基于模型预测方法的高速动车组空簧压力低故障预测研究

马国栋，王智超，陈 谦，李声涛

(中车青岛四方机车车辆股份有限公司 技术中心，山东 青岛266111)

在高速动车组的运行过程中，对各类故障的准确预测和及时处理是保障动车组运行安全、维护乘客生命及财产安全的关键。目前，我国高速动车组主要采用按里程计划修的策略，检修和维护费用较高。近年来，得益于智能化和信息技术的快速发展，人们对故障和异常事件的响应也由传统的被动反应开始向主动预防转变，智能诊断和故障预测技术在高速列车的运营维护中得到了快速发展[1]。故障预测与健康管理技术(Prognostics and Health Management，PHM)的应用，实现了对动车组的智能化管理控制，有效减少了因各类故障给动车组的运行带来的影响，将事后处理转变为事前预测、实时监控、精准定位的管理模式，提升了动车组故障预测与处理的水平，保障了动车组的稳定运行。

1 故障预测与健康管理系统

1.1 故障预测与健康管理技术发展

由于动车组是一种高度复杂的装备，在长期运行过程中动车组零部件会有损耗，导致其性能下降，甚至引发故障[2]。在早期的故障预测技术中，大量采用预防维修理念，不管设备是否发生故障，都对其进行定期检修，在故障发生后判断故障产生原因并对故障进行修复。定期检修存在着不可避免的缺点：若检修间隔过长，有可能在两次检修之间设备发生故障，而若检修间隔过短则又可能造成过度检修，提高了检修成本[3]。而基于状态修的PHM系统加速了维修策略的优化，PHM通过传感器采集各类数据，借助模型算法对设备进行监控，预测设备运行状态，估计健康状况，并在设备发生故障前预警。

1.2 故障预测与健康管理系统架构

高速动车组的异常状态往往涉及列车集群、系统集群、部件集群等多个层次，各个层次之间的状态特征相互关联，因此使得故障预测变得极为复杂。因此，高速动车组PHM系统研究时，需要对实时状态数据进行特征提取和预处理，深入挖掘列车运行积累的历史数据，建立系统的故障预测数学模型，对部件、系统和列车层次的特征数据及关联性进行监测和逻辑推导[4]。高速动车组PHM系统架构主要由车载PHM系统、车地数据传输系统、地面PHM系统组成，系统架构如图1所示。

图1 高速动车组PHM系统架构

支持实时数据处理的边缘端(车载 PHM单元)与支持大规模数据分析、预测、决策的云端(地面 PHM平台)协同，加之整合列车状态、线路特征、轨旁检测、环境等数据，组成了分布式列车状态监控、分析与集中式决策优化、知识挖掘相融合的智能高速动车组PHM系统。健康状态洞察和决策参考还可以通过App为高速轨道交通系统的不同部门提供服务，以优化协同，提高效率[5]。

1.3 故障预测技术

基于数据驱动的故障预测技术是利用可以测量的产品性能或者状态变量的变化趋势、故障征兆等进行故障的预测。但在许多情况下，对于由很多不同的信号引发的历史故障数据或者统计数据集很难确认何种预测模型适用于预测，或者在研究许多实际的故障预测问题时建立复杂部件或者系统的数学模型很困难，因此部件或者系统的设计、仿真、运行和维护等各个阶段的测试、传感器历史数据就成为掌握系统性能下降的主要手段。基于测试或者传感器的数据进行预测的方法称为数据驱动的故障预测技术[6]。

基于数据的故障预测技术不需要对象系统的先验知识(数学模型和专家经验)，以采集的数据为基础，通过各种数据分析处理方法挖掘其中的隐含信息进行预测操作，是一种较为实用的故障预测方法。基于数据驱动的故障预测流程如图2所示。

图2 基于数据驱动的故障预测流程

分析历史数据的变化特性，筛选所预测故障的关联参数，预先定义一些故障预测模型阈值，只要几个关联参数在这个阈值范围内，就说明系统存在轻微故障。在此过程中一个关键的问题就是故障预测模型阈值的确定，需要在考虑系统承受风险能力大小的情况下结合模型运用跟踪对预测模型做出一些调整。通过海量运用数据不断修正故障预测模型，最终实现有效的在线故障预测模型，因此基于模型预测的故障诊断流程如图3所示。

图3 基于模型预测的故障诊断流程

为了避免高速动车组因系统故障的发生而影响正线运行，最根本的条件就是保持车辆各系统运行的稳定性，因此需要对系统运行过程中的状态进行诊断预测，进行有效的在线实时控制，不断修正系统中的隐患使整个系统始终保持有效的运行。

本文将基于高速动车组运行情况，通过典型故障，设计一些复杂系统故障的在线预测模型算法和控制规则，用于实现故障提前预测。为了更好地进行故障预测，预先定义了一些阈值，只要超出了这个阈值，就发出预警，同时还利用各种参数的变化率来监控故障。

2 基于PHM系统的空簧压力低故障预测模型

从典型故障预防、故障处置效率提升等方面出发，基于故障点和数据落地情况，搭建故障诊断模型，以减少对行车秩序的影响，提醒检修人员回库故障处置。本文以空簧压力低典型故障为例介绍高速动车组故障诊断与预测的过程。

2.1 故障描述及故障原因

动车组在运行途中发生压力开关检测空簧压力低故障，车辆自动触发限速160 km/h运行，司机操作制动停车，机械师下车检查空簧截断塞门、高度调整阀及空簧均无漏风，隔离限速维持运行，后续空簧压力自动恢复。

进一步查找故障原因，从系统组成及平衡阀原理两方面综合考虑，可知导致空簧压力低现象的可能原因如图4所示。

图4 故障原因分析流程图

根据现车检查情况，故障发生时实际空簧状态正常无漏风，因此排除空气弹簧实际压力低；外接风压表测试空簧压力实际输出偏低，排除压力开关误报的可能性。因此该故障可初步定位为平衡阀所导致。

动车组每台转向架设有1个平衡阀，用于平衡转向架2个空簧压力取平均值。平衡阀的工作原理如图5所示。

图5 平衡阀

转向架上2个空簧压力分别通过T1和T2接口进入平衡阀，T1、T2中较高的空簧压力将活塞推至较小压力的端口位置S1或S2，经算数平均后，2个空簧压力同时分别作用于差动活塞的环形表面F1和F2，当差动活塞所受作用力大于向下的作用力时，差动活塞推动双阀头克服弹簧作用力向上移动，并打开阀座S3，向M端口输出压力。M端口压力又会向下作用于差动活塞上，当差动活塞向上和向下的作用力相等时，平衡阀达到平衡状态，阀座S3和S4均处于关闭状态，M端口压力保持不变，平衡状态的压力值接近于T1和T2端口压力的均值。通过M端口输出到压力开关的压力设定值为280 kPa，当压力开关检测到平衡阀输出的空簧压力低于280 kPa时，报出“压力开关检测空簧压力低”故障。当检测到平衡阀输出的空簧压力高于300 kPa时，故障消除。

经原理分析及故障件地面试验验证，平衡阀上阀体的活塞处于中间位置，导致平衡阀进风口的单排孔被堵塞，平衡阀异常因而输出空簧压力低，造成动车组报出空簧压力低故障。

提前预知空簧压力异常变化情况，提前重点盯控，触发限速时避免出现误停车，影响行车秩序。若未触发限速，待车辆回库后提醒检修人员对空簧截断塞门、高度调整阀、平衡阀、压力传感器和空簧压力采集板卡进行重点检查。若触发限速，按限速表信息限速运行，无需停车检查。

2.2 空簧压力低故障预测模型的构建

2.2.1 数据分析

根据实际需求，结合现车逻辑，梳理监控项点，通过无线传输装置(Wireless Transmission Device，WTD)历史故障数据确认关联参数，编制模型逻辑。分析正常运行车辆空簧压力与故障车辆空簧压力的数据变化特征，计算出空簧压力的最低值和单车两台转向架的空簧压力差值的最大值，分析站停旅客下车空簧变化曲线与故障时刻空簧压力曲线，确定关联参数及其阈值。

图6为站停旅客下车空簧变化曲线与故障时刻空簧压力曲线对比。可见故障曲线持续下降，正常站停旅客下车空簧压力下降趋势平缓且到达最低值时基本保持不变，最低空簧压力为470 kPa。图7、图8为车辆运行途中发生空簧压力低故障空簧压力曲线，由图7可见故障发生后空簧压力持续低，由图8可见故障发生后空簧压力自恢复，2条故障曲线空簧压力下降速率较快，连续多包数据呈下降趋势，每包数据下降差值5～20 kPa。图9为正常工况下车辆单车两台转向架空簧压力曲线，差值范围在5～10 kPa波动。

图6 站停旅客下车与故障空簧压力变化曲线

图7 空簧压力低故障持续

图8 空簧压力低故障自恢复

图9 正常工况下两台转向架空簧压力值对比

2.2.2 故障预判参数制定

结合WTD数据传输周期、数据传输稳定性、PHM系统模型运算时效性，从阈值、差值、下降速率3个维度搭建空簧压力低故障预测检测逻辑。统筹误报率和提前量，制定3个维度的故障预判参数，进行跟踪分析。

目前车辆已有空簧压力异常故障(总风压力高于550 kPa，EBCU检测空簧压力低于300 kPa)判断，故障预测模型在于提前预知故障，因此设置空簧压力阈值<350 kPa进行提前预警。综合车下设备布置和旅客定员，设置单车2台转向架空簧压力差值阈值>90 kPa进行提前预警。结合站台旅客下车等因素设置下降速率阈值为空簧压力≤460 kPa，连续6包呈下降趋势，满足任意5包下降差值≥5 kPa且累计下降≥45 kPa进行提前预警。

2.3 故障预测及诊断结果

将此模型进行现车跟踪应用，表1为逻辑与预防时间的统筹结果。

表1 逻辑与预防时间的统筹结果

将阈值、差值和下降速率三个关联参数组成的诊断模型进行现车跟踪应用，经验证三个关联预判参数阈值的设置均可提前预知空簧压力异常变化。综合三个关联参数确定的空簧压力低故障诊断模型可减少故障误报和故障提前预知时间。

3 结论

本文在现有PHM系统基本框架的基础上，给出了故障预测模型的系统搭建方法，以空簧压力低故障为例通过既有故障数据的挖掘分析，建立了系统的故障预测数学模型。结合模型实车跟踪验证，证明该模型能够对高速列车运行过程中的潜在问题进行预警和预测，实现了故障的提前预测。

高速动车组多系统、多部件状态特征相互关联，故障预测极为复杂，未来将结合造修数据贯通，通过将车载、地面列车集群的海量多源异构数据融合建立状态修模型。