Reliability modeling and maintenance optimization of the diesel system in locomotives

• Autorzy: Zhang Z. , Gao W. , Zhou Y. , Zhang Z.

Warianty tytułu

PL

Modelowanie niezawodności i optymalizacja utrzymania ruchu układu samoczynnego zapłonu w lokomotywach

• Języki publikacji: EN

Abstrakty

EN

Engine system is a prone-fault part in diesel locomotive and its malfunctions always occur regularly in different seasons in practice. However, the current maintenance policy in China has not attached deserving importance to seasonal influence, which is considered as one of the main causes for over/under-maintenance. To assess the current maintenance, in this study a double-fold Weibull competing risk model for summer and winter is developed using the real failure data (2008-2011) of locomotives from Urumqi Railway Bureau. Meanwhile, a new approach, termed as Approximately Combined Parameter Method (ACPM), is proposed to combine the initially estimated parameters into different folds, which can avoid a subjective determination of the model's parameters fold. After that, the combined parameters are used as initial values for maximum likelihood estimate (MLE) to achieve an accurate model. Necessary optimizations are introduced based on the chosen models. Results show that the maintenance period differs a lot between winter and summer, and the optimized maintenance can increase the availability and decrease cost more than the existing Policy.

PL

Układ silnikowy stanowi podatną na uszkodzenia część lokomotywy spalinowej, a w praktyce jego awarie występują zawsze regularnie w zależności od pory roku. Pomimo tego, obecna polityka obsługowa w Chinach nie przywiązuje wystarczającej wagi do wpływu pór roku, co uważa się za główną przyczynę nadmiernych lub niedostatecznych działań obsługowych. Aby ocenić bieżące działania obsługowe, w niniejszym artykule opracowano model zagrożeń konkurujących dla lata i zimy, oparty na połączeniu dwóch rozkładów Weibulla, wykorzystujący rzeczywiste dane o uszkodzeniach (2009-2011) lokomotyw używanych przez Agencję Kolejową Urumqui. Jednocześnie zaproponowano nowe podejście, o nazwie Approximately Combined Parameter Method (Metoda Przybliżonego Łączenia Parametrów, ACPM), które polega na łączeniu wstępnie obliczonych parametrów w różne wielokrotności, co pozwala na uniknięcie subiektywnego wyznaczania liczby parametrów modelu. W celu otrzymania dokładnego modelu, połączone parametry wykorzystuje się jako wstępne wartości w estymacji metodą największej wiarygodności. Konieczne optymalizacje wprowadza się na podstawie wybranych modeli. Wyniki pokazują, że letni okres obsługowy różni się zasadniczo od zimowego, a zoptymalizowana obsługa może zwiększyć gotowość systemu i zmniejszyć koszty utrzymania ruchu w większym stopniu niż dotychczasowa polityka obsługowa.

Słowa kluczowe

EN

diesel engine of locomotive; multiple Weibull competing risk model; maintenance optimization; approximately combined parameter method(ACPM)

PL

lokomotywowy silnik Diesla; model konkurujących zagrożeń oparty na wielokrotnym rozkładzie Weibulla; optymalizacja utrzymania ruchu; metoda przybliżonego łączenia parametrów (ACPM)

• Wydawca: Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne
• Czasopismo: Eksploatacja i Niezawodność
• Rocznik: 2012
• Tom: Vol. 14, No. 4
• Strony: 302--311
• Opis fizyczny: Bibliogr. 16 poz.

Twórcy

autor

Zhang Z.

autor

Gao W.

autor

Zhou Y.

autor

Zhang Z.

• School of Mechanical Engineering, Southeast University, Nanjing China, 211189,

Bibliografia

• 1. Albarbar, A., F. Gub, and A.D. Ball, Diesel engine fuel injection monitoring using acoustic measurements and independent component analysis. Measurement 2010; 43(10): 1376–1386.
• 2. Bocchetti, D., et al., A competing risk model for the reliability of cylinder liners in marine Dieselengines. Reliability Engineering and System Safety 2009; 94(1): 1299–1307.
• 3. Fry, K.N. and BSc. Diesel locomotive a reliability improvement by system monitoring. Proc IMechE: Part F. 1995: 1-10.
• 4. J. Huang, C.R. Miller, and O.G. Okogbaa. Optimal Preventive-Replacement Intervals for the Weibull Life Distribution: Solutions & Applications. 1995 IEEE Proceedings Annual Reliability and Maintainability Symposium. Washington, DC, 1995: 370-373.
• 5. Jiang, R. and D.N.P. Murthy, Study of n-Fold Weibull Competing Risk Model. Mathematical and Computer Modelling 2003; 38(11): 1259–1273.
• 6. Jiang, R. and D.N.P. Murthy, Reliability modeling involving two Weibull distributions. Reliability Engineering and System Safety 1995;47(3): 187–198.
• 7. Ling, D., H.-Z. Huang, and Y. Liu, A Method for Parameter Estimation of Mixed Weibull Distribution. IEEE Trans on reliability 2009;1-4244-2509-9/09: 129–133.
• 8. Lingaitis, L.P., et al., Prediction Methodology of Durability of Locomotives Diesel Engines. Eksploatacja i Niezawodnosc – Maintenance and Reliability 2012; 14 (2): 154–159.
• 9. M. Sarhan, A., David C. Hamilton, and B. Smith, Statistical analysis of competing risks models. Reliability Engineering and System Safety 2010; 95(9): 953–962.
• 10. Martinez, V. M., et al., Results and benefits of an oil analysis programme for railway locomotive diesel engines. Insight 2003; 45(6): 402–406.
• 11. Martorell, S., A. Sanchez, and V. Serradell, Age-dependent reliability model considering effects of maintenance and working conditions. Reliability Engineering and System Safety 1999; 64(1): 19–31.
• 12. Mazhar, M. I. and H.K. S. Kara, Remaining life estimation of used components in consumer products: Life cycle data analysis by Weibull and artificial neural networks. Journal of Operations Management 2007; 25(6): 1184–1193.
• 13. Park, C., Parameter Estimation of Incomplete Data in Competing Risks Using the EM Algorithm. IEEE Transactions on Reliability 2005;54(2): 282–290.
• 14. Wei, D. I., Repair Period of Diesel Locomotives Based on Accumulative Damage Degree. China Railway Science 2009; 30(6): 104–107.(in Chinese).
• 15. Xia, T., et al., Optimal CBPM policy considering maintenance effects and environmental condition. Int J Adv Manuf Technol 2011; 56(9):1181–1193.
• 16. Xu, R. and D. Wunsch, Survey of Clustering Algorithms. IEEE Transactions on Neural Networks 2005; 16(3): 645-678.