付國平 秦 征 楊明輝 邢海福 畢 雨 吳 亮 支有冉 施 文

(1. 杭州市地鐵集團(tuán)有限責(zé)任公司，310003，杭州；2. 南京康尼機電股份有限公司，210013，南京；3. 南京航空航天大學(xué)自動化學(xué)院，210016，南京//第一作者，高級工程師)

地鐵車輛門系統(tǒng)的安全維護(hù)是列車安全運行的重要保障[1-2]。門系統(tǒng)中絲桿的良好潤滑是保障攜門架帶動門的重要基礎(chǔ)。對于地鐵維保工作而言，絲桿良好的潤滑性能可以保障絲桿的不毛刺，從而延長其壽命。文獻(xiàn)[4]通過分析發(fā)動機潤滑油功能元素和其高溫清凈性能的相關(guān)性關(guān)系，采用支持向量機算法和偏最小二乘算法進(jìn)行預(yù)測，發(fā)現(xiàn)支持向量機算法的預(yù)測結(jié)果更優(yōu)。文獻(xiàn)[5]在滾珠絲杠副油潤滑不良、油潤滑充分和脂潤滑充分3種潤滑條件下，基于小波分解的振動信號能力提取算法，建立遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)，發(fā)現(xiàn)診斷正確率達(dá)到90%。

目前我國尚缺乏對地鐵車輛車門絲桿的潤滑研究。本文基于杭州地鐵4號線車輛車門的潤滑加速試驗數(shù)據(jù)，提出了一種基于隨機森林(RF)算法的車門潤滑退化預(yù)測方法。仿真結(jié)果表明，與傳統(tǒng)的單分類器K-Means算法的診斷結(jié)果相比，RF算法在車門的潤滑退化預(yù)測中具有更高的精度，可以及時預(yù)測系統(tǒng)的潤滑退化征兆，對提高車門系統(tǒng)的安全性、可靠性，以及降低故障率具有重要意義。

1 地鐵車輛門系統(tǒng)

地鐵車輛門系統(tǒng)關(guān)鍵部件的潤滑退化會對車門運動產(chǎn)生較大的阻力，從而導(dǎo)致門系統(tǒng)發(fā)生故障。潤滑系統(tǒng)失效主要包括金屬磨損、保持架磨損和潤滑劑缺失3個影響因素。本文圍繞潤滑油問題研究單門系統(tǒng)健康度的變化趨勢，量化車門系統(tǒng)亞健康的健康度閾值，建立基于潤滑劑剩余量的車門系統(tǒng)退化模型，對地鐵車門關(guān)鍵部件的潤滑問題進(jìn)行判斷預(yù)警，避免門系統(tǒng)故障的發(fā)生。車門系統(tǒng)通過配備的智能電機采集包括電機轉(zhuǎn)矩、轉(zhuǎn)速、角度等數(shù)據(jù)，并通過提取相關(guān)特征指標(biāo)直接或間接有效地監(jiān)控車門健康狀態(tài)的變化，并將上述特征指標(biāo)作為后續(xù)地鐵車門狀態(tài)診斷的基礎(chǔ)。本文研究的車門系統(tǒng)配有智能電機，可返回電機轉(zhuǎn)矩、轉(zhuǎn)速和角度等數(shù)據(jù)。一次正常的開門或關(guān)門時間設(shè)定為3.5 s，一次采樣總共350個點。

車門的工作過程存在明顯的階段特性，因此對車門系統(tǒng)的健康狀態(tài)描述需要分段進(jìn)行。本文建立在運行中的車門狀態(tài)評估特征集存在5個基本階段，即升速段、高速段、減速段、緩行段和到位后段。分別提取各運行階段的運行時間和行程，以及電機參數(shù)的最大值、最小值、均值、方差、 偏度和峰度等指標(biāo)，并將其作為時域特征向量。本文選擇潤滑狀態(tài)下對車門影響較多的48個高速段特征組合形成一組特征向量F=[F1,F2,…,F48]，用來表征車門的運動狀態(tài)。

2 RF算法原理

RF是由多個決策樹{h(x,Θk),k=1,2,…，n}組成的分類器群，其中{Θk}是相互獨立且同分布的隨機向量。通過對基分類器的集成和候選特征子集進(jìn)行修改，使分類性能得到提高，最終由所有決策樹綜合投票決定輸出結(jié)果。

3 絲桿潤滑試驗方法

3. 1 試驗數(shù)據(jù)采集

本文數(shù)據(jù)來源于杭州地鐵4號線車輛臺架試驗數(shù)據(jù)。臺架起初處于潤滑油充足的狀態(tài)，對此時的電機數(shù)據(jù)進(jìn)行采集，隨后人為地擦除潤滑油16次并采集每次擦除后的試驗數(shù)據(jù)，最終可得到17組電機數(shù)據(jù)。其中：1#數(shù)據(jù)顯示絲桿潤滑狀態(tài)良好，無潤滑油擦試；2#～17#數(shù)據(jù)顯示絲桿潤滑加速失效，有潤滑油擦試。

3. 2 基于RF算法的潤滑退化仿真分析

3. 2. 1 仿真結(jié)果分析

RF算法的診斷錯誤率前期隨著樹數(shù)量的增加而大幅降低，當(dāng)決策樹數(shù)量達(dá)到40后，分類錯誤率趨于穩(wěn)定(大約為0.001 6),但同時模型的復(fù)雜度和訓(xùn)練時間會隨著樹數(shù)量的增加而增加。因此，本文選取RF算法分類樹的數(shù)量為40。綜合考慮模型的準(zhǔn)確率與復(fù)雜度，進(jìn)行以下2組仿真試驗。

1) 提取特征指標(biāo)數(shù)據(jù)作為輸入，將正常數(shù)據(jù)和全部16組潤滑數(shù)據(jù)使用RF算法進(jìn)行建模分析，仿真結(jié)果如圖1所示。從圖1的仿真結(jié)果可以看出，預(yù)測效果一般，準(zhǔn)確率基本在50%左右。

圖1 在線模型的預(yù)測準(zhǔn)確率

2) 選擇第1組正常數(shù)據(jù)、第5組退化數(shù)據(jù)、第9組退化數(shù)據(jù)、第13組退化數(shù)據(jù)和第17組退化數(shù)據(jù)進(jìn)行離線建模，得到5種模型，仿真結(jié)果如圖2所示。圖2的仿真結(jié)果表明，當(dāng)減少離線模型的數(shù)量時，預(yù)測準(zhǔn)確率均在85%以上，基本可以準(zhǔn)確地預(yù)測車門系統(tǒng)潤滑退化的狀態(tài)。

圖2 離線模型的預(yù)測準(zhǔn)確率

3. 2. 2 與K-means算法的對比分析

本文除了利用RF算法對車門潤滑退化數(shù)據(jù)進(jìn)行預(yù)測外，同時采用了K-means算法與RF算法進(jìn)行了對比分析。與RF算法建模過程較為類似，K-means算法同樣使用高速段特征值。兩種算法的仿真結(jié)果對比如圖3所示。由圖3可知，發(fā)現(xiàn)RF算法在預(yù)測車門系統(tǒng)的潤滑退化問題中效果更好。

圖3 兩種算法預(yù)測準(zhǔn)確率對比圖

4 結(jié)語

本文提出了一種基于RF算法的地鐵車輛門系統(tǒng)的潤滑退化預(yù)測方法，其預(yù)測準(zhǔn)確率良好。針對車門的潤滑退化預(yù)測問題，與K-means算法相比，RF算法的診斷效果更好。因此，RF算法在地鐵車輛門系統(tǒng)的潤滑退化預(yù)測方面有著較好的實際推廣意義。