基于数字孪生的动车组故障预测

据的质量和数量，若训练数据不足或代表性差，其模型可能无法很好地推广至新的轴承，泛化能力相对较差；Xu等针对高速列车轮对轴承提出一种新的剩余使用寿命预测模型，通过连续监测，将轴承状态分为5个等级，以确定轴承能否安全使用到下一次检修，而不是直接预测剩余使用寿命，该方法采用3D激光扫描技术对测试轴承的损伤状态进行量化，成本相对较高，实用价值较低。针对动车组故障预测研究现状，将数字孪生技术引入动车组故障预测领域，以北京航空航天大学陶飞教授的数字孪生五维模型为基础，结合实际数据，构建动车组数字孪生五维模型，以期通过该模型提升对动车组故障的全面分析和预测能力。数字孪生技术的应用，不仅可以优化维护策略，还能有效规避不必要的维护和检修，从而在一定程也具有一定的实际应用价值。1需求分析故障预测指根据系统现在或历史状态，预测性地诊断部件或系统完成其功能的状态，包括确定部件或系统的剩余寿命，以及正常工作的时间长度。故障预测对设备运维保养具有重要的指导意义。1.1故障预测需求动车组故障预测分析旨在通过监测、分析动车组各部件的运行状态，提前识别潜在故障，从而实现预测性维护，减少故障突发风险，提高动车组的运行效率和安全性。轴箱轴承是动车组的关键部件之一，负责承载列车重量并允许轮对在轨道上顺畅滚动，其健康状况直接影响列车运行安全。进行轴箱轴承故障预测，可在轴承发生严重故障前及时进行维护或更换，避免因轴承故障导致列车延误或事故。以中国铁路上海局集团有限公司 (简称上海局集团公司)轴箱轴承的故障率、报废率为例，根据上海局集团公司动车段反馈数据，2016年1月—2018年12月，轴箱轴承保有量分别为40000、39488、44224套，故障报废数量分别为64、43、63套，整体报废率分别为0.16%、0.11%和0.14%。因此，实现动车组故障预测对于维护铁路运输的高效与安全至关重要。为实现该目标，不仅需要加强相关技术和算法的研究，还应建立完善的动车组故障预测体系。1.2常见故障目前，针对动车组的故障预测研究主要集中在动车组的机械系统与电气系统。常见机械系统故障包括：(1)牵引系统故障：牵引电机、传动系统等故障，导致列车无法正常运行。(2)制动系统故障：制动盘、制动片、制动控制系统等故障，影响列车制动效果。(3)轮对、轴承故障：轮对、轴承出现问题，可能导致列车不稳定或无法正常行驶。常见电气系统故障包括：(1)供电系统故障：接触网受电弓磨损、接触线断裂、蓄电池性能下降等，影响列车供电。(2)控制系统故障：列车控制系统、道岔转辙机、信号系统等故障，导致列车无法控制或通信。以某铁路局集团公司动车组关键部件或系统故障数据为例，常见故障占比见图1,主要涉及的故障部件或系统包括转向架、齿轮箱、牵引电机、轴箱轴承、受电弓、制动系统。牵引电机图1动车组常见故障占比1.3现行动车组故障预测与维护策略2.1预测方法在动车组进行静态检修时，对于缺乏传感器监控的部件和设备，其故障预测主要依靠对动车组的主要部件、系统以及整车进行详尽的可靠性评估。该评估包括对部件的使用寿命、历史故障数据、制造商建议的维护周期等方面的综合考量，以确定可能存在风险的部件和系统，从而提前采取必要的维护措施，确保动车组安全、可靠运行。在动态运行过程中，动车组故障预测主要通过对运行数据的实时当系统检测到异常情况，如数据超出预设的监控阈值，随即发出故障预警，提示工作人员及时检修或维护，以免影响列车正常运行。综合静态检修和动态运行过程中的故障预测，可有效提高动车组运行的可靠性和安全性，保障列车正常运行，减少因故障带来的不便2模型设计数字孪生(DigitalTwin,DT)是指利用数字化技术和模型构建物理世界的数字化镜像，实现虚拟-实体耦合、跨界融合与协同创新。通过数字孪生技术，可实现对物理实体的精确仿真、监控、优化和预测，以帮助人们更好地理解、分析和管理现实世界中的对象或系统。目前，数字孪生技术在智能制造领域已取得巨大成功，将数字孪生技术引入动车组故障预测领域，不仅可利用数字孪生技术对动车组的状态进行实时跟踪和故障预测，提前发现潜在的故障风险，还能降低维护成本、优化运行效率。基于数字孪生的动车组故障预测示意见图2,其预测方法主要分为以下2步：(1)数字孪生五维模型构建：对动车组的设计数据、实时数据、历史数据和维修数据进行采集与处理；基于动车组数据进行几何建模和动力学建模；将几何与动力学模型融合，得到动车组虚拟模型。在动车组数字孪生模型中，设计数据可反映动车组的几何模型情况，实时数据可反映动车组当前状态，历史数据可揭示过去运行情况，维修数据则提供维护保养的信息。(2)故障预测：对动车组数字孪生五维模型进行特征提取，旨在从复杂数据中提取出最具代表性的故障特征，以帮助识别潜在的故障信号。提取的特征可能包括振动频率、温度变化、电气参数等。在模型的训练与推断阶段，依据具体设备运行状况，选择适当的故障预测算法，对已提取的特征进行深入分析与模型构建，对潜在故障情况进行预测。通过引入实时数据，对模型进行持续优化，该过程有助于提升故障预测的精确度。故障预测能够协助动车组及时发现潜在的故障隐患，并制定针对性的维修策略，从而保障动车组的安全稳定运行。维修支持故障预测基于模型数据驱动基于知识预测基于混合模型频率图2基于数字孪生的动车组故障预测示意图2.2模型构建见原文。动车组数字孪生五维建模示意见图3。历史工作运行负荷数据数据迭代优化设计数据记录数据环境迭代优化迭代优化图3动车组数字孪生五维建模示意图2.2.1动车组物理实体动车组物理实体主要包括：牵引、制动、转向架、车体、供电、控制、通信信号、空调与通风、辅助等系统。2.2.2动车组虚拟模型动车组虚拟模型主要包括：(1)几何模型：描述动车组物理实体的外部几何参数，如尺寸、形状，以及部件之间装配关系等。(2)动力学模型：通过深入理解动车组的工作原理、物理特性，以及各个部件之间的相互作用，建立的动车组动力学模型，以理解预测动车组在不同工作环境下的行为。2.2.3故障预测服务该服务旨在提高动车组的运行安全性和可靠性，通过对动车组的提前采取预防措施，减小故障发生的概率和影响。故障预测服务的关键在于精确的数据分析和稳健的模型构建。系统收集动车组的运行、维护、环境数据，进行特征提取和选择，以识别与故障相关的关键特征；利用机器学习和深度学习算法构建故障预测模型，并通过训练数据集优化模型参数，提高预测准确性；模型训练完成后，可实时处理动车组数据，预测故障概率、类型和发生时当预测的故障概率超过阈值时，系统自动发出预警，指导维护工作。此外，故障预测服务还提供维护决策支持，根据预测结果生成维护建议，帮助维护人员更好地规划和安排维修工作，提高维修效率和质量。2.2.4孪生数据动车组孪生数据通常包括以下信息：(1)动车组设计数据：车辆结构设计、机械系统设计、电气系统设计、辅助设备设计、安全系统设计、车辆性能、车辆空气动力学(2)实时传感器数据：动车组各个部件的传感器数据，如温度、压力、振动等。(3)历史运行数据：动车组运行情况、维护记录、故障历史等。通过分析历史数据，识别设备的运行及故障模式。(4)工作负荷数据：记录动车组的工作负荷情况，如负载变化、运行速度、加速度等。(5)环境数据：考虑外部环境对动车组运行的影响，如气温、(6)维修记录数据：记录动车组的维修、保养情况，如维修时2.2.5连接动车组通过车载信息无线传输系统(WirelessTransmissionDeviceSystem,WTDS),将列车实时运行数据等信息传输至地面服3关键技术3.1动车组故障预测方法设备或部件的特点，采取与之相适应的方法(见表1)。表1动车组故障预测方法基于模型的预测结果非常准确；状态空间等故障预测方法基于知识的故障预测方法器学习算法进行分析，可有效预测潜在故障；而对于轮对、轴承等机械部件，其主要故障通常是表面损伤，更适合采用基于模型的故障预测方法。通过建立部件的几何模型和运动学模型，深入了解其运行机理，能更准确地预测故障。3.2故障预测关键步骤在动车组实际的故障预测阶段，可根据各系统或部件独特的物理结构和运动特性，选择相适应的故障预测模型。一旦选定模型，就需要进行模型的开发与实施工作。该过程需要深入理解系统或部件内在的机理，选取合理的故障特征，从而最大程度地捕获系统或部件的潜在故障。具体步骤如下：(1)特征提取。在数字孪生模型中，分析历史故障案例，提取反映动车组各个系统或部件健康状态的特征变量，如振动信息、温度变化、电流变化、压力变化等多种信号。(2)预测模型训练。基于提取的特征变量，借助前述的故障预测方法进行训练，在训练过程中，需要整合历史故障数据，包括故障发生前一段时间内的数据及故障标签(即故障类型、部位和发生时间等)。同时，还需要利用大量正常运行数据来增强模型对正常状态的辨识能力，防止误报。通过训练，模型逐渐学习到不同故障类型与特征变量之间的内在联系，构建出故障与特征之间的非线性映射关系，最终实现动车组系统或部件的故障预测。(3)实时预测与决策支持。当数字孪生模型实时接收来自动车组的实际运行数据时，已训练好的预测模型会对新输入的特征数据进(4)动态优化。根据故障预测结果和实际检测反馈，不断优化4典型案例故障预测方法展开研究。具体研究方法示意见图4。数字孪生空间数字孪生空间数据轴承数字孪生体信息轴承物理实体轴承振幅变化轴承温度变化传感器实时数据工作负荷数据历史数据轴承设计数据历史维护数据历史运行数据故障预测模型训练物理空间图4基于数字孪生的轴箱轴承故障预测方法4.1轴箱轴承模型构建4.1.1物理实体车组采用NTN公司双列圆锥滚子轴承，主要包括轴承内圈、轴承外圈、轴承保持架、轴承滚体4个部分。4.1.2虚拟模型(1)几何建模方案。对于轴箱轴承的几何建模，采用基于点云的三维建模方案(见图5)。首先，利用三维扫描仪对轴承进行扫描，获取表面点云数据并进行预处理；其次，将不同位置扫描所得点云数据进行配准，以获得完整的轴承表面信息；再对配准后的点云数据进行曲面重构，转换为光滑的曲面模型；最后，修复生成的曲面模型，确保完整性和准确性。具体的构建流程见图6。图5轴箱轴承几何建模图6轴箱轴承数字孪生几何模型构建流程(2)动力学建模方案。轴箱轴承在运转过程中，假设轴承外圈保持静止、内圈匀速转动，忽略滑动摩擦。计算相应内外圈故障频4.1.3故障预测服务该服务通过构建轴箱轴承的数字孪生模型，实现对轴箱轴承性能的实时监控。通过对收集到的振动、温度等数据进行深入分析，评估轴承的运行状态。通过故障预测算法，建立轴箱轴承故障预测模型，准确预测轴承的剩余使用寿命。4.1.4孪生数据轴箱轴承孪生数据包括初始设计参数、材料特性、几何结构等设计数据，这些数据为轴承的虚拟模型提供了基础。同时，孪生数据还包括来自安装于轴承各传感器的实时数据，如振动传感器、温度传感器、压力传感器等，传感器能够捕捉轴承在实际工作条件下的性能变化。结合设计和实时传感器数据，可构建一个动态的数字孪生模型，以模拟轴承实际运行状况，并用于预测轴承的剩余使用寿命和潜在故4.1.5轴箱轴承连接通过传感器实时监测轴箱轴承的工作状况，将捕捉的轴承温度、振动、负载和其他关键性能指标，通过WTDS系统安全、高效地传输4.2故障预测4.2.1轴箱轴承故障预测方法际数据与模型预测数据，识别潜在故障。预测方法见表2。表2轴箱初始化包含N个粒子的集合：(xx2…x),其中每个粒子表示1个轴箱轴承可考虑轴承系统的运行参数和外部输入，根据上一时刻粒子状态预测当根据实际观测到的轴箱轴承信号数据，使用观测模型更新粒子的权重，以反映观测值与状根据粒子权重随机选择粒子实现，可减少权重较小的粒子数量，增加权重较大的粒子数量，4.2.2预测结果波算法对轴箱轴承的故障进行预测。根据故障预测结果(见图7),210