嚴 俊 支有冉 許志興 史 翔

(1.上海地鐵維護保障有限公司，200070,上海; 2.南京康尼機電股份有限公司，210013,南京//第一作者，高級工程師)

在列車運營過程中，由于車門開閉頻繁及乘客干擾等眾多因素，導致客室車門故障頻發(fā)[1]。據(jù)相關數(shù)據(jù)統(tǒng)計，車門故障發(fā)生次數(shù)約占列車系統(tǒng)總故障的30%以上。在故障發(fā)生之前，車門通常會在亞健康的狀態(tài)下運行一段時期。因此，及時發(fā)現(xiàn)車門系統(tǒng)常見的早期亞健康征兆，進行實時的健康狀態(tài)監(jiān)測并提供亞健康狀態(tài)判別，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。

目前，多種算法在軌道交通車輛門系統(tǒng)的狀態(tài)檢測領域取得了較好的診斷效果，如人工神經(jīng)網(wǎng)絡、Petri網(wǎng)、貝葉斯網(wǎng)絡[2-3]、聚類分析[4]等。文獻[1]以軌道交通車門為研究對象，提出了以故障樹為基礎的混合結構樹，實現(xiàn)了自動門的遠程智能診斷。文獻[2]提出了一種利用貝葉斯網(wǎng)絡對車門驅動電機異常狀態(tài)進行可靠性分析的方法。文獻[5]提出以支持向量機作為辨識算法建立設備的狀態(tài)評估模型。上述方法均通過訓練數(shù)據(jù)建立單一分類器，然后對測試樣本集進行狀態(tài)識別，從而達到診斷的目的。已有研究表明，與單-分類器相比，分類器群能夠達到更高的正確率[6]。文獻[1]提出的隨機森林(RF),就是一種利用多個隨機樹分類器組合并進行分類的方法，RF從特征集中隨機選擇部分特征量形成特征子集，利用不同的特征子集構造分類器，有效地提高了分類器之間的差異，具有較好的泛化性和準確性。

然而,軌道交通車門數(shù)據(jù)采集系統(tǒng)通過配備的智能電機返回的數(shù)據(jù)參量只有電機轉矩、轉速和角度，原始數(shù)據(jù)無法直接應用分類器群進行訓練。因此，RF在軌道交通車輛門系統(tǒng)的亞健康診斷領域中具有重要的研究意義。

1 軌道交通車輛門系統(tǒng)

1.1 車門結構與典型的亞健康狀態(tài)

本文以電動雙開塞拉門系統(tǒng)為研究對象。其車門系統(tǒng)的運行由電機驅動，門控器控制驅動電機的電流、轉速和位移，電動機帶動絲桿，驅動螺母，螺母帶動門扇運動，從而實現(xiàn)車門的自動開關。

隨著列車的持續(xù)運營，各部件尺寸由于元件老化及磨損，車門一直在亞健康狀態(tài)下運行，直接影響著車門的正常使用性能。本文以車門的安全列出體系規(guī)范及實際運營維修返回的相關技術統(tǒng)計為依據(jù)，研究了車門的7種典型亞健康工況。表1列出了全部7種亞健康狀態(tài)的具體情況。

表1 車門典型的亞健康狀態(tài)表

1.2 門系統(tǒng)健康狀態(tài)評估特征集

本文所研究的車門狀態(tài)評估特征集建立在列車運行過程中的5個基本階段(啟動段、升速段、勻速段、減速段及緩行段)之上。分別對各運行階段提取運行時間、行程、轉速、電流的平均值以及有效值、極大值、極小值等指標，作為時域特征向量。本文采用小波變化對原始速度信號進行5層小波分解，然后對高頻分量進行了多尺度重構，選擇容錯性強的Shannon能量熵值作為時頻域的特征指標。上述提取的時頻內總計39個特征組合成為一組特征向量F=[F1,F2,…,F39]，形成表征車門運動狀態(tài)的特征集。

2 RF方法

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的修改，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的結果。考慮到若森林中的多個分類器結構相同，并采用相同的訓練集訓練，會導致分類器之間相似度極高，以及多個分類器類似于一個分類器。

3 試驗結果與分析

3.1 實驗數(shù)據(jù)采集與特征提取

本文針對軌道交通車門的亞健康診斷進行亞健康臺架調門試驗，車門的采樣周期為10 ms，一次采樣350個點，并通過無線傳輸?shù)姆绞?由外置監(jiān)測設備轉發(fā))將數(shù)據(jù)信息傳輸?shù)綌?shù)據(jù)中心服務器。首先檢查臺架車門的相關尺寸和功能是否符合檢驗標準，并確認該車門未存在任何形式的亞健康狀態(tài)，此時執(zhí)行一段時期的開關門循壞，通過遠程系統(tǒng)在服務器上采集這段時期內的電機輸出數(shù)據(jù)共247組。采集上述7類典型的亞健康狀態(tài)下車門系統(tǒng)的運行數(shù)據(jù)，其中，對中尺寸異常為193組、V型尺寸異常為208組、門扇高度異常為196組、門扇開度減小為165組、門扇開度增加為188組，密封尺寸減小為170組，密封尺寸增加為192組；采集到的車門正常健康數(shù)據(jù)為147組。統(tǒng)計得到上述7類車門亞健康數(shù)據(jù)和正常數(shù)據(jù)樣本的總容量為1 459組。車門系統(tǒng)中電機的一組輸出參數(shù)如圖1所示。

圖1 車門系統(tǒng)中電機的一組輸出參數(shù)曲線圖

3.2 方法結果驗證

將上述經(jīng)特征提取后的數(shù)據(jù)所對應車門的健康、對中尺寸異常、V型尺寸異常、門扇高度異常、門扇開度增加、門扇開度減小、密封尺寸增加、密封尺寸減小等8種車門的健康和亞健康狀態(tài)分別標上標簽，記為C=[0,1,2,3,4,5,6,7,8]，并作為RF亞健康診斷模型的輸入。圖2顯示了RF的診斷錯誤率隨森林中決策樹數(shù)量增加的變化曲線。

圖2 RF的診斷錯誤率與森林中決策樹數(shù)量的關系曲線

由圖2可知，前期隨著決策樹數(shù)量的增加，錯誤率大幅降低；當決策樹數(shù)量超過40后，錯誤率趨于穩(wěn)定，約為0.16%，但模型的復雜度和訓練時間會隨決策樹數(shù)量的增加而增加。因此，綜合考慮模型的準確率與復雜度，本文選取RF決策樹的數(shù)量為40。通過上述方式確定決策樹的數(shù)量后，采用式(3)對構成模型輸入數(shù)據(jù)的39維特征進行重要性評估。表2列出了按重要性對特征進行排序的結果。

表2 部分特征重要性排序表

由表3可知，排名前列的特征依次是全程電流的有效值、勻速段最大電流、全程最大電流等。由于列車亞健康運行會導致車門運行中阻力發(fā)生變化，而電流則是直接和阻力相關的觀測量，基于RF的特征重要性評估得出的結論與實際情況相符，證明了該方法的可行性。因此，在陣線列車檢測系統(tǒng)中，可對表3中排名靠前的特征進行重點監(jiān)控。本文采用10次10折交叉驗證的平均值作為模型最終精度評價方式，結果如圖3所示。

通過上述多種診斷模型的對比結果發(fā)現(xiàn)，對于車門亞健康數(shù)據(jù)的診斷，貝葉斯網(wǎng)絡和KNN近鄰診斷的效果較差，1 000條數(shù)據(jù)的錯誤診斷數(shù)量在10條以上；支持向量機和決策樹錯判的數(shù)量為個位數(shù)，決策樹略好于支持向量機。而RF的診斷錯誤率比貝葉斯網(wǎng)絡和KNN近鄰低了兩個數(shù)量級，比決策樹和支持向量機的診斷錯誤率低0.5%～0.8%，由此可知其診斷效果在5種方法中效果最好。

圖3 各分類器模型最終的診斷結果比較圖

4 結論

1)分析車輛門系統(tǒng)亞健康的根源，建立典型的亞健康模式與其表現(xiàn)形式之間的關聯(lián)。對車門的運動曲線進行合理的分段，并基于分段結果提取了一組能全面表征車門健康狀態(tài)的特征集。

2)利用臺架調門亞健康試驗，采用RF的方法對車門健康狀態(tài)和7種典型的車門亞健康狀態(tài)數(shù)據(jù)進行模型的訓練和診斷，并基于RF提出了一種評估特征重要性的方法，結合車門的工作機理，證實該評估結果的可靠度較高。

3)對多種分類器算法進行了對比試驗，結果表明針對車門的亞健康診斷，與其它傳統(tǒng)的算法相比，RF的診斷效果最好，錯誤率可降低1%左右。因此，RF方法在軌道車輛門系統(tǒng)的亞健康診斷方面有著較好的實際推廣意義。