城市軌道交通車輛智能化運維檢測措施研究

劉斌 劉安 王志云 歷寧 杜剛 岳三川

收稿日期：2023-11-03

作者簡介：劉斌（1986—），男，本科，工程師，研究方向：車輛檢修及其裝備技術。

通信作者：劉安（1981—），男，本科，工程師，研究方向：車輛智能運維。

摘要 針對現有運維檢測方法在城市軌道交通車輛運維管理中存在服務比率過低的問題，開展了城市軌道交通車輛智能化運維檢測措施研究，利用BP神經網絡計算車輛智能化運維檢測數據，按照云資源分配原則設計全新的車輛檢測機制，再采用傳感器技術和機器學習技術對城市軌道交通車輛開展綜合檢測和診斷感知。通過實例證明，新的運維檢測措施可以有效提高運維檢修率，為軌道交通車輛的安全穩(wěn)定運維管理提供了有力支撐。

關鍵詞 軌道車輛；智能化運維；BP神經網絡；診斷感知；綜合檢測

中圖分類號 U279.3文獻標識碼 A文章編號 2096-8949（2024）01-0017-03

0 引言

城市軌道交通作為現代化城市公共交通的重要組成部分，具有高效、便捷、安全等優(yōu)點，對緩解城市交通壓力和促進經濟社會發(fā)展具有重要意義[1]。開展智能化運維檢測措施是保障城市軌道交通車輛安全、高效運行的關鍵。傳統(tǒng)的城市軌道交通車輛運維檢測措施主要包括定期檢修、故障診斷和預防性維修等。這些方法在一定程度上可以保障車輛的安全運行，但存在檢測不及時、不全面等問題[2]。隨著智能化技術的發(fā)展，越來越多的學者開始研究基于智能化的城市軌道交通車輛運維檢測措施，這些研究主要包括利用傳感器、數據挖掘、機器學習等技術對車輛進行實時監(jiān)測、故障診斷和預測性維護等。然而，現有的智能化運維檢測措施也存在一些問題，比如數據采集不準確、算法模型適用性不強等。針對上述存在問題，該文開展了城市軌道交通車輛智能化運維檢測措施研究。

1 車輛智能化運維檢測算法計算

對車輛智能化運維檢測時，需對其算法進行設計并完成相應運算。BP神經網絡具有信號正向傳播與誤差逆向傳遞的特點，其復雜程度取決于隱藏層的層數以及每個層級的神經元數目[3]。BP神經網絡模型在輸出層僅包含一個神經元，輸入神經元過程中要與測試數據中的樣本特征一一對應，通過減少訓練樣本的數目，有效降低了BP網絡的復雜度。在實際應用中，每一個樣本都屬于多個標簽，可以對特征權重算法（Relief Feature Selection Algorithm，ReliefF）進行修改，確保能夠在城市軌道交通車輛智能化運維環(huán)境中得到使用[4]。具體步驟為：

首先，初始化處理。分別給定一個多標簽集合、特征集合、標簽集合，分別對應D、F、L。在此基礎上，定義第i個特征和第j個標簽分別為Ai和lj。在D中的每一個樣本都可能屬于多個不同標簽。為了方便操作，將每一個特征的初始權重均設置為0；其次，進行第i次迭代，從多標簽集合中隨機選擇一個樣本Ri，將C=L?class（Ri）定義為Ri的不同集合；再次，對每個特征權值都可以通過下述公式計算得出：

（1）

式中，W[Ah]——特征Ah的權重；diff（Ah， Ri， Snj）——特征Ah上樣本R1到標簽Snj的距離；P（l′n）——樣本屬于某一標簽的概率；k——樣本個數。

最后，在經過m次迭代后，得到平均特征權值。為了方便對每一個特征權值的觀察，對其進行排序和歸一化處理。在確定車輛智能化運維檢測時，如存在車輛故障標簽，可利用混淆矩陣幫助完成對檢測算法查準率和查全率的計算。混淆矩陣如表1所示。

在表1中，TP表示正類數據判定為正，對應真實結果為1，檢測結果為1；FN表示正類數據判定為負，對應真實結果為1，檢測結果為0；FP表示負類數據判定為正，對應真實結果為0，檢測結果為1；TN表示負類數據判定為負，對應真實結果為0，檢測結果為0。通過TP與TP+FP的比值得出precision，以此驗證檢測算法得到的檢測結果是否準確。

2 基于云資源分配的車輛檢測機制設計

完成對車輛智能化運維檢測算法的計算后，要確定需求和目標，結合云資源分配對車輛檢測機制進行設計，明確車輛檢測的具體需求，例如檢測的項目、標準、時間等，提高檢測的準確性、效率以及安全性[5]。在云平臺上構建服務器，用于接收和處理車輛檢測的數據，服務器需要具備高效的數據處理能力，能夠快速分析和處理大量的數據。為了實現車輛檢測設備的聯網功能，需要設計網絡通信模塊[6]，選擇以太網、Wi-Fi、4G/5G模塊以及NB-IOT模塊實現對設備的互聯互通。為了確保數據的安全性，所有車輛的檢測數據都要進行存儲和備份，包括檢測過程的視頻，都需要存儲在云服務器中，防止數據丟失或損壞。根據實際運行情況進行反饋調整，不斷優(yōu)化車輛檢測機制，以整個體系的回報作為優(yōu)化目標，將計算資源、帶寬資源、能量消耗等整合到回報函數中，優(yōu)化目標函數的表達公式為：

F（x）=maxR（S，O）， minCfileW[Ah] （2）

式中，F（x）——優(yōu)化目標函數；maxR（S，O）——最大回報函數；minCfile——最小云端計算資源占用比例。通過上述公式可以看出，在該優(yōu)化目標函數中包含兩個目標，需要為車輛故障傳輸和處理提供更多通信與計算資源作為目標。在運行基于云資源分配的車輛檢測機制時，由于本地計算資源不足，需要將部分車輛故障服務上傳到云平臺上，通過云平臺對其進行分類。結合用戶容忍時間、數據量和請求受歡迎程度，設計優(yōu)先級算法。以本地計算為例，對于車輛智能化運維檢測業(yè)務，根據業(yè)務的容忍時間和時間閾值大小關系，選擇本地計算和云平臺計算兩種業(yè)務形式。例如，當用戶對業(yè)務容忍時間小于時間閾值時，則屬于緊急車輛運維檢測業(yè)務，在車內進行本地計算處理；反之，此類業(yè)務屬于對時間不敏感業(yè)務，可上傳到云端對其進行處理。

3 城市軌道交通車輛綜合檢測與診斷感知

城市軌道交通車輛綜合檢測與診斷感知是城市軌道交通安全運行的重要環(huán)節(jié)。通過運用先進的傳感器技術和機器學習技術實現對車輛的全面檢測和診斷，可以有效地保證車輛的安全運行，提高城市軌道交通的運營效率。在明確基于云資源分配的車輛檢測機制后，對車輛進行綜合檢測并實現對其進行診斷感知。在綜合檢測方面，城市軌道交通車輛需要檢測的指標包括車輛的各項性能參數，如車速、加速度、減速度、輪重、軸重、軸距、輪軌間接觸壓力，以及懸掛系統(tǒng)動態(tài)特性參數等。此外，還需要對車輛的各個子系統(tǒng)進行檢測，如牽引系統(tǒng)、制動系統(tǒng)、傳動系統(tǒng)、電氣系統(tǒng)以及空調系統(tǒng)等，這些檢測數據需要通過數據采集系統(tǒng)進行采集和傳輸，為后續(xù)的診斷感知提供數據支持。

在診斷感知方面，城市軌道交通車輛需要運用先進的傳感器技術和機器學習技術，對采集到的數據進行處理和分析，實現對車輛狀態(tài)的實時監(jiān)測和故障診斷。例如，利用振動傳感器和聲音傳感器等對車輛的各個部位進行監(jiān)測，實現對車輛狀態(tài)的實時感知。同時，利用機器學習算法對檢測數據進行處理和分析，實現對車輛故障的自動診斷和預警。城市軌道交通車輛還要建立完善的故障檢測與診斷管理系統(tǒng)，實現對車輛檢測和診斷工作的全面管理，系統(tǒng)需要包括數據采集、數據處理、故障診斷、預警管理以及維修管理等功能模塊，為城市軌道交通車輛的維修效率和安全運行提供保障。

城市軌道交通車輛綜合檢測與診斷感知采用聲、光、電、磁等多種智能傳感技術，實時采集各車輛在軌運行時的狀態(tài)信息，通過車載—地面無線通信裝置進行整合，形成智能運營平臺進行分析。車載檢測具有數據實時性高和數據量大等優(yōu)點，在軌道集成檢測中，采用振動磨損測試和溫度檢測兩種方法分別對運行中的車輪狀態(tài)進行檢測，檢測開始后要對檢測客戶的感知價值進行計算，公式表達為：

CPV=（H/C ）×（W/S ）×（P/M ）F（x） （3）

式中，CPV——用戶感知價值；H——回報；C——成本；W——期望；S——實踐；P——評價；M——滿意度。根據客戶感知價值，對CPV取值過低的檢測措施進行優(yōu)化，確保最終運維檢測能夠充分滿足上述構建的優(yōu)化目標。

4 實例應用分析

智能化運維檢測措施主要利用傳感器、數據挖掘、機器學習等技術手段，對城市軌道交通車輛的運行狀態(tài)進行實時監(jiān)測、故障診斷和預測性維護。通過高精度傳感器采集車輛運行數據，利用數據挖掘和機器學習算法對數據進行處理和分析，實現故障預警和預測性維護，提高車輛的安全性和運行效率。選擇深圳市軌道交通線路作為實驗對象，該線路具有代表性的車輛型號和運維檢測措施。在實驗周期內對實驗線路的車輛運行數據進行采集，包括車輛運行狀態(tài)、故障數據等，利用數據挖掘和機器學習算法對采集的數據進行處理，通過對該文提出的檢測措施實際應用效果進行分析，實現對其應用優(yōu)勢的驗證。在Matlab上進行仿真分析，將城軌車輛行駛道路長度設置為10 000 m，將有效通信范圍設置為500 m，相關仿真參數如表2所示。

結合上述實驗條件設置，選擇將服務比率作為評價該文檢測措施應用性能的量化指標，服務比率是指可充分反映車輛智能化運維檢測措施中應用的檢測機制性能，服務比率的定義為：

F=Q/Z （4）

式中，F——服務比率；Q——成功服務請求數，在實驗中可表示對車輛運維成功進行檢測且檢測結果與實際檢測數量相符；Z——總請求數量，在實驗中可表示城市軌道交通車輛發(fā)出的運維檢測請求次數。再分別記錄不同車輛數量條件和不同虛擬機數量條件下的服務比率，得到結果如圖1和圖2所示。

從圖1繪制的不同車輛數量條件下服務比率變化曲線圖可以看出，當城市軌道交通車輛不超過100輛時，該文提出的檢測措施在實際應用中可以實現1.0服務比率的檢測效果；而隨著車輛數量的增加，服務比率呈現出逐漸遞減的趨勢，但服務比率始終在0.5以上。對圖2中繪制的曲線進行分析可知，在虛擬機數量達到40臺之前，檢測措施服務比率始終為0，隨著虛擬機數量的不斷增加，服務比率也會呈現出逐漸遞增的趨勢，達到110臺時，其服務比率可以達到1.0水平。從上述實例應用的結果可以看出，該文提出的檢測措施可以實現較高服務比率的軌道交通車輛智能化運維檢測，檢測結果可以為車輛運維管理提供更有利的依據。同時，為了確保該文檢測措施的應用效果達到最理想狀態(tài)，需要將虛擬機數量控制在110臺以上，檢測對象不超過100輛車。除此之外，城市軌道交通車輛智能化運維檢測措施在實際運營中具有較好的應用效果，能夠提高車輛的安全性和運行效率。

5 結束語

該文通過對城市軌道交通車輛智能化運維檢測措施的研究現狀和不足進行深入探討，提出了相應的解決方案。在對車輛智能化運維檢測時，利用BP神經網絡對其算法進行設計并完成相應運算，結合云資源分配對車輛檢測機制進行設計，明確基于云資源分配的車輛檢測機制后，對車輛進行綜合檢測，實現對其診斷感知。通過這些措施的實施，提高了城市軌道交通車輛智能化運維檢測的水平和效率，保障了軌道交通車輛的安全穩(wěn)定運行。在以后的研究工作中，還要進一步推廣應用智能化運維檢測系統(tǒng)，優(yōu)化算法模型的適用性，健全數據采集與處理體系，確保數據的全面性和準確性，為智能化運維檢測措施提供可靠支持。

參考文獻

[1]侯成凱， 徐欣. 軌道交通車輛牽引系統(tǒng)智能運維研究[J]. 工業(yè)儀表與自動化裝置， 2023（5）： 107-111.

[2]傅駿， 劉輝平. 廣州地鐵車輛智能運維示范項目走行部在線監(jiān)測的優(yōu)化與探索[J]. 現代城市軌道交通， 2023（7）： 21-26.

[3]丁亞琦， 黃貴發(fā). 城市軌道交通車輛走行部軸承智能運維系統(tǒng)[J]. 城市軌道交通研究， 2023（S1）： 8-14+19.

[4]曹海平. 上海軌道交通17號線車輛全壽命均衡運維模式[J]. 城市軌道交通研究， 2023（S1）： 123-127.

[5]張欣萍， 殷培強， 趙敏敏， 等. 軌道車輛智能運維系統(tǒng)信號采集與傳輸單元研究與設計[J]. 智慧軌道交通， 2023（3）： 17-21.

[6]李杲. 基于大數據的城軌車輛基地智能運維系統(tǒng)架構與應用[J]. 現代交通與冶金材料， 2023（2）： 70-74.