機車遠程監測與故障診斷應用研究*

謝 利 ，洪 晟 ，謝經廣 ，董先明

(1.中車戚墅堰機車有限公司，江蘇 常州 213011；2.北京航空航天大學 網絡空間安全學院，北京 100191)

0 引言

出口機車在交付海外客戶之后無法實現遠程實時監測，難以快速、準確地響應在途機車故障。機車出口單位需要投入大量的人力、物力、財力、精力來解決海外在途機車的故障處理。且當前海外機車用戶，很多不具備獨立的機車維修能力，在機車出保后，往往還需要由機車出口單位繼續提供機車的故障解決及機車維修等服務。因此機車出口單位迫切需要一套信息平臺，能夠實時監控和分析海外機車運行狀態及故障數據，并以此為基礎進行故障的維修及預測[1]。

1 機車遠程監測與故障診斷現狀

近年來，全球主要的鐵路企業紛紛開展軌道交通遠程數據采集、運行監視及運用故障診斷等的研究與應用[2]，如歐洲開展了 RoMain、TrainCom 和 Inte-GRail 等項目，引入了先進的概念，搭建系統的框架。各個大公司在此框架下開發了自己的產品，如西門子的 EFLEET，阿爾斯通的 ETRAIN，龐巴迪的 CC REMOTE，GE 開發的 RM&D 系統，日本的三菱等也開發了自己的產品。這些信息化系統都具備機車故障的遠程報警、機車運行狀態的遠程實時監測、機車運行故障專家診斷等功能，該類信息系統的裝車應用，在很大程度上提高了機車的利用率，并對機車運用管理機制產生了重要的影響。

目前國內的機車運用主要依靠傳統的方式，在機車調度、檢修、事故救援及在線技術支持方面需要大量的人力，效率低，對機車的運用質量缺乏準確、科學的判斷，機車出段后也不能及時掌控機車的質量狀態，缺乏對在途機車實時有效的監測。

隨著我國鐵路里程的增長，軌道交通裝備也越來越多，以及海外機車的運行，對軌道交通裝備及車載設備的可靠性、可用性、可維護性、安全性等方面的要求也越來越高。 其生命周期成本，尤其是維護和保障成本越來越高，迫切需要研究車載系統的數據監視、數據統計分析等功能[3]。

然而，機車數據具有維度高、與業務緊密耦合、領域知識復雜、故障多樣化長尾分布的顯著特點[4]，而目前機車遠程運維的數據采集仍然存在以下問題：(1)車載各設備之間較獨立，時間不同步導致各設備間的數據分析不準確；(2)數據分析工作繁瑣，各類數據之間的整合度和關聯度不佳；(3)機車狀態與故障無法實時傳輸到地面，難以準確掌握機車的狀態[5]。

隨著通信技術、3G 網絡技術和其他信息技術的發展，建設機車遠程監視與診斷系統具備了比較完善的基礎。以機車遠程運維為突破口，運用物聯網、大數據、云計算、機器學習、人工智能、應用開發等新技術[6]，采集機車運行狀態數據，及時處理機車運行過程的預警信息、報警信息、故障信息，對機車進行診斷和維護[7]，以保障機車安全運行，提高機務檢修整備效率，提升機車利用率[8]。

2 機車運行數據采集

要實現機車遠程運維和故障診斷，首先需要通過車載終端收集機車運行數據，并將移動裝備上采集的數據通過多種通信方式傳輸到地面，才能進行機車運行數據的清洗、篩選、存儲、分析，檢測機車及關鍵零部件的運行狀態，進行故障診斷及預測性維修維護。

機車采集的數據主要有機車運行數據、關鍵零部件(系統)狀態數據、事件數據三類。 機車運行數據主要是指機車當前位置、當前運行速度、運行工況、環境溫度等數據。 關鍵零部件（系統）狀態數據主要是整車、走行部、柴油機、輔助、牽引、制動等系統的運行狀態信息，包括壓力、轉速、溫度、功率、電流、電壓等數據，用于分析零部件(系統)的狀態和發展趨勢，建立機理模型，提前預測可能出現的故障，給出運維策略。事件數據主要是機車運行的故障、報警、預警數據，及時推送到相關人員，并提供應急處理措施，指導運維人員及時進行處置，確保機車行車安全。

機車車載數據傳輸分為兩大類，一類是通過3G以及衛星直接將實時數據發送到數據中心，另一類由于信號問題無法實時發送采集數據，則可在機車入庫時通過無線網絡將采集的數據發送到現場機務段，然后發送到數據中心[9]。

2.1 車載終端裝置

車載終端是機車與地面服務器的無線信息傳輸通道，具備無線網絡通信接口，車載終端對機車各類運行信息進行采集，并將采集的信息經過解析、篩選、重組、格式化、壓縮及加密等一系列處理后，通過無線數據通信接口發送到國內數據中心[10]。 同時車載終端具備實時定位功能，可實時對機車進行定位，通過無線數據通信接口將定位信息報告到地面服務器。 車載終端工作原理框圖如圖1 所示。

圖1 車載終端工作原理框圖

車載終端包含電源管理、信息采集、無線網絡通信、北斗通信、主控模塊及記錄模塊等[11]。 電源管理主要是進行電壓轉化，為車載終端各模塊提供電源[12]；信息采集單元具備各種通信接口，對機車各種信息進行初步處理后將數據傳輸給主控單元做進一步處理；主控單元接收信息采集單元及北斗單元的機車信息及定位信息，通過發送指令控制無線通信接口將數據發送至地面服務器；無線網絡通信單元為車載終端與地面服務器的無線網絡通信接口，實現地面服務器與車載終端之間實時的大容量數據交互；北斗單元實現北斗定位及北斗短報文功能，可通過北斗衛星實時定位機車位置；記錄單元實時記錄機車及車載終端的實時工作狀態。

車載終端裝置安裝方案如圖2 所示。 通過現場數據采集，實現監測微機數據及機車狀態數據、走行部數據、柴油機數據、主發電機數據、牽引電機數據、整流柜數據、冷卻系統數據、通風系統數據等的采集[13]。

圖2 現場數據采集裝置安裝方案

2.2 多通道融合的數據傳輸

海外出口機車涉及不同地域， 各種無線通信手段覆蓋情況不同，需要綜合利用目前常用的遠程無線通信技術(適合分別或集成滿足通信衛星、2G/3G/4G 移動通信系統、北斗短報文、WiFi）來滿足機車遠程監測的需求。 數據傳輸功能結構如圖3所示。

圖3 數據傳輸子系統結構圖

機車運行過程中，把車載終端裝置采集的機車運行狀態數據、預警信息、報警信息、故障信息等實時信息通過2G/3G/4G、北斗短報文、通信衛星傳輸到數據中心。

2.3 數據存儲

在企業外網出口區建立前置機，通過互聯網端口接收加密車載數據，并且通過網閘擺渡將前置機接收的車載數據接入到企業內網數據中心的數據庫中，通過PHM 平臺進行海量數據解析、分析利用。

3 機車故障診斷與遠程運維

3.1 故障處理知識庫構建

建立以物料清單(Bill of Material，BOM)為核心的功能系統部件物理關聯模型，依據功能流程建立關鍵零部件及其失效模式、 故障發生過程及后果、狀態屬性異常模式及報警事件關系、報警事件及故障樹、報警事件和失效模式相關關系為核心的知識庫，并將物理關聯模型與報警事件、故障評價體系進行映射，形成數字孿生，實現設備對異常狀態模式及異常評價指標的檢測，發現功能的失效等，然后給出相應的處理方法。

本文平臺采用neo4j 作為圖數據庫進行知識庫的存儲和檢索，實現基于知識庫元素和元素間關系結構的描述以及對于知識的快速、高效檢索。

3.2 故障機理分析模型建立

在機理知識圖譜的基礎上，提煉出異常模式，并對正常和異常數據進行特征學習，分析出關鍵分類特征，利用數據挖掘及聚類分析技術來逐步確定異常模式的指標邊界，最終分析正常和故障數據的因果性和相關性，發現、評價及搜索報警事件之間的關系，確定故障相關事件之間的關系，最終構建出故障機理分析模型。

下面以軸溫機理模型的建立為例，基于機器學習算法與軸溫表現機理，以機車的實時運行工況、環境條件為輸入，通過數據處理、統計、信號分析和機器學習算法對歷史正常數據進行統計及學習，建立數據內部的映射關系和異常數據的監測機制，生成針對各個測點的軸溫預測數學模型，預測軸溫表現，從而構建了一套較為成熟的軸溫故障預警機制(軸溫機理模型建立過程如圖 4 所示)，可以在軸溫發生異常的初期給出報警信息，作為維護工作的指導和補充。

圖4 軸溫機理模型建立過程

通過對歷史時刻車輛工況和環境的持續分析與學習，系統調用軸溫預測算法，準實時預測任一時刻、任一軸溫、任一工況的理論健康值。 結合軸溫預測值與實際軸溫輸出結果，系統自動判斷當前狀態下軸溫是否發生顯著異常偏差(軸溫預測如圖 5 所示)。 最佳性能時可較車載系統報警提早一周左右，并給出預警的緊急程度，為遠程排故與維護預留了充足的時間。

圖5 軸溫預測功能(局部)

4 實驗和結果

4.1 PHM 平臺搭建

本項目研究的PHM 平臺按照工業互聯網技術架構，基于云化、分布式和微服務化技術進行搭建，其技術架構如圖6 所示。 基于該技術路線，軌道機車的數據、模型和業務功能等能夠以合適的顆粒度被開發、管理、運行和調用，架構設計中采用面向服務的模塊化設計理念，服務模塊之間保持松耦合狀態，便于系統的擴展以及滿足針對不同角色進行個性化定制，能夠更好地滿足軌道機車行業運維服務需求和創新應用需求。

圖6 PHM 平臺技術架構

平臺 SaaS 層建設 PHM 平臺一般應用，包括大屏展示、數據采集、監控中心、事件中心、分析中心、模型管理、后臺管理、移動 APP 應用等功能，如圖 7 所示。 PaaS 層部署微服務組件，如搭建數據采集與解析、系統管理等基礎微服務。 IaaS 層實現 IT資源的精細化、量化管理，通過對基礎計算、存儲、網絡資源的池化和虛擬化，搭建統一資源池，為上層的應用和服務提供統一資源調度和監控管理[14]；支持按需分配與彈性擴展，并通過標準化接口向上層提供計算、存儲等基礎服務，提高IT 資源的易用性和敏捷性。 AaaS 層通過車載數據采集裝置、多通道融合的數據傳輸，實現列車的數據接入、處理與存儲。

圖7 PHM 平臺功能架構

4.2 應用效果

本文介紹的PHM 平臺和機理模型已廣泛應用于機車運行數據采集、故障診斷和機車運行維護、機車修理的業務過程。

(1)數據接入

已接入出口海外48 臺機車的運行數據并進行清洗、存儲、分析、展示等，具備后續與企業不同車型、不同采集數據項點的接入能力。

(2)機理模型建立與故障診斷案例

通過工業大數據分析[15]、機器學習，建立了機車軸溫、機油系統等機理模型，構建了一套較為成熟的故障預警機制，可以在發生異常的初期發出報警信息，使運維人員可以及時進行相關零部件維修或更換，避免故障發生造成損失。

根據實時采集軸溫數據，機理模型自動判斷當前狀態下軸溫是否發生顯著異常偏差，系統提前一周給出預警，以便及時更換相關部件，已成功避免了多起走行部軸承故障造成機車停運。 通過對主發電機溫度數據進行采集分析，及時發現并處理主發通風機尼龍繩斷裂問題。 通過對牽引電機轉速和微機監測機車速度等數據的采集分析，解決磁削失控亂動作故障等。 監測采集數據狀態趨勢分析如圖8所示。

圖8 監測采集數據狀態趨勢分析

(3)數據服務能力

通過PHM 平臺已向部分用戶單位推送其機車運行過程中發生的預警、報警、故障數據和處理操作過程服務，贏得了客戶的青睞，取得了較好的經濟效益。

通過智能采集、物聯網技術、大數據多模型分析，集成車輛各類動態和靜態信息，形成列車全生命周期數據庫，建設企業基于工業互聯網技術架構的機車PHM 平臺，進行機車運行數據的采集與解析，全車及各主要部件狀態的監控，事件及故障的診斷與消息推送，歷史數據的分析，機理模型的管理等功能，評估機車健康情況，給出機車運維策略，提升公司檢修運維能力，保障機車運行安全，助力企業向“制造+服務”轉型。

5 結論

通過對機車走行部、重聯狀態、重聯故障等系統運行狀態數據的分析與診斷，發現并提前處理了包括磁削失控、牽引電機軸承溫度異常等多個故障，減少了海外常駐維保人員，降低了公司售后成本。從“按車修”向“按件修”轉變，從“過度修”向“狀態修”轉變，從“響應式”服務向“主動式”開拓經營轉變[16]，初步實現機車實時數據的有效集成與分析挖掘，實現了遠程監測、診斷等全生命周期服務支持，探索出一整套集車載終端、車載通信衛星天線、基于數據挖掘的機車故障診斷系統于一體的完整解決方案。 建立企業機車智慧運維體系，通過智能采集、物聯網技術、大數據多模型分析，集成內燃機車各類動態和靜態信息，形成機車全生命周期數據庫和專家診斷數字化平臺。