CN112115581A - 一种车轮寿命的分析预测算法 - Google Patents

一种车轮寿命的分析预测算法 Download PDF

Info

Publication number
CN112115581A
CN112115581A CN202010812739.8A CN202010812739A CN112115581A CN 112115581 A CN112115581 A CN 112115581A CN 202010812739 A CN202010812739 A CN 202010812739A CN 112115581 A CN112115581 A CN 112115581A
Authority
CN
China
Prior art keywords
wheel
turning
diameter
rim
abrasion
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
CN202010812739.8A
Other languages
English (en)
Other versions
CN112115581B (zh
Inventor
高明亮
邵俊捷
高珊
李鹏飞
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.)
CRRC Changchun Railway Vehicles Co Ltd
Original Assignee
CRRC Changchun Railway Vehicles 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 CRRC Changchun Railway Vehicles Co Ltd filed Critical CRRC Changchun Railway Vehicles Co Ltd
Priority to CN202010812739.8A priority Critical patent/CN112115581B/zh
Publication of CN112115581A publication Critical patent/CN112115581A/zh
Application granted granted Critical
Publication of CN112115581B publication Critical patent/CN112115581B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Analysis (AREA)
  • Operations Research (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Computational Mathematics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Geometry (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

一种车轮寿命的分析预测算法，其特征在于包括四个部分：首先根据车轮镟修数据对车轮轮径磨耗建模求解；其次根据车轮镟修数据对车轮轮缘磨耗建模求解；然后根据镟修数据对车轮镟修建模求解；最后根据上述车轮磨耗镟修规律分析结果构建车轮寿命到限预测计算模型，在实际执行过程中，受限于轮缘厚相关限值的约束，轮缘不断磨耗且当其厚度退化到一定限值时，后续会在运用修或高级修中因补偿轮缘厚造成额外的轮径损耗，并且这种轮径损耗通常远大于日常相对固定镟修量，该部分同样会对车轮寿命到限产生较大的影响，在本发明中这种轮径损耗的也被纳入车轮寿命预测模型中，此外，车轮寿命预测的相关影响因素中还考虑了实际镟修执行误差。

Description

一种车轮寿命的分析预测算法
技术领域
本发明属于轨道车辆车轮寿命预测技术领域，尤其是涉及一种车轮使用寿命到限的分析预测算法。
背景技术
车轮是动车组最重要的零部件之一，其服役状态关乎动车组运行安全与运行品质。同时车轮会因轮轨相互作用产生的摩擦磨损和定期的镟修而不断损耗，因此需要根据轮径到限情况判断车轮是否需要更换。由于车轮数量巨大，检修和更换也相对比较频繁。此外，车轮磨耗可能造成轮轨接触恶化，影响车辆的动力学性能，因此对车轮磨耗规律及使用寿命进行研究并实现研究成果的工程化应用具有重要的经济效益和社会效益。
发明内容
本发明的目的是提供一种车轮使用寿命预测的分析算法，避免检修资源的过度配置，直接降低动车组的检修成本，提高车组在线运行时间，在保证车辆安全可靠、充分发挥运营效能的基础上，实现最优化的车组作业模式。
为实现上述发明目的，本发明提供一种车轮寿命的分析预测算法，其特征在于包括四个部分：首先根据车轮镟修数据对车轮轮径磨耗建模求解；其次根据车轮镟修数据对车轮轮缘磨耗建模求解；然后根据镟修数据对车轮镟修建模求解；最后根据上述车轮磨耗镟修规律分析结果构建车轮寿命到限预测计算模型，具体算法如下：
一、对车轮轮径磨耗进行建模分析，具体算法如下：
S01、获取镟修数据；
S02、计算两次镟修间轮径差值，依次进入下列步骤；
S03、依照轮径磨耗模型回归分析；
S04、不同车厢类型、轮径区间的磨耗特征量提取；
S05、建立车轮寿命预测轮径磨耗参数查询表；
二、对车轮轮缘磨耗进行建模分析，具体算法如下：
S11、获取镟修数据；
S12、计算两次镟修间轮缘厚差值，依次进入下列步骤；
S13、依照轮缘磨耗模型回归分析；
S14、不同车厢类型、轮径区间的磨耗特征量提取；
S15、建立车轮寿命预测轮缘磨耗参数查询表；
三、对轮径镟修进行数学建模分析，具体算法如下：
S21、镟修误差正态分布拟合并提取特征参数；
S22、镟修量分段线性拟合并提取特征参数；
S23、轮缘厚模板选择概率分布统计并建立相应函数模型；
S24、建立车轮寿命预测镟修参数查询表；
四、根据上述车轮轮径、轮缘磨耗和车轮镟修规律计算结果，能够实现车轮使用寿命预测，具体算法如下：
S31、查车轮寿命预测参数表，计算镟前轮径、轮缘厚；
S32、依据轮径限值判断是否到限，如果是，进入S33，否则进入S34；
S33、计算周期内的车轮使用寿命；
S34、计算镟后轮径、轮缘厚，依据轮径限值判断是否到限，如果是，进入S35，否则回到S31；
S35、记录累计使用周期；
由S33和S35，得到轮对累计剩余使用寿命。
本发明相比现有算法主要的优点体现在以下几个方面：
(1)数据利用充分
车轮服役过程中累积的数据量巨大且种类繁多，需要进行有效整合而充分利用其价值。由于车轮检修具有一定的周期性，本发明不但只关注单周期内轮径退化情况，而且有效整合相邻周期之间的镟修数据，实现车轮全寿命预测建模。LY数据虽然在一定程度上可以辅助判断轮径退化情况，但是对于单周期内车轮磨耗量而言其误差相对较大。虽然镟修数据精度很高，但是数据在机床解析、传输、存储过程中会有少量的缺失，无法确定车轮寿命预测的起点。基于不同数据存在的优缺点，本发明将这些数据进行了有效地整合，深度挖掘上述历史数据的价值，建立更精确的车轮寿命预测模型。
(2)预测模型合理
对于车轮磨耗量的计算一般仅针对数据进行分析而忽视车轮磨耗的相关机理而选择比较简单的线性、一次或二次回归等方法对其进行建模，选用的模型相对比较简单。车组运行过程中累积的LY检测数据具有较大的误差，如果直接对其进行回归分析可能造成为了尽量涵盖多的样本点而造成曲线异常扭曲等，虽然在单个周期内可能获得较高的拟合精度，但是其它轮径区间内预测误差偏大，单周期预测误差后续不断累积使得最终预测结果严重偏离实际，也就失去使用寿命预测的工程应用价值。本发明在车轮磨耗相关机理的基础上建模，并通过历史数据对数学模型进行训练求解，建立更加精确的车轮磨耗预测算法，实现车轮使用寿命的准确预测。
(3)因素考虑周全
车轮服役过程中轮径损耗包括因轮轨作用而产生的磨耗和定期镟修产生的轮径损耗，车轮实际镟修时，镟修量通常选用一个定值，标准统一，镟轮工计算镟前轮径和镟修量的差值作为目标轮径输入机床内进行镟修作业。
在实际执行过程中，受限于轮缘厚相关限值的约束，轮缘不断磨耗且当其厚度退化到一定限值时，后续会在运用修或高级修中因补偿轮缘厚造成额外的轮径损耗，并且这种轮径损耗通常远大于日常相对固定镟修量，该部分同样会对车轮寿命到限产生较大的影响，在本发明中这种轮径损耗的也被纳入车轮寿命预测模型中。此外，车轮寿命预测的相关影响因素中还考虑了实际镟修执行误差。
附图说明
图1是本发明的流程图；
图2是预测结果与实测数据的对比图；
图3是一定条件下的车轮剩余使用寿命预测；
图4是一定位置的车轮剩余使用寿命预测；
图5是一定时间内车轮轮径退化趋势预测；
图6是某一类型车轮的全寿命预测。
具体实施方式
参照图1，本发明预测算法包括四个部分：首先根据车轮镟修数据对车轮踏面磨耗建模求解；其次根据车轮镟修数据对车轮轮缘磨耗建模求解；然后根据镟修数据对车轮镟修建模求解；最后根据上述车轮磨耗镟修规律分析结果构建车轮寿命到限预测计算模型，具体算法如下：
S0对车轮轮径磨耗进行建模分析，具体算法如下所示：
S01：输入需要建模的车型以获取相应的镟修数据、LY检测数据、高级修计划、履历；
S02：根据7日内车组镟修数据量大于车组车轮数的60％判断车组全列镟时间，同时筛选同一车轮相邻全列镟中前一次全列镟镟后轮径和后一次全列镟镟前轮径，通过前一次全列镟镟后轮径减去后一次全列镟镟前轮径计算单周期内轮径磨耗量；
S03：分别按照头车、中间动车、中间拖车筛选上述计算结果，相应的磨耗数据数量分别记为n1、n2、n3，同一车轮对应的轮径记为一条数据，轮径记为x1i、x2i、x3i，轮径磨耗量分别记为
Figure BDA0002631614490000051
回归模型中的头车、中间动车、中间拖车轮径分别记为x1、x2、x3，回归模型中的轮径磨耗量分别记为
Figure BDA0002631614490000052
S04：求解不同位置车厢轮径磨耗的数学回归模型，令
Figure BDA0002631614490000053
Figure BDA0002631614490000054
Figure BDA0002631614490000055
ωi＝1
分别求解
Figure BDA0002631614490000056
Figure BDA0002631614490000057
Figure BDA0002631614490000058
然后求解方程组
Figure BDA0002631614490000059
令
Figure BDA00026316144900000510
同理求解中间动车、中间拖车的轮径磨耗量分别为
Figure BDA00026316144900000511
和
Figure BDA00026316144900000512
S05：将轮径从830至930每5mm划分一个区间，取区间中点带入上式分别计算头车、中间动车、中间拖车对应的轮径磨耗量z1、z2、z3，建立轮径磨耗的参数配置表1以供后续查阅调用。
S1对车轮轮缘磨耗进行建模分析，具体算法如下：
S11：输入需要建模的车型以获取相应的镟修数据、LY检测数据、高级修计划、履历；
S12：根据7日内车组镟修数据量大于车组车轮数的60％判断车组全列镟时间，同时筛选同一车轮相邻全列镟中前一次全列镟镟后轮缘厚和后一次全列镟镟前轮缘厚，通过前一次全列镟镟后轮缘厚减去后一次全列镟镟前轮缘厚计算单周期内轮缘磨耗量；
S13：分别按照头车、中间动车、中间拖车筛选上述计算结果，相应的磨耗数据数量分别记为n1、n2、n3，同一车轮对应的轮径和轮缘厚磨耗量记为一条数据，轮径磨耗量记为x1i、x2i、x3i，轮缘磨耗量分别记为
Figure BDA0002631614490000061
回归模型中的头车、中间动车、中间拖车轮径分别记为x1、x2、x3，回归模型中的头车、中间动车、中间拖车轮缘厚分别记为t1、t2、t3，回归模型中的轮径磨耗量分别记为
Figure BDA0002631614490000062
S14：求解不同位置车厢轮缘磨耗的数学回归模型，令
Figure BDA0002631614490000063
求解方程组得头车轮缘磨耗量的回归模型
Figure BDA0002631614490000064
同理求解中间动车、中间拖车的轮缘磨耗量分别为
Figure BDA0002631614490000065
和
Figure BDA0002631614490000066
S15：将轮径从830至930每5mm划分一个区间，将轮缘厚从26至34每0.5mm划分一个区间，取区间中点带入上式分别计算头车、中间动车、中间拖车对应的轮缘磨耗量y1、y2、y3，建立轮缘磨耗的参数配置表2以供后续查阅调用。
S2对轮径镟修进行数学建模分析，具体算法如下：
S21：输入需要建模的车型以获取相应的镟修数据、LY检测数据、高级修计划、履历；
S22：根据7日内车组镟修数据量大于车组车轮数的60％判断车组全列镟时间，通过全列镟镟前轮径减去全列镟镟后轮径分别计算轮径轮径实际镟修量Rri，通过全列镟镟后轮径减去轮径镟修设定量分别计算轮径镟修误差eri，通过全列镟镟前轮径减去轮径镟修设定量分别计算轮径设定镟修量Sri；
通过全列镟镟前轮缘厚减去全列镟镟后轮缘厚分别计算轮缘实际镟修量Rdi，通过全列镟镟后轮缘厚减去轮缘厚镟修设定量分别计算轮缘镟修误差edi，通过全列镟镟前轮缘厚减去轮缘厚镟修设定量分别计算轮缘设定镟修量Sdi；
S23：筛选Rri＜2Sri的数据，数据数量记为N，计算数据对应镟修误差的均值作为该车型车轮轮径实际镟修误差Er和轮缘实际镟修误差Ed，计算公式如下所示
Figure BDA0002631614490000071
S24：计算轮径实际镟修量的均值μ和标准差σ，计算公式分别如下所示：
Figure BDA0002631614490000072
筛选Rri>μ+3σ的轮缘厚变化量为负值的数据并取绝对值记为Rrdi和对应的实际镟修量数据Rrri，数据样本数记为k，令Rrr＝a+bRrd，式中Rrr为线性回归中的轮径镟修量，Rrd为线性回归中的轮缘厚增厚量，通过以下方程组求解a、b的值，
Figure BDA0002631614490000081
S25：令Rrr＝a+bRrd＝μ+3σ求解得b＝Ba，构建的轮径镟修轮缘厚补偿计算公式为：
R＝(轮缘厚增厚量—Ba)×b+μ
S26：根据镟修轮缘厚设定值从26至34.5以0.5为一个间隔将镟修数据划分成17个主区间，分别记为Q1、Q2、Q3……Q17，区间内镟前轮缘厚分别记为Pd1i、Pd2i、Pd3i……Pd17i，各主区间内样本数分别为N1、N2、N3……N17，对每个区间内的以0.025为一个间隔划分区间，统计符合各子区间轮缘厚的样本数，分别记为n11、n12、n13等，对各主区间内的镟前轮缘厚进行正态分布统计分析，以主区间为例Q1，均值μ1和标准差σ1计算公式分别如下所示
Figure BDA0002631614490000082
同理可计算其它主区间内镟前轮缘厚均值μi和标准差σi，通过筛选镟前轮缘厚位于区间[μ2-3σ2，μ1+3σ1]内轮缘厚设定量分别为26、26.5的样本数，分别记为N11、N12，按照以下公式对镟前轮缘厚重叠区域进行划分：
分配主区间Q1、Q2的长度分别为
Figure BDA0002631614490000083
同理可计算LQ2-2、LQ3-1、LQ3-2、LQ4-1、LQ4-2等，最终构建的轮缘厚模板选择逻辑方程为：
Figure BDA0002631614490000091
式中Td为镟修轮缘厚模板，Pd为镟前轮缘厚。
根据上述车轮轮径、轮缘磨耗和车轮镟修规律计算结果，可以实现车轮使用寿命预测，具体算法如下：
S31：输入需要预测的车轮信息，包括车轮装车车组号、车厢号、轴位，根据7日内车组镟修数据量大于车组车轮数的60％判断出车组全列镟时间获取最新一次全列镟时间，并筛选该次全列镟的车轮镟修数据；
S32：若该车轮最新一次全列镟镟后轮径Qr与最新5次LY检测数据轮径平均值差Lr大于5mm，则取Lr及该车轮最新5次LY检测数据轮缘厚平均值Ld进入下一步，否则取Qr及该车轮最新一次全列镟镟后轮缘厚Qd进入步骤S33；
S33：根据轮径Qr或Lr查表1获取踏面磨耗量wr，并结合轮缘厚Qd或Ld查表2获取轮缘磨耗量wd，进入步骤S34；
S34：轮径Qr或Lr减去wr作为下一次全列镟镟前轮径Pr，轮缘厚Qd或Ld减去wd作为下一次全列镟镟前轮缘厚Pd，Pd是根据上述S26中轮缘厚模板选择逻辑方程判断镟修轮缘厚模板为Td，同时计算轮缘增厚量B＝(Td-Pd)，进入步骤S35；
S35：若Pr≤Rlim，则该周期内车轮使用寿命Ts＝(Rlim-Pr)/wd×m，进入步骤S38；
若Pr>Rlim，则进入步骤S36；
式中Rlim为轮径运用限值，m为车组镟修周期，Rlim和m均按照动车组相关检修规程设定。
S36：若B≥Ba，则轮径镟修量R＝(B-Ba)×b+μ；
若B<Ba，则轮径璇修量R＝μ。
计算车轮镟后轮径Lr＝Pr-R-Er，计算车轮镟后轮缘厚为Ld＝Td-Ed，进入步骤S37。
S37：若Lr≤Rlim，进入步骤S38，并记为1次循环；
若Lr>Rlim，则返回步骤S34，并记为1次循环。
S38：记累计循环次数为Tn，则车轮剩余使用寿命为
T＝Tn×m+Ts
试验例
基于轮径磨耗模型并结合不同车型车轮镟修作业情况分析建立镟修规律模型，包括镟修进刀量、轮缘增厚补偿量计算、镟修误差分布等，针对动拖车、头尾车等精准预测车轮使用寿命或到限类型等，进行车轮剩余寿命预测，支持车轮健康管理。同时根据车组车轮寿命到限情况，提前制定运用换轮计划，实现最优化的工作量编排，有效减少扣车作业次数。按照不同月份对车轮到限预测情况进行汇总，制定年度换轮轮廓计划，可以指导生产单位提前制定预算、备品备料。此外，根据根据不同车轮到限预测情况，优化镟修进刀量和镟修周期，主动管理车轮使用寿命，降低运用换轮及相应检修、试运行、镟修等综合成本，实现动车组轮对维修计划建议，可以提升轮对检修计划的数字化程度，提高轮对检修效率。
同时对本发明轮径预测结果与实测数据进行对比验证，结果如图2所示，图中虚线为算法预测轮径退化情况，实线为实测的轮径退化情况，通过对比可以看出本发明提出的预测算法具有较高的计算精度，可以满足工程应用的需求。
⑴一定条件下的车轮剩余使用寿命预测
将各动车所、各车型车轮的磨耗、镟修规律设置成可供查询的参数配置表。应用实例1中，选择车组车型为CRH380B(L)/CL，头车，高级修出厂轮径和轮缘厚分别为890mm、28mm，镟修进刀量为2mm，镟修周期和高级修周期分别设定为25万公里和145万公里，高级修轮径和轮缘厚限值分别为835mm、28mm。最终预测得该车轮剩余使用寿命为270.37万公里(如图2所示)。
⑵一定位置的车轮剩余使用寿命预测
实例2中选取需要预测分析的动车组车组号、车厢号、轴位获得相应位置车轮的轮径、轮缘厚等信息，预测该车轮的使用寿命。实例中选取的车轮当前轮径为885.4mm，预测结果显示该车轮剩余使用寿命约为260万公里，到限类型为镟修到限(如图3所示)。
⑶一定时间内车轮轮径退化趋势预测
由于已完成车轮寿命预测相关参数的建模，因此还可以针对不同车轮当前状态进行寿命预测的实时预测分析，实例3中选取需要预测分析的动车组车组号、车厢号、轴位可获取相应位置车轮的轮径、轮缘厚等信息，预测未来6个月内轮径退化趋势。实例中选取的车轮上次镟后轮径868.98mm，预测结果显示未来6个月内车轮发生两次镟修，第一次镟后轮径为866.95mm，第二次镟后轮径为862.614mm(如图4所示)。
⑷某一类型车轮的全寿命预测
实例4对新轮使用寿命进行预测，以新轮轮径和轮缘厚作为车轮使用寿命预测的初始条件，其中新轮轮径为920mm，轮缘厚为34.5mm，高级修轮缘厚限值为28mm，动/拖车轮径高级修限值分别为845/875mm，动/拖车轮径运用限值分别为830/870mm，预测得该型车轮头车使用寿命为503万公里，中间动车使用寿命为511万公里，中间拖车使用寿命为290万公里(如图5所示)。

Claims (5)

1.一种车轮寿命的分析预测算法，其特征在于包括四个部分：首先根据车轮镟修数据对车轮轮径磨耗建模求解；其次根据车轮镟修数据对车轮轮缘磨耗建模求解；然后根据镟修数据对车轮镟修建模求解；最后根据上述车轮磨耗镟修规律分析结果构建车轮寿命到限预测计算模型。
2.根据权利要求1所述的一种车轮寿命的分析预测算法，其特征在于对车轮轮径磨耗进行建模分析的具体算法如下：
S01、获取镟修数据；
S02、计算两次镟修间轮径差值，依次进入下列步骤；
S03、依照轮径磨耗模型回归分析；
S04、不同车厢类型、轮径区间的磨耗特征量提取；
S05、建立车轮寿命预测轮径磨耗参数查询表。
3.根据权利要求1所述的一种车轮寿命的分析预测算法，其特征在于对车轮轮缘磨耗进行建模分析的具体算法如下：
S11、获取镟修数据；
S12、计算两次镟修间轮缘厚差值，依次进入下列步骤；
S13、依照轮缘磨耗模型回归分析；
S14、不同车厢类型、轮径区间的磨耗特征量提取；
S15、建立车轮寿命预测轮缘磨耗参数查询表。
4.根据权利要求1所述的一种车轮寿命的分析预测算法，其特征在于对轮径镟修进行数学建模分析的具体算法如下：
S21、镟修误差正态分布拟合并提取特征参数；
S22、镟修量分段线性拟合并提取特征参数；
S23、轮缘厚模板选择概率分布统计并建立相应函数模型；
S24、建立车轮寿命预测镟修参数查询表。
5.根据权利要求1-4任一项所述的一种车轮寿命的分析预测算法，其特征在于：根据车轮轮径、轮缘磨耗和车轮镟修规律计算结果实现车轮使用寿命预测的具体算法如下：
S31、查车轮寿命预测参数表，计算镟前轮径、轮缘厚；
S32、依据轮径限值判断是否到限，如果是，进入S33，否则进入S34；
S33、计算周期内的车轮使用寿命；
S34、计算镟后轮径、轮缘厚，依据轮径限值判断是否到限，如果是，进入S35，否则回到S31；
S35、记录累计使用周期；
由S33和S35，得到轮对累计剩余使用寿命。
CN202010812739.8A 2020-08-13 2020-08-13 一种车轮寿命的分析预测算法 Active CN112115581B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010812739.8A CN112115581B (zh) 2020-08-13 2020-08-13 一种车轮寿命的分析预测算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010812739.8A CN112115581B (zh) 2020-08-13 2020-08-13 一种车轮寿命的分析预测算法

Publications (2)

Publication Number Publication Date
CN112115581A true CN112115581A (zh) 2020-12-22
CN112115581B CN112115581B (zh) 2023-04-18

Family

ID=73804171

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010812739.8A Active CN112115581B (zh) 2020-08-13 2020-08-13 一种车轮寿命的分析预测算法

Country Status (1)

Country Link
CN (1) CN112115581B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112633532A (zh) * 2020-12-29 2021-04-09 上海工程技术大学 一种基于数字孪生技术的列车车轮维修管理系统
CN114781893A (zh) * 2022-04-29 2022-07-22 成都西交轨道交通技术服务有限公司 一种列车轮对镟修排班系统及方法
CN114971034A (zh) * 2022-05-31 2022-08-30 中国铁路广州局集团有限公司广州动车段 一种车轮剩余寿命预测的分析算法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013113245A1 (zh) * 2012-02-01 2013-08-08 长春轨道客车股份有限公司 一种经济型镟修车轮
CN104515688A (zh) * 2013-09-26 2015-04-15 上海杰之能信息科技有限公司 一种轮对寿命预测方法和装置
CN110555188A (zh) * 2019-09-24 2019-12-10 西南交通大学 一种动车组车轮参数磨耗趋势的分析方法
CN110688710A (zh) * 2019-09-27 2020-01-14 南京理工大学 一种基于轨道交通车辆轮对寿命统计学模型的镟修方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013113245A1 (zh) * 2012-02-01 2013-08-08 长春轨道客车股份有限公司 一种经济型镟修车轮
CN104515688A (zh) * 2013-09-26 2015-04-15 上海杰之能信息科技有限公司 一种轮对寿命预测方法和装置
CN110555188A (zh) * 2019-09-24 2019-12-10 西南交通大学 一种动车组车轮参数磨耗趋势的分析方法
CN110688710A (zh) * 2019-09-27 2020-01-14 南京理工大学 一种基于轨道交通车辆轮对寿命统计学模型的镟修方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张健雨: "轨道交通车辆轮对全生命周期低成本运用优化研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *
王凌等: "基于磨耗数据驱动模型的轮对镟修策略优化和剩余寿命预报", 《系统工程理论与实践》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112633532A (zh) * 2020-12-29 2021-04-09 上海工程技术大学 一种基于数字孪生技术的列车车轮维修管理系统
CN112633532B (zh) * 2020-12-29 2023-06-02 上海工程技术大学 一种基于数字孪生技术的列车车轮维修管理系统
CN114781893A (zh) * 2022-04-29 2022-07-22 成都西交轨道交通技术服务有限公司 一种列车轮对镟修排班系统及方法
CN114971034A (zh) * 2022-05-31 2022-08-30 中国铁路广州局集团有限公司广州动车段 一种车轮剩余寿命预测的分析算法

Also Published As

Publication number Publication date
CN112115581B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN112115581B (zh) 一种车轮寿命的分析预测算法
CN109214554B (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
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
CN110361207B (zh) 一种智能列车走行部在线状态预测系统及其方法
AU2021202707A1 (en) Rail car predictive maintenance system
CN110852558B (zh) 一种车轮毂生产数据的计算机辅助质量控制方法
CN110503209B (zh) 一种基于大数据的钢轨分析预警模型构建方法与系统
CN114117687A (zh) 一种轮对关键部件寿命预测模型构建、预测方法及系统
CN106650209A (zh) 一种车辆应用实时信息确定可靠性增长趋势及参数的方法
CN114819309A (zh) 一种钢轨平顺状态优化方法
CN1625721A (zh) 控制工业过程的方法
CN110555188B (zh) 一种动车组车轮参数磨耗趋势的分析方法
CN114971034A (zh) 一种车轮剩余寿命预测的分析算法
CN110852651B (zh) 一种考虑路段管制的液态天然气运输网络失效率计算方法
CN117035422A (zh) 一种货车线路运输风险预测的方法
CN108320048A (zh) 一种车轮镟修策略优化方法及装置
CN111798069A (zh) 基于机器学习的复杂装备备品备件管理方法及系统
Thompson et al. Predictive maintenance approaches based on continuous monitoring systems at Rio Tinto
KR101377101B1 (ko) 타이어 제조공정에서 반제품 재고 차감방법
CN110084404B (zh) 基于大数据的轨道车辆经济性运营及维修规划方法
CN114862012B (zh) 一种列车轮对维修辅助决策系统及方法
CN101086770A (zh) 零备件需求累积预测方法
CN114154228A (zh) 一种山区铁路小半径曲线换轨周期预测方法
KR100809536B1 (ko) 선박 생산의 정도 품질 비용화 관리방법
CN116070373A (zh) 一种高时速地铁轮缘厚检修限值决策方法

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