故障预测和健康管理技术在地铁车辆运维中的应用

潘 莹

（上海轨道交通设备发展有限公司，上海 200245）

0 引言

随着轨道交通技术的飞速发展，中国已经成为世界最大的城市轨道交通市场；与此同时，轨道交通设备的复杂程度也日益增加，这极大地增加了检修人员的工作量，对车辆的可靠性和可用性也带来巨大挑战[1]。随着乘客对于乘坐准点率、舒适性、灵活性等需求的日益提高，其与服务水平增长之间的矛盾也日益凸显。目前城市轨道交通车辆运用主要存在以下问题：（1）检修效率低。目前国内轨道交通行业正处于蓬勃发展期，但检修新模式的技术应用、设备配置与规模增长不匹配，检修的压力日益严峻；城市轨道交通需要检修的装备数量巨大，以人工检查为主的检修方式检修效率低、检修质量参差不齐，且检修数据还是以纸质工单为主，数据分散不利于统计，录入过程烦琐且容易出错，已经无法满足现代城市轨道交通列车检修要求[2-3]。（2）维修成本高。以上海地铁为例，目前上海地铁拥有列车5 172 辆，车辆维修人员超过3 000 人；到2020 年，全网络线路总长将超800 km，配属列车1 222 列、7 514 辆，按传统模式计算，需要检修人员约4 500 人。按照上海地铁人均用工成本25 万元/年计算，届时年需用工成本将高达11.25 亿元[4]。可见，以人工检查为主的检修方式用工成本不断攀升，企业负担重，难以实现可持续发展。（3）随着运营车辆服役时间的延长，车辆设备的老化愈加严重，设备维护的频次和要求不断提高[2]。这些问题的解决需要主机厂和各系统供应商能提供一套方案来实现车辆设备和系统的状态监测、故障报警、故障预测和健康评估[4-5]，对车辆故障进行提前预防，降低检修成本；同时，通过实时在线监测，分析故障机理，对设备健康状态进行评估，提高其使用寿命[6]。

由此，故障预测和健康管理（fault prediction and health management, PHM）系统技术应运而生。PHM 技术利用传感器采集系统的数据信息，借助大数据、人工智能等推理算法来监控、预测与评估系统自身的健康状态[7-8]，在系统发生故障之前对其故障进行预测，并结合现有的资源信息提供一系列的维护保障建议或决策，是一种集状态监测、故障报警、健康预测与评估及运维决策于一体的综合技术[8]。传统的故障后维修或定期检修是基于当前健康状态的故障检测与诊断，而PHM 系统是对未来健康状态的预测，变被动式的维修活动为主动式的维护保障活动，可显著提高装备的可靠性和可用性[8-9]。针对地铁车辆检修运维要求的日益提高，本文提出了一种从数据采集、数据分析到故障诊断和维修支持的故障预测和健康管理（PHM）系统，并对其系统功能和实际应用进行了详细描述。

1 系统架构和功能

PHM 系统首先通过传感器技术、大数据处理和分析技术对地铁车辆各系统的运营和故障数据进行采集和处理；再通过大数据分析和数学建模等技术手段推理故障模式和故障原因，从而给出维修建议；同时基于历史数据的对比，分析系统部件的健康状态，实现故障提前预警。

1.1 PHM 系统架构

PHM 系统通过智能传感器进行数据采集，传感器作为最底层的数据获取元件，感受被测对象的相应参数（振动、温度、光强、电压等）变化，并将采集到的物理量转换为便于后续传输与处理的电信号[8,10]。所采集的数据经过一系列的数据清洗、特征提取、同类或异类数据的信息融合等处理之后，PHM 系统运用失效模型及智能推理算法评估车辆系统的运行状态，预测系统发生故障的部位、时间及使用寿命，并给出合理的维修保障建议[8,11]。地铁车辆PHM 系统架构如图1 所示。

图1 地铁车辆PHM 系统架构框图Fig. 1 Architecture diagram of the metro vehicle PHM system

1.2 PHM 系统功能

PHM 系统是地铁车辆智能运维的基础，包含状态监测和故障预警、健康评估、维修建议、统计分析与模型培养等功能。

（1）状态监测和故障预警功能。状态监测功能支持对线路和车辆系统设备的状态进行集中展示与监控，对关键设备运行状态信息和关键监测参数实时监控，并基于专家系统和故障知识库实现故障诊断。故障预警功能支持通过阈值预警、趋势预警、突变预警和模型预警[11-12]这4 种方式对车辆设备进行故障预测和报警。

（2）健康评估功能。其包括系统健康评估、关键部件寿命评估、健康等级浏览和健康等级趋势浏览等子功能。系统健康评估功能支持通过健康等级评定算法和模型对轨道交通设备进行系统健康评估。关键件寿命评估功能支持通过大数据建模、正常行为分析与可靠性分析等方法实现轨道交通系统设备关键部件的寿命评估，关键部件的范围在项目实施中结合实际可采集数据的范围和质量进行商定[13]。健康等级浏览功能支持对轨道交通系统设备按健康等级进行排序及可视化展示。健康等级趋势浏览功能支持浏览健康等级变化趋势以及健康等级对应的系统参数或性能指标取值等信息。

（3）维修建议功能。其涉及性能排队、备件需求预测及维修建议等子功能。性能排队功能支持通过大数据建模结合设备履历对轨道交通系统设备进行性能排队，采用运筹优化算法提出维修计划的优化建议并推送至智能维修业务管理系统模块。备件需求预测功能支持基于轨道交通设备的性能指标并结合预测模型进行备品备件需求预测和规划。维修建议功能支持基于故障诊断结果、性能排队结果及健康评估结果生成维修需求，并自动将维修需求转换为标准工单，经人工确认后自动推送至智能维修业务管理系统[10]。

（4）统计分析和模型培养功能。其包括统计分析与模型优化、算法管理、模型训练、模型分类管理及模型版本管理等功能。统计分析与模型优化功能通过对历史故障数据进行统计分析，为专业建模人员进行建模和模型优化提供参考；专业建模人员在此基础上完成特征定义，确定特征提取算法、必要的数据预处理算法及计算流程；确定建模算法框架及训练样本，通过实时的故障分析进行建模及模型优化。算法管理功能，系统提供算法管理，支持向量机、神经网络、随机森林、隶属度计算、劣化度分析、模糊综合评判等大数据分析算法[3,9]。模型训练功能支持选择合适的样本进行模型训练和测试，确定模型结构和模型参数，以支持“一设一模型”。模型分类管理功能支持从建模对象、算法分类、应用场景、模型效果等维度对模型进行分类管理与标签化管理[14]。模型版本管理功能结合不同版本模型的应用场景，为健康管理系统及车载中央维护系统提供适当的模型。

1.3 PHM 系统规划流程

图2 PHM 系统规划V 型图Fig. 2 V - shaped diagram of the PHM system planning

PHM 系统规划的第一阶段是需求定义和可行性分析。该阶段首先是深入现场调研业主的运营需求和分析车辆历史故障，通过系统故障的分布和运营指标的要求明确关键故障和重点研究的系统部件；接着是进行系统故障监测和预警的可行性分析以及系统平台搭建的软硬件条件。第二阶段的数据层定义是在明确运营的痛点和重点之后，对数据采集层进行部署，确定分析层级结构、数据采集类型以及建模对象。完成数据层的定义后，建模系统也基本锁定。第三阶段就是模型选择。模型建立通常有机理驱动、数据驱动以及机理和数据的混合驱动3 种方式。数据驱动是完全依赖于实测的运营数据和故障数据，利用大数据分析的手段建立数据间的联系，从而判断故障趋势进行模型选择；机理驱动是基于系统的工作原理和逻辑图建立的故障模型。但机理驱动可能存在系统接口逻辑的缺失，不利用整车的故障预测，而数据驱动则对数据质量要求较高，且数据处理的工作量很大，因此在实际的模型选择过程中多采用数据和机理混合驱动的模型。模型是PHM 系统功能实现的关键，而关键参数的设定则是故障预警和维修建议的基础，传感器的合理选择、安装位置的精确选取以及故障阈值的设置对PHM 系统的预测、预警功能的实现至关重要。完成前期的调研和底层的基础建设工作后，进行系统方案设计、技术开发、系统运行和优化迭代，即图2 中step5，step6 和step7 这3 个阶段。

2 应用实例

目前该PHM 系统已经在北京、上海、广州和深圳等城市的多条地铁线路上得到实际应用。PHM 系统已经覆盖地铁车辆车门、空调、受电弓、走行部和牵引辅助系统等多个关键系统；同时在部分地铁线路中还增加了车载中央维护系统（central maintenance system，CMS），通过增加边缘计算节点，从各个车载监测子系统采集数据，对各系统数据进行综合分析处理、设备性能检测等边缘计算。下面重点介绍几个关键系统的故障预测和健康评估系统功能。

2.1 中央维护系统（CMS）

中央维护系统由车载中央维护计算机（central maintenance computer，CMC）及地面系统组成。车载CMC 接入车辆以太维护网及MVB 网，采集列车空调系统、走行部和弓网监测等系统以及列车网络控制系统的故障数据、过程数据和列车运行参数、环境参数、控制参数等；通过MVB 网采集目前MVB 通信协议中的数据，通过以太维护网采集新增的监测信息点数据（图3）。

图3 车载数据传输结构框图Fig. 3 Structure diagram of vehicle data transmission

CMC 采用“双主机+隔离卡”的物理结构，其内端机接入中央维护总线，并与列车控制与管理系统（train control and management system, TCMS）及其他系统连接，主要进行原始数据采集、处理和存储；外端机实现故障报告、性能监测功能。内端机和外端机之间设置了隔离卡，通过私有协议从内端机摆渡数据到外端机；此外可以通过车地通信单元与地面系统进行数据交互。

CMC 采集车辆各系统的状态监测数据，基于知识库和模型库进行故障影响分析，评估车辆运行的安全性，并且给出故障的应急处理建议，形成包括故障描述、安全评估结果和应急处理措施的故障报告；同时经过数据处理后，构建性能检测模型，检测性能突变或退化情况，并根据性能检测结果给出性能预警和运维建议。

2.2 走行部PHM 系统

走行部PHM 系统由车载故障诊断系统和地面健康管理系统组成。车载故障诊断系统将采集和诊断分析后得到的实时状态数据（报警数据、温度数据）通过MVB 协议实时发送至司机室显示屏进行显示，实时指导列车的运维工作；同时，实时数据也可通过无线传输协议实时发送至地面进行显示。列车入库后，车载系统采集的离线数据将上传至地面数据库，地面系统接收处理车载系统下发的实时数据与离线数据，实现健康评估、剩余运营里程预测功能，输出各类可供显示的数据；同时走行部PHM 系统数据也可以通过软件接口（接口协议经双方协商并签署确定）与现场（用户端）原有的工单系统、生产、运维系统形成交互，开展维修预判、智能管控功能，在地面系统实现故障预测与健康管理工作，达到状态维修、主动预防等目的。

走行部PHM 系统通过安装在走行部关键部件上的复合传感器同时监测冲击力、振动力及温度这3 个物理量，并通过基于广义共振与共振解调的故障诊断技术实现走行部关键部件的车载在线实时诊断，可以实现故障早期预警和分级报警，准确指导车辆的运行和维修工作[16]。其设备主机、传感器等主要部件如图4 所示。

图4 走行部PHM 系统主要设备Fig. 4 Main equipments of the running part PHM system

2.3 车门PHM 系统

车门PHM 系统功能主要包括远程在线监测、故障诊断和故障预测。

（1）远程在线监测功能。可以远程实时监测各个地铁车门的工作情况，使得各级管理人员和工程人员可以通过网络远程了解车门的实时运行情况。

（2）故障诊断功能。系统自动采集车门各种运行数据信息（包含门控器的自诊断信息），通过车门的典型故障规则知识库，智能判断当前的车门是否产生了故障以及故障的原因和检修方案；通过监测门系统的工作状态，系统优先预测门系统的常见故障，如无法电动关门、开不到位、3 s 不解锁、阻力过小、阻力过大等故障，并能初步分析出产生这些故障的原因和给出检修建议。

（3）故障预测功能。系统通过实时采集车辆运行过程中的车门数据信息，与该车门的历史数据进行对比；并基于数据驱动方式的大数据分析，判断车门是否工作于亚健康状态，给出未来可能出现的故障，同时给出可能引起问题的部件位置和检修范围。

为实现上述功能，首先调整车门以太网架构，通过在每节车上增加一个以太网交换机，使得每节车的所有车门均可以接入车辆以太网中，为大量数据的传输提供一个足够带宽的网络链路；其次在每个车门系统中均增加一个车门开门到位检测开关，用来对比每次车门全开位置检测开关激活时的门页位置数值间的差异，从而判断与之相关的电机电气特性或者门控器内部检测模块的相应状态；最后对门控器的软件进行升级，实现数据分析功能。

2.4 弓网监测PHM 系统

弓网监测PHM 系统主要对受电弓羊角变形、断裂、缺失、异物查询以及燃弧率和触点温度进行测量，分析受电弓的健康状态，进行故障监测和报警，并通过统计分析预测受电弓零部件的寿命。系统设备结构如图5 所示。系统通过安装车顶采集单元和车内处理单元将弓网高清视频、弓网燃弧视频和弓网温度等数据进行分类存储，同时对弓网图像进行压缩处理并分析缺陷，通过MVB总线自动上报至TCMS，并在人机界面(man-machine interface, MMI)上进行故障提示。车载缺陷数据可通过乘客信息系统（PIS）上传至地面服务器进行存储和展示。

图5 弓网监测PHM 系统设备结构图Fig. 5 Equipment structure diagram of the pantograph-catenary monitoring PHM system

2.5 PHM 系统应用效果

该PHM 系统设备已经装车用于上海地铁某线路上。经过2 年多的实践和探索，设备运营数据基本能够正常下载，可实现常规的车辆故障报警，准确率达90%，为维保人员的故障修提供了支持。虽然目前所采集的数据量还不足以支持故障预警和健康评估，需要积累更多车辆寿命周期数据进行分析验证，但维保人员数量已减少20%，人车比从0.4 降低到0.36，检修效率提高了10%。另一方面，由于加装了智能设备，车辆采购成本增加了3%，但预计30 年维保的人力成本将降低23%，因此，全寿命周期成本可降低20%左右。

3 结语

基于智能运维技术在地铁车辆的广泛应用，本文设计了一种以地铁车辆走行部系统、弓网系统和车门系统运营数据为分析基础，通过车载中央维护计算设备对数据进行融合以及实时在线分析，对相关系统部件的故障进行预测和健康状态进行评估的故障预测和健康评估技术。该技术在实际应用中有效降低了车辆上线期间故障引起的风险，保障了运营安全；同时减少了过度维修次数，缩短了设备生命周期的维修时间，提高了维修效率，减少了人工工时并降低了维保成本。但智能化技术在轨道交通行业的应用还需进一步完善，如模型的优化、故障数据的分析以及各系统数据的融合都有待提高。未来，城市轨道交通故障预测和健康评估系统将突破各子系统PHM 的局限，从整车角度出发，关注各系统和专业的接口，实现整车的智能维保。