基于模型預測方法的高速動車組空簧壓力低故障預測研究

馬國棟，王智超，陳 謙，李聲濤

(中車青島四方機車車輛股份有限公司 技術中心，山東 青島266111)

在高速動車組的運行過程中，對各類故障的準確預測和及時處理是保障動車組運行安全、維護乘客生命及財產安全的關鍵。目前，我國高速動車組主要采用按里程計劃修的策略，檢修和維護費用較高。近年來，得益于智能化和信息技術的快速發展，人們對故障和異常事件的響應也由傳統的被動反應開始向主動預防轉變，智能診斷和故障預測技術在高速列車的運營維護中得到了快速發展[1]。故障預測與健康管理技術(Prognostics and Health Management，PHM)的應用，實現了對動車組的智能化管理控制，有效減少了因各類故障給動車組的運行帶來的影響，將事后處理轉變為事前預測、實時監控、精準定位的管理模式，提升了動車組故障預測與處理的水平，保障了動車組的穩定運行。

1 故障預測與健康管理系統

1.1 故障預測與健康管理技術發展

由于動車組是一種高度復雜的裝備，在長期運行過程中動車組零部件會有損耗，導致其性能下降，甚至引發故障[2]。在早期的故障預測技術中，大量采用預防維修理念，不管設備是否發生故障，都對其進行定期檢修，在故障發生后判斷故障產生原因并對故障進行修復。定期檢修存在著不可避免的缺點：若檢修間隔過長，有可能在兩次檢修之間設備發生故障，而若檢修間隔過短則又可能造成過度檢修，提高了檢修成本[3]。而基于狀態修的PHM系統加速了維修策略的優化，PHM通過傳感器采集各類數據，借助模型算法對設備進行監控，預測設備運行狀態，估計健康狀況，并在設備發生故障前預警。

1.2 故障預測與健康管理系統架構

高速動車組的異常狀態往往涉及列車集群、系統集群、部件集群等多個層次，各個層次之間的狀態特征相互關聯，因此使得故障預測變得極為復雜。因此，高速動車組PHM系統研究時，需要對實時狀態數據進行特征提取和預處理，深入挖掘列車運行積累的歷史數據，建立系統的故障預測數學模型，對部件、系統和列車層次的特征數據及關聯性進行監測和邏輯推導[4]。高速動車組PHM系統架構主要由車載PHM系統、車地數據傳輸系統、地面PHM系統組成，系統架構如圖1所示。

圖1 高速動車組PHM系統架構

支持實時數據處理的邊緣端(車載 PHM單元)與支持大規模數據分析、預測、決策的云端(地面 PHM平臺)協同，加之整合列車狀態、線路特征、軌旁檢測、環境等數據，組成了分布式列車狀態監控、分析與集中式決策優化、知識挖掘相融合的智能高速動車組PHM系統。健康狀態洞察和決策參考還可以通過App為高速軌道交通系統的不同部門提供服務，以優化協同，提高效率[5]。

1.3 故障預測技術

基于數據驅動的故障預測技術是利用可以測量的產品性能或者狀態變量的變化趨勢、故障征兆等進行故障的預測。但在許多情況下，對于由很多不同的信號引發的歷史故障數據或者統計數據集很難確認何種預測模型適用于預測，或者在研究許多實際的故障預測問題時建立復雜部件或者系統的數學模型很困難，因此部件或者系統的設計、仿真、運行和維護等各個階段的測試、傳感器歷史數據就成為掌握系統性能下降的主要手段。基于測試或者傳感器的數據進行預測的方法稱為數據驅動的故障預測技術[6]。

基于數據的故障預測技術不需要對象系統的先驗知識(數學模型和專家經驗)，以采集的數據為基礎，通過各種數據分析處理方法挖掘其中的隱含信息進行預測操作，是一種較為實用的故障預測方法。基于數據驅動的故障預測流程如圖2所示。

圖2 基于數據驅動的故障預測流程

分析歷史數據的變化特性，篩選所預測故障的關聯參數，預先定義一些故障預測模型閾值，只要幾個關聯參數在這個閾值范圍內，就說明系統存在輕微故障。在此過程中一個關鍵的問題就是故障預測模型閾值的確定，需要在考慮系統承受風險能力大小的情況下結合模型運用跟蹤對預測模型做出一些調整。通過海量運用數據不斷修正故障預測模型，最終實現有效的在線故障預測模型，因此基于模型預測的故障診斷流程如圖3所示。

圖3 基于模型預測的故障診斷流程

為了避免高速動車組因系統故障的發生而影響正線運行，最根本的條件就是保持車輛各系統運行的穩定性，因此需要對系統運行過程中的狀態進行診斷預測，進行有效的在線實時控制，不斷修正系統中的隱患使整個系統始終保持有效的運行。

本文將基于高速動車組運行情況，通過典型故障，設計一些復雜系統故障的在線預測模型算法和控制規則，用于實現故障提前預測。為了更好地進行故障預測，預先定義了一些閾值，只要超出了這個閾值，就發出預警，同時還利用各種參數的變化率來監控故障。

2 基于PHM系統的空簧壓力低故障預測模型

從典型故障預防、故障處置效率提升等方面出發，基于故障點和數據落地情況，搭建故障診斷模型，以減少對行車秩序的影響，提醒檢修人員回庫故障處置。本文以空簧壓力低典型故障為例介紹高速動車組故障診斷與預測的過程。

2.1 故障描述及故障原因

動車組在運行途中發生壓力開關檢測空簧壓力低故障，車輛自動觸發限速160 km/h運行，司機操作制動停車，機械師下車檢查空簧截斷塞門、高度調整閥及空簧均無漏風，隔離限速維持運行，后續空簧壓力自動恢復。

進一步查找故障原因，從系統組成及平衡閥原理兩方面綜合考慮，可知導致空簧壓力低現象的可能原因如圖4所示。

圖4 故障原因分析流程圖

根據現車檢查情況，故障發生時實際空簧狀態正常無漏風，因此排除空氣彈簧實際壓力低；外接風壓表測試空簧壓力實際輸出偏低，排除壓力開關誤報的可能性。因此該故障可初步定位為平衡閥所導致。

動車組每臺轉向架設有1個平衡閥，用于平衡轉向架2個空簧壓力取平均值。平衡閥的工作原理如圖5所示。

圖5 平衡閥

轉向架上2個空簧壓力分別通過T1和T2接口進入平衡閥，T1、T2中較高的空簧壓力將活塞推至較小壓力的端口位置S1或S2，經算數平均后，2個空簧壓力同時分別作用于差動活塞的環形表面F1和F2，當差動活塞所受作用力大于向下的作用力時，差動活塞推動雙閥頭克服彈簧作用力向上移動，并打開閥座S3，向M端口輸出壓力。M端口壓力又會向下作用于差動活塞上，當差動活塞向上和向下的作用力相等時，平衡閥達到平衡狀態，閥座S3和S4均處于關閉狀態，M端口壓力保持不變，平衡狀態的壓力值接近于T1和T2端口壓力的均值。通過M端口輸出到壓力開關的壓力設定值為280 kPa，當壓力開關檢測到平衡閥輸出的空簧壓力低于280 kPa時，報出“壓力開關檢測空簧壓力低”故障。當檢測到平衡閥輸出的空簧壓力高于300 kPa時，故障消除。

經原理分析及故障件地面試驗驗證，平衡閥上閥體的活塞處于中間位置，導致平衡閥進風口的單排孔被堵塞，平衡閥異常因而輸出空簧壓力低，造成動車組報出空簧壓力低故障。

提前預知空簧壓力異常變化情況，提前重點盯控，觸發限速時避免出現誤停車，影響行車秩序。若未觸發限速，待車輛回庫后提醒檢修人員對空簧截斷塞門、高度調整閥、平衡閥、壓力傳感器和空簧壓力采集板卡進行重點檢查。若觸發限速，按限速表信息限速運行，無需停車檢查。

2.2 空簧壓力低故障預測模型的構建

2.2.1 數據分析

根據實際需求，結合現車邏輯，梳理監控項點，通過無線傳輸裝置(Wireless Transmission Device，WTD)歷史故障數據確認關聯參數，編制模型邏輯。分析正常運行車輛空簧壓力與故障車輛空簧壓力的數據變化特征，計算出空簧壓力的最低值和單車兩臺轉向架的空簧壓力差值的最大值，分析站停旅客下車空簧變化曲線與故障時刻空簧壓力曲線，確定關聯參數及其閾值。

圖6為站停旅客下車空簧變化曲線與故障時刻空簧壓力曲線對比。可見故障曲線持續下降，正常站停旅客下車空簧壓力下降趨勢平緩且到達最低值時基本保持不變，最低空簧壓力為470 kPa。圖7、圖8為車輛運行途中發生空簧壓力低故障空簧壓力曲線，由圖7可見故障發生后空簧壓力持續低，由圖8可見故障發生后空簧壓力自恢復，2條故障曲線空簧壓力下降速率較快，連續多包數據呈下降趨勢，每包數據下降差值5～20 kPa。圖9為正常工況下車輛單車兩臺轉向架空簧壓力曲線，差值范圍在5～10 kPa波動。

圖6 站停旅客下車與故障空簧壓力變化曲線

圖7 空簧壓力低故障持續

圖8 空簧壓力低故障自恢復

圖9 正常工況下兩臺轉向架空簧壓力值對比

2.2.2 故障預判參數制定

結合WTD數據傳輸周期、數據傳輸穩定性、PHM系統模型運算時效性，從閾值、差值、下降速率3個維度搭建空簧壓力低故障預測檢測邏輯。統籌誤報率和提前量，制定3個維度的故障預判參數，進行跟蹤分析。

目前車輛已有空簧壓力異常故障(總風壓力高于550 kPa，EBCU檢測空簧壓力低于300 kPa)判斷，故障預測模型在于提前預知故障，因此設置空簧壓力閾值<350 kPa進行提前預警。綜合車下設備布置和旅客定員，設置單車2臺轉向架空簧壓力差值閾值>90 kPa進行提前預警。結合站臺旅客下車等因素設置下降速率閾值為空簧壓力≤460 kPa，連續6包呈下降趨勢，滿足任意5包下降差值≥5 kPa且累計下降≥45 kPa進行提前預警。

2.3 故障預測及診斷結果

將此模型進行現車跟蹤應用，表1為邏輯與預防時間的統籌結果。

表1 邏輯與預防時間的統籌結果

將閾值、差值和下降速率三個關聯參數組成的診斷模型進行現車跟蹤應用，經驗證三個關聯預判參數閾值的設置均可提前預知空簧壓力異常變化。綜合三個關聯參數確定的空簧壓力低故障診斷模型可減少故障誤報和故障提前預知時間。

3 結論

本文在現有PHM系統基本框架的基礎上，給出了故障預測模型的系統搭建方法，以空簧壓力低故障為例通過既有故障數據的挖掘分析，建立了系統的故障預測數學模型。結合模型實車跟蹤驗證，證明該模型能夠對高速列車運行過程中的潛在問題進行預警和預測，實現了故障的提前預測。

高速動車組多系統、多部件狀態特征相互關聯，故障預測極為復雜，未來將結合造修數據貫通，通過將車載、地面列車集群的海量多源異構數據融合建立狀態修模型。