非均匀退化与不完全维护下电气化铁路接触网系统的多阶段维护优化与决策支持

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Multi-stage maintenance optimization and decision support for electrified railway catenary systems under non-uniform degradation and imperfect maintenance

　　

• •
  一个多阶段模型考虑了劣化、不完全维护和可靠性。
• •
  DRL-CMOEMT改进了约束维护优化和帕累托解质量。
• •
  RE-CW-TOPSIS将帕累托解转化为推荐的维护方案。
• •
  推荐方案在参数和决策变化下保持稳健性。

引言

高速铁路接触网系统是牵引供电系统与列车受流设备之间的关键接口，其服役状态直接影响弓网受流质量和列车运行安全。接触线、承力索、吊弦、定位臂和绝缘子等部件在材料属性、载荷条件和环境暴露方面存在差异，导致其劣化速率和失效风险各不相同。现有的接触网维护计划通常基于相对固定的巡检和维护周期。虽然这有利于协调维护天窗、人员和其他资源，但在根据部件和服役阶段的风险变化动态调整维护强度方面灵活性有限。因此，在服役初期可能出现维护资源过度配置，而在后期阶段风险控制不足。因此，根据接触网部件的非均匀劣化特征，在整条服役寿命内确定维护阶段、维护间隔和部件级维护动作，仍然是长期维护决策中的一个重要问题。

现有的铁路维护研究最初集中在预定义任务和资源约束下的维护规划[1,2]。后续研究将维护天窗和列车运行纳入联合决策[3,4]，并进一步基于可靠性、可用性、可维修性和安全性信息发展了状态基和风险基维护[5]。现有文献中的这些进展改善了维护规划中的资源协调性和对系统状态的适应性。然而，这些研究主要关注预定义任务的执行、维护天窗的分配或当前系统状态下的维护时机，而在许多研究中维护阶段结构仍然是外部指定的。随着状态监测和可靠性评估日益融入维护决策中，接触网部件运行状态和缺陷的准确信息也成为后续维护决策的重要依据。

为获取接触网状态信息，机器视觉等智能检测方法已被应用于部件定位、识别和异常检测[6,7]。一些研究者进一步将智能检测方法扩展到无人机辅助检测场景。一种基于脉冲神经网络的智能检测方法被应用于无人机辅助接触网检测[8]，同时针对无人机检测场景提出了用于多类部件检测的Graph-MDETR[9]。这些研究拓宽了获取接触网状态和缺陷信息的手段，并可在特定应用场景和适当条件下补充现有检测方法。然而，仅获取状态和缺陷信息并不能直接产生可执行的长期维护方案。此类信息必须进一步与部件劣化特征、维护恢复效果和工程约束相结合，以确定维护阶段、维护间隔和部件级维护动作。

将这些决策整合到长期接触网维护规划中，产生了三个相互关联的技术挑战：第一，不同部件表现出非均匀的劣化速率，而检查、小修、大修和更换会产生不同程度的状态恢复。因此需要统一的时间表示来描述维护动作、有效役龄、运行失效风险和系统可靠性之间的动态关系；第二，阶段参数、维护周期数和部件级动作分别对应连续变量、整数变量和离散变量。与可靠性、阶段持续时间和维护动作逻辑相关的工程约束进一步限制了可行域，要求优化过程在可行解搜索、目标收敛和解集分布之间取得平衡；第三，通过多目标优化获得的帕累托最优解仅反映可靠性、维护成本和维护工时之间的权衡。最终解还必须根据安全要求和管理偏好进行评估，然后转化为阶段级和部件级维护方案。因此，需要一种能够联合处理劣化与维护过程、约束多目标优化、解评估和维护方案生成的方法。

为应对这些挑战，本研究建立了电气化铁路接触网系统多阶段维护的建模、优化和决策支持框架。主要贡献如下：

• (1) 构建了考虑非均匀劣化和不完全维护的铁路接触网系统多阶段维护模型。与将维护阶段结构预先指定为外部条件的方法不同，所提出的模型联合优化阶段结构、维护间隔和部件级维护动作。通过有效役龄递推，建立了部件劣化、维护恢复、运行失效风险和系统可靠性之间的动态关系。由此得到一个长期多阶段维护决策模型，以规划期内的平均系统可靠性、总期望维护成本和总维护工时作为优化目标。
• (2) 针对涉及复杂工程约束的问题，开发了一种深度强化学习辅助的约束多目标进化多任务算法，称为DRL-CMOEMT。为应对混合变量、可靠性约束和维护动作逻辑共同作用导致的狭窄可行域，构建了一个约束主任务和两个从同一问题导出但采用不同评价准则的异构辅助任务，以提供互补的搜索信息。进一步采用多维种群状态表示来选择在线搜索策略，同时采用受控的跨任务子代共享来实现任务间的知识迁移，从而改善复杂可行域内的搜索有效性和帕累托前沿逼近质量。
• (3) 开发了用于维护方案评估和方案生成的决策支持方法。鉴于系统可靠性的安全重要性，开发了一种具有组合权重的可靠性增强TOPSIS方法（RE-CW-TOPSIS），通过可靠性增强和主客观组合加权来评估帕累托候选解。推荐方案随后被转化为阶段级和部件级维护方案。在此基础上，检验了推荐方案对模型参数、工程边界和决策设置的稳定性。

本文的其余部分组织如下：第2节回顾相关文献；第3节描述多阶段维护模型的开发；第4节介绍DRL-CMOEMT和RE-CW-TOPSIS模型的细节；第5节展示各算法的性能，概述消融研究、维护方案评估和决策稳定性分析；第6节总结全文并讨论未来工作。

章节片段

相关文献

关于铁路维护规划的早期研究主要集中在预定义维护周期和任务要求下协调机车车辆利用、维护任务、维护任务持续时间和人员资源。数学规划、分解算法以及将数学规划与启发式搜索相结合的元启发式方法可以表示时间、容量和资源约束，从而提高大规模规划的规划效率

问题描述

电气化铁路接触网系统持续承受弓网相互作用和复杂环境条件引起的机械磨损。因此，关键部件的失效率随有效役龄非线性增加。采用形状参数$b_n>1$的双参数威布尔分布[37]来表征寿命末期加速失效风险。固定间隔维护策略施加统一的维护

用于铁路接触网系统多阶段维护的DRL-CMOEMT优化和RE-CW-TOPSIS决策支持

第3节开发的多阶段维护模型涉及连续阶段参数、离散部件级维护动作和多个工程约束，这导致了一个具有狭窄可行域的混合变量约束多目标优化问题。为获得满足工程要求的高质量帕累托候选解并生成维护方案，本文中协同优化层的功能和集成

工程案例与参数设置

案例研究使用了涵盖运行条件、部件劣化和维护参数的代表性工程数据，评估时域为$H$=168个月；相应的威布尔参数、失效影响系数和维护成本参数汇总于表2[21]。

表2中的维护成本参数代表不同维护动作相关的直接经济支出以及由

结论与未来工作

本研究解决了电气化铁路接触网系统在非均匀劣化和不完全维护条件下的长期维护决策问题。开发了一个多阶段维护优化模型，提出了用于约束多目标优化的DRL-CMOEMT，并进一步采用RE-CW-TOPSIS来评估维护方案和生成维护方案。所提出的框架通过工程案例研究得到验证，

CRediT作者贡献声明

Guangxiang Yu：写作 – 审阅与编辑，写作 – 原稿。Zhijian Qu：资金获取，概念化。Rui Chi：验证。

Guangxiang Yu|Zhijian Qu|Rui Chi