融合RCM、PHM和数据挖掘的城市轨道交通车辆维护决策技术研究*

高明亮 高 珊** 于 闯 石海明 刘德权 邵俊捷 贾颜菽 唐玉清 莫柳松

(1.中车长春轨道客车股份有限公司国家轨道客车工程研究中心,130062,长春；2.北京化工大学信息科学与技术学院，102299，北京； 3.北京明略科技软件系统有限公司,100193,北京//第一作者,高级工程师)

0 引言

在城市轨道交通快速发展的过程中，列车速度等级和乘客数量的上升引起相关系统以及零件的故障率逐年增加，从而对列车的安全性、舒适性、平稳性和可用性提出了严格的经济性要求。因此，具有经济性和精准度的维护对提高工厂产品生产的可用性、降低停机成本和提高列车运行可靠性越来越重要。

RCM(以可靠性为中心的维修)方法是一种系统工程，亦是一种先进的维修管理机制，通常用于确定设备的预防性维护要求并优化维护系统。实践证明：RCM技术如能正确地被应用到现行的维护中，在保证生产安全性和设备可靠性的前提下，可将日常的维护工作量降到40%～70%。国内外许多学者对RCM方法的应用做了众多深入的研究。文献[2]率先提出了将RCM理论引入设备维护管理中的建议。文献[3]将RCM方法应用于电力系统，并提出推行PHM(故障预测与健康管理)/RCM的建议，更系统、全面地认识RCM方法的必要性和途径，提出了评估RCM经济效益的一种更加准确可靠的方法，充分验证了RCM分析方法在电力维护系统中应用的可行性。文献[4] 以北京大兴国际机场线的直线电机车辆为研究对象，开展了采用RCM方法研究最佳维护机器设备的方案，设计开发了一款维护决策系统，并说明了RCM方法的有效性。尽管RCM方法得到了广泛应用，但RCM逻辑判断是基于FMECA(故障模式、影响和危害性分析)结果的故障模式分析和FTA(故障树分析)故障模式逻辑图，该决策不涉及系统的生命周期，当使用RCM方法进行设备的预防性维护时，将导致获得的维护周期超出设备的可靠使用寿命范围，并增加了设备故障的可能性。

传统维护包括纠正性维护和预防性维护两种主要类型。故障发生后或发现明显故障后，应进行纠正性维护。然而，最好的纠正性维护只能用于非关键区域，这些区域的资本成本很小，故障后果很小，没有立即的安全风险，并且可以快速进行故障识别和快速故障修复。

预防性维护以预定的时间间隔或根据规定的标准执行，旨在减少物品失效或功能下降的可能性。预防性维护分为预定计划修维护和基于状态的维护(CBM)两种类型。预定计划修维护不会发生任何监视活动。CBM不按照固定的维护间隔和计划来执行维护活动，相反它监视系统和组件的运行状况来编制动态的预防维护计划。随着传感器技术和人工智能的发展，CBM逐渐过渡到PHM。

基于OSA(开放系统架构)-CBM的PHM系统包括7个不同的层，其技术模块如图1所示。在PHM的维护决策架构中，PHM核心功能主要为状态监测、健康评估和故障预测功能[5]。其中，状态监测功能对系统部件的实时运行特征参数进行监测与预警；健康评估功能对系统部件的特征进行提取，通过数据算法构建评估模型来评价系统部件的健康度；故障预测功能根据系统部件的参数退化规律进行寿命预测，以解决故障发生时间和故障模式的预测问题。

PHM预测后期研究的主要任务是评估系统及部件生命周期的健康状况并估算剩余的使用寿命(RUL)。然而，实现可靠和有效的PHM面临众多难点。第一，通常需增加众多传感器从而导致成本增高，因此，应详细分析设备的投资经济可行性。第二， PHM的目标是精确维护，但需要监控的参数较复杂，例如环境的复杂性、设备的内部结构及模糊的故障机制等，在实际应用中不易实现。

考虑到车辆维护的经济性，最好在先进的维护管理机制下实施PHM。尤其是同时考虑确定系统组件的功能及其重要性时，RCM方法是最佳的选择。RCM方法的目的是在保证系统可靠性的前提下，确保维护成本、人力及经济最优化，提高车辆的可用性和上线率[6]。在RCM的维护管理机制流程下，为了更精确地进行PHM维护，建议使用包含信号层、特征层和决策层的数据挖掘技术[7]。近年来，将数据挖掘技术应用于工程实践已受到越来越多的关注。特别是随着先进的传感器和信号处理技术的飞速发展，使得融合大量的交互信息进行数据挖掘成为可能，从而可获得更精准的PHM维护决策结果。本文提出了一种新的维护策略技术，该维护策略在RCM管理框架内将数据挖掘技术与传统PHM融合，能够更精准地定义维护模型，并获得系统的最优维护间隔，计算效率高，且适用于复杂状态系统的可靠性计算。

1 基于RCM、PHM和数据挖掘的维护决策技术

本文提出的维护决策技术如图2所示。该维护决策技术基于RCM维护管理流程，结合PHM，可精准地编制维护计划和任务，PHM通过集成数据挖掘算法，实现更精准地监视、诊断和预测，以提高维护决策预测精度。

图2 基于RCM、PHM和数据挖掘的维护决策技术

1.1 集成PHM和RCM的高效经济维护

维护的主要目的是节约成本。复杂设备维护成本巨大，RCM可以有效地组织PHM来优化解决方案以达到目标，因此，RCM分析在轨道交通车辆维护领域中显示出越来越大的重要性。

RCM分析的总体业务流程如图3所示。

图3 RCM分析的总体业务流程

RCM分析的总体业务流程说明如下：

1) 数据收集。为RCM分析提供输入，包括但不限于工程设计数据、故障及检修数据及费用数据等。其中，工程设计数据包括产品结构数、系统原理及部件说明、线路图及原理图、接口文件、司机操作手册、途中应急故障处理手册等；故障数据包括运用故障和检修故障数据，如维护时间、维护人数等；费用数据包括部件采购价格、部件修理费用等。

2) 分析对象选择，确定RCM分析对象。基于轨道车辆的产品结构在各层级执行分析对象决策，判断是否为重要维护项目(MSI)，并通过RCM评审组确认。

3) RCM定性分析，确定维护任务。从MSI功能出发，明确功能故障、故障影响及故障原因，通过故障后果为导向的任务决断逻辑及任务规划策略，定义维护任务。RCM定性分析结果应通过RCM评审组确认。

4) 数据处理。执行数据清洗，供数据分析使用。收集与任务相关的故障及检修数据，并进行数据可用性评估(F3评估)、数据整合、数据查重、数据拆分、数据标志、异常值剔除、数据映射、维护时间统计等数据清洗工作。

5) 数据分析。基于故障数据确定维护间隔。数据分析包括样本量评估、分布识别、回归分析和数据模型计算(物理风险模型、经济性模型、可用度模型)。基于数据分析结果，结合维护间隔框架，综合决策任务间隔，形成修成优化项点。

6) RCM数据处理与数据分析过程应通过RCM评审组确认。

7) 基于经评审的RCM定性与定量分析结果，编制RCM检修规程。

8) RCM成果应用与评估。建立合理的RCM检修规程应用验证方案，通过修程优化前后车辆及部件的可靠性分析与评估，判断RCM检修项点及间隔的合理性，确保RCM修程应用不会对安全及服务可靠性造成不可接受的影响。

1.2 PHM与RCM之间的关系

RCM分析方法可帮助维护管理者确定潜在的故障并提供可行的维护方案，有助于定义最佳的故障管理策略。PHM建立在RCM方法论的基础上。PHM本身不是一个过程。通过融合二者，形成一种综合维护策略，从而使维护管理者能够以最优成本效益的方式提高系统和设备的维护水平。同时，PHM决策包括了许多功能和举措、程序和技术，可以提高基本RCM的执行任务。RCM将部件故障模式与功能故障相关联，赋予风险属性(故障影响类别)，为PHM监测对象选择提供决策依据。RCM形成的功能故障、故障后果及故障原因的故障关联图谱，为PHM机理模型的构建提供支持。RCM任务执行层级规划(车辆/系统/部件)，为PHM监控层级定义提供支持。任务检查性能指标即P-F指标，为PHM特征参数的提取提供依据。该指标是衡量从潜在故障到功能故障的表征参数。其中：P点为潜在故障点，F点为功能故障点。RCM数据处理为PHM提供经处理的可用的潜在故障和功能故障数据，为故障预测提供数据支持。精准的PHM监控和预测模型可用于替代RCM物理检查任务，这样PHM可以有效促进RCM分析。

1.3 融合PHM和数据挖掘的精准维护决策

为了使PHM实现精准地预测、诊断、评估，本文融合数据挖掘算法，通过采集信号层、特征层和决策层的信息，构建更加准确的监控诊断评估模型，从而产生精确的维护决策。

1.3.1 基于数据挖掘的PHM维护策略

基于数据挖掘的PHM系统主要包括挖掘诊断、监控、预测等3个方面，流程如图4所示。首先，通过感知器收集原始信号并进行信号预处理；然后，通过相关数据算法计算并提取适当的特征，这些特征会给出有关运行状态的信息；最后，PHM能够清晰识别不同故障的特征并进行诊断分析，同时对设备健康状况退化趋势的特征进行监视和预测。

图4 基于数据挖掘的PHM维护决策流程

首先，对特征层直接挖掘出的故障特征进行精准识别与诊断，通过决策层挖掘，最终形成维护计划任务。针对识别故障特征特点，提出了两套维护策略，分别为挖掘故障诊断策略和挖掘监控、预测策略。

针对系统功能部件健康退化的规律，某些特征值只能表示一段时间或者某一时刻的故障情况。不同的特征值反映的情况有可能不一致，这样就容易导致多种故障决策，因此，可以考虑将多个指标进行融合并进行挖掘统计分析，形成更加精准可靠的维护决策特征值选择方法，当监视的指标超过预定量时，将触发诊断和预测过程。直接从源数据进行特征的提取往往取得的结果不是很准确，可以考虑从特征层和决策层进行特征的深度挖掘，从而获得更加精准的诊断结果，以及制定最佳的维护的计划。

1.3.2 挖掘诊断决策技术研究

挖掘诊断决策技术是指针对系统组件故障特征明显或者确定的情况，使用特征提取器提供故障的特征向量，然后经过分类器进行故障的精准定位。在整个故障诊断过程中，持续监控提取故障信号，并及时预警相应的故障。在图4所示的挖掘诊断决策中，系统部件的运行状态参数信号被收集的同时进行特征提取。通过及时提取的特征可以清楚地区分不同故障。然后可以将这些生成的特征以某种方法进行组合，例如，利用神经网络或在特征层级别进行聚类分析。最后利用分类器对计算出的特征或挖掘特征进行分类诊断评估。来自所有分类器的诊断决策将作为决策向量分组，并发送到特定的决策层挖掘算法中，以获取更可靠的诊断决策。

1.3.3 挖掘监控和预测维护决策技术

近年来，挖掘诊断决策技术研究在PHM上虽然取得了很大的进步。但在车辆状态监测和预测上仍然存在许多基本问题：①需要开发用于准确状态监测和预测的指标；②目前PHM方法通常集中在解决故障诊断问题上，系统性的健康评估和对退化规律的预测尚未得到很好的解决；③已实现的健康评估和预测算法往往仅适用于固定的应用场景。

基于以上问题，本文提出了一个基于数据挖掘的状态监视和预测维护决策。状态监测是PHM的主要功能之一。状态监测可以通过实时监测系统及部件的状态来定义维护计划任务以避免故障，但是监控参数是不全面的，而且有特定的环境适用性，难以满足精准监控维护的目的，因此，需要将监控的指标参数进行深度数据挖掘，以确定监测系统部件的退化规律信息。在本文提出的监控和预测维护技术中，采集运行的系统部件的状态参数，提取退化规律的监控特征，然后将这些特征挖掘归一化分类为特征层挖掘算法的输入，同时考虑在特征提取和挖掘过程中进行消噪处理，以期获得明晰的部件退化规律趋势。最后，将运行状态监测参数与挖掘模型确定的最优警报阈值和趋势值进行持续比较，当达到预警值时，将触发数据驱动的预测层决策模块，以进行预测层的深度挖掘。

预测层挖掘是通过评估系统中部件运行报警值偏离正常运行状况的程度来预测产品未来可靠性的过程。传统的方法往往是将非线性问题线性化，或者拟合为类线性进行分析。本文使用了基于深度学习的数据驱动方法。轨道交通车辆系统部件性能往往呈非线性或多元混沌形式，基于深度学习的数据驱动方法可有效解决非线性拟合和高维计算问题，从而实现预测精度的提高。最后通过评估系统部件剩余使用寿命的可靠性、维护经济性，制定最优的维护计划任务，为维护人员提供最优的维护间隔、任务和资源分配，从而实现高水平的经济可靠性预防维护。

2 结语

本文提出了一种先进的维护决策技术，该技术集成了RCM方法以进行维护决策机制管理，并采用数据挖掘策略来提高预防性维护的监控预测诊断精度。本文提出的维护决策技术主要存在如下优势：

1) 精益成本。整套维护策略是在RCM架构下构建的，可帮助维护业主确定关键组件及其潜在故障、最优的维护任务以及最佳的维护间隔。整套策略支持自适应和动态维护策略，从而达到降本增效的目的。

2) 预测维护精准。通过PHM的运行监控、健康评估及故障预测等功能，实现精准的预防修计划编制，使得车辆维护趋于经济、可靠、安全。通过集成数据挖掘技术实现多级挖掘以及深度挖掘，在整个维护策略中，采用基于深度学习的架构，构建数据挖掘模型，有效地解决非线性和高维灾难问题，从而实现智能诊断与精准预测。