一种基于免疫自适应算法的地铁车辆多级成组预防性维护决策方法

技术领域

本发明涉及一种基于免疫自适应算法的地铁车辆多级成组预防性维护决策方法，属于交通设备维护领域。

背景技术

当前地铁车辆设备的维护仍停留在定周期维护的阶段。多级维修机制是目前地铁车辆的主要维护制度，即将维护划分不同的等级，每一级维护的时间节点、维护的设备的种类、维护的难易程度均不同，级别越高，维护时间间隔越大，维护的设备越复杂、维护难度和维护成本越高。预防性维护是根据对机器的维护经验、故障历史数据分析，发现故障规律并进行故障预测，进而制定维护策略的维护方式，具有保证设备稳定运行，降低事故发生率的优点。预防性维护策略非定周期的维护方式还可以避免前期维护过度、后期维护不足的问题，从而降低维护成本。

采用预防性维护策略对地铁车辆进行维护，将维护的侧重点放在故障发生之前，利用故障规律对地铁车辆的故障状态进行判断，减少故障发生几率，从而提高地铁运营的安全性。在故障规律的基础上，建立预防性维护策略，为地铁的维护供合理的安排，从而实现对地铁车辆运营中故障的预防、分析、诊断和排除。因此，在地铁运营中实施预防性维护对保证地铁的安全稳定具有十分重要的意义，同时也有助于提高地铁维护的效率。

发明内容

针对上述问题本发明开发地铁车辆设备多级成组预防性维护模型。以维护时间和可靠度为决策变量，综合考虑保养成本、小修成本、更换成本和维护推迟惩罚成本，以最低维护成本率和最高可用度为目标函数，构建了多目标预防性维护模型。结合地铁现行的多级维护机制，提出多级成组预防性维护模型，采用免疫自适应算法求解，并与传统免疫算法和遗传算法对比分析。计算结果表明，免疫自适应算法相比传统免疫算法和遗传算法收敛速度快、寻优能力强，是保证地铁车辆设备可靠运行的有效策略。同时在此基础上设计开发了针对地铁车辆的维修决策系统，提高了预防性维护策略的实用性。

本发明提供一种基于免疫自适应算法的地铁车辆多级成组预防性维护决策方法，包括如下步骤：

S1、基于Grey-DEMATEL的地铁车辆设备重要性评价

S2、基于最小二乘法的地铁车辆关键设备故障分布拟合；

S3、构建地铁车辆设备多级成组预防性维护模型；

S4、采用免疫自适应算法进行模型求解；

S5、考虑偶发故障的预防性维护决策系统开发。

优选的，所述的步骤S1包括如下子步骤：

具体的，所述的步骤S1中：S11、基于Grey-DEMATEL(灰数-决策试验与评估实验室法)方法计算13个重要性评价指标的综合权重

优选的，所述的步骤S2包括如下子步骤：

具体的，所述的步骤S2中：S21、故障规律初步判断

S22、故障分布函数拟合优度检验

式中，

S23、基于最小二乘拟合的分布模型参数确定

优选的，所述的步骤S3包括如下子步骤：

具体的，所述的步骤S3中：S31、实际维护周期

式中，

S32、成组维护

S33、地铁车辆多级成组维护优化模型

S34、归一化后的目标函数为：

优选的，所述的步骤S4包括如下子步骤：

具体的，所述的步骤S4中：S41、采用免疫自适应算法求解

优选的，所述的步骤S5包括如下子步骤：

具体的，所述的步骤S5中：

S51、功能需求分析；

S52、数据库建立；

S53、系统功能实现；

S54、偶发故障相应。

本发明的有益效果是：基于免疫自适应算法的地铁车辆多级成组预防性维护决策方法，开发地铁车辆设备多级成组预防性维护模型。以维护时间和可靠度为决策变量，利用可靠度阈值和维护时间阈值判断是否进行成组维护，综合考虑保养成本、小修成本、更换成本和维护推迟惩罚成本，以最低维护成本率和最高可用度为目标函数，构建了多目标预防性维护模型。采用免疫自适应算法求解，并与传统免疫算法和遗传算法对比分析。计算结果表明，免疫自适应算法相比传统免疫算法和遗传算法收敛速度快、寻优能力强，是保证地铁车辆设备可靠运行的有效策略。同时在此基础上设计开发了针对地铁车辆的维修决策系统，提高了预防性维护策略的实用性。研究基于免疫自适应算法的地铁车辆多级成组预防性维护决策方法对预防性维护技术在运输业广泛应用具有重要的工程意义。

附图说明

图1为本发明的成组维护示意图；

图2为本发明的故障概率密度观测值散点图；

图3为本发明的四个关键设备拟合结果；

图4为本发明的小修推迟惩罚函数曲线；

图5为本发明的权重r＝1时目标值迭代曲线；

图6为本发明的地铁车辆预防性维护决策原型系统开发功能框图；

图7为本发明的数据库设备维护信息表；

图8为本发明的系统工作流程示意图；

图9为本发明的偶发故障快速响应界面

具体实施方式

下面结合附图及实施例，对本发明进行进一步详细说明，但应当理解实施例用以解释本发明，并不用于限制本发明。

本发明的整体技术方案为一种基于免疫自适应算法的地铁车辆多级成组预防性维护决策方法，包括如下步骤：

S1、基于Grey-DEMATEL的地铁车辆设备重要性评价；

S2、基于最小二乘法的地铁车辆关键设备故障分布拟合；

S3、构建地铁车辆设备多级成组预防性维护模型；

S4、采用免疫自适应算法进行模型求解；

S5、考虑偶发故障的预防性维护决策系统开发。

步骤S1包括如下子步骤：

S11、基于Grey-DEMATEL方法计算13个重要性评价指标的综合权重

式中，P

步骤S2包括如下子步骤：

S21、故障规律初步判断

S22、故障分布函数拟合优度检验；

S23、基于最小二乘拟合的分布模型参数确定

对四种常用故障分布函数进行线性转换，结合最小二乘法求得参数a和b的值

步骤S3包括如下子步骤：

S31、实际维护周期

S32、成组维护；

S33、地铁车辆多级成组维护优化模型

S34、归一化后的目标函数为：

步骤S4包括如下子步骤：

S41、采用免疫自适应算法求解。

步骤S5包括如下子步骤：

S51、功能需求分析；

S52、数据库建立；

S53、系统功能实现；

S54、偶发故障相应。

本发明开发一种基于免疫自适应算法的地铁车辆多级成组预防性维护决策方法，图1为本发明的地铁车辆多级成组预防性维护示意图。

进一步的，基于Grey-DEMATEL方法计算13个重要性评价指标的综合权重

式中，P

进一步的，根据评价指标综合权重进行加权评分选择关键设备。

表1加权评分表

由表1可知，转向架、车门、电气、贯通道加权评分分数明显高于其他设备，因此选择上述四个设备作为本文研究的关键设备。

进一步的，故障规律初步判断

进一步的，故障分布函数拟合优度检验

式中，

经检验，转向架、车门、电气、贯通道四个设备的威布尔分布拟合AD值更小，拟合结果如图3所示，因此选择威布尔分布作为四个设备的故障分布函数。

进一步的，基于最小二乘拟合的分布模型参数确定

进一步的，实际维护周期

进一步的，构建小修推迟惩罚函数

进一步的，构建维护成本率函数

设备可用度

进一步的，构建地铁车辆多级成组维护优化模型

进一步的，归一化后的目标函数为：

进一步的，设计人工免疫算法求解。相较常用于优化多目标模型的遗传算法和粒子群优化算法，免疫自适应算法能够产生并保持种群的多样性，其采用群体搜索策略，通过迭代计算获取问题的全局最优解，克服了一般寻优过程中常陷入局部最优解问题。

进一步的，实例分析。为验证上述维护模型的可行性，以某地铁公司1号线编号132车辆设备为例进行求解，考虑到实际维护情况，取ΔT＝3天，R

表2关键设备维护费用表

表3多级维护机制

整理四个关键设备拟合结果如表4所示。

表4拟合结果参数表

进一步的，不同权重下的求解结果如表5所示。

表5求解结果

进一步的，基于免疫自适应算法进行模型求解。权重r＝1时目标值迭代曲线如图5所示。

进一步的，算法有效性分析，由图5可知，免疫自适应算法相比于遗传算法和传统免疫算法，收敛速度更快，收敛精度更高。

进一步的，优化结果分析。对关键设备采用预防性维护策略后，维护成本率降低了7.5％，进一步地采用多级成组策略后，又降低了6.6％，相比现行的维护制度降低了13.6％，同时关键设备平均可用度为77％，由此可见，采用多级成组预防性维护策略，既降低了维护费用，提高了设备可靠性，又保证了车辆的可用度。优化结果前后对比如表6所示。

表6优化前后对比

进一步的，功能需求分析。功能框图如图6所示。

进一步的，数据库建立。数据库设备维护信息表如图7所示。

进一步的，系统功能的实现。用户首先登陆到系统，然后在系统主界面输入设备名称，选择故障分布类型，输入各项参数，系统将根据输入信息调用Matlab 程序进行求解，并将结果以图表的形式展示；用户点击信息查看，系统将从SQL Server中获取数据，并以数据表的形式展示。系统的工作流程示意图如图8所示。

进一步的，偶发故障响应。如图9所示的“偶发故障快速响应”界面，用户输入所需信息，与维护策略制定的流程相似，系统将数据带入Matlab程序中求解。系统根据是否是关键设备发生故障以及故障等级，判断是否进行机会维护，或是则以当前时间点为起点，制定新的维护策略，同时将偶发故障信息录入数据库中。通过该功能，地铁车辆维护人员面对偶发故障可以快速做出响应，缩短了反应时间，使故障停机时间得以充分利用。

以上所述为本发明的优选实施例，并不用于限制本发明，本发明所属领域的技术人员依然可以对上述技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。