史華東 陸寧云 許志興 陳健飛

(1.南京航空航天大學自動化學院， 211106， 南京；2.南京康尼機電股份有限公司， 211106， 南京∥第一作者， 碩士研究生)

通過對城市軌道交通車輛車門系統(tǒng)健康狀態(tài)的監(jiān)測發(fā)現，隨著列車的持續(xù)運行，車門各部件由于元件老化及磨損會導致車門處于亞健康狀態(tài)，直接影響著車門的正常使用性能[1]。及時發(fā)現并準確診斷城市軌道交通車輛車門的亞健康狀態(tài)對其安全運行與高效率的維護具有重要意義。

文獻[2]提出一種基于信息增益率的隨機森林方法，構建了車門故障診斷模型。文獻[3]通過特征優(yōu)選算法篩選出最優(yōu)特征子集，利用隨機森林算法實現了地鐵車門微小故障診斷。文獻[4]基于JS散度，計算車門實時狀態(tài)與參考健康狀態(tài)的數據統(tǒng)計分布相似性，以檢測車門系統(tǒng)的異常狀態(tài)。上述故障診斷方法均基于單一數據源進行研究，采集的車門信息不夠充分，導致最終診斷結果的準確性和可靠性較低。為此，本文提出基于D-S證據理論的車門亞健康融合診斷方法。對車門驅動電機數據與電子控制器I/O(輸入/輸出)信號，分別利用K-means聚類與貝葉斯推理得到亞健康初步診斷結果，再基于D-S證據理論在決策層進行信息融合，構建更加精確的車門亞健康診斷模型。應用結果表明，該方法可顯著提高車門亞健康診斷模型的可靠性和準確性。

1 城市軌道交通車輛車門控制系統(tǒng)

1.1 車門結構及其亞健康類型

本文以南京康尼公司的電動雙開塞拉門作為研究對象。其車門主要由承載導向機構、門控系統(tǒng)、傳動鎖閉機構、密封裝置等部分組成。除了基本的機械結構，車門核心的門控系統(tǒng)主要由電子門控器與行程開關等電氣部件構成。門控器作為控制中心，負責發(fā)出開關門指令信號，同時能夠接收行程開關反饋的開關量信號。

在列車長期的運營中，環(huán)境多變、乘客擠壓及車門維保不及時等原因使車門部件易出現松動、失效、間隙等情況，進而導致車門處于亞健康狀態(tài)運行。這些微小的亞健康狀態(tài)往往具有隱蔽性、偶發(fā)性與模糊性，難以被及時發(fā)現。根據地鐵車門健康狀態(tài)監(jiān)測的實際需求，本文研究了表1中所列的7種亞健康類型。

表1 車門亞健康狀態(tài)

1.2 車門可測量數據

基于數據驅動的故障診斷方法對離線數據的信息充足性和完整性有一定的要求[5]。通過軌道交通車輛車門遠程監(jiān)控與故障診斷系統(tǒng)[6]在車門上的應用，實時獲取車門運行數據。這些數據包含了詳細的車門狀態(tài)信息，可充分滿足基于數據驅動的故障診斷要求。

地鐵車輛車門通過傳感器采集的數據主要分為驅動電機數據和智能門控器I/O信號兩類。這兩種不同類型的數據所反映的車門信息具有較大的差異性，驅動電機數據主要反映車門連續(xù)運動過程中的特點，門控器I/O信號包含了車門受控系統(tǒng)信息，可以反映車門狀態(tài)的時變特性。

本文采集的電機數據包含轉速、轉角、電流3個變量。圖1為正常開關門過程中車門電機數據曲線圖。由圖1可知，正常1次開關門的時間約為3.5 s。傳感器采樣周期為10 ms，每條數據大約采樣350個點。

門控器I/O信號共包含了車門系統(tǒng)20種不同的控制信號與開關反饋信號。這些信號量為典型的離散數據信號，其狀態(tài)只用數字0和1表示。表2為具體的I/O信號量類型。在車門開關門過程中，與車門狀態(tài)變化相關的信號量較少，因此I/O信號較之電機數據包含的車門信息相對缺乏。

圖1 正常開關門過程車門電機數據曲線Fig.1 Vehicle door motor data curve of normal opening- closing process

表2 門控器I/O信號量

2 基于D-S證據理論的車門亞健康融合診斷方法

2.1 D-S證據理論

D-S證據理論作為一種常用的信息融合方法，其提供的理論方法可以進行證據間的合成，在不確定性的表示和組合方面具有較多優(yōu)勢。在D-S證據理論中，假設研究對象的所有相互獨立、互斥的事件結果用集合Θ表示，集合Θ稱為識別框架。對識別框架中的某個事件?A?2Θ，映射m：2Θ→[0,1]需滿足：

(1)

式中：

?——空集；

m——基本概率分配(BPA)函數；

A——研究對象發(fā)生的可能事件。

m(A)為事件A發(fā)生的基本概率分配值，表示對結果A的信任程度。此外，定義信任函數Bel(A)與似然函數Pl(A)來表示多子集事件A發(fā)生的所有可能概率。

(2)

(3)

式中：

B——事件A的子集事件。

Bel(A)表示對事件A發(fā)生的支持程度，Pl(A)表示對事件A的不懷疑程度，兩者共同構成事件A的信度區(qū)間[Bel(A)，Pl(A)]。

當同一個識別框架下出現多個證據體能夠對被測對象的結果進行獨立判斷時，可以通過D-S證據合成規(guī)則進行組合，得到新的基本概率分配結果m12。假設m1和m2為兩個獨立事件B、C的基本概率分配，進行組合后的結果為：

(4)

式中：

K——沖突系數，表示證據之間的沖突程度。

2.2 車門數據預處理

車門部件發(fā)生損壞、尺寸變化、處于亞健康狀態(tài)等情況時，都會導致電機的輸出曲線發(fā)生變化。為了準確區(qū)分每種亞健康狀態(tài)，根據車門的運動特點，將車門整體運動過程分為升速段、高速段、減速段、緩行段與到位后段，具體分段如圖2所示。

根據圖2車門運動過程的階段劃分，對電機的3個測量數據進行時域特征提取。本文提取的特征包括最大值、最小值、均值、峰值、方差、偏度、峭度，以及每段車門數據的行程與時間。對每個電機參量提取93個特征值，在每條數據中共提取279個特征組成特征向量F=[F1,…,F279]。

圖2 車門運動過程階段劃分Fig.2 Door movement stage division

針對門控器I/O信號的特點，采用基于多信號模型故障測試性分析的思想進行分析，通過測試生成車門亞健康依賴矩陣D。對車門I/O信號數據進行離散化處理，提取1次開關門過程中所有I/O信號的跳變狀態(tài)與跳變時間，組成的序對信息形式如下：

Zj={(0,tj,1),(0,tj,2),(0,tj,3),…,(0,tj,k)}

(5)

式中：

Zj——門控器I/O信號參數；

j——變量索引；

tj,k——Zj的狀態(tài)跳變時間；

k——Zj的所有狀態(tài)跳變次數。

將所有I/O變量跳變時刻tj,k選作測試點，生成測試區(qū)間[tj,k-Δ,tj,k+Δ](Δ為測試區(qū)間的時間間隔)。在每個測試區(qū)間內，對亞健康數據集進行測試，I/O變量若發(fā)生正確的跳變，則將D中對應元素賦值為0，否則賦值為1。通過測試得到開門與關門兩個亞健康依賴矩陣，建立起車門I/O信號的觸發(fā)時間、觸發(fā)狀態(tài)與車門亞健康狀態(tài)之間的聯系。

2.3 基本概率分配函數的構造

針對車門的電機數據與I/O信號，本文采用了不同的亞健康初步診斷方法，且其各自的決策層基本概率分配構造方法也不同。

電機數據基于K-means聚類相似度構造BPA。對預處理后的車門電機數據特征值進行編號，應用K-means聚類算法進行分析，當聚類成功時將得到正常與亞健康兩個聚類中心。根據兩個聚類中心之間的特征值距離大小對特征進行排序，該特征值距離大的代表該特征在分類中作用明顯，取排序前20個特征作為區(qū)分特征。為了對聚類結果進行識別，根據兩類數據的特征大小對特征的編號標注“正負號”(亞健康數據的特征相對正常數據變大時為“正號”，否則為“負號”)。通過計算測試數據區(qū)分特征與已知亞健康模型區(qū)分特征之間的相似度進行亞健康的模式識別與診斷。因此，基于K-means聚類結果構造BPA的計算式為：

(6)

式中：

Ai——車門可能發(fā)生的亞健康類型；

F(Ai)——測試數據的亞健康聚類結果與亞健康特征模型的相似度。

I/O信號基于樸素貝葉斯分類構造BPA。可將發(fā)生跳變的I/O信號量作為樣本的屬性，亞健康將矩陣中每個測試點的賦值結果作為樣本對應屬性的取值。基于屬性條件獨立性假設，貝葉斯推理的輸出為每種亞健康發(fā)生的后驗概率，而貝葉斯推理的先驗概率可以通過訓練數據的亞健康測試矩陣估計得到。假設每個I/O信號數據集中有n個開門數據、m個關門數據，對其進行貝葉斯分類后，將得到n個開門數據的亞健康推理結果與m個關門數據的推理結果，每個推理結果為11種亞健康發(fā)生的后驗概率。本文將同一個數據集的開門與關門亞健康推理結果各自取平均值，最終每個數據集得到1個開門數據貝葉斯推理結果與1個關門數據貝葉斯推理結果。根據貝葉斯推理結果，構造BPA的計算方法[7]如下：

(7)

式中：

P(cj)——在已知屬性為x1,x2,…,xn的情況下，將其分類為cj的概率。

2.4 車門亞健康融合診斷模型

基于D-S證據理論的車門亞健康診斷模型主要由2部分組成：① 第1部分是模型初步診斷層[8]，該層將預處理后的車門數據分別利用K-means聚類與貝葉斯推理得到初步的診斷結果，每種診斷結果將作為下一步決策層融合的證據；② 第2部分為模型的融合診斷層，根據電機數據與I/O信號的初步診斷結果構造各自的基本概率分配m1、m2，應用D-S合成規(guī)則將其進行決策層融合得到新的基本概率分配，依據決策規(guī)則確定車門亞健康狀態(tài)。基于D-S證據理論的車門亞健康診斷模型如圖3所示。

圖3 基于D-S證據理的車門亞健康診斷模型Fig.3 Vehicle door sub-health diagnosis model based on D-S evidence theory

車門亞健康診斷模型的具體實施步驟為：

1) 確定識別框架。根據城市軌道交通車門系統(tǒng)發(fā)生的亞健康類型，采集11種車門亞健康狀態(tài)的車門數據，建立識別框架Θ。

2) 數據預處理。按第2.2節(jié)的數據預處理方法對電機數據進行特征提取與標準化、離散性分析；對I/O數據進行結構化處理與測試分析生成亞健康依賴矩陣，每個亞健康狀態(tài)數據集生成開門和關門亞健康依賴矩陣。

3) 構建基本概率分配函數。將電機與I/O信號測試數據輸入到訓練好的診斷模型中，得到各自的亞健康初步診斷結果。根據電機數據聚類結果計算特征相似度，利用式(6)構造基本概率分配函數m1。基于I/O信號數據的開門與關門兩個貝葉斯推理結果，利用式(7)計算2個基本概率分配結果，并將其進行一次D-S證據融合，將融合后的結果作為基本概率分配m2。

4) 融合診斷。對步驟3)中計算得到的2個基本概率分配函數，根據式(4)的合成規(guī)則進行組合，得到車門最終的亞健康概率分配結果m。本文采用信度函數值最大原則進行亞健康判定，診斷的亞健康類型信任度必須為所有信任度的最大值F=max(Bel(Ai))。由于不考慮多種亞健康同時發(fā)生的情況，選擇BPA最大的亞健康類型作為診斷結果。

3 車門亞健康融合診斷模型應用驗證

以廣州地鐵3號線的塞拉門臺架測試數據為例進行驗證分析。為了進一步對其亞健康類型進行區(qū)分，在臺架進行亞健康模擬時，將其細分成11種亞健康類型。采集的數據包含1組正常車門數據，11組不同類型的亞健康數據，每組共包含80條數據(40次開門數據與40次關門數據)。從每組亞健康數據中隨機選擇60次數據(30次開門數據與30次關門數據)作為1個訓練集，剩下的數據作為測試集，生成11個訓練集與11個測試集。

3.1 車門亞健康狀態(tài)識別框架

針對車門出現的11種亞健康類型，確定車門系統(tǒng)的識別框架Θ={f1,f2,…,f11}。表3為車門亞健康狀態(tài)識別框架。

表3 車門亞健康狀態(tài)識別框架

3.2 車門亞健康狀態(tài)初步診斷結果

對正常車門電機數據與未知的測試數據進行聚類分析，主要通過兩個指標來判定車門發(fā)生的亞健康狀態(tài)：一是聚類中心與亞健康訓練模型，按照第2.3節(jié)的方法對特征編號標注“正負號”，正負相反的特征比例要求<0.1；二是相同特征的比例要求≥0.6，當特征相似度超過60%時便認為可能會發(fā)生該種亞健康類型。表4為11個亞健康測試集的聚類診斷結果，每種亞健康類型測試集進行5次測試診斷，并對診斷結果取平均值。

根據表4中的診斷結果可以看出，電機數據基于K-means聚類能夠對車門亞健康類型進行成功聚類，但是對聚類結果的識別診斷存在不確定性。例如，測試集1、4、5的聚類診斷結果出現了聚類中心，以及兩種亞健康模式的特征相似度都超過60%的情況，表明兩種亞健康都有可能發(fā)生，難以確定車門發(fā)生的真實亞健康類型。這種診斷結果不僅體現在同種類型的亞健康之間，測試集1、5的聚類診斷結果給出了兩種亞健康模式f1與f5，但是f1為對中尺寸異常，f5為V型尺寸異常，屬于不同的亞健康類別。對聚類結果進行模式識別時，如果為了診斷結果盡可能準確而只提高對相同特征的比例要求，則會導致f9、f10、f11出現如f8無法識別的情況；而降低相同特征比例要求則會增加診斷結果的不確定性。

表4 門控器I/O信號的K-means聚類診斷結果

表5為I/O信號的貝葉斯診斷結果。對每個測試樣本分配1個預測標簽，將分類最多的類別標簽作為測試數據的亞健康類型，以分類準確率評估診斷效果。

表5 門控器I/O信號的貝葉斯診斷結果

根據表5中的診斷結果看出，I/O信號基于貝葉斯對亞健康診斷的準確率平均值只有42%，不如電機數據診斷結果理想；f3、f5、f11等3種亞健康模式的貝葉斯診斷結果相同且無法進行區(qū)分，而f6、f7出現診斷錯誤情況。導致出現這樣結果的原因為：目前城市軌道交通車門門控器采集的可用I/O信號量太少，且多數I/O信號量都與行程開關有關，能夠區(qū)分的車門狀態(tài)I/O信息不夠全面，后續(xù)若能增加I/O數量將會增強其診斷能力。

3.3 車門亞健康狀態(tài)融合診斷結果

在獲取初步診斷結果后，通過式(6)—式(7)分別計算K-means聚類與樸素貝葉斯的診斷結果對亞健康類型的基本概率分配結果，如表6～7所示。

對兩個基本概率分配結果利用式(4)的D-S證據合成規(guī)則計算融合后得到基本概率分配，并依據信度最大原則確定最終的亞健康類型，診斷結果如表8所示。

表6 基于K-means聚類的BPA計算結果

表7 基于樸素貝葉斯的BPA計算結果

由表6可知，總體上電機數據基于K-means聚類的診斷結果準確性較高，但部分亞健康模型區(qū)分特征的差異性不夠大，導致亞健康的基本概率分配值較低(0.2～0.4)，整體的診斷結果可靠性較低。表7開關門貝葉斯推理融合后的概率分配結果反映出，I/O信號基于貝葉斯的診斷準確性較差，主要體現在對f3、f5、f11等3種亞健康類型無法區(qū)分，但是對f1、f8、f9、f10等4種亞健康類型的診斷置信度較高。

表8 融合診斷基本概率分配結果

根據表8的融合診斷結果可知，融合模型對所有的測試集都能夠進行準確診斷。在對測試集進行多次測試后，車門融合診斷模型的診斷準確率達到90%左右。融合后的亞健康診斷模型診斷性能要優(yōu)于原有的單一診斷模型。與K-means聚類診斷模型相比，融合模型對亞健康的信任度分配更準確、更高而且更加集中，降低了亞健康模式之間的不確定性。與貝葉斯診斷模型相比，融合后的診斷模型能夠對識別框架中所有的亞健康類型進行診斷并具有非常高的準確率。由此可見，D-S證據理論能夠有效地結合兩種診斷模型的優(yōu)點，彌補互相的不足，提高車門亞健康診斷模型的可靠性與準確性。

4 結語

針對城市軌道交通車輛車門系統(tǒng)在運營過程中處于亞健康工作狀態(tài)的問題，提出了一種基于D-S證據理論的城市軌道交通車門亞健康診斷方法。該方法能夠充分利用車門驅動電機數據與門控器I/O信號數據，并應用K-means聚類與貝葉斯推理的方法構建車門亞健康初步診斷模型?；贒-S證據理論在決策層進行信息融合，實現了車門亞健康狀態(tài)的多層次、多模型診斷，提高了車門診斷結果的可靠性與準確性。通過車門數據仿真驗證表明，本文的融合診斷方法能夠充分利用車門可測量數據，彌補單一數據診斷模型的的不足之處，具有實際應用價值。