1.一种基于BIM的智能列车整车服役寿命预测方法，包括如下步骤：S1.获取列车整车以及列车各个部件的静态数据；

S2.获取列车各个部件的工作性能参数；

S3.根据步骤S2获取的列车各个部件的工作性能参数，提取列车的各个部件的健康指标时序；

S4.根据步骤S3获取的健康指标时序，预测得到列车整车及列车的各个部件的剩余服役寿命；

S5.对步骤S4预测得到的列车整车及列车的各个部件的剩余服役寿命进行修正；

S6.根据步骤S5得到的修正结果，得到最终的列车整车以及部件的剩余服役寿命预测结果。

2.根据权利要求1所述的基于BIM的智能列车整车服役寿命预测方法，其特征在于还包括如下步骤：S7.结合步骤S1中获得的静态数据，对步骤S6获取的最终列车整车以及部件的剩余服役寿命预测结果进行可视化展示，从而实现列车整车以及部件的服役性能的动态可视化展示。

3.根据权利要求1或2所述的基于BIM的智能列车整车服役寿命预测方法，其特征在于步骤S1所述的获取列车整车以及列车各个部件的静态数据，具体为采用如下步骤获取静态数据：Ⅰ.将列车整车分为如下部件：走行部、钩缓装置、车体、牵引系统、空调系统、制动系统和受电弓；

Ⅱ.在设计阶段，获取列车整车以及列车的各个部件的三维模型、型号、参数和维修历史数据；

Ⅲ.在运行维护阶段，获取列车每次维修后的维修类型数据和维修内容数据，并同时更新步骤Ⅱ中的列车整车以及列车的各个部件的三维模型、型号、参数和维修历史数据；所述的维修类型数据包括事后维修、状态维修和定期维修；所述的维修内容数据包括部件损伤部位数据和损伤严重程度数据；

Ⅳ.对步骤Ⅰ～步骤Ⅲ的过程中产生的所有数据进行存储。

4.根据权利要求3所述的基于BIM的智能列车整车服役寿命预测方法，其特征在于步骤S2所述的获取列车各个部件的工作性能参数，具体为采用如下步骤获取工作性能参数：A.对于走行部，获取转向架轴箱的振动加速度数据；获取转向架构架横、纵梁交叉处的应力数据；获取转向架悬挂处的振动加速度数据；

对于钩缓装置，获取车钩的应力数据；获取缓冲器上的振动加速度数据；

对于车体，获取车体内和车体外的气压差数据；获取车体外的噪声声强数据；

对于牵引装置，获取牵引电机输出轴的振动加速度数据；获取牵引电机的有功功率数据；

对于空调系统，获取车体内的温度数据；获取空调出风口的噪声声强数据；

对于制动系统，获取单调缸的压力数据；获取均衡缸的压力数据；获取制动缸的压力数据；

对于受电弓，获取受电弓滑板磨耗值数据；获取受电弓的中心线偏移量数据；获取受电弓的倾斜量序列；

B.根据列车的实时定位信息，获取列车所在地的气象数据作为环境状态参数；

C.根据列车的实时载客量信息，获取列车的有效载客量数据作为负载状态参数；

D.在设计阶段，存储列车整体及列车各个部件的加速老化实验中的工作性能参数；在运行维护阶段，存储列车整体及列车各个部件的工作性能参数。

5.根据权利要求4所述的基于BIM的智能列车整车服役寿命预测方法，其特征在于步骤S3所述的提取列车的各个部件的健康指标时序，具体为采用如下步骤提取列车的各个部件的健康指标时序：a.通过加速老化实验获取列车的各个部件从T0时刻到TN时刻的服役性能参数；所示的T0时刻为初始状态时刻，TN时刻为退役状态时刻，T0时刻至TN时刻之间的运行状态时刻定义为Ti；所述的列车的各个部件包括走行部、钩缓装置、车体、牵引系统、空调系统、制动系统和受电弓；

b.通过Hallbreg-Peck模型计算得到加速老化实验时间与实际运行时间之间的等效加速比例参数AF；具体为采用如下算式作为Hallbreg-Peck模型：AF＝(RHa/RH0)2×exp{(Ef/K)×[(1/T0)-(1/Ta)]}式中RHa为加速老化实验的相对湿度；RH0为实际运行中的相对湿度；Ta为加速老化实验中的温度；T0为实际运行中的温度；K为玻尔兹曼常数；Ef为故障激活能并通过实验获得；exp()为指数函数；

c.在加速老化实验完成后，采用列车的各个部件的损伤实验数据训练对抗自动编码器AAE，获取高阶特征，并计算各个高阶特征的象限角；具体为对抗自动编码器AAE的输入和输出均为列车的各个部件的状态数据，先验分布的表示算式为：式中Beta为Beta分布，Uni为均匀分布；训练后AAE生成的高阶特征近似服从上述的先验分布；将该高阶特征映射到圆坐标系中得到坐标为(r,θ)；然后忽略特征的径向宽度，从而特征的坐标简化为θ；

d.采用支持向量回归SVR模型对步骤c得到的象限角的差值序列进行精调，得到列车的各个部件在Ti时刻的健康指标Hi，从而提取列车的各个部件的健康指标时序。

6.根据权利要求5所述的基于BIM的智能列车整车服役寿命预测方法，其特征在于步骤S4所述的预测得到列车整车及列车的各个部件的剩余服役寿命，具体为采用如下步骤预测剩余服役寿命：(1)建立列车的各个部件的健康指标的分解预测模型；具体为采用如下步骤建立分解预测模型：(1)-A.获取列车的各个部件的健康指标时序；所述的列车的各个部件包括走行部、钩缓装置、车体、牵引系统、空调系统、制动系统和受电弓；

(1)-B.采用极大重叠离散小波变换算法将列车的各个部件的健康指标时序分解为各个小波系数层；其中分解得到的第s层小波系数为(1)-C.取输入个数为IN，输出个数为OUT，构建第s层小波系数预测模型的输入矩阵Is和输出矩阵Os；

(1)-D.以Is为输入、Os为输出，训练第s层小波系数的非抽取全卷积神经网络预测模型；

(1)-E.实时对步骤(1)-D得到的预测模型进行迁移学习；

(1)-F.利用步骤(1)-E学习后的模型进行剩余寿命滚动迭代预测；

(2)建立从部件剩余服役寿命到列车剩余服役寿命的映射模型；

(3)建立环境以及负载状态参数预测模型；

(4)建立列车的各个部件以及整体剩余服役寿命期间内的环境/负载参数影响量化模型，从而预测得到列车的各部件以及列车整体的剩余服役寿命。

7.根据权利要求6所述的基于BIM的智能列车整车服役寿命预测方法，其特征在于步骤(1)-E所述的实时对步骤(1)-D得到的预测模型进行迁移学习，具体为在列车实际运行过程汇总，记录从T0时刻开始的列车的各个部件的服役性能参数，其中T0为部件维护后的时刻；

在部件运行过程中的Ti时刻，获取该时刻的健康指标参数Hi，并采用极大重叠离散小波变换算法分解为S层小波系数 并在i≤X1时使用原模型进行剩余寿命滚动迭代预测，并在i＞X1时，在第s层的小波系数中以 为输入，以

为输出对第s层预测模型的参数进行刷新，并使用刷新后的模型进行剩余寿命滚动迭代预测；

步骤(1)-F所述的剩余寿命滚动迭代预测，具体为对于每一个子序列，将输入到第s层预测模型中，获得小波系数预测值 然后将小波系数预测值并入到第s层小波系数序列中，并删除时序中的第一个小波系数，获得然后使用逆极大重叠离散小波包变换将每一层的小波系数重构为时间序列并取其中的 为一步预测值；进一步的，将输入到第s层预测模型，获得小波系数预测值 然后将小波系数预测值 并入到第s层小波系数序列中，并删除时序中的第一个小波系数，获得 然后使用逆极大重叠离散小波包变换将每一层的小波系数重构为时间序列

并取其中的 为两步预测值；重复上述步骤，直至获取超

前多步预测值；且重复上述步骤的停止条件为 其中h-2为

Ti时刻的剩余服役寿命Li。

8.根据权利要求7所述的基于BIM的智能列车整车服役寿命预测方法，其特征在于步骤(2)所述的建立从部件剩余服役寿命到列车剩余服役寿命的映射模型，具体为使用列车整体的加速老化实验获取列车的各个部件以及列车整体的剩余服役寿命；然后使用Hallbreg-Peck模型计算加速老化实验所得到的剩余服役寿命所对应的等效剩余服役寿命；

步骤(3)所述的建立环境以及负载状态参数预测模型，具体为将第y年、第m月的参数定义为Dy,m；年度预测模型将参数分为12个月进行单独建模；模型的训练数据集为历史的第m月参数 其中Ny为历史年份数量；将历史参数重构为输入矩阵以及输出矩阵 并

以Im为输入、 为输出，训练第m月参数的Elman神经网络预测模型；然后采用训练完成的模型进行滚动迭代预测，从而得到若干步的预测结果；针对环境状态参数和负载状态参数，采用上述的过程分别建立预测模型；

步骤(4)所述的建立列车的各个部件以及整体剩余服役寿命期间内的环境/负载参数影响量化模型，具体为在列车运行的时刻Ti，剩余服役寿命为Li，计算从Ti到Ti+Li之间的所有月份的环境状态参数预测值和负载状态参数预测值；然后通过加权方法计算剩余寿命期间状态参数的影响量化指标。

9.根据权利要求8所述的基于BIM的智能列车整车服役寿命预测方法，其特征在于步骤S5所述的对步骤S4预测得到的列车整车及列车的各个部件的剩余服役寿命进行修正，具体为采用列车实际运行过程的历史数据，将预测剩余服役寿命、环境状态参数和负载状态参数作为输入、列车整车的实际剩余服役寿命作为输出，针对列车整体以及的各个部件，分别训练高斯过程GP模型；将步骤(1)得到的列车的各个部件的预测剩余服役寿命、步骤(2)得到的列车整体的预测剩余服役寿命、步骤(3)得到的预测的环境以及负载状态参数输入训练完成后的高斯过程GP模型，从而得到受电弓的各个部件以及受电弓整体的修正剩余服役寿命预测结果；

步骤S7所述的对步骤S6获取的最终列车整车以及部件的剩余服役寿命预测结果进行可视化展示，具体为采用如下步骤进行可视化展示：

1)以时间、列车的健康状态、环境以及负载状态参数和剩余服役寿命作为轴线，以列车的各个部件和列车整体的剩余服役寿命为可视化展示内容，实现列车在任意运行时刻，列车的各个部件和列车整体的剩余服役寿命可视化展示；

2)对列车的各个部件的维修决策进行可视化展示；

3)对列车的整体维修决策进行可视化展示；

步骤2)所述的对列车的各个部件的维修决策进行可视化展示，具体为采用步骤进行列车的各个部件的维修决策：

2)-1.计算列车的各个部件的整体健康相关性以及意外损坏成本；

2)-2.使用帕累托分析方法，找出帕累托最优面；所述的帕累托最优面对应的为整体健康相关性最强且损坏成本最高的部件；然后将该部件划分为第一重要部件；

2)-3.除去第一重要部件后，重复步骤2)-2，直至所有的部件均被划分完毕；

2)-4.对于划分重要性后的部件，采用如下规则制定维修决策：

对于第一重要部件，部件的决策剩余服役寿命取寿命概率的0.5％分位点；且在每个修程结束时，如果部件预测剩余服役寿命小于下一个修程的长度，则在修程结束时进行维护；

对于第二重要部件，部件的决策剩余服役寿命取寿命概率的2.5％分位点，且在剩余服役寿命之前一个月进行更换；

对于除第一重要部件和第二重要部件之外的剩余部件，部件的决策剩余服役寿命取寿命概率的5％分位点，且在剩余服役寿命之前半个月进行更换；

步骤3)所述的对列车的整体维修决策进行可视化展示，具体为对列车整车的剩余服役寿命概率分布和维修时间进行可视化展示；且取整车的修正剩余服役寿命概率分布的

0.5％分位点作为决策剩余服役寿命，在决策剩余服役寿命前两个月对列车进行返厂维修。

10.一种实现权利要求1～9之一所述的基于BIM的智能列车整车服役寿命预测方法的系统，其特征在于包括列车静态信息采集模块、列车动态信息采集模块、列车剩余服役寿命预测模块和列车维护可视化模块；列车动态信息采集模块与列车剩余服役寿命预测模块串联后，再与列车静态信息采集模块并联，输入到列车维护可视化模块；列车静态信息采集模块用于采集列车整体及列车的各个部件的静态数据信息并上传至列车维护可视化模块；列车动态信息采集模块用于采集列车整体及列车的各个部件的工作性能信息并上传列车剩余服役寿命预测模块；列车剩余服役寿命预测模块用于预测列车整体和列车的各个部件的剩余服役寿命，并将预测结果上传列车维护可视化模块；列车维护可视化模块用于对列车整体和列车的各个部件的预测寿命进行可视化展示，生成维护决策数据并进行可视化展示。