[发明专利]基于BIM的智能列车整车服役寿命预测方法及其系统

权利要求书

1.一种基于BIM的智能列车整车服役寿命预测方法，包括如下步骤：

S1.获取列车整车以及列车各个部件的静态数据；

S2.获取列车各个部件的工作性能参数；

S3.根据步骤S2获取的列车各个部件的工作性能参数，提取列车的各个部件的健康指标时序；具体为采用如下步骤提取列车的各个部件的健康指标时序：

a.通过加速老化实验获取列车的各个部件从T₀时刻到T_N时刻的服役性能参数；所示的T₀时刻为初始状态时刻，T_N时刻为退役状态时刻，T₀时刻至T_N时刻之间的运行状态时刻定义为T_i；所述的列车的各个部件包括走行部、钩缓装置、车体、牵引系统、空调系统、制动系统和受电弓；

b.通过Hallberg-Peck模型计算得到加速老化实验时间与实际运行时间之间的等效加速比例参数AF；具体为采用如下算式作为Hallberg-Peck模型：

AF＝(RH_a/RH₀)²×exp{(E_f/K)×[(1/T₀)-(1/T_a)]}

式中RH_a为加速老化实验的相对湿度；RH₀为实际运行中的相对湿度；T_a为加速老化实验中的温度；T₀为实际运行中的温度；K为玻尔兹曼常数；E_f为故障激活能并通过实验获得；exp()为指数函数；

c.在加速老化实验完成后，采用列车的各个部件的损伤实验数据训练对抗自动编码器AAE，获取高阶特征，并计算各个高阶特征的象限角；具体为对抗自动编码器AAE的输入和输出均为列车的各个部件的状态数据，先验分布的表示算式为：

式中Beta为Beta分布，Uni为均匀分布；训练后AAE生成的高阶特征近似服从上述的先验分布；将该高阶特征映射到圆坐标系中得到坐标为(r,θ)；然后忽略特征的径向宽度，从而特征的坐标简化为θ；

d.采用支持向量回归SVR模型对步骤c得到的象限角的差值序列进行精调，得到列车的各个部件在T_i时刻的健康指标H_i，从而提取列车的各个部件的健康指标时序；

S4.根据步骤S3获取的健康指标时序，预测得到列车整车及列车的各个部件的剩余服役寿命；

S5.对步骤S4预测得到的列车整车及列车的各个部件的剩余服役寿命进行修正；

S6.根据步骤S5得到的修正结果，得到最终的列车整车以及部件的剩余服役寿命预测结果。

2.根据权利要求1所述的基于BIM的智能列车整车服役寿命预测方法，其特征在于还包括如下步骤：

S7.结合步骤S1中获得的静态数据，对步骤S6获取的最终列车整车以及部件的剩余服役寿命预测结果进行可视化展示，从而实现列车整车以及部件的服役性能的动态可视化展示。

3.根据权利要求1或2所述的基于BIM的智能列车整车服役寿命预测方法，其特征在于步骤S1所述的获取列车整车以及列车各个部件的静态数据，具体为采用如下步骤获取静态数据：

Ⅰ.将列车整车分为如下部件：走行部、钩缓装置、车体、牵引系统、空调系统、制动系统和受电弓；

Ⅱ.在设计阶段，获取列车整车以及列车的各个部件的三维模型、型号、参数和维修历史数据；

Ⅲ.在运行维护阶段，获取列车每次维修后的维修类型数据和维修内容数据，并同时更新步骤Ⅱ中的列车整车以及列车的各个部件的三维模型、型号、参数和维修历史数据；所述的维修类型数据包括事后维修、状态维修和定期维修；所述的维修内容数据包括部件损伤部位数据和损伤严重程度数据；

Ⅳ.对步骤Ⅰ～步骤Ⅲ的过程中产生的所有数据进行存储。