一种城轨列车转向架的故障预测与视情维修方法

摘要

本发明提供一种城轨列车转向架的故障预测与视情维修方法，采用基于生存分析的方法确定转向架的构架、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，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计算。最后，将转向架各子系统的故障率和安全运营天数作为协变量进行比例风险模型建模，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。

主权项

一种城轨列车转向架的故障预测与视情维修方法，所述转向架包括构架、弹簧装置、连接装置、轮对和轴箱、驱动机构、基础制动装置六个子系统，其特征在于，该方法依次包括如下步骤：(1)根据采集的历史故障数据进行删失处理，基于生存分析的方法确定转向架各子系统的分布模型，并得出各子系统的可靠性特征函数，计算出各子系统的可靠度，将各子系统中可靠度最低的子系统确定为转向架最薄弱环节；(2)采用进化算法优化的神经网络模型计算转向架各子系统的故障率；(3)将转向架各子系统的安全运营天数和计算得到的故障率作为协变量进行比例风险模型建模，得出转向架系统视情维修的阈值和控制限，控制限上限是失效阈值,在运行过程中，一旦发现系统状态值超过上限，则系统此时为不可用状态，按规定必须进行修复性修理或更换后才重新投入使用；控制限下限是预防性维修或更换阈值，代表系统的潜在故障开始出现，如果系统的状态值超过了下限，应对部件作相应的排故或预防性维修工作，如果系统的状态值低于下限，则不用考虑维修；其中，步骤(1)包括如下步骤：1)建立轮对和轴箱、弹簧装置、连接装置两参数威布尔分布模型，故障分布函数为：$F\left(t\right)=1-\exp \{-{\left[\frac{t}{\eta }\right]}^{\beta }\}$可靠度函数为：$R\left(t\right)=\exp \{-{\left(\frac{t}{\eta }\right)}^{\beta }\}$概率密度函数为：$f\left(t\right)=\frac{\beta }{\eta }{\left(\frac{t}{\eta }\right)}^{\beta -1}\exp [-{\left(\frac{t}{\eta }\right)}^{\beta }]$失效率函数为：$\lambda \left(t\right)=\frac{\beta }{\eta }{\left(\frac{t}{\eta }\right)}^{\beta -1}$其中，t≥0，β＞0且η＞0，t为故障间隔时间，β和η分别是分布的形状参数和尺度参数；2)建立构架、驱动机构、基础制动装置三参数威布尔分布模型，故障分布函数为：$F\left(t\right)=1-\exp \{-{\left[\frac{t-\gamma }{\eta }\right]}^{\beta }\}$可靠度函数为：$R\left(t\right)=\exp \{-{\left(\frac{t-\gamma }{\eta }\right)}^{\beta }\}$其概率密度函数为：$f\left(t\right)=\frac{\beta }{\eta }{\left(\frac{t-\gamma }{\eta }\right)}^{\beta -1}\exp [-{\left(\frac{t-\gamma }{\eta }\right)}^{\beta }]$失效率函数为：$\lambda \left(t\right)=\frac{\beta }{\eta }{\left(\frac{t-\gamma }{\eta }\right)}^{\beta -1}$其中，t为故障间隔时间，β＞0且η＞0，β和η分别是分布的形状参数和尺度参数,γ是分布的位置参数；步骤(2)包括如下步骤：建立的基于PSO的BP神经网络模型，采用PSO优化BP神经网络连接权值，并对BP神经网络进行训练，在建模过程中，确定PSO的参数，设置如下：1)选取粒子数目为30；2)粒子最大速率选取为0.5；3)粒子根据如下的公式来更新自己的速度和位置，$v_i^{k+1}=w*v_i^k+c_1{r}_1(p_i^k-x_i^k)+c_2{r}_2(p_g^k-x_i^k)$$x_i^{k+1}=x_i^k+v_i^{k+1}$式中，表示第i个粒子在第k+1代时的飞行速度；表示第i个粒子在第k+1代时的位置；表示第i个粒子到第k代的最优位置；表示种群到第k代的最优位置；为个体认知；为种群认知；w为惯性权重；是粒子的速度；c₁和c₂为学习因子；r₁和r₂为均匀分布在[0,1]内的随机数；i＝1,2…N；4)适应度函数为f＝1/RMSE；5)初始化，将输入输出数据归一化到[‑1,1]区间，初始化产生的粒子种群代表不同权重与阈值组合的神经网络，产生初始BP网络结构；6)评价，依据4)中公式计算其适应度；7)更新位置和速度，通过比较适应度不断更新粒子的位置，适应度最优的个体极值即为全局极值，对应的权值与阈值为粒子种群的当前最优解，更新速度；8)算法停止的判断，达到最大迭代次数或适应度达到期望误差，停止迭代；9)最优解的生存，迭代停止时，全局权值对应的权值与阈值为训练样本的最优解；10)将最优解带入BP神经网络模型中学习，用来对故障率进行预测。