CN105809251B - 一种多属性融合的动车组系统关键部件辨识方法 - Google Patents

一种多属性融合的动车组系统关键部件辨识方法 Download PDF

Info

Publication number
CN105809251B
CN105809251B CN201610114942.1A CN201610114942A CN105809251B CN 105809251 B CN105809251 B CN 105809251B CN 201610114942 A CN201610114942 A CN 201610114942A CN 105809251 B CN105809251 B CN 105809251B
Authority
CN
China
Prior art keywords
attribute
emus
msub
node
topological
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610114942.1A
Other languages
English (en)
Other versions
CN105809251A (zh
Inventor
林帅
秦勇
贾利民
王艳辉
郑津楚
李宛瞳
张志龙
李恒奎
邓小军
李鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN201610114942.1A priority Critical patent/CN105809251B/zh
Publication of CN105809251A publication Critical patent/CN105809251A/zh
Application granted granted Critical
Publication of CN105809251B publication Critical patent/CN105809251B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于动车组系统可靠性领域，尤其是涉及一种多属性融合的动车组系统关键部件辨识方法。其特征在于，首先依次计算系统中各部件的可靠性属性Ri，包括部件i的故障概率μi、故障前平均行驶里程Mi、可靠度ri以及各部件的拓扑属性Ti，包括节点的度ki、介数bi、紧密度ci；构建动车组系统部件属性结构模型，所述模型的第一层为决策属性，Ri和Ti构成第二层，μi、Mi、ri、ki、bi及ci构成第三层，计算各部件的属性和属性集的权重；对各属性进行Choquet积分，得到各部件的重要度ai；对ai大小排序，辨识动车组系统中的关键部件。本发明有效的结合动车组系统的可靠性属性以及拓扑结构属性，对系统中的关键部件进行辨识，解决了以往动车组系统关键部件辨识方法中对结构影响程度考虑不足的缺陷。

Description

一种多属性融合的动车组系统关键部件辨识方法
技术领域
本发明属于动车组系统可靠性领域，尤其是涉及一种多属性融合的动车组系统关键部件辨识方法。
背景技术
动车组系统是极端服役条件下的具有先进功能的复杂机电系统。近年来，一方面我国动车组上线运行数量日益增多，另一方面，国内在动车组可靠性与安全性研究方面也面临着前期经验匮乏的客观事实。辨识动车组系统的关键部件，一方面可以优化动车组车辆的结构设计，从源头提高系统的可靠性，另一方面还可以为车辆的修程修制优化提供支撑，从而实现列车安全、可靠、高速运行。
目前，关于动车组系统关键部件辨识方法有很多种，例如系统可靠性理论中的Birnbaum重要性，Fussell-Vesely重要性，中心重要性，风险业绩值，风险降低值等，但是这些指标的前提条件是系统中部件相互独立；网络理论中的节点度、介数、PageRank等，这些指标或算法仅考虑了系统中部件的拓扑结构重要性，并未考虑部件自身的属性。因此，为了保证动车组高速安全可靠性运行，急需一种综合考虑部件自身属性和结构属性的动车组系统关键部件辨识方法。
发明内容
为了解决上述问题，本发明提出了一种多属性融合的动车组系统关键部件辨识方法，其特征在于，包括以下步骤：
步骤(1)依据动车组系统故障数据，依次计算系统中各部件的可靠性属性Ri，包括部件i的故障概率μi、故障前平均行驶里程Mi、可靠度ri；
步骤(2)以动车组系统中的部件为节点，构建动车组系统全局拓扑网络模型，计算各节点的拓扑属性Ti，包括节点的度ki、节点的介数bi、节点的紧密度ci；
步骤(3)对部件的可靠性属性Ri和拓扑属性Ti的取值进行归一化处理，其中部件的可靠性属性和拓扑属性共同构成了动车组系统部件i的属性集Ci＝{μi,Mi,ri,ki,bi,ci}；
步骤(4)构建动车组系统部件属性结构模型，所述模型的第一层为决策属性，可靠性属性Ri和拓扑属性Ti构成第二层，部件i的属性集即部件的故障概率μi、故障前平均行驶里程Mi、可靠度ri、节点的度ki、介数bi以及紧密度ci构成第三层，利用Marichal熵依次计算各部件的属性和属性集的权重；
步骤(5)根据建立的动车组系统部件属性结构模型，由第三层向上对各层进行Choquet积分，得到部件i的重要度Ii；
步骤(6)对部件的重要度Ii进行大小排序，辨识动车组系统中的关键部件。
所述的步骤(1)中部件i的故障概率μi为累计故障次数除以行走里程；故障前平均行驶里程其中，l为当前行驶距离，f(l)指的是直到下次故障前经过行驶里程的概率密度，L为行驶总里程；部件的可靠度ri利用Isograph软件拟合得到。
所述的步骤(2)的具体过程为，以动车组系统中的部件为节点，部件间的机械、电气、信息作用关系为边，分别构建系统机械拓扑网络模型Gm(Em,Vm)、电气拓扑网络模型Ge(Ee,Ve)和信息拓扑网络模型Gi(Ei,Vi)，其中，Em为机械拓扑网络模型的边集，Vm为机械拓扑网络模型的节点集合，Ee为电气拓扑网络模型的边集，Ve为电气拓扑网络模型的节点集合，Ei为信息拓扑网络模型的边集，Vi为信息拓扑网络模型的节点集合；将上述三种拓扑网络模型利用逻辑加进行融合，构建动车组系统全局拓扑网络模型，即
基于上述动车组系统全局拓扑网络模型，利用网络理论和图论，分别计算各节点即部件的度介数紧密度其中xij表示节点vi和vj之间存在的作用关系；dij为节点vi和vj之间的距离长度；gjk为任意节点vk和vj之的最短路径数目；gjk(i)表示经过节点vi的最短路径数目，N为网络中节点的数量。
所述的步骤(5)中对部件i的可靠性属性Ri＝{μi,Mi,ri}和拓扑属性Ti＝{ki,bi,ci}分别进行Choquet积分，得到部件i的可靠性属性的评价值和拓扑属性的评价值针对部件i的和再次进行Choquet积分，得到部件i的重要度Ii。
有益效果
本发明从动车组系统的部件自身属性(例如可靠性属性)和动车组拓扑结构角度出发，利用模糊测度和模糊积分将系统中部件的可靠性属性与拓扑属性相融合，进而评价系统中的关键部件。融合后的评价值比目前常用的评价指标能够更好的辨识系统中的关键部件。
附图说明
图1本发明方法的流程图；
图2动车组转向架系统全局拓扑网络模型示意图；
图3动车组系统部件属性结构模型示意图。
具体实施方式
下面结合附图，对本发明作详细说明。图3为本发明提出的一种多属性融合的动车组系统关键部件辨识方法的流程图。本实施例的方法实现具体包括以下步骤：
S01：动车组转向架系统的35个部件明细如表1所示。
表1转向架系统部件
编号 部件名称 编号 部件名称 编号 部件名称
1 构架总成 13 联轴节 25 主风管及电磁阀
2 制动夹钳 14 齿轮箱总成 26 速度传感器1
3 闸片 15 接地装置 27 速度传感器2
4 轮装制动盘 16 牵引电机 28 速度传感器3LKJ2000
5 增压缸 17 高度调整装置 29 踏面清扫装置
6 弹簧总成 18 抗蛇形减震器 30 加速传感器
7 轴箱体 19 空气弹簧 31 接线盒
8 一级垂向减震器 20 中心牵引销 32 齿轮箱轴承温度传感器
9 轴承 21 牵引拉杆 33 轴温传感器
10 车轮 22 横向减震器 34 速度传感器4AG37
11 车轴 23 横向止档 35 速度传感器5AG43
12 二级垂向减震器 24 抗侧滚扭杆
依据动车组系统故障数据，依次计算系统中各部件的可靠性属性Ri，包括部件i的故障概率μi、故障前平均行驶里程Mi、可靠度ri，结果如表2所示。
表2部件的可靠性属性
编号 μi Mi ri 编号 μi Mi ri
1 0.0051 264.2008 0.9944 11 0.0082 179.8206 0.9941
2 0.0097 138.4866 0.9962 12 0.0668 184.3798 0.9921
3 0.0088 76.9231 0.9884 13 0.0096 194.7356 0.9919
4 0.0061 221.9986 0.9854 14 0.0089 220.6940 0.9899
5 0.0076 208.8434 0.9851 15 0.0070 276.0045 0.9946
6 0.0067 193.3480 0.991 16 0.0110 166.0400 0.9892
7 0.0096 183.8813 0.9936 17 0.0094 142.9044 0.9794
8 0.0073 194.9302 0.9892 18 0.0082 242.6595 0.9663
9 0.0095 175.4103 0.9867 19 0.0067 246.8386 0.9922
10 0.0101 188.1694 0.9745 20 0.0069 284.7756 0.9907
... ... ... ... ... ... ... ...
S02：构建如图2所示的动车组转向架系统全局拓扑网络模型，计算各节点的拓扑属性ki、bi、ci，结果如表3所示。
表3节点的拓扑属性
编号 ki bi ci 编号 ki bi ci
1 21 0.0579 0.011 11 3 0.0071 0.0071
2 3 0.0080 0.167 12 1 0 0
3 2 0.0062 0 13 2 0.0027 0.0027
4 2 0.0027 0 14 6 0.0214 0.0214
5 2 0 0.5 15 2 0.0027 0.0027
6 3 0.0013 0.167 16 4 0 0
7 8 0.0232 0.036 17 1 0 0
8 2 0 0.5 18 1 0 0
9 3 0.0018 0.167 19 1 0 0
10 5 0 0.05 20 3 0.0294 0.0294
... ... ... ... ... ... ... ...
S03：对部件的可靠性属性Ri和拓扑属性Ti的取值进行归一化处理，其中部件的可靠性属性和拓扑属性共同构成了动车组系统部件的属性集Ci＝{μi,Mi,ri,ki,bi,ci,…}。
S04：构建如图3所示动车组系统部件属性结构模型，所述模型的第一层为决策属性，决策属性包括的可靠性属性Ri和拓扑属性Ti构成第二层，可靠性属性Ri中的部件的故障概率μi、故障前平均行驶里程Mi、可靠度ri和拓扑属性Ti中的节点的度ki、介数bi、紧密度ci构成第三层，计算各部件的属性和属性集的权重；决策属性的Shapley值如表4所示；属性和属性集的模糊测度如表5所示；
利用Marichal熵，依次计算部件i的属性和属性集的权重，当i取不同值时，下面的式子能够依次求解各部件的属性集。该式子是最优化问题，因此可用matlab直接求解。
其中，|Ci|为属性集Ci的势，gλ为λ模糊测度；Sp为部件p的属性集Cp＝{μp,Mp,rp,kp,bp,cp,…}中各属性的Shapley值，利用模糊综合评判法确定第三层中μp的Shapley值Sμ、Mp的Shapley值SM、rp的Shapley值Sr、kp的Shapley值Sk、bp的Shapley值Sb以及cp的Shapley值Sc，P(Ci)为部件p属性集Ci的幂集，ap为P(Ci)的子集。
表4决策属性的Shapley值
C R T μi Mi ri ki bi ci
S 0.539 0.360 0.101 0.534 0.404 0.489 0.299 0.103
表5属性和属性集的模糊测度
S05：对部件i的可靠性属性Ri＝{μi,Mi,ri}和拓扑属性Ti＝{ki,bi,ci}分别进行Choquet积分，得到部件i的可靠性属性的评价值和拓扑属性的评价值针对部件i的和再次进行Choquet积分，得到部件i的重要度Ii。，如表6所示。
Choquet积分的表达式为：((C)、f、gλ、a(i)、n未定义)其中gλ(C(i))为部件i的各属性的λ模糊测度。
表6转向架系统关键部件辨识
S06：对部件的重要程度ai排序，辨识转向架系统中的关键部件。

Claims (4)

1.一种多属性融合的动车组系统关键部件辨识方法，其特征在于，包括以下步骤：
步骤(1)依据动车组系统故障数据，依次计算系统中各部件的可靠性属性Ri，包括部件i的故障概率μi、故障前平均行驶里程Mi、可靠度ri；
步骤(2)以动车组系统中的部件为节点，构建动车组系统全局拓扑网络模型，计算各节点的拓扑属性Ti，包括节点的度ki、节点的介数bi、节点的紧密度ci；
步骤(3)对部件的可靠性属性Ri和拓扑属性Ti的取值进行归一化处理，其中部件的可靠性属性和拓扑属性共同构成了动车组系统部件i的属性集Ci＝{μi,Mi,ri,ki,bi,ci；}
步骤(4)构建动车组系统部件属性结构模型，所述模型的第一层为决策属性，可靠性属性Ri和拓扑属性Ti构成第二层，部件i的属性集即部件的故障概率μi、故障前平均行驶里程Mi、可靠度ri、节点的度ki、介数bi以及紧密度ci构成第三层，利用Marichal熵依次计算各部件的属性和属性集的权重；
步骤(5)根据建立的动车组系统部件属性结构模型，由第三层向上对各层进行Choquet积分，得到部件i的重要度Ii；
步骤(6)对部件的重要度Ii进行大小排序，辨识动车组系统中的关键部件。
2.根据权利要求1所述的一种多属性融合的动车组系统关键部件辨识方法，其特征在于，所述的步骤(1)中部件i的故障概率μi为累计故障次数除以行走里程；故障前平均行驶里程其中，l为当前行驶距离，f(l)指的是直到下次故障前经过行驶里程的概率密度，L为行驶总里程；部件的可靠度ri利用Isograph软件拟合得到。
3.根据权利要求1所述的一种多属性融合的动车组系统关键部件辨识方法，其特征在于，所述的步骤(2)的具体过程为，以动车组系统中的部件为节点，部件间的机械、电气、信息作用关系为边，分别构建系统机械拓扑网络模型Gm(Em,Vm)、电气拓扑网络模型Ge(Ee,Ve)和信息拓扑网络模型Gi(Ei,Vi)，其中，Em为机械拓扑网络模型的边集，Vm为机械拓扑网络模型的节点集合，Ee为电气拓扑网络模型的边集，Ve为电气拓扑网络模型的节点集合，Ei为信息拓扑网络模型的边集，Vi为信息拓扑网络模型的节点集合；将系统机械拓扑网络模型Gm(Em,Vm)、电气拓扑网络模型Ge(Ee,Ve)和信息拓扑网络模型Gi(Ei,Vi)利用逻辑加进行融合，构建动车组系统全局拓扑网络模型，即
<mrow> <mi>G</mi> <mrow> <mo>(</mo> <mi>E</mi> <mo>,</mo> <mi>V</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>G</mi> <mi>m</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>E</mi> <mi>m</mi> </msub> <mo>,</mo> <msub> <mi>V</mi> <mi>m</mi> </msub> <mo>)</mo> </mrow> <mo>&amp;CirclePlus;</mo> <msub> <mi>G</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>E</mi> <mi>i</mi> </msub> <mo>,</mo> <mi>V</mi> <mo>)</mo> </mrow> <mo>&amp;CirclePlus;</mo> <msub> <mi>G</mi> <mi>e</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>E</mi> <mi>e</mi> </msub> <mo>,</mo> <msub> <mi>V</mi> <mi>e</mi> </msub> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
基于上述动车组系统全局拓扑网络模型，利用网络理论和图论，分别计算各节点即部件的度介数紧密度其中xij表示节点vi和vj之间存在的作用关系；dij为节点vi和vj之间的距离长度；gjk为任意节点vk和vj之的最短路径数目；gjk(i)表示经过节点vi的最短路径数目，N为网络中节点的数量。
4.根据权利要求1所述的一种多属性融合的动车组系统关键部件辨识方法，其特征在于，所述的步骤(5)中对部件i的可靠性属性Ri＝{μi,Mi,ri}和拓扑属性Ti＝{ki,bi,ci}分别进行Choquet积分，得到部件i的可靠性属性的评价值和拓扑属性的评价值针对部件i的和再次进行Choquet积分，得到部件i的重要度Ii。
CN201610114942.1A 2016-03-01 2016-03-01 一种多属性融合的动车组系统关键部件辨识方法 Active CN105809251B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610114942.1A CN105809251B (zh) 2016-03-01 2016-03-01 一种多属性融合的动车组系统关键部件辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610114942.1A CN105809251B (zh) 2016-03-01 2016-03-01 一种多属性融合的动车组系统关键部件辨识方法

Publications (2)

Publication Number Publication Date
CN105809251A CN105809251A (zh) 2016-07-27
CN105809251B true CN105809251B (zh) 2018-01-30

Family

ID=56466316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610114942.1A Active CN105809251B (zh) 2016-03-01 2016-03-01 一种多属性融合的动车组系统关键部件辨识方法

Country Status (1)

Country Link
CN (1) CN105809251B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107967545B (zh) * 2016-10-19 2022-05-17 中国辐射防护研究院 概率安全评价中子系统部件的Birnbaum重要度和结构重要度计算方法
CN108563863B (zh) * 2018-04-11 2021-03-30 北京交通大学 城市轨道交通系统的能耗计算与调度方法
CN110555223A (zh) * 2018-06-04 2019-12-10 北京交通大学 一种基于渗流理论的高速列车系统可靠性评估方法
CN109443789B (zh) * 2018-09-30 2021-02-19 北京新联铁集团股份有限公司 机车车辆健康的处理方法和处理系统
CN109543960A (zh) * 2018-11-02 2019-03-29 北京电子工程总体研究所 一种复杂大系统的可靠性关键产品分析方法和系统
CN109544011B (zh) * 2018-11-26 2022-02-01 北京交通大学 基于内外协变量的高速列车系统可靠性评估方法
CN110209857B (zh) * 2019-05-23 2022-04-22 厦门市美亚柏科信息股份有限公司 基于神经网络结构搜索的车辆多属性识别方法、装置、介质
CN112365480B (zh) * 2020-11-13 2021-07-16 哈尔滨市科佳通用机电股份有限公司 制动夹钳装置闸片丢失故障识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103348230A (zh) * 2011-02-16 2013-10-09 罗伯特·博世有限公司 用于识别、诊断、维护和修理车辆的系统和方法
CN203534527U (zh) * 2013-09-30 2014-04-09 苏州华兴致远电子科技有限公司 列车零部件尺寸信息检测系统
CN104392071A (zh) * 2014-12-12 2015-03-04 北京交通大学 一种基于复杂网络的高速列车系统安全评估方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103348230A (zh) * 2011-02-16 2013-10-09 罗伯特·博世有限公司 用于识别、诊断、维护和修理车辆的系统和方法
CN203534527U (zh) * 2013-09-30 2014-04-09 苏州华兴致远电子科技有限公司 列车零部件尺寸信息检测系统
CN104392071A (zh) * 2014-12-12 2015-03-04 北京交通大学 一种基于复杂网络的高速列车系统安全评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《基于专家系统的飞机致命性部件辨识方法研究》;裴扬等;《现代防御技术》;20041231;第32卷(第6期);第20-25页 *

Also Published As

Publication number Publication date
CN105809251A (zh) 2016-07-27

Similar Documents

Publication Publication Date Title
CN105809251B (zh) 一种多属性融合的动车组系统关键部件辨识方法
Ye et al. Fault diagnosis of high-speed train suspension systems using multiscale permutation entropy and linear local tangent space alignment
CN105857312B (zh) 一种高速公路重型卡车速度行驶优化方法
CN109214554A (zh) 一种不落轮工况下的铁道车辆轮对整车镟修策略决策算法
CN109918793A (zh) 一种转向架悬挂参数快速优化方法
CN112734256A (zh) 轨道交通车辆智能运维系统
CN107067493A (zh) 判定共享车辆性能的方法、系统、客户端及共享车辆
CN108830488A (zh) 一种道路区域危险度评估方法
CN105575120B (zh) 面向道路实时速度计算的浮动车数据停车行为模式清洗方法
Wang et al. A hybrid energy management strategy based on line prediction and condition analysis for the hybrid energy storage system of tram
Hamid et al. Investigation into train positioning systems for saving energy with optimised train trajectories
CN114047765B (zh) 一种面向虚拟编组的多列车自适应巡航控制方法和系统
Hutyria et al. Evolution of trolley-bus: Directions, indicators, trends
Gao et al. High-speed Rail: An Analysis of the Chinese Innovation System
Shen et al. Numerical energy analysis of in-wheel motor driven autonomous electric vehicles
Carballeira et al. Technical characteristics and dynamic modelling of Talgo trains
Yildiz et al. Validation of The Single Train Simulation Model With a Real-World Case Study
CN102167060B (zh) 一种红外线独立探点轴温探测跟踪方法
CN103674586B (zh) 针对列车行走系统的隐患和故障特征提取方法
Liu et al. Optimal road grade design based on stochastic speed trajectories for minimising transportation energy consumption
Sethuraman et al. Impact assessment of autonomous electric vehicles in public transportation system
Beckers Energy Consumption Prediction for Electric City Buses: Using Physics-Based Principles
JP7295143B2 (ja) 移動状況ネットワーク情報生成システム、移動状況ネットワーク情報生成装置及び移動状況ネットワーク情報生成方法
Jha et al. Modeling and validation of gatimaan express with matlab/simulink
Zhang et al. Study on the comfort of high-speed train drivers in a windy environment

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant