CN104729865B

CN104729865B - 一种电机丝杆驱动车门的故障诊断方法

Info

Publication number: CN104729865B
Application number: CN201310706438.7A
Authority: CN
Inventors: 林帅; 刘光武; 贾利民; 潘丽莎; 余博; 庞绍煌; 李乾; 苏钊颐; 贠丽芬; 员华; 高龙; 冯国冠; 张蜇; 李晋; 陈晋辉; 高世强; 李文球; 李立; 周芳俊; 邓军
Original assignee: Beijing Jiaotong University; Guangzhou Metro Group Co Ltd
Current assignee: Beijing Jiaotong University; Guangzhou Metro Group Co Ltd
Priority date: 2013-12-19
Filing date: 2013-12-19
Publication date: 2018-01-19
Anticipated expiration: 2033-12-19
Also published as: CN104729865A

Abstract

本发明涉及电机丝杆驱动式车门的故障诊断方法。是一种利用车门系统的电机的特征参数，并结合电动车门门控系统（EDCU）采集到的电流数据进行故障诊断的方法。首先对采集到的数据进行数值微分，得到在相应采样点的一阶导数和二阶导数值，代入电机输出功率变化率的电学方程后得到电机输出功率变化率，对变化率进行二次离散后，利用粗糙集的识别方法对电动车门的几处故障模式进行识别。

Description

一种电机丝杆驱动车门的故障诊断方法

技术领域

本发明属于信息技术领域，具体涉及一种电机丝杆驱动车门的故障诊断方法。

背景技术

车门系统是目前大多数地铁公司故障率最高的系统之一，由于列车运营时间的增加以及运营乘客的增多，许多乘客对车门的粗暴对待，导致车门故障，甚至影响列车运行导致晚点的事情时有发生。如何通过列车在途运行的数据及时安排车门的保养，提高列车维保质量，是急需解决的一大问题。一直以来，对于城轨列车门控系统的研究往往局限于对于检修数据的统计。传统的气动车门的故障诊断往往基于限位开关采集到的车辆闭合时间，对于目前闭环控制的电机车门来说，车辆闭合时间差别是不显著的。车门工作的实时数据存储于EDCU（电子门控单元）中，并能够通过MVB传输至故障诊断计算机。

目前城轨列车电动车门的研究因为实时数据获取困难而局限于可靠性分析，如包括可靠性框图法、故障树法、GO法等，需要大量的先验知识而没有充分利用到列车实时运行状态数据，且对于一些新开行的线路与新的设备型号，这是不可行的。现有技术提出了通过参数辨识的方法对车门运动状态下的电机电感，电阻等参数进行估计并指导车门系统的故障诊断，但该方法仅能应用于已故障的车门系统，事实上车门系统的故障模式是有可能向更恶劣的方式发展。

发明内容

本发明为了解决现有技术的不足之处，提供一种电机丝杆驱动车门的故障诊断方法，可以考虑到车门的闭环控制特性，通过车门系统输出功率的变化获取车门的实时状态，在车门系统故障之前能够及时预警，并指导维修。

本发明实施例提供了一种电机丝杆驱动车门的故障诊断方法，包括：

使用粗糙集的方法，采集样本数据，选取离散化程度，获取一次离散后的决策表及二次离散后的决策表；

对二次离散后的决策表进行属性约简，根据每个属性约简集分别进行属性值约简，生成故障规则。

附图说明

图1为门系统原理图；

图2为典型的门运动速度轨迹示意图；

图3为本发明实施例一的方法流程图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细说明。

在介绍详细方法步骤之前，需要先说明车门故障检测原理：

目前广州地铁一二八号线使用车门为丝杆式塞拉门结构。门系统原理图如图1所示，图1中各标号的含义如下：1-连接装置；2-前支承；3-螺母锁闭装置；4-中间支承；5-门到位开关；6-螺母锁闭装置；7-后支承；8-端部解锁组件；9-左门扇；10-右门扇。

其中电机驱动丝杆转动，丝杆与携门架上的螺母作用并驱动车门开关,丝杆所采用的螺纹类型为梯形。丝杆分为两个部分，螺纹旋转方向相反，用于分别开闭左右门扇。每一部分分为三段，分别为螺旋升角大于摩擦角的工作段，一段是螺旋升角小于摩擦角的锁闭段，以及介于这两者之间的过渡段。门扇的底部具有支撑车门以及导向用的滑道。EDCU（电子门控制单元）通过控制电机的转速来达到车门开合的速度与准确性，一个典型的门运动速度轨迹示意如图2所示。开门速度可以通过TCMS在2.5秒至4秒之间进行调节。有一个高分辨率的光编码器安装在电机轴上，光编码器记录了两个转向差来测量电机转速，并以此控制车门的位置。因此编码器与EDCU联合并闭环控制车门的开合，所以以该编码器为基础，从车门的运动时间来检测车门故障是不可行的。

车门故障的主要方式有：

1.滚轮导轨故障。

滚轮导轨用于支撑和撑托携门架，并保证车门顺利的开合，会由于车门的开合或不小心进入的碎屑造成磨损，也会因为乘客的不正常操作，如挤压，撞击，而产生磨损。

2.丝杆与螺母之间的磨损造成的故障。

许多乘客抢进抢出，被车门夹住物品等行为容易导致车门的丝杆与螺母之间产生剧烈摩擦，且这些故障在日检中不容易被发现，从而在维修中发生遗漏并导致故障发展严重。

电动车门还有很多其他的故障方式，如EDCU故障，直流电机故障和继电器故障，但这些故障发生属于偶然性质，难以通过状态观测进行监测，且随着技术更新，可靠性有了较大提升。

电动车门故障检测原理如下：

在车门开合过程中，因不涉及重力做功阶段，电机输入基本用于克服摩擦阻力，如下所示：

其中J是阻力惯性的总和，其中包括电机惯性，门扇摩擦惯性以及丝杆与螺母间的摩擦惯性，y是电机轴的角速度，T(t)_fric是摩擦扭矩的总和。通过参数估计可以得出不同工作状况下K的值。

对于电机来说，虽然电机具有很多非线性的因素,但总体来说满足以下电力学方程：

其中v为电枢电压，i为电枢电流,ω为电机速度，在此ω(t)为常数，K_e为电机反向电动势常数，R_a为电枢电阻，L_a为电枢电感。

对于电机丝杆式车门，当电机带动丝杆运动时，若电动车门出现机械故障，摩擦扭矩会相应增加，为了保证车门的运动速度，需要提高输入电流。为了提高输入电流，EDCU提高电枢电压，此时电机功率得到放大。电机消耗功率P=UI，根据功率变化的平顺性，可以判断摩擦扭矩的大小与变化情况。

则电机功率为：对外做功功率为：

电机对外做功功率对时间的导数由式3可得：

使用IMC设备对电流数据在较长开门时间条件下（3.5秒）进行采样，采样率为10K/s，除去车门在过渡段与锁闭段的非匀速运动时间（约0.7秒），共可采样25K个样本数据。

S101.使用粗糙集的方法，采集样本数据，选取不同的离散化程度，获取一次离散后的决策表及二次离散后的决策表；

影响车门健康状态的因素较为复杂，车门的功率变化十分微妙，对于样本数据而言，特征的提取较为困难。使用粗糙集的方法，可以通过主属性的数量，数据的离散化程度等手段提高拟合精度，从而生成更准确的故障规则。

粗糙集中的知识表示方法是以决策表形式存在的，U：对象的有限集A：属性的有限集，A=C∪D，C是条件属性子集，D是决策属性子集，V：是属性P的域，f：U×A→V是总函数，使得对每个xi∈U,q∈A,有f(xi,q∈Vq。其中样本数据对应为功率的变化率，对变化率绝对值取反正切，得到该点与水平面夹角。一次离散是将此夹角根据离散程度等分，采集落在各个区间的样本数据作为属性A。然后使用聚类分析Kmeans算法对属性的值进行离散化处理。功率变化率的离散化程度作为属性的有限集，如表1所示，离散化程度为10（本发明实施例对该离散化程度的取值并无限制），经过二次离散化后的决策表如表2所示：

表1

表2

S102.对二次离散后的决策表进行属性约简，根据每个属性约简集分别进行属性值约简，生成故障规则。

令M是决策表T的可辨识矩阵，A={a1,a2,...,an},是T中所有条件属性的集合.S是M中所有属性组合的集合，且S中不包含重复项.令S中包含有s个属性组合，每个属性组合表示为Bi，其公式化描述为:Bi∈S,Bj∈S,Bi≠Bj(i,j=1,2,...,s).令Card(Bi)=m，则Bi中每个条件属性表示为bi,k∈Bi(k=1,2,...,m)。令C0是M中的核属性集，则有

第1步.将核属性列入属性约简后得到的属性集合，即red=C₀；

第2步.在可辨识矩阵中找出所有不包含核属性的属性组合S，即

第3步.将属性组合S与red表示为合取范式的形式，即P=red∧{∨b_i,k:(i=1,2,...,s;k=1,2,...,m)}

第4步.将P转化为析取范式形式；

第5步.根据需要选择满意的属性组合.如需属性数最少，可直接选择合取式中属性数最少的组合；如需规则最简或数据约简量最大，则需先进行属性值约简。

对表2进行属性约简得到3个約简

{A5,A7,A8}

{A0,A3,A7,A8}

{A0,A4,A7,A8}

需要说明的是，本发明实施例给出的三个约简只是针对上述车门的情况获得的，在别的故障情况下不一定是3个约简，本发明实施例对该约简的数量并无限制。

决策表的核为CORE(C)一{A7，A8)。根据每个属性约简集分别进行属性值约简，故障生成规则。故障规则的获取为：

A5(1)AND A7(1)AND A8(3)=>D(0)

A5(1)AND A7(3)AND A8(2)=>D(0)

A5(2)AND A7(2)AND A8(3)=>D(1)

A5(1)AND A7(1)AND A8(2)=>D(1)

A5(3)AND A7(3)AND A8(1)=>D(1)

A5(2)AND A7(3)AND A8(1)=>D(2)

A5(2)AND A7(2)AND A8(1)=>D(2)

A5(3)AND A7(3)AND A8(2)=>D(2)

A0(2)AND A3(2)AND A7(1)AND A8(3)=>D(0)

A0(2)AND A3(1)AND A7(1)AND A8(3)=>D(0)

A0(1)AND A3(1)AND A7(3)AND A8(2)=>D(0)

A0(2)AND A3(2)AND A7(2)AND A8(3)=>D(1)

A0(1)AND A3(1)AND A7(1)AND A8(2)=>D(1)

A0(3)AND A3(3)AND A7(3)AND A8(1)=>D(1)

A0(2)AND A3(3)AND A7(3)AND A8(1)=>D(2)

A0(2)AND A3(2)AND A7(2)AND A8(1)=>D(2)

A0(1)AND A3(3)AND A7(3)AND A8(2)=>D(2)

A0(2)AND A4(2)AND A7(1)AND A8(3)=>D(0)

A0(1)AND A4(3)AND A7(3)AND A8(2)=>D(0)

A0(2)AND A4(1)AND A7(2)AND A8(3)=>D(1)

A0(1)AND A4(3)AND A7(1)AND A8(2)=>D(1)

A0(3)AND A4(2)AND A7(3)AND A8(1)=>D(1)

A0(2)AND A4(2)AND A7(3)AND A8(1)=>D(2)

A0(2)AND A4(1)AND A7(2)AND A8(1)=>D(2)

A0(1)AND A4(1)AND A7(3)AND A8(2)=>D(2) 。

Claims

1.一种电机丝杆驱动车门的故障诊断方法，其特征在于，包括：

使用粗糙集的方法，对电机丝杆驱动车门在较长开门时间条件下的电流采集样本数据，选取离散化程度获取一次离散后的决策表及二次离散后的决策表；其中样本数据对应为功率的变化率，对变化率绝对值取反正切，得到该点与水平面夹角，一次离散是将此夹角根据离散程度等分，采集落到各个区间的样本数据作为条件属性；

2.根据权利要求1所述的方法，其特征在于，所述对二次离散后的决策表进行属性约简，包括：

令M是决策表T的可辨识矩阵，A＝{a1,a2,...,an},是T中所有条件属性的集合，S是M中所有属性组合的集合，且S中不包含重复项，令S中包含有s个属性组合，每个属性组合表示为Bi，其公式化描述为:Bi∈S,Bj∈S,Bi≠Bj(i,j＝1,2,...,s)，令Card(Bi)＝m，则Bi中每个条件属性表示为bi,k∈Bi(k＝1,2,...,m)，令C0是M中的核属性集，则有

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

将核属性列入属性约简后得到的属性集合，即red＝C₀；

在可辨识矩阵中找出所有不包含核属性的属性组合S，即

将属性组合S与red表示为合取范式的形式，即P＝red∧{∨b_i,k:(i＝1,2,...,s；k＝1,2,...,m)}；

将P转化为析取范式形式；

根据需要选择满意的属性组合，如需属性数最少，可直接选择合取式中属性数最少的组合；如需规则最简或数据约简量最大，则需先进行属性值约简。

4.根据权利要求1所述的方法，其特征在于，所述获取一次离散后的决策表及二次离散后的决策表，包括：

一次离散是将此夹角根据离散程度等分，采集落在各个区间的样本数据作为属性A，然后使用聚类分析Kmeans算法对属性的值进行离散化处理。