基于数字孪生的动车组故障预测.docxVIP

基于数字孪生的动车组故障预测

引言

目前，我国动车组维修方式主要为故障事后维修和计划性维修，该方式往往造成维修不足或过度维修等问题。近年来，故障预测与健康管理(PrognosticandHealthManagement,PHM)系统在动车组领域被广泛研究与应用，现行PHM系统主要采用基于阈值或基于机理的研究方法进行动车组故障预测。基于阈值的动车组故障预测具有简单直观、易于理解、易于实现等优点，但当设备工作环境、负载、温度等因素发生变化时，监测参数可能出现不同程度的波动，而固定阈值可能无法很好地适应变化，并且该方法很难捕捉监测参数的潜在趋势和变化规律；基于机理的故障预测方法能够深入理解设备或系统的工作原理和故障机理，利用物理模型、数学模型等手段预测设备故障状态。由于动车组的工作原理和故障机理非常复杂，涉及多种因素的相互作用，并且对于不同类型的设备，需要针对不同机理进行调整和优化。因此，在研究中可结合数学模型、统计学方法、机器学习、数据挖掘、信号处理等技术手段，增强故障预测的准确性和可靠性。

国内外学者在故障预测领域已取得诸多成果。Zuo等针对我国标准动车组制动系统中关键气动单元的潜在泄漏故障，选择继电气阀作为研究对象，提出基于卡尔曼滤波、序贯概率比检验和支持向量机的多源信息融合方法进行故障预测，该方法虽然具有很强的故障预测识别能力，但只适用于体量较小的数据样本；Gao等利用基于贝叶斯理论的数据驱动方法预测轴承的剩余使用寿命，该方法严重依赖训练数

据的质量和数量，若训练数据不足或代表性差，其模型可能无法很好地推广至新的轴承，泛化能力相对较差；Xu等针对高速列车轮对轴承提出一种新的剩余使用寿命预测模型，通过连续监测，将轴承状态分为5个等级，以确定轴承能否安全使用到下一次检修，而不是直接预测剩余使用寿命，该方法采用3D激光扫描技术对测试轴承的损伤状态进行量化，成本相对较高，实用价值较低。

针对动车组故障预测研究现状，将数字孪生技术引入动车组故障预测领域，以北京航空航天大学陶飞教授的数字孪生五维模型为基础，结合实际数据，构建动车组数字孪生五维模型，以期通过该模型提升对动车组故障的全面分析和预测能力。数字孪生技术的应用，不仅可以优化维护策略，还能有效规避不必要的维护和检修，从而在一定程度上节约维修成本。同时，将数字孪生技术引入现行动车组PHM系统，也具有一定的实际应用价值。

1需求分析

故障预测指根据系统现在或历史状态，预测性地诊断部件或系统完成其功能的状态，包括确定部件或系统的剩余寿命，以及正常工作的时间长度。故障预测对设备运维保养具有重要的指导意义。

1.1故障预测需求

动车组故障预测分析旨在通过监测、分析动车组各部件的运行状态，提前识别潜在故障，从而实现预测性维护，减少故障突发风险，提高动车组的运行效率和安全性。

轴箱轴承是动车组的关键部件之一，负责承载列车重量并允许轮对在轨道上顺畅滚动，其健康状况直接影响列车运行安全。进行轴箱轴承故障预测，可在轴承发生严重故障前及时进行维护或更换，避免因轴承故障导致列车延误或事故。以中国铁路上海局集团有限公司 (简称上海局集团公司)轴箱轴承的故障率、报废率为例，根据上海局集团公司动车段反馈数据，2016年1月—2018年12月，轴箱轴承保有量分别为40000、39488、44224套，故障报废数量分别为64、

43、63套，整体报废率分别为0.16%、0.11%和0.14%。

因此，实现动车组故障预测对于维护铁路运输的高效与安全至关重要。为实现该目标，不仅需要加强相关技术和算法的研究，还应建立完善的动车组故障预测体系。

1.2常见故障

目前，针对动车组的故障预测研究主要集中在动车组的机械系统与电气系统。常见机械系统故障包括：

(1)牵引系统故障：牵引电机、传动系统等故障，导致列车无法正常运行。

(2)制动系统故障：制动盘、制动片、制动控制系统等故障，影响列车制动效果。

(3)轮对、轴承故障：轮对、轴承出现问题，可能导致列车不稳定或无法正常行驶。

常见电气系统故障包括：

(1)供电系统故障：接触网受电弓磨损、接触线断裂、蓄电池性能下降等，影响列车供电。

(2)控制系统故障：列车控制系统、道岔转辙机、信号系统等故障，导致列车无法控制或通信。

以某铁路局集团公司动车组关键部件或系统故障数据为例，常见故障占比见图1,主要涉及的故障部件或系统包括转向架、齿轮箱、牵引电机、轴箱轴承、受电弓、制动系统。

制动系统

制动系统

10%

11%转向架

35%

轴箱轴承13%

牵引电机

13%