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

基于轮对磨耗数据的CRH2A型动车经济镟修策略研究

张渝, 王松, 邱春蓉

张渝, 王松, 邱春蓉. 基于轮对磨耗数据的CRH2A型动车经济镟修策略研究[J]. 铁路计算机应用, 2021, 30(4): 6-10.
引用本文: 张渝, 王松, 邱春蓉. 基于轮对磨耗数据的CRH2A型动车经济镟修策略研究[J]. 铁路计算机应用, 2021, 30(4): 6-10.
ZHANG Yu, WANG Song, QIU Chunrong. Economic reprofiling strategy of CRH2A EMU based on wheelset wear data[J]. Railway Computer Application, 2021, 30(4): 6-10.
Citation: ZHANG Yu, WANG Song, QIU Chunrong. Economic reprofiling strategy of CRH2A EMU based on wheelset wear data[J]. Railway Computer Application, 2021, 30(4): 6-10.

基于轮对磨耗数据的CRH2A型动车经济镟修策略研究

基金项目: 国家自然科学基金(61771409)
详细信息
    作者简介:

    张 渝,副教授

    王 松,在读硕士研究生

  • 中图分类号: U266.2 : U269 : TP39

Economic reprofiling strategy of CRH2A EMU based on wheelset wear data

  • 摘要: 为提高镟修策略的经济性,基于轮对磨耗数据,进行CRH2A型动车经济镟修策略研究。在描述动车轮对磨耗的规律时,分别以二次拟合和数理统计的方式建立轮缘厚度的磨耗规律和轮径月磨耗量的规律,其中,轮径分布拟合的优劣采用卡方拟合优度来衡量,轮缘厚度磨耗函数拟合结果使用拟合度来评价。在轮缘厚度磨耗速率模型和轮径磨耗数理统计模型的基础上,采用蒙特卡罗仿真方法模拟动车轮对运行的实际情况,得到121种镟修策略的仿真结果,并选出最优策略。通过实验结果对比分析,该最优策略较现役的固定镟修方案,提高了动车轮对的使用时间,降低了动车运行成本,提高了经济效益。
    Abstract: In order to improve the economy of the reprofiling strategy, based on the wheelset wear data, this paper studied the economic reprofiling strategy of CRH2A EMU. When describing the wear regular pattern of EMU wheelset, the paper established the wear regular pattern of rim thickness and the monthly wear regular pattern of wheel diameter by means of quadratic fitting and mathematical statistics respectively. Among them, the advantages and disadvantages of fitting wheel diameter distribution were measured by the goodness of Chi-square fitting, and the fitting result of wheel rim thickness wear function was evaluated by fitting degree. Based on the wheel flange thickness wear rate model and the mathematical statistics model of wheel diameter wear, the paper used Monte Carlo simulation method to simulate the actual situation of EMU wheelset operation, obtained the simulation results of 121 kinds of reprofiling strategies, and selected the optimal strategy. Through the comparative analysis of the experimental results, and compared with the existing fixed reprofiling scheme, the optimal strategy improves the service time of the EMU wheelset, reduces the operation cost of the EMU and improves the economic benefit.
  • 随着我国铁路的飞速发展,动车、客车、机车的开行数量、速度和载荷都迅速增加,对列车车轮的品质和质量状态提出了更高的要求。若不及时准确发现列车车轮问题,将给铁路运营带来安全隐患,给国家财产带来巨大损失[1]。因而,准确地预测列车轮对磨耗量,进行镟修判断,优化列车轮对镟修策略,对我国列车维修和铁路安全具有重要意义[2]

    列车轮对作为列车安全行走的关键部件,一直是国内外学者的研究热点[3]。Pradhan S等人研究了印度铁路存在的轮对磨耗问题,并做出预测,但没有提出使用数理统计处理数据[4];Pascual等人通过对随机抽样的1000多个美国在役列车车轮磨耗进行统计分析,发现轮缘厚度与轮缘磨损的速率成正比[5];王凌等人通过追踪轮对和镟修成本,研究列车运行成本以月为单位的计算方式,完善了经济镟修策略的评价手段[6];杨志采用数理统计的方式,建立了轮径的正态模型,利用蒙特卡罗方法生成随机的轮径月磨耗量,仿真出镟修策略的生命周期和镟修次数[7];徐文文[8]等人研究了地铁受电弓滑板的磨耗趋势并进行有效预测,节约了地铁的运营和维修成本,为动车的经济镟修提供了新的研究思路。

    需要指出,数理统计模型的拟合度对于镟修策略仿真的正确性至关重要[9]。拟合度越低,数理统计的轮径模型与实际磨耗值偏差越大。在蒙特卡罗仿真中,使用轮径模型来随机生成当月的磨耗仿真值,随着仿真进行,轮对运用月数越多,离正确的镟修策略偏离越大。为解决上述问题,本文提出一种优化的分布拟合模型来分析经济镟修策略。

    本文利用蒙特卡罗仿真方法,模拟动车在真实运行周期中轮对每月的磨耗,从而计算得到该轮对的生命周期以及镟修次数。

    蒙特卡罗仿真是指,当所求问题建立在某随机数列之上,或和随机数列相关时,可采用拟合分布生成伪随机数列的方式来模拟实际情况[9]。其仿真的主要过程包括3部分:(1)构造或描述概率过程;(2)实现从已知概率分布抽样;(3)建立各种估计量。

    为准确评价模型的拟合程度,本文选择相关性系数(R)、均方误差(MSE,Mean Squared Error)、平均绝对误差(MAE,Mean Absolute Error)、平均绝对百分误差(MAPE,Mean Absolute Percentage Error)、方差(SSE,The Sum of Squares due to Error)作为衡量预测结果精度的标准。具体计算公式如下:

    $$E_{\rm{R}} = \frac{{\displaystyle\sum\limits_{i = 1}^n {({Y_i} - \bar y)({{\hat Y}_i} - \overline {{{\hat Y}_i}} )} }}{{\sqrt {{{\displaystyle\sum\limits_{i = 1}^n {\left( {{Y_i} - \bar y} \right)^2} }}{{\displaystyle\sum\limits_{i = 1}^n {\left( {{{\hat Y}_i} - \overline {{{\hat Y}_i}} } \right)^2} }}} }}$$ (1)
    $$E_{\rm{MSE}} = \frac{1}{{{n}}}\sum\limits_{i = 1}^n {{{\left( {{Y_i} - {{\hat Y}_i}} \right)}^2}} $$ (2)
    $$E_{\rm{MAE}}{\rm{ = }}\frac{1}{{{n}}}\sum\limits_{i = 1}^n {\left| {{Y_i} - {{\hat Y}_i}} \right|} $$ (3)
    $$E_{\rm{MAPE}} = \frac{1}{{{n}}}\sum\limits_{i = 1}^n {\left| {\left( {{Y_i} - {{\hat Y}_i}} \right)/{Y_i}} \right|} $$ (4)
    $$E_{\rm{SSE}} = \mathop \sum \limits_{i = 1}^n {w_i}{\left( {{Y_i} - {{\hat Y}_i}} \right)^2}$$ (5)

    式中,ER为相关性系数;EMSE为均方误差;EMAE为平均绝对误差;EMAPE为绝对百分误差;ESSE为方差,${Y_i}$为真实值;${\hat Y_i}$为模型预测值;$\overline y $$\overline {{{\hat Y}_i}} $分别是真实值和模型预测值的平均值;wi为各项数据权重;n为预测样本数。MSE、MAE及MAPE值越小,表示模型拟合精度越高;R值越接近1,表示模型拟合精度越高。

    为制定更合理的轮对镟修策略,本文根据轮对磨耗的历史数据研究轮对的磨耗规律。使用SPSS软件分析得到轮对磨耗数据之间的皮尔森相关性,其中,轮缘厚度和轮缘厚度磨耗速率的皮尔森相关系数为−0.2932,认为两者是相关的;轮径和轮径磨耗速率的皮尔森相关系数为−0.0932,则认为两者是独立的,因此使用轮缘厚度和轮缘厚度磨耗速率建立模型。

    本文使用CRH2A型动车组于2017年 — 2019年8个轮对的轮缘厚度数据作为样本数据,建立磨耗模型,该车轮轮缘厚度的下限为26 mm,上限为32.9 mm。测得的数据中轮缘厚度分布区间为27.5 ~ 31.3 mm,主要集中在28 ~ 30.5 mm区间,如图1所示。

    图  1  CRH2A型动车轮对轮缘厚度分布

    每间隔5天轮缘厚度磨耗率 VSd 的计算公式为:

    $${{{V}}_{{{Sd}}}} = \frac{{S{d_{i + 1}} - S{d_i}}}{{{t_{i + 1}} - {t_i}}}\times5$$ (6)

    式中,ti+1ti表示测量出该轮缘厚度数据的日期,ti+1ti表示相隔的天数;Sdi+1Sdi分别为不包含镟轮情况下 ti+1ti日期的轮缘厚度测量值。

    将轮缘厚度和轮缘厚度磨耗率的计算数据进行拟合,结果如图2所示。

    图  2  轮缘厚度和轮缘厚度磨耗率之间关系的拟合结果

    纵坐标为每5天的轮缘磨耗率,横坐标为27.5 ~ 33.1 mm范围内,每间隔0.1 mm的轮缘厚度。拟合结果中,ESSE = 0.02587,ERMSE = 0.02189。SSE和RMSE值越接近0,说明该拟合结果解释数据的能力越强。

    根据CRH2A型动车组 2017 — 2019年的数据,统计出每间隔30天轮径的磨耗量,数据表明该动车每30天的轮径磨耗量基本处于区间(−2 mm,5 mm)中。将磨耗量以间隔0.5 mm 划分为15个区间,得到图3所示的统计直方图。从图中可以看出,磨耗区间(0.5 mm,1 mm)和(1 mm,1.5 mm)所占的频数最高,轮径月磨耗量以1 mm为中心,向两侧延伸,频数呈逐渐减小的趋势。

    图  3  轮径月磨耗量统计直方图

    为得出该统计适合哪种分布,文本使用Matlab作为拟合工具,先后采用了Logistic分布、正态分布、Gamma分布、Weibull分布进行拟合,拟合参数和结果如图4所示。

    图  4  4种分布拟合的参数和结果

    Logistic分布概率密度函数为:

    $$f(x) = {(1 + {e^{ - (x - \mu )/\sigma }})^{ - 1}}$$ (7)

    式中,$\sigma =0.787\;\; ;\;\;\mu =0.901$

    正态分布概率密度函数为:

    $$f(x) = \frac{1}{{\sigma \sqrt {2{\text{π}} } }}\exp \left( { - {{\frac{{(x - \mu )}}{{2{\sigma ^2}}}}^2}} \right)$$ (8)

    式中,$\sigma =1.361\;\;;\;\;\mu =0.929 1$

    Gamma分布概率密度函数为:

    $$f(x) = \frac{{{x^{(\alpha - 1)}}{\lambda ^\alpha }{e^{( - \lambda x)}}}}{{\Gamma (\alpha )}}$$ (9)

    式中,$\alpha =7.627\;\;;\;\;\lambda = \dfrac{{\rm{1}}}{\beta }\;\;;\;\beta =0.515$

    Weibull分布概率密度函数为:

    $$f(x) = \frac{\beta }{\alpha }{\left(\frac{{x + 3}}{\alpha }\right)^{\beta - 1}}{e^{ - (\frac{{x + 3}}{\alpha })}}^\beta $$ (10)

    式中,$\alpha =4.393\;\;;\;\;\beta =3.154$

    4种分布拟合与实际数据统计直方图的对比如图5所示。

    图  5  4种分布拟合与实际数据对比

    图中,Logistic分布在高频部分存在错峰描述的误差;正态分布对高频和低频的统计都比较契合;Gamma分布对高频部分的描述存在错峰的误差;Weibull分布拟合整体比原数据偏低。结合表1的卡方拟合优度检验(X2)来对比,Logistic分布和Gamma分布的X2值明显高于Weibull分布和正态分布,表明预测结果与实际值相差较大,因此舍弃使用Logistic分布和Gamma分布。计算轮径月磨耗量位于0 ~ 5 mm的概率,Weibull分布和正态分布分别为0.723和0.781。综上,本文选用正态分布作为轮径的统计模型。

    表  1  4种分布拟合的参数对比
    分布类型对数似然函数值X2
    Logistic分布−1243.5752
    正态分布−1231.3918
    Gamma分布−1230.89103
    Weibull分布−1223.9432
    下载: 导出CSV 
    | 显示表格

    本文在建立轮缘厚度磨耗模型和轮径数理统计模型基础上,基于Matlab,采用蒙特卡罗方法仿真动车轮对在运行中的实际情况,并得到对应的镟修策略结果。设轮缘厚度的上、下限分别为SH和SL,每一对车轮的轮缘厚度上下限可仿真出一组镟修方案,及相应的生命周期和镟修次数。将CRH2A轮缘厚度的上下限区间 (26 mm , 32.9 mm) 以0.3 mm为间隔取值,从而得到上下限组合。为避免出现上限太低的无意义镟修方案,本文上限取值区间为 (29.9 mm , 32.9 mm) ,下限取值区间为 (26 mm , 29 mm) ,总计可以得到121种镟修策略,仿真流程如图6所示。

    图  6  蒙特卡罗仿真流程

    (1)设定仿真初始化参数,轮径的上限值$D\left(0\right)=860\;{\rm{mm}}$,轮缘厚度$Sd\left(0\right)=32.9\;{\rm{mm}}$,两次镟修的间隔时间 $ t=0 $,使用寿命 $ T=0 $,镟修次数 $ N=0 $。此处分别导入121组镟修策略的上下限;

    (2)累计该组镟修策略的生命周期 $ t=t+1 $

    (3)根据轮缘厚度的模型计算出轮缘厚度一个月的磨耗量$ \Delta Sd $,从而得到当前轮缘厚度值$ Sd\left(T+t+1\right)=Sd\left(T+t\right)-\Delta Sd $;同时,根据轮径的数理统计模型,生成当月的轮径磨耗量,得到磨耗一个月之后的轮径值 $ D\left(T+t+1\right)=D\left(T+t\right)-\Delta D $

    (4)将当前轮径值$ D(T+t+1) $与轮径下限790 mm比较,如果低于790 mm,输出一组镟修策略的结果,镟修策略的生命周期$ Tend=T+t $,镟修次数$ Nend=N $;如果高于790 mm,判断轮缘厚度当前值$ Sd(T+t+1) $ 是否低于${\rm{SL}}$,如果 $ Sd(T+t+1) $ 高于 SL,回到循环继续仿真;

    (5)如果$ Sd(T+t+1) $低于SL,在此处进行一次镟修,根据镟修比例系数减少轮径值:$ D\left(T+t\right)=D\left(T+t+1\right)-k(SH-SL) $,镟修次数 $ N=N+1 $。将本次镟修之前的轮对时间存储起来$ T=T+t $,并且重置参数:$t=0\;\;,\;\;Sd\left(T+t\right)={\rm{SH}}$

    以当前采用的固定镟修模式作为对照,从所有的镟修策略中,选出最优的4组方案 。根据目前列车运行和镟修动作的经济成本,对比得到最优的镟修策略。

    本文仿真结果如图7所示,121种镟修策略的镟修次数集中在10次上下,轮对的预期使用寿命集中在65 ~ 70个月。目前,单轮镟修一次的成本XN为300元,更换单轮的成本D为80000元,每月的单轮运行成本为 ${{y}} = \dfrac{{{X_N}\cdot {{N}} + {{D}}}}{{{T}}}$[10]

    图  7  仿真结果

    通过计算和对比,选出4组较优策略。如表2所示,第1行为当前镟修策略,其余4行为仿真得出的4组较优策略,其中,镟修组合(28.1,31.7)是月经济成本最低的一组,轮对的生命周期也最长,因此是经济效果最好的。

    表  2  镟修策略对比
    镟修组合/mm镟修次数生命周期/月单轮经济成本/(元/月)
    (28.0,32.9)12601393.3
    (28.1,31.7)975184
    (27.5,31.4)1072194
    (28.7,31.7)972191
    (28.4,31.4)873186
    下载: 导出CSV 
    | 显示表格

    本文基于轮对磨耗数据,研究了一种能提高CRH2A型动车轮对生命周期的镟修策略。在动车轮对两个重要数据轮径和轮缘厚度中寻找规律并建立模型,采用蒙特卡罗仿真方法,得出CRH2A型动车组采用不同镟修策略的实际经济效果。结果表明,通过仿真得到的镟修策略中存在生命周期更长,镟修次数更合理的方案。相较于目前的镟修策略,动车轮对运营的经济性得到提高。采用经济成本衡量的方式,可直观得出不同镟修策略的优劣,以便做出更好的决策。

  • 图  1   CRH2A型动车轮对轮缘厚度分布

    图  2   轮缘厚度和轮缘厚度磨耗率之间关系的拟合结果

    图  3   轮径月磨耗量统计直方图

    图  4   4种分布拟合的参数和结果

    图  5   4种分布拟合与实际数据对比

    图  6   蒙特卡罗仿真流程

    图  7   仿真结果

    表  1   4种分布拟合的参数对比

    分布类型对数似然函数值X2
    Logistic分布−1243.5752
    正态分布−1231.3918
    Gamma分布−1230.89103
    Weibull分布−1223.9432
    下载: 导出CSV

    表  2   镟修策略对比

    镟修组合/mm镟修次数生命周期/月单轮经济成本/(元/月)
    (28.0,32.9)12601393.3
    (28.1,31.7)975184
    (27.5,31.4)1072194
    (28.7,31.7)972191
    (28.4,31.4)873186
    下载: 导出CSV
  • [1] 华 莎. 基于数据智能分析的列车车轮磨耗预测与镟修策略研究[D]. 南京: 南京航空航天大学, 2017.
    [2]

    Magel E, Kalousek J, Caldwell R. A numerical simulation of wheel wear [J]. Wear, 2005, 258(7-8): 1245-1254. DOI: 10.1016/j.wear.2004.03.033

    [3]

    Choi H Y, Lee D H, Lee J. Optimization of a railway wheel profile to minimize flange wear and surface fatigue [J]. Wear, 2013, 300(1-2): 225-233. DOI: 10.1016/j.wear.2013.02.009

    [4]

    Pradhan, Smitirupa, Samantaray, et al. Prediction of railway wheel wear and its influence on the vehicle dynamics in a specific operating sector of Indian railways network [J]. Wear An International Journal on the Science & Technology of Friction Lubrication & Wear, 2018, .43(8): 114-119.

    [5] 李轩墨,高晓蓉,宋东利,等. 基于Semi-Markov链的高速车轮缺陷退化模型 [J]. 信息技术,2016(3):159-162.
    [6] 赵文杰,王 凌,员 华,等. 基于马尔可夫过程的地铁车辆轮对磨耗建模及其镟修策略优化 [J]. 科学技术与工程,2014,14(36):116-119, 132. DOI: 10.3969/j.issn.1671-1815.2014.36.021
    [7] 杨 志,邢宗义,王 露,等. 基于磨耗数据统计模型的镟轮决策优化 [J]. 铁道标准设计,2018,62(1):142-148.
    [8] 徐文文,彭建平,邱春蓉. 基于支持向量回归的地铁受电弓滑板磨耗趋势预测模型研究 [J]. 铁路计算机应用,2020,29(1):77-81. DOI: 10.3969/j.issn.1005-8451.2020.01.015
    [9] 刘莲花. 拟合优度检验的功效比较及其分布函数的选取研究[D]. 武汉: 中国地质大学, 2009.
    [10] 庞松林. CRH2型高速动车组车轮镟修策略的研究[D]. 北京: 北京交通大学, 2016.
  • 期刊类型引用(4)

    1. 王子晗,刘路路,刘阳,曹荣祯,王帷. 基于智能运维数据的轮对维护方法研究. 智慧轨道交通. 2024(02): 29-35 . 百度学术
    2. 王冬,杨钰鑫. 基于PCA-MSSA-BP神经网络的列车车轮踏面磨耗预测模型. 科技创新与应用. 2024(12): 49-54 . 百度学术
    3. 丁亚琦,吕晟,王子晗,张枝森,刘伟渭,沈钢. 基于实测数据的车辆轮对磨耗模型研究. 城市轨道交通研究. 2024(06): 64-67 . 百度学术
    4. 陈伯清,曾元辰,宋冬利,张卫华,傅双波,姜陈. 动车组全列车轮运维全过程退化数值模拟方法研究. 机车电传动. 2023(02): 78-89 . 百度学术

    其他类型引用(6)

图(7)  /  表(2)
计量
  • 文章访问数:  119
  • HTML全文浏览量:  197
  • PDF下载量:  22
  • 被引次数: 10
出版历程
  • 收稿日期:  2020-11-25
  • 刊出日期:  2021-04-24

目录

/

返回文章
返回