[發明專利]一種城軌列車轉向架的故障預測與視情維修方法

有效

• 申請號: 201410431294.3
• 申請日: 2014-08-28
• 公開（公告）號: CN104239694B
• 公開（公告）日: 2016-11-23
• 發明（設計）人: 秦勇;賈利民;史婧軒;程曉卿;張媛;于珊;寇淋淋;張振宇
• 申請（專利權）人: 北京交通大學
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 代理公司: 江蘇樓沈律師事務所 32254
• 代理人: 馬勇

1.一種城軌列車轉向架的故障預測與視情維修方法，所述轉向架包括構架、彈簧裝置、連接裝置、輪對和軸箱、驅動機構、基礎制動裝置六個子系統，其特征在于，該方法依次包括如下步驟：

（1）根據采集的歷史故障數據進行刪失處理，基于生存分析的方法確定轉向架各子系統的分布模型，并得出各子系統的可靠性特征函數，計算出各子系統的可靠度，將各子系統中可靠度最低的子系統確定為轉向架最薄弱環節；

（2）采用進化算法優化的神經網絡模型計算轉向架各子系統的故障率；

（3）將轉向架各子系統的安全運營天數和計算得到的故障率作為協變量進行比例風險模型建模，得出轉向架系統視情維修的閾值和控制限，控制限上限是失效閾值,在運行過程中，一旦發現系統狀態值超過上限，則系統此時為不可用狀態，按規定必須進行修復性修理或更換后才重新投入使用；控制限下限是預防性維修或更換閾值，代表系統的潛在故障開始出現，如果系統的狀態值超過了下限，應對部件作相應的排故或預防性維修工作，如果系統的狀態值低于下限，則不用考慮維修。

2.根據如權利要求1所述的城軌列車轉向架的故障預測與視情維修方法，其特征在于，

步驟（1）包括如下步驟：

1）建立輪對和軸箱、彈簧裝置、連接裝置兩參數威布爾分布模型，

故障分布函數為：

可靠度函數為：

???????????????????????????

概率密度函數為：

???????????????????

失效率函數為：

其中，，且，t為故障間隔時間，和分別是分布的形狀參數和尺度參數；

2）建立構架、驅動機構、基礎制動裝置三參數威布爾分布模型，

故障分布函數為：

???????????????????????????

可靠度函數為：

?????????????????????????????

其概率密度函數為：

????????????????????

失效率函數為：

其中，t為故障間隔時間，且，和分別是分布的形狀參數和尺度參數,是分布的位置參數。

3.根據前述權利要求所述的城軌列車轉向架的故障預測與視情維修方法，其特征在于，步驟（2）包括如下步驟：建立的基于PSO的BP神經網絡模型，采用PSO優化BP神經網絡連接權值，并對BP神經網絡進行訓練，在建模過程中，確定PSO的參數，設置如下：

1)選取粒子數目為30；

2)粒子最大速率選取為0.5；

3)粒子根據如下的公式來更新自己的速度和位置，

??????????

??????????????????????????????

式中，表示第i個粒子在第k+1代時的飛行速度；表示第i個粒子在第k+1代時的位置；表示第i個粒子到第k代的最優位置；表示種群到第k代的最優位置；為個體認知；為種群認知；w為慣性權重；是粒子的速度；和為學習因子；和為均勻分布在[0,1]內的隨機數；i=1,?2…N；

4)適應度函數為

??????????????????????????????；

5)初始化，將輸入輸出數據歸一化到[-1,1]區間，初始化產生的粒子種群代表不同權重與閾值組合的神經網絡，產生初始BP網絡結構；

6)評價，依據4）中公式計算其適應度；

7)更新位置和速度，通過比較適應度不斷更新粒子的位置，適應度最優的個體極值即為全局極值，對應的權值與閾值為粒子種群的當前最優解，更新速度；

8)算法停止的判斷，達到最大迭代次數或適應度達到期望誤差，停止迭代；

9)最優解的生存，迭代停止時，全局權值對應的權值與閾值為訓練樣本的最優解；

10)將最優解帶入BP神經網絡模型中學習，用來對故障率進行預測。

4.根據前述權利要求所述的城軌列車轉向架的故障預測與視情維修方法，其特征在于，步驟（3）包括如下步驟：

1)建立轉向架的比例風險模型，其風險函數為：

求得故障率閾值：

??????????????????????

其中，t為故障間隔時間，且，和分別是分布的形狀參數和尺度參數,是分布的位置參數，X(t)為協變量；

2)?以工作時間t為橫坐標、以的值為縱坐標作圖，圖形中上線為故障率閾值對應的控制限的上限，下線為故障率閾值對應的控制限的下限。