張世鐘 龍 靜 曹勁然 許志興 張 偉

(1.廣州地鐵集團有限公司,510030,廣州； 2.南京康尼機電股份有限公司,210013,南京//第一作者，工程師)

門系統(tǒng)作為城市軌道交通車輛的重要組成部分之一，其機械方面安全性能直接影響乘客安全與列車可靠運行[1]。目前車輛段對于車輛門系統(tǒng)的維護基本以人工定期檢查為主，效率較低，列車維護成本較高。南京康尼機電股份有限公司遠程監(jiān)控與診斷小組通過與多家地鐵公司合作，目前實現(xiàn)了車輛門系統(tǒng)參數的在線監(jiān)測，能在線采集車輛門系統(tǒng)運行時的電機轉速、轉角和電流等數據[2]。在此基礎上，研究基于車輛門系統(tǒng)監(jiān)測數據的亞健康預測，這在實際應用當中具有重要意義。

近期，國內外對軌道交通設備的監(jiān)控與診斷主要采用案例推理技術[3]、支持向量機[3]、BP神經網絡[4]、專家系統(tǒng)[5]及貝葉斯網絡[6]等算法。這些算法的診斷思路基本類似，在設備故障發(fā)生后，需先提取故障數據特征，再將特征集合輸入所建立的模型中，進而匹配得出診斷的故障類型。這些算法在實際應用當中主要針對程度明顯的故障類型，而且通過算法診斷獲取的結果與實際參數特征無法建立聯(lián)系，不利于后期分析與驗證。

本文主要針對典型故障的早期異常開展研究，通過預測亞健康類型實現(xiàn)故障的早期預警。本文根據南京康尼機電股份有限公司遠程監(jiān)控與診斷小組的智能電機監(jiān)測數據，采用KEMANS聚類算法區(qū)分亞健康數據與正常數據的特征，提取特征值的差異項作為算法預測依據，最終匹配后輸出預測的亞健康類型。KEMANS聚類算法主要基于亞健康數據相對于正常數據的特征變化趨勢的差異性實現(xiàn)類型預測，故障特征與門系統(tǒng)機理聯(lián)系更加緊密，預測更加可靠穩(wěn)定。

1 特征值定義與提取

1.1 數據預處理

以廣州地鐵某線路車輛的電動塞拉門系統(tǒng)為研究對象，通過智能電機提取轉速、轉角及電流等監(jiān)測數據作為原始數據。結合轉角及電流等數據的變化趨勢，初步提取總體特征值。

為避免異常數據對預測結果的影響，通過設定總體特征閾值，濾除了乘客干擾數據和采集異常數據；繪制車輛門系統(tǒng)開門速度曲線，將曲線劃分為升速段、勻速段、減速段、緩行段、到位后段，如圖1所示。

圖1 車輛門系統(tǒng)開門速度曲線及分段

將原始數據標準化。分別提取開門數據與關門數據的分段特征值(定義為子特征)，令子特征值編號與子特征向量xα,i的數組元素一一對應。樣本α的n組正常數據子特征矩陣Sα,n為：

Sα,n=[xα,1，xα,2，…，xα,n]T

xα,i=[cα, i,1,cα,i,2,cα,i,3,cα,i,4,cα,i,5,cα,i,6]

(1)

式中：

cα,i,1——第i組數據的開門轉角分段子特征值行向量；

cα,i,2——第i組數據的開門轉速分段子特征值行向量；

cα,i,3——第i組數據的開門電流分段子特征值行向量；

cα,i,4——第i組數據的關門轉角分段子特征值行向量；

cα,i,5——第i組數據的關門轉速分段子特征值行向量；

cα,i,6——第i組數據的關門電流分段子特征值行向量。

1.2 KMEANS聚類算法

KMEANS聚類算法從給定劃分類別開始，通過迭代使各數據點距離各聚類中心距離最小。根據文獻[7]，實現(xiàn)步驟如下：

步驟1：樣本α的數據集為Sα,n=[xα,1，xα,2，…，xα,n]T，xα,i∈Rm。其中，m=248,為維數，對應開關門子特征。

步驟2：給定劃分類別數K，對應劃分類別C={ck,k=1,2,…,K}。針對每個劃分類別ck，初始化隨機選取一點作為聚類中心μk。

步驟3:計算各樣本點到距其最近的聚類中心的歐氏距離平方和，有：

(2)

步驟4:依次將類別ck內各數據點均值作為新的聚類中心ck,p，并重復步驟3和步驟4，直至達到指定迭代次數或2次迭代中聚類中心的D(C)差值小于給定閾值ε。

由于KMEANS聚類算法對異常點敏感，即便參照相同標準將門系統(tǒng)多次調整正常，這些正常數據也會通過算法被聚類區(qū)分開。而獨立分析亞健康數據無法確定其相對變化特征，需要與變化前的正常數據對比才能準確定位亞健康類型。

1.3 提取KMEANS聚類特征

為了提高KMEANS聚類準確率與計算效率，反映出車輛門系統(tǒng)亞健康狀態(tài)與正常狀態(tài)的相對變化，將聚類數K限制為2，即將正常數據與任意一類異常數據分為2類，之后通過樣本距離大小和正負差異放大樣本的聚類特征，實現(xiàn)更加具體精確的聚類特征構造。

將正常數據子特征矩陣Sα,n與異常數據子特征矩陣Sβ,n組合得到[Sα,n，Sβ,n]，并輸入KMEANS分類器當中聚類。如有超過70%數據能被準確區(qū)分，則說明正常數據與異常數據差異性明顯，輸出數據異常。

當檢測到數據異常后，計算正常數據聚類中心μα與異常數據聚類中心μβ的距離向量d(μα,μβ)。聚類距離越大，說明該類特征差異性越明顯。因此，根據各子特征維度的聚類距離大小對d(μα,μβ)降序排序，得到

d′(μα,μβ)=[ωδ1,ωδ2,…,ωδm]

(3)

式中：

δi——子特征向量原始編號；

ωδi——第δi個子特征維度下2類聚類中心距離。

提取聚類距離較大的前20個子特征編號作為核心特征值，得到：

Yαβ=[δ1，δ2，…，δ20]

(4)

分別計算正常數據子特征矩陣Sα,n與異常數據子特征矩陣Sβ,n的均值向量，得到：

(5)

(6)

計算相對偏差向量Δ：

(7)

Zαβ=[Δδ1,Δδ2,…,Δδ20]

(8)

最終將反應聚類距離的特征向量Yα,β與反應子特征相對偏差方向的特征向量Zα,β組合得到KMEANS核心特征值Jα,β。

Jα,β=Yα,β·Zα,β

(9)

1.4 特征匹配模式

通過試驗或現(xiàn)場真實亞健康數據訓練可以構建由T類KMEANS聚類特征值構成的亞健康規(guī)則庫J(t),t=1,2,…,T。將KMEANS聚類提取的核心特征值Jα,β與規(guī)則庫J(t)進行逐條匹配，預測可能亞健康類型以及相關匹配度。規(guī)則庫需要根據試驗數據提取的核心特征值訓練學習建立。通過匹配度給出可能的匹配度結果。定義交集數量與規(guī)則庫數量總數比值為匹配度p(t)，則有：

(10)

其中，Jα,β∩J(t)表示核心特征值與規(guī)則庫特征值的交集數量，即兩者相同特征值個數。

此外，給出各亞健康類型的綜合統(tǒng)計置信度，其中第k類亞健康的統(tǒng)計置信度計算式為：

(11)

式中：

d——統(tǒng)計天數。

2 仿真試驗驗證與實例應用

2.1 仿真試驗配置

仿真試驗采用臺架模擬試驗數據進行驗證。臺架模擬試驗數據分別來自2個35D鎖結構塞拉門臺架：廣州地鐵5號線車輛門系統(tǒng)臺架和天津地鐵1號線車輛門系統(tǒng)臺架。

廣州地鐵5號線車輛門系統(tǒng)臺架配置了康尼智能電機、mk7001.t0006-8門控器硬件及MK7001-A門控器軟件。調門參數如表1所示。

表1 廣州地鐵5號線的車輛門系統(tǒng)臺架調門參數

天津地鐵1號車輛門系統(tǒng)臺架配置了康尼智能電機、mk7001.t0006-8門控器硬件及MK7001-A門控器軟件。調門參數如表2所示。

表2 天津地鐵1號線車輛門系統(tǒng)臺架調門參數

仿真計算規(guī)則庫使用數據為廣州地鐵5號線車輛門系統(tǒng)臺架的2015年7—8月、2016年11—12月數據。

仿真驗證數據來自于天津地鐵1號線車輛門系統(tǒng)臺架的2017年1月數據。

規(guī)則庫制定數據與仿真試驗數據對應關系如表3所示。

首先，將廣州地鐵5號線車輛門系統(tǒng)臺架數據中的正常數據與對應亞健康數據輸入基于KMEANS特征匹配的預測系統(tǒng)，并將得到的特征值歸入規(guī)則庫中；然后，將天津地鐵1號線車輛門系統(tǒng)臺架數據中的正常數據與亞健康數據輸入預測系統(tǒng)，對每種類型重復進行5次計算，且每次計算隨機選取樣本數據，以模擬正線連續(xù)統(tǒng)計5 d診斷結果；最后，對各亞健康類型的5 d診斷結果進行綜合統(tǒng)計，按置信度高低進行排序，其中置信度最高的3個可能類型即為最終預測結果。

表3 車輛門系統(tǒng)臺架規(guī)則庫數據與仿真驗證結果對應關系

2.2 仿真驗證結果

2.2.1 隸屬度分析

以對中尺寸誤差為8 mm的異常數據作為單個亞健康類型示例，與對中正常數據進行對比分析。對中正常數據與對中尺寸誤差為8 mm的數據樣本聚類后隸屬度分布如圖2所示。

由圖2可見，兩類數據的隸屬度明顯差異較大，而同類型數據的隸屬度分布較為集中。

2.2.2 綜合置信度分析

通過統(tǒng)計綜合置信度，能濾除偶爾異常數據導致的預測置信度偏離，進而保證長期存在異常的亞健康類型置信度排在較前位置。在統(tǒng)計亞健康類型綜合置信度時，可將相同部件、不同程度的亞健康按同類型亞健康統(tǒng)計。

圖2 對中尺寸正常數據與異常數據的隸屬度分布

經統(tǒng)計，天津地鐵1號線的對中尺寸誤差試驗5次綜合置信度如表4所示。

表4 對中尺寸誤差類亞健康試驗預測結果

由表4可見，在連續(xù)5次計算過程中，對中尺寸異常數據的置信度一直較高，其他類型亞健康數據的置信度并不是每次都很高。

根據表4，各類亞健康的綜合置信度基本大于0.5。因此，可初步將綜合置信度0.5作為亞健康的預警值，為正線的亞健康診斷提供參考。

2.3 實例應用驗證

在廣州地鐵某列車的門系統(tǒng)上安裝智能電機，并通過網關在線采集運行數據，以進行實例應用驗證。采集2017年3月14日試驗列車在庫內多次運行的數據作為標準正常數據，并據此對該列車之后每天的在線運行數據進行診斷。

通過基于KMEANS特征匹配算法的亞健康預測系統(tǒng)，對試驗列車門系統(tǒng)狀態(tài)進行評估。異常類型置信度會根據歷史統(tǒng)計次數累計，當達到設定預警值時，亞健康預測系統(tǒng)將會報出亞健康維修任務，并給出對應檢修建議步驟。

目前，該試驗項目已進入規(guī)則調整與完善階段，近期已能夠較為準確識別門系統(tǒng)亞健康異常。本文選取2例典型案例進行分析。

2.3.1 實際應用案例1

2017年5月14日 00:31:03 ,試驗項目亞健康預測系統(tǒng)發(fā)出亞健康警報，相應診斷結果如表5所示。

現(xiàn)場檢查發(fā)現(xiàn)，罩板與門板有剮蹭痕跡。處理辦法為調整下?lián)蹁N、壓輪及外擺臂尺寸。

表5 案例1 的亞健康診斷結果

經分析，外擺臂尺寸異常特征與當前規(guī)則庫有偏差。于是，亞健康預測系統(tǒng)將此次案例作為上滑道異常大類(外擺臂尺寸異常子類)重新學習并加入規(guī)則庫當中。

2.3.2 實際應用案例2

2017年5月27日00:30:35，試驗項目亞健康預測系統(tǒng)發(fā)出上滑道異常亞健康警報，其綜合置信度為0.516 5。

現(xiàn)場檢查發(fā)現(xiàn)，該門系統(tǒng)左門平行度為-0.3 mm，右門平行度為2.5 mm(正常范圍為0～2 mm)。調整后，左門平行度為0 mm，右門平行度為1 mm。調整后的門系統(tǒng)參數正常。繼續(xù)跟蹤，此門未再發(fā)生異常。因此將該案例的亞健康數據作為新規(guī)則加入規(guī)則庫。

3 結語

本文提出一種基于KMEANS特征匹配算法的車輛門系統(tǒng)亞健康預測方法，實現(xiàn)了車輛門系統(tǒng)的早期故障預警。

該方法先以正常狀態(tài)和亞健康狀態(tài)門系統(tǒng)的電機轉角、轉速和電流的時域特征、統(tǒng)計分布特征作為輸入量；再通過KEMANS算法計算兩者空間距離，并根據距離大小對子特征排序，篩選出差異明顯的特征量構成特征向量；最后將特征向量與已有規(guī)則庫匹配，通過衡量匹配后的綜合置信度輸出預測的亞健康類型。

仿真驗證結果證明：該方法對于已知、可模擬亞健康類型能夠實現(xiàn)準確預測。

現(xiàn)場的2例實際案例表明：基于KMEANS特征匹配算法的車輛門系統(tǒng)亞健康預測系統(tǒng)在運行初期能夠不斷學習新亞健康類型，并擴充數據庫，在后期也能夠繼續(xù)準確預測實際發(fā)生的亞健康，并給出相應檢修建議。

采用該系統(tǒng)對正線實行狀態(tài)修，可極大減輕現(xiàn)場檢修人員工作量，提高檢測效率，并能實現(xiàn)早期故障預警，提高車輛門系統(tǒng)的安全性和可靠性。