基于RAMS理论的故障数据分析与维保修程优化

摘要：本文介绍了通过基于RAMS理论的故障数据处理、分析，得出现有运营状态的风险项点，提出修程改进项点，发布临时修程，对风险项和冗余项进行针对性处理。

关键词 RAMS；修程优化；RCMA

1 前言

在传统轨道交通地铁车辆维修模式下，主要依据时间间

隔与运行里程开展“计划性维修”，用于预防地铁车辆故障问题，并于地铁车辆发生故障问题后进行“事后故障修”，但随着轨道交通的发展及城市化进程的推进，地铁车辆数量增加，此时应根据实际情况优化维修修程，调整维修机制，力图在提升维修质量与效率的同时，延长维修间隔，减少维修成本[1]。

要实现针对根据实际情况优化维修修程，必须对故障数据实现充分的分析管理[2]，现有的故障管理模式存在记录间隔长，记录信息少，统一分析难度大的问题，因此应从增加故障信息收集量，提高分析频次方面进行提升，尤其是根据RAMS理论分析故障数据，提出不易发现的风险项点。

在修程优化方面，原有修程是针对同类型车辆的通用性修程，并没有考虑轨道、弓网、特殊运营状态等实际情况对车辆的影响，故障数据可以清晰地显示出这些因素对车辆的影响，因此应根据故障数据反应的情况，合理化调整修程。

本文将以大连地铁五号线为例，从故障数据的收集和处理，故障数据分析两个方面，阐述从故障信息收集到风险项点的识别，再到修程优化策略的全过程。

2 故障数据收集

大连地铁五号线数据收集表单部分区域填写情况如图1所示，原表单存在大量缺项或填写不准确的问题，这是由于现场维保人员对于车辆的分解结构不了解导致的。这种填写情况严重影响了公司对车辆故障情况的掌握，故障数据难以分类分析，在五号线维保优化项目中消耗了大量的人力。

在实践中，可以利用分解结构和表单中的故障模式建立收集表单的选项，制作收集表单中的各级别选项。利用“Index和Match”复合函数和下拉选项区域解锁，实现上下级结构、LRU和故障模式之间的关联。表单主要分为两部分，三个区域。第一部分为对外展示区域，表头除分解结构、故障后果外并未进行太多改动，以减少对现有检修工作的冲击；第二部分为数据页面，主要通过该页面建立各级结构的关联关系，其中分为两个区域：第一区域为数据库部分，将上下级关联关系表述清楚；第二部分为可变筛选部分，通过“Index和Match”复合函数在第一区域中进行匹配，再通过可变筛选实现关联关系，改进后的数据收集表单筛选部分如图2所示。

除此之外，故障数据的记录还可以再修程优化验证中起到关键的验证作用，满足业主对于安全性、可靠性的需求。

3 故障分析

为了进行故障的分析，首先要对故障数据进行清洗，再通过合同规定的可靠度指标确定明显的风险项，再通过FMECA同时进行危害风险等级分析和故障数据的记录，通过提出并关闭这些风险项，实现风险的实时控制，故障分析流程如图3所示。

其中，针对可靠度指标MTBF的分析可以通过单月故障情况初步估计各系统的RAMS指标符合性，选出影响指标的关键故障部件，分析过程如图4所示。

针对其它未识别的项点，应进行FMECA分析，同时对已识别项点进行记录，达到对危害风险项点的全覆盖，在输出端实现完全识别，FMECA分析过程如图5所示。

4修程优化策略

4.1 风险项点的识别与关闭

通过以上部分的分析与整理，可以得到一系列的危害风险项点，项点汇总如图6所示。

通过对修程的分析和部件的专业性分析，可以得到一套可执行的风险控制方案，达到关闭风险项点的目的，控制方案以风险预警表单的形式存在，如图7所示。

4.2 修程优化方案

针对收集分析出的故障数据，我们还可以对修程进行进一步优化，例如，可以延长检修间隔，针对故障发生的情况实时调整，最终得到该线路最合理的各项点检修间隔。

与此同时，可以以收集的故障数据为基础，通过智能运维、数据关联等方式进一步对车辆状态进行监控。