动车组制动系统PHM方案研究*

章 阳

(1 中国铁道科学研究院集团有限公司 机车车辆研究所，北京 100081；2 北京纵横机电科技有限公司，北京 100094)

高速动车组本身是一个复杂系统，它是由车体、转向架、网络、高压、牵引、制动等多个子系统组成，每个子系统的设备状态都与高速列车的运营安全密切相关。与国外高铁发达国家相比，中国高速列车修程修制较短，随着运营高速列车数量的快速增加，维修成本将大幅度上升。安全运营与降低运维成本是中国高速列车发展状态下急需解决的问题。

时速350公里复兴号动车组已经投入运营两年，制动系统具备实时故障诊断功能，能够实现“故障导向安全”机制，确保列车运行安全。随着越来越多的复兴号动车组投入运营，中国高铁的安全运营、日常检修维护工作将会面临巨大的挑战，因此，研究制动系统故障预测和健康评估方法，进一步提高其安全可靠性，成为目前的一个急迫的课题。

与实时故障检测与故障导向安全概念不同，制动系统“故障预测与健康管理(PHM)”是指利用先进的传感和数据传输技术，获取制动系统运行状态信息和故障信息，通过大数据、人工智能等相关技术，进行状态监测与故障预测，同时对系统进行健康评估，统计故障规律，结合地面维修资源，给出维修决策，实现关键部件的预防性维修，降低检修成本，降低运营故障率，从而保证复兴号动车组的运营品质和运营效率。

1 制动系统PHM主要功能

制动系统PHM主要功能包括：

(1)数据采集和处理，利用各类传感和监测设备，采集制动系统故障预警和健康管理所需的各类原始数据，进行数据转换、传输、分类、清洗。

(2)故障预警，基于大数据建模，通过特征指标对制动系统重要功能、关键零部件进行故障预警，指导提前进行检查处理。

(3)性能监测，对关键零部件特征指标的计算，监测其性能变化趋势。

(4)零部件剩余寿命预测，监测制动系统关键零部件的工作次数、工作时间、工作环境等状态参数，依据其理论或试验寿命，预测其剩余寿命。

(5)健康管理，基于对制动系统监测数据的特征提取，对各关键零部件剩余寿命的估算，以及历史故障记录等进行的健康状态综合评价。

(6)维修决策，通过故障预警、性能监测、剩余寿命预测等数据，指导运维部门对制动系统进行预防修、对修程修制提出优化的建议等，这部分是制动系统PHM系统的顶层应用。

2 制动系统PHM关键技术

制动系统PHM关键技术包括：

(1)状态监测与健康管理技术，要求利用先进的传感器获得尽可能精确的系统运行状态信息，通过设计更先进的数据分析技术获得对系统健康状况的评估。

(2)诊断技术，定位出属于早期故障状态，不足以使制动系统完全失效的故障模块或零部件。

(3)预测技术，通过设计预测系统，检测制动系统某个功能、某个关键零部件的相关参数，当其出现性能下降，而有可能导致故障时候，提前进行预警，指导维修，防患于未然。

(4)信息融合技术，通过多个传感器数据进行协同、互补或竞争，与其他系统数据互相结合，以提高诊断结果的准确性，增加可信度。

(5)人工智能技术，包括专家系统(基于模型的推理、基于案例的推理、基于规则的推理)、神经网络、模糊逻辑、遗传算法等。使用这些手段进行推理获得对制动系统状态的准确监控和故障诊断。

3 制动系统PHM总体架构设计

为了保障动车组制动系统整体的安全可靠性，提升数据智能管理分析和辅助决策能力，构筑制动系统PHM系统总体架构(见图 1)。以复兴号动车组为例，该系统获取在线运营的复兴号动车组制动控制单元BCU和中央控制单元CCU通过WTDS回传的实时监测数据、BCU内部记录数据、车载MVB记录数据、环境信息等海量异构多态的数据，并存储于地面大数据平台，经过数据筛选、归类等信息处理手段，实现由短到长各时间尺度上的PHM功能，主要包括：制动系统重要功能和关键零部件的故障预警与故障快速诊断、制动系统健康评估与关键零部件的剩余寿命预测，以及可靠性分析和风险评估。最终结合成本、时间等维护相关信息，形成最优维护策略。

图1 动车组制动系统PHM系统架构

3.1 制动系统数据源

动车组制动系统PHM需要的数据来源主要有：BCU、CCU、TCU、维修维护记录、环境信息、试验台测试数据等。各车的BCU、CCU、TCU会将采集到的各压力传感器、速度传感器、隔离塞门、制动指令线、各安全环路等的数据和状态信息，以及制动控制逻辑的过程计算数据，记录在BCU内的SD卡中、并通过MVB发送至车载远程无线传输装置(WTD)主机，WTD通过3G/4G无线网络传回地面大数据平台。维护维修记录、环境信息、试验台测试数据等，通过人工导入接口，也存入大数据平台。

3.2 地面大数据平台

地面大数据平台实时接收或人工导入来自WTDS的列车各系统的过程数据和诊断数据、运维部门的检修记录、生产部门的生产数据、试验台的测试数据等。在此平台上，可对数据进行清洗、分析，和展示。基于大数据平台，可搭建PHM模型，进行动车组制动系统运行状态评估、重要功能故障预警、关键零部件性能监控和剩余寿命评估、故障事件记录等，为客户提供智能运维服务。

3.3 PHM系统通信方案

动车组制动系统内各车的BCU将自身采集的数据和逻辑运算过程数据，通过MVB总线或列车以太网发送给车载PHM主机汇集和初步处理，之后由车载WTD主机通过4G/5G等无线传输方式实时传输至地面大数据平台。如图2所示。

图2 PHM系统通信方案

3.4 PHM应用模块

动车组制动系统PHM应用模块，根据数据采样密度、故障严重程度、零部件重要性等，可分为车辆、列车、地面3种。例如，对于压力传感器自身故障预测、压力变换阀性能衰退预警等，需要ms级的数据采样密度，而WTDS受无线通讯带宽的限制，无法回传这类数据，就需要在单车BCU内建数据预处理或故障预警模型。对于列车级的、且需要比较小的数据采样间隔的重要功能的故障预警，例如总风管贯通性、减速度偏离等，可在车载PHM主机上，实时收集全列的相关数据，建模进行预处理和诊断。对于对数据采样密度要求不高的故障预警、故障规律统计、零部件性能与环境因素关系等的模型，可在地面建模实现。

3.5 PHM结果展示模块

动车组制动系统故障预警结果，可通过故障代码、图形、报表等方式展现。例如，在地面监测中心的监控计算机界面上，实时弹出故障预警信息，包括故障代码、故障名称、故障描述、报警时间、维修指示、维修确认等，处理完成后，可进行故障处理确认，解除预警；需要展示曲线变化的数据，比如总风压力、停放制动压力，可以以时间坐标进行压力变化曲线展示，方便故障确认和分析。

4 技术路线与方案研究

根据前述，动车组制动系统PHM包括车辆、列车、地面3个层级，实现故障预警和制动系统健康状态评估。针对缺乏测点、无传感器监测的部件，研究地面试验方法对其进行寿命评估。针对测点不足或传感器件精度不够的情况，研究更合理的传感器布置方案、更精确的故障预测方案。为此，需要对各层级的故障预警方案进行设计研究。

4.1 车辆级故障预警方案

目前，动车组制动系统具备车辆级的实时故障诊断功能，但是实时故障诊断的缺陷是不能提前预警，无法支持预防修，在运行途中发生了实时故障，必须停车处理，影响运营秩序。因此，很有必要建立车辆级故障预警模型，在列车运用过程中，实时检测关键数据，分析关键零部件的性能变化，提前发现性能下降或工作不稳定的关键零部件，以故障代码的型式，提示给地面检修人员，指导其在一级修工作中进行检查，提前维修。

根据对数据采集密度要求、BCU自身的计算能力和数据存储能力，并考虑零部件的重要性，对关键零部件进行车辆级建模，实现故障预警，例如：

压力变换阀故障预警：在制动过程中，根据其输入和输出压力，计算其压力变比，判断是否符合设计要求；根据制动施加、缓解过程中，其输出压力的上升、下降随时间变化曲线，预判其性能是否稳定。

预控压力传感器故障预警：根据预控压力目标值、相关测点压力互相对比、输出电流值的变化等，预判其性能是否下降。

4.2 列车级故障预警方案

对于列车级的，对数据采集密度和实时性要求较高的重要功能的故障预警，各车辆BCU可将数据通过实时以太网(TRDP)传输至车载PHM主机，在PHM主机上建立故障预警模型或数据预处理模型，实现车载数据处理，并将预警结果或数据预处理结果实时回传地面大数据中心。例如：

耗风量预警：在列车运行过程中，根据空压机工作状态、一定时间内总风压力的下降值、耗风设备工作情况等，计算耗风量，将计算结果发送至地面大数据平台。

空压机打风能力预警：列车初上电空压机启动时，根据启动的空压机数量、初始压力、停机压力、工作时间、耗风设备工作情况等，计算空压机打风能力，将计算结果发送至地面大数据平台。

4.3 地面级故障预警方案

在地面大数据平台上，收集了动车组各子系统实时回传的数据、生产数据、维修维护记录、环境信息、试验台测试数据等，因此，可以实现数据清洗、动态展示、建立模型、预测分析等功能，实现产品从设计、工艺、制造、交付、运维的全生命周期数据管理。而对于制动系统故障预警、健康管理需求而言，可以将那些对数据实时性和采样密度要求不高、需要结合其它系统数据、或者对列车级PHM主机的预处理结果进行二次处理等建模工作，在地面大数据平台实现。例如：

耗风量和空压机打风能力变化趋势统计：根据前述列车级预处理模型计算之后发回地面的结果，按时间轴绘制出其变化曲线，然后判断其性能是否有下降趋势。

滑行状态分析：根据列车常出现滑行时所处的线路位置及天气情况，利用大数据分析线路对滑行的潜在影响及趋势。

故障分布规律研究：统计列车运营过程中发生的故障，结合列车运行线路、气候环境等数据，研究各种故障的时间、空间分布规律，对特定环境条件下的大概率故障进行预警，指导预防性检修工作。

4.4 无传感部件剩余寿命评估方案

对于无传感测点的、重要的机械或电气部件，无法通过实时数据来进行故障预警，在地面搭建试验台进行疲劳试验、加速老化试验等，计算其使用寿命，作为参考依据，用以评估其剩余使用寿命。例如：

对气动阀、板装继电器等无传感监控的零部件：进行地面试验，评估使用寿命；在地面大数据平台，设计模型，根据列车运行数据，计算此类零部件的工作次数、工作时间，再结合使用环境数据，评估其剩余使用寿命。

4.5 更精确的故障预测方案

对于影响列车运行安全的重要功能或关键零部件，为了更精确地实现故障预测，可研究增加传感测点、增加数据采集设备、故障预测算法等。例如：

总风压力传感器故障预警：在头车设置一个高精度高稳定性压力传感器，将它测量的总风压力值作为基准，其他总风压力传感器的测量值与其进行对比，若偏差达到设定范围，进行故障预警。

5 总结与展望

动车组制动系统PHM系统以状态监测技术、关键零部件故障预测与健康管理算法、无线通信技术和大数据技术为依托，调用海量数据实施PHM算法，将诊断评估结果以故障代码、图形、报表等方式呈现。通过对动车组制动系统PHM方案的研究，我们期望在将来，能使运维人员实时掌握制动系统的健康状况，能为诊断和预判动车组制动系统故障、运行状态提供一个高效的平台系统，在短时间尺度上实现故障预警，在中时间尺度上实现制动系统健康评估和关键零部件剩余寿命预测，在长时间尺度上实现制动系统可靠性分析与风险评估，为动车组制动系统开展预防修、降低实时故障、保障运营效率提供支持，也为修程修制优化提供决策依据。