CN110376003B - 基于bim的智能列车整车服役寿命预测方法及其系统 - Google Patents
基于bim的智能列车整车服役寿命预测方法及其系统 Download PDFInfo
- Publication number
- CN110376003B CN110376003B CN201910676723.6A CN201910676723A CN110376003B CN 110376003 B CN110376003 B CN 110376003B CN 201910676723 A CN201910676723 A CN 201910676723A CN 110376003 B CN110376003 B CN 110376003B
- Authority
- CN
- China
- Prior art keywords
- train
- service life
- data
- prediction
- whole
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/08—Railway vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于BIM的智能列车整车服役寿命预测方法,包括获取列车整车以及列车各个部件的静态数据和工作性能参数;提取列车的各个部件的健康指标时序;预测得到列车整车及列车的各个部件的剩余服役寿命并修正;得到最终的列车整车以及部件的剩余服役寿命预测结果。本发明还公开了实现所述基于BIM的智能列车整车服役寿命预测方法的系统。本发明能够实现对列车服役状态以及外界影响因素的监测,完成外界因素对剩余使用寿命的不确定性影响建模,并提供全面的可视化信息;本发明能够实现对列车的剩余寿命预测,有效提高列车服役性能,且可靠性高、适用性好且评估全面准确。
Description
技术领域
本发明具体涉及一种基于BIM的智能列车整车服役寿命预测方法及其系统。
背景技术
随着经济技术的发展和人们生活水平的提高,交通已经成为了现代社会最为重要的组成部分之一。而随着技术的发展,我国的铁路行业也得到了极大的发展。
列车是我国铁路行业的主要运输车辆。在我国目前“客运高速化,货运重载化”的趋势下,对列车的运行安全性能提出了高要求。如果列车在运行时发生故障,则会导致恶劣的后果。列车整车的剩余服役寿命预测能够评估列车的健康状态,为管理人员指定合理可行的维修计划提供参考。
现阶段已有一些研究人员提出列车整车运维系统以提高列车整车运维性能,包括CN 108090573 A等,但是这些系统均有一定的缺陷。首先这些系统的可视化仅仅包含文本以及数据信息,由于列车整车组成部分复杂,仅通过文字性以及数据性故障信息难以定位待维护部件。其次,由于列车整车的剩余服役寿命收到风、雨、雪以及载客量等因素的影响。在进行剩余服役寿命预测时,需要预测在剩余服役寿命期间的环境、载客量等参数,并量化参数预测值对剩余服役寿命的影响力。在现有的研究中尚没有包含对环境/负载要素的预测以及影响力量化研究,因此无法对列车剩余服役寿命进行精准建模,导致预测精度下降。
发明内容
本发明的目的之一在于提供一种可靠性高、适用性好且评估全面有效的基于BIM的智能列车整车服役寿命预测方法。
本发明的目的之二在于提供一种实现所述基于BIM的智能列车整车服役寿命预测方法的系统。
本发明提供的这种基于BIM的智能列车整车服役寿命预测方法,包括如下步骤:
S1.获取列车整车以及列车各个部件的静态数据;
S2.获取列车各个部件的工作性能参数;
S3.根据步骤S2获取的列车各个部件的工作性能参数,提取列车的各个部件的健康指标时序;
S4.根据步骤S3获取的健康指标时序,预测得到列车整车及列车的各个部件的剩余服役寿命;
S5.对步骤S4预测得到的列车整车及列车的各个部件的剩余服役寿命进行修正;
S6.根据步骤S5得到的修正结果,得到最终的列车整车以及部件的剩余服役寿命预测结果。
所述的基于BIM的智能列车整车服役寿命预测方法,还包括如下步骤:
S7.结合步骤S1中获得的静态数据,对步骤S6获取的最终列车整车以及部件的剩余服役寿命预测结果进行可视化展示,从而实现列车整车以及部件的服役性能的动态可视化展示。
步骤S1所述的获取列车整车以及列车各个部件的静态数据,具体为采用如下步骤获取静态数据:
Ⅰ.将列车整车分为如下部件:走行部、钩缓装置、车体、牵引系统、空调系统、制动系统和受电弓;
Ⅱ.在设计阶段,获取列车整车以及列车的各个部件的三维模型、型号、参数和维修历史数据;
Ⅲ.在运行维护阶段,获取列车每次维修后的维修类型数据和维修内容数据,并同时更新步骤Ⅱ中的列车整车以及列车的各个部件的三维模型、型号、参数和维修历史数据;所述的维修类型数据包括事后维修、状态维修和定期维修;所述的维修内容数据包括部件损伤部位数据和损伤严重程度数据;
Ⅳ.对步骤Ⅰ~步骤Ⅲ的过程中产生的所有数据进行存储。
步骤S2所述的获取列车各个部件的工作性能参数,具体为采用如下步骤获取工作性能参数:
A.对于走行部,获取转向架轴箱的振动加速度数据;获取转向架构架横、纵梁交叉处的应力数据;获取转向架悬挂处的振动加速度数据;
对于钩缓装置,获取车钩的应力数据;获取缓冲器上的振动加速度数据;
对于车体,获取车体内和车体外的气压差数据;获取车体外的噪声声强数据;
对于牵引装置,获取牵引电机输出轴的振动加速度数据;获取牵引电机的有功功率数据;
对于空调系统,获取车体内的温度数据;获取空调出风口的噪声声强数据;
对于制动系统,获取单调缸的压力数据;获取均衡缸的压力数据;获取制动缸的压力数据;
对于受电弓,获取受电弓滑板磨耗值数据;获取受电弓的中心线偏移量数据;获取受电弓的倾斜量序列。
B.根据列车的实时定位信息,获取列车所在地的气象数据作为环境状态参数;
C.根据列车的实时载客量信息,获取列车的有效载客量数据作为负载状态参数;
D.在设计阶段,存储列车整体及列车各个部件的加速老化实验中的工作性能参数;在运行维护阶段,存储列车整体及列车各个部件的工作性能参数。
步骤S3所述的提取列车的各个部件的健康指标时序,具体为采用如下步骤提取列车的各个部件的健康指标时序:
a.通过加速老化实验获取列车的各个部件从T0时刻到TN时刻的服役性能参数;所示的T0时刻为初始状态时刻,TN时刻为退役状态时刻,T0时刻至TN时刻之间的运行状态时刻定义为Ti;所述的列车的各个部件包括走行部、钩缓装置、车体、牵引系统、空调系统、制动系统和受电弓;
b.通过Hallberg-Peck模型计算得到加速老化实验时间与实际运行时间之间的等效加速比例参数AF;
c.在加速老化实验完成后,采用列车的各个部件的损伤实验数据训练对抗自动编码器AAE,获取高阶特征,并计算各个高阶特征的象限角;
d.采用支持向量回归SVR模型对步骤c得到的象限角的差值序列进行精调,得到列车的各个部件在Ti时刻的健康指标Hi,从而提取列车的各个部件的健康指标时序。
步骤b所述的Hallberg-Peck模型,具体为采用如下算式作为Hallberg-Peck模型:
AF=(RHa/RH0)2×exp{(Ef/K)×[(1/T0)-(1/Ta)]}
式中RHa为加速老化实验的相对湿度;RH0为实际运行中的相对湿度;Ta为加速老化实验中的温度;T0为实际运行中的温度;K为玻尔兹曼常数;Ef为故障激活能并通过实验获得;exp()为指数函数。
步骤c所述的对抗自动编码器AAE,具体为对抗自动编码器AAE的输入和输出均为列车的各个部件的状态数据,先验分布的表示算式为:式中Beta为Beta分布,Uni为均匀分布;训练后AAE生成的高阶特征近似服从上述的先验分布;将该高阶特征映射到圆坐标系中得到坐标为(r,θ);然后忽略特征的径向宽度,从而特征的坐标简化为θ。
步骤S4所述的预测得到列车整车及列车的各个部件的剩余服役寿命,具体为采用如下步骤预测剩余服役寿命:
(1)建立列车的各个部件的健康指标的分解预测模型;
(2)建立从部件剩余服役寿命到列车剩余服役寿命的映射模型;
(3)建立环境以及负载状态参数预测模型;
(4)建立列车的各个部件以及整体剩余服役寿命期间内的环境/负载参数影响量化模型,从而预测得到列车的各部件以及列车整体的剩余服役寿命。
步骤(1)所述的建立列车的各个部件的健康指标的分解预测模型,具体为采用如下步骤建立分解预测模型:
(1)-A.获取列车的各个部件的健康指标时序;所述的列车的各个部件包括走行部、钩缓装置、车体、牵引系统、空调系统、制动系统和受电弓;
(1)-C.取输入个数为IN,输出个数为OUT,构建第s层小波系数预测模型的输入矩阵Is和输出矩阵Os;
(1)-D.以Is为输入、Os为输出,训练第s层小波系数的非抽取全卷积神经网络预测模型;
(1)-E.实时对步骤(1)-D得到的预测模型进行迁移学习;
(1)-F.利用步骤(1)-E学习后的模型进行剩余寿命滚动迭代预测。
步骤(1)-E所述的实时对步骤(1)-D得到的预测模型进行迁移学习,具体为在列车实际运行过程汇总,记录从T0时刻开始的列车的各个部件的服役性能参数,其中T0为部件维护后的时刻;在部件运行过程中的Ti时刻,获取该时刻的健康指标参数Hi,并采用极大重叠离散小波变换算法分解为S层小波系数并在i≤X1时使用原模型进行剩余寿命滚动迭代预测,并在i>X1时,在第s层的小波系数中以为输入,以为输出对第s层预测模型的参数进行刷新,并使用刷新后的模型进行剩余寿命滚动迭代预测。
步骤(1)-F所述的剩余寿命滚动迭代预测,具体为对于每一个子序列,将输入到第s层预测模型中,获得小波系数预测值然后将小波系数预测值并入到第s层小波系数序列中,并删除时序中的第一个小波系数,获得然后使用逆极大重叠离散小波包变换将每一层的小波系数重构为时间序列并取其中的为一步预测值;进一步的,将输入到第s层预测模型,获得小波系数预测值然后将小波系数预测值并入到第s层小波系数序列中,并删除时序中的第一个小波系数,获得然后使用逆极大重叠离散小波包变换将每一层的小波系数重构为时间序列并取其中的为两步预测值;重复上述步骤,直至获取超前多步预测值;且重复上述步骤的停止条件为其中h-2为Ti时刻的剩余服役寿命Li。
步骤(2)所述的建立从部件剩余服役寿命到列车剩余服役寿命的映射模型,具体为使用列车整体的加速老化实验获取列车的各个部件以及列车整体的剩余服役寿命;然后使用Hallberg-Peck模型计算加速老化实验所得到的剩余服役寿命所对应的等效剩余服役寿命。
步骤(3)所述的建立环境以及负载状态参数预测模型,具体为将第y年、第m月的参数定义为Dy,m;年度预测模型将参数分为12个月进行单独建模;模型的训练数据集为历史的第m月参数其中Ny为历史年份数量;将历史参数重构为输入矩阵以及输出矩阵并以Im为输入、为输出,训练第m月参数的Elman神经网络预测模型;然后采用训练完成的模型进行滚动迭代预测,从而得到若干步的预测结果;针对环境状态参数和负载状态参数,采用上述的过程分别建立预测模型。
步骤(4)所述的建立列车的各个部件以及整体剩余服役寿命期间内的环境/负载参数影响量化模型,具体为在列车运行的时刻Ti,剩余服役寿命为Li,计算从Ti到Ti+Li之间的所有月份的环境状态参数预测值和负载状态参数预测值;然后通过加权方法计算剩余寿命期间状态参数的影响量化指标。
步骤S5所述的对步骤S4预测得到的列车整车及列车的各个部件的剩余服役寿命进行修正,具体为采用列车实际运行过程的历史数据,将预测剩余服役寿命、环境状态参数和负载状态参数作为输入、列车整车的实际剩余服役寿命作为输出,针对列车整体以及各个部件,分别训练高斯过程GP模型;将步骤(1)得到的列车的各个部件的预测剩余服役寿命、步骤(2)得到的列车整体的预测剩余服役寿命、步骤(3)得到的预测的环境以及负载状态参数输入训练完成后的高斯过程GP模型,从而得到受电弓的各个部件以及受电弓整体的修正剩余服役寿命预测结果。
步骤S7所述的对步骤S6获取的最终列车整车以及部件的剩余服役寿命预测结果进行可视化展示,具体为采用如下步骤进行可视化展示:
1)以时间、列车的健康状态、环境以及负载状态参数和剩余服役寿命作为轴线,以列车的各个部件和列车整体的剩余服役寿命为可视化展示内容,实现列车在任意运行时刻,列车的各个部件和列车整体的剩余服役寿命可视化展示;
2)对列车的各个部件的维修决策进行可视化展示;
3)对列车的整体维修决策进行可视化展示。
步骤2)所述的对列车的各个部件的维修决策进行可视化展示,具体为采用步骤进行列车的各个部件的维修决策:
2)-1.计算列车的各个部件的整体健康相关性以及意外损坏成本;
2)-2.使用帕累托分析方法,找出帕累托最优面;所述的帕累托最优面对应的为整体健康相关性最强且损坏成本最高的部件;然后将该部件划分为第一重要部件;
2)-3.除去第一重要部件后,重复步骤2)-2,直至所有的部件均被划分完毕;
2)-4.对于划分重要性后的部件,采用如下规则制定维修决策:
对于第一重要部件,部件的决策剩余服役寿命取寿命概率的0.5%分位点;且在每个修程结束时,如果部件预测剩余服役寿命小于下一个修程的长度,则在修程结束时进行维护;
对于第二重要部件,部件的决策剩余服役寿命取寿命概率的2.5%分位点,且在剩余服役寿命之前一个月进行更换;
对于除第一重要部件和第二重要部件之外的剩余部件,部件的决策剩余服役寿命取寿命概率的5%分位点,且在剩余服役寿命之前半个月进行更换。
步骤3)所述的对列车的整体维修决策进行可视化展示,具体为对列车整车的剩余服役寿命概率分布和维修时间进行可视化展示;且取整车的修正剩余服役寿命概率分布的0.5%分位点作为决策剩余服役寿命,在决策剩余服役寿命前两个月对列车进行返厂维修。
本发明还提供了一种实现所述基于BIM的智能列车整车服役寿命预测方法的系统,包括列车静态信息采集模块、列车动态信息采集模块、列车剩余服役寿命预测模块和列车维护可视化模块;列车动态信息采集模块与列车剩余服役寿命预测模块串联后,再与列车静态信息采集模块并联,输入到列车维护可视化模块;列车静态信息采集模块用于采集列车整体及列车的各个部件的静态数据信息并上传至列车维护可视化模块;列车动态信息采集模块用于采集列车整体及列车的各个部件的工作性能信息并上传列车剩余服役寿命预测模块;列车剩余服役寿命预测模块用于预测列车整体和列车的各个部件的剩余服役寿命,并将预测结果上传列车维护可视化模块;列车维护可视化模块用于对列车整体和列车的各个部件的预测寿命进行可视化展示,生成维护决策数据并进行可视化展示。
本发明提供的这种基于BIM的智能列车整车服役寿命预测方法及其系统,通过对列车的静态和动态参数进行实时检测和分析,能够实现对列车服役状态以及外界影响因素的监测,建立对列车整体剩余服役寿命的预测模型,完成外界因素对剩余使用寿命的不确定性影响建模,并提供全面的可视化信息;本发明方法能够实现对列车的剩余寿命预测,有效提高列车服役性能,且可靠性高、适用性好且评估全面准确。
附图说明
图1为本发明方法的方法流程示意图。
图2为本发明系统的系统功能模块图。
具体实施方式
如图1所示为本发明方法的方法流程示意图:本发明提供的这种基于BIM的智能列车整车服役寿命预测方法,包括如下步骤:
S1.获取列车整车以及列车各个部件的静态数据;具体为采用如下步骤获取静态数据:
Ⅰ.将列车整车分为如下部件:走行部、钩缓装置、车体、牵引系统、空调系统、制动系统和受电弓;
Ⅱ.在设计阶段,获取列车整车以及列车的各个部件的三维模型、型号、参数和维修历史数据;
Ⅲ.在运行维护阶段,获取列车每次维修后的维修类型数据和维修内容数据,并同时更新步骤Ⅱ中的列车整车以及列车的各个部件的三维模型、型号、参数和维修历史数据;所述的维修类型数据包括事后维修、状态维修和定期维修;所述的维修内容数据包括部件损伤部位数据和损伤严重程度数据;
Ⅳ.对步骤Ⅰ~步骤Ⅲ的过程中产生的所有数据进行存储;
在具体实施时,在设计阶段,列车的静态信息模型的建立分为部件以及整车两个等级进行。随着车辆的设计过程逐步建立列车的静态模型,静态模型的信息包括三维模型、型号以及参数;在建立模型的过程中检查车辆设计中是否有部件干涉、电磁耦合等影响;
在运维阶段,在列车每一次维修后,将维修类型(事后维修、状态维修、定期维修),维修内容(部件损伤部位、严重程度)添加到列车静态模型对应部件的属性中;如果在维护过程中列车的三维模型、型号以及参数等内容有了修改,则同步修改静态模型;
在铁路局的云端服务器建立SQL数据库,存储由整车以及各部件的三维模型、型号、参数、维修类型以及维修内容等内容;
S2.获取列车各个部件的工作性能参数;具体为采用如下步骤获取工作性能参数:
A.对于走行部,获取转向架轴箱的振动加速度数据;获取转向架构架横、纵梁交叉处的应力数据;获取转向架悬挂处的振动加速度数据;具体实施时,在转向架轴箱轴承上设置振动加速度传感器,计算时间长度为1分钟的振动加速度序列的峰度以及平均频率作为状态参数;在转向架构架横、纵梁交叉处设置应力传感器,计算时间长度为1分钟的应力序列的平均值以及平方平均数作为状态参数;在转向架悬挂处设置振动加速度传感器,计算时间长度为1分钟的振动加速度序列的峰度以及平均频率作为状态参数;
对于钩缓装置,获取车钩的应力数据;获取缓冲器上的振动加速度数据;具体实施时,在车钩上设置应力传感器,计算时间长度为1分钟的应力序列的平均值以及标准差作为状态参数;在缓冲器上设置振动传感器,计算时间长度为1分钟的振动加速度序列的峰度以及平均频率作为状态参数;
对于车体,获取车体内和车体外的气压差数据;获取车体外的噪声声强数据;具体实施时,在车体内外均设置气压传感器,可以测得车体内外气压差,计算时间长度为1分钟的气压差序列的均值作为状态参数;在车体外设置有噪声传感器,计算时间长度为1分钟的噪声声强序列的均值作为状态参数;
对于牵引装置,获取牵引电机输出轴的振动加速度数据;获取牵引电机的有功功率数据;具体实施时,在牵引电机输出轴设置振动加速度传感器,计算时间长度为1分钟的振动加速度序列的峰度以及平均频率作为状态参数;在牵引电机设置输入电压以及电流传感器,可以计算有功功率,计算时间长度为1分钟的有功功率序列的平均值以及标准差作为状态参数;
对于空调系统,获取车体内的温度数据;获取空调出风口的噪声声强数据;具体实施时,在车体内设置温度传感器,可以计算室内实际温度与设定温度的差值,计算时间长度为1分钟的温差序列的平均值作为状态参数;在空调出风口设置噪声传感器,计算计算时间长度为1分钟的噪声声强序列的平均值作为状态参数;
对于制动系统,获取单调缸的压力数据;获取均衡缸的压力数据;获取制动缸的压力数据;具体实施时,在单调缸、均衡缸以及制动缸设置压力传感器,计算时间长度为1分钟的单调缸、均衡缸以及制动缸压力序列的平均值作为状态参数;
对于受电弓,获取受电弓滑板磨耗值数据;获取受电弓的中心线偏移量数据;获取受电弓的倾斜量序列;具体实施时,在受电弓处装有高速摄像机,通过图像处理算法检测受电弓滑板磨耗值、中心线偏移量以及受电弓倾斜量,并计算时间长度为1分钟的受电弓滑板磨耗值、中心线偏移量以及受电弓倾斜量序列的平均值以及标准差作为状态参数;
B.根据列车的实时定位信息,获取列车所在地的气象数据作为环境状态参数;
具体实施时,列车每1个小时使用GPS定位确定位置,并从所在地的当地气象局获取风速、降雨量、降雪量作为环境状态参数;且状态参数在列车运行时有效,在列车停库时无效;环境状态参数具有显著的年度周期性,同时具有在短期内的随机性;在短期环境参数剧烈恶化时,铁路部门会采取措施减少环境恶化对列车的损伤;因此,相比于短期的随机性,以上环境参数的长期周期性对于列车健康状态的损伤更为重要;为了减弱环境状态参数的短期随机性,将1个月中有效时间内的环境状态参数求平均获得有效环境状态参数;
C.根据列车的实时载客量信息,获取列车的有效载客量数据作为负载状态参数;
D.在设计阶段,存储列车整体及列车各个部件的加速老化实验中的工作性能参数;在运行维护阶段,存储列车整体及列车各个部件的工作性能参数;
S3.根据步骤S2获取的列车各个部件的工作性能参数,提取列车的各个部件的健康指标时序;具体为采用如下步骤提取列车的各个部件的健康指标时序:
a.通过加速老化实验获取列车的各个部件从T0时刻到TN时刻的服役性能参数;所示的T0时刻为初始状态时刻,TN时刻为退役状态时刻,T0时刻至TN时刻之间的运行状态时刻定义为Ti;所述的列车的各个部件包括走行部、钩缓装置、车体、牵引系统、空调系统、制动系统和受电弓;
具体实施时,针对每一个部件,通过加速老化实验获得该部件从T0时刻到TN时刻的部件状态参数;其中N为数据采集长度,T0时刻的状态为初始状态,TN时刻的状态为退役状态,两者之间的Ti时刻的状态为运行状态;在加速老化实验中,列车走行部、钩缓装置、车体、牵引装置、空调系统以及受电弓以额定功率运行,其加速老化实验的采样时间间隔ΔT=Ti-Ti-1等效为实际运行时间的ΔTrun×1.5;列车制动系统以额定制动功率运行,其加速老化实验的采样时间间隔ΔT=Ti-Ti-1等效为实际运行时间的ΔTbrake×1.5;其中ΔTrun为每一天列车以额定功率运行的平均有效时间,ΔTbrake为列车以额定功率制动的平均有效时间,这两个参数与列车运行线路以及列车类型相关;平均有效时间乘上1.5可以涵盖1天内以非额定功率运行的情况;通过这种方法,以ΔT的间隔在加速老化实验中采样得到的数据等同于实际运行过程中以1天为间隔采样得到的数据;
b.通过Hallberg-Peck模型计算得到加速老化实验时间与实际运行时间之间的等效加速比例参数AF;具体为采用如下算式作为Hallberg-Peck模型:
AF=(RHa/RH0)2×exp{(Ef/K)×[(1/T0)-(1/Ta)]}
式中RHa为加速老化实验的相对湿度;RH0为实际运行中的相对湿度;Ta为加速老化实验中的温度;T0为实际运行中的温度;K为玻尔兹曼常数;Ef为故障激活能并通过实验获得;exp()为指数函数;
c.在加速老化实验完成后,采用列车的各个部件的损伤实验数据训练对抗自动编码器AAE,获取高阶特征,并计算各个高阶特征的象限角;具体为对抗自动编码器AAE的输入和输出均为列车的各个部件的状态数据,先验分布的表示算式为:
在具体实施时,由于先验分布的采样点分布在圆内,因此训练后的AAE生成的高阶特征近似服从该先验分布;将高阶特征映射到圆坐标系坐标[r,θ]中,由于特征的径向宽度较窄,可以忽略,因此特征的坐标可以简化为θ;将初始时刻θ0的状态数据输入到训练完成的AAE中获得高阶特征,计算特征的象限角为θ0;对于Ti时刻,将部件的状态数据输入已训练的AAE,获得高阶特征,计算特征的象限角为θi;象限角差值θi-θ0可以体现部件运行状态与初始状态的区别,因此可以表征部件的健康情况;
d.采用支持向量回归SVR模型对步骤c得到的象限角的差值序列进行精调,得到列车的各个部件在Ti时刻的健康指标Hi,从而提取列车的各个部件的健康指标时序;
在具体实施时,SVR模型的输入为象限角差值[θ0-θ0,...,θi-θ0,...,θN-θ0],输出为[1,...,(N-i)/N,...,0];将θi-θ0输入到训练完成的SVR模型,即可获得Ti时刻的健康指标Hi;该微调过程通过SVR将象限角差值序列映射到一次多项式序列;SVR采用高斯核,核参数为1.0,1.0;一次多项式能够描述列车磨损过程的剩余寿命的单调变化过程;该处理能够将列车的损伤先验知识带入到健康指标构建算法中,提高健康指标对于列车部件退化过程的描述能力;
使用以上方法计算列车走行部,钩缓装置,车体,牵引系统,空调系统,制动系统以及受电弓系统的健康指标计算模型;
S4.根据步骤S3获取的健康指标时序,预测得到列车整车及列车的各个部件的剩余服役寿命;具体为采用如下步骤预测剩余服役寿命:
(1)建立列车的各个部件的健康指标的分解预测模型;具体为采用如下步骤建立分解预测模型:
(1)-A.获取列车的各个部件的健康指标时序;所述的列车的各个部件包括走行部、钩缓装置、车体、牵引系统、空调系统、制动系统和受电弓;
(1)-B.采用极大重叠离散小波变换算法将列车的各个部件的健康指标时序分解为各个小波系数层;其中分解得到的第s层小波系数为在具体实施时,小波母函数可以选为“morlet”;分解层数选为3层,从而可以获取8个子分解层;
(1)-C.取输入个数为IN,输出个数为OUT,构建第s层小波系数预测模型的输入矩阵Is和输出矩阵Os;在具体实施时,输入个数可以取为5,输出个数可以取为1,从而得到输入矩阵和输出矩阵如下式所示:
(1)-D.以Is为输入、Os为输出,训练第s层小波系数的非抽取全卷积神经网络预测模型(UFCNN);在具体实施时,模型使用因果卷积,卷积滤波器个数为16个;重复以上训练过程,获得所有分解层的预测模型;
(1)-E.实时对步骤(1)-D得到的预测模型进行迁移学习;具体为在列车实际运行过程汇总,记录从T0时刻开始的列车的各个部件的服役性能参数,其中T0为部件维护后的时刻;在部件运行过程中的Ti时刻,获取该时刻的健康指标参数Hi,并采用极大重叠离散小波变换算法分解为S层小波系数并在i≤X1时使用原模型进行剩余寿命滚动迭代预测,并在i>X1时,在第s层的小波系数中以为输入,以为输出对第s层预测模型的参数进行刷新,并使用刷新后的模型进行剩余寿命滚动迭代预测;
在具体实施时,在列车实际运行过程中记录从To时刻开始的部件健康状态参数;其中To为部件维护后的时刻,时间间隔为1天;在部件运行过程中的Ti时刻,将该时刻的状态参数输入到步骤1中训练完成的AAR以及SVR模型中,获取健康指标Hi,并使用MODWPT算法分解为8层小波系数分解使用的小波函数为“db10”;在i≤5时,使用原模型进行剩余寿命滚动迭代预测;i>5时,在第s层的小波系数中,以为输入,为输入对第s层预测模型的参数进行刷新,并使用刷新后的模型进行剩余寿命滚动迭代预测;
(1)-F.利用步骤(1)-E学习后的模型进行剩余寿命滚动迭代预测;具体为对于每一个子序列,将输入到第s层预测模型中,获得小波系数预测值然后将小波系数预测值并入到第s层小波系数序列中,并删除时序中的第一个小波系数,获得然后使用逆极大重叠离散小波包变换将每一层的小波系数重构为时间序列并取其中的为一步预测值;进一步的,将输入到第s层预测模型,获得小波系数预测值然后将小波系数预测值并入到第s层小波系数序列中,并删除时序中的第一个小波系数,获得然后使用逆极大重叠离散小波包变换将每一层的小波系数重构为时间序列并取其中的为两步预测值;重复上述步骤,直至获取超前多步预测值;且重复上述步骤的停止条件为其中h-2为Ti时刻的剩余服役寿命Li;
(2)建立从部件剩余服役寿命到列车剩余服役寿命的映射模型;具体为使用列车整体的加速老化实验获取列车的各个部件以及列车整体的剩余服役寿命;然后使用Hallberg-Peck模型计算加速老化实验所得到的剩余服役寿命所对应的等效剩余服役寿命;
在具体实施时,使用列车整车的加速老化实验获取列车各个部件以及整车的剩余服役寿命;使用Hallberg-Peck模型计算加速老化实验所得到的剩余服役寿命所对应的等效剩余服役寿命;以加速老化实验获得的列车各部件的等效剩余服役寿命作为输入,以列车整车的等效剩余服役寿命作为输出,训练多层感知器MLP模型,该模型的隐含层个数为10;在列车运行的Ti时刻,将计算得到的列车各部件剩余服役寿命输入到训练完成的MLP模型中;获得整车剩余服役寿命其中上标p为列车各部件的编号;
(3)建立环境以及负载状态参数预测模型;由于环境以及负载状态参数具有较强的年度周期性,基于环境/负载环境参数的年度自相关特性,建立参数预测模型;环境/负载环境参数包括风速、降雨量、降雪量以及有效载客量;针对这4个参数进行独立建模;
具体为将第y年、第m月的参数定义为Dy,m;年度预测模型将参数分为12个月进行单独建模;模型的训练数据集为历史的第m月参数其中Ny为历史年份数量;将历史参数重构为输入矩阵以及输出矩阵并以Im为输入、为输出,训练第m月参数的Elman神经网络预测模型;然后采用训练完成的模型进行滚动迭代预测,从而得到若干步的预测结果;针对环境状态参数和负载状态参数,采用上述的过程分别建立预测模型;
在具体实施时,Elman神经网络预测模型的隐含层个数为10;将列车环境/负载状态参数带入到以上计算方法,建立风速、降雨量、降雪量以及有效载客量的预测模型;
(4)建立列车的各个部件以及整体剩余服役寿命期间内的环境/负载参数影响量化模型,从而预测得到列车的各部件以及列车整体的剩余服役寿命;具体为在列车运行的时刻Ti,剩余服役寿命为Li,计算从Ti到Ti+Li之间的所有月份的环境状态参数预测值和负载状态参数预测值;然后通过加权方法计算剩余寿命期间状态参数的影响量化指标;
在具体实施时,通过加权方法计算剩余寿命期间状态参数的影响量化指标,计算公式为其中M为剩余寿命包含的所有月份;为剩余服役寿命期间第m个月份的预测状态数据,其中不足一个月的状态数据以一个月计算;wm为第m个月份的权重,该权重与超前预测步数相关,权重随预测步数降低;预测步数比较短的预测值准确度较高,赋予较高权重,预测步数比较长的预测值准确度较低,赋予较低权重,不同预测步数的权重如表1所示:
表1不同预测步数的权重值示意表
预测步数 | 1步 | 2步 | 3步 | 4步及以上 |
权重 | 1 | 0.8 | 0.6 | 0.4 |
在列车运行Ti时刻,将计算得到的列车各部件以及整车的剩余服役寿命带入以上计算方法,得到列车各部件剩余服役寿命内风速、降雨量、降雪量以及有效载客量的影响量化指标列车整车剩余服役寿命内风速、降雨量、降雪量以及有效载客量的影响量化指标其中上标q为环境/负载状态参数的编号;
S5.对步骤S4预测得到的列车整车及列车的各个部件的剩余服役寿命进行修正;具体为采用列车实际运行过程的历史数据,将预测剩余服役寿命、环境状态参数和负载状态参数作为输入、列车受电弓的实际剩余服役寿命作为输出,针对受电弓的各个部件以及受电弓整体,分别训练高斯过程GP模型;将步骤(1)得到的受电弓的各个部件的预测剩余服役寿命、步骤(2)得到的受电弓整体的预测剩余服役寿命、步骤(3)得到的预测的环境以及负载状态参数输入训练完成后的高斯过程GP模型,从而得到受电弓的各个部件以及受电弓整体的修正剩余服役寿命预测结果;
在具体实施时,在模型训练过程中,使用列车实际运行过程中的历史数据,历史数据包括列车各部件以及整车实际剩余服役寿命、列车各部件以及整车的预测剩余服役寿命以及环境/负载状态参数。将预测剩余服役寿命以及环境/负载状态参数影响量化指标作为输入,实际剩余服役寿命作为输出,针对列车各部件以及整车分别训练高斯过程GP模型。由于环境/负载参数对于列车剩余服役寿命的影响具有时变性,GP模型可以对这种影响关系进行分段建模。
在列车运行的Ti时刻,将计算得到的列车部件以及整车的剩余服役寿命以及计算得出的列车部件以及整车的环境/负载状态参数以及带入训练完成的列车各部件以及整车的GP模型,获得列车部件以及整车的修正剩余服役寿命以及所获得的修正剩余服役寿命为概率分布,能够描述剩余服役寿命预测的不确定性;GP模型的系数初始值通过交叉验证选定;
S6.根据步骤S5得到的修正结果,得到最终的列车整车以及部件的剩余服役寿命预测结果;
S7.结合步骤S1中获得的静态数据,对步骤S6获取的最终列车整车以及部件的剩余服役寿命预测结果进行可视化展示,从而实现列车整车以及部件的服役性能的动态可视化展示;具体为采用如下步骤进行可视化展示:
1)以时间、列车的健康状态、环境以及负载状态参数和剩余服役寿命作为轴线,以列车的各个部件和列车整体的剩余服役寿命为可视化展示内容,实现列车在任意运行时刻,列车的各个部件和列车整体的剩余服役寿命可视化展示;
在具体实施时,多维是指将时间轴、列车健康状态轴、环境/负载状态参数轴以及剩余服役寿命轴添加到传统列车三维模型中,可以实现对列车运行任意时刻的三维模型、健康状态参数,环境/负载状态参数、各部件以及整车剩余服役寿命的查询、可视化。管理人员可以根据可视化结果了解列车在运行过程中的列车各部件以及整车的老化过程;
2)对列车的各个部件的维修决策进行可视化展示;具体为采用步骤进行列车的各个部件的维修决策:
2)-1.计算列车的各个部件的整体健康相关性以及意外损坏成本;
在具体实施时,整车健康相关性的计算方法为:计算在列车运行过程中的部件剩余服役寿命时序与整车剩余服役寿命时序的皮尔曼系数。损坏成本计算方法为统计历史上出现部件损坏导致的事故以及造成的直接成本以及间接成本。直接成本包括部件等相关设备的维修更换成本,间接成本为列车意外损坏导致的社会成本。将直接以及间接成本之和取平均即为损坏成本;
2)-2.使用帕累托分析方法,找出帕累托最优面;所述的帕累托最优面对应的为整体健康相关性最强且损坏成本最高的部件;然后将该部件划分为第一重要部件;
2)-3.除去第一重要部件后,重复步骤2)-2,直至所有的部件均被划分完毕;
2)-4.对于划分重要性后的部件,采用如下规则制定维修决策:
对于第一重要部件,部件的决策剩余服役寿命取寿命概率的0.5%分位点;且在每个修程结束时,如果部件预测剩余服役寿命小于下一个修程的长度,则在修程结束时进行维护;
对于第二重要部件,部件的决策剩余服役寿命取寿命概率的2.5%分位点,且在剩余服役寿命之前一个月进行更换;
对于除第一重要部件和第二重要部件之外的剩余部件,部件的决策剩余服役寿命取寿命概率的5%分位点,且在剩余服役寿命之前半个月进行更换;
以上维修决策可与建立的列车模型结合,将各部件待维修日期以不同颜色的形式标注在各部件上。通过查看详细信息可以获知各部件在整车的所在位置、型号、参数。管理人员可以根据可视化模型定制管理方案;
3)对列车的整体维修决策进行可视化展示;具体为对列车整车的剩余服役寿命概率分布和维修时间进行可视化展示;且取整车的修正剩余服役寿命概率分布的0.5%分位点作为决策剩余服役寿命,在决策剩余服役寿命前两个月对列车进行返厂维修。
如图2所示为本发明系统的系统功能模块图:本发明还提供了一种实现所述基于BIM的智能列车整车服役寿命预测方法的系统,包括列车静态信息采集模块、列车动态信息采集模块、列车剩余服役寿命预测模块和列车维护可视化模块;列车动态信息采集模块与列车剩余服役寿命预测模块串联后,再与列车静态信息采集模块并联,输入到列车维护可视化模块;列车静态信息采集模块用于采集列车整体及列车的各个部件的静态数据信息并上传至列车维护可视化模块;列车动态信息采集模块用于采集列车整体及列车的各个部件的工作性能信息并上传列车剩余服役寿命预测模块;列车剩余服役寿命预测模块用于预测列车整体和列车的各个部件的剩余服役寿命,并将预测结果上传列车维护可视化模块;列车维护可视化模块用于对列车整体和列车的各个部件的预测寿命进行可视化展示,生成维护决策数据并进行可视化展示。
本发明提供的这种基于BIM的智能列车整车服役寿命预测方法及其系统,借助BIM系统实现了设计以及运维阶段的信息整合,为管理人员提供了全面的可视化信息。该BIM系统能够根据列车运维阶段的健康状态参数、环境/负载状态参数实现高精度的剩余服役寿命预测结果,并针对不同重要等级部件以及列车整车制定维修计划。在设计以及运维阶段持续更新列车三维模型,向管理人员提供全方位的列车维护决策可视化信息。针对便于管理人员定位待维护部件,定制维护计划。
使用深度网络自适应地挖掘列车健康状态参数的内部规律,实现了对列车各部件以及整车剩余服役寿命的高精度预测。使用AAE+SVR的模型实现了对列车各部件以及整车的健康状态深度降维以及强单调性健康指标计算。AAE模型能够提取列车整车的健康状态的变化规律,将健康状态映射到位于圆坐标系的特征空间,提取特征的象限角作为健康状态特征。SVR实现健康状态指标的微调,提高健康状态指标的单调性,以符合机电系统的单调退化特性。
使用MODWPT-UFCNN模型实现了对各部件剩余服役寿命的预测。借助于MODWPT算法的无边界效应特性以及UFCNN的强非线性拟合能力,实现了对各部件剩余服役寿命的有效预测。使用MLP模型对各部件剩余服役寿命进行融合,实现了对列车整车剩余服役寿命的自适应预测。
实现了对剩余服役寿命期间环境/负载状态参数的预测量化建模,建立了对剩余服役寿命的不确定性修正模型。使用状态参数的年度周期性实现了环境/负载状态参数的高精度预测。由于预测精度随着预测步数的增加而增加,使用衰减加权模型量化剩余服役寿命期间内的环境/负载状态参数影响力,加权系数随着预测步数的增加而增加。由于剩余服役寿命固有的不确定性,使用GP模型计算考虑环境/负载状态参数影响后的不确定性剩余服役寿命。
Claims (9)
1.一种基于BIM的智能列车整车服役寿命预测方法,包括如下步骤:
S1.获取列车整车以及列车各个部件的静态数据;
S2.获取列车各个部件的工作性能参数;
S3.根据步骤S2获取的列车各个部件的工作性能参数,提取列车的各个部件的健康指标时序;具体为采用如下步骤提取列车的各个部件的健康指标时序:
a.通过加速老化实验获取列车的各个部件从T0时刻到TN时刻的服役性能参数;所示的T0时刻为初始状态时刻,TN时刻为退役状态时刻,T0时刻至TN时刻之间的运行状态时刻定义为Ti;所述的列车的各个部件包括走行部、钩缓装置、车体、牵引系统、空调系统、制动系统和受电弓;
b.通过Hallberg-Peck模型计算得到加速老化实验时间与实际运行时间之间的等效加速比例参数AF;具体为采用如下算式作为Hallberg-Peck模型:
AF=(RHa/RH0)2×exp{(Ef/K)×[(1/T0)-(1/Ta)]}
式中RHa为加速老化实验的相对湿度;RH0为实际运行中的相对湿度;Ta为加速老化实验中的温度;T0为实际运行中的温度;K为玻尔兹曼常数;Ef为故障激活能并通过实验获得;exp()为指数函数;
c.在加速老化实验完成后,采用列车的各个部件的损伤实验数据训练对抗自动编码器AAE,获取高阶特征,并计算各个高阶特征的象限角;具体为对抗自动编码器AAE的输入和输出均为列车的各个部件的状态数据,先验分布的表示算式为:
d.采用支持向量回归SVR模型对步骤c得到的象限角的差值序列进行精调,得到列车的各个部件在Ti时刻的健康指标Hi,从而提取列车的各个部件的健康指标时序;
S4.根据步骤S3获取的健康指标时序,预测得到列车整车及列车的各个部件的剩余服役寿命;
S5.对步骤S4预测得到的列车整车及列车的各个部件的剩余服役寿命进行修正;
S6.根据步骤S5得到的修正结果,得到最终的列车整车以及部件的剩余服役寿命预测结果。
2.根据权利要求1所述的基于BIM的智能列车整车服役寿命预测方法,其特征在于还包括如下步骤:
S7.结合步骤S1中获得的静态数据,对步骤S6获取的最终列车整车以及部件的剩余服役寿命预测结果进行可视化展示,从而实现列车整车以及部件的服役性能的动态可视化展示。
3.根据权利要求1或2所述的基于BIM的智能列车整车服役寿命预测方法,其特征在于步骤S1所述的获取列车整车以及列车各个部件的静态数据,具体为采用如下步骤获取静态数据:
Ⅰ.将列车整车分为如下部件:走行部、钩缓装置、车体、牵引系统、空调系统、制动系统和受电弓;
Ⅱ.在设计阶段,获取列车整车以及列车的各个部件的三维模型、型号、参数和维修历史数据;
Ⅲ.在运行维护阶段,获取列车每次维修后的维修类型数据和维修内容数据,并同时更新步骤Ⅱ中的列车整车以及列车的各个部件的三维模型、型号、参数和维修历史数据;所述的维修类型数据包括事后维修、状态维修和定期维修;所述的维修内容数据包括部件损伤部位数据和损伤严重程度数据;
Ⅳ.对步骤Ⅰ~步骤Ⅲ的过程中产生的所有数据进行存储。
4.根据权利要求3所述的基于BIM的智能列车整车服役寿命预测方法,其特征在于步骤S2所述的获取列车各个部件的工作性能参数,具体为采用如下步骤获取工作性能参数:
A.对于走行部,获取转向架轴箱的振动加速度数据;获取转向架构架横、纵梁交叉处的应力数据;获取转向架悬挂处的振动加速度数据;
对于钩缓装置,获取车钩的应力数据;获取缓冲器上的振动加速度数据;
对于车体,获取车体内和车体外的气压差数据;获取车体外的噪声声强数据;
对于牵引装置,获取牵引电机输出轴的振动加速度数据;获取牵引电机的有功功率数据;
对于空调系统,获取车体内的温度数据;获取空调出风口的噪声声强数据;
对于制动系统,获取单调缸的压力数据;获取均衡缸的压力数据;获取制动缸的压力数据;
对于受电弓,获取受电弓滑板磨耗值数据;获取受电弓的中心线偏移量数据;获取受电弓的倾斜量序列;
B.根据列车的实时定位信息,获取列车所在地的气象数据作为环境状态参数;
C.根据列车的实时载客量信息,获取列车的有效载客量数据作为负载状态参数;
D.在设计阶段,存储列车整体及列车各个部件的加速老化实验中的工作性能参数;在运行维护阶段,存储列车整体及列车各个部件的工作性能参数。
5.根据权利要求4所述的基于BIM的智能列车整车服役寿命预测方法,其特征在于步骤S4所述的预测得到列车整车及列车的各个部件的剩余服役寿命,具体为采用如下步骤预测剩余服役寿命:
(1)建立列车的各个部件的健康指标的分解预测模型;具体为采用如下步骤建立分解预测模型:
(1)-A.获取列车的各个部件的健康指标时序;所述的列车的各个部件包括走行部、钩缓装置、车体、牵引系统、空调系统、制动系统和受电弓;
(1)-C.取输入个数为IN,输出个数为OUT,构建第s层小波系数预测模型的输入矩阵Is和输出矩阵Os;
(1)-D.以Is为输入、Os为输出,训练第s层小波系数的非抽取全卷积神经网络预测模型;
(1)-E.实时对步骤(1)-D得到的预测模型进行迁移学习;
(1)-F.利用步骤(1)-E学习后的模型进行剩余寿命滚动迭代预测;
(2)建立从部件剩余服役寿命到列车剩余服役寿命的映射模型;
(3)建立环境以及负载状态参数预测模型;
(4)建立列车的各个部件以及整体剩余服役寿命期间内的环境/负载参数影响量化模型,从而预测得到列车的各部件以及列车整体的剩余服役寿命。
6.根据权利要求5所述的基于BIM的智能列车整车服役寿命预测方法,其特征在于步骤(1)-E所述的实时对步骤(1)-D得到的预测模型进行迁移学习,具体为在列车实际运行过程汇总,记录从T0时刻开始的列车的各个部件的服役性能参数,其中T0为部件维护后的时刻;在部件运行过程中的Ti时刻,获取该时刻的健康指标参数Hi,并采用极大重叠离散小波变换算法分解为S层小波系数并在i≤X1时使用原模型进行剩余寿命滚动迭代预测,并在i>X1时,在第s层的小波系数中以为输入,以为输出对第s层预测模型的参数进行刷新,并使用刷新后的模型进行剩余寿命滚动迭代预测;
步骤(1)-F所述的剩余寿命滚动迭代预测,具体为对于每一个子序列,将输入到第s层预测模型中,获得小波系数预测值然后将小波系数预测值并入到第s层小波系数序列中,并删除时序中的第一个小波系数,获得然后使用逆极大重叠离散小波包变换将每一层的小波系数重构为时间序列并取其中的为一步预测值;进一步的,将输入到第s层预测模型,获得小波系数预测值然后将小波系数预测值并入到第s层小波系数序列中,并删除时序中的第一个小波系数,获得然后使用逆极大重叠离散小波包变换将每一层的小波系数重构为时间序列并取其中的为两步预测值;重复上述步骤,直至获取超前多步预测值;且重复上述步骤的停止条件为其中h-2为Ti时刻的剩余服役寿命Li。
7.根据权利要求6所述的基于BIM的智能列车整车服役寿命预测方法,其特征在于步骤(2)所述的建立从部件剩余服役寿命到列车剩余服役寿命的映射模型,具体为使用列车整体的加速老化实验获取列车的各个部件以及列车整体的剩余服役寿命;然后使用Hallberg-Peck模型计算加速老化实验所得到的剩余服役寿命所对应的等效剩余服役寿命;
步骤(3)所述的建立环境以及负载状态参数预测模型,具体为将第y年、第m月的参数定义为Dy,m;年度预测模型将参数分为12个月进行单独建模;模型的训练数据集为历史的第m月参数其中Ny为历史年份数量;将历史参数重构为输入矩阵以及输出矩阵并以Im为输入、为输出,训练第m月参数的Elman神经网络预测模型;然后采用训练完成的模型进行滚动迭代预测,从而得到若干步的预测结果;针对环境状态参数和负载状态参数,采用上述的过程分别建立预测模型;
步骤(4)所述的建立列车的各个部件以及整体剩余服役寿命期间内的环境/负载参数影响量化模型,具体为在列车运行的时刻Ti,剩余服役寿命为Li,计算从Ti到Ti+Li之间的所有月份的环境状态参数预测值和负载状态参数预测值;然后通过加权方法计算剩余寿命期间状态参数的影响量化指标。
8.根据权利要求7所述的基于BIM的智能列车整车服役寿命预测方法,其特征在于步骤S5所述的对步骤S4预测得到的列车整车及列车的各个部件的剩余服役寿命进行修正,具体为采用列车实际运行过程的历史数据,将预测剩余服役寿命、环境状态参数和负载状态参数作为输入、列车整车的实际剩余服役寿命作为输出,针对列车整体以及的各个部件,分别训练高斯过程GP模型;将步骤(1)得到的列车的各个部件的预测剩余服役寿命、步骤(2)得到的列车整体的预测剩余服役寿命、步骤(3)得到的预测的环境以及负载状态参数输入训练完成后的高斯过程GP模型,从而得到受电弓的各个部件以及受电弓整体的修正剩余服役寿命预测结果;
步骤S7所述的对步骤S6获取的最终列车整车以及部件的剩余服役寿命预测结果进行可视化展示,具体为采用如下步骤进行可视化展示:
1)以时间、列车的健康状态、环境以及负载状态参数和剩余服役寿命作为轴线,以列车的各个部件和列车整体的剩余服役寿命为可视化展示内容,实现列车在任意运行时刻,列车的各个部件和列车整体的剩余服役寿命可视化展示;
2)对列车的各个部件的维修决策进行可视化展示;
3)对列车的整体维修决策进行可视化展示;
步骤2)所述的对列车的各个部件的维修决策进行可视化展示,具体为采用步骤进行列车的各个部件的维修决策:
2)-1.计算列车的各个部件的整体健康相关性以及意外损坏成本;
2)-2.使用帕累托分析方法,找出帕累托最优面;所述的帕累托最优面对应的为整体健康相关性最强且损坏成本最高的部件;然后将该部件划分为第一重要部件;
2)-3.除去第一重要部件后,重复步骤2)-2,直至所有的部件均被划分完毕;
2)-4.对于划分重要性后的部件,采用如下规则制定维修决策:
对于第一重要部件,部件的决策剩余服役寿命取寿命概率的0.5%分位点;且在每个修程结束时,如果部件预测剩余服役寿命小于下一个修程的长度,则在修程结束时进行维护;
对于第二重要部件,部件的决策剩余服役寿命取寿命概率的2.5%分位点,且在剩余服役寿命之前一个月进行更换;
对于除第一重要部件和第二重要部件之外的剩余部件,部件的决策剩余服役寿命取寿命概率的5%分位点,且在剩余服役寿命之前半个月进行更换;
步骤3)所述的对列车的整体维修决策进行可视化展示,具体为对列车整车的剩余服役寿命概率分布和维修时间进行可视化展示;且取整车的修正剩余服役寿命概率分布的0.5%分位点作为决策剩余服役寿命,在决策剩余服役寿命前两个月对列车进行返厂维修。
9.一种实现权利要求1~8之一所述的基于BIM的智能列车整车服役寿命预测方法的系统,其特征在于包括列车静态信息采集模块、列车动态信息采集模块、列车剩余服役寿命预测模块和列车维护可视化模块;列车动态信息采集模块与列车剩余服役寿命预测模块串联后,再与列车静态信息采集模块并联,输入到列车维护可视化模块;列车静态信息采集模块用于采集列车整体及列车的各个部件的静态数据信息并上传至列车维护可视化模块;列车动态信息采集模块用于采集列车整体及列车的各个部件的工作性能信息并上传列车剩余服役寿命预测模块;列车剩余服役寿命预测模块用于预测列车整体和列车的各个部件的剩余服役寿命,并将预测结果上传列车维护可视化模块;列车维护可视化模块用于对列车整体和列车的各个部件的预测寿命进行可视化展示,生成维护决策数据并进行可视化展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910676723.6A CN110376003B (zh) | 2019-07-25 | 2019-07-25 | 基于bim的智能列车整车服役寿命预测方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910676723.6A CN110376003B (zh) | 2019-07-25 | 2019-07-25 | 基于bim的智能列车整车服役寿命预测方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110376003A CN110376003A (zh) | 2019-10-25 |
CN110376003B true CN110376003B (zh) | 2021-01-26 |
Family
ID=68256004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910676723.6A Active CN110376003B (zh) | 2019-07-25 | 2019-07-25 | 基于bim的智能列车整车服役寿命预测方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110376003B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112782236B (zh) * | 2019-11-11 | 2022-05-06 | 株洲中车时代电气股份有限公司 | 变流器柜体的材料状态监测方法、系统、装置及存储介质 |
CN111207938B (zh) * | 2020-01-13 | 2020-12-04 | 西南交通大学 | 一种铁道车辆故障检测方法 |
CN112331281B (zh) * | 2020-09-08 | 2021-11-12 | 中国电器科学研究院股份有限公司 | 基于环境大数据和机器学习的高分子材料服役寿命预测方法 |
CN112115643B (zh) * | 2020-09-15 | 2022-06-10 | 中南大学 | 一种智慧列车整车服役寿命非侵入预测方法 |
CN112033709B (zh) * | 2020-09-15 | 2022-06-24 | 中车青岛四方机车车辆股份有限公司 | 一种基于动力学监测的城轨车辆服役能力评估方法 |
CN112070249A (zh) * | 2020-09-16 | 2020-12-11 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 电力设备全寿命评估智能数据库系统及评估方法 |
CN113032985B (zh) * | 2021-03-11 | 2024-04-26 | 北京必创科技股份有限公司 | 一种无线感知设备寿命智能评估方法和装置 |
CN114757366B (zh) * | 2022-01-26 | 2023-02-03 | 广州汽车集团股份有限公司 | 一种用于车辆的故障预测方法及系统 |
CN114519280B (zh) * | 2022-04-20 | 2022-07-12 | 中铁第四勘察设计院集团有限公司 | 一种车辆服役周期内限界动态演变预测方法及系统 |
CN114896777B (zh) * | 2022-05-05 | 2024-02-13 | 合肥工业大学 | 基于灰色理论通过电机温度和负载对电机寿命预测的方法 |
JP2023172234A (ja) * | 2022-05-23 | 2023-12-06 | 株式会社日立製作所 | 鉄道車両の状態監視システム |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009063412A (ja) * | 2007-09-06 | 2009-03-26 | Koyo Electronics Ind Co Ltd | ロータリエンコーダの寿命予知方法、ロータリエンコーダおよび電子制御システム |
KR20100027540A (ko) * | 2008-09-02 | 2010-03-11 | 한국철도기술연구원 | 철도신호제어설비의 신뢰도 입증 시스템 및 그 방법 |
CN104637021A (zh) * | 2013-11-08 | 2015-05-20 | 广州市地下铁道总公司 | 一种状态修模式的城轨车辆辅助维修系统 |
CN105302098A (zh) * | 2015-11-11 | 2016-02-03 | 同济大学 | 一种基于ietm的地铁车辆互操作维修保障平台及其搭建方法 |
CN108760305A (zh) * | 2018-06-13 | 2018-11-06 | 中车青岛四方机车车辆股份有限公司 | 一种轴承故障检测方法、装置及设备 |
CN109900501A (zh) * | 2019-01-31 | 2019-06-18 | 石家庄铁道大学 | 高速动车组整车人工智能无损检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8061224B2 (en) * | 2008-05-06 | 2011-11-22 | Globalfoundries Singapore Pte. Ltd. | Method for performing a shelf lifetime acceleration test |
US20160192216A1 (en) * | 2014-12-30 | 2016-06-30 | Ebay Inc. | Adaptive prediction and real time monitoring of beacons |
-
2019
- 2019-07-25 CN CN201910676723.6A patent/CN110376003B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009063412A (ja) * | 2007-09-06 | 2009-03-26 | Koyo Electronics Ind Co Ltd | ロータリエンコーダの寿命予知方法、ロータリエンコーダおよび電子制御システム |
KR20100027540A (ko) * | 2008-09-02 | 2010-03-11 | 한국철도기술연구원 | 철도신호제어설비의 신뢰도 입증 시스템 및 그 방법 |
CN104637021A (zh) * | 2013-11-08 | 2015-05-20 | 广州市地下铁道总公司 | 一种状态修模式的城轨车辆辅助维修系统 |
CN105302098A (zh) * | 2015-11-11 | 2016-02-03 | 同济大学 | 一种基于ietm的地铁车辆互操作维修保障平台及其搭建方法 |
CN108760305A (zh) * | 2018-06-13 | 2018-11-06 | 中车青岛四方机车车辆股份有限公司 | 一种轴承故障检测方法、装置及设备 |
CN109900501A (zh) * | 2019-01-31 | 2019-06-18 | 石家庄铁道大学 | 高速动车组整车人工智能无损检测方法 |
Non-Patent Citations (1)
Title |
---|
BIM技术在青岛地铁13号线全寿命周期管理中的应用;叶树芳 等;《住宅与房地产》;20170831;第155-156页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110376003A (zh) | 2019-10-25 |
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 | |
CN110361180B (zh) | 智能列车受电弓服役性能动态监测与评估方法及其系统 | |
CN109472110B (zh) | 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法 | |
CN111274737A (zh) | 一种机械设备剩余使用寿命预测方法及系统 | |
JP6313929B2 (ja) | 構造物を監視するための方法及びシステム | |
JP7454088B2 (ja) | 情報処理装置、情報処理方法及びコンピュータプログラム | |
CN110119845A (zh) | 一种轨道交通客流预测的应用方法 | |
JP2022537937A (ja) | デジタルツインを用いた鉄道線路要素の状態の監視、予測、および保守 | |
CN106650157B (zh) | 车辆零部件故障发生概率估算方法、装置及系统 | |
CN104239694A (zh) | 一种城轨列车转向架的故障预测与视情维修方法 | |
CN102663264A (zh) | 桥梁结构健康监测静态参数的半监督协同评估方法 | |
CN110533239B (zh) | 一种智慧城市空气品质高精度测量方法 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN109507992B (zh) | 一种机车制动系统部件的故障预测方法、装置及设备 | |
CN111985701A (zh) | 一种基于供电企业大数据模型库的用电预测方法 | |
CN114202103A (zh) | 一种基于机器学习的节假日景区客流预测方法 | |
CN105243393A (zh) | 一种基于特征的复杂机电系统故障预报方法 | |
CN115860286B (zh) | 一种基于时序门机制的空气质量预测方法及系统 | |
RU2670907C2 (ru) | Система мониторинга работоспособности платформы | |
US20150106313A1 (en) | Predictive modeling of high-bypass turbofan engine deterioration | |
CN116579697A (zh) | 冷链全链路数据信息管理方法、装置、设备及存储介质 | |
CN102163380B (zh) | 基于嵌入式自动数据采集技术的训练评估方法 | |
CN109625025B (zh) | Btm设备预警系统 | |
CN114707284B (zh) | 一种高速铁路区段通过能力仿真计算系统 | |
CN111832834B (zh) | 一种机场道面使用性能预测方法、装置和电子设备 |
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 |