強風沙環(huán)境下動車組塞拉門預防性維修周期研究

李熒，戚峰，尹鵬飛，葛盛昌，魯寨軍

?

強風沙環(huán)境下動車組塞拉門預防性維修周期研究

李熒1, 2，戚峰3，尹鵬飛3，葛盛昌3，魯寨軍1, 4, 5, 6

(1. 中南大學 交通運輸工程學院，湖南 長沙，410075；2. 中國鐵路北京局集團有限公司，北京，100860；3. 中國鐵路烏魯木齊局集團有限公司，新疆維吾爾自治區(qū) 烏魯木齊，830011；4. 中南大學 軌道交通安全教育部重點實驗室，湖南 長沙，410075；5. 軌道交通安全關(guān)鍵技術(shù)國際合作聯(lián)合實驗室，湖南 長沙，410075；6. 軌道交通列車安全保障技術(shù)國家地方聯(lián)合工程研究中心，湖南 長沙，410075)

針對強風沙運用環(huán)境與長交路運行工況對動車組關(guān)鍵系統(tǒng)及部件故障的影響特性，建立基于系統(tǒng)可用度的預防性維修周期決策模型；考慮蘭新(甘肅蘭州—新疆烏魯木齊)高鐵開行時間短、檢修經(jīng)驗不足等問題，提出基于Monte?Carlo思想的統(tǒng)計模擬算法。利用蘭新客運專線強風沙運用環(huán)境下的塞拉門服役故障信息，對決策模型分布函數(shù)進行定義、參數(shù)估計和假設(shè)檢驗；利用建立的模型在MATLAB環(huán)境下仿真計算塞拉門預防性維修周期，結(jié)合現(xiàn)場實驗驗證維修決策模型和算法的有效性。研究結(jié)果表明：塞拉門故障服從形狀參數(shù)為0.779、尺度參數(shù)為315 158.178的雙參數(shù)威布爾分布；隨預防性維修周期增加，塞拉門的可用度先增加后減小，考慮到預防性維修的人員組織、均衡作業(yè)和修程間隔等因素，確定其維修保養(yǎng)運行里程為10萬km。

強風沙；維修周期；動車組；塞拉門；蘭新客運專線

蘭新(甘肅蘭州—新疆烏魯木齊)高鐵長期處于強風沙、高溫、高寒、長運行路徑等特殊的環(huán)境中[1]，動車組各系統(tǒng)、部件及整體綜合性能面臨嚴峻考驗。為了使動車組對特殊運用環(huán)境有良好的適應性，一方面，人們針對受環(huán)境影響敏感的系統(tǒng)進行合理研發(fā)與改造；另一方面，在運用維修上，需結(jié)合季節(jié)、天氣、故障規(guī)律等實際因素，制定合理的預防性維修范圍和周期，盡可能提前防止故障發(fā)生，以保障動車組安全、準時運行和提高乘客滿意度。國內(nèi)外許多學者對復雜設(shè)備維修周期進行了大量研究，如呂立波等[2?6]針對非動車組復雜設(shè)備，建立了周期決策模型，并提出了相應計算方法。在動車組預防性維修周期方面，丁陽喜等[7]對動車組車輪旋修周期進行了研究；趙澤平等[8]提出了一種基于可靠性來確定預防性維修周期的方法，并以CRH1型動車組高壓電氣系統(tǒng)為例進行了驗證；趙金方等[9?11]針對動車組零部件預防性維修周期進行了研究。目前，人們對考慮環(huán)境因素對動車組維修周期的研究較少，為此，本文作者針對蘭新高鐵強風沙運用環(huán)境的實際現(xiàn)狀，根據(jù)可靠性理論，通過收集、分析動車組目標系統(tǒng)故障數(shù)據(jù)，建立相應的維修周期決策模型，采用模擬仿真的方法確定預防性維修周期，以便為動車組運用維修部門提供參考依據(jù)。

1 維修周期決策模型

蘭新高鐵于2014年11月開通運營至今，由于人員、時間、技術(shù)、設(shè)備和動車組自身狀態(tài)等原因，動車組故障數(shù)據(jù)和設(shè)備檢修經(jīng)驗不足，通過動車組運用維修信息和經(jīng)驗來推斷預防性維修周期不具備可行性。設(shè)備故障的發(fā)生具有隨機性，針對動車組環(huán)境敏感的部件和系統(tǒng)，根據(jù)積累的動車組真實服役故障數(shù)據(jù)，確定系統(tǒng)的故障分布函數(shù)，結(jié)合相關(guān)標準與蘭新高鐵動車組運用維修實際的可操作性，建立科學合理的運用維修周期決策模型，是確定強風沙地區(qū)動車組運用維修周期的重要途徑。

1.1 仿真模型定義

動車組故障發(fā)生與系統(tǒng)、部件的工作時間有關(guān)。工作時間與運行里程密切對應，我國實行以運行里程為主、運行時間為輔的檢修制度。設(shè)強風沙環(huán)境對某系統(tǒng)或系統(tǒng)組件有顯著影響，且其故障服從某分布函數(shù)，在1個預防性維修周期內(nèi)(預防性維修周期與預防性維修作業(yè)時間之和)發(fā)生了多次故障，發(fā)生故障后需在動車組運用所進行動車組故障處理，由于動車組件多為模塊化設(shè)計，故障處理多以更換故障件和清潔保養(yǎng)為主，故障后維修如新；運行途中發(fā)生故障時，返所進行故障處理以及預防性維修均會降低動車組的利用率，其耽誤的時間和造成的行車影響折算為運行里程。以動車組可用度(1/(1+2)，其中，1為工作時間，2為不能工作時間)[12]為目標函數(shù)，建立以下最佳周期仿真優(yōu)化模型。

各約束條件含義如下：

約束條件1) 表示平均可用度的計算公式，即1次計算的可用度平均值。

約束條件2) 表示可用度的計算方法，即以上線總運行里程為分子，上線總運行里程、故障修耽誤折算的總運行里程、預防性維修耽誤折算的運行里程與懲罰函數(shù)值的總和為分母的比值。

約束條件3) 表示1個預防性維修周期內(nèi)動車組上線總運行里程。1個預防性維修周期內(nèi)發(fā)生了2次(為隨機變量)故障，故其總運行里程為2+1次上線運行里程之和。

約束條件4) 表示不能超期檢修。由于中國鐵路總公司規(guī)定了動車組各項目的預防性檢修周期，故可以根據(jù)實際情況適當縮短檢修周期，但不能進行超期檢修。

約束條件5) 表示1個預防性維修周期內(nèi)發(fā)生2次故障，進行2次故障處理所折算的累積運行里程。

約束條件6) 表示預防性維修作業(yè)時間太短時檢修作業(yè)質(zhì)量不能得到保證，時間太長將影響其他檢修項目作業(yè)。為保證預防性維修的作業(yè)質(zhì)量，同時考慮作業(yè)效率，預防性維修的作業(yè)時間需介于上、下限之間，相應地，預防性維修時間折算的運行里程也需介于上、下限之間。

約束條件7) 為懲罰函數(shù)，即在1個預防性維修周期內(nèi)，運行途中所發(fā)生故障對動車組可用性的總影響。一方面，動車組入庫進行故障處理和周期預防性檢修會直接影響動車組的可用性；另一方面，動車組故障常在運行途中發(fā)生，當故障發(fā)生后，動車組需降速、停車甚至救援，均會影響動車組的可用性?？紤]1個預防性維修周期內(nèi)故障發(fā)生的次數(shù)和時機，故障次數(shù)越多，影響越大；同時，由于故障在運行途中無法修復，運行途中發(fā)生故障的時機不同，對運用的影響也不同，故障發(fā)生時刻越靠近始發(fā)或終到站，對行車影響越小，相反則越大，且這種影響與故障處理時間成正比關(guān)系。所以，1個周期內(nèi)總影響表達為故障發(fā)生時，距始發(fā)或終到站的距離與進行此故障處理折算的運行里程乘積的累積和。

1.2 Monte-Carlo統(tǒng)計模擬算法

蘭新高鐵長1 776 km，經(jīng)歷多個大風區(qū)，自開通運營以來，一些對風沙敏感的系統(tǒng)、部件和部位因強風沙而發(fā)生故障，采用長期統(tǒng)計分析大量此類故障發(fā)生的季節(jié)、天氣、運行里程等，確定出1個具體的維修周期更符合實際，但這需要長時間的動車組運行故障數(shù)據(jù)積累。本文利用篩選的樣本故障信息，推導出目標系統(tǒng)或部件的故障分布函數(shù)，然后采用Monte? Carlo模擬仿真的方法來確定維修周期，能準確模擬現(xiàn)實故障發(fā)生的隨機性，是比較合理、科學的解決方案。

Monte-Carlo統(tǒng)計模擬流程如下：首先收集、篩選因強風沙因素導致的動車組設(shè)備故障信息；然后確定系統(tǒng)的故障分布函數(shù)，利用篩選的故障數(shù)據(jù)，對分布函數(shù)進行參數(shù)估計和假設(shè)設(shè)檢；最后利用確定的故障分布函數(shù)，采用Monte-Carlo隨機模擬的方法來決策最佳的預防性維修周期。算法流程如圖1所示，其中?為仿真模擬時運行里程增加的步長，其他變量和參數(shù)的含義與模型(1)中的相同。算法的思想是逐步增加預防性維修周期，采用Monte-Carlo統(tǒng)計模擬方法，計算每個預防性維修周期下的可用度。為保證計算的穩(wěn)定性與可靠性，在每個周期下迭代模擬1次，取平均值為該預防性維修周期下的可用度，當達到最高運行里程時結(jié)束計算。

2 算例分析

2.1 塞拉門故障數(shù)據(jù)

自2014年聯(lián)調(diào)聯(lián)試開始至2017年底，蘭新高鐵在特殊環(huán)境下運行的CRH5型動車組多次在途中發(fā)生某車門無法打開或關(guān)閉故障，入庫檢查各控制、機械部件均無異常，原因多為風沙、冰雪進入密封膠條，一段時間后導致膠條上的潤滑油脂變質(zhì)老化、干澀、卡滯、密封不良，通過對密封膠條進行清潔、保養(yǎng)后，車門開閉良好。對此類故障進行整理，故障時對應的運行里程如圖2所示。

圖1 算法流程

圖2 塞拉門故障里程分布

2.2 確定塞拉門故障分布函數(shù)

常用的故障分布函數(shù)有正態(tài)分布、指數(shù)分布和威布爾分布。威布爾分布是一種適應面較廣的分布形式，在復雜系統(tǒng)的故障率及可靠性研究方面得到廣泛應用[13?14]。兩參數(shù)的威布爾分布函數(shù)為：

其中：為形狀參數(shù)；為尺度參數(shù)。

參數(shù)估計是確定故障分布函數(shù)的關(guān)鍵環(huán)節(jié)，參數(shù)估計方法有矩法估計、最小二乘法和極大似然估計等。在各估計方法中，極大似然估計可靠性較好[15?18]。設(shè)塞拉門故障服從兩參數(shù)的威布爾分布函數(shù)，利用MATLAB軟件，采用極大似然估計法計算各參數(shù)值，結(jié)果如表1所示。

分布檢驗是推斷故障數(shù)據(jù)是否服從初步分析所選定的分布類型的一種檢驗方法。擬合優(yōu)度是故障數(shù)據(jù)分布與所選定理論分布之間符合程度的度量，K-S是一種常用的擬合優(yōu)度檢驗方法，通過建立統(tǒng)計量D[19]來表征：

表1 威布爾分布參數(shù)估計

其中：0()為計算的分布函數(shù)；F()為經(jīng)驗分布函數(shù)。當假設(shè)問題0：0()=F()成立時，對于給定的可以得到D的精確分布和→∞的極限分布。

1—經(jīng)驗分布函數(shù)；2—故障分布函數(shù)。

圖3 Weibull故障分布函數(shù)與經(jīng)驗分布函數(shù)對比

Fig. 3 Comparison between Weibull distribution function and empirical distribution function

2.3 塞拉門預防性維修周期計算

通過對班組故障處理和預防性維修作業(yè)時間進行統(tǒng)計，其分布分別服從均值為1.72 h和7.53 h、方差為0.12和0.21的正態(tài)分布。蘭新高鐵全長1 776 km，故進行預防性維修的運行里程約為1 770 km的整數(shù)倍，故仿真遞進步長?=g=1 770 km；三級(120萬km)及以上高級修程，令max=120萬km。為保證算法的可靠性與穩(wěn)定性，每個周期下隨機模擬計算2 000次，即1=2 000次；采用不斷變化的懲罰等級，即在1個預防性維修周期內(nèi)，故障越多，懲罰等級越高。

利用各分布函數(shù)及上述算法，在MATLAB環(huán)境下編程計算，計算結(jié)果如圖4所示。從圖4可以看出：隨著預防性維修周期不斷增加，動車組可用度先增大，在10萬km左右達到最大值，然后隨周期增大不斷減小。由于CRH5型動車組運用維修修程(一級修除外)為5萬，10萬，15萬和30萬km等，最小修程為 5萬km，其中塞拉門預防性維修、保養(yǎng)周期為15萬km。考慮人員組織及其均衡作業(yè)的因素，根據(jù)上述仿真計算結(jié)果，蘭新高鐵在強風沙運用環(huán)境下，動車組塞拉門的最佳預防性維修周期為10萬km。根據(jù)現(xiàn)場驗證觀察，當維修周期為10萬km左右時，各塞拉門密封膠條內(nèi)積塵較明顯且存在異物，部分門邊膠條上的潤滑、密封油脂很少，開始變得干澀，必須進行清潔和保養(yǎng)。

圖4 可用度與周期的關(guān)系

3 結(jié)論

1) 蘭新高鐵開通后，面臨大風、長交路及強風沙的運用環(huán)境，與國內(nèi)其他地區(qū)的運用環(huán)境存在很大差異。對于運用維修部門而言，預防性維修周期是所面臨的主要問題之一?？紤]到強風沙環(huán)境因素對部分系統(tǒng)的預防性維修周期有很大影響，針對長運行路徑及運行途中故障發(fā)生時機對動車組有不同影響的特點，建立了基于可用度的預防性維修周期決策模型。

2) 針對蘭新高鐵開行時間短、運用維修數(shù)據(jù)少和檢修經(jīng)驗不足等問題，提出了利用故障分布函數(shù)的Monte?Carlo統(tǒng)計模擬算法。該算法簡潔、易實現(xiàn)，實用性強。

3) 對積累的塞拉門故障數(shù)據(jù)進行篩選、整理，通過故障分布函數(shù)類型的假設(shè)、參數(shù)估計和假設(shè)檢驗，確定了受風沙影響的塞拉門故障服從形狀參數(shù)為0.779、尺度參數(shù)為315 158.178的兩參數(shù)威布爾分布。利用建立的周期決策模型、算法和故障分布函數(shù)，在MATLAB平臺下計算了塞拉門預防性維修周期，結(jié)合人員組織與均衡作業(yè)的因素，得出蘭新高鐵強風沙環(huán)境下CRH5G型動車組的塞拉門預防性維修保養(yǎng)周期為10萬km。

4) 由于蘭新高鐵開行時間較短，受人員素質(zhì)及技術(shù)手段的限制，對風沙敏感的系統(tǒng)、部件如濾網(wǎng)、設(shè)備艙等的風沙數(shù)據(jù)積累還很少，確定這些系統(tǒng)、部件、檢修項目的預防性維修周期還需進一步研究。

[1] 康衛(wèi)林. 高速動車組設(shè)備艙通風格柵氣粒分離特性的數(shù)值模擬[D]. 蘭州: 蘭州交通大學機電工程學院, 2015: 10?23.KANG Weilin. Numerical simulation of gas-solid separation characteristics on ventilate equipment cabin grille of high-speed train[D]. Lanzhou: Lanzhou Jiaotong University. School of Mechanical Engineering, 2015: 10?23.

[2] 呂立波, 高崎, 李有為, 等. 基于蒙特卡洛仿真的設(shè)備維修周期建模與優(yōu)化[J]. 計算機與數(shù)字工程, 2011, 39(4): 47?49. Lü Libo, GAO Qi, LI Youwei, et al. Maintenance modeling and optimization of equipment based on Monte Carlo simulation[J]. Computer & Digital Engineering, 2011, 39(4): 47?49.

[3] 葛陽, 高崎, 黃照協(xié). 基于可用度的復雜設(shè)備維修周期決策模型[J]. 數(shù)學的實踐與認識, 2012, 42(8): 174?179. GE Yang, GAO Qi, HUANG Zhaoxie. Maintenance interval period decision-making model of complex equipment based on availability[J]. Mathematics in Practice and Theory, 2012, 42(8): 174?179.

[4] MELCHOR-HERNáNDEZ C L, RIVAS-DáVALOS F, MAXIMOV S, et al. A model for optimizing maintenance policy for power equipment[J]. International Journal of Electrical Power & Energy Systems, 2015, 68(68): 304?312.

[5] WU Changjie, LI Yanting, XI Lifeng. A preventive maintenance model for leased equipment subject to internal degradation and external shock damage[J]. Reliability Engineering & System Safety, 2016, 154: 1?7.

[6] VILARINHO S, LOPES I, OLIVEIR J A A. Preventive maintenance decisions through maintenance optimization models[J]. Procedia Manufacturing, 2017, 11: 1170?1177.

[7] 丁陽喜, 唐玉杰, 朱韶光, 等. 動車組旋修周期驗證研究[J]. 鐵道機車車輛, 2015, 35(4): 25?30. DING Yangxi, TANG Yujie, ZHU Shaoguang, et al. Research on the verification of reprofiling cycle for EMU[J]. Railway Locomotive & Car, 2015, 35(4): 25?30.

[8] 趙澤平, 姚建偉, 張可新. 基于可靠性理論制定動車組子系統(tǒng)最佳預防維修周期的方法研究[J]. 鐵道機車車輛, 2014, 34(4): 85?89. ZHAO Zeping, YAO Jianwei, ZHANG Kexin. Study of method to calculate the best preventive maintenance period for EMUs subsystem based on reliability theory[J]. Railway Locomotive & Car, 2014, 34(4): 85?89.

[9] 趙金方. 動車組零部件預防性維修周期決策模型的研究[D]. 北京: 北京交通大學機械與電子控制工程學院, 2010: 35?41. ZHAO Jinfang. The study of EMU components preventive maintenance period decision model[D]. Beijing: Beijing Jiaotong University. School of Mechanical, Electronic and Control Engineering, 2010: 35?41.

[10] 孫超. 基于可靠性分析的軌道交通車輛轉(zhuǎn)向架維修周期研究[D]. 南京: 南京理工大學自動化學院, 2014: 37?55. SUN Chao. Research on maintenance cycle of rail vehicle bogie based on reliability analysis[D]. Nanjing: Nanjing University of Science and Technology. School of Automation, 2014: 37?55.

[11] 王彩霞. 高速動車組主要零部件損傷規(guī)律及維修周期的研究[D]. 北京: 北京交通大學機械與電子控制工程學院, 2012: 56?62. WANG Caixia. The damage rules and the maintenance cycle of the main components of the high-speed EMU[D]. Beijing: Beijing Jiaotong University. School of Mechanical, Electronic and Control Engineering, 2012: 56?62.

[12] CHARLES E E. 可靠性與維修性工程概論[M]. 康銳, 譯. 北京: 清華大學出版社, 2010. CHARLES E E. An introduction to reliability and maintainability engineering[M]. KANG Rui, trans. Beijing: Tsinghua University Press, 2010.

[13] BISTOUNI F, JAHANSHAHI M. Evaluating failure rate of fault-tolerant multistage interconnection networks using Weibull life distribution[J]. Reliability Engineering and System Safety, 2015, 144: 128?146.

[14] GUILANI P P, AZIMI P, NIAKI S T A, et al. Redundancy allocation problem of a system with increasing failure rates of components based on Weibull distribution: a simulation-based optimization approach[J]. Reliability Engineering and System Safety, 2016, 152(C): 187?196.

[15] 金良瓊. 兩參數(shù)Weibull分布的參數(shù)估計[D]. 昆明: 云南大學數(shù)學與統(tǒng)計學院, 2010: 21?24. JIN Liangqiong. Two parameter estimation for Weibull distribution[D]. Kunming: Yunnan University. School of Mathematics and Statistics, 2010: 21?24.

[16] COORAY K. A study of moments and likelihood estimators of the odd Weibull distribution[J]. Statistical Methodology, 2015, 26: 72?83.

[17] JIAN Xiang, WANG Dong, JIANG Ping, et al. Inference on the reliability of Weibull distribution with multiply Type-I censored data[J]. Reliability Engineering and System Safety, 2016, 150: 171?181.

[18] AYDO?DU H, ?ENO?LU B, MAHMUTKARA. Parameter estimation in geometric process with Weibull distribution[J]. Applied Mathematics and Computation, 2010, 217(6): 2657?2665.

[19] 王靈芝. 以可靠性為中心的高速列車設(shè)備維修決策支持系統(tǒng)研究[D]. 北京: 北京交通大學機械與電子控制工程學院, 2011: 41?43. WANG Lingzhi. Research on reliability-centered maintenance decision and support system for high-speed train equipments[D]. Beijing: Beijing Jiaotong University. School of Mechanical, Electronic and Control Engineering, 2011: 41?43.

(編輯 陳燦華)

Study on preventive maintenance cycle of sliding plug door of high-speed train in strong blown-sand area

LI Ying1, 2, QI Feng3, YIN Pengfei3, GE Shengchang3, LU Zhaijun1, 4, 5, 6

(1. School of Traffic & Transportation Engineering, Central South University, Changsha 410075, China;2. China Railway Beijing Group Co. Ltd., Beijing 100860, China;3.China Railway Urumuqi Group Co. Ltd., Urumuqi 830011, China;4. Key Laboratory of Traffic Safety on Track (Central South University)，Ministry of Education, Changsha 410075, China;5. Joint International Research Laboratory of Key Technology for Rail Traffic Safety, Changsha 410075, China;6. National & Local Joint Engineering Research Center of Safety Technology for Rail Vehicle, Changsha 410075, China;)

To investigate the blown sand environment influence on train-set fault occurrence under long routing operation, a preventive maintenance period decision model based on system availability was proposed. With inadequate running time and maintenance experience on Lanzhou—Xinjiang high-speed railway line, Monte?Carlo-based algorithm was presented for statistical simulation. Real service fault occurrence information of sliding plug door was employed for distribution function definition, parameter estimation and hypothesis testing. Finally, preventive maintenance period of sliding plug door was calculated with MATLAB programming using the suggested model, which was then validated by field test. The results indicate that the fault occurrence of sliding plug door submits to two-parameter Weibull distribution, where the shape parameter is 0.779 and scale parameter is 315 158.178. With the increase of preventive maintenance period, the availability of sliding plug door increases at first and then decreases. Taking factors such as personnel organization of preventive maintenance, balanced operation and repair interval into account, the maintenance period of sliding plug door is determined to be 100 000 km.

strong blown-sand; maintenance cycle; train-set; sliding plug door; Lanzhou—Xinjiang railway for passenger traffic

10.11817/j.issn.1672-7207.2018.09.030

U279.3

A

1672?7207(2018)09?2344?06

2017?11?12；

2018?01?22

國家重點研發(fā)計劃項目(2016YFB1200104)(Project(2016YFB1200104) supported by the National Key R&D Program of China)

李熒，高級工程師，從事風區(qū)鐵路行車安全研究；E-mail:liying8806@163.com