CN113312722A - 一种城轨列车关键部件的可靠度预测优化方法 - Google Patents

Abstract

本发明公开了一种城轨列车关键部件的可靠度预测优化方法，包括收集获取城轨列车故障维修信息，并筛选出关键部件故障维修信息作为故障样本信息，建立城轨列车关键部件故障维修信息的数据集；对不同关键部件的故障维修信息进行数据整合模糊处理；基于改进的HHO算法进行构建城轨列车关键部件可靠度预测优化模型，用以优化关键部件的各项参数值，并在可靠度预测优化模型中利用图参数估计法实现对可靠度的参数估计；利用循环检验过程优化参数值，将检验过的参数值带入可靠度预测优化模型中，对列车关键部件可靠度预曲线测。本发明大幅提高了城轨列车关键部件的预测精度，减少城轨列车在维修过程中存在的“过维修”或“欠维修”问题。

Description

一种城轨列车关键部件的可靠度预测优化方法

技术领域

本发明属城轨列车可靠性分析技术领域，具体涉及一种城轨列车关键部件的可靠度预测优化方法。

背景技术

随着我国城市化进程的加快，城市轨道交通列车数量剧增，并且逐渐成为了城市交通中最为重要的出行工具，车辆作为轨道交通建设的核心组成部分，其可靠性直接影响到运营安全，而从技术上来说，可靠性是指设备在某一特定的工作条件下、某一特定的时期内圆满完成其规定功能(没出现故障)的概率，可靠度是衡量列车关键部件是否需要检修的标准。安全可靠是轨道交通车辆持续发展的必要前提，列车关键部件的寿命预测不准确，会造成“过维修”或“欠维修”的情况，进而影响列车安全可靠运行。及时发现并更换易故障部件，可有效保障城轨列车的运行安全。针对部件紧密连接、耦合复杂多变的列车系统，国内外建立了相应的列车系统可靠性模型。由于单一化的故障数据处理往往与实际情况不符，为减少故障率，需要对列车关键部件的运行可靠性进行更为深入的研究。目前，我国针对城轨列车关键部件的可靠性研究相对缺乏，大多数方法如粒子群算法(PSO)和人工蜂群算法(ABC)等，存在精度低、通用性差和计算量大的问题，忽略了实际过程中常见的数据丢失情况，缺乏对参数属性区间及权重的客观判断，很容易陷入局部最优和不成熟的收敛缺陷。因此，为保障城轨列车行车安全的需要，迫切需要开发一种新的可靠度预测优化模型，以较简单的计算过程，实现快速、有效的预测城轨列车关键部件的可靠度曲线，同时，以较高精度的可靠度曲线预测城轨列车关键部件的剩余寿命，优化列车维修过程中存在的“过维修”或“欠维修”问题。

发明内容

本发明的目的在于提供一种城轨列车关键部件的可靠度预测优化方法，本发明的可靠度预测优化方法针对目前城市轨道交通列车可靠度预测中精度低、通用性差、计算量大和易陷入局部最优等的问题，能快速、有效的预测城轨列车关键部件可靠度曲线，减少列车检修过程中存在“过维修”或“欠维修”的问题，。为了实现上述目的，本发明采用的技术方案如下：

根据本发明的一个方面，提供了一种城轨列车关键部件的可靠度预测优化方法。

本发明通过建立城轨列车关键部件可靠性优化模型及其约束条件，然后根据改进的哈里斯·霍克斯优化算法求得部件威布尔分布的形状参数、尺寸参数和位置参数，首先初始化各项参数；通过图参数估计法求解出参数的初始估值和搜索空间，然后根据改进的哈里斯·霍克斯(HHO算法)优化法进行优化，求得威布尔分布三参数的确切值；哈里斯·霍克斯(HHO算法)，也称哈里斯鹰优化算法(HHO)是Ali Asghar Heidari等人在2019年提出的新型群体智能优化算法。该算法对哈里斯鹰合作捕猎的不同过程进行数学建模。首先把捕食的猎物假设成最优解，哈里斯鹰群代表候选解。该算法中哈里斯鹰群(候选解)对猎物(最优解)进行围剿，围剿的过程主要分为两个阶段：第一个阶段是搜寻猎物(探索)阶段；第二个阶段是捕食猎物(开发)阶段。在搜寻猎物阶段，哈里斯鹰群会分别在猎物的周围或者是其他哈里斯鹰的周围进行随机的搜索，以期望能找到新的猎物。求得威布尔分布三参数的确切值后，再判断三参数得出的数值(实际差值)是否超过临界值，如果超过临界值，则对此部件的参数重新进行计算，如果未超过临界值，则输出威布尔三参数；最后根据三参数的数值求解出部件的可靠度曲线；

综上所述，由于本发明采用了上述技术方案，本发明具有如下显著效果：

(1)、本发明针对目前城市轨道交通列车可靠度预测中精度低、通用性差、计算量大和易陷入局部最优等的问题，在快速、有效的基础上，优化列车关键部件可靠度曲线预测准确度，减少列车检修过程中存在“过维修”或“欠维修”的问题。

(2)、本发明综合考虑模型计算量和参数精度的优化，降低算法的可调参数，快速、有效的预测城轨列车关键部件可靠度曲线，提高预测曲线的拟合程度，误差小；通过循环检验过程优化参数值，避免陷入局部最优，收敛速度更快，收敛能力更强。

附图说明

图1是本发明一种城轨列车关键部件的可靠度预测优化方法的流程图。

图2是本发明城轨列车车门系统帕累托示意图。

图3是本发明城轨列车车门系统关键部件的威布尔概率示意图。

图4是本发明改进HHO算法阶段策略示意图。

图5是本发明改进HHO算法预测结果的示意图。

图6是本发明可靠度曲线预测结果的示意图

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举出优选实施例，对本发明进一步详细说明。然而，需要说明的是，说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解，即便没有这些特定的细节也可以实现本发明的这些方面。

结合图1，根据本发明的一种城轨列车关键部件的可靠度预测优化方法，所述可靠度预测优化方法包括以下步骤：

步骤1：收集获取城轨列车故障维修信息，并筛选出关键部件故障维修信息作为故障样本信息，将获取的样本信息用于建立城轨列车关键部件故障维修信息的数据集；采用帕累托图形法选取关键部件的故障维修信息，以确定影响城轨列车正常运行的高因子故障信息；在本发明中，通过定时截尾寿命试验收集获取大量城轨列车故障维修信息，涉及的故障维修系统包括车门系统、车体及内装系统、转向架系统、车钩系统、乘客信息系统、供风制动系统、贯通道系统、空调系统、牵引制动控制系统、主电路系统、照明及附属设备系统和辅助供电系统；对比数据分析后，采用车门系统为例，筛选出大量列车车门系统的关键部件故障维修信息作为样本信息，从而可将获取的样本信息用于建立城轨列车关键部件故障维修信息的数据集；

步骤2：分别对不同关键部件的故障维修信息进行数据整合模糊处理，以减少故障维修信息中过于集中的数据量；在本发明中，如图2所示，筛选出的列车车门系统由客室门组件、下挡销组件、平衡压轮组件等11个组件组成，其关键部件为客室门组件、下挡销组件、平衡压轮组件和长短导柱组件，为计算方便，分别对各关键部件故障维修信息进行数据整合模糊处理，以减少故障维修信息中过于集中的数据量，提高计算速度

步骤3：基于改进的HHO算法进行构建城轨列车关键部件可靠度预测优化模型，用以优化关键部件的各项参数值，并在可靠度预测优化模型中利用图参数估计法实现对可靠度的参数估计；

步骤4：利用循环检验过程优化参数值，判断参数值是否陷入局部优化，将检验过的参数值带入可靠度预测优化模型中，对列车关键部件可靠度预曲线测；

在本发明中，如图1所示，基于改进的HHO算法进行构建城轨列车关键部件可靠度预测优化模型的过程由探索阶段和开发阶段组成，从探索阶段到开发阶段的过渡，基于猎物的逃逸能量在不同开发行为之间的改变规则进行确定：

首先初始化种群中每只鹰的位置，更新猎物的初始能量E₀和跳跃强度J，猎物的能量因为逃逸行为而显著降低，猎物的动态能量随逃逸变化模型满足其表达式为：

式中，E为猎物兔子的逃逸能量，T为最大迭代次数，t为当前迭代次数；E₀为能量的初始态；每次迭代时，E₀在(-1,1)内随机变化，逃逸能量E在迭代过程中呈下降趋势；

其次，当逃逸能量|E|≥1时，进入探索阶段，老鹰搜索不同的区域来探索猎物的位置，并更新其猎物位置；进入探索阶段，老鹰搜索不同的区域来探索猎物的位置，探索阶段时老鹰作为最优候选解，每一步的最优候选解或邻近最优解，被认为是预期的猎物，直到到达猎物的位置时停止突袭，并更新猎物位置的表达式为：

式中，X(t+1)为下一次迭代中鹰的位置；X_rabbit(t)为猎物的位置；X(t)为鹰的当前位置向量；r₁,r₂,r₃,r₄,q为(0,1)内的随机数，在每一次迭代中更新，UB为变量的上界；LB为变量的下界；X_rand(t)为从当前种群中随机挑选的一只鹰；X_m(t)为目前鹰派人口的平均位置；

最后，当|E|<1时进入开发阶段，根据老鹰的追逐和猎物的逃逸行为，进入开发阶段时提出四种策略模拟攻击阶段。模拟攻击过程为，假设r是猎物在突袭前逃脱的机率，其中，当r<0.5时表示猎物可以成功逃脱，r≥0.5时猎物未能成功逃脱，并以E作为参数评判围困的标准，其具体评判如下：

第一种策略：当r≥0.5且|E|≥0.5时，采用软围困策略，更新猎物位置的表达式为：

X(t+1)＝ΔX(t)-E|JX_rabbit(t)-X(t)|；

式中，ΔX(t)为迭代t中猎物的位置向量与当前位置之间的差；J为猎物在整个逃逸过程中的随机跳跃强度；

第二种策略：当r≥0.5且|E|<0.5时，采用硬围困策略，更新位置的表达式为：

X(t+1)＝X_rabbit(t)-E|ΔX(t)|；

第三种策略：当|E|≥0.5且r<0.5时，采用软围困下渐进式快速俯冲策略，更新位置的表达式为：

式中，Y表示更新位置X(t+1)的初步位置，Z表示初步结果与随机游走的组合位置(即游走位置)；F(Y)为初步位置结果值；F(Z)为游走位置结果值；D为问题的维度；S为大小为1×D的随机向量；LF(D)表示随机游走的方式是基于LF的模式，LF为莱维飞行函数，表示随机游走的方式；最终结果X(t+1)需要F(Y)、F(Z)与前一次试探F(X(t))进行比较得出；

第四种策略：当|E|<0.5且r<0.5时，采用硬围困下渐进式快速俯冲策略，更新位置的表达式为：

在本发明中，如图1和图4所示，当|E|<1时进入开发阶段，分为以下四种策略：当r≥0.5且|E|≥0.5时，采用软围困策略；当r≥0.5且|E|<0.5时，采用硬围困策略；当|E|≥0.5且r<0.5时，采用软围困下渐近式俯冲策略；当|E|<0.5且r<0.5时，采用硬围困下渐进式俯冲策略。

所述可靠度预测优化模型满足威布尔(Wei bull)分布，利用图参数估计法拟合威布尔分布中三参数的初始估值及搜索范围，实现对可靠度的参数估计，威布尔(Wei bull)分布(列车关键部件的故障一般服从威布尔(Wei bull)分布)，威布尔分布函数表达式为：

式中，β为形状参数；γ为位置参数；η为尺寸参数；t为时间；且β>0，η>0，t>γ>0。其威布尔分布的概率密度函数f(t)满足：

可靠度函数R(t)为：

式中，β为形状参数，γ为位置参数，η为尺寸参数，且β>0，η>0，t>γ>0；似然函数L为：

取自然对数后得到目标函数为：

在本发明中，利用图参数估计法拟合威布尔分布，实现对可靠度的参数估计的步骤为：设获取到的故障样本信息的容量为n，按时间顺序从小到大排列为：

t₁<t₂<...<t_n，i为大于1的自然数；

利用中位秩法计算客室门组件集合的可靠度，根据按时间顺序从小到大排列的时间t_i求得可靠度的估计值，利用中位秩法计算数据集合的可靠度，对于t_i，其可靠度的估计值表示为：

R(t_i)＝[(n+1)-i-0.3]/(n+0.4)，其中1<i<n；

设(x_i,y_i)为按故障时间间隔分布的威布尔概率图的横坐标和纵坐标，其横坐标和纵坐标的表达式分别为：

x_i＝ln(t_i)；

y_i＝ln{-ln[R(t_i)]}；

在威布尔概率图上拟合一条垂直渐近线和一条斜渐近线，并进行威布尔变换，根据其性质可得如下方程组：

求出各参数的初始数值为：

γ₀＝exp(x₀)，β₀＝k，η₀＝exp(b/k)；

为得到搜索的空间，通过图参数估计法计算出的三参数上引入宽松系数ρ(0<ρ<1)寻求三参数的搜索范围，即为通过图参数估计法寻求威布尔参数的初始估值(β₀,η₀,γ₀)，通过宽松系数ρ(0<ρ<1)寻求三参数的搜索范围，根据初始估值(β₀,η₀,γ₀)和ρ确定搜索范围，其范围满足：

在本发明中，结合图3和图5所示，由图参数估计法和宽松系数计算出的初始估计和搜索空间，通过改进HHO算法迭代寻优后可得到威布尔三参数的最终估值，为确定最终估值的浮动范围，对客室门组件的故障维修数据进行重复三次试验，减小误差

在本发明中，利用循环检验过程对HHO算法验算参数最优值，判断实际差值是否超过临界差值，其表达式为：

D_n<D_n,α；

D_n＝sup{|R₀(t_i)-R_n(t_i)|},i＝1,2,...,n；

式中，D_n为实际差值；D_n,α为临界差值；R₀(t_i)为通过HHO算法计算得出的每个故障数据的可靠度函数，R_n(t_i)为样本容量为n的经验分布的可靠度函数；若实际差值超过临界差值，则重新进入HHO算法运算，若实际差值未超过临界差值，则输出计算参数值；通过以上方式更新老鹰的位置及适应度值，直到达到规定的迭代次数，判断实际差值D_n是否超过临界差值D_n,α，若是，重新回到初始化种群中鹰的位置计算，若否，则证明假设的分布函数和实际分布函数拟合良好，输出鹰的最终位置和最佳适应度值。

在本发明中，如图5和图6所示，经过三次重复试验之后确定的三参数值带入威布尔分布的可靠度函数中，求得客室门组件的可靠度预测曲线。通过本发明使用的方法预测城轨列车关键部件的可靠度，可以快速、有效的得到三参数威布尔分布的参数值，算法的预可调参数少，计算量小，并在循环检验过程后有效避免陷入局部最优和不成熟的收敛，参数寻优精度高、计算简单且收敛速度快、收敛能力强，能有效预测城轨列车关键部件的可靠度曲线，相对于改进粒子群算法和人工蜂群算法相比，参数寻优时间分别缩短17.37倍和3.37倍。可靠度预测曲线与实际可靠度曲线误差较小，大幅提高了城轨列车关键部件的可靠度预测精度，可以达到预测目的，减少城轨列车在维修过程中存在的“过维修”或“欠维修”问题。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种城轨列车关键部件的可靠度预测优化方法，其特征在于：所述可靠度预测优化方法包括以下步骤：

步骤1：收集获取城轨列车故障维修信息，并筛选出关键部件故障维修信息作为故障样本信息，将获取的样本信息用于建立城轨列车关键部件故障维修信息的数据集；

步骤2：分别对不同关键部件的故障维修信息进行数据整合模糊处理，以减少故障维修信息中过于集中的数据量；

步骤3：基于改进的HHO算法进行构建城轨列车关键部件可靠度预测优化模型，用以优化关键部件的各项参数值，并在可靠度预测优化模型中利用图参数估计法实现对可靠度的参数估计；

步骤4：利用循环检验过程优化参数值，判断参数值是否陷入局部优化，将检验过的参数值带入可靠度预测优化模型中，对列车关键部件可靠度预曲线测。

2.根据权利要求1所述的一种城轨列车关键部件的可靠度预测优化方法，其特征在于，所述步骤1中，采用帕累托图形法选取关键部件的故障维修信息，以确定影响城轨列车正常运行的高因子故障信息。

3.根据权利要求1所述的一种基于改进HHO算法的城轨列车关键部件可靠度预测优化方法，其特征在于：所述步骤3中，基于改进的HHO算法进行构建城轨列车关键部件可靠度预测优化模型的过程由探索阶段和开发阶段组成，从探索阶段到开发阶段的过渡，基于猎物的逃逸能量在不同开发行为之间的改变规则进行确定：

首先初始化种群中每只鹰的位置，更新猎物的初始能量E₀和跳跃强度J，猎物的能量因为逃逸行为而显著降低，猎物的动态能量随逃逸变化模型满足其表达式为：

式中，E为猎物兔子的逃逸能量，T为最大迭代次数，t为当前迭代次数；E₀为能量的初始态；每次迭代时，E₀在(-1,1)内随机变化，逃逸能量E在迭代过程中呈下降趋势；

其次，当逃逸能量|E|≥1时，进入探索阶段，老鹰搜索不同的区域来探索猎物的位置，并更新其猎物位置；

最后，当|E|<1时进入开发阶段，根据老鹰的追逐和猎物的逃逸行为，进入开发阶段时提出四种策略模拟攻击阶段。

4.根据权利要求3所述的一种基于改进HHO算法的城轨列车关键部件可靠度预测优化方法，其特征在于：进入探索阶段，老鹰搜索不同的区域来探索猎物的位置，探索阶段时老鹰作为最优候选解，每一步的最优候选解或邻近最优解，被认为是预期的猎物，直到到达猎物的位置时停止突袭，并更新猎物位置的表达式为：

式中，X(t+1)为下一次迭代中鹰的位置；X_rabbit(t)为猎物的位置；X(t)为鹰的当前位置向量；r₁,r₂,r₃,r₄,q为(0,1)内的随机数，在每一次迭代中更新，UB为变量的上界；LB为变量的下界；X_rand(t)为从当前种群中随机挑选的一只鹰；X_m(t)为目前鹰派人口的平均位置。

5.根据权利要求3所述的一种基于改进HHO算法的城轨列车关键部件可靠度预测优化方法，其特征在于：开发阶段时提出四种策略模拟攻击阶段假设r是猎物在突袭前逃脱的机率，其中，当r<0.5时表示猎物可以成功逃脱，r≥0.5时猎物未能成功逃脱，并以E作为参数评判围困的标准，其具体评判如下：

第一种策略：当r≥0.5且|E|≥0.5时，采用软围困策略，更新猎物位置的表达式为：

X(t+1)＝ΔX(t)-E|JX_rabbit(t)-X(t)|；

式中，ΔX(t)为迭代t中猎物的位置向量与当前位置之间的差；J为猎物在整个逃逸过程中的随机跳跃强度；

第二种策略：当r≥0.5且|E|<0.5时，采用硬围困策略，更新位置的表达式为：

X(t+1)＝X_rabbit(t)-E|ΔX(t)|；

第三种策略：当|E|≥0.5且r<0.5时，采用软围困下渐进式快速俯冲策略，更新位置的表达式为：

式中，Y为初步位置；Z为游走位置；F(Y)为初步位置结果值；F(Z)为游走位置结果值；D为问题的维度；S为大小为1×D的随机向量；LF为莱维飞行函数，表示随机游走的方式；

第四种策略：当|E|<0.5且r<0.5时，采用硬围困下渐进式快速俯冲策略，更新位置的表达式为：

6.根据权利要求1或3所述的一种城轨列车关键部件的可靠度预测优化方法，其特征在于，所述可靠度预测优化模型满足威布尔分布，利用图参数估计法拟合威布尔分布中三参数的初始估值及搜索范围，实现对可靠度的参数估计，其威布尔分布的概率密度函数f(t)满足：

可靠度函数R(t)为：

式中，β为形状参数；γ为位置参数；η为尺寸参数；t为时间；且β>0，η>0，t>γ>0；似然函数L为：

取自然对数后得到目标函数为：

7.根据权利要求3所述的一种城轨列车关键部件的可靠度预测优化方法，其特征在于，利用图参数估计法拟合威布尔分布，实现对可靠度的参数估计的步骤为：

设获取到的故障样本信息的容量为n，按时间顺序从小到大排列为：

t₁<t₂<...<t_n，i为大于1的自然数；

利用中位秩法计算数据集的可靠度，对于t_i，其可靠度的估计值表示为：

R(t_i)＝[(n+1)-i-0.3]/(n+0.4)，其中1<i<n；

设(x_i,y_i)为按故障时间间隔分布的威布尔概率图的横坐标和纵坐标，其横坐标和纵坐标的表达式分别为：

x_i＝ln(t_i)；

y_i＝ln{-ln[R(t_i)]}；

在威布尔概率图上拟合一条垂直渐近线和一条斜渐近线，并进行威布尔变换，根据其性质可得如下方程组：

求出各参数的初始数值为：

γ₀＝exp(x₀)，β₀＝k，η₀＝exp(b/k)；

为得到搜索的空间，在图参数估计法计算出的三参数上引入宽松系数ρ(0<ρ<1)寻求三参数的搜索范围，根据初始估值(β₀,η₀,γ₀)和ρ确定搜索范围，其范围满足：

8.根据权利要求1所述的一种基于改进HHO算法的城轨列车关键部件可靠度预测优化方法，其特征在于：所述步骤4中，利用循环检验过程对HHO算法验算参数最优值，判断实际差值是否超过临界差值，其表达式为：

D_n<D_n,α；

D_n＝sup{|R₀(t_i)-R_n(t_i)|},i＝1,2,...,n；

式中，D_n为实际差值；D_n,α为临界差值；R₀(t_i)为通过HHO算法计算得出的每个故障数据的可靠度函数，R_n(t_i)为样本容量为n的经验分布的可靠度函数；若实际差值超过临界差值，则重新进入HHO算法运算，若实际差值未超过临界差值，则输出计算参数值。

Images