基于時間序列分析方法在車隊健康管理中的應(yīng)用研究

王 培，張曉玉，柳 丹

（1，2.河南交通職業(yè)技術(shù)學(xué)院，鄭州450005；3.湖南巴士公共交通有限公司，長沙410114）

健康管理（Health Management－HM）可提高整體設(shè)備的生產(chǎn)效率、可靠性和盈利能力，并確保生產(chǎn)安全[1].這里的健康有多種理解，如系統(tǒng)執(zhí)行設(shè)計功能的能力[2，3]、系統(tǒng)相對預(yù)期正常狀態(tài)的降級或偏差程度[4]等.實質(zhì)上，健康就是系統(tǒng)的狀態(tài)，這種狀態(tài)包括完成相應(yīng)功能的能力情況、與預(yù)期狀態(tài)的偏差程度等.健康管理則是與健康直接相關(guān)的管理活動，通常包括監(jiān)測、診斷與評估、預(yù)測和決策優(yōu)化與評估四個部分.

1 時間序列

由一連串隨機(jī)變量z1，z2，z3，…，zn構(gòu)成的序列稱為隨機(jī)序列，如果該隨機(jī)序列是按時間順序排列的，就稱該序列為時間序列.假設(shè)，我們在時間ti（i＝1，2，3，…，n，…）觀測得到zt（t＝1，2，3，…，n，…），即：

此時，就得到了一個時間序列Zt＝｛zt，t＝1，2，3，…，n，…｝，如果同時觀測m個相同對象，那么就得到一組時間序列Ztj＝｛ztj，t＝1，2，3，…n，…，j＝1，2，3，…，m｝[5].

時間序列的影響因素分為四類：長期趨勢、季節(jié)變動、循環(huán)變動和不規(guī)則變動.

對以上四部分可以通過簡單數(shù)學(xué)關(guān)系式得到時間序列的分解模型，分解模型很多，最基本的模型有加法模型和乘法模型，加法模型可以表達(dá)為：

在應(yīng)用中，將依次確定以上各項，直至剔除確定項后的序列為不規(guī)則變動為止．檢驗是否為不規(guī)則變動的最簡單方法就是看序列是否為白噪聲［6］．下面就本文應(yīng)用到的建模過程介紹如下．

（1）確定長期趨勢Ft：本文采用多項式趨勢模型，模型描述如下：

（2）確定季節(jié)變動Ut：當(dāng)確定長期趨勢后，在時間序列中減去長期趨勢后的部分記為yt＝Zt－Ft．對于季節(jié)變動的分析可以采用諧波分析法［7］、隱周期分析［8］等，本文采用諧波分析．

其中m為季節(jié)變動的基本周期稱為基波，其余各波的周期分別為基波周期為潛波．若時間單位為周，則m＝52，如果為月，則m＝12．

Ai、φi和P分別為振幅、相位和yt中含基波與潛波數(shù)目．當(dāng)P＞1時，意味著yt中含有p－1個潛波．假設(shè)yt的季節(jié)變動基本周期m＝52，yt時間序列含有n個基本周期，不同基本周期內(nèi)的yt觀測值另記為：

2 實際應(yīng)用

2.1 數(shù)據(jù)及預(yù)處理

我們收集了某巴士公司一個由22輛車組成的車隊近175周（2006年9月1日至2010年1月9日）的失效數(shù)據(jù).在本文中，我們將整個車隊看成為一個整體，運用分解分析方法對該車隊的平均失效次數(shù)進(jìn)行分析.表1給出了該車隊部分時間序列數(shù)據(jù)Nt進(jìn)行示意.

表1 車隊平均失效次數(shù)的時間序列數(shù)據(jù)

為了驗證模型預(yù)測的準(zhǔn)確性，本文利用前170周數(shù)據(jù)建立結(jié)構(gòu)時間序列模型，預(yù)測未來171至175周失效次數(shù)，并與實際失效次數(shù)進(jìn)行比較.

2.2 建模

根據(jù)前述方法，我們有：

（1）長期趨勢F170，應(yīng)用多項式趨勢模型逼近解得：

擬合的效果圖如圖1所示.剔除長期變動后的序列均值不為零，非白噪聲序列.接下來進(jìn)行季節(jié)變動的確定.

圖1 長期趨勢擬合效果

（2）季節(jié)變動U170：該車隊2007至2009年在1－53周的失效次數(shù)統(tǒng)計如表2所示，并以其均值作

表2 2007至2009年在1－53周的失效次數(shù)

為真值確定季節(jié)變動.我們從圖2中的真值曲線可以明顯看出，失效次數(shù)隨著季節(jié)變化存在著規(guī)律性變動.令式（5）中p＝1，2，…，由最小二乘法進(jìn)行參數(shù)估計，估計的參數(shù)及最小誤差平方和見表3，當(dāng)p＝2時其最小誤差平方和小于1，故取p值為2.p＝2，3時的季節(jié)項擬合效果見圖2.

圖2 季節(jié)項擬合效果

表3 P＝2，3時的參數(shù)及最小誤差平方和

由此，我們得到季節(jié)變動為：

圖3 剔除長期趨勢和季節(jié)變動后的時間序列數(shù)據(jù)散點圖

剔除季節(jié)變動和長期趨勢后的時間序列數(shù)據(jù)，如圖3所示；且其均值為0.0021，為白噪聲.我們認(rèn)為車隊失效數(shù)據(jù)只存在長期趨勢和季節(jié)變動.對于長期趨勢，我們不難理解為車輛隨著使用時間的增長，出現(xiàn)劣化所致.對于季節(jié)變動，存在一個潛波和一個潛波.我們可以近似得到式（8）的周期為19.5周，而該巴士公司對車輛進(jìn)行二級保養(yǎng)的時間間隔平均是17.9周，也就是說季節(jié)變動反映的是車輛二級保養(yǎng)效果.至此，我們就確定了t＝170時的模型：

2.3 預(yù)測與比較

根據(jù)式（9）預(yù)測了第171－175周的失效次數(shù)，預(yù)測結(jié)果如表5所示.

表5 第171－175周的預(yù)測值與實際值比較

從表5可以看出，預(yù)測結(jié)果與實際值的相對誤差小于0.5%，說明時間序列模型建模車隊失效次數(shù)十分有效的.

3 潛在應(yīng)用

（1）預(yù)測未來某時間t的失效次數(shù)：如前文所示我們在建立完模型后可以預(yù)測車隊未來時刻的失效次數(shù)，如得到了前175周失效次數(shù)的模型，則可以預(yù)測之后的失效次數(shù).表6給出了基于前175周數(shù)據(jù)建模預(yù)測的176至180周的累積失效次數(shù).

表6 預(yù)測未來五周的失效次數(shù)

178 153.98 179 155.29 180 156.60

設(shè)一次失效的平均修理費用為Cr＝300（元），停機(jī)時間為Td＝1（h），那么在未來i周內(nèi)的失效總次數(shù)、維修費用以及停機(jī)時間為：

該巴士公司每月制定一次維修計劃，如于第175周計算，在未來近一個月（5周）內(nèi)將有115次失效、需要花費近3.45萬元且停機(jī)115小時.

（2）預(yù)測發(fā)生第n次失效時間：假設(shè)大修前最優(yōu)失效次數(shù)為160次，則需要估計車隊到達(dá)160次失效的時間，如本例中到達(dá)160次失效時間在第182周，據(jù)此則可以安排相應(yīng)的維修任務(wù).

（3）確定最優(yōu)大修時間：

根據(jù)年齡更換的模型[9]：

在這里，我們令E[Nt]＝N170，式中Cp＝20000元、Cf＝400元分別為預(yù)防維修更換費用和失效更換費用.我們以費用率為目標(biāo)函數(shù)，確定出最優(yōu)維修時間為to＝127周，費用率變化如圖5所示.換句話說，該車隊?wèi)?yīng)該在運行到第127周時進(jìn)行大修.

圖5 最優(yōu)大修時間

4 總 結(jié)

本文就車隊健康管理中的狀況預(yù)測問題，根據(jù)車隊數(shù)據(jù)的特點嘗試應(yīng)用時間序列中法進(jìn)行分析研究，并結(jié)合某車隊近175周的失效次數(shù)數(shù)據(jù)給出了應(yīng)用示例.根據(jù)示例研究，我們得到了較理想的結(jié)果，驗證了時間序列模型在車隊健康管理中的適用性.可見，本文是應(yīng)用時間序列模型于車隊健康管理的一次成功嘗試.

[1]S.Roe，D.Mba.The Environment，International Standards，asset Health Management and Condition Monitoring：An Integrated Strategy[J].Reliability Engineering and System Safety，2009，94：474－478.

[2]雷 鳴，李學(xué)仁，劉林剛.基于 MAS的飛機(jī)健康管理專家系統(tǒng)設(shè)計[J].微計算機(jī)信息，2003：17－19.

[3]杜 雋，王少萍，張文超.航空液壓泵源健康管理系統(tǒng)硬件平臺設(shè)計[J].流體傳動與控制，2008，（5）：37－40.

[4]Michael Pecht，康銳.故障診斷、預(yù)測與系統(tǒng)健康管理[M].香港：香港城市大學(xué)，2010：1－3.

[5]何書元.應(yīng)用時間序列分析[M].北京：北京大學(xué)出版社，2003：1－81.

[6]張樹京，齊立心.時間序列分析簡明教程[M].北京：清華大學(xué)出版社，2003：49－57.

[7]Keh－shin Lii，Tai－h(huán)oun Tsou.Tests of hidden periodicities in non－Gaussian noise.Workshop Higher－Order Spectral Analysis，1989：83－88.

[8]楊叔子，吳 雅，軒建平，等.時間序列分析的工程應(yīng)用（上冊）[M].武漢：華中科技大學(xué)出版社，2007：277－306.

[9]R.Jiang，D.N.Prabhakar Murthy.Maintenance：Decision Models for Management[M].Beijing：Science Press.2008：31－35，102－106.