地鐵通號系統設備故障因素分析及預測

郁勁松， 張香明

（1 上海申通地鐵集團有限公司 運營管理中心， 上海200050； 2 上海工程技術大學， 上海201600）

0 引 言

隨著城市人口的增加，地鐵因其運量大、速度快的特點，成為分散城市客流的重要工具。 由于地鐵發車間隔持續減少，使得地鐵長時間處于高負荷的運營狀態，地鐵設備所承受的工作壓力也越來越大，故障頻次不斷增加。 因此，設備的健康狀況將直接影響軌道交通系統的安全運行及運營服務的質量［1］，基于這種情況，需要做好預測工作，在故障發生前采取相應的對策。 本文通過收集近年來地鐵通號系統設備事故的種類、原因、時間等數據，進行數據的分析，并選擇泊松分布模型來預測地鐵事故的發生概率，避免事故的發生。

1 歷史故障數據統計

地鐵系統設備由多個部分組成，對于列車日常運營而言，通號系統起到了至關重要的作用。 地鐵通號系統的組成設備主要包括：計算機聯鎖系統設備、列車自動駕駛設備、列車自動防護設備和列車自動監督設備［2］。 故障源主要集中在ATS、通訊設備、軌旁設備、信號以及車載ATC 等。

模型所用數據，來源于某市地鐵2012 年全網故障統計數據。 首先，篩選整理出本年地鐵通號系統故障而影響列車運營的數據；其次，在閱讀故障日志的基礎上，將設備故障的外因情況變量予以賦值，如表1 所示。

表1 設備故障外因賦值表Tab.1 External cause assignment of equipment failure

根據地鐵歷史故障數據對各設備故障次數進行統計，見表2，3 及圖1 所示。

表2 通號系統設備故障數據統計Tab.2 Failure data statistics of communication signal system equipment

圖1 通號系統各設備故障次數統計Fig.1 Statistics of failure times of all equipment in the signal system

表3 統計了季節、時間、日期3 種變量情況下的故障數，可以看出：

（1）從季節角度分析：故障發生率最高為夏季，約為春秋季節的2.5 倍、冬季的2 倍。

（2）從時間角度分析：故障的總次數發生最多的時間在早高峰，其次為晚高峰，平峰時段故障發生率最低。

（3）從日期角度分析：工作日期間平均每天比休息日多發生1 次。

表3 各變量故障數據表Tab.3 Failure data of each variable

2 故障頻次模型建立

以ATC 系統故障為例，選擇季節、時間、日期、客流量為自變量，運用數據分析Stata 軟件，分別計算該系統設備故障與自變量影響關系。 綜合以上分析，擬構建poison 基本計量模型。

使用STATE 數據分析軟件進行模型確定以及分析工作。

表4 ATC 故障影響因素擬合結果Tab.4 Fitting results of ATC fault influencing factors

其中：

（1） P ＞｜ z ｜ 值大于0.05 時， 對應到［95%Conf.Interval］列中，系數包括0，所以該變量的系數coef 不在公式中體現，表示該變量對故障影響不夠顯著，見表4。

（2）對于P ＞｜z ｜值小于0.05 時，說明該因素在置信度95%下對f 有顯著影響。 系數為正coef值，說明該因素越大，發生故障的概率就越大。

隨著客流量的增加，車載ATC 系統的工作量越來越大，出現事故的概率也會相對提高。 溫度的不斷攀升也造成車輛本身的工作負荷加大，進而導致ATC 系統故障。 早高峰和晚高峰期間系統的工作負荷增加導致故障事故頻發，這里又體現出了隨著氣溫的升高而導致事故的頻發。 從計算結果中可以看出，當溫度逐漸降低，通號系統的故障率不斷上升，可以認為系統設備都有一個適宜的工作溫度，在適宜溫度的范圍內，設備性能良好，當溫度超出這個范圍，設備的性能會下降。 這也解釋了為何下列所有的信號系統故障率都與環境溫度呈正相關關系。

3 故障頻次預測及檢驗

總結2012 年的ATC 設備故障情況后，需要對模型準確性和適用程度做出合理的分析。 收集2011 年該市地鐵事故情況的數據，計算得故障頻次預測值與實際值誤差，見表5。

表5 故障頻次預測結果Tab.5 Prediction results of failure frequency

計算得到預測值的平均誤差為16.77%，該誤差處于可接受范圍，證明對于ATC 系統的預測基本準確。

從模型的參數估計和假設檢驗結果中發現，故障頻次與季節、時間、客流量正相關，即夏冬季節早晚高峰時段內，客流量越高的線路越容易發生故障。由此，維保人員需要根據設備的故障規律，在冬夏兩季及早晚高峰時段做好防護工作；在大型節假日期間重視大客流對地鐵設備也會帶來的巨大壓力，需要重視。 而對于開通年限較長的線路，要及時更換老化現象嚴重、超出使用年限的設備。

4 結束語

本文通過故障數據，進行泊松分布模型的建立，并分析各影響因素對通號系統設備故障影響的重要程度，以ATC 系統故障為例，對故障預警做出合理的分析和預測，為地鐵安全運行提供支持。 本文所建模型能較好的根據外部因素對故障頻次進行預測，從而方便地鐵人員根據頻次數據進行有差別的設備檢查及保養維護工作，對保障城市軌道交通系統的安全運營以及提高企業的運營效率具有一定的實際意義。

本文的研究中還存在著許多不足，在后續的研究中擬考慮從地鐵公司預計服務水平出發，結合國際軌道交通故障頻次等級劃分標準，建立預警指標計算方法，確定相應的預警閾值及等級。