融合RCM、PHM和數據挖掘的城市軌道交通車輛維護決策技術研究*

高明亮 高 珊** 于 闖 石海明 劉德權 邵俊捷 賈顏菽 唐玉清 莫柳松

(1.中車長春軌道客車股份有限公司國家軌道客車工程研究中心,130062,長春；2.北京化工大學信息科學與技術學院，102299，北京； 3.北京明略科技軟件系統有限公司,100193,北京//第一作者,高級工程師)

0 引言

在城市軌道交通快速發展的過程中，列車速度等級和乘客數量的上升引起相關系統以及零件的故障率逐年增加，從而對列車的安全性、舒適性、平穩性和可用性提出了嚴格的經濟性要求。因此，具有經濟性和精準度的維護對提高工廠產品生產的可用性、降低停機成本和提高列車運行可靠性越來越重要。

RCM(以可靠性為中心的維修)方法是一種系統工程，亦是一種先進的維修管理機制，通常用于確定設備的預防性維護要求并優化維護系統。實踐證明：RCM技術如能正確地被應用到現行的維護中，在保證生產安全性和設備可靠性的前提下，可將日常的維護工作量降到40%～70%。國內外許多學者對RCM方法的應用做了眾多深入的研究。文獻[2]率先提出了將RCM理論引入設備維護管理中的建議。文獻[3]將RCM方法應用于電力系統，并提出推行PHM(故障預測與健康管理)/RCM的建議，更系統、全面地認識RCM方法的必要性和途徑，提出了評估RCM經濟效益的一種更加準確可靠的方法，充分驗證了RCM分析方法在電力維護系統中應用的可行性。文獻[4] 以北京大興國際機場線的直線電機車輛為研究對象，開展了采用RCM方法研究最佳維護機器設備的方案，設計開發了一款維護決策系統，并說明了RCM方法的有效性。盡管RCM方法得到了廣泛應用，但RCM邏輯判斷是基于FMECA(故障模式、影響和危害性分析)結果的故障模式分析和FTA(故障樹分析)故障模式邏輯圖，該決策不涉及系統的生命周期，當使用RCM方法進行設備的預防性維護時，將導致獲得的維護周期超出設備的可靠使用壽命范圍，并增加了設備故障的可能性。

傳統維護包括糾正性維護和預防性維護兩種主要類型。故障發生后或發現明顯故障后，應進行糾正性維護。然而，最好的糾正性維護只能用于非關鍵區域，這些區域的資本成本很小，故障后果很小，沒有立即的安全風險，并且可以快速進行故障識別和快速故障修復。

預防性維護以預定的時間間隔或根據規定的標準執行，旨在減少物品失效或功能下降的可能性。預防性維護分為預定計劃修維護和基于狀態的維護(CBM)兩種類型。預定計劃修維護不會發生任何監視活動。CBM不按照固定的維護間隔和計劃來執行維護活動，相反它監視系統和組件的運行狀況來編制動態的預防維護計劃。隨著傳感器技術和人工智能的發展，CBM逐漸過渡到PHM。

基于OSA(開放系統架構)-CBM的PHM系統包括7個不同的層，其技術模塊如圖1所示。在PHM的維護決策架構中，PHM核心功能主要為狀態監測、健康評估和故障預測功能[5]。其中，狀態監測功能對系統部件的實時運行特征參數進行監測與預警；健康評估功能對系統部件的特征進行提取，通過數據算法構建評估模型來評價系統部件的健康度；故障預測功能根據系統部件的參數退化規律進行壽命預測，以解決故障發生時間和故障模式的預測問題。

PHM預測后期研究的主要任務是評估系統及部件生命周期的健康狀況并估算剩余的使用壽命(RUL)。然而，實現可靠和有效的PHM面臨眾多難點。第一，通常需增加眾多傳感器從而導致成本增高，因此，應詳細分析設備的投資經濟可行性。第二， PHM的目標是精確維護，但需要監控的參數較復雜，例如環境的復雜性、設備的內部結構及模糊的故障機制等，在實際應用中不易實現。

考慮到車輛維護的經濟性，最好在先進的維護管理機制下實施PHM。尤其是同時考慮確定系統組件的功能及其重要性時，RCM方法是最佳的選擇。RCM方法的目的是在保證系統可靠性的前提下，確保維護成本、人力及經濟最優化，提高車輛的可用性和上線率[6]。在RCM的維護管理機制流程下，為了更精確地進行PHM維護，建議使用包含信號層、特征層和決策層的數據挖掘技術[7]。近年來，將數據挖掘技術應用于工程實踐已受到越來越多的關注。特別是隨著先進的傳感器和信號處理技術的飛速發展，使得融合大量的交互信息進行數據挖掘成為可能，從而可獲得更精準的PHM維護決策結果。本文提出了一種新的維護策略技術，該維護策略在RCM管理框架內將數據挖掘技術與傳統PHM融合，能夠更精準地定義維護模型，并獲得系統的最優維護間隔，計算效率高，且適用于復雜狀態系統的可靠性計算。

1 基于RCM、PHM和數據挖掘的維護決策技術

本文提出的維護決策技術如圖2所示。該維護決策技術基于RCM維護管理流程，結合PHM，可精準地編制維護計劃和任務，PHM通過集成數據挖掘算法，實現更精準地監視、診斷和預測，以提高維護決策預測精度。

圖2 基于RCM、PHM和數據挖掘的維護決策技術

1.1 集成PHM和RCM的高效經濟維護

維護的主要目的是節約成本。復雜設備維護成本巨大，RCM可以有效地組織PHM來優化解決方案以達到目標，因此，RCM分析在軌道交通車輛維護領域中顯示出越來越大的重要性。

RCM分析的總體業務流程如圖3所示。

圖3 RCM分析的總體業務流程

RCM分析的總體業務流程說明如下：

1) 數據收集。為RCM分析提供輸入，包括但不限于工程設計數據、故障及檢修數據及費用數據等。其中，工程設計數據包括產品結構數、系統原理及部件說明、線路圖及原理圖、接口文件、司機操作手冊、途中應急故障處理手冊等；故障數據包括運用故障和檢修故障數據，如維護時間、維護人數等；費用數據包括部件采購價格、部件修理費用等。

2) 分析對象選擇，確定RCM分析對象。基于軌道車輛的產品結構在各層級執行分析對象決策，判斷是否為重要維護項目(MSI)，并通過RCM評審組確認。

3) RCM定性分析，確定維護任務。從MSI功能出發，明確功能故障、故障影響及故障原因，通過故障后果為導向的任務決斷邏輯及任務規劃策略，定義維護任務。RCM定性分析結果應通過RCM評審組確認。

4) 數據處理。執行數據清洗，供數據分析使用。收集與任務相關的故障及檢修數據，并進行數據可用性評估(F3評估)、數據整合、數據查重、數據拆分、數據標志、異常值剔除、數據映射、維護時間統計等數據清洗工作。

5) 數據分析。基于故障數據確定維護間隔。數據分析包括樣本量評估、分布識別、回歸分析和數據模型計算(物理風險模型、經濟性模型、可用度模型)。基于數據分析結果，結合維護間隔框架，綜合決策任務間隔，形成修成優化項點。

6) RCM數據處理與數據分析過程應通過RCM評審組確認。

7) 基于經評審的RCM定性與定量分析結果，編制RCM檢修規程。

8) RCM成果應用與評估。建立合理的RCM檢修規程應用驗證方案，通過修程優化前后車輛及部件的可靠性分析與評估，判斷RCM檢修項點及間隔的合理性，確保RCM修程應用不會對安全及服務可靠性造成不可接受的影響。

1.2 PHM與RCM之間的關系

RCM分析方法可幫助維護管理者確定潛在的故障并提供可行的維護方案，有助于定義最佳的故障管理策略。PHM建立在RCM方法論的基礎上。PHM本身不是一個過程。通過融合二者，形成一種綜合維護策略，從而使維護管理者能夠以最優成本效益的方式提高系統和設備的維護水平。同時，PHM決策包括了許多功能和舉措、程序和技術，可以提高基本RCM的執行任務。RCM將部件故障模式與功能故障相關聯，賦予風險屬性(故障影響類別)，為PHM監測對象選擇提供決策依據。RCM形成的功能故障、故障后果及故障原因的故障關聯圖譜，為PHM機理模型的構建提供支持。RCM任務執行層級規劃(車輛/系統/部件)，為PHM監控層級定義提供支持。任務檢查性能指標即P-F指標，為PHM特征參數的提取提供依據。該指標是衡量從潛在故障到功能故障的表征參數。其中：P點為潛在故障點，F點為功能故障點。RCM數據處理為PHM提供經處理的可用的潛在故障和功能故障數據，為故障預測提供數據支持。精準的PHM監控和預測模型可用于替代RCM物理檢查任務，這樣PHM可以有效促進RCM分析。

1.3 融合PHM和數據挖掘的精準維護決策

為了使PHM實現精準地預測、診斷、評估，本文融合數據挖掘算法，通過采集信號層、特征層和決策層的信息，構建更加準確的監控診斷評估模型，從而產生精確的維護決策。

1.3.1 基于數據挖掘的PHM維護策略

基于數據挖掘的PHM系統主要包括挖掘診斷、監控、預測等3個方面，流程如圖4所示。首先，通過感知器收集原始信號并進行信號預處理；然后，通過相關數據算法計算并提取適當的特征，這些特征會給出有關運行狀態的信息；最后，PHM能夠清晰識別不同故障的特征并進行診斷分析，同時對設備健康狀況退化趨勢的特征進行監視和預測。

圖4 基于數據挖掘的PHM維護決策流程

首先，對特征層直接挖掘出的故障特征進行精準識別與診斷，通過決策層挖掘，最終形成維護計劃任務。針對識別故障特征特點，提出了兩套維護策略，分別為挖掘故障診斷策略和挖掘監控、預測策略。

針對系統功能部件健康退化的規律，某些特征值只能表示一段時間或者某一時刻的故障情況。不同的特征值反映的情況有可能不一致，這樣就容易導致多種故障決策，因此，可以考慮將多個指標進行融合并進行挖掘統計分析，形成更加精準可靠的維護決策特征值選擇方法，當監視的指標超過預定量時，將觸發診斷和預測過程。直接從源數據進行特征的提取往往取得的結果不是很準確，可以考慮從特征層和決策層進行特征的深度挖掘，從而獲得更加精準的診斷結果，以及制定最佳的維護的計劃。

1.3.2 挖掘診斷決策技術研究

挖掘診斷決策技術是指針對系統組件故障特征明顯或者確定的情況，使用特征提取器提供故障的特征向量，然后經過分類器進行故障的精準定位。在整個故障診斷過程中，持續監控提取故障信號，并及時預警相應的故障。在圖4所示的挖掘診斷決策中，系統部件的運行狀態參數信號被收集的同時進行特征提取。通過及時提取的特征可以清楚地區分不同故障。然后可以將這些生成的特征以某種方法進行組合，例如，利用神經網絡或在特征層級別進行聚類分析。最后利用分類器對計算出的特征或挖掘特征進行分類診斷評估。來自所有分類器的診斷決策將作為決策向量分組，并發送到特定的決策層挖掘算法中，以獲取更可靠的診斷決策。

1.3.3 挖掘監控和預測維護決策技術

近年來，挖掘診斷決策技術研究在PHM上雖然取得了很大的進步。但在車輛狀態監測和預測上仍然存在許多基本問題：①需要開發用于準確狀態監測和預測的指標；②目前PHM方法通常集中在解決故障診斷問題上，系統性的健康評估和對退化規律的預測尚未得到很好的解決；③已實現的健康評估和預測算法往往僅適用于固定的應用場景。

基于以上問題，本文提出了一個基于數據挖掘的狀態監視和預測維護決策。狀態監測是PHM的主要功能之一。狀態監測可以通過實時監測系統及部件的狀態來定義維護計劃任務以避免故障，但是監控參數是不全面的，而且有特定的環境適用性，難以滿足精準監控維護的目的，因此，需要將監控的指標參數進行深度數據挖掘，以確定監測系統部件的退化規律信息。在本文提出的監控和預測維護技術中，采集運行的系統部件的狀態參數，提取退化規律的監控特征，然后將這些特征挖掘歸一化分類為特征層挖掘算法的輸入，同時考慮在特征提取和挖掘過程中進行消噪處理，以期獲得明晰的部件退化規律趨勢。最后，將運行狀態監測參數與挖掘模型確定的最優警報閾值和趨勢值進行持續比較，當達到預警值時，將觸發數據驅動的預測層決策模塊，以進行預測層的深度挖掘。

預測層挖掘是通過評估系統中部件運行報警值偏離正常運行狀況的程度來預測產品未來可靠性的過程。傳統的方法往往是將非線性問題線性化，或者擬合為類線性進行分析。本文使用了基于深度學習的數據驅動方法。軌道交通車輛系統部件性能往往呈非線性或多元混沌形式，基于深度學習的數據驅動方法可有效解決非線性擬合和高維計算問題，從而實現預測精度的提高。最后通過評估系統部件剩余使用壽命的可靠性、維護經濟性，制定最優的維護計劃任務，為維護人員提供最優的維護間隔、任務和資源分配，從而實現高水平的經濟可靠性預防維護。

2 結語

本文提出了一種先進的維護決策技術，該技術集成了RCM方法以進行維護決策機制管理，并采用數據挖掘策略來提高預防性維護的監控預測診斷精度。本文提出的維護決策技術主要存在如下優勢：

1) 精益成本。整套維護策略是在RCM架構下構建的，可幫助維護業主確定關鍵組件及其潛在故障、最優的維護任務以及最佳的維護間隔。整套策略支持自適應和動態維護策略，從而達到降本增效的目的。

2) 預測維護精準。通過PHM的運行監控、健康評估及故障預測等功能，實現精準的預防修計劃編制，使得車輛維護趨于經濟、可靠、安全。通過集成數據挖掘技術實現多級挖掘以及深度挖掘，在整個維護策略中，采用基于深度學習的架構，構建數據挖掘模型，有效地解決非線性和高維災難問題，從而實現智能診斷與精準預測。