PHM技术在京张高速铁路 运用检修中的应用研究

李 燕

（中国铁道科学研究院集团有限公司 电子计算技术研究所，北京 100081)

0 引言

京张高速铁路(北京北—张家口)是世界上第一条最高设计速度350 km/h的高寒、大风沙高速铁路，是2022年北京冬奥会的重要交通保障设施。北京北动车运用所配属的CR400BF-G高寒型动车组和CR400BF-C智能型动车组，承担京张高速铁路开行任务。高寒、智能动车组是京张高速铁路“智能装备”的核心组成部分。

随着航天、航空、轨道交通等复杂装备智能化水平的不断提高及维修理论的不断发展，故障预测与健康管理(Prognostics and Health Management，PHM)已经成为提高装备安全性和可靠性、降低装备全寿命周期费用的关键核心技术[1]。为提高京张高速铁路精准化、精细化管理和服务水平，保障冬奥会期间动车组安全高效运行，作为大力推动大数据、人工智能等技术与铁路业务深度融合，深化智能高速铁路技术创新应用的典型示范，首次在京张高速铁路配属的复兴号动车组上开展PHM研究和系统应用的先行先试，作为动车组运用检修系统的应用扩展与延伸，实现PHM在途故障的超前预警，以及视情维修信息可在动车组运用检修系统中进行流程贯通和交互闭环，有效提高动车组运行保障能力，提升运用效率和效益，改善了运行秩序，并为PHM技术在全路应用提供宝贵经验。

1 动车组PHM技术概述

1.1 国内外现状

PHM技术已被广泛应用于航空航天等多个领域[2-3]。在轨道交通领域，西门子建立的Railigent平台可实现对轨道车辆和基础设施的远程监控、快速诊断和预防性故障预测；阿尔斯通建立的智能管理系统Health Hub，实现从车辆级到基础设施级的智能管理。近年来，我国也在大力发展状态监测、故障预测及可靠性维修等PHM相关技术的研究，并将其列入国家“863”发展计划，并且在航空航天系统中得到应用。

在PHM技术研究方面，国内很多学者对动车组PHM相关技术进行了不同程度的探索与研究，为动车组PHM的应用提供理论支撑。在国内动车组PHM研究领域，按照中国国家铁路集团有限公司(以下简称“国铁集团”)发布的《动车组故障预测和健康管理(PHM)研究实施工作方案》，中国铁道科学研究院集团有限公司研发动车组故障预测与健康管理系统，并在武清主数据中心部署。

动车组属于典型的复杂机电系统，以分布式、网络化方式集成了机、电、气、热等多个物理域的部件，部件之间以多种物理作用复杂交互，导致故障表现高度复杂化。我国铁路部门普遍采用计划维修(即定期维修)体制，未来维修方式应该在精确掌握列车状态的前提下，逐渐向状态维修体制过渡，通过信息技术汇集动车组新造、运用、检修、检测、监测以及环境等海量数据，进行动车组PHM研究，对动车组故障进行提前预警、对整车及部件健康状态进行评估、对关键部件寿命进行预测，提高动车组运维效率、降低维修成本、保障动车组运行安全，是未来高速铁路技术的发展重点。

1.2 动车组PHM定义

动车组PHM是指利用各类先进传感器实时监测动车组运行的各类状态参数及特征信号，借助各种智能推理算法和模型(如物理模型、专家系统、神经网络、模糊逻辑等)来评估动车组的健康状态，在其故障发生前对故障进行预测，并结合各种可利用的资源信息提供一系列的维修保障决策，以实现状态维修[2]。

1.3 动车组PHM模型

动车组PHM模型是指利用动车组新造、运用、检修、环境等相关数据，借助算法对动车组系统或其部件进行故障预测、故障诊断、健康评估及运维决策的逻辑组合，包括属性集合、编码、输入、用户配置参数、算法集合、输出，包括模型名称、类型、建模对象、研发单位、适用车组、适用环境、版本、运行环境、逻辑规则等属性的集合。

1.4 PHM与动车组运用检修关系

动车组PHM系统通过机辆信息管理平台、数据服务平台，从动车组管理信息系统(EMIS)、动车组车载信息无线传输系统(WTDS)、动车组运行故障图像监控系统(TEDS)等系统获取动车组相关数据，利用系统部署的预警、预测模型(阈值模型、机理算法、专家算法等)，对未来时间段内可能发生的故障进行预警，给出视情维修建议，并将结果传递给EMIS，实现各类预警故障的综合闭环管理；通过机辆信息管理平台和集成服务平台实现与主机厂及零部件造修企业的信息交互，促进设计、制造、维修技术的改进。

2 动车组PHM技术体系

PHM技术不仅是一种先进的测试、维修技术，更是一种全面的故障检修、故障隔离、故障预测及状态管理技术，涉及的主要技术包括结构设计技术、传感器应用技术、数据处理技术、健康状态评估技术、故障预测技术、状态维修决策技术和验证与评估技术等7个领域[2]。京张动车组PHM技术的应用尚不能全面覆盖上述7个领域，但也已形成自己的核心技术链，包括动车组PHM规范体系、WTDS数据解析技术、业务数据清洗技术、大数据处理技术、异构模型跨平台部署技术和基于构型的PHM预警预测流转技术。规范体系中的各个标准、规范，全方位制约、管理、支撑着PHM流程和数据的流转。

2.1 动车组PHM技术体系架构

PHM系统的技术体系架构主要体现为需求分析、总体架构、功能架构、逻辑架构和物理架构。

2.1.1 需求分析

根据动车组PHM总体需求调研，按用户层级划分，可分为国铁集团用户、铁路局集团公司用户、动车/车辆段用户，共3个层级；按业务范畴划分，可分为模型构建用户、业务管理用户、应急监控用户、数据分析用户等；结合用户层级与业务范围划分，国铁集团用户按业务范围划分，又可划分为业务管理用户、模型构建用户；铁路局集团公司用户按业务范围划分，又可划分为业务管理用户、模型构建用户；动车/车辆段用户按业务范围划分，又可划分为应急监控用户、业务管理用户、数据分析用户、模型构建用户。

2.1.2 总体架构

动车组PHM系统在国铁集团进行一级部署，搭建面向国铁集团、铁路局集团公司、动车/车辆段、动车组运用所的统一应用，为路内用户提供运行状态监控、故障预测、健康管理、视情维修、大数据分析等应用功能。系统于2020年9月在京张高速铁路开展先行先试，并根据用户反馈，持续进行各类功能、模型、数据、流程等方面的改进和优化。动车组PHM系统总体架构如图1所示。

2.1.3 功能架构

动车组PHM系统有数据采集和传输、数据处理、状态监测、故障预测、维修决策、健康状态评估和可视化等主要功能模块，动车组PHM功能架构如图2所示。

图2 动车组PHM功能架构Fig.2 Functional architecture of PHM for EMUs

（1）数据采集和传输。通过各类传感器收集部件、设备的相关数据或获得其它系统的基础履历、新造设计、维修与环境数据。

（2）数据处理。从上一层信息流接收数据并对其进行清洗、治理、特征提取等处理，使数据符合后续模型或算法的使用要求。

（3）状态监测。在运行中的单一系统或设备中， 针对某几项的检测监测参数，结合专家知识库进行阈值与逻辑组合判断。

（4）故障预测。以模型为载体，针对多设备或系统的运行参数、基础履历数据进行特征提取及模型综合研判，也可结合环境参数进行综合故障预测。

（5）维修决策。也称决策支持，是基于历史状态信息、维修履历进行部件状态评估，在系统或设备性能退化或失效之前提供有效的维修措施。

（6）健康评估和可视化。对部件、设备和整车结构等的健康状况进行量化，预测其未来状态趋势，以可视化或系统接口方式实现的结果展示与表达。

2.1.4 逻辑架构

动车组PHM系统重在识别和管理故障的发生、规划维修和决策保障，是提高动车组运用效率、提升检修质量、降低维修成本、优化修程修制的重要技术手段。面向动车组线上应急处置、日常运用管理、高级检修管理以及健康评估管理4种业务场景，PHM系统与相关系统之间的交互融合主要体现在EMIS、多平台行车安全监测系统以及主机企业与核心供应商三大板块。动车组PHM逻辑架构如图3所示，通过传统方式描述动车组PHM系统各业务场景中与外部数据交互流程、系统内部数据流转过程，与国铁集团和铁路局集团公司用户、主机企业(核心供应商)和模型研发单位等PHM系统参与方的业务活动流程，以及相关核心PHM系统元数据处理技术、模型封装技术和评价与验证技术，构成完整逻辑架构。

图3 动车组PHM逻辑架构Fig.3 Logical architecture of PHM for EMUs

2.1.5 物理架构

遵循我国铁路大数据中心“数据集中存放、集中治理”的规划，依据动车组PHM系统总体技术方案相关设计，动车组PHM系统依托分布式存储、分布式计算、数据仓库、数据挖掘等技术，打造集“易用性、伸缩性、开放性”于一体的系统平台，自下向上整个架构划分为数据接入层、基础设施层、平台层和应用层。动车组PHM物理架构如图4所示。

图4 动车组PHM物理架构Fig.4 Physical architecture of PHM for EMUs

数据接入层可通过铁路内部服务网从机辆信息管理平台、数据服务平台获取路内既有支撑系统数据，通过铁路外部服务网获取主机企业及关键设备供应商数据。基础设施层支撑PHM系统硬件资源调配及网络链路安全。主要通过对基础计算、存储、网络资源的池化和虚拟化，为上层应用与服务提供统一硬件资源调度和监控管理，支持按需分配与硬件资源的动态扩展，并通过标准化接口向上层提供计算、存储等基础服务，提高IT资源的易用性、敏捷性。平台层包括数据平台层和集成平台层。数据平台层面向数据处理关键技术，实现数据采集、数据抽取、数据存储和数据分析挖掘，通过资源调度、多租户管理等手段，打造松耦合、高效和高可用的数据支撑平台；集成平台层通过关系型数据库、内存数据库、安全认证及报表组件等，提供服务运行环境与模型管理，实现中间件服务，面向应用开发，提供安全可靠的平台支撑。

2.2 动车组PHM标准规范体系

PHM系统是一个复杂的、跨学科的“系统之上的系统”。一是PHM系统有自身的功能架构，简单理解为信息采集模块、核心处理模块和输出交互模块；二是PHM系统监测、管理的对象又是构成动车组的各个重要系统，乃至是整车平台，因此不同具体对象系统会带来不同的PHM具体技术。此外，PHM系统作为一个系统还应符合系统工程的全寿命周期过程，充分考虑其需求、设计、交互、验证等技术环节，才能保证PHM系统的合理、高效。

综上考虑，从动车组PHM系统的功能组成(采集、处理、交互)、技术组成(转向架系统PHM、牵引系统PHM、制动系统PHM、控制系统PHM和车身PHM等)以及系统工程(方案论证、初步设计、详细设计、验证应用等) 3个维度出发，综合优化形成动车组PHM标准规范体系，动车组PHM标准规范体系如图5所示。

图5 动车组PHM标准规范体系Fig.5 Standard specification system of PHM for EMUs

2.3 动车组PHM指标体系

2.3.1 状态指标和健康指标的构建方法

动车组PHM状态指标(CI)是指，通过传感器采集与某一个或多个故障现象相关的物理量，并经过特定算法计算得到参数，该参数的变化能反映特定故障模式或故障产生与否及其变化，状态指标的开发过程就是故障特征提取和量化评估的过程。健康指标(HI)是指由单个状态指标值或多个状态指标值的融合产生的，触发部件维护行为的指示符。健康指标是进行了状态评估的状态指标，状态指标的值可能是非常的多，但是经过与不同的评估阈值进行比较，得到少数几个健康指标的值，动车组PHM指标构建方法如图6 所示。

图6 动车组PHM指标构建方法Fig.6 Index construction method of PHM for EMUs

2.3.2 失效机理分析

失效模式、影响与严酷度分析(FMECA)通常作为以可靠性为中心维护(RCM)分析的一部分，是了解状态指标正在开发的系统、子系统或部件的起点。动车组的部分部件产生故障后有一个劣化的过程，状态指标需要能够及时发现部件的故障，尤其是早期故障，并能够基于状态指标的历史数据对故障的劣化情况进行跟踪，为故障部件的维修保障提供可靠的决策依据。

2.3.3 状态指标构建

状态指标的构建实际上就是构建全面的、有效的状态监测和评估参数体系，这些参数体系应用于状态评估能够发现(早期)故障并具备低的虚警率，应用于趋势监测能够有效地反映故障劣化/性能退化状态。检测算法是计算特征参数的方法和流程，在应用中需要编码嵌入至数据处理单元中。检测算法的开发通常是一个迭代的过程，从预处理后的数据中提取特定故障模式相关的特征，应用历史数据、故障注入数据进行分析，确定该特征是否能表征特定故障模式的发生与否及退化过程，提取的特征应具有普遍性的特点，能够应用于同一型号的所有装备。通过大量的数据分析，不断地对特征进行优化，兼顾特征的灵敏性和有效性。

2.3.4 状态指标验证

确保状态指标有效的唯一方法是用数据测试状态指标。对于改型设计的动车组，可充分利用类似型号的历史数据，尤其是典型的故障案例数据，来验证状态指标；对于新研设计的动车组，可进行故障注入试验，结合仿真的手段进行状态指标的验证。在动车组PHM开发的早期阶段，来自类似部件产生故障数据或来自仿真模拟故障注入数据，可有效测试状态指标。随着动车组PHM的不断成熟，供应商的实际PHM设备被应用于测试和数据的采集，如果具备足够的时间和资源，则状态指标的测试和迭代改进仍可通过这种方式来实现。

3 动车组PHM关键技术

3.1 动车组PHM异构模型跨平台部署方法

基于动车组PHM模型技术规范，利用容器封装技术，采用任务流部署方式，解决异构模型跨平台部署问题，支撑动车组PHM模型的管理与应用。1个动车组PHM模型的任务流程可大致分为4个阶段：输入数据获取、输入数据处理、模型程序调用、结果输出。采用Streamsets工作流，通过拖拽和连线的方式，从多项不同的数据源中创建批处理和流式数据流，实现数据的快速获取、操作及写入，提高业务处理速度，实现对数据流的统一管理。

3.2 动车组PHM大数据处理性能优化方法

针对动车组数据量大、数据类型多、数据增长快、应用差异化大等特点，利用ETL、数据仓库、分布式并行计算、流式计算等高效的大数据处理技术，研究动车组车载实时、轨旁监测等数据的采集、存储、处理、应用等过程优化方法，全面提高动车组PHM系统响应性能，满足全路动车组实时故障预测和预警需求，支持动车组途中应急处置和回库检修处置建议的快速推送。

动车组安装WTDS协议会随着车载软件的升级而发生变化，为实现实时WTDS协议信息采集，在进行数据采集时，可基于ELT工具Streamsets Data Collector，利 用kafka Consumer组 件 订 阅kafka消息队列，通过订阅采集动车组安装WTDS协议的kafka消息队列来完成。

全路动车组每天产生WTDS实时数据大约为600 GB，平均每秒产生5 000条记录，主要包含车载故障、运行参数、GPS、EOAS等消息数据。通过Spark Streaming计算框架编写分布式流式计算程序实现WTDS实时数据的接入、转换与存储，提高数据处理速度。

3.3 动车组PHM数据预处理技术

数据分析和挖掘工作中，最不能被忽视的部分就是数据预处理。在大数据环境下，对数据精准性要求变得没那么重要，但对于数据类别的错误、时效性干扰或极值的出现，依然需要进行干预和处理。在PHM的应用中，海量数据主要用于应用的展示和模型计算，前者所呈现出的曲线规律辅助铁路局集团公司用户直观判断参数变化的异常与否，后者根据事件相关的参数变量进行更准确的预报警计算。针对PHM数据出现的不完整、有噪声和数据不一致等问题，在数据被利用之前进行以下5个方面的预处理。

（1）重联打通车数据分离。重联指的是将2列同型号的动车组联挂运行。重联打通车是指车载故障发送数据动车组与故障发生动车组不同，比如A车1车厢会发送B车1车厢的数据。重联打通车主要发生在CRH380B系列车型中，系统在处理中首先将不同动车组的数据分离出来，更正设备号，然后再按照去重、去除异常值等继续进行处理。

（2）过滤参数异常值。车载设备在加电启动后，或在传输过程中，个别部件传感器会有数据突然的增高或降低现象，系统在数据预处理阶段对不同车型的运行参数数据进行了梳理，并根据需要定义可能发生跳变现象的参数上限和下限，对于超出正常范围的实时运行数据进行忽略和补缺。

（3）SDR、GPS、故障数据去重。车载实时数据、故障在发送、传输中，由于车地传输信息交换前，对操作模式的状态互相达成协定的数据丢失或冗余传输保障的需要，存在相同时间点、相同位置数据包重复问题。在数据被应用和计算前，要对同一时间的数据包进行汇集，并对数据包头中“数据包时间”相同的数据放在一起进行去重，以屏蔽重复数据带来的显示与计算干扰。

（4）GPS数据清洗。对动车组实时在线GPS数据进行国界判断，去掉正常运行轨迹中出现的动车组信号漂移到海面、国外等不符合实际位置的噪点数据；通过计算当前时刻GPS坐标与上一时刻GPS坐标的距离去除动车组实时运行轨迹中GPS噪点数据。

（5）数据接入时间集成。改善车载数据延迟相当困难，但精确测量每个数据采集点的高精度的时间标记可以量化并且掌控时间延迟带来的问题。动车组车载数据的发生时间作为原始数据包含在每包运行参数和故障数据的头部，实时回传地面，但车地传输中的地面接入时间是数据进入到地面接收服务器的Kafka队列时才生成，系统在数据处理时同步将数据接入时间写入到每包SDR数据和故障数据中，为后续的数据合规性、故障排除、容量规划等的检测和应用做好数据集成。

4 京张高速铁路应用情况分析

4.1 主要创新点

（1）首次实现动车组新造、运用检修、监测检测等全生命周期多源异构数据汇集，实施运用了多源异构数据处理、特征提取融合等技术，打通了“局、厂、造、修”数据通道，为动车组PHM业务应用及模型构建提供统一规范的数据标准和数据服务。

（2）首次建立开放应用平台，开展全路动车组多维度运行状态在途实时监控，实现了动车组智能分析和超前预警，保障动车组在途运行安全；推动了动车组定期检修向视情维修的转变，实现动车组关键部件报警、预警处理信息在动车组运用检修系统的全流程闭环管理。

（3）首次通过5G公网实现WTDS非实时数据落地。通过5G公网的方式，实现动车组车载设备与国铁集团MTUP平台的交互认证和数据传输，并实现在国铁集团内部服务网的存储落地，验证了通道、技术可行性。

4.2 应用效果

（1）2020年9月，动车组故障预测与健康管理系统首先在京张高速铁路涉及的北京北运用所开展先行先试和视情维修应用试点，通过内置在动车组PHM计算服务平台的PHM计算模型，支撑京张高速铁路动车组的在线智能分析和视情维修应用。

（2）动车组PHM系统中视情清网模型满足应用需求和安全性要求。经统计，依靠系统中视情清网模型指导冬季CR400BF平台动车组牵引系统滤网清洁工作，按时间维度计算，清网周期平均延长至原有固定(I2修)周期的2.68倍。

（3）动车组PHM系统内置模型的超前预警，有效预防动车组在途故障的发生。京张智能动车组牵引电机、空调等部件根据阈值进行报警，经北京北动车运用所确认开展清洁、维修工作，有效提高动车组运行保障能力，提升运用效率和效益。

（4）2021年6月，通过5G公网方式对京张高速铁路智能动车组WTDS非实时数据下载进行试验，完成数据传输效率分析，提高WTDS非实时数据下载效率，为后续全路动车组WTDS非实时数据下载建设提供试验依据，也为PHM分析提供更全面的数据支撑。动车组故障预测与健康管理系统界面如图7所示。

图7 动车组故障预测与健康管理系统界面Fig.7 Interface of PHM system for EMUs

5 结束语

在前期研究动车组PHM的基础上，提出涵盖需求分析、总体架构、功能架构、逻辑架构和物理架构的动车组PHM技术体系，创新地从功能组成、技术组成以及系统工程3个维度出发，综合优化形成了动车组PHM标准规范体系，归纳描述了动车组PHM关键技。动车组PHM系统于2020年9月首先在京张高速铁路涉及的北京北运用所开展先行先试和视情维修应用试点，实现动车组在途超前预警和视情维修信息在EMIS运用检修系统的流程贯通和交互闭环，有效提高动车组运行保障能力，并进一步提升动车组运用效率和效益，改善运行秩序。