自轮运转设备运营维护智能化技术

李跃鹏 张钰荧 高春雷 徐济松 刘尚昆 何喆

1.国能朔黄铁路发展有限责任公司原平分公司，山西忻州 034100；

2.中国铁道科学研究院集团有限公司铁道建筑研究所，北京 100081

根据现有的调研情况，朔黄铁路目前对自轮运转设备的管理主要依靠人工录入相关信息，以电子文档的形式保存。存在信息录入重复、设备存在过修或者漏修的情况，且现有生产管理系统并不具备对自轮运转设备的台账等信息化管理功能，无法为设备的运用、维护提供辅助决策和依据。

针对这一现状，开展自轮运转设备运营维护智能化的研究与应用［1-3］。结合机器学习［4-6］、故障诊断、大数据、GIS（Geographic Information System）［7-8］等多种新兴功能，构建自轮运转设备运营维护智能化系统。同时针对运营维护过程中的各个阶段进行分析，以期有效降低运营维护的成本，解决目前设备在实际运营维护过程中出现的问题。

1 系统总体方案

该套运营维护系统从环境、管理、人、机器四个方面考虑，从而达到对运营维护过程的科学有效性管理，提高设备的有效寿命，解决设备在实际运营维护中出现的问题。

1.1 环境的因素

由于自轮运转设备工作环境十分复杂，且运营维护过程中天气环境也不尽相同。因此在实际的运营维护过程中需要制定不同环境下的工作方法，针对不同的环境条件选用合适的工作方法。

1.2 管理的因素

在实际运营维护工作中，管理方法起着纽带的作用，可以协调人机之间的关系，降低人员的成本，提高机器的效率，使得整个运营维护过程可以有序健康地进行。在运营维护过程中建立合理的管理机构，明确各方的责任，充分结合现场的实际情况、国家和行业的标准编纂合理的管理制度，以便制度可以更好地落实到实际情况之中。

1.3 人的因素

人的因素是指人的行为对系统的影响，包括身体的功能、技术能力水平、人员的精神状态等一系列因素。应尽可能地减少或杜绝人的不安全行为对整个运营维护过程的影响。在实际的工作中，要尽可能地发挥每一位员工的特长，激发员工的工作热情，保证运营维护过程安全有序进行。

1.4 机器的因素

机器是指工作过程中所需的各种机械设备。先进的机械设备可以大幅度提高工作过程中的效率，因此需要对机械设备进行定期维护与保养。针对朔黄铁路情况，尽力减少自轮运转设备的不完好情况，作好自轮运转设备的长期规划，避免因为计划不全面造成设备的频繁使用。在使用过程中应该严格执行标准化作业的流程，避免操作不当以及操作失误所造成的设备损坏与人员伤亡。

2 智能化运营维护方法

2.1 故障率描述

故障率曲线如图1所示［9］。可知，在设备使用的初期阶段故障率相对较高，随着使用时间推移，故障率先有所降低后逐渐升高。

图1 故障率曲线

大部分设备的故障率都是时间的函数，故障率可以使用威布尔分布来进行描述。威布尔分布是近年来在设备寿命可靠性分析中使用最广泛的模型之一，能整体描述出整个故障率曲线。故障率λ(t)计算式为

式中：β为形状参数，即分布曲线的形状；t为时间；α为尺度参数，即坐标尺度。

当β＜1时，λ(t)呈递减分布，设备运行在初期；当β=1时，λ(t)为常数，设备运行在偶发故障期；当β＞1时，λ(t)呈递增分布，设备运行在磨损故障期。

2.2 系统的维修性

维修分为事后维修（Corrective Maintenance，CM）、预防维修（Preventive Maintenance，PM）和可靠性维修（Reliability Maintenance，RM）［10-11］三大类。

现有的维修主要是事后维修结合预防维修［12-15］，也就是在故障发生后进行维修，同时针对一些发生故障后会带来重大经济损失的设备采用定期维修或者视情况维修。

本文所述系统可以通过机器学习、大数据、移动GIS、可靠性维修等手段并融合目前已经收集到的自轮运转设备的运行数据信息，对可能发生的故障进行预判，从而可以达成可靠性维修。可靠性理论作为该套自轮运转设备运营维护系统的基础理论，利用现有设备的运行数据分析影响系统的因素，科学制定维修的内容，来保证设备运营维护的可靠性。

2.3 系统所需时间

时间是影响该套运营维护系统的重要因素之一。系统所需时间分类如图2所示。

图2 系统所需时间分类

维修时间又可以继续细分，如事后维修可以分为准备、检查故障、预备材料、事后维修时间、调试时间、验证时间、清扫时间；其中事后修维修时间又可以细分为原位修理时间、拆卸装配时间、拆卸替换零件时间。

采用正态分布进行维修的时间预估。平均修理时间（Mean Time to Repair，MTTR）为可修复产品的平均修理时间。

对于该套系统来说，平均修理时间TMTTR计算式为

式中：μlτ为维修时间τ的对数均值：σlτ为维修时间τ的对数标准差。

μlτ、σlτ计算式为

式中：τi为第i次的维修时间［16］；N为总的维修观察次数；S lτ为维修时间子样的对数标准差。

系统根据式（2）并结合已有数据对设备的维修时间进行预估，同时根据最优化的理论寻找到最有效且时间最短的维修过程。

2.4 卷积神经网络处理

以朔黄铁路的自轮运转设备为例，根据其故障记录，针对自轮运转设备运营维护系统已经采集到的故障运行信息利用卷积神经网络充分发掘故障数据之间的关系，如图3所示。

图3 卷积神经网络

该模型需要大量的数据样本对其进行训练，本文所用系统可以将训练前后数据保存在云端模型，当计算结果不符合实际情况时，可以将数据再次调取进行二次计算，从而纠正训练过程中的偏差，最大程度地利用已采集到的故障信息数据。同时对影响运营维护的参数给予不同的权重值进行计算。利用已有数据信息生成训练集的样本，对不同的故障状态进行迭代训练，将最终输出的结果按照占整个系统故障率的比例进行分类。

在训练过程中将故障分成三大类。第一类为占整个系统故障率10%以上的故障，第二类为占整个系统故障率1%~10%的故障，第三类为占整个系统故障率1%以下的故障。

将对第一类故障在系统中的优先级定为最高，同时可以根据各部件出现故障的频次来做好对故障频发模块备件的采购工作。此外该系统可以根据不同应用场景动态进行优化，获得在不同应用场景下各部件发生故障的频次信息。

2.5 GIS定位

为了便于用户使用，自轮运转设备运营维护系统融合了GIS功能，可以在数据中心实时定位自轮运转设备所在位置以及运行状态，将采集的自轮运转设备信息进行管理与分析，并通过屏幕展示自轮运转设备的有关信息。如果在运行中，自轮运转设备出现问题，系统会及时进行预警，以便人员进行检修。设备出现问题后，可以与设备运行现场进行远程连线，以便专家实时解决在现场中遇到的问题。

3 实际运用

该套系统的人机交互界面如图4所示，通过该界面可以实现对现有的自轮运转设备的实时定位，并将故障信息显示在界面上。在使用实际中发现，相对于采用该系统前，使用该系统后对自轮运转设备运营维护所需要的时间成本、人工成本以及经济成本均显著降低，说明该系统可以有效提升自轮运转设备的运营维护质量。

图4 人机交互界面

4 结语

GIS、机器学习、大数据处理等现代化技术的出现极大地提高了实现自轮运转设备运营维护智能化的可能性。自轮运转设备运营维护系统的采用有效提高了设备运营维护的管理水平，降低了运营维护所需要的人力、物力、财力与时间成本，并可以形成自轮运转设备的故障管理库及与每台设备匹配的状态检修的数据库，预测相关的故障信息。经朔黄铁路实际运用验证，该系统对设备的运营维护质量有很大提高，不仅能够有效提升设备自感知能力，而且能够解决设备在实际运营维护过程中出现的问题。