0 引言
与传统有轨电车相比，现代有轨电车具有车辆外形美观、供电方式灵活和振动噪声小等优势，作为城市公共交通体系的补充，近年来发展较快，车辆投运数量逐年增多。然而，国内主要现代有轨电车车辆供应商均通过技术引进或自主研发方式实现相应形式有轨电车车辆的模块化设计，在转向架结构、悬浮模块设置等方面均存在诸多差异 。因此，探索和制定适用于现代有轨电车车辆状态维修策略，充分发挥车辆设备本身可靠性及使用价值，做到不过修、不欠修，对于提升车辆运维效率，减少车辆检修工作量和降低成本，具有重要意义。
1 现代有轨电车的维修现状
目前，现代有轨电车采用的维修模式包括预防性计划修和故障事后修两种 [1 ]。预防性计划修包括基于时间间隔的定期维修和基于走行公里的定里程维修两种维修策略；故障性事后修是通过状态监测数据、技术条件和运营需求判断，在车辆出现故障或性能不满足要求时进行维修。然而，这两种维修模式常常会在车辆的维修保障中暴露出“维修不足”和“维修过剩”等诸多弊端，不仅检修效率低、维修成本高，而且随着车辆设备性能退化，设备维护的频次和要求不断提高，由于车辆系统的数据信息是多维、多尺度、动态和随机的，传统的维修策略无法实现车辆设备的全生命周期维护管理、故障诊断、健康状态评估和维修策略的制定。
随着大数据分析、通信传输及图像识别等技术的发展，视情状态修方式解决传统预防修和事后修存在的“维修不足”和“维修过剩”等问题，综合利用车载和地面的检测设施采集各类车辆设备数据，并运用智能算法等技术搭建车辆智能专家诊断系统，实现对车辆设备状态进行监控、预测及健康状态评估，并统筹维修资源分配，提供维修决策，实现现代有轨电车车辆状态维修。
2 故障预测和健康管理技术
针对现代有轨电车故障处理和维修维护方面存在的不足，为实现现代有轨电车由事后修和预防修向视情修（状态修）的转变，降低维修成本、提高系统可靠性和安全性，故障预测和
健康管理技术（Prognostics and health management, PHM）是一种有效的技术手段和重要途径。
PHM 是一种包含数据采集、数据处理、故障诊断和寿命预测等环节的分步式信息融合技术，通过整合复杂系统不同维度的运行数据，实现对系统健康状态的量化与维修决策等，如图1所示。
首先，通过先进的传感技术尽可能准确获取和感知系统的运行状态信息和数据；然后，对反映系统运行状态的数据和信息进行分析，通过建立数学模型或智能算法等手段，实现系统的故障诊断、健康评估和寿命预测等；最后，根据系统健康状态的诊断结果，对车辆设备部件的维修模式和维修时机提供决策依据[2]。
3 现代有轨电车PHM 系统架构设计
柴油车根据相应的标准，提出适用于现代有轨电车PHM 系统的参考架构，其中包含车辆安全监测系统和行车安全辅助系统，分为平台层、数据层和应用层。
3.1 平台层
采用传感器采集、信息接入等方式，获取运用过程中现代有轨电车关键设备的故障、维修及监测等数据。
3.2 数据层
采集到的数据通过车地传输通信网络上传到车辆智能专家诊断系统进行储存、计算和分析。接受专家诊断的分析结果，基于神经网络和模式识别技术建立预测模型，对数据进行筛选、诊断和状态预测，并将预测结果传送至预警与维修决策模块。
3.3 应用层
别克凯越1.8通过综合车辆安全监测系统和行车安全辅助系统的数
基于PHM的现代有轨电车车辆状态维修舒 冬
（中铁第四勘察设计院集团有限公司，湖北  武汉  430063）
摘 要：针对现代有轨电车维修策略存在的不足，该文论述了一种基于PHM 技术的现代有轨电车车辆状态维修策略，提出了基于车地无线通信的车辆安全检测设施与行车安全辅助设施的整合方案，通过数据融合法和层次分析法等数据处理方法，解决车辆状态监测数据相对孤立的问题，为运维数据的融合和关联分析提供参考，为现代有轨电车车辆维修策略的制定提供技术路线。关键词：现代有轨电车；故障预测与健康管理(PHM)；数据融合法；层次分析法；状态维修策略中图分类号
：U 231    文献标志码：A
图1 PHM 技术功能框架
据，建立有轨电车健康综合评估模型，对车辆健康状态进行实时评估预判。通过状态预测和故障预警信息，建立维修决策模型，基于大数据的人工智能分析，对维修方式、维修时间、修程修制进行统筹决策。
4 现代有轨电车的PHM系统关键技术
4.1 车辆状态监测与故障数据采集
现代有轨电车的状态信息是通过多场景、多维度立体综合监测体系来实现的，包括车 辆安全监测系统和行车安全辅助系统。车辆安全监测系统如图2所示，其包括车门、弓网、蓄电池、障碍物、脱轨、转向架状态和轨道状态监测系统。车门监测系统通过收集车门控制器和驱动电机中的数据，将车门控制器中内置的数据传输模块传输到车门智能诊断与预测系统；弓网监测系统通过车地无线通信，实时将检测数据发布到地面数据中心；蓄电池监测系统由单元式采样盒采集单体电池电压、内阻和温度，电流传感器采集电池的充放电电流参数，数据通过通信线缆传送至主控器进行分析处理；障碍物检测系统安装于头车转向架前端，利用自身结构吸收列车前方障碍物的冲击能量，当障碍物所产生的冲击力达到一定数值时，障碍物检测系统可自动触发信号至列车控制管理系统并紧急制动，从而保护安全运行。非接触式脱轨检测装置安装在转向架车轮正后方、轨道正上方，跟随车轮沿着车辆运行方向，用于检测转向架车轮是否正常运行于轨道上，可对车辆的脱轨状态进行实时预警；转向架车载故障诊
断系统是通过安装在转向架关键部件上的复合传感器，同时监测振动、冲击、温度3个物理量; 轨道状态检测系统是利用安装在车底的高速摄像机阵列，采集车辆运行时轨道结构的轨枕、弹条、钢轨面等可视部件的图像。以上数据包括现代有轨电车的运行状态数据、操作信息和诊断数据等[3]。
行车安全辅助系统各检测模块安装于出、入线检测棚内，其监测数据属于库内监测维修数据和轨旁设备监控数据，如图3（a）所示。其包括受电弓检测、车顶图像检测、走行部图像检测、车侧图像检测、轮对外形尺寸检测、轴承故障检测、踏面缺陷检测和车辆轴温红外检测系统。受电弓检测系统主要检测受电弓碳滑板磨耗缺陷、接触压力超限、受电弓中心偏差等问题，通过对历史数据的综合分析，总结受电弓的磨耗规律，绘制磨耗趋势图，预测受电弓滑板运用到限时间，如图3（b）所示；轮对外形尺寸检测系统主要检测车轮外形尺寸问题，根据结构光三维视觉透视投影模型的几何结构关系进行数据建模，到激光投射器在空间投射的光平面与图像平面之间的透视投影对应关系，根据建模后的数据对踏面磨耗、轮缘厚度、轮对内侧距、轮缘垂直磨耗、车轮直径等参数进行精准测量；同时，轮对踏面检测系统当列车通过检测单元，触发磁钢获取来车信号控制相机对车轮踏面进行拍照，同时获取踏面图片，将图像数据传输给数据中心进行分析处理，如图3 （c）所示；走行部图像检测系统对车底及车侧电机吊杆、空压机、制动装置、车钩装置等关键部位进行检测，获取有轨电车车底车侧关键部位图像，实现现代有轨电车入库检修闭环管理和电子档案管理；车顶图像检测系统现代有轨电车受电弓、电气箱、空调等设备置于车顶，通过车顶图像检测系统，自动采集经过检测棚车辆的车
顶图像；车侧图像检测系统采用非接触的图像测量技术，对现代有轨电车车侧的可视部位进行全方位的扫描，自动识别获取车门、车窗、油漆状态等异物和部件缺陷数据；轴承故障检测系统对轴箱轴承、齿轮箱输入端轴承和牵引电机输出端轴承内外环、滚动体、保持架的裂纹、剥离等故障进行精确的自动诊断；车辆轴温红外系统利用安装在轨边的温度探测装置，采用辐射测温技术，实时检测运行列车的轴承温度数据[4]。
4.2 数据处理与状态诊断预测
车辆安全监测系统采集的数据通过MVB总线或列车以太网发送给车载PHM主机进行预处理。行车安全辅助系统采集的数据通过汇总和预处理，与车载安全监测系统的数据一同由卫星或者TD-LTE/5G网络，以光纤、Wi-Fi等方式进行数据传输给大数据中心，大数据中心根据不同编号的列车部件或设备进行特征选择、特征提取、数据挖掘和相关多元数据的融合，如图4所示。
其中，常用的数据预处理方法有高（低）通滤波、主成分分析和因子分析等；常用的数据分析方法有描述性分析、相关性分析、回归分析和聚类分析等；为实现有轨电车PHM 系统的多维度数据规律挖掘，常用的方法有决策树法、神经网络算法和遗传算法等。
现代有轨电车车辆状态监测数据被传输至大数据平台进行处理后，基于知识经验和数据挖掘等智能算法，通过智
能专家诊断系统对列车的健康状态进行
定性划分；通过建立的神经网络预测模
型，采用基于数据驱动的故障预测方法，
对列车的健康状态进行诊断和预测，诊
断、划分和预测的结果被用于列车的健
康评估和维修决策。
4.3 车辆健康评估与维修决策
层次分析法是将一个复杂的目标决
策分解为多个目标的若干层次，构建一
个多层次的分析结构模型。该方法是一
种根据实际专家经验判断权重的主观评
价方法，所需数据量少、计算简单。现图2 车辆安全监测系统结构图
丰田86价格
代有轨电车车辆系统结构复杂，
不同系统、零部件有不同的故障形式，对车辆整体状态的影响也就不同，
要实现对车辆
状态的综合评价，就需要对不同系统的影响程度进行权重分
布朗车队
配。
（b） 受电弓压力、中心偏差与磨耗检测原理图
（c） 轮对几何尺寸与踏面缺陷检测（a） 列车出、入线检测棚及各检测系统结构图
美利达飞度
图3 行车安全辅助系统系统组成图
因此，基于车辆系统不同子系统的运行状态故障诊断和预测结果，将多尺度、多维度运行状态信息进行融合分析，结合层次分析法将现代有轨电车的车辆健康状态作为最终决策目标，构建如图5所示的有轨电车健康综合评估框架。其中，根据不同系统（部件）的可靠性、可用性和可维修性进行层次划分，并计算出各层级之间的权重关系。
在以上监测、诊断和评估结果的基础上，充分考虑维修活动中的动态性和随机 性、考虑维修活动在时间和空间上的多尺度效应，统筹PHM 架构中各子系统的信息数据库，建立多因素、多尺度的预警与健康决策模块。应用多目标智能
优化算法，合理调整权重，做好维修管理、物资管理和人力资源管理统筹安排，做出维修时间决策、维修方式决策、维修周期决策和维修程度决策的状态修维修策略。
4.4 技术应用难点
4.4.1 数据处理和信息采集量大
现代有轨电车的PHM 系统平台层由车辆安全监测系统和行车安全辅助系统组成，而各系统又包含多个子系统。因此，为保证车辆故障预测和诊断的准确性，PHM 系统数据层需要采集和处理的数据量会大幅增加。
4.4.2 基于机器学习的故障诊断和维修决策模
型训练
基于机器学习和神经网络技术的车辆智能专家诊断系统和状态预测模型需要通过充足的数据进行训练，数据量越多，诊断和预测模型的准确性越高。
4.4.3 维修决策和故障诊断的准确性需要验证
如4.2和4.3所述，考虑到故障数据的多维度特性、维修活动中的动态性和随机性对故障诊断和维修决策的影响，需要对健康评估和维修决策模型的准确性进行验证。
5 结语
现代有轨电车相比于传统有 轨电车，其结构更加复杂，因此，各系统的故障规律呈现出多样性，传统的定期和定里程等维修策略已难以满
足维修维保的需求。该文提出一种基于PHM 技 术的现代有轨电车车辆状态维修策略，构建基于车地无线通信的车辆安全检测设施与行车安全辅助设施的整合方案，通过数据融合法和层次分析法等数据处理方法，解决监测数据相对孤立的问题，为现代有轨电车车辆维修由基于车辆走行公里和时间间隔的计划维修向状态维修转变提供技术路线。
参考文献
[1]刘高原， 李鸿春， 冯爱军. 中国有轨电车行业发展分析与建议[J]. 都市快轨交通， 2019， 32（1）： 102-109.
[2]牛悦丞， 李芾，  杨阳， 等. 国外新一代100%低地板有轨电车技术特征及发展趋势[J]. 铁道标准设计， 2018， 62（11）： 144-149.
[3]许帅帅. 地铁车辆  故障信息统计分析及检修策略优化[D]. 成都： 西南交通大学， 2013.
[4]吴永深， 李玉奎，
马英华. PHM 技术在轨道车辆空调中的应用研究[J]. 技术与市场， 2020，
27（10）： 30-32.
图4 现代有轨电车PHM 系统网络传输示意图
图5 现代有轨电车健康综合评估模型
长安星卡汽车