列控车载设备故障模型分析及探讨.docx
- 文档编号:10222789
- 上传时间:2023-02-09
- 格式:DOCX
- 页数:8
- 大小:21.11KB
列控车载设备故障模型分析及探讨.docx
《列控车载设备故障模型分析及探讨.docx》由会员分享,可在线阅读,更多相关《列控车载设备故障模型分析及探讨.docx(8页珍藏版)》请在冰豆网上搜索。
列控车载设备故障模型分析及探讨
列控车载设备故障模型分析及探讨
摘要:
本文主要对列控机械类设备的常见故障及其典型概率模型进行了分析,并说明如何利用这些规律去优化对目前列控设备的修程修制。
关键词:
列控设备故障概率模型修程修制
Abstract:
Inthispaper,welistsomecommonfaultsinATPsandanalyzethiretypicalprobabilitymodels.Atlastweexplainhowtooptimizethepresentmaintenancespecificationbyusingtheprobabilitymodels.
Keywords:
ATP;Fault;probabilitymodel;Maintenancesystem
通过多次到铁路运营单位调研,发现列控设备的生产厂家为了保证列车运行的绝对安全,制定的列控设备的修程修制不够精细,突出表现在大多数列控设备维修过剩,还有部分设备维修不足,而铁路运营部门在实际的维修维护规范中基本上是参照了列控设备生产厂商提供的修程修制。
深入分析修程修制的维修过剩和维修不足的根本原因,发现问题在于列控设备生产商没能深入分析和建立各个列控设备精确的故障模型,没有这样的模型就很难建立针对各个设备的科学的修程修制,例如从列控设备A出厂时间开始计算,设备A的故障概率分布规律符合浴盆曲线分布,所以在制定设备A的修程修制时就应在刚上道和邻近寿命期时适当降增加对它的检修频率,在使用中期合理降低检修的频率,根据具体设备的实际情况制定合理的日常检修和集中检修的时间间隔。
本文旨在探讨一种方法或途径,及建立几种常见故障的概率模型,通过分析故障模型能够对优化列控设备的修程修制产生积极的指导意义。
1列控车载设备分类
在现实环境中列控设备遇到的故障是多种多样的,系统分析故障的原因可以看到引起故障的原因跟具体的设备特性有直接相关的,所以有必要先对列控车载设备按照机械和电器特性进行分类,针对各种不同性质的设备通过分析它们的特性建立各自的故障模型,为科学制定它们的修程修制打下基础。
列控车载设备主要由安全计算机(VC)、轨道电路信息接受模块(STM)、应答器信息接受模块(BTM)、人机界面(DMI)、速度传感器、列车接口单元(TIU)、运行记录单元(DRU)、轨道电路信息接受天线、应答器信息接受天线等部件组成(不同型号的列控设备略有不同,但总体结构相同)。
根据它们的机械和电器特性的不同按照引起故障的原因将这些设备分为以下三类。
由腐蚀、磨损、蠕变和疲劳引起故障的设备:
轨道电路信息接受天线、STM车底馈线、应答器接受信息天线、BTM连接馈线、DMI、速度传感器的保护钢套和连接电缆等。
由电子元件的各种逻辑故障和非逻辑故障引起故障的设备:
安全计算机(VC)内部的主板和集成电路、STM内部电路板、BTM内部电路板、速度传感器中的电子元件和传感线圈、列车接口单元(TIU)、运行记录单元内部的电子元件等。
由列控系统软件缺陷引起故障的设备:
安全计算机内的相关软件系统。
由于三类设备的结构迥异,它们的故障模型也有很大不同,在这篇文章中着重讨论机械类设备的故障模型。
2机械类设备或部件的故障及主要概率模型分析
机械类设备的故障主要由于腐蚀、磨损、蠕变等外在原因引起的设备偏离其设计状态而丧失部分或去全部功能。
这种故障应从定量的角度计算危害的严重性,设备的技术状况会随着使用时间的延长而逐渐恶化,发生故障的可能性也会随着时间的延长而增大。
2.1机械性故障的形成
在图1所示,A点表示设备的性能已经恶化并发展到可识别的潜在故障的程度,例如可能是设备上出现的一个细小的裂纹、或可能是设备连接处发生旷动即表明连接处磨损较明显了等等。
B点表示潜在故障已经发展成功能性故障,也就是说已经质变到损害的程度。
从A点到B点的区间就是设备从潜在故障的显露逐步发展到功能性故障的过渡时间。
不同设备的过渡时间间隔差别很大,短的可能几秒,长的可能几年,例如某些设备的突发故障的这种过渡时间就很短。
较长的故障过渡时间表明人们可以有更多的时间来预防设备的功能性故障的发生,所以应不断的寻找潜在故障的精确物理参数,为采取新的预防技术,避免功能性故障争取较长的时间。
2.2机械性故障的特点分析
机械性故障是跟腐蚀、磨损、老化、疲劳等机理分不开的,根据机械性故障形成的一般规律,分析可知机械性故障主要有下面一些特性。
(1)故障的潜在性。
设备在使用过程中会出现各种磨损,受到磨损部件的结构参数发生变化,当磨损发展到一定程度即超出部件结构参数允许值时,机械就会出现潜在的故障。
一般设备从潜在故障发展到功能性故障会需要较长的时间,而潜在故障可以通过适当的手段和方法来减缓或消除,从而可以大大推迟功能性故障到来的时间,增加设备的使用寿命。
(2)故障的不可逆性。
机械性腐蚀、疲劳、磨损和老化的过程伴随着质量和能量的变化,这一过程是不可逆转的,维修不能使设备的性能恢复到出厂时的状态。
(3)故障原因的不确定性。
设备在使用过程中受到各种环境条件的影响,设备的状况会有一种随机性。
同时,由于制造和设备材料的不尽相同,设备的各种阈值也有不同的分布,即使是同一个设备在不同的使用环境中,其使用状况也会表现出不同的分布。
这就导致设备结构参数的变化和设备故障的判断标准具有一定的不确定性。
(4)故障的发展性。
因为腐蚀、疲劳、磨损、老化过程是跟时间密切相关的,所以它们引起的机械性故障也是与时间有关的,即设备的磨损是逐步产生的,其中的结构参数是缓慢变化的,设备的性能也是逐渐恶化的。
设备的使用时间越长发生故障的概率越大,即故障发生的概率跟设备的使用时间成正比。
设备机械性故障这一跟时间有关的特性是预防性维修的理论基础之一。
2.3机械类故障的概率模型
本文希望通过分析和建立机械类故障模型的到以下两个受益:
第一,通过模型确定设备或部件的维护阈值(或警戒值,即表示设备的状况如果得到这个值就表示设备需要进行何种等级的维护了);第二,通过模型的分析得到该部件的合理的修成修制,例如设备A的故障发生概率服从浴盆曲线模式,则在它使用期的前期和后期应适当加大维护的频率,而在使用的中期可以减少维护的频率,这样即不会过剩修也不会欠维修。
不同的故障模式所适用的概率分布模型是不一样的,其中最常用的是正太分布和泊松分布两种概率模型。
在设备的正常使用情况下,绝大多数的故障(80%以上)属于正态分布,如速度传感器保护钢套、密封环、齿轮、轴承等磨损型零件的故障模式分布都服从正态分布。
下面将分别举例分析说明三种典型故障概率模型的建模和应用。
(1)正态分布。
以速度传感器保护钢套的旷动量为例,我们希望通过建立数据模型来制定一个合理的旷动量的阈值,当通过检测系统发现该部件的旷动量超过的阈值,就需要对传感器保护钢套进行检修维护了,分析原因,排除隐患,达到预防性维修的目的。
X为每个月中正常旷动量和异常旷动量的比率;
∑为求和;
K为公式系数,它与设备性质和使用环境有关。
在机械设备的维修可靠性的阈值计算时K值一般取值为2,2.5或3。
在第一次计算时对于稳定的系统一般取较小的值;而对于波动比较大的系统(如电子系统)则适合取较高的值,随后可以根据实际情况进行调整。
此外K值的大小还会影响告警的多少,如根据正态分布的分散性统计,某设备A的K值取2时,其假警告率大概为4,而K取3时其假警告率大约为0.3%。
由上面的公式可以看出阈值是通过标准方差的计算确定的,一般将它设置为平均值再加上2到3倍的标准方差。
下面将根据表格中的模拟数据进行阈值的计算,表1以月为单位,每个月统计一次X值。
由此可以得到速度传感器保护钢套的旷动量阈值为3.55,即认为旷动量在3.55以下是正常的,而超过3.55的就发生了异常,需要及时检修,这样的规则在很大概率上是正确的,发生错误的概率很小。
在列车实际运行过程中如果检测到该量大于此阈值时就应该检修了,在检修中应认真检查引起故障的根源,以便消除隐患。
又如轨道电路天线、应答器接受天线、速度传感器外壳部分等暴露在外的部件受到外界环境的影响,往往会在设备表面形成腐蚀,随着时间的延长,这种腐蚀会对设备造成故障,因此尽量早的发现那些将要带来故障的腐蚀部位对保证设备安全运行有重要意义。
而这种腐蚀深度一般也是符合正态分布的,因此也可以通过上面介绍的方法建立腐蚀深度模型并计算出合理的阈值,从而根据模型确定出最合理的维修维护时机。
(2)泊松分布。
泊松分布一般用于在时间上随机分布的故障,因此对列控车载设备的附件在某段时间上发生故障的次数一般服从泊松分布。
用X表示某时间内出现的故障数,则随机变量X服从泊松分布,其概率模型可以表示为:
根据惯例选定置信水平为97.5%。
其中λ为泊松分布的均值。
利用泊松分布,结合实际列控设备的具体参数(如某设备的在正常运行条件下的发生故障的概率)就可以确定出应该配备的合理的维修维护技术人员的个数,这样就避免了多配备人员造成的浪费,也避免了少配备人员而影响了列车的正常运营。
下面举例说明如何运用这一规律。
例如现在某动车段负责300台某列控设备A的维修维护,每台设备工作相互独立,设发生故障的概率都是0.01,通常情况下一台发生故障的设备可由一人来处理,那么至少需要配备多少技术人员才能保证设备A发生故障且能及时得到维修的概率不小于0.99。
假设需要N技术人员,在同一时刻发生故障的设备台数是X,则X服从参数为300、0.01的二项分布,于是有P{X≤N}≥0.99,根据泊松分布公式可以得到:
λ=300×0.01=3
由此求的满足此表达式的N的最小值8,所以得到需要至少配备8个维修维护人员才能满足要求。
(3)威布尔(weibull)分布。
因为动车列控车载设备部件越来越复杂,各种部件的故障模式很多。
在维修工业中有一种数学模型是瑞典人沃劳蒂·威布尔(waloddiweibull)依照弱环现象和理论,在研究疲劳寿命中提出了Weibull分布概率密度函数式。
该函数在今年来广泛应用于维修维护工业领域中,并且取得了明显的效果。
Weibull分布函数将一组随机性数据用三个参数的数学表达式表达,这一表达方式奠定了该方法的理论基础。
因为该分布函数用三个参数描述一组数据的分布规律,因此它比其他用一个参数的指数分布函数和有两个参数的正态分布函数更能接近与数据的真实分布规律。
除此之外Weibull分布函数涵盖了正态分布、瑞来分布和指数分布,即这三种分布式Weibull分布函数的特殊情况。
Weibull分布概率密度函数表达式是:
其中的η代表设备的特征参数,它代表了在某一损伤因素下的破坏特点。
例如于疲劳损伤,该参数代表了在一个应力作用下在设备寿命中的积累时间;对于腐蚀损坏,这一参数代表了受腐蚀部件的工作寿命;对于蠕变损伤,它代表了在一应力作用下的蠕断时间。
参数t代表等效时间,它说明在某一可靠度、故障率和概率密度函数下,设备的工作时间。
这里的工作时间是指实际的工作时间,即当设备使用时才计时,当设备不使用时不计时,所以它是表达损伤积累程度的参数。
β表示Weibull函数分布的形状参数,它表示某一损伤因素对部件可靠性影响的特点,例如对于腐蚀损伤,该参数与腐蚀温度有关,要作专门的分析;对于疲劳损伤,一般服从指数分布,这时该参数取值为1;对于磨损损伤,它与磨损时的平均转速有关;对于蠕变损伤该参数一般大于1。
该参数小于等于1时表示下降的故障率,当参数大于1时表示上升的故障率。
随着参数值的增大,故障因素对故障率的影响逐渐增大,当参数值为7以上时,在一t等效时间之后设备的可靠性会急剧下降,可以认为t为该损伤因素下的最大作用时间,在此之后设备出现故障的可能性增加很快。
此时t值就是发生故障的等效时间。
根据经验可知电路板上的电容器等很多设备和部件首次发上故障的实效分布式服从威布尔分布的,即它们的寿命为浴盆曲线。
由于涉及到大量的数学计算和篇幅有限,下面简述利用该规律优化对列控设备修程修制的方法。
取某n台列控设备A(样本n越大求得的参数精度越高),在相同的操作水平下和同样的工况下,从相同的时间点开始,将这个时间点计为0,记录下它们分别发生故障的时间,并按它们故障发生的时间先后次序排序,通过平均秩次法计算设备的平均秩次和累计分布函数(包含威布尔分布参数)。
分布函数求出后则它的分布密度函数、可靠性函数和实效函数也能方便的求出,由此可以计算出该设备在工作了x小时后的可靠度。
由计算到的可靠度,可以预测出该设备在工作了x小时后可靠度较低,安全性差,需要进行检修或者更换。
3结语
本文对列控车载设备中机械类设备的常见故障及其概率模型进行了介绍,当然列控设备的故障模型远不止这三种,但这三种是具有典型意义的。
通过对各种故障建立并分析数学模型,找到设备发生故障的规律,确实可以对很多故障进行预测并进行预防性维修,通过这一策略去优化目前暂行的列控设备的修程修制无疑是很有价值的。
基于这一思路,在由中铁第一勘探设计院、北京交通大学等单位正在合作开发的《列控设备全生命周期管理系统》中已引入这样的算法,对原型系统的初步测试表明这种方法对改善目前铁路运营单位维护列控设备的状况是很有帮助的。
参考文献
[1]贾希胜,甘茂治.以可靠性为中心的维修[J].工程机械与维修,2002(11):
116~117.
[2]王超,王金,等.机械可靠性工程[M].北京:
冶金工业出版社,1992.
[3]杨为民,屠庆慈.21世纪初装备可靠性维修性和保障性工程发展框架研究[J].中国机械工程,1998(9):
45~48.
[4]HaugenEG.ProbabilisticMechanicalDesign[M].NewYork:
Wiley,1980.
[5]MarvinR.Reliabilitycenteredmaintenance[J].ReliabilityEngineeringandSystemSafety,1998
(2):
121~132.
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 车载 设备 故障 模型 分析 探讨
![提示](https://static.bdocx.com/images/bang_tan.gif)