基于数字孪生的牵引变流冷却系统PHM构建

Construction of PHM for Traction Inverter Cooling System Based on Digital Twin Technology

摘要: 通过智慧化运维降本增效是提高中国城市轨道交通可持续发展能力的重要途径之一，将数字孪生技术应用在轨道交通车辆故障预测与健康管理(PHM)中，可以有效解决传统PHM的不足。本文提出了一种基于数字孪生技术的牵引变流器冷却系统PHM的构建方法。首先构建了牵引变流冷却系统关键子系统物理实体的数字孪生体，包括机理模型和数字模型；然后通过虚实之间的数字映射和健康域的标定，并采用岭回归、循环神经网络、随机森林等方式进行模型训练，得到最优的模型组合；最后以变流器柜体温度预测进行了模型测试。结果表明，该模型的预测效果与实际系统的运行结果基本吻合，可以进一步作为变流器冷却系统故障预测和故障定位的开发基础。

Abstract: Reducing costs and increasing efficiency through Intelligent Operation and Maintenance (IOM) is one of the most important ways to improve the sustainable development of China’s urban rail transit. The application of digital twin technology in the Prognostics and Health Management (PHM) of rail transit vehicles can effectively address the shortcomings of traditional PHM methods. This paper proposes a construction method for a traction inverter cooling system PHM based on digital twin technology. Firstly, a digital twin of the physical entities of the key subsystems of the traction inverter cooling system was constructed, including the mechanism model and the digital model; then, the optimal model combination was obtained through the numerical mapping between the real and the imaginary and the calibration of the health domains, and the model training was carried out by using ridge regression, recurrent neural network, and random forests, etc.; finally, the model was tested for predicting the temperature of the inverter cabinet. The results showed that the prediction performance of the model was basically consistent with the operation results of the actual system, indicating that the model can be further used as a development foundation for the fault prediction and location of the inverter cooling system.

1. 引言

牵引冷却系统作为轨道交通车辆的关键系统之一，若散热不良，会引发系统故障，影响安全运营。为了保障牵引冷却系统的正常工作，传统做法是实时监控冷却系统的工作状态并通过计划检修来保证牵引系统的健康状态。这种做法采用的是一种预防修机制，在一定程度上会导致过度检修，从而浪费人力和时间成本[1]。近年来，随着PHM技术的发展，国内以铁科院和中国铁路上海局集团有限公司为牵头，联合各大主机企业进行研发和技术整合，实现了多项PHM的工程化应用[2]，正逐步将列车检修过渡到状态修，但目前在使用中的PHM系统过于依赖历史故障数据的量级及专家模型的准确度，系统建立起来后，仍需要较长时间的数据积累和模型训练，才有可能达到理想的效果。为了解决这个问题，国内外学者提出了基于数字孪生的PHM方法：采用数字孪生技术建立高保真的物理模型，通过嵌入式系统和通信技术将实时采集到的运行状态数据传输到虚拟模型中，模拟物理实体的运行，并与历史数据和专家系统进行深度融合后，给出故障及故障发生时间的预测，并输出相关的预防维修建议。维护人员同时可以在数字模型中进行模拟故障维修，先检验维修建议的正确性，再到实物上实施维修，最后将正确结果反馈至专家库，从而实现模型的快速迭代，最终达到对物理实体的预防性维护和健康管理[3]-[5]。本文将提出一种基于数字孪生的牵引变流器冷却系统PHM的构建方法，并给出典型应用案例证明其可行性。

2. 牵引变流冷却系统工作原理及PHM构建技术路线

2.1. 牵引变流冷却系统基本工作原理

本文研究的牵引变流冷却系统为某动车组牵引变流器水冷散热装置，其组成包括散热风机、空气过滤器、热交换器、膨胀水箱、冷却水泵及其冷却管路等多个部件，组成结构及散热循环路径如图1所示。

Figure 1. Schematic diagram of traction inverter cooling system

图1. 牵引变流冷却系统示意图

牵引变流器冷却系统的工作原理：水泵驱动冷却液，将其泵入整流模块和逆变模块进行热量交换带走热量，同时将高温冷却液从模块内部抽至热交换器进行降温，再将降温后的冷却液送至模块内部，如此循环。其中，散热风机的作用是将冷空气从进风口吸入，经空气过滤器(滤网)净化后进入散热器进行热交换，将高温液体冷却[6]。

2.2. 牵引变流冷却系统PHM需求分析

牵引变流冷却系统的控制目标是柜体的腔内温度，通过以上对工作原理的分析可知，柜体温度的主要关联因素有输入侧的模块发热功率、输入电压及电流、车速、风机转速，输出侧的冷却水进口/出口压力、冷却水进口/出口温度等。另外，还有环境温度、滤网的健康程度等间接影响因素。所以，要建立牵引变流冷却系统的PHM，需要综合考虑以上因素，建立相关热力学模型来预测柜体的温度；同时，还要考虑排除传感器故障、控制系统失效等异常因素；最后，为了能够更好地指导维修，还应建立对各个关键部件及关键变量的监控和预测模型，以便更好地预测故障和定位故障。

2.3. 牵引变流冷却系统PHM构建技术路线

基于数字孪生的PHM与传统PHM的区别在于通过仿真建模技术构建系统的数字孪生体并实时输入运行数据，模拟物理系统的运行状态和工况环境，同时进行虚实数据的实时互通，从而不断地优化模型的预测精度。构建牵引变流冷却系统基于数字孪生的PHM，主要有以下四个步骤：1) 建立物理实体的多维数字模型；2) 创建数字孪生体与物理实体虚实之间的数据映射和标定；3) 注入数据并进行模型训练，提高状态一致性；4) 虚实系统实时运行，进行故障预测及定位性能验证和模型迭代修正。牵引变流冷却系统PHM的构建技术路线如图2所示。

Figure 2. Technical roadmap for PHM construction of traction inverter cooling system based on digital twin

图2. 基于数字孪生的牵引变流冷却系统PHM构建技术路线

3. 牵引冷却系统数字孪生模型构建

3.1. 物理实体的数字孪生模型构建

构建物理实体的数字孪生模型主要目的是实现数字孪生体与物理实体的实时数据交互和模拟反馈，一般需要从物理层、数据层、模型层和应用层四个层次进行系统构建。其中，物理层主要通过CAD、CAE等软件构建牵引变流冷却系统的主要部件的三维模型，并导入仿真软件中进行集成；数据层负责采集物理实体运行过程中产生的数据，并进行传输、存储和处理；模型层主要通过数学建模的方式，描述物理层的运行机理、失效模式等；应用层主要用于展示实时监控、模型分析结果、专家决策等。

孪生体建模有两个维度，第一个维度是物理实体的三维模型，用于可视化；第二个维度是描述物理实体工作机理的数字模型的数字孪生体。以下是牵引冷却系统三个主要子系统的数字孪生模型。其中，整流模块如图3所示，逆变模块如图4所示，冷却模块如图5所示。

Figure 3. Rectification module digital twin

图3. 整流模块数字孪生体

通过四阶Runge-Kutta法将整流模块数字模型离散化得到直流侧电压U_dc，通过考虑IGBT健康状态参数，引入饱和压降，得到整流模块的输出电压U_dc，其中，S_i代表IGBT功率模块K_i的驱动信号，V_CE1~V_CE4为IGBT功率模块K₁~K₄的饱和压降，V_F1~V_F4为各IGBT反并联二极管的导通压降，i_Lsign为网侧电流的方向信号[7]。

Figure 4. Inverter module digital twin

图4. 逆变模块数字孪生体

逆变器模块的数字模型，采用四阶Runge-Kutta法对逆变器输出电流进行线性处理，其中i_i,i+n为逆变器第n + 1个节点的电感电流，h为时间步长，k_i1~k_i4为第n个节点和第n + 1个节点的平均变化率[8]。

Figure 5. Cooling system digital twin

图5. 冷却系统数字孪生体

P_i为单位时间内由冷却液带走的热量，即冷却单元功率，T_vjmax为功率单元的最大温升，T_vjav(t)为IGBT是瞬态平均结温值，P(t)为安装在散热器上的n_s片散热器的功率损耗，T_H为散热器表面温升[9]。

3.2. 数据映射关系及参数标定

数字孪生系统在运行过程中通过数据映射关系来模拟物理实体的运行，首先确定数据映射关系后，将物理系统的健康数据注入孪生模型，进行特征处理，得到健康训练集，经过反复模拟训练和校正之后，得到健康域的标定。数字模型的健康域参数标定流程如图6所示。

Figure 6. Flowchart for calibrating health domain parameters of digital models

图6. 数字模型的健康域参数标定流程图

3.3. 模型训练与异常检测

要提高数字孪生体模拟物理实体运行和异常检测的精确度，需要同时对孪生模型进行健康数据和故障数据的训练。对于牵引变流冷却系统的基础模型训练，采用岭回归、循环神经网络、随机森林、AdaBoost、梯度增强等方式进行训练，并采用5折交叉验证–性能指标RMSE和R2做超参数选取，每天抽取3个小时的数据进行一个星期的初始训练，总体训练数据样本超过2,000,000条样本，最终选择在最优子模型进行组合。图7和图8分别是岭回归和随机森林对牵引变流器冷却水出口1温度的训练拟合结果。

Figure 7. Temperature simulation results of cooling water outlet 1: ridge regression model

图7. 冷却水出口1温度模拟结果：岭回归模型

Figure 8. Temperature simulation results of cooling water outlet 1: random forest model

图8. 冷却水出口1温度模拟结果：随机森林模型

红色曲线为实际温度数据，蓝色为拟合预测数据，青色虚线以左为训练数据集结果，青色虚线以右为检验数据集结果。最后冷却水循环系统异常检测采用以上两个模型的加权平均，权值均为0.5。

4. 应用实例

Figure 9. Temperature prediction results of inverter cabinet

图9. 变流器柜体温度预测结果

通过对某动车组列车牵引变流器进行全天数据采集，并将运行数据通过车地网络传送到车辆智慧运维服务器集群中的牵引变流冷却系统数字孪生模型中，对变流器柜体温度进行实时预测和对比，结果如图9所示，其中红色为柜体实际温度，蓝色为柜体预测温度，通过对比发现，预测温度和实际温度虽然仍有轻微偏差，但总体趋势基本一致，预测残差也在标定范围内。说明了本文建立的基于数字孪生模型的PHM在牵引变流器故障预测和运维中是可以发挥有效作用的。

5. 结语

基于数字孪生的PHM可为孪生的物理实体提供双向映射，并进行动态、实时的交互，同时可以采用机器学习方法进行模型训练，从而进行快速的迭代优化。本文对牵引变流冷却系统的数字孪生PHM进行了初步的创建，并采用支持向量机(SVR)、循环神经网络(RNN)、随机森林(RF)、岭回归(RG)等方法进行模型训练后，选取了最优训练集组合模型。通过注入健康数据和故障数据进行初步模型训练和校正后，得到了一个具有较高精确度的数字孪生预测模型。通过变流器柜体温度预测进行模型测试，结果显示，该模型的预测效果与实际系统的运行结果基本吻合，表明本文构建的基于数字孪生的牵引变流冷却系统PHM可以进一步作为变流器冷却系统故障预测和故障定位的开发基础，具有一定的工程价值。

虚实融合是数字孪生系统的最大特点，预测性是其核心价值，为使牵引变流器的数字孪生PHM系统能够进行更广泛的应用和更准确的输出，除了需要进一步研究物理实体机理模型的数字化技术之外，还可以引入更高效的AI算法进行模型训练，以便提高模型预测的精度，进而使牵引变流冷却系统尽可能做到真正的视情维修。另外，通过反馈式的故障维修模拟给维护人员提供真正有价值的故障定位和维修方案，也是本系统需要进一步进行研究的内容。

基金项目

广西中国–东盟综合交通国际联合重点实验室运行补助项目(合同编号：21-220-21)；南宁市科学研究与技术开发计划项目科技创新基地项目类：交通基础设施智能运维及健康监测平台(合同编号：20223230)。

NOTES

^*通讯作者。