動車組牽引電機軸承剩余壽命預測方法研究

張 春，黃天立

（北京交通大學 計算機與信息技術學院，北京 100044）

故障預測與健康管理（PHM，Prognostics and Health Management)技術起源于美國空軍，隨著科技的不斷發展該技術也應用到了其他復雜裝備上，近些年已有不少相關的研究[1]。這些研究雖然都是關注機械零件的健康狀態，但由于針對的應用場景和部件千差萬別，故而難以直接復制。目前，我國已在動車組列車關鍵部件上安裝了相應的傳感器，傳感器采集信息后，通過無線網絡發送到信息中心[2]。數據經過解析后被用來分析相關部件是否存在發生故障的可能。現行的故障預警方式主要是閾值預警，比如通過檢測軸承溫度是否超過特定的值，以此來判斷軸承當前情況[3]。但是只能評價當前狀態，無法進行剩余壽命預測，不能分析其變化趨勢。對于這些問題，本文針對牽引電機軸承提出了一種基于實時數據的分析方法和剩余壽命預測的思路。

1 車地數據概述

1.1 車地數據存在問題

PHM相關研究是近些年的熱點，但在動車組實時監控方面應用較少，目前，我國速鐵路動車組的牽引電機軸承上只安裝有溫度傳感器[4]。經過對車地數據的研究和分析，動車組實時狀態監控和故障預警的研究存在以下難點：

（1）數據難以直接使用：由于網絡延遲和傳輸中有丟包等情況的發生，動車實際運行數據存在缺項多，噪聲大等問題。此外，當前剩余壽命預測，人工智能方面的算法大多對數據本身要求高，不能有過多缺項和噪聲[5]，所以此類算法主要應用于檢修探傷等情況。

（2）外界干擾大：此問題對預警結果的影響體現為誤警率高，主要是環境因素對傳感器的影響。因為運行環境復雜多變，機械設備高度耦合，動車組運行動力來自于高壓電網，所以實際運行過程中受外界物理、電磁干擾大，對于敏感的傳感器讀數有一定影響[6]。此外，天氣因素也會干擾傳感器，我國南北溫差大，地質環境多樣，這些因素都會使得實時監控和故障預警方面研究難度加大。

（3）動車組運行狀態多樣：由于動車組運用方式并不固定，所以機械系統的工況隨時間不斷變化。而不同的工況顯然不能使用同一套分析方法。例如：軸承在牽引、制動、惰行過程中溫度的變化趨勢一定是不一樣的。如何應對不同的運行狀態，是本文的研究重點之一。

1.2 解決方案

通過對軸溫數據進行分析，可以對運行中的動車組進行在線剩余壽命預測，無需人為肉眼觀察檢修。改進以往閾值預警而無法預測的問題，將維修思路由狀態修改變為預測性維修。

（1）合理利用軸承溫度數據：溫度數據能體現軸承健康程度。常見軸承故障如裂紋缺口，滾動軸承滾道表面金屬剝離等發生初期，均表現為溫度升高，磨損越嚴重，運行時溫度就越高[7]。所以通過監控動車組牽引電機軸承的溫度變化，可以達到故障預測和軸承剩余壽命預測的目的。但是只有閾值預警的思路還遠遠不夠，需要提出新的方法。

（2）溫度數據抗環境因素影響能力強：由于溫度數據變化是連續的，短時間內不會出現大幅度的跳變[4]。如前所說，動車組實時數據產生的環境較為惡劣，并且獲取到的實時數據也存在間隔較大，噪聲大等問題，而利用溫度數據不會大幅跳變這一特性，進行剩余壽命估計，很大程度上可以減輕這些干擾的影響。

（3）針對特定過程分析：不只是考慮某時刻的狀態，而是面向某個完整的運行過程進行分析。將整個運行過程作為一個完整的整體[8]。針對某個特定的運行過程提取過程的特征值，再使用預測模型進行下一步分析。這樣做的好處在于，既考慮溫度的絕對值也可以考慮運行過程中溫度的相對變化量[9]。同時，還可以減小單個采樣點的誤差對整體結果的影響，達到更好的效果。

2 牽引電機軸承剩余壽命預測

2.1 數據預處理

如上所述，需要針對某個特定的運行過程進行分析，為了便于分析且有足夠的樣本，選擇的運行過程需要保證在該過程中軸承速度變化為單調的。因為速度的單調變化可以保證溫度的單調變化，只有保證溫度是單調變化的，才有分析的意義[6]。本階段主要處理兩個問題：選取目標過程和還原目標過程中的軸溫特性曲線。

2.1.1 劃分和選取運行過程

動車組實際運行速度圖，如圖 1所示。可以看出實際運行中，速度的變化規律相當復雜。比如時速由0加速到300 km/h的加速過程中，有時時速并不是直接達到300 km/h，中間有惰行的部分。惰行時軸溫會出現輕微下降的情況，如果用包含惰行部分的過程和不包含的過程進行軸溫對比分析，必然會導致誤差較大。

圖 1 動車組速度變化圖

經觀察，時速由0加速到300 km/h的加速過程中，如果在6～8 min內能完成，則其中不會包含惰行。所以本文選取研究過程為：在6～8 min 內時速由0加速到300 km/h的加速過程（以下簡稱：目標過程）。由于在此過程中不存在惰行的部分，所以軸承溫度的變化是單調上升的，減少分析時的影響因素。并且在實際運行中有足夠的實驗數據用于分析。

2.1.2 還原溫度特性曲線

選定目標過程后，取得某一軸承每次進行目標過程的軸溫數據。由于車地數據本身質量較低，對于不同的目標過程來說，完成過程的時間并不相等，數據間的采樣頻率也不固定，需要做相應的處理。考慮到目標過程的用時雖有差距，但時速的變化均為0加速到300 km/h，所以可以將時間維度映射到速度維度上，從而使得不同的目標過程可以進行對比。

考慮到數據密度和為了便于計算和觀察，將速度按每10 km/h分區間，對于目標過程來說共30個區間，每一個區間均對應一個溫度值，如圖 2所示。

圖 2 目標過程中速度與溫度關系

每個速度區間均對應一個溫度值，這樣就可以構建目標過程中的溫度特性曲線。而由于溫度數據不會出現大幅度的跳變，且目標過程中不存在惰行導致軸溫降低的情況，所以雖然有些速度區間上沒有對應的溫度值，也可以比較容易地估計并補全合理的缺失值。如此就可以得到所有目標過程的溫度曲線，如圖 3所示。

圖 3 還原后的軸承溫度特性曲線

補全后，每個速度區間均對應一個溫度值，之后即可將整個目標過程當做一個整體進行分析，以溫度的變化規律為特征值進行分析，并估計剩余壽命。

2.2 特征提取

還原目標過程的溫度特征曲線后，就可以針對整個目標過程為單位進行特征提取。考慮到動車組在實際運行中會頻繁的進行目標過程，本文從整個目標過程中的溫度絕對值和相對值變化量兩個方面進行特征提取。

本文以溫度的最大值，最小值，平均值與標準差的和，平均值與標準差的差作為4個特征值構建一種特殊的盒圖(也叫N-S圖)。這4個特征值的整體大小代表了本次目標過程中軸承溫度的整體情況；4個值之間的大小表示在單次過程中溫度的變化幅度。即是說在圖中既可以體現溫度的絕對值，也可以體現相對變化量。如圖 4所示，圖中，A、B、C、D依次對應目標過程中溫度最大值、平均值加標準差、平均值減標準差和最小值。

圖 4 特征提取結果

為了減小單次過程的誤差以及體現軸承在整個生命周期中的工作情況，可以計算一定里程數內，多次目標過程中特征值的平均值。圖 4中按照每10 萬km統計平均值，并展示出來。單純的展示只是最基本的方法，可以在此基礎上運用其他機器學習、數據挖掘的算法進行分析。

2.3 剩余壽命預測

通過以上研究，本文選取特定過程作為目標過程，并還原其中軸溫數據特征曲線，在動車組每次進行目標過程時獲取特征值，從而建立特征值和剩余壽命間的關系。在分析中，取軸承設計壽命為最大剩余壽命。而由于運輸安全原因，動車組實際運行中不可能使用報廢或接近報廢的牽引電機軸承，所以也就無法獲取剩余壽命接近0時的目標過程的準確特征值[7]。

CRH3型動車組安裝有圓錐滾子軸承和圓柱滾子軸承。軸承設計壽命為240萬km，120萬km內免修，三級修（120萬km）需分解檢測[10]。故可根據軸承的設計壽命，利用接近設計壽命時的目標過程，計算出特征值的上限。另外，由于軸承的設計壽命是用里程衡量的，對于動車組牽引電機軸承來說，剩余壽命預測也就是對剩余里程的預測。而根據上述內容和軸承的車地數據可以得出已運行里程和特征值的關系，再轉化為特征值和剩余里程的關系即可。

基于上述算法，對于此類型的軸承，獲取在其生命周期中所有目標過程的所有數據。據統計，某動車組某軸承從開始服役到停止服役共使用約230萬km。為了便于觀察和計算，將前面所說的4個特征值整合為一個，稱為故障指數，該指數依然是要體現出目標過程中溫度的整體大小和變化幅度。

由式（1）可知，在目標過程中軸承溫度整體偏高或變化幅度較大時故障指數也就越大，故障的可能也就越高。本文使用Java語言，基于Presto分布式查詢引擎編寫程序，計算出軸承在整個服役過程中的故障指數。從而得出軸承全生命周期中目標過程軸溫數據故障指數與已運行里程的關系，結果如圖 5所示。

圖 5 動車組運行里程對應目標過程故障指數

可以看出，從總里程達到200萬km開始，特征值會明顯增大，此時剩余壽命大約有40萬km，經統計動車組平均每月運行里程大致為4.8萬km，所以在實際生產中有足夠的調整時間。那么，得到了里程和故障指數的關系，再用設計壽命減去故障指數對應的已運行里程即可得出剩余壽命,如圖 6所示。

圖 6 通過故障指數進行牽引電機剩余壽命預測

在列車運行時，經歷目標過程時就會產生新的特征值，計算出故障指數后根據曲線可算出剩余壽命。

3 結束語

故障預測和健康管理是制造業提高服務質量，降低成本的關鍵技術。本文先分析了動車組牽引電機軸承的數據特點和現有分析方法的不足，再針對動車組牽引電機軸承實時數據提出了使用軸承溫度數據預測剩余壽命的方法，并針對動車組實際運行時的一種典型過程進行分析，實現了動車組牽引電機剩余壽命預測，可為動車組的維修管理和修程修制優化提供參考。

[1] 中國鐵路總公司運輸局.鐵路動車組運用維修規程[J]. 軌道交通裝備與技術，2014（3）：27.

[2] 何廣堅, 邢宗義, 左 成,等.基于EMD與SVM的城軌列車滾動軸承故障診斷方法研究[J]. 鐵路計算機應用, 2015，24（8）：1-4.

[3] 陶海龍, 辜琳麗, 張勝召. 改進粒子群優化算法的BP神經網絡在機車滾動軸承故障診斷中的應用[J]. 鐵路計算機應用，2012，21（2）：9-12.

[4] 楊朋飛, 蔡 陽, 胡林福. 高速動車組牽引電機滾動軸承常見故障及預防措施[J]. 文摘版：工程技術, 2015（29）：122-122.

[5] 邢宗義，姚小文. 基于EMD和包絡分析的城軌列車滾動軸承故障診斷[J]. 鐵路計算機應用， 2016，25（7）：57-60.

[6] 常振臣, 張海峰. 動車組PHM技術應用現狀及展望[J]. 電力機車與城軌車輛，2016（1）：1-4.

[7] Beganovic N, S?ffker D. Structural health management utilization for lifetime prognosis and advanced control strategy deployment of wind turbines: An overview and outlook concerning actual methods, tools, and obtained results[J].Renewable & Sustainable Energy Reviews, 2016(64): 68-83.

[8] 王中明. CRH3型動車組軸承溫度升高報警的原因分析及解決措施[J]. 鐵道車輛，2016，54（7）：38-39.

[9] 申中杰, 陳雪峰, 何正嘉,等. 基于相對特征和多變量支持向量機的滾動軸承剩余壽命預測[J]. 機械工程學報，2013，49（2）：183-189.

[10] 張 洋, 陳 浩， 郭 波，等. 鋰離子電池剩余壽命在線預測[J]. 機械科學與技術，2016，35（8）：1286-1290.