軌道車輛運行狀態智能化監測與診斷系統

蔣建輝，劉洋

湖南智融科技有限公司，湖南株洲，412000

0 引言

軌道交通是一種具有大運量、安全舒適、快速且環保的交通方式，有效地解決了區域經濟發展和城市交通擁堵等問題[1]。近年來，在國家發展戰略的引領下，中國軌道交通快速發展，運營線路總里程穩居世界前列。隨著運營線路規模的不斷擴大、車輛類型的多樣化，日常運營維護工作量顯著增加。傳統的運維方式主要采用“預防性計劃修”和“事后故障修”兩種檢修方式，其存在車輛利用率低、管理效率低、檢修周期長、人工成本高且可靠性低等弊端[2]。因此，亟待構建基于狀態監測、特征提取、狀態評估、故障診斷、故障預測、維修決策及模式優化為一體的智能化維保系統[3]。“大數據、物聯網、5G通信、云計算、人工智能”等新技術的發展和全面應用推動了智能化維保系統的建成，并促進了傳統運維模式向智能化、信息化和自動化轉變，有效提高了維修工作效率、節省了人工成本并提升了故障檢出率，保障了車輛的安全穩定運行。利用智能化、信息化和大數據等手段，在獲取大量車輛運行狀態數據的基礎上，通過數據計算和深度挖掘，指導設備運營與維護、優化管理模式和成本，提高運維模式的高效性和可靠性。然而，軌道交通智能維保技術參數和標準仍處于探索階段，其缺少設備技術狀態的評價標準，極易出現過維修的情況；各設備系統獨立發展，呈現分散化狀態，數據標準和數據源缺乏統一，存在“信息孤島”；數據統計分析工作缺失，數據質量規范性差，數據挖掘深度不夠，數據結果與業務決策聯動性差[3]。此外，車輛故障診斷主要在發生故障后，未能建立車輛關鍵部件的故障預測模型[4]。因此，軌道交通智能維保技術仍存在諸多不足。

針對以上不足，本文在智能運維體系框架下采用大數據管理和分析技術將車輛、軌旁實時數據及故障數據和履歷數據等非實時數據進行分類、關聯和融合，解決了各專業系統間聯動性差的問題，實現互聯互通管理；在數據分析和挖掘中，提出了基于3σ準則和相似度分析的預警閾值確定方法，建立了關鍵部件的健康評估和故障預警模型；最后，提取數據特征，找出數據的蘊含規律、特征分布及演變規律，對數據進行深度挖掘，實現車輛故障統計、成因分析及性能預測。在保證車輛安全運行的基礎上，開展個性化維護與延壽、智慧設計和修程修制優化，可降低運營維修成本和人力、減少過度維修次數、提高維修效率和設備的可靠性[4]。

1 軌道車輛智能運維系統架構與組成

軌道車輛智能化監測系統應包括關鍵部件在線智能監測、數據傳輸處理、智能診斷、整車及關鍵部件剩余壽命預測等主要功能[5]。典型的軌道車輛智能運維系統由感知層、數據層、分析層、業務層和執行層構成，如圖1所示。在感知層，車載檢測系統和軌旁檢測系統將車輛的運行狀態進行采集，并傳輸至數據層，即數據倉庫；在數據層，數據倉庫中收集的感知層傳來的數據進行預處理并分類存儲；在分析層，先對關鍵部件進行診斷分析，之后對數據層預處理后的多維信息數據進行特征提取、趨勢分析、故障隱患挖掘等分析操作；最后，在業務層和執行層，系統根據分析層得到的結果結合歷史數據，制定出相應的維修計劃和決策并下發到業務執行部門完成[6]。

圖1 軌道車輛運維系統總體架構圖

1.1 車載檢測系統

車載檢測系統主要通過安裝在車輛上的傳感器，將采集到的走行部系統、牽引制動系統、車門空調系統、牽引供電及信號傳輸系統等關鍵參數，車輛的里程、速度、載重等狀態運行數據，整車接觸器及列車總線等特征數據，通過無線傳輸技術實時發送給車載地面服務器，服務器將收集到的數據進行預處理并存儲。

走行部是軌道交通車輛的核心部件，其運行狀態直接影響列車的安全性和車輛的乘坐舒適性[7]。對其關鍵部件進行實時狀態監測以及健康狀況預警，是保證列車安全性、提高乘坐舒適性的重要手段。車載走行部監測系統是車載檢測系統中最主要且最關鍵的部分，獲取其完備的數據能更系統地反映車輛的運行狀態。

輪對、軸承、齒輪箱（動車）、牽引電機（動車）以及構架作為軌道車輛走行部的關鍵部件，其健康狀態直接影響車輛的安全性、穩定性（平穩性）和乘坐舒適性。在實際車輛運行過程中，車輪會因磨耗等因素出現多邊形及扁疤等缺陷產生車輛的不平順激擾甚至影響運行安全；軸承以及傳動齒輪會因疲勞失效以及潤滑不良等因素出現點蝕及剝離等缺陷；牽引電機會因線路老化等因素出現故障；構架由于輪軌接觸和懸掛參數變化導致動力學性能變差而易出現蛇行失穩，導致車輛平穩性變差、舒適度下降，嚴重者甚至會引起車輛脫軌[8]。以上缺陷將主要導致振動和溫度兩個指標的變化，具體反映在車輛上：如軸承、車輪型面、齒輪、牽引電機的缺陷會導致軸箱、齒輪箱和電機振動加劇，并伴隨有不同程度的沖擊特征信號；蛇行失穩將導致構架橫向加速度增大；同時，部分故障也將導致軸箱軸溫、齒輪箱溫度以及電機溫度升高。

為實現車輛及其走行部的運行狀態監測，需要監測軸箱、牽引電機、齒輪箱的振動加速度和溫度以及構架和車體不同部位的振動加速度[9]。軸箱、齒輪箱及牽引電機的振動加速度和溫度用于監測軸承、齒輪和電機的故障，構架加速度用于監測車輛的穩定性和反演輪軌力，車體不同部位加速度用于監測車輛的平穩性和舒適度。為了消除車輛載荷大小對各部件振動幅值的影響，還需將車輛的載荷信息考慮在內。

1.2 軌旁檢測系統

軌旁檢測系統主要基于機器視覺、紅外和激光等傳感技術，當列車通過時安裝在軌道兩側及軌下的智能化視覺及光學設備，對車輛外觀、關鍵部件尺寸、損耗及失效等情況進行檢測，通過網絡將數據發送到數據倉庫及分析中心。

1.2.1 輪對廓形及尺寸檢測

當列車經過時，通過安裝在車輪兩側的四個高精度2D激光掃描踏面廓形，之后經過坐標轉化、廓形拼接等算法測量出：踏面廓形、輪緣厚度、輪緣高、QR值、輪徑、內測距。

1.2.2 踏面擦傷檢測

當有車輛經過時，接近開關觸發，安裝在軌道內側的工業相機以及外側移動光源開始工作，對車輪踏面拍照，然后通過圖像識別算法進行處理，從而判斷出車輪踏面有無擦傷、擦傷斑長度、寬度和深度。

1.2.3 車輛360°動態圖像智能檢測

采用“HTM神經網絡技術”“圖像特征分析”和“模式識別技術”，自動獲取車頂狀態、車底走行部及車側轉向架關鍵部件的高品質圖像，通過圖像特征分析和模式識別自動識別受電弓、車頂天線、車底牽引裝置、軸抱箱、電機、制動器、齒輪箱螺栓等關鍵部件缺失、變形、異物等異常情況。

1.3 數據倉庫及分析中心

數據倉庫和分析中心將收集到的車載檢測系統、軌旁檢測系統的數據和其他系統的多專業數據進行預處理、分類存儲，分析中心的數據挖掘工作啟動，對已存儲的數據（車輛歷史數據）和正存儲的數據（新采集數據）進行特征提取、故障預警分析與診斷、模型計算、比較分析，其分析結果輔助運維人員進行車輛維修決策及設備管理調度。

制定異常判別的標準是實現車輛狀態故障預警與診斷的關鍵，但行業內缺少部分技術參數和標準。確定關鍵部件的預警及故障閾值成為車輛健康狀態數據分析環節的難點。此外，車輛運維環節各專業數據聯動性差也成為數據深度挖掘的痛點。

2013年11月9—12日，中國共產黨第十八屆中央委員會第三次全體會議在北京舉行。會后，水利部將學習宣傳貫徹黨的十八屆三中全會精神作為首要政治任務，立即采取多種形式興起學習貫徹三中全會精神的熱潮。

2 關鍵部件故障定閾與診斷

根據車載系統、軌旁系統采集到的振動、溫度及圖像信息，通過相應的時域、頻域以及深度學習的算法，可以有效提取出車輛關鍵部件的故障特征，當被監測特征量到達故障區域時，系統發出報警[10]，如圖2所示。

圖2 車輛關鍵部件參數安全閾值示意圖

為了實現故障早期預警，必須要確定系統預警臨界點的閾值。但由于軌道交通運營維護類標準較少，且缺少設備技術狀態的評價標準，使得臨界點閾值不易確定。在實際運營維護中，通常按照車輛運行里程數對車輛關鍵部件進行更換，常常存在過維修的狀態。因此，要實現計劃修到狀態修的轉變，改善過維修的狀況，首先應當確定車輛關鍵部件故障特征預警閾值，同時也是為設備健康狀態評估提供依據。

本文中，軸承和傳動系統溫度擬采用基于3σ準則的溫度預警技術，判斷溫度的變化量是否正常。首先采集正常行駛溫度數據并計算溫差、均值、標準差，繪制概率密度函數圖；根據標準差將概率密度函數圖分為三個區域（正常-預警-嚴重預警），即：[μ±2σ，μ]，[μ±3σ，μ±2σ]，(±∞,μ±3σ]；然后計算實時數據的溫差，判斷其在概率密度函數圖中所處的區域；最后根據所處的區域，判斷是否發出預警，如圖3所示。

圖3 基于3σ 準則的溫度預警流程圖

由于軸承、齒輪、車輪和軌道表面的故障缺陷缺少損傷閾值的確定標準，但車輪和鋼軌有鏇修和打磨標準可供參考。因此，本文采用基于相似度分析的定閾策略確定車輪、鋼軌狀態的預警閾值。首先將車輛運行速度、車輛載荷及車輪鏇修標準特征（鋼軌打磨標準特征）作為邊界輸入條件；然后通過剛柔耦合仿真、臺架或線路試驗獲得關鍵部件的振動信號，從而得到能夠反映車輪（鋼軌）狀態極限的振動特征信號并以此為基準；之后檢測正常運行車輛關鍵部件的實測振動信號，并將其與基準特征信號進行相似度分析；最后根據相似度分析結果判斷車輪（軌道）的健康狀態，如圖4所示。該理論模型可推廣應用到車輛其他關鍵部件狀態的故障定閾與診斷。

圖4 基于相似度分析的預警定閾流程圖

3 特征數據挖掘與應用

數據管理中心以數據倉庫的方式管理監測到的數據和車輛歷史狀態數據。數據管理中心存儲了車載檢測系統數據、軌旁檢測系統數據、車輛在線運行狀態數據、車輛軌道系統數據、故障歷史數據等。這些數據來源眾多、種類各異、累積量大、更新頻繁。數據分析中心根據以上多維數據實現對軌道車輛的運行狀態的綜合分析、趨勢預測、基于多變量回歸、多變量聚類、多變量預測、多變量統計、相似度匹配和關聯度規則的故障成因挖掘、故障關聯挖掘和故障隱患挖掘以及監測結果綜合呈現。相應地做出智能化決策，包括設計智能推薦、設計智能優化、設計智能評估、主動維護、個性化延壽和修程修制優化，如圖5所示。

圖5 軌道車輛運維大數據分析與挖掘流程圖

4 智能化監測研究建議

然而，龐大的測試網絡帶來的是更加龐大的測試數據，整個監測系統更加復雜，嚴重增加了系統維護難度，且各系統獨立發展，呈現分散化狀態。為解決這一問題，須建立車地大數據綜合分析平臺利用云存儲、云計算等先進技術實現數據管理、信號分析和深度挖掘。對各子系統數據編碼實現關聯，打通車載、地面、車地數據孤島，實現互聯互通與管理；提取數據特征、統一數據標準和數據源、加強數據信息共享、打通信息孤島；深度挖掘信息蘊含規律（關鍵要因、關聯規則、演變預測、聚類畫像），保障車輛運行安全，實現智慧設計、個性化維護與延壽，合理有效地優化修程修制，突出研究和規劃的系統性和先進性，突出模塊化建設和設計研發理念。

5 結語

針對軌道交通智能維保技術存在技術參數標準缺乏、數據聯動性差及數據挖掘深度不足的問題，本文在智能運維體系框架下采用大數據管理和分析技術將車輛實時數據及故障數據和履歷數據等非實時數據進行分類、關聯和融合，解決了各專業系統間聯動性差的問題，實現數據互聯互通管理；然后，在數據分析和挖掘中，提出了基于3σ準則和相似度分析的預警閾值確定方法，建立了關鍵部件的健康評估和故障預警模型；之后，提取數據特征，找出數據的蘊含規律，進行數據的深度挖掘，進行故障成因分析及性能預測。在保證車輛安全運行的基礎上，開展個性化維護與延壽、智慧設計和修程修制優化，降低了運營維修成本和人力、減少了過度維修次數、提高了維修效率和設備的可靠性；最后，關于軌道車輛智能化監測提出了相應的研究建議。