刘 洋，巩婷婷，乐建炜，胡小宁，朱 涛

(1.国能铁路装备有限责任公司 先进铁路装备研发中心，北京 100011；2. 北京京天威科技发展有限公司 货车事业部，北京 100085；3.中国国家铁路集团有限公司 信息技术中心，北京 100844)

0 引言

为确保铁路货物列车运行的可靠性，我国铁路货车检修始终围绕“计划预防修”模式展开，即按一定的时间周期完成货车关键零部件的预防性检修。但是，随着铁路货车设计理念持续优化与生产工艺水平的逐步提高，以及铁路运输组织工作模式的持续优化，现行的定期检修体制带来“过度维保”与“数据孤岛”问题。因此，世界上铁路运输业发达的国家正在积极推进铁路货车检修机制的数字化升级改造工作，建立铁路货车状态修数字化赋能体系，推动铁路货车关键零部件由“周期检修”向“精准施修”模式转变，促使铁路货车检修行业高质量发展[1]。

铁路货车“状态修”是指在货车车辆基本结构与关键零部件实时监测、数理统计和科学分析的基础上，探索货车精准施修的工作方式。“状态修”是一种以维修资源消耗与成本优化为目标的维修策略，通过物联网等技术手段实时监测货车关键部件运作状态的基础上，建立关键零部件衰退特性与列车运行里程、载荷、线路等状态参数内在关联关系模型，以数字化技术赋能货车关键零部件检修流程，促使货车关键部件动态监测、静态分析、健康诊断、精准施修、寿命管理、生命再造与安全追踪等精准检修流程的数字化[2-3]。目前我国铁路货车“状态修”尚处于起步阶段，存在数字化技术先进性不足、监测数据利用效率不高与管理系统智慧化水平较低等技术瓶颈[4-6]。作为国内能源运输业的代表，神华铁路坚持积极推动铁路货车检修数字化升级改造，助力推动铁路货车状态修朝着自动化、智能化方向发展[7]。

1 铁路货车状态修数字化赋能系统构建

铁路货车“状态修”核心驱动力在于物联网技术赋能货车及关键部件状态的实时动态检测，而大数据等技术是“状态修”零部件失效规律挖掘的关键保障[8]。由此可见，新一代数字化技术将赋能铁路货车检修与作业流程优化，为铁路货车故障预警预测与精准施修策略制定提供科学依据与决策辅助。

1.1 系统总体架构

货车状态修的本质是改变铁路货车定期检修流程驱动模式，以真实反映货车状态检修的数据流程，依托数据将货车检修逐步转换为用数据及智能驱动的模式。铁路货车状态修数字化赋能系统架构如图 1 所示。由图 1可知，铁路货车状态修数字化赋能系统主体围绕状态感知、精准施修与迭代优化3个阶段展开。在状态感知阶段，铁路货车状态修以零部件寿命管理体系为基础，结合先进的物联网技术推动关键零部件状态检测与诊断，结合零部件性能衰退模型构建零部件剩余寿命预测模型，以此推动列车监控状态诊断模型的高效建构。在精准施修阶段，基于状态感知阶段输出的诊断信息，基于大数据技术建立货车健康状态诊断模型与修程的科学决策辅助，推进在线修与状态修协同状态下的货车故障施修方案精准实施，并结合维修流程数据完成各类模型性能验证。在迭代优化阶段，融合状态感知与精准施修阶段获得的多源信息，抽取表征铁路货车的关键特征数据，为铁路货车检修流程数字化建设提供数据支撑，并以此为基础建立闭环正反馈机制，持续改进状态感知与精准施修阶段的综合性能。

图1 铁路货车状态修数字化赋能系统架构Fig.1 Architecture of digital empowerment system for condition-based maintenance of railway freight cars

1.2 系统运行阶段

1.2.1 状态感知阶段

铁路货车“状态修”工作机制的精准构建，离不开检修设备与信息系统提供的实时有效的货车状态数据。为推动货车状态修工作流程优化，提高列车健康状态诊断模型决策科学水平，需要高效的状态感知数据支撑体系。为此，结合神华铁路货车检修工作流程化与数字化建设需求，构建标准化“状态修”数据中心，为模型构建奠定数据基础。铁路货车状态修数字化赋能系统数据中心与数据源如图2所示。

图2 铁路货车状态修数字化赋能系统数据中心与数据源Fig.2 Data center and data source of digital empowerment system for condition-based maintenance of railway freight cars

铁路货车状态修数据来源可以分为实时业务数据、知识研究数据与人员关联数据3类。这3类数据支撑着铁路货车零部件技术状态诊断模型与零部件剩余寿命预测模型的构建，为货车健康状态诊断模型决策生成的科学性与合理性奠定了基础。

（1）实时业务数据。主要为轮对状态在线综合检测系统、重载铁路货车闸瓦监测系统、曲线通过性能检测系统、铁路车号自动识别系统、铁路车辆轴温无线探测系统、铁路车辆制动故障预测预警系统等业务数据，以及车辆检修流程产出的质量信息等，如运行里程、载重质量、车辆轴温等参数。

（2）知识研究数据。主要针对货车关键零部件进行数字化，包括关键部件的性能指标库，寿命阈值、老化系数、零部件分解组装关系等关键指标，以及挖掘的关键零部件老化规律与外部因素的关联关系，助推状态修关键零部件寿命与磨损规律数学模型精准构建，为货车状态修技术体系构建奠定决策依据。

（3）人员关联数据。对参与到整列车检修运用的调度、预检、零部件加修、整车检修、质检、验收等人员信息，以及所挖掘的多工种人员在组织结构、角色资源和权限管控等方面的内在规律与关联关系进行关联管控，为状态修工作体系有效构建与推进提供支撑。

1.2.2 精准施修阶段

精准施修是在状态感知阶段所作决策的基础上，组织相关人员完成有针对性的施修，并构建检修流程的高效反馈机制，推动模型性能的迭代优化。根据检修模式，精准施修通常可以分成“在线修”与“状态修”2类工作形态。

（1）在线修。主体工作在于列车离散性故障处置。检修人员通过状态感知阶段诊断模型输出的报告与决策，协同手持机或人工检查形式交叉验证诊断模型的精准性，修复故障与完成检修状态数据的同步采集与模型校验。

（2）状态修。聚焦列车规律性故障性综合修理。检修人员将对批量失效的零部件进行合理匹配，根据关键零部件状态，建立差异化(状态修一级修Z1/状态修二级修Z2/状态修三级修Z3/状态修四级修Z4)修理等级，以推动检修工作提质增效。此外，基于物联网技术推动检修流程数字化与规范化，迭代推进状态修数字化模型性能升级优化。

综上，精准施修的前置条件在于状态感知阶段诊断模型输出报告的精准性，及其检修决策制定与排产的科学性，而精准施修阶段所采集数据，将转化为状态修数学模型精准构建的强劲推动力，助力提升车辆健康数据模型构建的精准性。

1.2.3 迭代优化阶段

迭代优化是指同步构建真实反映货车状态修物理过程的数字模型，挖掘状态修多源异构数据内在关联属性与迁移机理，推进数字化赋能状态修多源异构数据高效清洗与优化处置，以及打造信息化平台，推动货车检修工作的标准化与流程化。

（1）多源信息融合。重点研究数字化赋能状态修支撑数据清洗工作机理，挖掘不同来源结构化和非结构化数据源内在规律与关联关系，探索多源高维空间状态修支撑数据与低维度空间的映射方法，打造分布式架构的多源异构数据融合执行引擎。

（2）关键特征抽取。主体围绕数字化赋能状态修支撑数据处置工作展开，基于多源信息融合引擎输出的降维数据，挖掘铁路货车零部件老化规律与外在因素的关联关系，探索多参数指标约束下关键零部件状态修优化流程精准构建有效路径。

（3）检修流程数字化。聚焦数字化赋能状态修工作流程优化路径构建，建立状态修诊断与决策信息系统，推动关键零部件状态、车辆与车列健康指数的精准评分，打造车辆健康状态精准研判辅助体系，推动检修决策科学指引工作流程构建。

综上，协同状态感知与精准检修环节打造闭环反馈体系，将有力地促进状态修数字模型与检修工作模式协同优化，助力运输工作体系的提质增效。

2 铁路货车状态修数字化赋能系统技术路线

为推动铁路货车状态修数字化赋能技术落实落地，以神华铁路货车检修机制提质增效需求为指引，阐明铁路货车状态修数字化赋能系统的技术路线，通过建立应用示范推动数字赋能技术的高效迭代升级，以期打造数字化赋能铁路货车状态修“神华模板”。数字化赋能铁路货车状态修系统技术路线如图3所示。

图3 数字化赋能铁路货车状态修系统技术路线Fig.3 Technical route of digital empowerment system for condition-based maintenance of railway freight cars

2.1 多源数据中心建设

多源数据中心建设，即通过车辆技术状态大数据中心的建设，实现对车辆零部件全生命周期数据、车辆检修历史记录、“5T”(红外线轴温探测智能跟踪系统(THDS)、货车运行状态地面安全监测系统(TPDS)、货车滚动轴承早期故障声学诊断系统(TADS)、货车运行故障动态图像检测系统(TFDS)、货车轮对状态在线综合检测系统(TWDS))设备数据、运行里程等全面管理，推动零部件剩余寿命预测阈值的反馈指导。基础数据是构建铁路货车状态检修数字化工作流程的基础，将基于大数据技术打造状态修数据中心，建立铁路货车状态修分布式关系型数据库，高效整合既有与新建的业务系统基础数据，形成支撑铁路货车状态修开展的数据基础集。例如，形成状态修车型编码、车辆零部件结构清单、零部件型号编码、故障编码、施修方法编码、修程(修理等级)编码、单位编码、线路编码、站段编码、公里标等，为状态修失效规律、零部件分类、零部件寿命、工艺规程、修程修制等模型的构建奠定数据基础。

为推动基础数据与货车运用动态数据的高度融合，通过畅通状态修数字系统与铁路货车技术管理信息系统(HMIS)共享通路，推动车辆基本信息、制造信息、改造信息、历次扣修记录、历次检修记录卡片(检查项点信息、检修故障信息、检修结果信息)数据中心高效协同，明确零部件历次的装用车号、上车时间、下车时间，累加零部件装用时间段内车辆运行里程。此外，建立数据中心与轨边监测设备数据传递路径，构建零部件运行里程与健康档案数据集，满足列车健康状态诊断模型数据同步需求。

2.2 状态感知模型构建

状态感知模型构建，即通过对车辆基础理论的研究，全面掌握车辆零部件寿命预测和失效规律，建立零部件寿命管理体系，实现对关键零部件剩余寿命的预测预警，形成货车检修流程智能研判的工作模式。

（1）车辆技术状态检测系统模型。基于故障案例数据完成5T检测设备输出数据进行深度学习，建立零部件的检测系统模型；基于THDS数据特征探索轴承故障预警预测机制高效构建；基于TPDS数据属性，建立车轮踏面损伤预测算法完成车轮品质精准识别；研究TADS数据特征的轴承故障诊断机制，实现轴承故障早发现早处理，规避行车安全隐患；基于TFDS数据属性，研究关键零部件故障定位算法；针对TWDS数据，构建车轮技术状态的实时监测体系。最后，基于诸如大数据等新一代信息技术，挖掘5T系统输出数据内在关联性与演化规律，以此推动检测系统关联模型构建，进而实现零部件综合评判，为精准施修奠定理论依据。

（2）零部件剩余寿命预测模型。基于故障模式、影响及危害性分析(FMECA)完成全寿命零部件和使用寿命零部件关键特性的分析，并结合专家系统和其他课题研究成果，建立零部件剩余寿命预测模型。对于纳入全寿命零部件管理范畴的零部件，打通货车年限指标与里程指标内在换算通路，构建零部件剩余寿命预测模型，推动零部件状态的分级评分。对于使用寿命零部件，建立基于大数据技术的特征参数性能退化模型，研究基于多维度状态下铁路货车关键部件动态性能演变及其安全限值，推动零部件寿命的精准预测。此外，根据货车使用情况，结合关键零部件剩余寿命预测模型及状态修流程数据，迭代优化剩余寿命模型的准确性。

（3）车列健康诊断模型。该模型将充分结合零部件剩余寿命模型和车辆技术状态检测系统模型输出结果数据特征，重点研究基于零部件状态评估状态的扣修标准。在此基础上，依据专家知识体系构建零部件状态与列车运行安全内在关联关系模型，以及基于大数据技术挖掘各类零部件支撑列车安装运作的权重系数，完成铁路货车状态的综合评价与关键零部件检修决策辅助。最后，完成系统性的列车健康诊断报告，以期为后续工作奠定数据基础。

（4）货运车列扣修标准。结合状态修检修、运用布局及检修工艺研究成果制定状态修车列扣修标准。以车列得分和各辆车得分为主要评价依据，同时考虑重大故障以及与之相关的扣分项制定扣修标准，使其与状态修修制相一致。利用该标准指导状态修修程下车列的扣修，达到提高扣修准确率，最大程度减少漏扣、错扣情况的发生。

2.3 精准检修决策指引

精准检修决策指引，即深度挖掘车辆检测设备与人员调度内在联系，形成科学化与高效化的检修决策辅助，指引铁路货车精准检修流程的建立与实施，反馈迭代与持续优化数学模型的综合性能。

基于修程判定流程输出诊断报告与形成的状态修车列排产计划，指导调度扣车及现场工作安排，同时形成本次修程的进度计划、质量标准零部件更换计划标准。按照工艺规程要求，对该修程下的车辆进行检修，数据中心实时采集检修数据，比较实际数据和诊断数据差异，跟踪5T报警检修结果，按诊断模型计算剩余里程，并按唯一ID跟踪，生成检修过程数据。同时接入检修过程中生产设备数据，并将检测结果反馈给检测系统，将检修过程中零部件相关信息，反馈优化状态修诊断决策综合判别模型。

车辆修竣后重新上线运行，状态修诊断决策综合判别模型继续进行修程判别，以及车列、车辆、零部件评分，指导车辆安全运行。状态修数据中心持续接入车辆运用数据及状态修诊断决策，综合判别模型结果数据，持续对货车进行运用跟踪，进行固定编组管理、指挥命令等调度相关管理。

3 结束语

以铁路货车状态修数字化赋能为主要研究对象，阐明车辆与零部件之间的内在规律与关联关系，以及货车检修流程与零部件全生命周期管理体系的构建方法，明确精准施修基本保障措施及优化方案，确保铁路货车检修工作便捷、快速、高效、安全运转。相对于传统的“计划预防修”模式，“状态修”将优化铁路货车单车全生命周期检修资源配置，有效提升检修效率，降低零部件更替成本，对于提高铁路货车检修及关键配件全寿命周期管理水平，最大限度地提升铁路运输效率具有现实意义。