高速動車組牽引系統健康預測管理算法

武漢鐵路職業技術學院 郭紅梅

中國動車維修戰略優化研究正越來越受到國際重視，其中故障預知和健康管理(PHM)的關鍵技術研究和高速鐵路動車牽引系健康預警管理是中國目前動車維修戰略優化的研究重點。因此，本文首先闡述了動車組牽引系統的概念及其特性，并針對特性建立牽引系統健康評估的模型，并對高速動車組牽引系統健康預測管理算法進行分析和討論，希望能為相關人員提供一些新的思路。

1 高速動車組牽引系統概述

1.1 動車組牽引系統

CRH2型高速動車牽引控制系統一般分為：受電弓、牽引變壓器、脈沖整流器、中央直流系統輸出環節、牽引逆變器、牽引電機等。牽引控制系統的工作原理為通過升起受電弓，于接觸網接通AC25kv/50Hz電源，高壓電流經牽引變壓器轉化為適應牽引系統工作的電壓。而脈沖整流器與牽引逆變器，基本上完成了控制系統在牽引狀況與再生制動狀況之間快速的平滑轉換，脈沖整流器用作供電側變流器，牽引狀況時為整流裝置，再生制動狀況時為逆變器，而牽引逆變器則為供電驅動側變流器，在牽引狀況時為逆變器，在再生制動工況時為整流裝置。

牽引電機是整個控制系統的核心，主要承擔著電能與機械能之間的相互切換，將牽引狀態電能轉化為機械能，將再生制動狀態時機械能轉化為電能。由于牽引電機構造簡潔、穩定、體積小、輸出功率大，其構造主要分為定子、轉子、軸承和通風系統等，絕緣級別約為二百級。動車組的牽引電器性能比較平穩，很適合惡劣的工況環境。

1.2 牽引系統特性分析

牽引狀態下：通過升起受電弓觸碰接觸網，接入AC25kV單相工頻交換電，由牽引變壓器將高壓轉化為牽引變流器工作需要的1500V單相故障交換電，繼而傳送至脈沖整流器上，其將負責的交換電轉化為直流電后，經中央直流電線路傳遞給牽引力逆變器，牽引力逆變器將輸出電流/頻數可調節的三相交流電源直接供應給牽引電機，由牽引電機將能量轉化為機械功率傳動車輪對，從而完成動車組工作。

再生制動狀態：該狀態中的牽引電機將機械能轉化為能量，由牽引電機逆變器轉化為整流設備，將由牽引電機所傳遞的三相交流電轉化為直流輸出電，再供應中央直流輸出環節進行補充。脈沖整流器轉化為逆變器后，使其中直流輸出環節所傳輸的直流電逆變成單一交流電，最后交換電再經由牽引變壓器、高壓電路等高壓裝置傳輸到接觸網，從而實現將機械功率轉變成電能。

通過比較牽引狀態和再生制動狀態中牽引系統各部分的工作狀態，可以得出，牽引電機是整個牽引系統的核心部件，其電氣特點可包括對牽引力特性和再生制動兩方面加以分析。

2 高速動車組牽引傳動系統健康狀態評估模型的建立

2.1 牽引傳動系統健康狀況評價指標

集中牽引傳動系統作為一種相當復雜的機械系統，其元器件很多，而各個元器件之間又有多個指標，因此各個技術指標間也有一定的相互關系[1]，但假如將每個元器件的全部技術指標都列入評價指標集，就會使整體評價的過程很繁瑣，所以，應當選擇能夠真實、客觀反映整個牽引傳動系統所處于狀況的全部技術指標作為評價指標集。

對高速動車組的牽引力傳動控制系統健康狀況開展了綜合評價，并首先對高速動車組的牽引力傳動控制系統構建了層次解析模式，如圖1所示。

圖1中第一層為控制系統層，用以評價整個控制系統的健康狀況；第二層則為電子元器件層，主要針對構成控制系統的電子元器件進行健康狀況評價；第三層次是指標層，針對各個元器件的物理特征、工作狀況等形成健康狀況評價指數集。從指數層分別向前遞進以評價元器件層、系統層面的健康狀況，最后進行動車組牽引傳動系統整體的健康狀況評價。

圖1 高速動車組的牽引力傳動控制系統層次解析模式Fig.1 Hierarchical analysis mode of traction transmission control system of high-speed EMU

2.2 牽引傳動系統健康狀態等級的劃分

牽引傳動系統的健康狀況通常會用四個等級代表牽引傳動系統的實際健康狀況，具體包括正常、微故障、故障、嚴重故障。正常表示各指標檢測數值均達到最優數值附近，系統仍能正常安全工作。此時，系統已不需要大修，并可延長系統大修計劃。微故障指個別指標檢測數值有所降低，但系統無劣化趨向，仍可正常工作。此時，系統仍可按計劃進行大修。故障表示有些指標檢測數值降低幅度很大，但系統整體運行狀況較差，易出現重大故障，劣變趨向較明顯。

3 基于統計的預測技術

與基于模擬的預測技術比較，基于大數據的預測技術并不要求構建設備整體的動態數學模型，其所要求的信號都來自于概率密度函數[2]。通過從設備中收集的數據信號，可以統計和算出設備所需的各種概率密度函數，并據此可以針對設備狀態進行合理的估計。

3.1 貝葉斯技術

在某些情形下，因為無法收集到設備上大量的樣本數據信息，從而使得采用極大似然差估計方法預測模型參數的退化模型，無法正確的實現預測。貝葉斯方法可利用在實際產品中所累積的經驗信息對產品進行數據分析，從而得出產品參數信息，并使用相對較少的設備特性數據構建產品動態模型，同時使用設備性能數據分析對產品參數信息持續性調整，從而不斷提升產品預測準確度。

3.2 隱馬爾科夫和隱零點五馬爾科夫模型

隱馬爾科夫模式(HMM)是一個基于概率的隨機數據建模和分析，在故障診斷中得到了成功運用，該模式是一種二重的隨機過程，一方面模式中狀態之間的傳遞都是隨機的，即馬爾科夫過程，另外，狀態與觀測數值之間的傳遞也是隨機的。利用統計學習，能夠合理的尋找出故障狀況與檢測信號間的關聯，反映設備的潛在結構特征，形成HMM模式，由此能夠進行評價當前設備的健康狀況和對設備剩余使用壽命的預估。

但是由于馬爾可夫鏈假定狀況的停留持續時間概率為指數分配，從而導致了HMM相對較繁雜設施來說無法科學合理的衡量其狀況的停留持續時間，因此模型上存在著一些的局限。隱零點五馬爾科夫模型(HSMM)是HMM的延伸，提高了狀態停留持續時間，也因此在一些程度上解決了HMM易于進入局部優化的局限。該模塊中健康狀況所相應的一個觀察片斷，可以更加精確的說明復雜系統設備退化狀況的轉化以及故障規律的演化過程。

4 基于HSMM動車組牽引控制系統的健康預測

高鐵的迅速發展使得對高速動車安全可靠性的需求也在相應地增加，維護高速動車組及其重要組成部分的安全，已成為中國高速鐵路系統各運營保障部門所面對的重要挑戰性問題[3]。而目前，由于高速動車的修理模式正在從傳統“計劃修”向“狀態修”轉變，因此目前維修策略的合理性還需進一步研究，而建設以故障預警為基石的新型維修策略將是目前的重點研發內容。新型的維修策略既可以預知列車運行設施發生故障時刻，重新評價設施的健康狀況，并預計剩余使用壽命，以便決定如何保養，怎樣維護，又可以有效的減少維護成本，減少過度維護，從而提高了列車的安全可靠性，還可以有效防止因不合理的維護對設施完整性的損害，產生潛在的健康隱患[4]。而進行新維護模式的轉換，關鍵問題就是在動車組所有重要子系統和關鍵部件的運行性能退化規律研究基礎上，對其健康狀況和故障狀態作出合理的趨勢分析與預估。

4.1 基于HSMM動車組牽引力控制系統的故障狀態預報

本文中采用了改良后的算法，以牽引系統為主要試驗對象，并對其作故障預測和殘余壽命預測。牽引控制系統的退化狀況一般可以分成四類：正常狀況、微故障狀況、故障狀態和嚴重故障狀況。在第四章中，對隱零點五馬爾科夫模型的參數優化方法作了設計，詳細闡述了通過改良后的粒子群計算優化隱零點五馬爾科夫模型參數的方式。

4.2 健康狀態評估

4.2.1 初始化HSMM模型參數

在基于設備狀態退化演變規律的故障預報中，左型HSMM模式可以更加精確的描述故障演化，因此采用了四狀態的左型馬爾可夫鏈，在初始狀態時牽引動系統狀態仍保持在正常狀態下，其狀態為初始概率矢量：

初始化狀態轉換矩陣，左右型馬爾可夫鏈中態之間的轉化可以由自身態轉化到自身態甚至轉化到下一種退化態，初始化階段認為其轉化幾率相等，即態轉化矩陣四A=(aij)N×N初始化如下：

4.2.2 基于FPSO的HSMM模型的訓練

由于在訓練模型中發現模型均可在五百內達到收斂條件，所以設置了最大的迭代步數為五百步，收斂誤差范圍為5×10-5，然后根據以上HSMM建模參數初始化后并訓練，得到了每個狀態下對應的多個HSMM模型，根據訓練得到的HSMM模型定義了可行解空間，進而可以定義了基空間和外空間。初始化延伸因子η以及回歸因子τ0以及τ1。

以對牽引系統在正常狀況下的模擬訓練結果為例，正常狀況下轉移的概率矩陣如表1所示。

表1 正常狀況下轉移的概率矩陣Tab.1 Probability matrix of transition under normal conditions

4.2.3 牽引系統健康狀態評估

將正常狀況、微故障狀況、故障狀態以及嚴重故障狀況等共15個檢測樣本的特征值向量觀測序列，注入在訓練后所獲得的4個健康狀況分類器中，并通過輸出獲得對4個分類器測量結果的似然概率對數據。

在正常狀況下，通過比較15個試驗樣本在各狀態分類器下的辨識結果，可以得出在正常狀況下正常狀態分類器的似然概率對數最大即為認知率最大，15個試驗樣本將全部被準確辨識。

在微故障狀況下，可以通過對15個檢測樣品在各狀態分類器下的辨識結果，得出在正常狀況下正常狀態分類器的似然概率對數最大即為識別率最大，但參與檢測的樣品中1個樣品并沒有被正確標識。

在故障狀況下，可以通過比較15個試驗樣本在各狀態分類器下的辨識結果，得出在正常狀況下正常狀態分類器的似然概率對數最大即為認知率最大，而15個試驗樣本中2個并未被成功辨識。

在嚴重故障狀況下，通過比較15個試驗樣品在各狀態分類器下的辨識結果，可以得出在正常狀況下正常狀態分類器的似然概率對數最大即識別率最大，所有試驗樣品均被順利辨識。

5 結語

動車維修戰略優化研究也越來越受到重視，其中故障預知和健康管理(PHM)的關鍵技術研究和高速鐵路動車牽引系健康預警管理是目前動車維修戰略優化的研究重點。因此，本文首先闡述了動車組牽引系統的概念及其特性，并針對特性建立牽引系統健康評估的模型，并對高速動車組牽引系統健康預測管理算法進行分析和討論，發現改進后的算法相對于傳統算法來說，狀態識別和預測精度更高。

引用

[1] 邵俊捷,鄧洋,于闖.故障預測與健康管理技術在動車組中的應用[J].城市軌道交通研究,2018(2):102.

[2] 李雪昆.故障預測與健康管理技術在地鐵列車上的應用[J].城市軌道交通研究,2018(2):105.

[3] 楊軍祥,田澤,李成文,等.新一代航空電子故障預測與健康管理系統綜述[J].計算機測量與控制,2014,22(4):972.

[4] 毛京明,胥家常.一種新的自主式武器裝備后勤保障系統[J].兵工自動化,2009,28(7):23.