[发明专利]一种多属性融合的动车组系统关键部件辨识方法

说明书

技术领域

本发明属于动车组系统可靠性领域，尤其是涉及一种多属性融合的动车组系统关键部件辨识方法。

背景技术

动车组系统是极端服役条件下的具有先进功能的复杂机电系统。近年来，一方面我国动车组上线运行数量日益增多，另一方面，国内在动车组可靠性与安全性研究方面也面临着前期经验匮乏的客观事实。辨识动车组系统的关键部件，一方面可以优化动车组车辆的结构设计，从源头提高系统的可靠性，另一方面还可以为车辆的修程修制优化提供支撑，从而实现列车安全、可靠、高速运行。

目前，关于动车组系统关键部件辨识方法有很多种，例如系统可靠性理论中的Birnbaum重要性，Fussell-Vesely重要性，中心重要性，风险业绩值，风险降低值等，但是这些指标的前提条件是系统中部件相互独立；网络理论中的节点度、介数、PageRank等，这些指标或算法仅考虑了系统中部件的拓扑结构重要性，并未考虑部件自身的属性。因此，为了保证动车组高速安全可靠性运行，急需一种综合考虑部件自身属性和结构属性的动车组系统关键部件辨识方法。

发明内容

为了解决上述问题，本发明提出了一种多属性融合的动车组系统关键部件辨识方法，其特征在于，包括以下步骤：

步骤(1)依据动车组系统故障数据，依次计算系统中各部件的可靠性属性R_i，包括部件i的故障概率μ_i、故障前平均行驶里程M_i、可靠度r_i；

步骤(2)以动车组系统中的部件为节点，构建动车组系统全局拓扑网络模型，计算各节点的拓扑属性T_i，包括节点的度k_i、节点的介数b_i、节点的紧密度c_i；

步骤(3)对部件的可靠性属性R_i和拓扑属性T_i的取值进行归一化处理，其中部件的可靠性属性和拓扑属性共同构成了动车组系统部件i的属性集C_i＝{μ_i,M_i,r_i,k_i,b_i,c_i}；

步骤(4)构建动车组系统部件属性结构模型，所述模型的第一层为决策属性，可靠性属性R_i和拓扑属性T_i构成第二层，部件i的属性集即部件的故障概率μ_i、故障前平均行驶里程M_i、可靠度r_i、节点的度k_i、介数b_i以及紧密度c_i构成第三层，利用Marichal熵依次计算各部件的属性和属性集的权重；

步骤(5)根据建立的动车组系统部件属性结构模型，由第三层向上对各层进行Choquet积分，得到部件i的重要度I_i；

步骤(6)对部件的重要度I_i进行大小排序，辨识动车组系统中的关键部件。

所述的步骤(1)中部件i的故障概率μ_i为累计故障次数除以行走里程；故障前平均行驶里程其中，l为当前行驶距离，f(l)指的是直到下次故障前经过行驶里程的概率密度，L为行驶总里程；部件的可靠度r_i利用Isograph软件拟合得到。

所述的步骤(2)的具体过程为，以动车组系统中的部件为节点，部件间的机械、电气、信息作用关系为边，分别构建系统机械拓扑网络模型G_m(E_m,V_m)、电气拓扑网络模型G_e(E_e,V_e)和信息拓扑网络模型G_i(E_i,V_i)，其中，E_m为机械拓扑网络模型的边集，V_m为机械拓扑网络模型的节点集合，E_e为电气拓扑网络模型的边集，V_e为电气拓扑网络模型的节点集合，E_i为信息拓扑网络模型的边集，V_i为信息拓扑网络模型的节点集合；将上述三种拓扑网络模型利用逻辑加进行融合，构建动车组系统全局拓扑网络模型，即