工程论文哪里有？本课题选取某地铁公司地铁车辆作为研究对象，针对当前地铁车辆预防性维护和行车调度现状，首先应用F-DEMATEL与MLE方法对地铁车辆设备进行重要性评价，选取地铁车辆关键设备作为研究对象；
第1章 绪论
1.2 国内外研究现状
随着城市轨道交通的快速发展，预防性维护和行车调调度问题备受关注。近年来，在轨道交通成网的条件下，由于传统的定周期维护机制忽略设备可靠性因素而导致设备维护效率低的弊端，如何更科学地对地铁设备进行维护是业内学者研究的重要方向。同时，由于行车调度优化与设备维护优化的决策分属相互独立的不同研究领域。在目前对于地铁行车调度的研究中，大多数的研究是将维护与调度二者分开进行优化研究，而针对预防性维护和行车调度联合优化问题的研究较少。
1.2.1 面向地铁车辆的预防性维护问题研究现状
地铁车辆设备的良好的技术状态是地铁车辆安全运行的关键因素。在现行的地铁车辆设备维护策略基础上，通过科学的决策，全面考虑设备的可靠性和使用年限等影响因素，制定既能确保零部件维护效果又能降低维护费用的合理实用维护计划具有重要的现实意义。
（1）国外研究现状
Erguido A[1]设计了一个基于可靠性的多目标维护方案，以提升常规维护和组织的关键绩效指标，并采取基于仿真的优化手段求解该方案。
Gupta和Mishra[2]指出，确定维护研究的关重件设备是基于可靠性维护方法的关键。为确定关重件设备，Gupta和Mishra[提出了一种层次化网络，为关重件设备排序提供了一种可行的方案。
Vu H C[3]通过对每个指标的历史数据进行分析和评估，识别故障模式，并结合实时监测数据制定短期维修策略。
Kamel G[4]为优化复杂可修系统设备的成本，提出一种预防性维修调度模型。并采取智能算法求解该方案。
Pale S K[5]基于可靠性中心维护方法，结合实际操作数据分析故障模式影响，为露天煤矿牵引铲提出一种基于聚类成组的预防性维修策略。
Qin J L[6]基于马尔可夫随机过程，根据各状态下的规则性退化和随机失效特性，对所提出的含预防性维护的多状态系统进行建模，以满足特定状态下的用户需求。
第3章 基于F-DEMATEL与MLE的地铁车辆关键设备故障分布确定方法
3.1 地铁车辆设备运行故障分析
鉴于地铁车辆涵盖机械、电气、电子等多领域，是一种集成复杂的大型设备，其子系统在使用过程中不可避免地会发生故障。具体来看，各类机械、电气及液压产品都存在独特的故障模式；另外，车辆运行环境中的温湿度、振动冲击、盐分辐射等因素也会导致故障概率增加。本研究重点关注某地铁公司车辆子系统在实际使用中常见的典型故障情况，以期全面了解各子系统故障特征，为优化车辆维护保养提供参考。下表列出了某地铁公司车辆2022年1月份各子系统的故障。
第5章 基于时空网络图的地铁车辆预防性维护与行车调度联合优化方法
5.1 地铁车辆维护与调度时空网络构建
某地铁公司的运营计划涉及精确的车辆调度和维护作业安排，其运营计划涉及空间网络(线路、车辆段等)和时间维度，并且涵盖作业时间窗口、维护任务约束等，时空网络理论可以完整描述。同时车辆调度和维护关系密切，通过时空网络理论进行模型建立可以对其同时优化，得到协调的联合优化计划。
综上，本章采用连续的时空网络来处理地铁车辆预防性维护与行车调度联合优化问题，并根据某地铁公司实际运营情况中地铁车辆预防性维护与行车调度计划的编制情况，针对地铁车辆维护与调度时空网络节点、弧以及路径的形成进行研究。
5.1.1 地铁车辆维护与调度时空网络基本元素
本文所构建地铁车辆维护与调度时空网络包含两个层次分别为维护层与调度层，时空网络图中的维护层涉及地铁车辆的维护过程，包括预防性维护和常规维护等；调度层涉及地铁车辆的行车调度安排，包括车辆的出行时间安排和线路调整等。每个层次的基本元素包括作业开始节点、作业结束节点以及地铁车辆所执行的各个作业环节。这些元素构成了时空网络的基础框架，而在此基础上地铁车辆在时空网络中由作业开始节点到作业结束节点的有序接续所形成时空网络中的路径。
5.2 基于时空网络图的预防性维护与行车调度联合优化模型
通过对时空网络的分析，预防性维护与行车调度的联合优化可以分为以下两个步骤：
首先，根据地铁车辆的行车调度和预防性维护状态之间的转换过程，基于时空网络理论，构建地铁车辆维护与调度时空间状态网络图，将车辆从计划开始到结束执行所有作业环节过程的用时空网络中路径表示；
其次，构建预防性维护与行车调度联合优化模型，在构建地铁车辆维护与调度时空间状态网络图生成地铁列车时空网络路径集合的基础上，以地铁车辆预防性维护与行车调度联合优化的优化目标和约束条件为基础，建立预防性维护与行车调度联合优化模型，并通过路径搜索的相关算法求解得到最优方案。
5.2.1 问题描述及假设
地铁车辆预防性维护和行车调度联合优化需要着重解决两个核心问题：首先，为每个运行线路分配适当的列车；其次，确保即将到达维护周期的列车能够及时返回车辆段或维修基地完成所需的维护任务。这意味着需要保证所有运行线路都有列车进行维护，且这些列车都能在规定的维护周期内完成所需的修复工作[73]。以地铁列车状态为视角来看，在时空网络中该过程即为时空网络中的路径。在建立的时空网络中，时间代表计划的周期，而空间则表示列车实际所处的位置，如起始站终点站和地铁车辆段等。通过以上分析，可知地铁车辆的预防性维护和行车调度计划符合时空网络的基本属性，为本章的基于时空网络图的地铁车辆的调度和维护联合优化建模提供了坚实的理论基础。
第6章 结论与展望
6.2 展望
本课题针对地铁车辆预防性维护与行车调度工作进行了一定程度的研究，但由于地铁运营实际情况较为复杂且具有不确定性因素，并且地铁列车行车调度计划编制过程中涉及的影响因素众多，本课题的模型还是对一些实际条件进行了简化处理，因此本课题的模型仍与实际生产情况并不能完美适配，基于本研究中已完成的工作，展望未来的研究如下：
（1）在维护与调度联合优化过程中，只考虑了定修及以下的修程，未考虑厂修、架修、大修等高级修程，高级修程停修时间更长，若列车维护需求过于集中，对列车维护与调度联合优化计划的影响更大。因此，后续可以全面考虑维护修程进行预防性维护与行车调度联合优化优化。
（2）在算法求解方面，本文通过改进经典的遗传算法对联合优化模型进行模型求解。虽然能够求得较为满意解集，但仍有改进空间，后续可以考虑进一步改进算法求解效率，例如研发能够处理大规模时空网络和大量约束的优化算法，如发展基于并行计算的分布式算法；深入研究如何应用深度强化学习等技术，实现车辆状态评估与调度决策的联合智能化；发展基于并行计算的分布式算法；开发能够融合图神经网络与强化学习的调度优化算法，提高大规模网络的求解速度。
参考文献（略）
