CN107784398A - 一种基于数据管理的动车组高级修调试优先级优化方法 - Google Patents

一种基于数据管理的动车组高级修调试优先级优化方法 Download PDF

Info

Publication number
CN107784398A
CN107784398A CN201711098235.9A CN201711098235A CN107784398A CN 107784398 A CN107784398 A CN 107784398A CN 201711098235 A CN201711098235 A CN 201711098235A CN 107784398 A CN107784398 A CN 107784398A
Authority
CN
China
Prior art keywords
model
overhaul
maintenance
motor train
train unit
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.)
Granted
Application number
CN201711098235.9A
Other languages
English (en)
Other versions
CN107784398B (zh
Inventor
葛召华
徐飒
王群华
张华�
陈骏亚
张幼庆
张恩宇
董韬
刘少龙
邢豪
夏剑敏
何骥
宋腾飞
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.)
Shanghai EMU Depot of China Railway Shanghai Group Co Ltd
Original Assignee
Shanghai EMU Depot of China Railway Shanghai Group Co Ltd
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 Shanghai EMU Depot of China Railway Shanghai Group Co Ltd filed Critical Shanghai EMU Depot of China Railway Shanghai Group Co Ltd
Priority to CN201711098235.9A priority Critical patent/CN107784398B/zh
Publication of CN107784398A publication Critical patent/CN107784398A/zh
Application granted granted Critical
Publication of CN107784398B publication Critical patent/CN107784398B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于数据管理的动车组高级修调试优先级优化方法，包括依次建立检修优先级模型、故障概率模型、整车完好率模型、检修总成本模型、检修总时长模型以及最终建立的检修模型，依据检修模型结合需要检修的动车组的运行数据进行数据优化最终得到优化的建议检修方案。本发明的技术方案中能够提高动车组调试检修作业效率，具有较好的适用性，合理分配检修时长、检修成本和检修效果。

Description

一种基于数据管理的动车组高级修调试优先级优化方法
技术领域
本发明涉及动车组检修领域，尤其涉及一种基于数据管理的动车组高级修调试优先级优化方法。
背景技术
目前，随着我国高铁的不断建设和发展，动车组数量的不断增加，对于动车组维护压力越来越大。动车组的检修分为运用修和高级修两种，高级修用于恢复动车组的基本性能。调试作业贯穿整个高级修的作业全程，是发现并排除动车组存在性能问题的重要手段。
目前动车组调试作业流程主要依据原厂提供检修工艺流程。但是，由于动车组运行速度高、运营里程长、运行环境复杂，现有的固定工艺流程已不满足各高级修基地的需要。同时，现有的调试检修流程中，无法合理筛选不必要项目，造成了检修资源的浪费。因此，需要对现有的动车组调试流程进行优化，以提高检修效率。
发明内容
针对现有技术中在动车组检修领域中存在的上述问题，现提供一种基于数据管理的动车组高级修调试优先级优化方法。
具体技术方案如下：
一种基于数据管理的动车组高级修调试优先级优化方法，包括以下步骤：
步骤A1：获取动车组检修前的运行状态和运行时间，以及获取动车组检修时每个检修项目的优先级属性；
步骤A2：将所述运行状态、所述运行时间以及每个所述检修项目的所述优先级属性均输入至一预设设置的检修模型中，获取整体检修方案数据；
步骤A3：对所述整体检修方案数据进行数据优化，获取建议检修方案并输出，以提供给检修人员进行参考；
所述检修模型采用以下步骤建立：
步骤S1：获取所述动车组的所有部件的信息和各运行环境信息；
步骤S2：对每个所述部件的故障概率进行量化，建立故障概率模型；
步骤S3：根据所述故障概率模型，计算经过检修后的整车完好率模型；
步骤S4：根据所述故障概率模型，建立部件更换概率模型和部件维修概率模型；
步骤S5：根据部件更换概率模型和所述部件维修概率模型，建立检修总成本模型；
步骤S6：根据所述部件更换概率模型和部件维修概率模型，建立检修总时长模型；
步骤S7：根据所述检修总成本模型、所述检修总时长模型、所述整车完好率模型，得到所述检修模型。
优选的，所述优先级属性采用一数组参数{a,b}表示；
其中，
a表示对应的所述检修项目是否需要进行入库调试；
b表示对应的所述检修项目是否需要进行出库调试。
优选的，所述步骤S2中，所述故障概率模型包括：
检修前故障模型，用于计算检修前所述动车组的每个所述部件发生故障的概率；
检修后故障模型，用于计算检修后所述动车组的每个所述部件发生故障的概率；
库停期间故障模型，用于计算所述动车组的每个所述部件在检修后的库停期间发生故障的概率。
优选的，所述步骤S3中：根据所述故障概率模型和所述优先级参数，建立检修后的每个所述部件的完好率模型，进一步建立所述动车组在检修后的整车完好率模型。
优选的，所述步骤S4中，根据所述动车组的历史运行数据，获取每个所述部件故障更换状态参数、故障更换比例参数、所述动车组在不同运行环境下的平均等效部件更换概率；
根据所述动车组的平均等效运行时间，建立部件更换概率模型，进一步得到部件维修概率模型。
优选的，所述步骤S5中，将检修成本模型与复检成本模型加和得到所述检修总成本模型。
优选的，根据所述部件更换概率模型和每个所述部件进行更换的费用，得到每个所述部件在检修过程中在平均更换部件的成本；
根据所述部件修理概率模型和每个所述部件进行修理的费用，得到每个所述部件在检修过程中在平均修理部件的成本；
结合所述优先级参数得到每个所述部件的在检修过程中的成本模型，进一步得到所述检修成本模型。
优选的，根据历史检修数据得到的复检时再次发现故障的概率，得到检修过程未发现故障复检时发生故障的概率；
根据所述检修成本模型和复检考核金额，得到每个所述部件的复检考核与检修成本；
将每个所述部件的所述复检考核与检修成本加和得到所述复检成本模型。
优选的，所述步骤S6中，基于历史检修数据获取每个所述部件的进行修理的时间和进行更换的时间；
基于所述优先级参数、所述部件更换概率模型、部件维修概率模型，得到每个所述部件进行检修所需的平均时间；
将所述平均时间加和得到所述检修总时长模型。
优选的，所述步骤A2中，获取整体检修方案数据采用以下步骤：
遍历所述优先级参数，获取所述检修模型中每个所述优先级参数对应的检修总时长、检修总成本、整车完好率，得到整体检修方案数据；
所述步骤A3中，获取所述建议检修方案采用以下步骤：
步骤A31：根据节点时间的限定，对所述整体检修方案数据进行筛选，获取非支配解集；
步骤A32：对所述非支配解集进行Pareto前沿优化，得到前沿解集；
步骤A33：根据优先考虑的目标，从所述前沿解集中选取建议检修方案。
上述技术方案具有如下优点或有益效果：
采用上述检修模型可以为动车组调试作业流程提供数据参考，能够提高动车组调试检修作业效率，具有较好的的适用性，可以实现对检修流程的快速优化，合理分配检修时长、检修成本和检修效果。
附图说明
参考所附附图，以更加充分的描述本发明的实施例。然而，所附附图仅用于说明和阐述，并不构成对本发明范围的限制。
图1为本发明一种基于数据管理的动车组高级修调试优先级优化方法的实施例的流程图。
图2为本发明实施例中建立检修模型的流程图；
图3为本发明实施例中获取建议检修方案的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
本发明一种较佳的实施例中，根据图1和图2所示，一种基于数据管理的动车组高级修调试优先级优化方法，包括以下步骤：
步骤A1：获取动车组检修前的运行状态和运行时间，以及获取动车组检修时每个检修项目的优先级属性；
步骤A2：将运行状态、运行时间以及每个检修项目的优先级属性均输入至一预设设置的检修模型中，获取整体检修方案数据；
步骤A3：对整体检修方案数据进行数据优化，获取建议检修方案并输出，以提供给检修人员进行参考；
根据图2所示，检修模型采用以下步骤建立：
步骤S1：获取动车组的所有部件的信息和各运行环境信息；
步骤S2：对每个部件的故障概率进行量化，建立故障概率模型；
步骤S3：根据故障概率模型，计算经过检修后的整车完好率模型；
步骤S4：根据故障概率模型，建立部件更换概率模型和部件维修概率模型；
步骤S5：根据部件更换概率模型和部件维修概率模型，建立检修总成本模型；
步骤S6：根据部件更换概率模型和部件维修概率模型，建立检修总时长模型；
步骤S7：根据检修总成本模型、检修总时长模型、整车完好率模型，得到检修模型。
具体地，本实施例中，根据动车组的历史运行数据和部件信息和优先级参数，依次建立整车完好率模型、检修总成本模型、检修总时长模型，将上述的模型进行整合建立检修模型，检修模型为一多目标、多约束的数据模型。通过检修模型可以实现对检修优先级、检修完好率、检修成本、检修时长的多目标参数的管理。进一步的，基于对优先考虑目标对检修模型进行数据优化，得出建议检修方案。
本发明一种较佳的实施例中，其特征在于，在步骤S2中，优先级属性采用一数组参数{a,b}表示；
其中，
a表示对应的检修项目是否需要进行入库调试；
b表示对应的检修项目是否需要进行出库调试。
具体地，本实施例中，动车组高级修调试作业的部件检修项目为x项。优先级模型采用如下表所示的方案进行设定。
优先级 一级 二级 三级 四级
是否进行入库调试 是 是 否 否
是否进行出库调试 是 否 是 否
对于第n项部件检修项目，n为1至x的自然数，检修对象为动车组的n部件，每个检修项目对应一个动车组的部件。
对于第n项部件检修项目，进行入库调试为an，进行出库调试为bn。定义an和bn的数值分别满足：
本发明一种较佳的实施例中，步骤S2中，故障概率模型包括：
检修前故障模型，用于计算检修前动车组的每个部件发生故障的概率；
检修后故障模型，用于计算检修后动车组的每个部件发生故障的概率；
库停期间故障模型，用于计算动车组的每个部件在检修后的库停期间发生故障的概率。
具体地，本实施例中，检修前故障模型用于反映部件的老化失效状况、设备自身健康状态。检修前故障模型的表达式为：
其中，βn为n部件状态参数，ηn为n部件比例参数，Teq_n为n项部件平均等效运行时间，ψn为动车组主要部件平均等效故障概率。ηn与ψn通过对历史检修记录的样本进行极大似然估计获取。
部件检修后故障模型的表达式为：
其中，β'n为n部件检修后状态参数，η'n为n部件检修后比例参数，ψ'n为n部件检修后平均等效故障概率。η′n与ψ′n通过对历史检修记录的样本进行极大似然估计获取。
库停期间故障模型的表达式为：
其中，Δβ'n为n部件检修后库停期间状态参数，Δη′n为n部件检修后库停期间比例参数，Δψ′n为n部件检修后库停期间平均等效故障概率。Δη'n与Δψ'n通过对历史检修记录的样本进行极大似然估计获取。
本发明一种较佳的实施例中，步骤S3中：根据故障概率模型和优先级参数，建立检修后的每个部件的完好率模型，进一步建立动车组在检修后的整车完好率模型
具体地，本实施例中，对动车组的n部件，检修前故障概率为Riskn，部件检修后故障概率为Risk'n，库停期间故障概率为ΔRisk'n。
不进行入库检修与出库检修的情况下，n部件的完好率表达式为：PWn＝1-Riskn
进行入库检修后，n部件的完好率表达式为：PRn＝1-Risk'n
进行出库检修后，n部件的完好率表达式为：PCn＝1-Risk'n+ΔRisk'n
根据上述的完好率模型，对于不同优先级参数，n部件的完好率表达式为：
其中，Risk"n＝Risk'n-ΔRisk'n；Cn＝(1-an)×(1-bn)
将动车组的每个部件的完好率进行整合，得到检修后的整车完好率模型，整车完好率模型的表达式为：
本发明一种较佳的实施例中，步骤S4中，根据动车组的历史运行数据，获取每个部件故障更换状态参数、故障更换比例参数、动车组在不同运行环境下的平均等效部件更换概率；
根据动车组的平均等效运行时间，建立部件更换概率模型，进一步得到部件维修概率模型。
具体地，本实施例中，部件更换概率模型的表达式为：
其中，αn为n部件故障更换状态参数，φn为n部件故障更换比例参数，Teq_n为n部件平均等效运行时间，χ1,2,3n为动车组在不同运行环境下的平均等效部件更换概率，Z1,2,3为动车组运行环境恶劣情况分布，分别为正常天气环境、恶劣天气环境、在编天气环境。
根据已有的部件更换概率模型的表达式，可以进一步获取到部件维修概率模型的表达式为：LWn＝1-LGn
本发明一种较佳的实施例中，步骤S5中，将检修成本模型与复检成本模型加和得到检修总成本模型
动车组在高级修完成后要求零故障上限，因此计算检修总成本时，需要分别对检修成本和复检成本进行计算。
检修成本为检修过程中，对动车组的各组件进行修理和更换的费用；
复检成本为在复检过程中在，再次发现故障的惩罚费用和设备的检修费用。
本发明一种较佳的实施例中，根据部件更换概率模型和每个部件进行更换的费用，得到每个部件在检修过程中在平均更换部件的成本；
根据部件修理概率模型和每个部件进行修理的费用，得到每个部件在检修过程中在平均修理部件的成本；
结合优先级参数得到每个部件的在检修过程中的成本模型，进一步得到检修成本模型。
具体地，本实施例中，可获得其部件更换平均现金JGn为n部件进行更换的费用；JWn为n部件进行修理的费用。
在不同的优先级参数条件下，n部件在检修过程中的成本模型的表达式为：Jn＝ΔJn×(a+b)。其中，ΔJn＝JGn×LGn+JWn×LWn
进一步得到检修成本模型的表达式为：
本发明一种较佳的实施例中，根据历史检修数据得到的复检时再次发现故障的概率，得到检修过程未发现故障复检时发生故障的概率；
根据检修成本模型和复检考核金额，得到每个部件的复检考核与检修成本；
将每个部件的复检考核与检修成本加和得到复检成本模型。
具体地，本实施例中，在动车组检修流程中，复检过程中发现未排除故障，基于管理规定需进行相应惩罚并将复检时发现的组件的故障进行排除。
对于n部件，检修过程未发现故障复检时发生故障的概率的表达式为：PWn＝PFn×(1-Pn)
其中，PFn为复检发现未排除故障概率、考核金额为JFn
进一步，结合对复检时发现的组件的故障进行检修的成本，可以得到，对于n部件，复检考核与检修成本的表达式为：JFn＝PWn×(JFn+Jn)
将每个部件的复检考核与检修成本加和，得到复检成本模型的表达式为：
根据上述的复检成本模型和检修成本模型，最终得到检修总成本模型的表达式：J＝JX+JF
本发明一种较佳的实施例中，步骤S6中，基于历史检修数据获取每个部件的进行修理的时间和进行更换的时间；
基于优先级参数、部件更换概率模型、部件维修概率模型，得到每个部件进行检修所需的平均时间；
将平均时间加和得到检修总时长模型。
具体地，本实施例中，n部件基于不同的优先级参数进行检修所需的平均时间的表达式为：Tn＝ΔTn×(a+b)。
其中，ΔTn＝TGn×LGn+TWn×LWn；
其中，n部件进行更换的时间TGn，n部件进行修理的时间为TWn。
根据上述表达式，最终得到检修总时长模型的表达式：
本发明一种较佳的实施例中，根据图3所示，步骤A2中，获取整体检修方案数据采用以下步骤：
遍历优先级参数，获取检修模型中每个优先级参数对应的检修总时长、检修总成本、整车完好率，得到整体检修方案数据；
步骤A3中，获取建议检修方案采用以下步骤：
步骤A31：根据节点时间的限定，对整体检修方案数据进行筛选，获取非支配解集；
步骤A32：对非支配解集进行Pareto前沿优化，得到前沿解集；
步骤A33：根据优先考虑的目标，从前沿解集中选取建议检修方案。
具体地，本实施例中，检修模型的表达式为：
基于优先级参数遍历所有an和bn，分别计算不同取值状态下的P，J，T。利用优化算法求解非支配解集，节点时间的限定为：T∈[0,Tmax]。其中，Tmax为规定的节点时间上限。
得到非支配结集：
Y:[P(a1(m),a2(m),a3(m),…,an(m),b1(m),b2(m),b3(m),…,bn(m))，J(a1(m),a2(m),a3(m),…,an(m),b1(m),b2(m),b3(m),…,bn(m))]。
上述的Pareto前沿优化(帕累托前沿优化)是指在整个优化范围内进行遍历对比，基于判别的两个目标fi(xm)与fi(xm)，对搜索范围集合内所有解两两对比筛选，若出现两个解存在：fi(x1)≥fi(x2)且fj(x1)≤fj(x2)，则从集合Y中删去元素x1。经过遍历对比后，直到集合Y内所有元素均满足：fi(x1)≤fi(x2)且fj(x1)≤fj(x2)，则生成的集合Z即为最终获得的前沿解集。
本实施例中，在对非支配结集Y采用上述Pareto前沿优化得到前沿解集：
Z:[P(a1(m),a2(m),a3(m),…,an(m),b1(m),b2(m),b3(m),…,bn(m))，J(a1(m),a2(m),a3(m),…,an(m),b1(m),b2(m),b3(m),…,bn(m))]。
前沿解集Z的元素满足：
P(a1(1),a2(1),a3(1),…,an(1),b1(1),b2(1),b3(1),…,bn(1))≥P(a1(2),a2(2),a3(2),…,an(2),b1(2),b2(2),b3(2),…,bn(2))，同时，
J(a1(1),a2(1),a3(1),…,an(1),b1(1),b2(1),b3(1),…,bn(1))≥J(a1(1),a2(1),a3(1),…,an(1),b1(1),b2(1),b3(1),…,bn(1))。
优先考虑目标，可以采用保证成本前提下，尽量提高整车完好率，进一步，从前沿解集中选取建议检修方案。
本发明一种较佳的实施例中，CRH2型动车组进行检修，在CRH2动车组行走60万公里左右时或者运行1.5年左右时进行库内检修，对动车组的走行部进行更换同时对列车电气设备的状态、作用及性能进行更为全面的检测和整修。CRH2型动车组在调试库进行预检作业，接着转入检修库进行整列架车，拆除其转向架，拆下的转向架转入转向架库内进行分解，检修，组装，同时进行电气设备检修，接着安装转向架，后面再进入调试库进行出库调试、称重及尺寸测量、动态调试，最后交检交验。
调试作业由预检、出库调试、称重及尺寸测量、动态调试、交检交验五部分组成。上述过程的检修包括：入库阶段和出库阶段。现有的检修方案如下表所示：
调试分为电气调试与机械调试。电气调试包括应急灯、开关门、牵引指令、启动试验、过分相等共41项设备试验，机械调试包括汽笛、雨刮器、气压开关、轮径设定、制动实车等24项设备调试，总计65项设备调试项目。将其编为1-65项。下表为现有的检修作业具体情况：
n a b n a b n a b n a b n a b
1 1 1 14 0 1 27 0 1 40 0 1 53 1 1
2 1 1 15 1 0 28 0 1 41 0 1 54 0 1
3 0 1 16 1 1 29 0 1 42 0 1 55 0 1
4 0 1 17 1 1 30 1 0 43 1 0 56 1 1
5 1 0 18 0 1 31 0 0 44 1 0 57 0 1
6 1 0 19 1 1 32 1 1 45 0 1 58 1 0
7 0 1 20 1 1 33 0 1 46 1 0 59 0 1
8 1 1 21 1 0 34 1 1 47 1 1 60 0 1
9 0 0 22 0 1 35 0 1 48 1 0 61 0 1
10 1 0 23 1 0 36 0 1 49 1 1 62 1 0
11 1 0 24 1 0 37 0 1 50 1 1 63 1 1
12 1 0 25 1 1 38 0 1 51 1 0 64 1 0
13 0 0 26 0 1 39 1 0 52 0 1 65 1 0
n a b n a b n a b n a b n a b
1 1 1 14 0 1 27 0 0 40 0 1 53 1 1
2 1 1 15 0 0 28 0 0 41 0 0 54 0 1
3 0 1 16 1 1 29 0 1 42 0 1 55 0 1
4 0 1 17 1 1 30 1 0 43 0 0 56 1 1
5 1 0 18 0 0 31 0 0 44 0 0 57 0 1
6 1 0 19 1 1 32 1 1 45 0 0 58 1 0
7 0 0 20 1 1 33 0 1 46 1 0 59 0 0
8 1 1 21 1 0 34 1 1 47 1 1 60 0 1
9 0 0 22 0 1 35 0 1 48 1 0 61 0 1
10 1 0 23 1 0 36 0 1 49 1 1 62 1 0
11 0 0 24 1 0 37 0 1 50 1 1 63 1 1
12 1 0 25 1 1 38 0 1 51 1 0 64 0 0
13 0 0 26 0 1 39 0 0 52 0 1 65 1 0
根据下表所示，通过历史数据分析可得，对于不同部件的故障模型中，基本故障模型满足：
n βn ηn ψn n βn ηn ψn
1 1.396687 0.875654 0.052732 34 1.279761 1.112061 0.0411
2 1.451036 1.081834 0.061917 35 1.27042 0.983701 0.02775
3 1.343088 1.026111 0.022745 36 1.337065 1.026123 0.011987
4 1.338935 1.005512 0.050145 37 1.377583 1.013368 0.011986
5 1.364892 1.025428 0.041391 38 1.423669 0.909701 0.049059
6 1.253588 1.191704 0.052592 39 1.287491 1.095809 0.018999
7 1.39001 1.071373 0.039642 40 1.227761 0.923699 0.062975
8 1.270448 1.137085 0.065695 41 1.238298 1.027638 0.025856
9 1.218033 1.179222 0.067152 42 1.308505 1.112718 0.06364
10 1.446813 0.89452 0.058774 43 1.3407 0.958211 0.072501
11 1.229706 1.14704 0 44 1.360459 1.044733 0.046897
12 1.233587 1.191105 0.069767 45 1.43567 0.892766 0.050217
13 1.342135 0.917534 0.023141 46 1.391082 1.197118 0.031877
14 1.230495 0.988885 0.074258 47 1.280034 1.171067 0.024842
15 1.303391 0.907793 0.05575 48 1.434927 1.083321 0.074531
16 1.345401 1.182254 0.056152 49 1.394192 1.148941 0.005447
17 1.400353 1.172115 0.010834 50 1.304384 1.086498 0.02454
18 1.260019 1.025806 0.014547 51 1.315851 0.911002 0.055088
19 1.412696 1.201923 0.076426 52 1.311632 1.091241 0.046691
20 1.411044 0.928491 0.065689 53 1.308249 1.202507 0.040757
21 1.277514 0.95077 0.015705 54 1.388226 1.147044 0.055589
22 1.287258 1.136718 0.020995 55 1.260845 0.880657 0.006146
23 1.263238 0.894663 0.077262 56 1.334407 1.167829 0.036571
24 1.284463 1.018055 0.043514 57 1.39114 1.152346 0.05427
25 1.36039 1.026713 0.006826 58 1.215794 1.203355 0.032045
26 1.281449 1.132369 0.024867 59 1.226708 1.06964 0.029321
27 1.392311 1.075911 0.036248 60 1.435533 1.116616 0.069712
28 1.234145 1.103858 0.02257 61 1.451345 1.121753 0.001149
29 1.308888 0.907947 0.035105 62 1.357299 0.985867 0.027363
30 1.301599 1.059195 0.064088 63 1.336469 0.946212 0.039393
31 1.370837 1.115585 0.063036 64 1.428187 1.077264 0.076873
32 1.411968 0.967157 0.024028 65 1.374332 1.114812 0.055747
33 1.449541 0.951236 0.054951
经历史数据计算得到，动车组平均等效运行时间为1.5年，则动车组主要部件检修前故障概率如下表所示：
经历史数据计算得到，检修后故障概率如下表所示：
n Risk'n n Risk'n n Risk'n n Risk'n
1 0.006874 18 0.003303 35 0.006064 52 0.010409
2 0.016638 19 0.014736 36 0.002729 53 0.006503
3 0.006407 20 0.006344 37 0.002599 54 0.009087
4 0.014907 21 0.001237 38 0.012081 55 0.002019
5 0.006575 22 0.00157 39 0.001776 56 0.002814
6 0.003434 23 0.01716 40 0.010744 57 0.005441
7 0.011403 24 0.003507 41 0.006706 58 0.005156
8 0.010764 25 0.001718 42 0.013168 59 0.003192
9 0.013296 26 0.005777 43 0.01264 60 0.009415
10 0.014373 27 0.010319 44 0.01297 61 0.000304
11 0 28 0.00511 45 0.005338 62 0.005518
12 0.006789 29 0.006392 46 0.004511 63 0.005726
13 0.002597 30 0.006465 47 0.0025 64 0.011522
14 0.020116 31 0.008825 48 0.022728 65 0.01136
15 0.014987 32 0.002948 49 0.000561
16 0.006866 33 0.007373 50 0.005441
17 0.002092 34 0.003347 51 0.012659
经历史数据得到，动车组各部件检修后库停期间故障概率如下表所示：
对于动车组各车型主要部件故障更换概率计算，基于天气数据分析，Z1＝0.6192，Z2＝0.2712，Z3＝1096。
下表为动车组各部件更换、维修、惩罚成本：
下表为动车组各部件进行更换和维修所需时间：
节点时间限定为平均作业时间1.5D，即标准工时720分钟。
结合上述各表格的数据以及时间节点的限定得到非支配解集Y，非支配解集Y的所有元素均满足T≤720分钟。
对非支配解集Y进行Pareto前沿优化，得到前沿解集Z。
在保证成本前提下，尽量提高整车完好率，选择得到的检修方案，如下表所示：
n a b n a b n a b n a b n a b
1 1 1 14 0 1 27 0 1 40 0 1 53 1 1
2 1 1 15 1 0 28 0 1 41 0 1 54 0 1
3 0 1 16 1 0 29 0 0 42 0 1 55 0 1
4 0 0 17 0 1 30 1 0 43 1 0 56 1 1
5 1 0 18 0 1 31 0 0 44 1 0 57 0 1
6 1 0 19 1 1 32 1 1 45 0 1 58 1 0
7 0 1 20 1 0 33 0 1 46 1 0 59 0 1
8 1 1 21 1 0 34 1 0 47 1 0 60 0 1
9 0 0 22 1 0 35 0 1 48 1 0 61 0 1
10 1 0 23 1 0 36 0 1 49 1 1 62 1 0
11 0 0 24 1 0 37 0 1 50 0 1 63 1 1
12 1 0 25 1 1 38 1 0 51 1 0 64 1 0
13 0 0 26 0 1 39 1 0 52 0 1 65 1 0
其中，a和b优先级参数，n为部件序号。
最后检修人员根据实际情况对建议检修方案进行筛修改：对应4号项目、5号项目、11号项目、12号项目、29号项目、64号项目删除。1号项目、8号项目、13号项目、17号项目、19号项目、25号项目、49号项目、56号项目、57号项目、63号项目由入库和出库均进行修正为仅出库进行。2号项目、10号项目、20号项目、24号项目、32号项目、34号项目、39号项目、43号项目、44号项目、47号项目、51号项目由入库和出库均进行修正为仅入库进行。
获得如下表所示的优化方案：
以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (10)

1.一种基于数据管理的动车组高级修调试优先级优化方法，其特征在于，包括以下步骤：
步骤A1：获取动车组检修前的运行状态和运行时间，以及获取动车组检修时每个检修项目的优先级属性；
步骤A2：将所述运行状态、所述运行时间以及每个所述检修项目的所述优先级属性均输入至一预设设置的检修模型中，获取整体检修方案数据；
步骤A3：对所述整体检修方案数据进行数据优化，获取建议检修方案并输出，以提供给检修人员进行参考；
所述检修模型采用以下步骤建立：
步骤S1：获取所述动车组的所有部件的信息和各运行环境信息；
步骤S2：对每个所述部件的故障概率进行量化，建立故障概率模型；
步骤S3：根据所述故障概率模型，计算经过检修后的整车完好率模型；
步骤S4：根据所述故障概率模型，建立部件更换概率模型和部件维修概率模型；
步骤S5：根据部件更换概率模型和所述部件维修概率模型，建立检修总成本模型；
步骤S6：根据所述部件更换概率模型和部件维修概率模型，建立检修总时长模型；
步骤S7：根据所述检修总成本模型、所述检修总时长模型、所述整车完好率模型，得到所述检修模型。
2.根据权利要求1所述的基于数据管理的动车组高级修调试优先级优化方法，其特征在于，所述优先级属性采用一数组参数{a,b}表示；
其中，
a表示对应的所述检修项目是否需要进行入库调试；
b表示对应的所述检修项目是否需要进行出库调试。
3.根据权利要求1所述的基于数据管理的动车组高级修调试优先级优化方法，其特征在于，所述步骤S2中，所述故障概率模型包括：
检修前故障模型，用于计算检修前所述动车组的每个所述部件发生故障的概率；
检修后故障模型，用于计算检修后所述动车组的每个所述部件发生故障的概率；
库停期间故障模型，用于计算所述动车组的每个所述部件在检修后的库停期间发生故障的概率。
4.根据权利要求1所述的基于数据管理的动车组高级修调试优先级优化方法，其特征在于，所述步骤S3中：根据所述故障概率模型和所述优先级参数，建立检修后的每个所述部件的完好率模型，进一步建立所述动车组在检修后的整车完好率模型。
5.根据权利要求1所述的基于数据管理的动车组高级修调试优先级优化方法，其特征在于，所述步骤S4中，根据所述动车组的历史运行数据，获取每个所述部件故障更换状态参数、故障更换比例参数、所述动车组在不同运行环境下的平均等效部件更换概率；
根据所述动车组的平均等效运行时间，建立部件更换概率模型，进一步得到部件维修概率模型。
6.根据权利要求1所述的基于数据管理的动车组高级修调试优先级优化方法，其特征在于，所述步骤S5中，将检修成本模型与复检成本模型加和得到所述检修总成本模型。
7.根据权利要求6所述的基于数据管理的动车组高级修调试优先级优化方法，其特征在于，根据所述部件更换概率模型和每个所述部件进行更换的费用，得到每个所述部件在检修过程中在平均更换部件的成本；
根据所述部件修理概率模型和每个所述部件进行修理的费用，得到每个所述部件在检修过程中在平均修理部件的成本；
结合所述优先级参数得到每个所述部件的在检修过程中的成本模型，进一步得到所述检修成本模型。
8.根据权利要求7所述的基于数据管理的动车组高级修调试优先级优化方法，其特征在于，根据历史检修数据得到的复检时再次发现故障的概率，得到检修过程未发现故障复检时发生故障的概率；
根据所述检修成本模型和复检考核金额，得到每个所述部件的复检考核与检修成本；
将每个所述部件的所述复检考核与检修成本加和得到所述复检成本模型。
9.根据权利要求1所述的基于数据管理的动车组高级修调试优先级优化方法，其特征在于，所述步骤S6中，基于历史检修数据获取每个所述部件的进行修理的时间和进行更换的时间；
基于所述优先级参数、所述部件更换概率模型、部件维修概率模型，得到每个所述部件进行检修所需的平均时间；
将所述平均时间加和得到所述检修总时长模型。
10.根据权利要求1所述的基于数据管理的动车组高级修调试优先级优化方法，其特征在于，所述步骤A2中，获取整体检修方案数据采用以下步骤：
遍历所述优先级参数，获取所述检修模型中每个所述优先级参数对应的检修总时长、检修总成本、整车完好率，得到整体检修方案数据；
所述步骤A3中，获取所述建议检修方案采用以下步骤：
步骤A31：根据节点时间的限定，对所述整体检修方案数据进行筛选，获取非支配解集；
步骤A32：对所述非支配解集进行Pareto前沿优化，得到前沿解集；
步骤A33：根据优先考虑的目标，从所述前沿解集中选取建议检修方案。
CN201711098235.9A 2017-11-09 2017-11-09 一种基于数据管理的动车组高级修调试优先级优化方法 Active CN107784398B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711098235.9A CN107784398B (zh) 2017-11-09 2017-11-09 一种基于数据管理的动车组高级修调试优先级优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711098235.9A CN107784398B (zh) 2017-11-09 2017-11-09 一种基于数据管理的动车组高级修调试优先级优化方法

Publications (2)

Publication Number Publication Date
CN107784398A true CN107784398A (zh) 2018-03-09
CN107784398B CN107784398B (zh) 2021-12-03

Family

ID=61433098

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711098235.9A Active CN107784398B (zh) 2017-11-09 2017-11-09 一种基于数据管理的动车组高级修调试优先级优化方法

Country Status (1)

Country Link
CN (1) CN107784398B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110455560A (zh) * 2019-07-19 2019-11-15 中车青岛四方机车车辆股份有限公司 车辆的检修方法、装置和系统
CN112785010A (zh) * 2021-01-06 2021-05-11 北京交通大学 一种轨道交通列车系统多部件动态维修策略优化方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104267693A (zh) * 2014-09-22 2015-01-07 华中科技大学 一种机械加工能量效率的切削参数优化方法
WO2015191324A2 (en) * 2014-05-30 2015-12-17 Reylabs Inc. Systems and methods involving mobile indoor energy efficiency exploration, monitoring and/or display aspects
CN106600072A (zh) * 2016-12-21 2017-04-26 中国航空工业集团公司雷华电子技术研究所 一种基于故障预测的维修决策优化算法
CN107229979A (zh) * 2017-04-17 2017-10-03 北京航空航天大学 一种可修退化系统周期性预防维修策略的优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015191324A2 (en) * 2014-05-30 2015-12-17 Reylabs Inc. Systems and methods involving mobile indoor energy efficiency exploration, monitoring and/or display aspects
CN104267693A (zh) * 2014-09-22 2015-01-07 华中科技大学 一种机械加工能量效率的切削参数优化方法
CN106600072A (zh) * 2016-12-21 2017-04-26 中国航空工业集团公司雷华电子技术研究所 一种基于故障预测的维修决策优化算法
CN107229979A (zh) * 2017-04-17 2017-10-03 北京航空航天大学 一种可修退化系统周期性预防维修策略的优化方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110455560A (zh) * 2019-07-19 2019-11-15 中车青岛四方机车车辆股份有限公司 车辆的检修方法、装置和系统
CN112785010A (zh) * 2021-01-06 2021-05-11 北京交通大学 一种轨道交通列车系统多部件动态维修策略优化方法
CN112785010B (zh) * 2021-01-06 2023-12-12 北京交通大学 一种轨道交通列车系统多部件动态维修策略优化方法

Also Published As

Publication number Publication date
CN107784398B (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
CN110376003B (zh) 基于bim的智能列车整车服役寿命预测方法及其系统
CN109766567B (zh) 用以生成涡轮发动机的资产健康量词的设备和方法
CN111114519B (zh) 一种铁路车辆制动故障预测方法及健康管理系统
CN109543850B (zh) 一种铁路货车全寿命周期状态数据处理的方法及装置
CN107085768A (zh) 一种用于评价汽车使用可靠性的系统及方法
CN106226097B (zh) 基于隐马尔可夫模型的高速列车风管安全状态诊断方法
CN102799606B (zh) 用于根本原因分析的结构相关性与交叉功能相关性的结合
GB2440632A (en) Method and tool for performing maintenance of components
Seemann et al. Modeling the life cycle cost of jet engine maintenance
CN107784398B (zh) 一种基于数据管理的动车组高级修调试优先级优化方法
CN112036581B (zh) 交通工具空调系统的性能检测方法及装置、存储介质、终端
CN110503322A (zh) 一种军机维修性评估方法
RU2670907C2 (ru) Система мониторинга работоспособности платформы
Kim et al. Evaluation of the adequacy of maintenance tasks using the failure consequences of railroad vehicles
CN113919204B (zh) 一种多状态制造系统可用性综合重要度分析方法
CN115016428A (zh) 一种应用于特种车辆的立体化多级诊断系统及方法
CN109359742B (zh) 一种地铁子系统预防维修周期的生成方法
EP3482357A1 (en) Engine performance modeling based on wash events
CN113010981B (zh) 一种飞机发动机低压引气活门的维修决策方法
CN112149288B (zh) 一种列车网络控制系统的可靠性预计方法
CN109946069B (zh) 一种基于载荷谱的数控装备拖链可靠性加速试验方法
CN112560223A (zh) 一种航空发动机全寿命周期维修概率建模与成本预测方法
Werbińska-Wojciechowska Delay-time-based maintenance modeling for technical systems—theory and practice
CN112478194A (zh) 一种飞机起落架液压收放系统故障诊断方法
Ansell et al. The elixir of life: using a maintenance, repair and replacement model based on virtual and operating age in the water industry

Legal Events

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