標數據的處理、設備潛在故障和隱藏故障的預測、設備健康狀態的評估以及設備的可靠性分析和風險評估等，它將處理結果編碼成一定的輸出狀態序列，經過通信接口上傳到子系統的管理agent. 對于牽引供電系統的典型子系統——牽引變電所和接觸網，前者按每一設備設一免疫agent，后者按每一跨距設一免疫agent，如圖8所示.

圖7 傳感器agent 示意圖Fig.7 Schematic diagram of sensor agents

圖8 免疫agent 示意圖Fig.8 Schematic diagram of immunity agents

(3)管理agent:負責系統級PHM 功能與維修策略制定的實現，包括多尺度融合、時空聯合分析、維修決策支持以及系統級綜合評估等功能. 此外，不同的子系統管理agent 要相互通信交互，并激發抗體庫產生抗體，這些行為需要在上一級的系統管理agent 的支配和協調下完成，如圖9 所示，其中牽引變電所和接觸網分別設置子系統管理agent，整個牽引供電系統設置系統管理agent.

圖9 管理agent 示意圖Fig.9 Schematic diagram of management agents

(4)執行器agent:其實質是執行各項主動維護活動的具體人員、工具、裝置或手段. 它在管理agent 的調配下接受并執行來自抗體庫的抗體，對抗原存在部位實施主動維護行為，以消滅抗原并優化系統的健康運行.

(5)抗原:即牽引供電系統中存在的各類故障(包括潛在故障和隱藏故障)、健康狀態退化、供電質量下降、運行方式不當和各種風險因素的總稱.

(6)抗體:即經過PHM 和主動維護的一系列分析、預測、評估和決策過程后生成的一體型成套化解決方案(維修策略).

這樣，在牽引供電系統中抗原產生時，該健康監控與智能維護系統能迅速感知并及時做出應激反應，經過從傳感器agent 到管理agent 的一步步采集、傳輸與處理，刺激抗體庫生成抗體，并由執行器agent 執行抗體最終消滅抗原. 若抗原事件初次發生，則此次生成的抗體可被記錄保存于抗體庫中，待下次相同抗原侵入時能跳過重復的分析、預測、評估和決策過程，直接激發對應抗體迅速消滅抗原.

例如，當安裝在牽引變壓器上的局放傳感器agent 監測到局放量異常時，將此信息上傳到牽引變壓器免疫agent(此時局放量異常這一事件即為一個抗原)，牽引變壓器免疫agent 綜合此信息以及其他傳感器agent 上傳的信息后對牽引變壓器進行一系列PHM 分析(故障預測、健康評估、可靠性分析等)，能大致推測該臺變壓器的局放何時將劣化超過允許值，并決策出在此之前何時進行何種維修工作能避免局放超標，但這僅僅完成了設備級的分析.牽引變壓器免疫agent 還要將以上分析結果繼續上傳到牽引變電所管理agent，若除牽引變壓器外還有別的設備存在異常事件(抗原)，則這些設備的免疫agent 都會向牽引變電所管理agent上傳分析結果，牽引變電所管理agent 綜合考慮所有結果合理安排這些設備的同時維修抑或相隔多久先后維修，以保證最少的人力和最低的費用等.變電所管理agent 與接觸網管理agent 還要共同接受高鐵牽引供電系統管理agent 的支配與協調，形成各自的最終決策結果，這樣才完成了系統級的分析與決策;最終這些管理agent 給出的具體維修策略即為抗體，它們被下發到相應的維修車間或維修工(執行器agent)，由這些維修工(執行器agent)來執行維修策略(抗體)以消除設備異常事件(抗原).

可見，高鐵牽引供電健康監控與智能維護系統的建設有助于未來牽引供電系統智能化與自愈性的實現.

5 結束語

隨著我國高速鐵路由大規模建設期向全面運營維護期的轉型，作為高速鐵路唯一動力來源的牽引供電系統在狀態判斷、故障處理與維修維護模式上的不足將逐漸暴露出來，成為影響高速鐵路安全、可靠、高效運行的短板.

針對以上不足，本文總結了高鐵牽引供電系統在各個方面的多時空尺度性、動態性和隨機性的特點，提出將PHM 與主動維護的理念應用于高鐵牽引供電系統中，以在不同的時間和空間尺度上實現對故障的預測預警、對系統健康狀態的綜合評估、對全壽命周期可靠性的分析和風險的評估以及對各類維修變量的決策、優化和組合. 分析了高鐵牽引供電系統多時空尺度PHM 與主動維護理論層面的研究內容，并展望了其技術層面的實現途徑. 總之，PHM 與主動維護理念的應用，將為高鐵牽引供電系統整個運維周期的維修維護工作奠定成套化理論基礎并提供智能化決策支持，同時也是實現自愈型智能化牽引供電系統的過程中不可或缺的環節.

［1］ 李群湛. 論新一代牽引供電系統及其關鍵技術［J］.西南交通大學學報，2014，49(4):559-568.LI Qunzhan. On new generation traction power supply system and its key technologies for electrification railway［J］. Journal of Southwest Jiaotong University，2014，49(4):559-568.

［2］ 何正友，程宏波. 高速鐵路牽引供電系統健康管理及故障預警體系研究［J］. 電網技術，2012，36(10):259-264.HE Zhengyou，CHENG Hongbo. Research on health management and early warning system for traction power supply system of high-speed railway［J］. Power System Technology，2012，36(10):259-264.

［3］ 劉志剛，鐘煒，鄧云川，等. 牽引變電站故障的基于模型診斷方法［J］. 中國電機工程學報，2010，30(34):36-41.LIU Zhigang，ZHONG Wei，DENG Yunchuan，et al.Electric railway substation diagnosis with model-based method［J］. Proceedings of the CSEE，2010，30(34):36-41.

［4］ 吳雙，何正友，錢澄浩，等. 模糊Petri 網在高速鐵路牽引供電系統故障診斷中的應用［J］. 電網技術，2011，35(9):79-85.WU Shuang，HE Zhengyou，QIAN Chenghao，et al.Application of fuzzy petri net in fault diagnosis of traction power supply system for high-speed railway［J］.Power System Technology，2011，35(9):79-85.

［5］ 陳紹寬，彭宏勤，毛保華，等. 基于費用最小的鐵路牽引變電所維修計劃優化模型［J］. 鐵道學報，2011，33(8):39-44.CHEN Shaokuan，PENG Hongqin，MAO Baohua，et al. Optimization model of least-cost-based maintenance schedules for railway traction substations［J］. Journal of the China Railway Society，2011，33(8):39-44.

［6］ 劉志剛，宋洋，劉煜鋮. 電氣化高速鐵路接觸網微風振動特性［J］. 西南交通大學學報，2015，50(1):1-6.LIU Zhigang，SONG Yang，LIU Yucheng. Aeolian vibration characteristics of electrified high-speed railway catenary［J］. Journal of Southwest Jiaotong University，2015，50(1):1-6.

［7］ HESS A，FILA L. The joint strike fighter (JSF)PHM concept: potential impact on aging aircraft problems［C］∥Proceedings of the IEEE Aerospace Conference. ［S.l.］:IEEE，2002:3021-3026.

［8］ KOTHAMASU R，HUANG S H，VERDUIN W H.System health monitoring and prognostics:a review of current paradigms and practices［J］. Handbook of Maintenance Management and Engineering， 2006，28(9):1012-1024.

［9］ 孫博，康銳，謝勁松. 故障預測與健康管理系統研究和應用現狀綜述［J］. 系統工程與電子技術，2007，29(10):1762-1767.SUN Bo，KANG Rui，XIE Jingsong. Research and application of the prognostic and health management system［J］. Systems Engineering and Electronics，2007，29(10):1762-1767.

［10］ TUMER I Y，BAJWA A. A survey of aircraft engine health monitoring systems［C］∥The 35th AIAA/ASME/SAE/ASEE Joint Propulsion Conference and Exhibit. Los Angeles:Aevospace Research Central，1999:1-8.

［11］ TUCHBAND B A. Implementation of prognostics and health management for electronic systems［D］.Washington D. C.:University of Maryland，College Park，2007.

［12］ PECHT M， JAAI R. A prognostics and health management roadmap for information and electronicsrich systems［J］. Microelectronics Reliability，2010，50(3):317-323.

［13］ 彭宇，劉大同，彭喜元. 故障預測與健康管理技術綜述［J］. 電子測量與儀器學報，2010，24(1):1-9.PENG Yu，LIU Datong，PENG Xiyuan. A review:prognostics and health management［J］. Journal of Electronic Measurement and Instrument， 2010，24(1):1-9.

［14］ DAS D，AZARIAN M，PECHT M. Failure modes，mechanisms and effects analysis (FMMEA) for automotive electronics［C］∥The 11th Annual AEC Workshop. Indianapolis: Automotive Electronics Council，2006:156-162.

［15］ CLIMENTE-ALARCON V，ANTONINO-DAVIU J A，STRANGAS E G， et al. Rotor-bar breakage mechanism and prognosis in an induction motor［J］.IEEE Transactions on Industrial Electronics，2015，62(3):1814-1825.

［16］ MICHAEL G P. Prognostics and health management of electronics［M］. Hoboken:John Wiley ＆ Sons. Inc.，2008:73-85.

［17］ CHERRY G A， QIN S J. Multiblock principal component analysis based on a combined index for semiconductor fault detection and diagnosis［J］. IEEE Transactions on Semiconductor Manufacturing，2006，19(2):159-172.

［18］ TOBON-MEJIA D A，MEDJAHER K，ZERHOUNI N，et al. A data-driven failure prognostics method based on mixture of gaussians hidden markov models［J］.IEEE Transactions on Reliability，2012，61(2):491-503.

［19］ POYHONEN S，NEGREA M，JOVER P，et al.Numerical magnetic field analysis and signal processing for fault diagnostics of electrical machines［J］. The International Journal for Computation and Mathematics in Electrical and Electronic Engineering， 2003，22(4):969-981.

［20］ WANG P，VACHTSEVANOS G. Fault prognostics using dynamic wavelet neural networks［J］. Artificial Intelligence for Engineering Design Analysis and Manufacturing，2001，15(4):349-365.

［21］ HANG Jun，ZHANG Jianzhong ，CHENG Ming. Fault diagnosis of wind turbine based on multisensors information fusion technology［J］. IET Renewable Power Generation，2014，8(3):289-298.

［22］ POURALI M， MOSLEH A. A functional sensor placement optimization method for power systems health monitoring［J］. IEEE Transactions on Industry Applications，2013，49(4):1711-1719.

［23］ ZHAO Zhiyao，QUAN Quan，CAI K Y. A profust reliability based approach to prognostics and health management［J］. IEEE Transactions on Reliability，2014，63(1):26-41.

［24］ 李葆文. 國外設備管理模式及發展趨勢(一)［J］.設備管理＆維修，2000(7):36-37.LI Baowen. Lecture pattern of equipment management abroad and its development trend (1)［J］. Plant Maintenance Engineering，2000(7):36-37.

［25］ 謝小鵬. 設備狀態識別與維修決策［M］. 北京:中國石化出版社，2000:3-5.

［26］ COBLE J B，RAMUHALLI P，BOND L J，et al.Prognostics and health management in nuclear power plants:a review of technologies and applications［M］.Richland: Pacific Northwest National Laboratory，2012:33-36.

［27］ 程宏波，何正友，母秀清. 基于多層免疫模型的高鐵牽引供電系統健康監測與評估［J］. 電網技術，2012，36(9):95-101.CHENG Hongbo，HE Zhengyou，MU Xiuqing. Health monitoring and evaluation of traction power supply system for high-speed railway based on multi-layer immune model［J］. Power System Technology，2012，36(9):95-101.

［28］ 張曉陽，孫宇. 基于生物免疫機制的復雜系統健康監測與評估［J］. 系統仿真學報，2005，17(5):1212-1215.ZHANG Xiaoyang，SUN Yu. Health evaluation and monitoring of complex system based on biological immune mechanism［J］. Journal of System Simulation，2005，17(5):1212-1215.

［29］ 張小瑜，吳俊勇. 高速鐵路牽引供電系統的供電可靠性評估方法［J］. 電網技術，2007，31(11):27-32.ZHANG Xiaoyu，WU Junyong. Reliability estimation method of traction power supply system for high-speed railway［J］. Power System Technology， 2007，31(11):27-32.

［30］ 程宏波，何正友，胡海濤，等. 高速鐵路牽引供電系統雷電災害風險評估及預警［J］. 鐵道學報，2013，35(5):21-26.CHENG Hongbo，HE Zhengyou，HU Haitao，et al.Risk assessment and early warning of lightning disaster for traction power supply system of high-speed railway［J］. Journal of the China Railway Society，2013，35(5):21-26.

［31］ 王有元，徐海霞，陳偉根，等. 電力變壓器狀態維修策略的灰局勢決策方法［J］. 重慶大學學報，2009，32(12):1419-1424.WANG Youyuan，XU Haixia，CHEN Weigen，et al.Grey situation decision making method of condition based maintenance strategy for power transformer［J］.Journal of Chongqing University，2009，32 (12):1419-1424.

［32］ 謝慶華，梁劍，左洪福. 基于變精度粗糙集的航空發動機送修等級決策［J］. 系統工程理論方法應用，2006，15(4):380-384.XIE Qinghua，LIANG Jian，ZOU Hongfu. Studies on maintenance level decision of aero-engine based on variable precision rough sets theory［J］. Journal of Systems ＆ Management，2006，15(4):380-384.

［33］ IVY J S，NEMBHARD H B. A modeling approach to maintenance decisions using statistical quality control and organization［J］. Quality and Reliability Engineering International，2005，21(4):355-366.

［34］ BERTOLINI M，BEVILACQUA M. A combined goal programming:AHP approach to maintenance selection problem［J］. Reliability Engineering ＆ System Safety，2006，91(7):839-848.

［35］ CASTANIER B， GRALL A. A condition-based maintenance policy with non-periodic inspections for a two-unit series system［J］. Reliability Engineering ＆System Safety，2005，87(1):109-120.

［36］ WANG Wenbin. A two-stage prognosis model in condition based maintenance［J］. European Journal of Operational Research，2007，182(3):1177-1187.

［37］ KALLEN M J，VAN-NOORTWIJK J M. Optimal maintenance decisions under imperfect Inspection［J］.Reliability Engineering and System Safety，2005，90(2):177-185.

［38］ CHEN Dongyan，TRIVEDI K S. Optimization for condition-based maintenance with semi-markov decision process［J］. Reliability Engineering and System Safety，2005，90(1):25-29.

［39］ MARQUEZ A C，HEGUEDAS A S. Models for maintenance optimization: a study for repairable systems and finite time periods［J］. Reliability Engineering and System Safety，2002，75(3):367-377.

［40］ MECHEFSKE C K，WANG Zheng. Using fuzzy linguistics to select optimum maintenance and condition monitoring strategies［J］. Mechanical Systems and Signal Processing，2003，17(2):305-316.

［41］ 李雪，吳俊勇，楊媛，等. 高速鐵路接觸網懸掛系統維修計劃的優化研究［J］. 鐵道學報，2010，32(2):24-30.LI Xue，WU Junyong，YANG Yuan，et al. Research on optimization of catenary system maintenance schedule for high-speed railways［J］. Journal of the China Railway Society，2010，32(2):24-30.

［42］ 陳民武，李群湛，解紹鋒. 牽引供電系統維修計劃的優化與仿真［J］. 華南理工大學學報:自然科學版，2009，37(11):100-106.CHEN Minwu， LI Qunzhan， XIE Shaofeng.Optimization and simulation of maintenance plan of traction power supply systems［J］. Journal of South China University of Technology: Natural Science Edition，2009，37(11):100-106.