高铁牵引供电系统PHM 与主动维护研究

王 玘， 何正友， 林 圣， 冯 玎， 李朝阳

(西南交通大学电气工程学院，四川 成都610031)

截止2014 年底，我国高速铁路运营的总里程达到了1.6 万km，占世界高铁运营里程的60%以上，稳居世界高铁里程的榜首.预计到2015 年高铁运营总里程将达1.8 万km，高铁列车日均发送旅客将达249 万人次.我国高速铁路建设周期短、运营规模大，且正从大规模的建设阶段向以全面运营维护为主的阶段转换.牵引供电系统作为高速列车的唯一动力来源，其服役安全是保障高速铁路安全、可靠、高效运行的关键［1］. 随着服役时间的增长和设备性能的退化，高速铁路牵引供电系统的安全隐患问题必将逐渐暴露出来，维修维护压力也将与日俱增.如何保障上万千米路网条件下上千列高速列车的安全可靠运行，减轻一线运营维护人员的检修工作量，提高牵引供电设备的利用率，使高铁牵引供电系统始终处于良好的运营状态，减少甚至避免故障的发生，对保证未来我国高速铁路的正常运行具有重要意义.

目前，高速铁路牵引供电系统的故障处理和维修维护存在以下三方面的不足:

(1)系统及设备状态判断存在不足［2］. 为了有效地掌握设备的运行状态，虽然对牵引供电关键设备的特征指标存在部分相应的监测或检测手段，如牵引变压器的油色谱监测和馈线电缆的光纤测温等，但是利用这些特征指标判断设备运行状态时，往往只依赖单一特征指标，而未能综合考虑多个甚至全部指标. 只考虑单一设备的运行状态，而无法计及设备间的耦合和相互影响关系对系统的状态进行整体把握;只能做“正常”或“故障”的二元判断，无法反映设备或系统从“正常”到“故障”过程中的退化趋势即各个中间状态;只利用当前值进行简单的阈值比较，而未结合历史数据，也不预测未来走势.

(2)故障诊断与处理方式存在缺陷［3-4］. 高铁牵引供电系统采用故障后处理的方式，在故障发生后才进行故障的诊断与排除，这时已经造成了设备损坏、铁路停运甚至人员伤亡等故障后果. 故障查找与排除速度慢，在与故障争分夺秒的竞争中有时耗费了大量人力却未能及时阻止故障范围的扩大与故障程度的恶化.这不仅会损坏若干价值不菲的设备或产生高昂的维修成本，其造成的停电停运、人员伤亡、社会名誉的负面影响更是不可估量的.此外，在事后的事故分析与责任划分中，故障原因难以真正查明，更无法追踪并反推故障过程，使得事故责任归属难以明确.

(3)维修维护模式有待完善改进［5］. 目前，高速铁路牵引供电系统仍然采用周期维修、人工巡检和事故抢修相结合的维修维护模式，这是一种被动的模式，维修不足或维修过剩是普遍现象. 维修缺乏针对性，如维修规程的制定有些是参考电力系统设备的运行规程、检修导则和维修技术标准等，有些则直接套用普速铁路的现有规程，没有考虑高铁牵引供电系统的结构特点和服役条件科学制定维修规程，直接导致效率低下甚至错误指导维修活动的实施.维修活动的实施存在盲目性和投机性，维修人员往往凭经验甚至运气来使设备脱离故障状态，虽然表面上暂时排除了故障，但这种缺乏科学依据的维修也为设备的后续运行埋下了隐患;这种被动的维修维护模式造成了维修效率低、经济性差、工作量与工作强度大等问题.

以上不足使得现有的故障处理和维修维护工作并不能高效处理牵引供电系统艰巨的运营维护任务，不能有效缓解铁路工作者巨大的工作压力，已无法很好地适应高速铁路进入全面运营维护期后所面临的各项问题，对高速铁路的安全、可靠、高效运行造成了严重的威胁和巨大的挑战.

针对以上问题，本文提出将故障预测和健康管理(prognostic and health management，PHM)与主动维护的理论及技术应用于高速铁路牵引供电系统中，首先分析了系统在各个方面的多时空尺度性、动态性与随机性的特点，介绍了PHM 与主动维护的概念、理论与常用方法;接着确立了牵引供电系统PHM 与主动维护的目标并建立了相关的理论框架;然后结合高速铁路牵引供电系统的特点探讨了其多时空尺度PHM 与主动维护的理论研究内容;最后展望了高速铁路牵引供电系统实现PHM与主动维护的技术途径.

1 高速铁路牵引供电系统的特点

1.1 多时空尺度性

高速铁路牵引供电系统在服役环境、数据和信息以及结构和服役性能等方面具有时间和空间上的多尺度性质.

(1)服役环境的时空多尺度性

我国高速铁路运营环境极其复杂，单条线路超过1 000 km 的行驶里程与全年服役的特点使其横跨多个自然气候带，有时要轮番承受雨雪、强风、雷电等气象灾害的侵袭［6］;高速铁路网覆盖30 多个省市，跨越高寒(如京哈线)，高温、高湿(如武广线)、强腐蚀(如海南通道)、多风沙(如兰新线)、高原(如沪昆线)等复杂且极端的地理水文环境;同时，各个地区的区域电网在供电能力、电能质量、脆弱性等方面具有较大的差异，牵引负荷的特点以及与区域电网频繁的大功率交换使得这种电源条件差异性更加明显. 因此，多样的自然环境、气象因素、地理水文甚至电源条件等造就了高速铁路牵引供电系统在服役环境上的时空多尺度性.

(2)数据和信息的时空多尺度性

高速铁路牵引供电系统中存在海量的在线监测数据、离线检测记录、统计数据、事件记录、维修台账等数据和信息，它们来源于不同的采集装置或手段，反映了不同部件或设备的服役情况. 数据采集的间隔、周期、精度、量纲等千差万别，或客观或主观，或定性或定量，且分布式地存放或记录于不同的物理载体上，构成了高速铁路牵引供电系统在数据和信息上的时空多尺度性.

(3)结构和服役性能的时空多尺度性

沿着电能的流动方向看去，牵引供电系统实际上是由众多供电设备和元件(牵引变电所的一次设备、接触网的锚段)所组成的一条链式供电回路. 尤其是牵引变电所的关键设备(如牵引变压器)甚至关键结构(如一路进线)由于存在备用而形成了冗余结构，这种链式或冗余结构在空间上将单独的设备组成了完整的系统，形成了从设备级到系统级的空间尺度的跨越. 另一方面，牵引供电设备的服役性能在不同的时间尺度上会表现出不同的规律，在实时运行的短时间尺度、有限个失效-修复周期的中时间尺度和全寿命周期的长时间尺度上，所能观察到的故障演变、退化趋势及失效规律逐渐从微观到宏观，所关注的问题由点到面，对其描述所采用的数学方法也应具有不同的分辨率和精度.

1.2 动态性与随机性

高速铁路牵引供电系统在设备正常运行、性能退化、故障失效以及维修恢复的全寿命服役周期中都具有典型的动态性和随机性的特点.

动态性是指与设备或系统有关的现象、参数及指标等是时间的函数的性质.如列车的位置是动态变化的，导致牵引负荷体现出剧烈波动的动态性;设备的服役条件是动态变化的，导致设备的性能或与性能有关的指标具有动态性;系统运行过程中，内部的服役性态退化过程、外部的风险因素是随时间动态变化的，使得系统的健康状态具有实时性和动态性的特点.

随机性是指设备或系统的运行服役、故障发展、维修活动等过程的特征变量、影响因素和评价指标是时间或空间上的随机变量的性质.如故障的发生、发展过程是随机的，此时故障的发生时间、发生部位以及发展速度等均可视为随机变量;自然灾害等外部风险因素是随机的，此时灾害类型、灾害次数和灾害程度等均可视为随机变量;维修活动的实施效果也是随机的，这是由于维修过程中天窗时间、备品备件的需求量、维修人员经验水平以及维修难易程度等一系列因素都是随机变量造成的.

2 高铁牵引供电系统PHM 与主动维护的理念

2.1 PHM 理论与方法

由于高速铁路牵引供电系统中存在多种时空多尺度性、动态性以及随机性，使得问题的描述和模型的建立更加复杂，传统的状态判断方法、故障诊断理论以及维修维护理念将难以取得良好的效果.因此，提出将PHM 的理论与方法以及主动维护的理念引入高速铁路牵引供电系统中以解决故障处理和维修维护方面存在的问题.

PHM 是指利用尽可能少的传感器采集系统的各种数据信息，借助各种智能推理算法(如物理模型、神经网络、数据融合、模糊逻辑、专家系统等)来评估系统自身的健康状态，在系统故障发生前对其进行预测，并结合各种可利用的资源信息提供一系列的维修保障措施的理论与技术［7-9］.PHM 最早在陆军装备的直升机研制中被提出［10］，后其理论被发展并广泛应用于航空航天、武器装备、电子设备、海军船舶、电力能源以及复杂系统等多个领域.

与传统的故障诊断相比，PHM 代表了一种理念和方法上的转变，使传统基于传感器的诊断转向基于智能系统的预测［11］;同时PHM 也是对传统复杂系统的机内测试和状态监控技术的进一步拓展，加入了对多元状态信息的融合处理、故障发生前的及时预报和预防、系统健康状态的综合掌控和未来可靠性的预测［12-13］.

目前，PHM 的研究中发展出3 类较为成熟且常用的方法:基于失效物理模型的方法、基于数据驱动的方法和基于统计可靠性的方法.

(1)基于失效物理模型的方法.这是利用产品的生命周期载荷和失效机理知识来进行预测和诊断的方法.这种方法通常需要利用具体对象专业领域的知识，对其进行故障物理的建模，即一般要求对象系统的数学模型是已知的或可求解的.在模型的支持下，其预测精度较高，但针对复杂动态系统通常难以建立精确的数学模型，限制了该方法的广泛应用.典型的基于失效物理模型的方法有:故障模式、机理和影响分析(FMMEA)方法［14］、卡尔曼滤波/粒子滤波方法［15］和基于专家知识的方法［16］等.

(2)基于数据驱动的方法.很多时候复杂系统的数学模型是无法得到或难以求解的，此时在研究对象的关键位置安装各种传感器或针对研究对象进行多种实验就成为了解系统服役规律的有效手段.基于数据驱动的方法正是利用这些传感器或实验采集到的数据来进行分析和预测的.由于仅用可用数据进行健康判断和预测，该方法具有广泛的适用性，且能满足一定的精度. 典型的基于数据驱动的方法有:主成分分析(PCA)法［17］、隐马尔可夫模型(HMM)方法［18］、支持向量机(SVM)方法［19］和人工神经网络方法(ANN)［20］等.

(3)基于统计可靠性的方法.由于受到多种条件的限制，有时难免存在既难以求得系统的数学模型又无法获取足够状态数据的情况，但此时只要积累了充足的历史失效数据，就可以利用这种方法实现故障预测.基于统计可靠性的方法从可靠性的角度拟合对象的寿命分布，并推测出平均剩余寿命.由于缺乏细节信息，该方法的准确度波动较大，因此常在预测结果中加入一个置信度来表征准确度水平.典型的基于统计可靠性的方法有:D-S 证据理论［21］、贝叶斯网络方法［22］和模糊统计方法［23］等.

2.2 主动维护理念

在过去的半个世纪中，与维修维护有关的理念、理论、技术与管理模式一直在不断变革，从最初在设备损坏或故障后才进行维修的事后维修(breakdown maintenance，BM)阶段，到后来在设备的平时运行阶段按一定的周期和计划进行维修的预防维修(preventive maintenance，PB)阶段，再到近几十年来发展形成的按设备实际运行状态合理安排维修的状态维修或视情维修(condition-based maintenance，CBM)阶段［24-25］，人们对于设备故障和维修维护之间的关系逐渐由故障后的“维修”转变为故障前的“维护+维修”.

随着与维修维护有关的理论与技术不断推陈出新，同时设备技术含量与系统复杂性不断提高，人们对于设备运行过程中的安全可靠性要求也逐年上升，维修维护理念的聚焦点不应仅仅由“故障后”转向“故障前”，更应该从围绕“故障”转移到围绕“系统及设备全寿命周期的健康状态”，即从“被动维修”向“主动维护”转型.与被动维修这种对设备的故障或性能下降进行修复或恢复的反射式处理方式不同，主动维护旨在对引起故障的根源性原因进行分析和干涉，以从源头上避免失效事件的发生同时提升设备的服役性能. 主动维护的优势在于:无论何种形式的被动维修都只能最大限度地保持设备的健康属性，而主动维护可以改善设备的固有健康属性;被动维修只能延缓故障发展过程或降低故障发生概率，而主动维护能改变故障发展方向及消除故障后果.主动维护的实施并不局限于设备的运行维护阶段，在必要时可以通过更改设计、优化制造或升级施工工艺等手段实现.

在以往的普速铁路以及早期高速铁路的运营中，维修维护工作主要采用事后维修(故障修)与预防维修(周期修)相结合的方式. 随着近年来状态维修的大力发展以及在电力系统中的迅速推广与应用，状态维修的相关技术也逐渐被引入高铁牵引供电系统中.但目前状态维修在牵引供电系统中的应用效果并不理想，虽有一系列在线监测装置(如变压器油色谱监测、电缆光纤测温等)上线投运，但其采集的数据并未有效地利用以指导维修;另外，与状态维修有关的经验、标准与规程等都直接照搬电力系统，缺少针对牵引供电系统的合理改进.而主动维护理念的提出，一方面希望将各个设备的各种实时的、历史的监测、检测数据充分收集并加以分析利用，另一方面希望结合牵引供电系统的特点形成具有针对性的经验、标准与规程，为状态维修在牵引供电系统中的普及奠定坚实基础，并更好地与既有的维修维护发展方向相结合.

2.3 高铁牵引供电系统PHM 与主动维护的目标

将PHM 理论与主动维护理念应用于高速铁路牵引供电系统中，应充分考虑并利用其多时空尺度性和动态性与随机性的特点. 针对多时空尺度性，可将问题目标从不同的时间与空间层面进行划分，并采用多尺度建模方法、多尺度融合算法以及时空联合分析方法等进行分析;针对动态性与随机性，其实质表现为时间上的序列性结合空间上的概率性，因此可利用随机过程的数学工具进行统一建模分析，以期实现以下目标:

(1)对系统中存在的海量、繁杂、分布式的多时空尺度数据，建立统一的数据管理平台，对各种历史和实时数据进行高效地收集、存储和管理;研究大数据背景下的信息处理与融合方法，以实现对牵引供电系统中海量异构多态数据的有效处理、集中分析与综合利用［26］.

(2)结合牵引供电设备投运后全寿命周期的服役性态演变以及失效退化规律(如图1 所示)，在功能性故障发生之前，对系统中可能存在的潜在故障与隐藏故障(定义见表1)进行及时地识别与预测，以实现对故障的提早预警并将故障消灭在孕育阶段;若功能性故障已经发生，则进行快速准确的故障诊断，迅速识别故障元件或准确定位故障部位以及时排除故障.

图1 牵引供电设备服役性态演变及失效退化规律Fig.1 Service state and degradation trend of traction power supply equipment

表1 牵引供电设备失效过程中的3 种故障Tab.1 Three types of fault in the failure process of traction power supply equipment

(3)借鉴生物体的健康概念与免疫机制，定义系统从正常运行到失效退出的若干个中间健康状态(如图2 所示);从牵引供电系统的众多状态参数中，提炼出能描述系统健康状态的典型指标参数，建立包括各项监测检测数据的重要度和时效性的动态评估指标体系;实现对牵引供电系统及设备所处健康状态的多因素综合评估，以全面、准确、客观地掌握系统和设备实时的服役状态［27-28］;根据一定时间段内设备的健康走势对设备剩余寿命做出合理预测.

图2 牵引供电设备健康状态Fig.2 Health status of traction power supply equipment

(4)针对牵引供电系统内部负荷频繁冲击、供电质量波动、设备绝缘下降等安全性问题，以及外部恶劣天气、自然灾害、电源不稳定等安全风险因素，从统计可靠性角度考察系统的可靠度、可用度、故障率等指标，评估系统在多尺度复杂服役环境下的各种风险值，找出系统中可靠性低、风险值高的薄弱环节，并探寻提高可靠性、降低或规避风险的技术手段［29-30］.

(5)PHM 的实施最终要服务于主动维护目标的实现，因此在数据处理、故障预测、健康评估、可靠性和风险分析的基础上，充分利用以上PHM 的分析结果与结论，研究牵引供电系统的各类维修决策(维修时间决策［31-32］、维修方式决策［33-34］、维修周期决策［35-36］和维修程度决策［37-38］等)问题、维修策略的优化以及最优组合问题［39-42］，以最终形成一套高速铁路牵引供电系统维修维护的成套化解决方案，为涵盖维修规程制定、检修计划安排以及维修活动实施等各个阶段的运营维护工作提供理论指导与技术支撑.

根据以上目标，提出高铁牵引供电系统PHM与主动维护理论框架如图3 所示.将该理论框架的各部分进行细化，形成高铁牵引供电系统PHM 与主动维护的理论研究内容.

图3 高铁牵引供电系统PHM 与主动维护理论框架Fig.3 Theoretical frame of PHM and active maintenance for high-speed railway traction power supply system

3 高铁牵引供电系统PHM 与主动维护的理论研究内容

3.1 多尺度数据处理与融合研究

如图4 所示，针对牵引供电系统中不同设备(空间)和不同采集间隔(时间)的各种多时空尺度数据，分析其多源异构的信息特征，包括广域空间(位置)标识、事件标识、连续或离散性质、传输特性等.从各类结构化、半结构化和非结构化数据中挖掘趋势信息;研究各个时间尺度下数据的去噪、剔冗余、解耦和特征提取等算法，研究各个空间尺度下数据的分类、聚类及相关性分析等方法. 考虑不同尺度之间的背景效应进行多尺度联合分析，研究小尺度向大尺度的统计性转化和大尺度向小尺度的平滑算法，建立含空间相关项和时空交互项的层次时空模型进行多时空尺度数据的融合分析.

图4 多尺度数据处理与融合研究的内容Fig.4 Theoretical contents of data processing and fusion in multiple scales

3.2 故障预测与健康评估研究

在短时间尺度(实时运行)和中时间尺度(设备的有限个失效与更新周期)上，采用随机过程理论对潜在故障和隐藏故障发生、发展的随机性以及设备健康状态退化的动态性进行建模，研究潜在故障和隐藏故障的概率分布描述形式和设备健康状态的实时评估方法，以在功能性故障发生前或健康状态的劣化超过阈值前进行及时预测并预警，并在一定的置信区间内预测设备的剩余使用寿命.在功能性故障发生后或健康状态的劣化超过阈值后，利用基于案例推理的方法进行故障的快速诊断;在空间尺度上将单元件单故障模式的设备级分析扩充为多元件多故障模式的系统级分析，针对牵引供电系统的串并联、冗余、冷/热备用等多部件结构，以及劣化故障、冲击故障以及多重故障并发等多故障模式，采用基于数据驱动和基于失效物理模型相结合的PHM 方法进行建模，以对系统进行健康状态的综合评估并实现系统级的故障预测.

3.3 全寿命周期可靠性分析与风险评估研究

在长时间尺度(牵引供电系统服役的全寿命周期)上，从随机过程的角度对牵引供电系统的可靠性和可用性进行分析，基于设备故障率的浴盆曲线，对系统可靠性指标的时间序列进行建模并预测该序列未来的发展趋势，准确追踪到安全风险增大的区间并在转折期安排避险措施以抑制故障率的上升.在空间尺度上一方面考虑恶劣天气、自然灾害等风险因素对系统故障率和可用度的影响，评估风险值的大小，另一方面针对牵引供电系统的链式(串联)及备用(并联)结构考察系统故障率和可用度的概率分布形式，在传统的以时间为单一自变量的故障率模型λ(t)中加入健康状态H 与服役环境E 的影响，建立可定量反映系统内、外部风险的综合故障率模型λ(H，t，E)，并引入尺度变量建立条件可靠度模型分析系统全寿命周期的可靠性.

3.4 维修决策与优化研究

在前三点研究内容的基础上，考虑维修活动中的多种动态性和随机性，考察维修活动在时间上的多尺度效应(如事故抢修的紧迫性、状态维修的实时性和定期维修的周期性等)和空间上的多尺度效应(如部件级、设备级、子系统级、系统级维修等)，建立多因素、多尺度的时空联合决策模型，重点研究维修时间、维修周期、维修程度和维修方式等方面的决策问题(各类维修决策的含义如表2所示);应用灵敏度分析方法、非线性数学规划方法以及多目标智能优化算法等研究维修决策变量的优化与最优组合问题;分析牵引供电系统在维修活动中表现出的各项属性，合理分配其权重，形成维修影响因素集，并结合维修活动所要用到的备件、工具和工种等建立维修库，最终为每条结构、性能各异的牵引供电系统提供一整套定制化的维修维护解决方案. 上述主动维护层面的研究内容如图5 所示.

表2 四种维修决策类型及其含义Tab.2 Four types of maintenance decision and their meanings

图5 维修决策与优化研究的内容Fig.5 Theoretical contents of maintenance decision and optimization

4 高铁牵引供电系统PHM 与主动维护的技术展望

随着高速铁路牵引供电系统PHM 与主动维护的理论研究不断深入与完善，实现其目标的技术途径也将得到长足的发展.最终将由一定的软硬件平台作为各种技术手段的载体，安装于现有牵引供电系统上，甚至融合进新建高铁线路的建设中，形成一套高铁牵引供电系统的健康监控与智能维护系统，如图6 所示.

图6 牵引供电系统的健康监控与智能维护系统Fig.6 Health monitoring and intelligent maintenance system of traction power supply system

图6 中的高铁牵引供电健康监控与智能维护系统是一套分布式软硬件集成平台，具有从设备级到系统级的分布式分层结构.类似生物体的免疫系统，其组成结构传感器agent、免疫agent、管理agent和执行器agent 分布于各个设备、子系统及系统中，用以实现PHM 与主动维护的各项功能.其中各个结构的含义和功能为:

(1)传感器agent:用于采集系统中的海量数据与信息，它通过与现有的或未来可能增设的各项在线监测装置(如SCADA 系统、电气设备绝缘状态监测、接触网6C 系统等)和离线检测手段(如预防性试验、保护测试仪、接触网检测车等)对接，获取表征设备健康状态的各项指标.由于每项指标的采集源、存储媒介与采集手段等不尽相同，每项指标对应一种传感器agent，如图7 所示为以牵引变压器和接触网一个跨距为例设置的传感器agent.

(2)免疫agent:该部分集成了PHM 在设备级的主要功能，在接收到传感器agent 上传的信息后，实现对设备健康指标数据的处理、设备潜在故障和隐藏故障的预测、设备健康状态的评估以及设备的可靠性分析和风险评估等，它将处理结果编码成一定的输出状态序列，经过通信接口上传到子系统的管理agent. 对于牵引供电系统的典型子系统——牵引变电所和接触网，前者按每一设备设一免疫agent，后者按每一跨距设一免疫agent，如图8所示.

图7 传感器agent 示意图Fig.7 Schematic diagram of sensor agents

图8 免疫agent 示意图Fig.8 Schematic diagram of immunity agents

(3)管理agent:负责系统级PHM 功能与维修策略制定的实现，包括多尺度融合、时空联合分析、维修决策支持以及系统级综合评估等功能. 此外，不同的子系统管理agent 要相互通信交互，并激发抗体库产生抗体，这些行为需要在上一级的系统管理agent 的支配和协调下完成，如图9 所示，其中牵引变电所和接触网分别设置子系统管理agent，整个牵引供电系统设置系统管理agent.

图9 管理agent 示意图Fig.9 Schematic diagram of management agents

(4)执行器agent:其实质是执行各项主动维护活动的具体人员、工具、装置或手段. 它在管理agent 的调配下接受并执行来自抗体库的抗体，对抗原存在部位实施主动维护行为，以消灭抗原并优化系统的健康运行.

(5)抗原:即牵引供电系统中存在的各类故障(包括潜在故障和隐藏故障)、健康状态退化、供电质量下降、运行方式不当和各种风险因素的总称.

(6)抗体:即经过PHM 和主动维护的一系列分析、预测、评估和决策过程后生成的一体型成套化解决方案(维修策略).

这样，在牵引供电系统中抗原产生时，该健康监控与智能维护系统能迅速感知并及时做出应激反应，经过从传感器agent 到管理agent 的一步步采集、传输与处理，刺激抗体库生成抗体，并由执行器agent 执行抗体最终消灭抗原. 若抗原事件初次发生，则此次生成的抗体可被记录保存于抗体库中，待下次相同抗原侵入时能跳过重复的分析、预测、评估和决策过程，直接激发对应抗体迅速消灭抗原.

例如，当安装在牵引变压器上的局放传感器agent 监测到局放量异常时，将此信息上传到牵引变压器免疫agent(此时局放量异常这一事件即为一个抗原)，牵引变压器免疫agent 综合此信息以及其他传感器agent 上传的信息后对牵引变压器进行一系列PHM 分析(故障预测、健康评估、可靠性分析等)，能大致推测该台变压器的局放何时将劣化超过允许值，并决策出在此之前何时进行何种维修工作能避免局放超标，但这仅仅完成了设备级的分析.牵引变压器免疫agent 还要将以上分析结果继续上传到牵引变电所管理agent，若除牵引变压器外还有别的设备存在异常事件(抗原)，则这些设备的免疫agent 都会向牵引变电所管理agent上传分析结果，牵引变电所管理agent 综合考虑所有结果合理安排这些设备的同时维修抑或相隔多久先后维修，以保证最少的人力和最低的费用等.变电所管理agent 与接触网管理agent 还要共同接受高铁牵引供电系统管理agent 的支配与协调，形成各自的最终决策结果，这样才完成了系统级的分析与决策;最终这些管理agent 给出的具体维修策略即为抗体，它们被下发到相应的维修车间或维修工(执行器agent)，由这些维修工(执行器agent)来执行维修策略(抗体)以消除设备异常事件(抗原).

可见，高铁牵引供电健康监控与智能维护系统的建设有助于未来牵引供电系统智能化与自愈性的实现.

5 结束语

随着我国高速铁路由大规模建设期向全面运营维护期的转型，作为高速铁路唯一动力来源的牵引供电系统在状态判断、故障处理与维修维护模式上的不足将逐渐暴露出来，成为影响高速铁路安全、可靠、高效运行的短板.

针对以上不足，本文总结了高铁牵引供电系统在各个方面的多时空尺度性、动态性和随机性的特点，提出将PHM 与主动维护的理念应用于高铁牵引供电系统中，以在不同的时间和空间尺度上实现对故障的预测预警、对系统健康状态的综合评估、对全寿命周期可靠性的分析和风险的评估以及对各类维修变量的决策、优化和组合. 分析了高铁牵引供电系统多时空尺度PHM 与主动维护理论层面的研究内容，并展望了其技术层面的实现途径. 总之，PHM 与主动维护理念的应用，将为高铁牵引供电系统整个运维周期的维修维护工作奠定成套化理论基础并提供智能化决策支持，同时也是实现自愈型智能化牵引供电系统的过程中不可或缺的环节.

［1］ 李群湛. 论新一代牵引供电系统及其关键技术［J］.西南交通大学学报，2014，49(4):559-568.LI Qunzhan. On new generation traction power supply system and its key technologies for electrification railway［J］. Journal of Southwest Jiaotong University，2014，49(4):559-568.

［2］ 何正友，程宏波. 高速铁路牵引供电系统健康管理及故障预警体系研究［J］. 电网技术，2012，36(10):259-264.HE Zhengyou，CHENG Hongbo. Research on health management and early warning system for traction power supply system of high-speed railway［J］. Power System Technology，2012，36(10):259-264.

［3］ 刘志刚，钟炜，邓云川，等. 牵引变电站故障的基于模型诊断方法［J］. 中国电机工程学报，2010，30(34):36-41.LIU Zhigang，ZHONG Wei，DENG Yunchuan，et al.Electric railway substation diagnosis with model-based method［J］. Proceedings of the CSEE，2010，30(34):36-41.

［4］ 吴双，何正友，钱澄浩，等. 模糊Petri 网在高速铁路牵引供电系统故障诊断中的应用［J］. 电网技术，2011，35(9):79-85.WU Shuang，HE Zhengyou，QIAN Chenghao，et al.Application of fuzzy petri net in fault diagnosis of traction power supply system for high-speed railway［J］.Power System Technology，2011，35(9):79-85.

［5］ 陈绍宽，彭宏勤，毛保华，等. 基于费用最小的铁路牵引变电所维修计划优化模型［J］. 铁道学报，2011，33(8):39-44.CHEN Shaokuan，PENG Hongqin，MAO Baohua，et al. Optimization model of least-cost-based maintenance schedules for railway traction substations［J］. Journal of the China Railway Society，2011，33(8):39-44.

［6］ 刘志刚，宋洋，刘煜铖. 电气化高速铁路接触网微风振动特性［J］. 西南交通大学学报，2015，50(1):1-6.LIU Zhigang，SONG Yang，LIU Yucheng. Aeolian vibration characteristics of electrified high-speed railway catenary［J］. Journal of Southwest Jiaotong University，2015，50(1):1-6.

［7］ HESS A，FILA L. The joint strike fighter (JSF)PHM concept: potential impact on aging aircraft problems［C］∥Proceedings of the IEEE Aerospace Conference. ［S.l.］:IEEE，2002:3021-3026.

［8］ KOTHAMASU R，HUANG S H，VERDUIN W H.System health monitoring and prognostics:a review of current paradigms and practices［J］. Handbook of Maintenance Management and Engineering， 2006，28(9):1012-1024.

［9］ 孙博，康锐，谢劲松. 故障预测与健康管理系统研究和应用现状综述［J］. 系统工程与电子技术，2007，29(10):1762-1767.SUN Bo，KANG Rui，XIE Jingsong. Research and application of the prognostic and health management system［J］. Systems Engineering and Electronics，2007，29(10):1762-1767.

［10］ TUMER I Y，BAJWA A. A survey of aircraft engine health monitoring systems［C］∥The 35th AIAA/ASME/SAE/ASEE Joint Propulsion Conference and Exhibit. Los Angeles:Aevospace Research Central，1999:1-8.

［11］ TUCHBAND B A. Implementation of prognostics and health management for electronic systems［D］.Washington D. C.:University of Maryland，College Park，2007.

［12］ PECHT M， JAAI R. A prognostics and health management roadmap for information and electronicsrich systems［J］. Microelectronics Reliability，2010，50(3):317-323.

［13］ 彭宇，刘大同，彭喜元. 故障预测与健康管理技术综述［J］. 电子测量与仪器学报，2010，24(1):1-9.PENG Yu，LIU Datong，PENG Xiyuan. A review:prognostics and health management［J］. Journal of Electronic Measurement and Instrument， 2010，24(1):1-9.

［14］ DAS D，AZARIAN M，PECHT M. Failure modes，mechanisms and effects analysis (FMMEA) for automotive electronics［C］∥The 11th Annual AEC Workshop. Indianapolis: Automotive Electronics Council，2006:156-162.

［15］ CLIMENTE-ALARCON V，ANTONINO-DAVIU J A，STRANGAS E G， et al. Rotor-bar breakage mechanism and prognosis in an induction motor［J］.IEEE Transactions on Industrial Electronics，2015，62(3):1814-1825.

［16］ MICHAEL G P. Prognostics and health management of electronics［M］. Hoboken:John Wiley ＆ Sons. Inc.，2008:73-85.

［17］ CHERRY G A， QIN S J. Multiblock principal component analysis based on a combined index for semiconductor fault detection and diagnosis［J］. IEEE Transactions on Semiconductor Manufacturing，2006，19(2):159-172.

［18］ TOBON-MEJIA D A，MEDJAHER K，ZERHOUNI N，et al. A data-driven failure prognostics method based on mixture of gaussians hidden markov models［J］.IEEE Transactions on Reliability，2012，61(2):491-503.

［19］ POYHONEN S，NEGREA M，JOVER P，et al.Numerical magnetic field analysis and signal processing for fault diagnostics of electrical machines［J］. The International Journal for Computation and Mathematics in Electrical and Electronic Engineering， 2003，22(4):969-981.

［20］ WANG P，VACHTSEVANOS G. Fault prognostics using dynamic wavelet neural networks［J］. Artificial Intelligence for Engineering Design Analysis and Manufacturing，2001，15(4):349-365.

［21］ HANG Jun，ZHANG Jianzhong ，CHENG Ming. Fault diagnosis of wind turbine based on multisensors information fusion technology［J］. IET Renewable Power Generation，2014，8(3):289-298.

［22］ POURALI M， MOSLEH A. A functional sensor placement optimization method for power systems health monitoring［J］. IEEE Transactions on Industry Applications，2013，49(4):1711-1719.

［23］ ZHAO Zhiyao，QUAN Quan，CAI K Y. A profust reliability based approach to prognostics and health management［J］. IEEE Transactions on Reliability，2014，63(1):26-41.

［24］ 李葆文. 国外设备管理模式及发展趋势(一)［J］.设备管理＆维修，2000(7):36-37.LI Baowen. Lecture pattern of equipment management abroad and its development trend (1)［J］. Plant Maintenance Engineering，2000(7):36-37.

［25］ 谢小鹏. 设备状态识别与维修决策［M］. 北京:中国石化出版社，2000:3-5.

［26］ COBLE J B，RAMUHALLI P，BOND L J，et al.Prognostics and health management in nuclear power plants:a review of technologies and applications［M］.Richland: Pacific Northwest National Laboratory，2012:33-36.

［27］ 程宏波，何正友，母秀清. 基于多层免疫模型的高铁牵引供电系统健康监测与评估［J］. 电网技术，2012，36(9):95-101.CHENG Hongbo，HE Zhengyou，MU Xiuqing. Health monitoring and evaluation of traction power supply system for high-speed railway based on multi-layer immune model［J］. Power System Technology，2012，36(9):95-101.

［28］ 张晓阳，孙宇. 基于生物免疫机制的复杂系统健康监测与评估［J］. 系统仿真学报，2005，17(5):1212-1215.ZHANG Xiaoyang，SUN Yu. Health evaluation and monitoring of complex system based on biological immune mechanism［J］. Journal of System Simulation，2005，17(5):1212-1215.

［29］ 张小瑜，吴俊勇. 高速铁路牵引供电系统的供电可靠性评估方法［J］. 电网技术，2007，31(11):27-32.ZHANG Xiaoyu，WU Junyong. Reliability estimation method of traction power supply system for high-speed railway［J］. Power System Technology， 2007，31(11):27-32.

［30］ 程宏波，何正友，胡海涛，等. 高速铁路牵引供电系统雷电灾害风险评估及预警［J］. 铁道学报，2013，35(5):21-26.CHENG Hongbo，HE Zhengyou，HU Haitao，et al.Risk assessment and early warning of lightning disaster for traction power supply system of high-speed railway［J］. Journal of the China Railway Society，2013，35(5):21-26.

［31］ 王有元，徐海霞，陈伟根，等. 电力变压器状态维修策略的灰局势决策方法［J］. 重庆大学学报，2009，32(12):1419-1424.WANG Youyuan，XU Haixia，CHEN Weigen，et al.Grey situation decision making method of condition based maintenance strategy for power transformer［J］.Journal of Chongqing University，2009，32 (12):1419-1424.

［32］ 谢庆华，梁剑，左洪福. 基于变精度粗糙集的航空发动机送修等级决策［J］. 系统工程理论方法应用，2006，15(4):380-384.XIE Qinghua，LIANG Jian，ZOU Hongfu. Studies on maintenance level decision of aero-engine based on variable precision rough sets theory［J］. Journal of Systems ＆ Management，2006，15(4):380-384.

［33］ IVY J S，NEMBHARD H B. A modeling approach to maintenance decisions using statistical quality control and organization［J］. Quality and Reliability Engineering International，2005，21(4):355-366.

［34］ BERTOLINI M，BEVILACQUA M. A combined goal programming:AHP approach to maintenance selection problem［J］. Reliability Engineering ＆ System Safety，2006，91(7):839-848.

［35］ CASTANIER B， GRALL A. A condition-based maintenance policy with non-periodic inspections for a two-unit series system［J］. Reliability Engineering ＆System Safety，2005，87(1):109-120.

［36］ WANG Wenbin. A two-stage prognosis model in condition based maintenance［J］. European Journal of Operational Research，2007，182(3):1177-1187.

［37］ KALLEN M J，VAN-NOORTWIJK J M. Optimal maintenance decisions under imperfect Inspection［J］.Reliability Engineering and System Safety，2005，90(2):177-185.

［38］ CHEN Dongyan，TRIVEDI K S. Optimization for condition-based maintenance with semi-markov decision process［J］. Reliability Engineering and System Safety，2005，90(1):25-29.

［39］ MARQUEZ A C，HEGUEDAS A S. Models for maintenance optimization: a study for repairable systems and finite time periods［J］. Reliability Engineering and System Safety，2002，75(3):367-377.

［40］ MECHEFSKE C K，WANG Zheng. Using fuzzy linguistics to select optimum maintenance and condition monitoring strategies［J］. Mechanical Systems and Signal Processing，2003，17(2):305-316.

［41］ 李雪，吴俊勇，杨媛，等. 高速铁路接触网悬挂系统维修计划的优化研究［J］. 铁道学报，2010，32(2):24-30.LI Xue，WU Junyong，YANG Yuan，et al. Research on optimization of catenary system maintenance schedule for high-speed railways［J］. Journal of the China Railway Society，2010，32(2):24-30.

［42］ 陈民武，李群湛，解绍锋. 牵引供电系统维修计划的优化与仿真［J］. 华南理工大学学报:自然科学版，2009，37(11):100-106.CHEN Minwu， LI Qunzhan， XIE Shaofeng.Optimization and simulation of maintenance plan of traction power supply systems［J］. Journal of South China University of Technology: Natural Science Edition，2009，37(11):100-106.