基于可靠性分析的城轨列车转向架故障预测与维修-fault prediction and maintenance of urban rail train bogie based on reliability analysis.docxVIP

中文摘要转向架是机车的主要组成部分之一，对于保证城轨列车的安全运行具有非常重要的意义，因此研究城轨列车转向架的可靠性很有必要。本文通过对某地铁二号线的调研，对转向架的可靠性进行了研究，并对其进行故障预测与维修优化。首先对某地铁二号线转向架故障数据进行统计分析，采用基于生存分析的方法确定了转向架的构架、弹簧装置、连接装置、轮对和轴箱、驱动机构、基础制动装置的最佳寿命分布模型，并得出各子系统的可靠性特征函数，通过对各子系统的可靠性分析得出转向架的薄弱环节。结果表明，转向架各子系统寿命分布基本服从Weibull分布，轮对轴箱系统和弹簧装置系统可靠性相对较低。然后，采用进化算法优化的神经网络模型对转向架各子系统的故障率进行预测。本文以可靠度较低的轮对轴箱系统为例，分别采用BP神经网络、遗传算法优化的BP神经网络和粒子群算法优化的BP神经网络建立故障率预测模型，结果表明，PSO-BP故障率预测模型能够准确的预测故障率的变化，且精度明显高于BP和GA-BP神经网络模型。最后，采用比例风险模型对转向架系统视情维修决策进行研究。将转向架各子系统的可靠度和故障率作为协变量进行比例风险模型建模，筛选出显著影响转向架运行安全的协变量，在成本优化的基础上，得出转向架系统视情维修的阈值和控制限，并用预测的故障率作为比例风险模型的输入来验证模型的有效性，结果表明，PHM模型输出的维修建议与实际维修决策基本保持一致，为转向架系统的预防维修提供一定的理论基础。关键词：转向架，可靠性，故障率预测，维修决策分类号：U298.1ABSTRACTBogieisoneofthemainpartsoflocomotive,whichiscriticallyimportantforthesafetyoperationofurbanrailtrain.Therefore,it’snecessarytostudythereliabilityofmetrobogie.Throughtheinvestigationofthelinetwoofametro,thispaperstudiesthereliabilityofbogiesystemofurbanrailtrain,thenpredicatesitsfailurerateandoptimizesthemaintenanceplan.First,thispapermakesastatisticalanalysisonthebogiefailuredataoflinetwo,usingthemethodofsurvivalanalysistodecidethebestlifedistributionmodelaswellasthereliabilityfunctionofeachsubsystem:thebogieframe,thespringdevice,connectingdevice,wheelandaxle,drivemechanismandthefoundationbrakerigging.Thenbyanalyzingthereliabilityofeachsubsystem,theweaklinkofbogieisconcluded.Theresultsshowthat,thelifedistributionmodelofeachbogiesubsystemobeystheWeibulldistributionandthereliabilityofwheelsetandaxleboxsystemaswellasspringsystemisrelativelylow.Then,optimizedneuralnetworkmodelsareusedtopredictthefailureofeachsubsystemofbogie.Inthispaper,takingthewheelandaxlesystemwhosereliabilityisrelativelylowasexample,BPneuralnetwork,geneticalgorithm-basedRBFneuralnetworkandparticleswarmalgorithm-basedRBFneuralnetworkareusedtoestablishthefailureratepredictionmodel.Theresultsshowthatparticleswarmalgorithm-basedRBFneuralnetworkcanpredictthefailureratebetterandtheprecisionisobviouslyhigherthanthatofBPandGA-BPneuralnetworkmodel.Finally,t