CN110555223A - 一种基于渗流理论的高速列车***可靠性评估方法 - Google Patents
一种基于渗流理论的高速列车***可靠性评估方法 Download PDFInfo
- Publication number
- CN110555223A CN110555223A CN201810562015.5A CN201810562015A CN110555223A CN 110555223 A CN110555223 A CN 110555223A CN 201810562015 A CN201810562015 A CN 201810562015A CN 110555223 A CN110555223 A CN 110555223A
- Authority
- CN
- China
- Prior art keywords
- node
- reliability
- attribute
- interval
- speed train
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于渗流理论的高速列车***可靠性评估方法，针对高速列车***固有拓扑结构下，同一列车同一节车同一部件故障数据相对不足的情况，从功能与拓扑相结合的角度，利用区间直觉犹豫模糊集合理论将部件属性值区间模糊化，构建部件可靠度测度，并依据渗流理论构建***可靠性测度评估高速列车***在不同运营里程下***可靠性。所提出的***可靠度测度比目前常用的***可靠性分析方法更能全面、准确地评估高速列车***可靠性。
Description
技术领域
本发明涉及高速列车***可靠性领域。更具体地，涉及一种基于渗流理论的高速列车***可靠性评估方法。
背景技术
高速列车***通常具有复杂程度高、承载的信息量大、功能性强等特点。因此一旦***失效或故障不仅所需维修费用高昂，且可能造成严重的故障后果，甚至是具有灾难性的。因此，如何准确、全面、快速地评估或分析***可靠性，以便于制定科学合理的维修计划，降低***的维修、维护费用以及***风险是具有极其重要的现实意义。
常见的高速列车***可靠性分析方法大致可分为解析法(故障树、Petri网、状态空间法、GO法、失效模式与影响分析法等)、蒙特卡洛法、综合法、网络法。但是上述方法或多或少存在以下缺陷：忽略高速列车***各粒度组分间的相互作用程度和依赖关系对***可靠性的影响，相关假设条件与高速列车***相违背，所需故障数据相对不足。
发明内容
本发明的一个目的在于提供一种基于渗流理论的高速列车***可靠性评估方法，所述方法包括：
构建高速列车***拓扑网络模型；
选取并计算部件的可靠性影响属性集；
依次构建部件属性集中各属性的区间直觉犹豫模糊元素；
对部件可靠性影响属性的区间直觉犹豫模糊元素进行融合，得到部件的可靠度；
依据部件可靠度，结合渗流理论，构建***可靠性指标，评估高速列车***在不同运营里程下的***可靠性。
优选地，所述部件的可靠性影响属性集包括依据高速列车***拓扑网络模型计算节点度、介数、紧密度等拓扑属性和依据故障数据计算部件的故障概率、故障前平均行驶里程、寿命时间等功能属性。
优选地，所述部件的可靠度通过逼近理想解法获得。
优选地，所述构建高速列车***拓扑网络模型被配置为分析高速列车***的固有拓扑结构特征，以部件为节点vi∈V，部件间的机械、电气、信息连接关系为边eij∈E，构建高速列车***全局拓扑网络模型G(V,E)。
优选地，所述选取并计算部件的可靠性影响属性集包括：
选取部件可靠性的影响要素集Pi＝{ki,ci,bi,μi,Mi,li}；
利用网络理论，计算部件拓扑属性，所述拓扑属性包括度
其中aij表示节点vi和节点vj之间的连接关系，若两节点间存在连接关系，则aij＝1，反之则aij＝0；介数其中gjk是任意节点vj和节点vk之间最短路径数量，gjk(i)表示经过节点vk的最短路径数量，N为高速列车网络模型中节点的数量；接近度dij为节点vi和节点vj间的最短路径长度；
依据现有的高速列车***历史故障数据，计算部件功能属性，所述功能属性包括失效率、故障前平均行驶里程以及寿命时间，其中，失效率表示为ni为部件vi的累计故障次数，Li是部件vi的走行里程，故障前平均行驶里程表示为xi为当前行驶里程，f(xi)指的是已知下次故障前经过行驶里程的概率密度，寿命时间表示为li＝li(start)-li(end)，li(start)为部件vi初始运行时间，li(end)为部件vi故障且更换时间。
优选地，依次构建部件属性集中各属性的区间直觉犹豫模糊元素的步骤中：
部件各属性的区间直觉犹豫模糊元素为：
其中，为节点vi的度的区间直觉犹豫模糊元素，为节点vi的紧密度的区间直觉犹豫模糊元素，为节点vi的介数的区间直觉犹豫模糊元素，为节点vi的失效率的区间直觉犹豫模糊元素，是节点vi的故障前平均行驶里程的区间直觉犹豫模糊元素，是节点vi的寿命时间的区间直觉犹豫模糊元素，hi为节点vi的数量。
为了便于后续的描述和计算，将上述部件不同的属性 用统一的字母表示，即令
其中，其中，是节点vi的第j个属性的区间直觉犹豫模糊元素的隶属度下限，是节点vi的第j个属性的区间直觉犹豫模糊元素的隶属度上限，是节点vi的第j个属性的区间直觉犹豫模糊元素的非隶属度下限，是节点vi的第j个属性的区间直觉犹豫模糊元素的非隶属度上限。
优选地，所述融合配置为将所述模糊元素按照下述公式进行融合：
其中，θ为权重，Pi(j)是指部件vi的6个属性中第j大的属性值；
所述部件的可靠度通过下式计算：
其中，是节点vi的各属性综合值的隶属度下限，是节点vi的各属性综合值的隶属度上限，是节点vi的各属性综合值的非隶属度下限，是节点vi的各属性综合值的非隶属度上限。
优选地，高速列车***在不同运营里程下的***可靠性根据***总可靠度评估，***总可靠度测度采用下述公式计算：
其中，Rs(t)为***总可靠度，rj(t)为高速列车***运行到t公里时第j个部件的可靠度，N为***中部件的数量，pc为网络故障的渗流点或阈值点，为***正常工作所需部件的数量。
本发明的有益效果如下：
本发明针对高速列车***固有拓扑结构下，同一列车同一节车同一部件故障数据相对不足的情况，从功能与拓扑相结合的角度，利用区间直觉犹豫模糊集合理论将部件属性值区间模糊化，构建部件可靠度测度，并依据渗流理论构建***可靠性测度评估高速列车***在不同运营里程下***可靠性。所提出的***可靠度测度比目前常用的***可靠性分析方法更能全面、准确地评估高速列车***可靠性。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示出本发明实施例中一种基于渗流理论的高速列车***可靠性评估方法的流程示意图。
图2示出本发明实施例中高速列车转向架***分布图。
图3示出本发明实施例中高速列车转向架***拓扑网络图。
图4示出本发明实施例中不同运营里程下转向架***可靠度曲线图。
具体实施方式
为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
本发明提供一种基于渗流理论的高速列车***可靠性评估方法，所述方法包括：
S1构建高速列车***拓扑网络模型。
如图3所示，其中，所述构建高速列车***拓扑网络模型被配置为分析高速列车***的固有拓扑结构特征，以部件为节点vi∈V，部件间的机械、电气、信息连接关系为边eij∈E，构建高速列车***全局拓扑网络模型G(V,E)。
其中节点对应的部件如下表1所示。
表1转向架***部件
| 节点 | 部件名称 | 节点 | 部件名称 | 节点 | 部件名称 |
| v<sub>1</sub> | 构架组成 | v<sub>12</sub> | 二级垂向减振器 | v<sub>23</sub> | 横向止档 |
| v<sub>2</sub> | 制动夹钳 | v<sub>13</sub> | 联轴节 | v<sub>24</sub> | 抗侧滚扭杆 |
| v<sub>3</sub> | 闸片 | v<sub>14</sub> | 齿轮箱 | v<sub>25</sub> | 控制阀 |
| v<sub>4</sub> | 轮装制动盘 | v<sub>15</sub> | 接地装置 | v<sub>26</sub> | 速度传感器1 |
| v<sub>5</sub> | 增压缸 | v<sub>16</sub> | 牵引电机 | v<sub>27</sub> | 速度传感器2 |
| v<sub>6</sub> | 弹簧组成 | v<sub>17</sub> | 高度调整装置 | v<sub>28</sub> | 踏面清扫装置 |
| v<sub>7</sub> | 轴箱体 | v<sub>18</sub> | 抗蛇行减振器 | v<sub>29</sub> | 加速度传感器 |
| v<sub>8</sub> | 一级垂向减振器 | v<sub>19</sub> | 空气弹簧 | v<sub>30</sub> | 集线盒 |
| v<sub>9</sub> | 轴承 | v<sub>20</sub> | 中心牵引销 | v<sub>31</sub> | 齿轮箱轴承温度传感器 |
| v<sub>10</sub> | 车轮 | v<sub>21</sub> | 牵引拉杆 | v<sub>32</sub> | 轴温传感器 |
| v<sub>11</sub> | 车轴 | v<sub>22</sub> | 横向减振器 | v<sub>33</sub> | AG37传感器 |
S2选取并计算部件的可靠性影响属性集。
优选地，所述部件的可靠性影响属性集包括依据高速列车***拓扑网络模型计算节点度、介数、紧密度等拓扑属性和依据故障数据计算部件的故障概率、故障前平均行驶里程、寿命时间等功能属性。所述部件的可靠度通过逼近理想解法获得。
优选地，所述选取并计算部件的可靠性影响属性集包括：
S21选取部件可靠性的影响要素集Pi＝{ki,ci,bi,μi,Mi,li}。
S22利用网络理论，计算部件拓扑属性。
其中，所述拓扑属性包括度
aij表示节点vi和节点vj之间的连接关系，若两节点间存在连接关系，则aij＝1，反之则aij＝0；介数其中gjk是任意节点vj和节点vk之间最短路径数量，gjk(i)表示经过节点vk的最短路径数量，N为高速列车网络模型中节点的数量；接近度dij为节点vi和节点vj间的最短路径长度；
S23依据现有的高速列车***历史故障数据，计算部件功能属性。
其中，所述功能属性包括失效率、故障前平均行驶里程以及寿命时间，其中，失效率表示为ni为部件vi的累计故障次数，Li是部件vi的走行里程，故障前平均行驶里程表示为xi为当前行驶里程，f(xi)指的是已知下次故障前经过行驶里程的概率密度，寿命时间表示为li＝li(start)-li(end)，li(start)为部件vi初始运行时间，li(end)为部件vi故障且更换时间。
其中，计算的各部件的属性值如下表2所示。
表2部件的属性值
S3依次构建部件属性集中各属性的区间直觉犹豫模糊元素。
所述融合配置为将所述模糊元素按照下述公式进行融合：
其中，θ为权重，Pi(j)是指部件vi的6个属性中第j大的属性值；
所述部件的可靠度通过下式计算：
其中，是节点vi的各属性综合值的隶属度下限，是节点vi的各属性综合值的隶属度上限，是节点vi的各属性综合值的非隶属度下限，是节点vi的各属性综合值的非隶属度上限。
对于部件的拓扑属性，度、紧密度和介数的区间数依次为：
对于部件的功能属性，故障概率、故障前平均行驶里程、寿命时间的区间数依次为：
依据区间直觉犹豫模糊集理论，依次构建部件各属性的区间直觉犹豫模糊元素：
为了便于后续描述与计算，令
计算各部件的6个属性的区间数，如表3所示。
表3部件属性的区间数
计算各部件属性的区间直觉犹豫模糊元素，如表4所示。
表4部件属性的区间直觉犹豫模糊元素
S4对部件可靠性影响属性的区间直觉犹豫模糊元素进行融合，得到部件的可靠度。
利用TOPSIS法计算各部件的可靠度，如表5所示。
表5部件可靠度
S5依据部件可靠度，结合渗流理论，构建***可靠性指标，评估高速列车***在不同运营里程下的***可靠性。
如图4，优选地，高速列车***在不同运营里程下的***可靠性根据***总可靠度评估，***总可靠度测度采用下述公式计算：
其中，Rs(t)为***总可靠度，rj(t)为高速列车***运行到t公里时第j个部件的可靠度，N为***中部件的数量，pc为网络故障的渗流点或阈值点，为***正常工作所需部件的数量。
本发明针对高速列车***固有拓扑结构下，同一列车同一节车同一部件故障数据相对不足的情况，从功能与拓扑相结合的角度，利用区间直觉犹豫模糊集合理论将部件属性值区间模糊化，构建部件可靠度测度，并依据渗流理论构建***可靠性测度评估高速列车***在不同运营里程下***可靠性。所提出的***可靠度测度比目前常用的***可靠性分析方法更能全面、准确地评估高速列车***可靠性。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (8)
1.一种基于渗流理论的高速列车***可靠性评估方法，其特征在于，所述方法包括：
构建高速列车***拓扑网络模型；
选取并计算部件的可靠性影响属性集；
依次构建部件属性集中各属性的区间直觉犹豫模糊元素；
对部件可靠性影响属性的区间直觉犹豫模糊元素进行融合，得到部件的可靠度；
依据部件可靠度，结合渗流理论，构建***可靠性指标，评估高速列车***在不同运营里程下的***可靠性。
2.根据权利要求1所述方法，其特征在于，所述部件的可靠性影响属性集包括依据高速列车***拓扑网络模型计算节点度、介数、紧密度等拓扑属性和依据故障数据计算部件的故障概率、故障前平均行驶里程、寿命时间等功能属性。
3.根据权利要求1所述方法，其特征在于，所述部件的可靠度通过逼近理想解法获得。
4.根据权利要求1所述方法，其特征在于，所述构建高速列车***拓扑网络模型被配置为分析高速列车***的固有拓扑结构特征，以部件为节点vi∈V，部件间的机械、电气、信息连接关系为边eij∈E，构建高速列车***全局拓扑网络模型G(V,E)。
5.根据权利要求1所述方法，其特征在于，所述选取并计算部件的可靠性影响属性集包括：
选取部件可靠性的影响要素集Pi＝{ki,ci,bi,μi,Mi,li}；
利用网络理论，计算部件拓扑属性，所述拓扑属性包括度
其中aij表示节点vi和节点vj之间的连接关系，若两节点间存在连接关系，则aij＝1，反之则aij＝0；介数其中gjk是任意节点vj和节点vk之间最短路径数量，gjk(i)表示经过节点vk的最短路径数量，N为高速列车网络模型中节点的数量；接近度dij为节点vi和节点vj间的最短路径长度；
依据现有的高速列车***历史故障数据，计算部件功能属性，所述功能属性包括失效率、故障前平均行驶里程以及寿命时间，其中，失效率表示为ni为部件vi的累计故障次数，Li是部件vi的走行里程，故障前平均行驶里程表示为xi为当前行驶里程，f(xi)指的是已知下次故障前经过行驶里程的概率密度，寿命时间表示为li＝li(start)-li(end)，li(start)为部件vi初始运行时间，li(end)为部件vi故障且更换时间。
6.根据权利要求1所述方法，其特征在于，依次构建部件属性集中各属性的区间直觉犹豫模糊元素的步骤中：
部件各属性的区间直觉犹豫模糊元素为：
其中，为节点vi的度的区间直觉犹豫模糊元素，为节点vi的紧密度的区间直觉犹豫模糊元素，为节点vi的介数的区间直觉犹豫模糊元素，为节点vi的失效率的区间直觉犹豫模糊元素，是节点vi的故障前平均行驶里程的区间直觉犹豫模糊元素，是节点vi的寿命时间的区间直觉犹豫模糊元素，hi为节点vi的数量。
为了便于后续的描述和计算，将上述部件不同的属性 用统一的字母表示，即令
其中，其中，是节点vi的第j个属性的区间直觉犹豫模糊元素的隶属度下限，是节点vi的第j个属性的区间直觉犹豫模糊元素的隶属度上限，是节点vi的第j个属性的区间直觉犹豫模糊元素的非隶属度下限，是节点vi的第j个属性的区间直觉犹豫模糊元素的非隶属度上限。
7.根据权利要求6所述方法，其特征在于，所述融合配置为将所述模糊元素按照下述公式进行融合：
其中，θ为权重，Pi(j)是指部件vi的6个属性中第j大的属性值；
所述部件的可靠度通过下式计算：
其中，是节点vi的各属性综合值的隶属度下限，是节点vi的各属性综合值的隶属度上限，是节点vi的各属性综合值的非隶属度下限，是节点vi的各属性综合值的非隶属度上限。
8.根据权利要求6所述方法，其特征在于，高速列车***在不同运营里程下的***可靠性根据***总可靠度评估，***总可靠度测度采用下述公式计算：
其中，Rs(t)为***总可靠度，rj(t)为高速列车***运行到t公里时第j个部件的可靠度，N为***中部件的数量，pc为网络故障的渗流点或阈值点，为***正常工作所需部件的数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810562015.5A CN110555223A (zh) | 2018-06-04 | 2018-06-04 | 一种基于渗流理论的高速列车***可靠性评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810562015.5A CN110555223A (zh) | 2018-06-04 | 2018-06-04 | 一种基于渗流理论的高速列车***可靠性评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110555223A true CN110555223A (zh) | 2019-12-10 |
Family
ID=68735466
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810562015.5A Pending CN110555223A (zh) | 2018-06-04 | 2018-06-04 | 一种基于渗流理论的高速列车***可靠性评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110555223A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04177430A (ja) * | 1990-11-08 | 1992-06-24 | Nec Corp | ファジィ・ハードウェア・システム |
| CN105760589A (zh) * | 2016-02-03 | 2016-07-13 | 北京交通大学 | 一种基于高速列车***作用关系网络的可靠性分析方法 |
| CN105809251A (zh) * | 2016-03-01 | 2016-07-27 | 北京交通大学 | 一种多属性融合的动车组***关键部件辨识方法 |
| CN106383960A (zh) * | 2016-09-28 | 2017-02-08 | 天津大学 | 基于最小割集分析法的多电飞机电力***可靠性分析方法 |
| CN107103142A (zh) * | 2017-07-11 | 2017-08-29 | 交通运输部公路科学研究所 | 面向公路和铁路网的综合交通网络运行态势推演仿真技术 |
-
2018
- 2018-06-04 CN CN201810562015.5A patent/CN110555223A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04177430A (ja) * | 1990-11-08 | 1992-06-24 | Nec Corp | ファジィ・ハードウェア・システム |
| CN105760589A (zh) * | 2016-02-03 | 2016-07-13 | 北京交通大学 | 一种基于高速列车***作用关系网络的可靠性分析方法 |
| CN105809251A (zh) * | 2016-03-01 | 2016-07-27 | 北京交通大学 | 一种多属性融合的动车组***关键部件辨识方法 |
| CN106383960A (zh) * | 2016-09-28 | 2017-02-08 | 天津大学 | 基于最小割集分析法的多电飞机电力***可靠性分析方法 |
| CN107103142A (zh) * | 2017-07-11 | 2017-08-29 | 交通运输部公路科学研究所 | 面向公路和铁路网的综合交通网络运行态势推演仿真技术 |
Non-Patent Citations (2)
| Title |
|---|
| SHUAI LIN，YANHUI WANG，LIMIN JIA，HENGRUN ZHANG: "Reliability assessment of complex electromechanical systems: A network perspective", 《QUALITY AND RELIABILITY ENGINEERING INTERNATIONAL》 * |
| 何书; 陈飞: "基于直觉模糊集TOPSIS决策方法的滑坡稳定性评价", 《中国地质灾害与防治学报》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105809251B (zh) | 一种多属性融合的动车组***关键部件辨识方法 | |
| CN104239694A (zh) | 一种城轨列车转向架的故障预测与视情维修方法 | |
| CN111114519B (zh) | 一种铁路车辆制动故障预测方法及健康管理*** | |
| Du et al. | A hierarchical framework for improving ride comfort of autonomous vehicles via deep reinforcement learning with external knowledge | |
| CN103529830B (zh) | 一种基于有限频域飞行控制***渐变故障的诊断设计方法 | |
| DE112009001371T5 (de) | Integrierter hierarchischer Prozess für die Fehlerdetektierung und -lokalisierung | |
| CN105606381B (zh) | 一种分布式滤波网络***及设计方法 | |
| CN105527112A (zh) | 一种基于使用与维修影响的旋转机械设备健康状态综合评估方法 | |
| Zhu et al. | An automated vehicle fuel economy benefits evaluation framework using real-world travel and traffic data | |
| EP3461675A1 (de) | Verfahren und vorrichtung zur bestimmung von kraftschlusscharakteristiken | |
| Barcelo et al. | Dynamic OD matrix estimation exploiting bluetooth data in urban networks | |
| KR20190078705A (ko) | 차량의 데이터로부터 부품 노후화 패턴을 분석하여 차량의 고장을 예측하는 시스템 및 그 방법 | |
| CN105891698A (zh) | 一种Boost电路多参数在线辨识方法 | |
| EP3613974A1 (en) | Method and system for determining and monitoring a cause of extra-fuel consumption | |
| CN107783495A (zh) | 单元控制*** | |
| CN110555223A (zh) | 一种基于渗流理论的高速列车***可靠性评估方法 | |
| DE102008049224A1 (de) | Verfahren und Vorrichtung zum Überprüfen mindestens eines Laufwerks eines auf einem Gleis fahrbaren Schienenfahrzeugs auf einen Defekt | |
| Yokouchi et al. | LSTM-based anomaly detection for railway vehicle air-conditioning unit using monitoring data | |
| CN117035410A (zh) | 基于贝叶斯网络的列车碰撞风险评估方法、装置及介质 | |
| GB2598785A (en) | Monitoring system | |
| CN112990329B (zh) | 一种***异常诊断方法和装置 | |
| CN107632531B (zh) | 一种用于含干扰的高速列车纵向运动的模型的建立方法 | |
| CN111898195B (zh) | 基于改进d-MC的轨道交通列车***多态可靠性分析方法 | |
| EP3613975B1 (en) | Method and system for determining a cause of extra-fuel consumption | |
| EP4186775A1 (de) | Verfahren und vorrichtung zum erkennen von eigenschaften eines fahrzeugs |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191210 |