100%低地板轻轨车辆故障预测与健康管理技术研究

吴英帅，宋旭东，夏野

(1.中车大连机车车辆有限公司，辽宁 大连 116000；2.大连交通大学 软件学院，辽宁 大连 116022；3.中车大连电力牵引研发中心有限公司，辽宁 大连 116000)*

因具有灵活便捷、对使用环境依赖性低、修建工期短、造价低等突出特点，轻轨车辆在城市交通运输中的占比逐渐增加[1-2]，其中，100%低地板轻轨车辆因其显著的优势而备受关注.

100%低地板轻轨车辆基于完整的低地板结构设计，技术先进，国产化程度高，车门多而宽，车内宽敞明亮，极大的提高了乘客的乘车舒适度和安全性[3]，但受低地板结构限制，车辆设备布置紧凑，更多设备需安装在车辆顶部，导致维修维护难度增加，一定程度上限制了此类车型的发展和应用.为解决此类问题，以预测技术为核心的故障预测与健康管理(Prognostics and Health Management, PHM)技术逐渐引起了车辆厂商的重视，成为重要的研究方向.

文献[4]报道了西安地铁1、2号线通过引入PHM系统，成功预测了车门平均故障率，极大的提高了故障分析能力，提升运行可靠性.文献[5]报道了北京地铁13号线通过引入PHM系统，成功实现了列车故障预测，避免了隐性问题的进一步恶化，并科学制定了各部件的检查和更换周期，提升了运维效率.然而，PHM技术在我国城轨车辆领域的应用仍然十分有限，作为重要的轻轨车型，100%低地板车辆尚无PHM技术实际应用.

1 应用PHM可解决的主要问题

100%低地板轻轨车辆作为完整的装备系统，具备复杂性、多层级性、未来状态非确定性、关联性等特性，使其故障发生的可能性更大、复杂性更强，难以进行故障的判断处理.在100%低地板轻轨车辆发生故障时，往往与组成车辆的大量零部件及多个下级供应商相关，需要多方协同处理，导致车辆故障准确排查的难度增加，影响车辆的使用效率[6].图1所示为某100%低地板轻轨车辆车顶主要设备布局图，可见其组成的复杂性.

PHM通过有效传感类装置获取设备运行的实时状态信息及表征信号，利用适当的模型算法对收集汇总的信息进行综合评估和分析，进而对各类设备及系统的健康状态进行诊断和提前预警，并产生相应的健康处理决策，实现对设备的高效维修维护[7-9].

对于100%低地板轻轨车辆而言，应用PHM系统主要可为其解决以下三类问题：

(1)判断车辆的维护、维修

PHM系统通过对收集汇总的车辆状态信息进行综合分析处理，得出相应的车辆健康信息报告，确认各个零部件及子系统的健康状态，包括功能正常状态、性能退化状态、部分功能或全部功能失效状态等，结合所处状态的严重等级信息，确定车辆的相关部件是否需要维护、维修的健康管理信息.

(2)确定车辆的故障信息

PHM系统可以根据各个部件和子系统的健康管理信息进行故障综合分析，结合相关的车辆可维护性、可靠性、可维修性和可用性建模数据库，分析异常状态发生的诱因，进而对相关零部件的具体故障进行判断识别，明确车辆的故障信息.

(3)预测车辆的未来故障

PHM系统可以根据车辆系统的健康状态信息进行决策，若零部件和子系统不需要维修，则继续监测系统的运行状态并进行故障预测分析，即在目前车辆状态的基础上，结合车辆系统的历史运营数据，预测故障未来发生的时间，做到提前的故障预警，并给出车辆系统相应的故障预测提示.

PHM技术的应用可以有效推动100%低地板轻轨车辆从定期维修维护向状态维修维护、从被动故障防御向主动故障预警过渡，通过指导最小性维修和修复性维修的实施策略，降低车辆的双维成本，同时，输出相应的故障处理和预测信息，提升车辆的运行可靠性，是解决100%低地板轻轨车辆维修维护问题的有效手段.

2 PHM体系结构

PHM体系结构是指系统的基本构成形式，体现为系统各组成部分间的关系、系统和外部环境间的关系、系统功能实现的原理等方面，直接影响PHM系统的工作效果[10-12].PHM体系结构的划分多种多样，对于100%低地板车辆这类多子系统通信的轻轨运输装备，从信息处理方式的角度分类PHM更为适合，具体可划分为集中式、分布式、分层融合式三种结构类型[13-14].

集中式体系结构示意图如图2所示：设计独立的中央处理器用于收集、分析、预测和诊断各子模块采集、监控传输的信息，给出设备状态评估和健康管理等输出信息，进而指导维修维护决策.系统结构清晰简单，数据传输易监控，但子系统的个数与中央处理器的工作量呈幂次关系，过多的子系统会严重影响中央处理器处理信息的工作效率，导致系统响应缓慢.因此，集中式体系结构只适用于子系统数量不多的小型装备系统.

图2 集中式体系结构示意图

分布式体系结构示意图如图3所示：各个子系统进行自身的数据采集和状态监控，并对自身故障进行分析处理，再将这些信息传递给人机交互显示装置，指导维修维护决策.分布式体系结构对整个装备系统的设计集成度要求很高，低集成度系统很难通过各子系统分析的数据获得准确的系统健康状态和正确的响应形式.

图3 分布式体系结构示意图

分层融合式体系结构示意图如图4所示：与分布式体系结构类似，分层融合式体系结构可以在子系统层面进行各自数据的采集和状态监控，并对自身状态和健康状况进行分析、处理及预测.同时，设计中央处理器，将各子系统健康信息传递给中央处理器汇总，结合信息数据库资料进行综合分析处理，得出维修维护决策.分层融合式体系结构实现了信息的多层次冗余传递，能够有效的提升分析数据的可靠性和准确性，降低误分析的风险，适用于多级子系统构成的复杂装备系统.

图4 分层融合式体系结构示意图

3 PHM架构设计

100%低地板轻轨车辆一般采用模块化设计，各层级系统的可靠性和稳定性是车辆厂商必须考虑的重要问题，对系统健康状态的分析、预测和判断直接决定着车辆运行的安全与稳定.100%低地板轻轨车辆的PHM架构主要由PHM体系结构、PHM主要功能和PHM必要特征组成.

3.1 PHM体系结构

根据100%低地板轻轨车辆多层级子系统的特点，PHM选用多层融合式体系结构，通过车载PHM收集车辆部件、子系统及整车运行状态和故障信息，分析健康状态数据并与地面PHM系统信息交互，结合数据库和算法模型，对车辆设备进行评估和健康管理，优化维修维护策略，提升车辆系统的作业效率、运行可靠性及安全性.本文所设计的100%低地板轻轨车辆PHM体系结构如图5所示.

图5 100%低地板轻轨车辆PHM体系结构图

列车的各部件将自身信息通过传感器类设备传送给相应子系统，进行一定的分析后，子系统将状态信息输送给数据处理模块进行异常判断，进而对问题系统进行故障诊断和汇总预测，结合地面PHM工作站的数据和模型算法分析，借助健康管理系统最终输出维修维护决策，指导车辆的实际维保作业.

3.2 PHM主要功能

故障诊断功能：根据PHM的分层融合结构体系，故障诊断功能采用相应的配套程序设计，针对不同层级的信息进行特定的冗余汇总分析，有效提升故障诊断的准确性，降低错误故障预警的发生概率.

故障预测功能：根据故障诊断信息，结合地面PHM工作站故障数据和模型算法，分析、判断各设备的健康状况和剩余使用寿命，为健康管理提供有效数据.

健康管理功能：对比、学习数据库信息，根据汇总的故障预测数据，准确的评估相关设备的健康状态，进而输出合理的维修维护策略，指导实际运行维护工作.

3.3 轻轨车辆PHM必要特征

为了保证100%低地板轻轨车辆PHM系统的兼容性和开放性，使其有能力扩展新的模型和处理方法，PHM需设计成通用型对外接口，使用主流的通用通信标准，在保证快速拓展功能的同时提升与其他系统间的交互能力，力求同时兼容不同厂家的软硬件信息.

采用多级分层式结构设计，应将一部分PHM设计工作封闭在层级系统内部，有效的简化系统的设计和开发流程.同时，供应商分块式模式有利于问题的快速定位处理，提升PHM系统的维护效率和准确性.

车上PHM部分应具备独立解析和诊断故障的能力，在不依赖地面PHM工作站的情况下针对突发问题给出可行的快速处理信息，对于软件问题导致的可恢复类故障做出明确的复位操作指引，避免非必要原因列车下线，提升运行可靠性，降低非必要运营维护成本开支.

PHM需对潜在故障进行准确分析，尽可能将需要维护、维修或更换的部件定位到最小可维护单元层次，在提升车辆运行安全性的同时，降低对外部维保人员及备件的需求，实现设备资源保障和经济效益双向提升.

4 PHM方案设计示例

空调系统可对车内温度、湿度、气流等参数进行调节，与乘客的乘车舒适度密切相关，是100%低地板轻轨车辆重要的子系统之一.空调系统故障主要可分为两大类：第一类故障是设备直接故障导致的功能失效，发生突然且故障现象明显，如风机异常停转、变频器停机等；第二类故障初期现象并不明显，通常表现为部件的部分性能下降，若不进行及时处理会导致更为严重的延续性故障，如制冷管路泄露、过滤网阻塞等[15].

100%低地板轻轨车辆结构紧凑，空调系统需置于车体顶部，作业空间狭小，维修维护难度高.本节将以100%低地板轻轨车辆空调系统为例从车辆角度进行PHM方案设计，特别是针对早期不易发现的第二类故障，预测性的进行判断处理，避免问题放大.

4.1 子系统数据处理

空调系统供应商根据自身设计经验和用户需求设计多种传感器类装置，实现对压力、温度、电流、电压等模拟量和系统运行状态、开关器件状态等数字量的实时监控.对于收集的大量数据信息，空调系统需进行一定处理后再传输给车辆PHM系统，子系统数据处理主要包括如下四方面：

一致性检测：一致性检查是根据空调每个变量的合理取值范围和相互关系，检查数据是否合乎要求，发现超出正常范围、逻辑不合理或相互矛盾的数据，直接剔除[16].

重复记录检查：数据库中属性值相同的记录被认为是重复记录，通过判断记录间的属性值来检测记录是否相等，相等的记录合并为一条记录[16].

数据运算：收集的数据通常无法直接用于判定故障，如系统里的压力、温度、湿度等，这些参数之间没有明显的逻辑和定量关系，具有一定的模糊性[17].系统内部有许多参数难以测量，且通常情况下也不允许测量，此时子系统需要利用与这类参数相关的数据进行间接运算.

异常判断：子系统检测实时数据是否超出设定的监控阈值，若超出则将相应数据组的异常标志位置位，用于故障的冗余判断.

4.2 传感器选型

子系统通过选用的传感器及传感器信号处理算法，将与系统运行相关的重要模拟量实时转换为数字量信息传送给控制器，用于实现系统的运行控制、状态监控及异常报警等功能，空调系统用到的主要传感器选型如表1所示.

表1 空调系统主要传感器选型

4.3 接口设计

空调系统与车辆PHM系统间接口采用轻轨列车通用型接口：利用车辆网络MVB线缆以以太网形式组网，在保证通信效率及数据传输准确性的同时兼顾兼容性.连接器使用如图6所示DB9双冗余式结构，利用连接器内部的冗余电路，通过软件设计可使在发生插头松动或设备端故障离线的问题时可以检测到相应故障设备的生命信号丢失，给出离线故障提示，便于问题的排查和检测.

图6 双冗余式DB9连接器及电路

4.4 车辆级PHM系统方案设计

车辆级PHM系统工作流程如图7所示：首先根据传输的数据进行异常冗余判断，若数据存在异常，则检测子系统级数据异常标志位是否置位，若置位则认为数据为异常数据，传送给故障处理模块进行故障预警判断.采用双冗余式异常判断可以有效的降低第一类故障的误触发概率，提升车辆运行的可靠性.

图7 车辆级PHM系统工作流程图

在判断数据异常后，会优先在人机交互装置上提示空调系统存在异常，并根据异常数据的类型进行模型似然度比较，选用匹配度最高的模型进行加载，库中模型会结合车辆运行期间收集的数据，采用线性回归算法进行训练，不断提升模型的准确性和适应性.加载模型后，系统根据异常数据进行相应的预测运算，使用模型偏差法对故障预警类型进行判断，以100%低地板轻轨车辆的空调系统几个典型的第二类故障为例进行车辆级故障预警设计说明：

检测到电子阀开度、内热交温度、外热交温度、排气温度中有数据存在异常后，系统根据工况和参数加载似然度最高的模型进行正常值预测，并进行如下计算：

A=模型预测电子阀开度-检测电子阀开度；

B=模型预测内热交温度-检测内热交温度；

C=检测外热交温度-模型预测外热交温度；

D=实际排气温度-模型预测排气温度；

E=异常状态持续时间.

故障预警设计如表2所示，在满足相应故障预警条件后，人机交互显示屏会报出相应的故障信息提示，并且健康管理系统会结合数据库信息，给出相应的处理策略.其中，滤网或蒸发器阻塞故障会给出相应设备更换提醒，将定时更换优化为按状态更换；冷凝器阻塞故障会给出清洗相应部件提醒，将定时维护优化为按状态维护；电子膨胀阀卡滞、制冷管路阻塞、制冷管路泄露会提前发出故障预警，提示在更严重的延续性问题发生前进行故障预测处理.

表2 故障预警逻辑设计表

上述设计能够对100%低地板轻轨车辆的空调系统相关运行状态进行有效的监控和预警，有助于实现故障的快速定位和预测性维护，提升车辆的运维效率.

5 结论

本文从车辆的角度出发，阐明了100%低地板轻轨车辆PHM技术的作用与系统架构分类，完成了车辆PHM系统的架构设计，给出了架构方案的设计方案、功能设计及必要特征，提出了100%低地板轻轨车辆空调子系统PHM方案设计示例，为PHM轻轨车辆应用方案设计提供了设计思路和设计方法，对未来PHM技术在100%低地板轻轨车辆中的实际应用提供技术支持.