轨道交通设备状态检测维护方法及系统与流程

本发明涉及领域交通设备的技术领域，尤其是轨道交通设备状态检测维护方法及系统。

背景技术：

轨道交通系统的修程修制主要包括日检、月检、架修、大修等，其主要的根据是轨道交通列车的运行里程及故障信息、相关设备设施的服役隐患信息，易出现过度维修和维修不足的现象。设备设施出现故障隐患时维修，易造成晚点和机破，影响列车运营秩序。从维修技术来看，大量功能冗余、组网复杂、接口各异、安装繁琐的车载传感器实时采集信息过于局限，其回传数据在融合处理分析上的难度加剧，且由于缺乏不停机、非接触式的数据采集方式，安全检测主要集中于经验故障模式下的被动检测、物理机理规律下解析检测和割裂耦合关系下的离散检测，固有的人为主观因素干扰和设备产品原理封闭等问题，致使安全测评更多是局限于学术科研。

目前，采取预测性维护手段面临重重障碍，工业现场故障数据、运行状态数据的缺乏，数据标本少，模型精度低等，导致实际效果与期望相关较大。做预测性维护的最大困难是工业现场数据的缺乏。建立及训练预测性维护的模型至少需要两类历史数据——故障数据以及设备运行状态数据。并且这两类数据的数量要足够大，这样训练出的模型、基准库才更为准确。但是一方面很多设备的停机故障发生概率很低，可能一年也没几次，因此，这类数据的线上收集就需要很长时间。另一方面，很多工业现场并没有完善的设备数据采集系统，或者即使有一些scada之类的系统，也更多是完成实时状态监控，对于设备运行的状态数据，保存时间短，缺乏设备数据的长期保存，导致交通设备、设施的维护难以实现。

技术实现要素：

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的是提供一种轨道交通设备状态检测维护方法，能够对交通设备进行准确故障预测并指定维护计划，以保证交通设备的正常运行。

为此，本发明的第二个目的是提供一种轨道交通设备状态检测维护系统。

本发明所采用的技术方案是：

第一方面，本发明提供一种轨道交通设备状态检测维护方法，其特征在于，包括以下步骤：

步骤s1：根据设备或各部件的基本情况获取设备或各部件的故障情况与影响其寿命的影响因素，模拟设备或各部件影响因素影响下的应用场景并获取设备或各部件的全生命周期数据以形成全生命周期数据库，根据全生命周期数据库建立设备或各部件的动态模型；

步骤s2：根据当前不同的设备或各部件，分析并采集影响当前设备或各部件故障、隐患、寿命的主要影响因素及特征；

步骤s3：接收当前设备或各部件的主要影响因素及特征的数据以获取运行状态数据，分析运行状态数据并判断设备或各部件是否存在潜在故障；

步骤s4：对设备或各部件进行故障预测以及故障诊断，根据故障分析结果生成维护计划并发送至终端。

进一步地，步骤s1包括以下步骤：

步骤s11：对设备或各部件的结构、材料、电控、逻辑以运行特点进行分析；

步骤s12：获取设备及各部件故障情况与影响设备或各部件使用寿命的影响因素；

步骤s13：复现设备或各部件的应用场景，采用相同的影响因素激励下并根据相同频谱与时空比压缩的关系进行硬件在环测试仿真，以获取设备或各部件的全生命周期数据；

步骤s14：根据设备或各部件的全生命周期数据以形成全生命周期数据库，根据全生命周期数据库以建立设备或各部件的动态模型，其中，动态模型包括健康度模型、健康退化模型和故障预测模型。

进一步地，步骤s2包括以下步骤：

步骤s21：针对当前不同设备或各部件，分析影响设备或各部件故障、隐患、寿命的主要影响因素及特征；

步骤s22：采集主要影响因素及特征的模拟量并转换成数据信号上传至控制器。

进一步地，步骤s3包括以下步骤：

步骤s31：收主要影响因素及特征的数据信号并转换为设备或各部件的运行状态数据；

步骤s32：监控软件对运行状态数据进行初步的分析、过滤、校正；

步骤s33：预设报警阈值，将处理后的运行状态数据与报警阈值比较以判断设备是否存在潜在故障。

进一步地，步骤s4包括以下步骤：

s41：根据报警信号将对应的设备或各部件采用基于模型的与基于数据驱动的故障预测技术进行故障预测和故障诊断；

s42：根据故障诊断和故障预测的结果进行维护可行性分析，生成维护计划并发送至终端。

第二方面，本发明提供一种轨道交通设备状态检测维护方法及系统，包括：

获取模块，用于对设备或各部件进行分析以获取设备或各部件的故障情况与影响因素；

模型建立模块，用于在模拟影响因素影响设备或各部件的应用场景下获取其生命周期数据并建立动态模型；

分析模块，用于针对当前不同的检测对象，分析并采集影响设备或各部件故障、隐患、寿命的主要影响因素及特征；

处理判断模块，用于接收设备或各部件主要影响因素及特征的运行状态数据并处理，并与预设的报警阈值比较以判断是否存在潜在故障；

故障诊断与预测模块，用于根据报警信息对相应的设备或各部件进行故障预测与故障诊断；

维护决策模块，用于根据故障预测和故障诊断结果制定对应的维护计划并发送至终端。

进一步地，，所述获取模块包括：

分析单元，用于分析设备或各部件的结构、材料、电控、逻辑、运行等特点；

获取单元，用于根据分析单元的分析结果以获取设备或各部件的故障情况和影响因素。

进一步地，所述模型建立模块包括：

采集单元，用于在模拟设备或各部件的应用场景，并根据相同频谱与时空同比压缩的关系进行硬件在环测试仿真以获取设备或各部件的全生命周期数据；

模型建立单元，用于根据全生命周期数据形成的全生命周期数据库建立设备或各部件的动态模型。

进一步地，所述处理判断模块包括：

接收单元，用于接收影响设备或各部件正常工作的因素、故障的类型及表现形式并转化为影响设备或各部件的运行状态数据；

处理单元，用于对设备或各部件的运行状态数据进行分析、过滤、校正；

比较判断单元，用于预设报警阈值，当运行状态数据与报警阈值比较以判断是否存在潜在故障。

进一步地，所述故障诊断与预测模块包括：

模型故障预测单元，用于通过对设备或各部件功能损伤的计算并评估零部件的损伤程度，建立物理模型或随机过程建模，评估设备或各部件的剩余寿命；

数据驱动故障预测单元，用于通过各数据分析处理方法挖掘其中的隐含信息进行评估、诊断和预测操作。

本发明的有益效果是：

本发明通过采用先检测设备或各部件的故障情况和影响因素，然后获取其生命周期，监测以采集运行数据并对于超过报警阈值的运行数据进行报警，并对报警的设备或各部件进行故障预测且制定维护计划的技术手段，克服现有技术中存在难以预测机器零件剩余使用寿命的技术问题，实现了对交通设备设施或零部件的实时在线故障诊断、趋势预测、部件全寿命管理的目标。

附图说明

图1是本发明一种轨道交通设备状态检测维护系统实施例的系统结构示意图；

图2是本发明一种轨道交通设备状态检测维护方法实施例的流程图；

图3是本发明一种轨道交通设备状态检测维护方法实施例的详细流程图。

附图标记：10、获取模块；11、分析单元；12、获取单元；20、模型建立模块；21、采集单元；22、模型建立单元；30、分析模块；31、监测单元；32、信号采集单元；40、处理判断模块；41、接收单元；42、处理单元；43、比较判断单元；50、故障诊断与预测模块；51、模型故障预测单元；52、数据驱动故障预测单元；60、维护决策模块；61、预测维护模型单元；62、维护计划制定单元。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

实施例一：参照图1；本发明公开了一种轨道交通设备状态检测维护系统，包括：获取模块10、模型建立模块20、分析模块30、处理判断模块40、故障诊断与预测模块50以及维护决策模块60。获取模块10用于对设备或各部件进行分析以获取设备或者各部件的故障情况和影响因素；模型建立模块20用于模拟在影响因素影响设备或各部件的应用场景的情况下获取其生命周期数据并建立动态模型；分析模块30用于针对不同的检测对象进行分析不同的设备或各部件的故障、隐患、寿命的主要影响因素及特征；处理判断模块40用于接收设备或各部件主要影响因素及特征并转化为运行状态数据并处理与分析，且与预设的报警阈值比较以判断是否存在潜在故障；故障诊断与预测模块50用于根据报警信息对相应的设备或各部件进行故障预测与故障诊断；维护决策模块60用于根据故障预测和故障诊断结果制定对应的维护计划并发送至终端。

获取模块10对设备或各部件进行分析以获取设备或各部件的影响因素和故障情况，硬件在环测试根据获取模块10得出的影响因素以对设备或各部件影响下获取其的整个生命周期数据，同时建立设备或各部件的动态模型。分析模块30对不同的设备或各部件进行检测以分析影响设备或各部件故障、寿命的主要影响因素及特征。处理判断模块40采集在主要影响因素下设备或各部件的运行状态，处理判断模块40预设报警阈值并与设备或各部件的运行状态比较，若超过报警阈值则认为设备或各部件存在潜在故障，则处理判断模块40触发报警。故障诊断与预测模块50根据报警信号对设备或各部件进行故障诊断和预测，当诊断出设备或各部件剩余寿命小时，维护决策模块60会根据诊断结果对设备或各部件制定相对应的维护计划，能够准确地预测设备或各部件的寿命，以便于尽快维修设备或各部件，进而保证交通设备正常运行。

获取模块10包括分析单元11以及获取单元12，分析单元11用于分析设备或各部件的结构、材料、电控、逻辑、运行等特点，获取单元12用于根据分析单元11的分析结果以获取设备或各部件的故障情况和影响因素。影响设备或各部件的使用寿命的影响因素很多，如在制造、装配、测试、运输、安装和调试过程中，任何环节都可能影响部件的可靠性。操作和维护环境，如设备的生产负荷大小、运行环境、维护水平、人员责任等，都会影响设备或各部件的剩余寿命。因此在设备或各部件在运行前，先通过分析单元11对设备或各部件进行对象分析，深入了解对象的结构、材料、电控、逻辑、运行特点、环境等，明确设备或各部件的故障形式及表现，从而获取单元12根据此掌握影响设备或各部件使用寿命的影响因素，如内因、外因等，从而确定设备或各部件的监测信号和激励信号，影响因素包括类型、数量，用以监测设备或各部件的衰退和损耗情况。

模型建立模块20包括采集单元21和模型建立单元22，模型建立模块20用于模拟设备或各部件的应用场景，并根据相同频谱和时空同比压缩的关系进行硬件在环测试仿真以获取设备或各部件的全生命周期数据，模型建立单元22用于根据全生命周期数据形成的生命周期数据库并建立健康度模型、健康退化和故障预测。通过在线下如实验室复现测试设备或各部件的应用场景，线下数据激励，做相同频谱关系、时空同比压缩的硬件在环测试仿真，健康退化和故障预测。需要注意的是故障数据可能尚不存在，但是运行数据可能会显示设备或各部件的性能随着时间的推移而衰退的趋势，因此采集单元21通过模拟设备或各部件的应用场景以获取其的生命周期数据，同时模型建立单元22根据设备或各部件的生命周期数据建立设备或各部件的健康模型，从而能够根据设备或各部件的使用时间和影响因素以得到设备或各部件的健康退化情况和进行故障预测。

分析模块30包括监测单元31和信号采集单元32，监测单元31用于全方位检测待测设备或各部件的状态，系统主要监测对象按类型分可以分为物理材料类、机械结构类以及电子电气类，其中物理材料类包括钢轨、电缆护套、车钩等，而机械结构类包括转向架等，电子电气类包括逆变器、电机等，针对不同的设备或各部件。监测单元31需要分析设备或各部件的故障、隐患、寿命的影响因素及特征都是不同的，监测单元31即为各种接触/非接触，直接或者间接测量传感器，监测单元31通过从声、光、电、磁、力、热、气、流等各个角度全面感知设备或各部件的状态，对于不同的设备或各部件需要感知的角度也是不同的，所以针对不同的设备或各部件检测内容不同。信号采集单元32为数据采集装置，信号采集单元32用于采集影响设备或各部件正常工作的运行状态数据，且信号采集单元32可以为plc、远程i/o、采集卡、采集模块等，将原始信号转换成数字信号上传或提供给就地控制器。

处理判断模块40包括：接收单元41、处理单元42以及比较判断单元43，接收单元41用于接收影响设备或各部件正常工作的因素、故障的类型及表现形式并转换为运行状态数据，处理单元42用于对设备或各部件的运行状态数据进行分析、过滤、校正，比较判断单元43用于预设报警阈值且当运行状态数据超过报警阈值则判断该设备或部件存在潜在故障，而存在潜在故障时进行报警。处理判断模块40靠近待测设备或各部件属于系统的边远监测端，以对监测数据进行初步处理与分析，实现对象的状态数据测量、存储、报警等本地现场监控功能。处理判断模块40为工控机、边缘服务器、个人电脑等各种形式的监控主机，内置数据监测软件，通过工业现场总线接口与信号感测层的数据采集装置通讯，也可以直接与智能传感器连接。接收单元41接收设备或各部件正常工作的影响因素、故障的类型及表现形式，接收单元41接收设备或各部件高保真的噪声、振动、温度、湿度、压力、速度、照度、流量、电压、电流等状态信号，实时监测设备或各部件的衰退、损耗趋势。监控主机内置的监测软件集成数据采集、存储、特征提取、波形捕捉、自检、报警引擎等模块也即处理单元42，处理单元42对测量数据进行初步的分析、过滤、校正，比较判断单元43预设报警阈值，当检测到数据超出报警阈值时，触发报警，进而实现就地状态监测，有利于对设备或各部件进行实时监测，防止设备或各部件损坏难以及时维修的情况。另外，处理判断模块40还实现数据的网络化，利用监控主机或边缘网关等设备将各种工业现场总线如modbus、ff、profibus等转换成常用网络协议如http、mqtt、5g/4g等传输。

故障诊断与预测模块50包括模型故障预测单元51以及数据驱动故障预测单元52，模型故障预测单元51用于通过对设备或各部件功能损伤的计算开评估零部件的损伤程度，建立物理模型或随机过程建模，评估设备或各部件的剩余寿命，数据驱动故障预测单元52用于通过各数据分析处理方法挖掘其中的隐含信息进行评估、诊断和预测操作。故障预测方法分类很多，最常见的两种为基于模型的故障预测技术和基于数据驱动的故障预测技术，而在本实施例中集成了这两种技术进行诊断与预测形成一种结合物理模型和智能数据分析，并能够处理数据信息和符号信息的混合性故障预测技术，是预测性维护更为有效。

模型故障预测单元51通过线下激励压缩测试，获得对象精准的数学模型，通过对功能损伤的计算来估计关键零部件的损伤程度，建立物理模型或随机过程建模，评估部件剩余寿命。通常情况下，设备系统的故障特征通常与所用模型的参数紧密联系，随着对设备或系统故障烟花激励研究的逐步深入，可以逐渐修正和调整模型以提高其预测的精度。即根据不同部件影响因素与其自身的损伤程度，参照生命周期数据建立的健康模型推算出该部件的剩余寿命，以便于维护决策模块60根据计算结果对该部件或设备做出对应的维护措施。

数据驱动故障预测单元52使用当前和历史数据进行统计和概率分析，不需要设备或各部件系统的先验知识，以采集的数据为基础，通过各种数据分析处理方法挖掘其中的隐含信息进行评估、诊断和预测操作，避免了基于模型和基于知识的故障预测技术的缺点。应用范围广，适应性强、适合难以建立精确模型的场合。通过对设备或各部件进行测量得到的测量数据以推断该设备或部件的剩余使用寿命，便于使用寿命计算简易。

维护决策模块60包括预测维护模型单元61以及维护计划制定单元62，预测维护模型单元61通过使用预测分析的结果构建预测性维护模型。预测维护模型单元61通过把维护间隔、维护阈值、零部件阈值等作为优化变量，把设备设施维护周期的最低总成本作为优化目标，建立专家知识库，并以此提供维护决策建议。维护计划制定单元62从人员、资源、时间、费用、效益等多方面、多角度出发，根据处理判断模块40、故障诊断和状态预测模块得出的结果进行维护可行性分析，制定出维护计划，确定维护保障资源，制定出维护活动的时间、地点、任务与内容。维护计划制定单元62制定维护计划的方法一般有故障树推理法、数学模型解析法、贝叶斯网络法和智能维护决策法等，而贝叶斯网络法适用于表达和分析不确定和概率性事物。

维护计划制定后通过智能终端显示，其中智能终端包括平板电脑、手机、中央大屏幕等，以便于相关人员根据移动终端上的维护计划制定对应的维护行动，以保证交通设备设施正常运行。

实施例二：参照图2，本发明的实施例公开了一种轨道交通设备状态检测维护方法，包括以下步骤：

步骤s1：根据设备或各部件的基本情况获取设备或各部件的故障情况与影响其寿命的影响因素，模拟设备或各部件影响因素影响下的应用场景并获取设备或各部件的全生命周期数据以形成全生命周期数据库，根据全生命周期数据库建立设备或各部件的动态模型；

步骤s2：根据当前不同的设备或各部件，分析并采集影响当前设备或各部件故障、隐患、寿命的主要影响因素及特征；

步骤s3：接收当前设备或各部件的主要影响因素及特征的数据以获取运行状态数据，分析运行状态数据并判断设备或各部件是否存在潜在故障；

步骤s4：对设备或各部件进行故障预测以及故障诊断，根据故障分析结果生成维护计划并发送至终端。

首先对轨道交通的设备或各部件进行分析以获取设备或各部件的故障情况与影响因素，同时模拟设备或各部件的应用场景、激励压缩测试以获取设备或各部件的生命周期数据，并建立生命周期数据库，再根据生命周期库建立设备或各部件的动态模型，且动态模型为设备或各部件的健康度模型、健康退化模型以及故障预测模块，然后检测每个设备或部件的主要影响因素及特征，根据主要影响因素及特征采取设备和各部件在运行状态中的运行状态数据，并根据运行状态数据分析设备或各部件是否存在潜在故障，同时根据存在潜在故障的设备或各部件进行故障预测以及故障诊断，最后根据预测与诊断结果生成对应的维护计划发送至终端，以便于相关人员从终端中获取需要进行的维护指导，以对设备或各部件进行维修或更换措施，以保证交通设备或设施的正常运行。

步骤s1包括以下步骤：

步骤s11：对设备或各部件的结构、材料、电控、逻辑以运行特点进行分析；

步骤s12：获取设备及各部件故障情况与影响设备或各部件使用寿命的影响因素；

步骤s13：复现设备或各部件的应用场景，采用相同的影响因素激励下并根据相同频谱与时空比压缩的关系进行硬件在环测试仿真，以获取设备或各部件的全生命周期数据；

步骤s14：根据设备或各部件的全生命周期数据以形成全生命周期数据库，根据全生命周期数据库以建立设备或各部件的动态模型，其中，动态模型包括健康度模型、健康退化模型和故障预测模型。

在监测之前先对设备或各部件进行分析，深入了解设备或各部件的结构、材料、电控、逻辑、运行特点、环境等，以明确设备或各部件的故障形式及表现，掌握影响设备或各部件使用寿命的影响因素，如外因和内因，进而确定设备或各部件的监测信号和激励信号，然后根据激励信号在线下如实验室复现测试设备或各部件的应用场景，通过应用相同的影响因素去激励并根据相同的频谱和时空同比压缩的关系进行硬件在环测试仿真，也即将设备或各部件的使用进行同比例速度去检验以获取设备或各部件的生命周期数据，并建立生命周期数据库且根据生命周期数据库建立设备或部件的健康度模型，以便于计算出设备或各部件的健康退化和故障预测。

步骤s2包括以下步骤：

步骤s21：针对当前不同设备或各部件，分析影响设备或各部件故障、隐患、寿命的主要影响因素及特征；

步骤s22：采集主要影响因素及特征的模拟量并转换成数据信号上传至控制器。

由于监测的设备或各部件的类型不一样，可以分为物理材料类、机械结构类以及电子电气类，所以针对不同类型的部件需要检测的故障、隐患、寿命的影响因素及特征都是不同的，所以需要先明确设备种类，然后从声、光、电、磁、力、热、气、流等各个角度，全面感知设备和各部件的状态，然后通过采集装置将原始的模拟信号转换成数字信号上传至就地控制器，以便于能够针对不同的设备或部件进行针对性地进行检测。

步骤s3包括以下步骤：

步骤s31：接收主要影响因素及特征的数据信号并转换为设备或各部件的运行状态数据；

步骤s32：监控软件对运行状态数据进行初步的分析、过滤、校正；

步骤s33：预设报警阈值，将处理后的运行状态数据与报警阈值比较以判断设备是否存在潜在故障。

接收采集装置采集设备或各部件的运行状态数据，其中还需要对采集的运行数据进行测量，也即运行数据为测量数据的另一种形式。主要测量设备或各部件保真的噪声、振动、温度、湿度、压力、速度、照度、流量、电压、电流等状态信号，实时监测设备或各部件的衰退、损耗趋势，然后对测量数据进行初步的分析、过滤、校正，且预设报警阈值，当检测的测量数据超过报警阈值则触发报警，且将处理后的测量数据利用监控主机或边缘网关等设备将各种工业现场总线如modbus、ff、profibus等转换成常用网络协议如http、mqtt、5g/4g等传输，以便于对设备或各部件的运行进行实时监测，防止设备或各部件直接损伤导致交通瘫痪。

步骤s4包括以下步骤：

s41：根据报警信号将对应的设备或各部件采用基于模型的与基于数据驱动的故障预测技术进行故障预测和故障诊断；

s42：根据故障诊断和故障预测的结果进行维护可行性分析，生成维护计划并发送至终端。

对设备或各部件的故障预测方法分类很多，常见的有基于模型的故障预测技术和基于数据驱动的故障预测技术，而本实施例通过两者的结合进行设备和各部件的故障预测，其中，基于模型的故障预测技术通过现在激励压缩测试，获得对象精准的数学模型，也即健康度模型，通过对功能损伤的计算来评估关键零部件的损伤程度，建立物理模型或随机过程建模，以评估部件剩余寿命，通过情况下，对象系统故障特征通常与所有模型的参数紧密联系，随着对设备或各部件研究的逐步深入，可以逐渐修正和调整模型以提高其预测的精度，从而能够准确的计算出设备或各部件的剩余使用寿命，以便于制定出对应的维护计划。基于数据驱动方法而是使用当前和历史数据进行统计和概率分析，不需要对象系统的先验知识，以采集的数据为基础，而是通过各种数据分析处理方法以挖掘其中的隐含信息进行评估、诊断和预测操作，而使设备或各部件的预测简易。

通过使用预测分析的结果，构建预测性维护模型。把维护间隔、维护阈值、零部件阈值等作为优化变量，把设备设施维护周期的最低总成本作为优化的目标，建立专家知识库，并以此提供维护决策建议。维护决策从人员、资源、时间、费用、效益等多方面、多角度出发，根据状态监测、故障诊断和状态预测的结果进行维护可行性分析，定出维护计划，确定维护保障资源，给出维护活动的时间、地点、人员和内容。通过多方面和多角度考虑以制定出对应状态监测和故障诊断和状态预测的结果的维护计划并发送至终端，以便于相关人员据此终端的指示开展维护行动。

实施例三：如图3所示，通过分析设备或各部件的故障情况和影响因素后，模拟真实应用场景、采取激励测试设备或各部件，然后建立设备或各部件动态模型，且通过反复的模拟与测试不断完善设备或各部件动态模型，同时在不断的模拟和测试中采集设备或各部件的基准数据库，也即设备或各部件的温度报警阈值、电压报警阈值等，然后对当前系统中的设备或各部件进行测量以采集对应的测量数据，且将测量数据与设备或各部件数据库内的报警阈值比较，若测量数据超过报警阈值则开始判断设备或各部件的故障情况，根据诊断标尺进行故障诊断，且故障诊断来判断设备或部件损伤的等级，以根据损伤等级建立健康衰退模型从而根据健康衰退模型得出设备或各部件的故障预测。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。