據(jù)的質量和數(shù)量，若訓練數(shù)據(jù)不足或代表性差，其模型可能無法很好地推廣至新的軸承，泛化能力相對較差；Xu等針對高速列車輪對軸承提出一種新的剩余使用壽命預測模型，通過連續(xù)監(jiān)測，將軸承狀態(tài)分為5個等級，以確定軸承能否安全使用到下一次檢修，而不是直接預測剩余使用壽命，該方法采用3D激光掃描技術對測試軸承的損傷狀態(tài)進行量化，成本相對較高，實用價值較低。針對動車組故障預測研究現(xiàn)狀，將數(shù)字孿生技術引入動車組故障預測領域，以北京航空航天大學陶飛教授的數(shù)字孿生五維模型為基礎，結合實際數(shù)據(jù)，構建動車組數(shù)字孿生五維模型，以期通過該模型提升對動車組故障的全面分析和預測能力。數(shù)字孿生技術的應用，不僅可以優(yōu)化維護策略，還能有效規(guī)避不必要的維護和檢修，從而在一定程也具有一定的實際應用價值。1需求分析故障預測指根據(jù)系統(tǒng)現(xiàn)在或歷史狀態(tài)，預測性地診斷部件或系統(tǒng)完成其功能的狀態(tài)，包括確定部件或系統(tǒng)的剩余壽命，以及正常工作的時間長度。故障預測對設備運維保養(yǎng)具有重要的指導意義。1.1故障預測需求動車組故障預測分析旨在通過監(jiān)測、分析動車組各部件的運行狀態(tài)，提前識別潛在故障，從而實現(xiàn)預測性維護，減少故障突發(fā)風險，提高動車組的運行效率和安全性。軸箱軸承是動車組的關鍵部件之一，負責承載列車重量并允許輪對在軌道上順暢滾動，其健康狀況直接影響列車運行安全。進行軸箱軸承故障預測，可在軸承發(fā)生嚴重故障前及時進行維護或更換，避免因軸承故障導致列車延誤或事故。以中國鐵路上海局集團有限公司 (簡稱上海局集團公司)軸箱軸承的故障率、報廢率為例，根據(jù)上海局集團公司動車段反饋數(shù)據(jù)，2016年1月—2018年12月，軸箱軸承保有量分別為40000、39488、44224套，故障報廢數(shù)量分別為64、43、63套，整體報廢率分別為0.16%、0.11%和0.14%。因此，實現(xiàn)動車組故障預測對于維護鐵路運輸?shù)母咝c安全至關重要。為實現(xiàn)該目標，不僅需要加強相關技術和算法的研究，還應建立完善的動車組故障預測體系。1.2常見故障目前，針對動車組的故障預測研究主要集中在動車組的機械系統(tǒng)與電氣系統(tǒng)。常見機械系統(tǒng)故障包括：(1)牽引系統(tǒng)故障：牽引電機、傳動系統(tǒng)等故障，導致列車無法正常運行。(2)制動系統(tǒng)故障：制動盤、制動片、制動控制系統(tǒng)等故障，影響列車制動效果。(3)輪對、軸承故障：輪對、軸承出現(xiàn)問題，可能導致列車不穩(wěn)定或無法正常行駛。常見電氣系統(tǒng)故障包括：(1)供電系統(tǒng)故障：接觸網(wǎng)受電弓磨損、接觸線斷裂、蓄電池性能下降等，影響列車供電。(2)控制系統(tǒng)故障：列車控制系統(tǒng)、道岔轉轍機、信號系統(tǒng)等故障，導致列車無法控制或通信。以某鐵路局集團公司動車組關鍵部件或系統(tǒng)故障數(shù)據(jù)為例，常見故障占比見圖1,主要涉及的故障部件或系統(tǒng)包括轉向架、齒輪箱、牽引電機、軸箱軸承、受電弓、制動系統(tǒng)。牽引電機圖1動車組常見故障占比1.3現(xiàn)行動車組故障預測與維護策略2.1預測方法在動車組進行靜態(tài)檢修時，對于缺乏傳感器監(jiān)控的部件和設備，其故障預測主要依靠對動車組的主要部件、系統(tǒng)以及整車進行詳盡的可靠性評估。該評估包括對部件的使用壽命、歷史故障數(shù)據(jù)、制造商建議的維護周期等方面的綜合考量，以確定可能存在風險的部件和系統(tǒng)，從而提前采取必要的維護措施，確保動車組安全、可靠運行。在動態(tài)運行過程中，動車組故障預測主要通過對運行數(shù)據(jù)的實時當系統(tǒng)檢測到異常情況，如數(shù)據(jù)超出預設的監(jiān)控閾值，隨即發(fā)出故障預警，提示工作人員及時檢修或維護，以免影響列車正常運行。綜合靜態(tài)檢修和動態(tài)運行過程中的故障預測，可有效提高動車組運行的可靠性和安全性，保障列車正常運行，減少因故障帶來的不便2模型設計數(shù)字孿生(DigitalTwin,DT)是指利用數(shù)字化技術和模型構建物理世界的數(shù)字化鏡像，實現(xiàn)虛擬-實體耦合、跨界融合與協(xié)同創(chuàng)新。通過數(shù)字孿生技術，可實現(xiàn)對物理實體的精確仿真、監(jiān)控、優(yōu)化和預測，以幫助人們更好地理解、分析和管理現(xiàn)實世界中的對象或系統(tǒng)。目前，數(shù)字孿生技術在智能制造領域已取得巨大成功，將數(shù)字孿生技術引入動車組故障預測領域，不僅可利用數(shù)字孿生技術對動車組的狀態(tài)進行實時跟蹤和故障預測，提前發(fā)現(xiàn)潛在的故障風險，還能降低維護成本、優(yōu)化運行效率?；跀?shù)字孿生的動車組故障預測示意見圖2,其預測方法主要分為以下2步：(1)數(shù)字孿生五維模型構建：對動車組的設計數(shù)據(jù)、實時數(shù)據(jù)、歷史數(shù)據(jù)和維修數(shù)據(jù)進行采集與處理；基于動車組數(shù)據(jù)進行幾何建模和動力學建模；將幾何與動力學模型融合，得到動車組虛擬模型。在動車組數(shù)字孿生模型中，設計數(shù)據(jù)可反映動車組的幾何模型情況，實時數(shù)據(jù)可反映動車組當前狀態(tài)，歷史數(shù)據(jù)可揭示過去運行情況，維修數(shù)據(jù)則提供維護保養(yǎng)的信息。(2)故障預測：對動車組數(shù)字孿生五維模型進行特征提取，旨在從復雜數(shù)據(jù)中提取出最具代表性的故障特征，以幫助識別潛在的故障信號。提取的特征可能包括振動頻率、溫度變化、電氣參數(shù)等。在模型的訓練與推斷階段，依據(jù)具體設備運行狀況，選擇適當?shù)墓收项A測算法，對已提取的特征進行深入分析與模型構建，對潛在故障情況進行預測。通過引入實時數(shù)據(jù)，對模型進行持續(xù)優(yōu)化，該過程有助于提升故障預測的精確度。故障預測能夠協(xié)助動車組及時發(fā)現(xiàn)潛在的故障隱患，并制定針對性的維修策略，從而保障動車組的安全穩(wěn)定運行。維修支持故障預測基于模型數(shù)據(jù)驅動基于知識預測基于混合模型頻率圖2基于數(shù)字孿生的動車組故障預測示意圖2.2模型構建見原文。動車組數(shù)字孿生五維建模示意見圖3。歷史工作運行負荷數(shù)據(jù)數(shù)據(jù)迭代優(yōu)化設計數(shù)據(jù)記錄數(shù)據(jù)環(huán)境迭代優(yōu)化迭代優(yōu)化圖3動車組數(shù)字孿生五維建模示意圖2.2.1動車組物理實體動車組物理實體主要包括：牽引、制動、轉向架、車體、供電、控制、通信信號、空調與通風、輔助等系統(tǒng)。2.2.2動車組虛擬模型動車組虛擬模型主要包括：(1)幾何模型：描述動車組物理實體的外部幾何參數(shù)，如尺寸、形狀，以及部件之間裝配關系等。(2)動力學模型：通過深入理解動車組的工作原理、物理特性，以及各個部件之間的相互作用，建立的動車組動力學模型，以理解預測動車組在不同工作環(huán)境下的行為。2.2.3故障預測服務該服務旨在提高動車組的運行安全性和可靠性，通過對動車組的提前采取預防措施，減小故障發(fā)生的概率和影響。故障預測服務的關鍵在于精確的數(shù)據(jù)分析和穩(wěn)健的模型構建。系統(tǒng)收集動車組的運行、維護、環(huán)境數(shù)據(jù)，進行特征提取和選擇，以識別與故障相關的關鍵特征；利用機器學習和深度學習算法構建故障預測模型，并通過訓練數(shù)據(jù)集優(yōu)化模型參數(shù)，提高預測準確性；模型訓練完成后，可實時處理動車組數(shù)據(jù)，預測故障概率、類型和發(fā)生時當預測的故障概率超過閾值時，系統(tǒng)自動發(fā)出預警，指導維護工作。此外，故障預測服務還提供維護決策支持，根據(jù)預測結果生成維護建議，幫助維護人員更好地規(guī)劃和安排維修工作，提高維修效率和質量。2.2.4孿生數(shù)據(jù)動車組孿生數(shù)據(jù)通常包括以下信息：(1)動車組設計數(shù)據(jù)：車輛結構設計、機械系統(tǒng)設計、電氣系統(tǒng)設計、輔助設備設計、安全系統(tǒng)設計、車輛性能、車輛空氣動力學(2)實時傳感器數(shù)據(jù)：動車組各個部件的傳感器數(shù)據(jù)，如溫度、壓力、振動等。(3)歷史運行數(shù)據(jù)：動車組運行情況、維護記錄、故障歷史等。通過分析歷史數(shù)據(jù)，識別設備的運行及故障模式。(4)工作負荷數(shù)據(jù)：記錄動車組的工作負荷情況，如負載變化、運行速度、加速度等。(5)環(huán)境數(shù)據(jù)：考慮外部環(huán)境對動車組運行的影響，如氣溫、(6)維修記錄數(shù)據(jù)：記錄動車組的維修、保養(yǎng)情況，如維修時2.2.5連接動車組通過車載信息無線傳輸系統(tǒng)(WirelessTransmissionDeviceSystem,WTDS),將列車實時運行數(shù)據(jù)等信息傳輸至地面服3關鍵技術3.1動車組故障預測方法設備或部件的特點，采取與之相適應的方法(見表1)。表1動車組故障預測方法基于模型的預測結果非常準確；狀態(tài)空間等故障預測方法基于知識的故障預測方法器學習算法進行分析，可有效預測潛在故障；而對于輪對、軸承等機械部件，其主要故障通常是表面損傷，更適合采用基于模型的故障預測方法。通過建立部件的幾何模型和運動學模型，深入了解其運行機理，能更準確地預測故障。3.2故障預測關鍵步驟在動車組實際的故障預測階段，可根據(jù)各系統(tǒng)或部件獨特的物理結構和運動特性，選擇相適應的故障預測模型。一旦選定模型，就需要進行模型的開發(fā)與實施工作。該過程需要深入理解系統(tǒng)或部件內(nèi)在的機理，選取合理的故障特征，從而最大程度地捕獲系統(tǒng)或部件的潛在故障。具體步驟如下：(1)特征提取。在數(shù)字孿生模型中，分析歷史故障案例，提取反映動車組各個系統(tǒng)或部件健康狀態(tài)的特征變量，如振動信息、溫度變化、電流變化、壓力變化等多種信號。(2)預測模型訓練?；谔崛〉奶卣髯兞?，借助前述的故障預測方法進行訓練，在訓練過程中，需要整合歷史故障數(shù)據(jù)，包括故障發(fā)生前一段時間內(nèi)的數(shù)據(jù)及故障標簽(即故障類型、部位和發(fā)生時間等)。同時，還需要利用大量正常運行數(shù)據(jù)來增強模型對正常狀態(tài)的辨識能力，防止誤報。通過訓練，模型逐漸學習到不同故障類型與特征變量之間的內(nèi)在聯(lián)系，構建出故障與特征之間的非線性映射關系，最終實現(xiàn)動車組系統(tǒng)或部件的故障預測。(3)實時預測與決策支持。當數(shù)字孿生模型實時接收來自動車組的實際運行數(shù)據(jù)時，已訓練好的預測模型會對新輸入的特征數(shù)據(jù)進(4)動態(tài)優(yōu)化。根據(jù)故障預測結果和實際檢測反饋，不斷優(yōu)化4典型案例故障預測方法展開研究。具體研究方法示意見圖4。數(shù)字孿生空間數(shù)字孿生空間數(shù)據(jù)軸承數(shù)字孿生體信息軸承物理實體軸承振幅變化軸承溫度變化傳感器實時數(shù)據(jù)工作負荷數(shù)據(jù)歷史數(shù)據(jù)軸承設計數(shù)據(jù)歷史維護數(shù)據(jù)歷史運行數(shù)據(jù)故障預測模型訓練物理空間圖4基于數(shù)字孿生的軸箱軸承故障預測方法4.1軸箱軸承模型構建4.1.1物理實體車組采用NTN公司雙列圓錐滾子軸承，主要包括軸承內(nèi)圈、軸承外圈、軸承保持架、軸承滾體4個部分。4.1.2虛擬模型(1)幾何建模方案。對于軸箱軸承的幾何建模，采用基于點云的三維建模方案(見圖5)。首先，利用三維掃描儀對軸承進行掃描，獲取表面點云數(shù)據(jù)并進行預處理；其次，將不同位置掃描所得點云數(shù)據(jù)進行配準，以獲得完整的軸承表面信息；再對配準后的點云數(shù)據(jù)進行曲面重構，轉換為光滑的曲面模型；最后，修復生成的曲面模型，確保完整性和準確性。具體的構建流程見圖6。圖5軸箱軸承幾何建模圖6軸箱軸承數(shù)字孿生幾何模型構建流程(2)動力學建模方案。軸箱軸承在運轉過程中，假設軸承外圈保持靜止、內(nèi)圈勻速轉動，忽略滑動摩擦。計算相應內(nèi)外圈故障頻4.1.3故障預測服務該服務通過構建軸箱軸承的數(shù)字孿生模型，實現(xiàn)對軸箱軸承性能的實時監(jiān)控。通過對收集到的振動、溫度等數(shù)據(jù)進行深入分析，評估軸承的運行狀態(tài)。通過故障預測算法，建立軸箱軸承故障預測模型，準確預測軸承的剩余使用壽命。4.1.4孿生數(shù)據(jù)軸箱軸承孿生數(shù)據(jù)包括初始設計參數(shù)、材料特性、幾何結構等設計數(shù)據(jù)，這些數(shù)據(jù)為軸承的虛擬模型提供了基礎。同時，孿生數(shù)據(jù)還包括來自安裝于軸承各傳感器的實時數(shù)據(jù)，如振動傳感器、溫度傳感器、壓力傳感器等，傳感器能夠捕捉軸承在實際工作條件下的性能變化。結合設計和實時傳感器數(shù)據(jù)，可構建一個動態(tài)的數(shù)字孿生模型，以模擬軸承實際運行狀況，并用于預測軸承的剩余使用壽命和潛在故4.1.5軸箱軸承連接通過傳感器實時監(jiān)測軸箱軸承的工作狀況，將捕捉的軸承溫度、振動、負載和其他關鍵性能指標，通過WTDS系統(tǒng)安全、高效地傳輸4.2故障預測4.2.1軸箱軸承故障預測方法際數(shù)據(jù)與模型預測數(shù)據(jù)，識別潛在故障。預測方法見表2。表2軸箱初始化包含N個粒子的集合：(xx2…x),其中每個粒子表示1個軸箱軸承可考慮軸承系統(tǒng)的運行參數(shù)和外部輸入，根據(jù)上一時刻粒子狀態(tài)預測當根據(jù)實際觀測到的軸箱軸承信號數(shù)據(jù)，使用觀測模型更新粒子的權重，以反映觀測值與狀根據(jù)粒子權重隨機選擇粒子實現(xiàn)，可減少權重較小的粒子數(shù)量，增加權重較大的粒子數(shù)量，4.2.2預測結果波算法對軸箱軸承的故障進行預測。根據(jù)故障預測結果(見圖7),210