• 查询稿件
  • 获取最新论文
  • 知晓行业信息
官方微信 欢迎关注

基于GO-FLOW方法的转辙机部件预防性维修策略研究

廖理明, 王鑫, 林金强, 江磊, 王小敏

廖理明, 王鑫, 林金强, 江磊, 王小敏. 基于GO-FLOW方法的转辙机部件预防性维修策略研究[J]. 铁路计算机应用, 2020, 29(10): 54-58, 73.
引用本文: 廖理明, 王鑫, 林金强, 江磊, 王小敏. 基于GO-FLOW方法的转辙机部件预防性维修策略研究[J]. 铁路计算机应用, 2020, 29(10): 54-58, 73.
LIAO Liming, WANG Xin, LIN Jinqiang, JIANG Lei, WANG Xiaomin. Study on preventive maintenance strategy for switch machine components based on GO-FLOW method[J]. Railway Computer Application, 2020, 29(10): 54-58, 73.
Citation: LIAO Liming, WANG Xin, LIN Jinqiang, JIANG Lei, WANG Xiaomin. Study on preventive maintenance strategy for switch machine components based on GO-FLOW method[J]. Railway Computer Application, 2020, 29(10): 54-58, 73.

基于GO-FLOW方法的转辙机部件预防性维修策略研究

基金项目: 成都轨道交通集团有限公司科研项目(YY-YY-FW-ZB-095-2019-133);四川省科技计划项目(2019YFH0097)
详细信息
    作者简介:

    廖理明,高级工程师

    王 鑫,高级工程师

  • 中图分类号: U284.72 : TP39

Study on preventive maintenance strategy for switch machine components based on GO-FLOW method

  • 摘要: 为解决目前转辙机因采用固定时间间隔的预防性维修导致的维修资源浪费及潜在人为失误造成的安全隐患,提出一种基于GO-FLOW方法的转辙机部件预防性维修策略;依据转辙机的组成结构和工作流程,建立转辙机GO-FLOW模型,在设备整体可靠性约束下,利用故障统计数据,计算在不同服役时间段内转辙机主要部件的可靠度,据此确定维修时间间隔变化的转辙机部件预防性维修方案,以实施针对性维修,更好地平衡维修经济性和安全性。
    Abstract: To deal with maintenance resources waste and potential human error hazards caused by fixed-interval preventive maintenance of switch machine components, a preventive maintenance strategy for switch machine components based on the GO-FLOW model is proposed. According to the composition, structure and working flow of the switch machine, a GO-FLOW model of the switch machine is constructed. Under the constraints of overall reliability of the switch machine, the degree of reliability of major components of the switch machine in different servicing periods can be quantitatively derived by use of failure statistics. Based on that, the preventive maintenance plan for switch machine components at variant maintenance intervals can be formulated so as to make more targeted maintenance, better balancing the economy and safety of maintenance.
  • 城市轨道交通紧跟交通强国建设战略部署和智慧城市、智慧交通规划建设,迈入了超大规模、网络化发展的关键时期。其运维呈现出装备数量多、制式多样化、多阶段并存、配置不均衡的特点,面临运维难度大、人工经验局限、难以精准定位、管理效率低等问题,存在监测信息不全面、状态采集手段欠缺、维修模式有待提升等不足[1]。迫切需要由自动化、信息化向智能化转型,在体系化安全保障、故障智能诊断方面实现重点突破和深度融合。

    如何利用信息化手段在支撑城市轨道交通企业可持续发展的同时,解决运营运维一体化管理痛点,满足全专业综合性运维需求,落实智能地铁和智能运维要求,已成为城市轨道交通领域的研究热点。文献[2]~文献[4]分别在铁路、城市轨道交通行业的设备维修管理、自主维修、人工计划修、委外维修等模式方面进行了阐述,文献[5]和文献[6]分别针对城市轨道交通车辆专业、供电专业的设备设施维修关键技术进行了研究。

    本文在上述研究基础上,分析城市轨道交通综合运维现状及业务需求,利用云计算、大数据、物联网等新一代信息技术,开展城市轨道交通综合智能运维平台研究,实现全专业、综合性运维模式的优化提升。

    目前,轨道交通行业的运维在管理模式体系化和管理手段信息化的助推下,朝着集中维修、综合维修的方向发展。

    在铁路行业,德国、法国和日本等国家在“管、检、修”方面均有较为成熟和完备的设备维修管理模式[2];中国针对各铁路局集团公司高铁线路的实际运营维修特点,归纳出几种比较典型的固定设备维修管理模式[3]。在城市轨道交通行业,香港、北京、上海、广州、深圳等地的多家地铁公司,近年来在分专业自主维修、人工计划修、委外维修等方面积累了宝贵经验[4],同时大力推进设施设备智能化、信息化管理,加快运维维修专业人才培养速度。

    城市轨道交通综合运维涉及车辆、工务、供电、通信、信号、机电等多个专业,包括调度、运用、安全、技术、质量、检修、整备、设备、验收、救援、燃料等方面[5-7]。综合智能运维主要基于关键设备设施的在线监测来实现重要数据的采集和分析,信息类型如图1所示。

    图  1  综合智能运维在线监测信息类型

    城市轨道交通设备设施运维逐步形成3种维修模式:计划修、故障修和状态修[8]。其中,计划修落实为修程、修制,以较高的维修成本遏制运营风险;故障修落实为临修和抢修,以较高的运营风险降低维修成本;状态修基于可靠性为中心的维修理论、实时状态检测和过程管控,平衡计划修、故障修的维修成本和风险成本,在优化修程、修制的同时,量化故障修指标。

    城市轨道交通综合智能运维平台依托大数据分析,逐步形成“经验型计划修+感知型状态修+专家型故障修”的检修制度,全面构建基于状态感知及维修全过程的精准维护维修模式,实现面向线网运营场景需求的智能决策,整体提升设备运行质量可靠性和运维效率。

    在遵循统一规划、统一建设、统一标准的原则下,参考工业4.0标准[9]和国内外相关标准,构建城市轨道交通综合智能运维平台技术架构,如图2所示。

    图  2  平台技术架构

    平台通过源端数据的感知与监测,打造数字基石,融入新技术、新应用,达到数据共享与业务协同,实现综合智能运维。

    (1)数据源端层:利用多专业的综合监测单元,实现数据源的获取及各专业关键设备设施的在线监测,以数据驱动运维认知,实现人、机、物的数据支撑。同时通过网络的全方位覆盖,利用不同的传输方式,实现数据传输,促进数据的充分共享与互联互通。

    (2)云基础平台层:云平台基础设施层(IaaS)主要实现云服务基础设备的搭建,完成计算、网络、存储资源分配建设;数据治理标准层(DaaS)通过整合大量结构化、半结构化和非结构化设备设施运维数据,提供数据实时获取、数据治理、数据模型、数据汇聚存储、数据挖掘、数据标准的大数据分析生态系统;业务中台层(PaaS)依托微服务架构,实现全生命周期资产管理、运维生产管理及智能运维体系构建;前端应用层(SaaS)为前端的各项运维功能提供支撑。

    (3)智能应用层:通过打造实时监测、资产管理、智能运维、智能决策4个中心,实现综合智能运维资产、设备、生产及应急管理等功能及应用。

    实时监测中心主要实现对线网系统、设备运行状态及故障信息的全貌、多维度、实时监测。基于工业控制、BIM立体图形化,结合大数据分析,实现设备全生命周期运行监测管理的可视化。

    资产管理中心主要实现对线网设备、物资、问题、资料等信息的统一和分类管理,应用移动和BIM技术实现设备履历、备品备件、物资、点巡检、健康评价、维修知识体系等资产全维度的数字化管理。

    智能运维中心通过智能化的诊断分析技术,制定运维计划和维修过程,实现设备故障智能定位、设备隐患预警、重大故障应急处置、多种运维模式应用的智能化。

    智能决策中心基于大数据和云计算技术,实现对运维故障、设备寿命、人员行为等历史数据的深度挖掘和智能分析,为后续运维决策及模式提升提供数据支持,实现数据管理及决策分析的智能化。

    依托射频识别(RFID,Radio Frequency Identification)、二维码、智能芯片等智能识别技术,结合各类设备状态传感器、在线监测装置、移动终端、巡检机器人等感知手段[10],构建智能运维感知物联网,有力支撑全面设备状态管控和资源实时配置。

    根据轨道交通不同专业的运维数据进行预测模型构建,提供多种智能运维分析预测技术,按照不同的故障类型,开发出相应的运维控制程序,对设备故障进行智能处理。

    平台涉及车辆、供电、通信、信号、工务、机电多个专业,覆盖多条线路及网络管理规模。在平台建设过程中,结合各专业、各线路不同的业务特点,采用SpringCloud技术架构来进行微服务能力建设。通过开放式微服务体系可以将地铁不同专业、不同线路、不同用户封闭的较大功能模块,细分为多个开放的小功能服务模块,从而便于上层应用和不同专业间进行访问调用,实现资源的最大限度利用,完成自上而下和自下而上的开发融合[8]

    本文设计并实现的城市轨道交通综合智能运维平台,贯穿设施设备全寿命周期管理理念,以设备设施在线监测及现场生产管理为核心,形成实时监测、资产管理、智能运维、智能决策全过程的信息化管控。实现轨道交通车辆、工务、供电、通信信号专业与车站设施设备的实时状态感知、故障预测与智能运维,提高运维部门安全风险管理水平,优化生产组织和业务流程,降低能耗和生产成本。

  • 图  1   GO-FLOW方法的分析流程

    图  2   S700K转辙机的工作流程

    图  3   选用的3种类型GO-FLOW操作符

    图  4   转辙机电动机部件的GO-FLOW等效模块

    图  5   基于GO-FLOW的转辙机模型

    图  6   部件维修间隔的计算流程

    表  1   转辙机模型参数

    编号类型单元名称参数
    S1 25 输入信号 $S = 1$
    A2 21 电动机 ${K_{A2} } = {\rm{0} }{\rm{.999\,998\,151\,8} }$
    A3 35 模拟失效单元 ${K_{A3} } = 5.544\,7 \times {10^{ {\rm{ - } }6} }$
    B2 21 齿轮组 ${K_{B2} } = {\rm{0} }{\rm{.999\,994\,699\,9} }$
    B3 35 模拟失效单元 ${K_{B3} } = 5.300\,1 \times {10^{ {\rm{ - } }6} }$
    C2 21 摩擦联结器 ${K_{C2} } = {\rm{0} }{\rm{.999\,999\,565\,1} }$
    C3 35 模拟失效单元 ${K_{C3} } = 0.652\,3 \times {10^{ {\rm{ - } }6} }$
    D2 21 滚珠丝杠 ${K_{D2} } = {\rm{0} }{\rm{.999\,998\,532\,3} }$
    D3 35 模拟失效单元 ${K_{D3} } = 1.467\,7 \times {10^{ {\rm{ - } }6} }$
    E2 21 保持连接器 ${K_{E2} } = {\rm{0} }{\rm{.999\,999\,429\,2} }$
    E3 35 模拟失效单元 ${K_{E3}} = 0.5708 \times {10^{{\rm{ - }}6}}$
    F2 21 动作杆 ${K_{F2} } = {\rm{0} }{\rm{.999\,996\,901\,6} }$
    F3 35 模拟失效单元 ${K_{F3} } = 1.549\,2 \times {10^{ {\rm{ - } }6} }$
    G2 21 检测杆 ${K_{G2} } = {\rm{0} }{\rm{.999\,997\,227\,6} }$
    G3 35 模拟失效单元 ${K_{G3} } = 1.386\,2 \times {10^{ {\rm{ - } }6} }$
    H2 21 锁闭块和锁舌 ${K_{H2} } = {\rm{0} }{\rm{.999\,999\,633\,1} }$
    H3 35 模拟失效单元 ${K_{H3} } = 0.733\,9 \times {10^{ {\rm{ - } }6} }$
    I2 21 速动开关组 ${K_{I2} } = {\rm{0} }{\rm{.999\,999\,673\,8} }$
    I3 35 模拟失效单元 ${K_{I3} } = 0.326\,2 \times {10^{ {\rm{ - } }6} }$
    注:${K_{i2}} $,${K_{i3}}$$(i \in \{ {\rm{A} },{\rm{B} }\cdots,{\rm{I} }\})$分别表示每小时部件正常工作的概率和部件的失效率。
    下载: 导出CSV

    表  2   转辙机部件可靠度的变化

    设备服役
    时间/h
    部件可靠度变化/%
    ABCDEFGHI
    t=6010*3.28*3.140.390.880.340.930.830.440.20
    t=9760*2.06*1.970.641.420.561.501.340.710.32
    t=120601.231.210.78*1.750.67*1.851.660.880.39
    t=14160*2.41*2.310.920.310.810.331.941.030.46
    t=168601.491.421.070.700.940.74*2.261.200.54
    t=18210*2.22*2.121.160.901.010.950.191.300.56
    t=20710*1.38*1.32*1.32*1.26*1.15*1.330.53*1.380.66
    下载: 导出CSV

    表  3   转辙机设备整体可靠度和部件维修间隔

    工作时间/h设备整体可靠度维修部件
    t=10.999984
    t=6010 (6010)0.899984电动机、齿轮组
    t=9760 (3750)0.899476电动机、齿轮组
    t=12060 (2300)0.899788滚珠丝杆、电动杆
    t=14160 (2100)0.899400电动机、齿轮组
    t=16860 (2700)0.899745检测杆
    t=18210 (1350)0.899479电动机、齿轮组
    t=20710 (2500)0.899563全面维修
    下载: 导出CSV
  • [1] 郭 进. 铁路信号基础 [M]. 北京: 中国铁道出版社, 2010.
    [2] 王瑞峰,陈旺斌. 基于灰色神经网络的S700K转辙机故障诊断方法研究 [J]. 铁道学报,2016,38(6):68-72. DOI: 10.3969/j.issn.1001-8360.2016.06.012
    [3]

    Atamuradov V, Camci F, Baskan S, et al. Failure diagnostics for railway point machines using expert systems[C]//IEEE International Symposium on Diagnostics for Electric Machines, Power Electronics and Drives. IEEE, 2009: 1-5.

    [4]

    Jonguk L, Heesu C, Daihee P, et al. Fault Detection and Diagnosis of Railway Point Machines by Sound Analysis: [J]. Sensors, 2016, 16(4): 549. DOI: 10.3390/s16040549

    [5] 刘大为,郭 进,王小敏,等. 中国铁路信号系统智能监测技术 [J]. 西南交通大学学报,2014,49(5):904-912. DOI: 10.3969/j.issn.0258-2724.2014.05.025
    [6] 伏玉明. 转辙机健康管理关键技术的研究[D]. 兰州: 兰州交通大学, 2017.
    [7] 王 宁,孙树栋,李淑敏,等. 基于DD-HSMM的设备运行状态识别与故障预测方法 [J]. 计算机集成制造系统,2012,18(8):1861-1868.
    [8]

    Ardakani H D, Lucas C, Siegel D, et al. PHM for railway system — A case study on the health assessment of the point machines[C]// Prognostics and Health Management. IEEE, 2012: 1-5.

    [9]

    García F P, Pedregal D J, Roberts C. Time series methods applied to failure prediction and detection [J]. Reliability Engineering & System Safety, 2017, 95(6): 698-703.

    [10]

    Shen Z, Yao W, Huang X. A quantification algorithm for a repairable system in the GO methodology [J]. Reliability Engineering & System Safety, 2003, 80(3): 293-298.

    [11]

    Matsuoka T, Kobayashi M. GO-FLOW: A New Reliability Analysis Methodology [J]. Nuclear Science & Engineering, 1988, 98(1): 64-78.

    [12]

    Matsuoka T. Improvement of the GO-FLOW Methodology [J]. Nuclear Engineering and Design, 1997, 175: 205-214. DOI: 10.1016/S0029-5493(97)00038-1

    [13] 伏玉明,刘伯鸿,宋 爽. 基于模糊综合评判的转辙机健康评估研究 [J]. 铁道科学与工程学报,2017,14(5):1070-1076. DOI: 10.3969/j.issn.1672-7029.2017.05.026
  • 期刊类型引用(23)

    1. 韩德志,韩晓艺,华福才,杨良印,邵昕. 数字孪生与多系统融合的城轨综合管控平台研究与实施. 都市快轨交通. 2025(01): 112-119 . 百度学术
    2. 钟建峰,韩天,宣秀彬,蔡宇晶,郭顺利. 基于gRPC的城市轨道交通线网运营指挥平台分布式图纸数据同步更新方法. 铁路计算机应用. 2024(07): 74-79 . 本站查看
    3. 王贤瑞,光志瑞,陈冉,解柏川,王淞艺. 城市轨道交通智能维修层级及技术研究. 设备管理与维修. 2024(20): 60-64 . 百度学术
    4. 刘继平. 轨道交通工务维修管理数字化转型研究. 现代城市轨道交通. 2024(11): 14-20 . 百度学术
    5. 钟建峰,孟宇坤,王石生,韩天,蔡宇晶,宣秀彬. 基于gRPC分布式数据通信的地铁线网指挥中心平台设计与实现. 都市快轨交通. 2023(02): 190-197 . 百度学术
    6. 杨帆,丁明辉,邓瑾,刘畅,李明. 地铁车辆信息互联共享方案研究. 智慧轨道交通. 2023(02): 26-32 . 百度学术
    7. 郭嘉曦. “精益五星”检修现场管理. 中国质量. 2023(03): 113-117 . 百度学术
    8. 陶然. 城市轨道交通通信系统智慧运维平台设计. 交通科技与管理. 2023(18): 16-18 . 百度学术
    9. 王婷. 城市轨道交通供电智能运维系统研究. 铁道建筑技术. 2023(09): 74-77+188 . 百度学术
    10. 孔凡超,吕方林,薛学晓,李华栋. 城市轨道交通车联网综合在途监测系统的研究与应用. 智慧轨道交通. 2023(06): 75-82 . 百度学术
    11. 蒋永兵,徐建,王鹏聪. 基于多源数据融合的轨道交通供电智能运维架构研究. 电气化铁道. 2023(S2): 9-12 . 百度学术
    12. 党晓勇. 基于云计算的轨道交通机电智能运维平台设计研究. 现代信息科技. 2022(02): 6-8 . 百度学术
    13. 李海培. 城市轨道交通云计算技术研究及应用. 自动化与仪表. 2022(05): 99-103 . 百度学术
    14. 蔡昌俊,朱小山,邱启盛,王艺达,白丽,张凌云. 广州城际铁路智慧运管系统架构研究与设计. 现代城市轨道交通. 2022(06): 12-16 . 百度学术
    15. 鲍飞达,王颖. 浅谈智能化城轨供电运维平台应用层的功能要求. 内蒙古科技与经济. 2022(08): 120+123 . 百度学术
    16. 徐余明,黎家靖,张宁,石先明,刘利平,胡祖翰. 基于云-边-端架构的城市轨道交通智能运维系统. 都市快轨交通. 2022(06): 145-150+157 . 百度学术
    17. 郑儆醒. 城市轨道交通信号专业智能运维的应用. 电子技术与软件工程. 2021(15): 175-178 . 百度学术
    18. 周阳. 城市轨道交通智慧车站设计研究. 江西建材. 2021(09): 150-151 . 百度学术
    19. 宣秀彬,高凡,张铭,付思,蔡宇晶. 城市轨道交通智慧出行App的设计与实现. 铁路计算机应用. 2021(10): 69-72 . 本站查看
    20. 李璐,王爱丽,王子腾,窦元辰. 基于多源数据融合的城市轨道交通人员综合监测及运营管理系统研究. 铁路计算机应用. 2021(10): 47-53 . 本站查看
    21. 张玉福,孔垂云,刘宇,岳阳,王赛. 货运票据电子化部署架构设计与运维保障. 中国铁路. 2021(11): 8-13 . 百度学术
    22. 王瑞锋. 基于智能检测监测与大数据技术的城市轨道交通智能运维管理. 现代城市轨道交通. 2021(11): 85-89 . 百度学术
    23. 王磊,陆川,蒲丹丹,林意为. 基于改进卷积神经网络的地铁客流量预测算法设计. 现代电子技术. 2021(24): 87-91 . 百度学术

    其他类型引用(3)

图(6)  /  表(3)
计量
  • 文章访问数:  33
  • HTML全文浏览量:  68
  • PDF下载量:  9
  • 被引次数: 26
出版历程
  • 收稿日期:  2020-03-22
  • 刊出日期:  2020-10-25

目录

/

返回文章
返回