CN107860587A - 基于多特征融合的车辆门系统亚健康状态预警及诊断方法 - Google Patents

Abstract

本发明公开了一种基于多特征融合的车辆门系统亚健康状态预警及诊断方法，包括通过车辆门系统的故障试验，获取车辆门系统在各种亚健康状态下的电流、转速、转角三种时间序列的特征数据，形成车辆门系统的亚健康数据集；车辆门系统的亚健康数据集中每种状态对应的特三种特征数据分别作归一化处理和特征降维处理，形成训练集和测试集；根据多特征、多分类、多核学习的SVM模型，确定核函数类型和每个基核的参数；将与不同特征结合的所有核函数进行线性组合，作为SVM模型的合成核函数，并利用SVM模型的合成核函数进行车辆门系统的亚健康状态诊断。本发明弥补了单个特征单个使用时的缺陷，提高了亚健康状态诊断的正确率。

Description

基于多特征融合的车辆门系统亚健康状态预警及诊断方法

技术领域

本发明涉及远程故障诊断技术领域，具体涉及一种基于多特征融合的车辆门系统亚健康状态预警及诊断方法。

背景技术

交通是国民经济的大动脉，大力发展交通是一项战略性任务，近年来，轨道交通，尤其是城市轨道交通的发展十分重要和迫切，这也对城市轨道交通成套装备现代化提出了迫切的需求和严格的要求。

车门系统是乘客上下轨道交通运输工具(地铁、高铁等)的唯一通道，车门的亚健康运行将会最终导致车门系统故障的发生，直接影响到乘客的人身安全。根据国内外统计，在轨道交通车辆门系统中，门系统的故障占轨道系统总故障数的30％以上，对车辆运行的安全性构成了严重的威胁，亟待解决。因此，研究城市轨道交通车辆门系统的智能诊断及维护技术对于提高其系统的安全性、可靠性、有效性，减少经济损失，保障人身安全具有重要意义。

目前，远程故障诊断技术是现代诊断技术的发展方向，经过将近30年的发展，其在理论和实践上都取得了相当不错的成就，已经成为人工智能的一个重要领域。近几年，人们将一些智能诊断方法应用于车辆门系统的故障预警和诊断中，如专家系统、神经网络、模糊理论等，取得了一些不错的成果。然而，用于车辆门系统的智能诊断技术也存在很多的问题，比如采用单特征的单核SVM方法或多特征直接拼接的单核SVM方法进行故障诊断时使得准确率不高，一旦发生″虚报″或″误报″等情况，将引发严重后果，要实现高精确度和高鲁棒性的车辆门异常状态诊断，往往需要融合多个类别的特征，开展基于信息融合的轨道车辆门异常状态诊断技术研究，是当前急需解决的问题。

发明内容

本发明的目的是如何实现高精确度和高鲁棒性的车辆门系统的异常状态诊断。本发明的基于多特征融合的车辆门系统亚健康状态预警及诊断方法，利用带有不同参数的基本核函数对不同的特征数据进行映射，实现多种特征的有效融合，弥补了单个特征单个使用时的缺陷，提高了亚健康状态诊断的正确率，具有良好的应用前景。

为了达到上述目的，本发明所采用的技术方案是：

基于多特征融合的车辆门系统亚健康状态预警及诊断方法，包括以下步骤，

步骤(A)，通过车辆门系统的故障试验，获取车辆门系统在各种亚健康状态下的电流、转速、转角三种时间序列的特征数据，形成车辆门系统的亚健康数据集；

步骤(B)，车辆门系统的亚健康数据集中每种状态对应的特三种特征数据分别作归一化处理和特征降维处理，形成训练集和测试集；

步骤(C)，根据多特征、多分类、多核学习的SVM模型，确定核函数类型和每个基核的参数；

步骤(D)，将与不同特征结合的所有核函数进行线性组合，作为SVM模型的合成核函数，并利用SVM模型的合成核函数进行车辆门系统的亚健康状态诊断。

前述的基于多特征融合的车辆门系统亚健康状态预警及诊断方法，步骤(A)，获取车辆门系统在各种亚健康状态下的电流、转速、转角三种时间序列的特征数据，均包括开门和关门两种状态，所述亚健康状态，包括门对中6mm、门对中8mm、上滑道外调5mm、下档销横向干涉、下档销纵向干涉、压论过压、门V型5mm、门V型8mm八种情况下的状态，通过车辆门系统的外置采集模块独立采集各状态下门电机的电流、转速、转角，形成车辆门系统的亚健康数据集。

前述的基于多特征融合的车辆门系统亚健康状态预警及诊断方法，步骤(B)，车辆门系统的亚健康数据集中每种状态对应的特三种特征数据分别作归一化处理和特征降维处理，形成训练集和测试集，包括以下步骤，

(B1)，对亚健康数据集内的各状态下的电流、转角、转速时间序列的特征数据，分别找出其所对应的最短时间序列长度，并以此为基准将该状态下的所有时间序列长度统一化，得到对应的电流时间序列为x_i＝(x₁，x₂，...，x_m)，转角时间序列为y_i＝(y₁，y₂，...，y_n)，转速时间序列为z_i＝(z₁，z₂，...，z_k)；

(B2)，将同一状态、同一类别的各时间序列做数据标准化处理；

(B3)，根据主成分分析法对时间序列进行降维；

(B4)，对降维后的门亚健康数据集，随机选取70％作为训练集，剩下的30％作为测试集。

前述的基于多特征融合的车辆门系统亚健康状态预警及诊断方法，(B3)根据主成分分析法对时间序列进行降维的过程为，

已知某一状态的所有电流、转速或者转角特征数据的特征矩阵为A，将每一维的数据减去该维的均值得到矩阵B，计算矩阵B的协方差矩阵C，然后计算协方差矩阵C的特征值和特征向量r，将特征向量r按照对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P，Y＝PA矩形Y为降维到k维后的某一状态的所有电流、转速或者转角特征数据。

前述的基于多特征融合的车辆门系统亚健康状态预警及诊断方法，步骤(C)，所述核函数类型为为高斯径向基函数，且在一定范围内选取不同宽度参数σ的基本核函数，并统计基本核函数的个数M。

前述的基于多特征融合的车辆门系统亚健康状态预警及诊断方法，步骤(D)，将与不同特征结合的所有核函数进行线性组合，

作为SVM模型的合成核函数，并利用SVM模型的合成核函数进行车辆门系统的亚健康状态诊断，包括以下步骤，

(D1)采用l个不同参数的基础核函数，对训练集中每一种门状态的三种电机特征数据分别构建l个核矩阵；

(D2)将不同状态下的核矩阵线性组合为一个新的核函数，采用该核函数替换SVM模型内支持向量机中的单个基础核核函数，并通过多核学习方法计算各个其中参与组合的基本核函数的权重系数，构建形成多核SVM分类器；

(D3)，根据多核SVM分类器，对进行车辆门系统的亚健康状态诊断。

前述的基于多特征融合的车辆门系统亚健康状态预警及诊断方法，(D3)，根据多核SVM分类器，对进行车辆门系统的亚健康状态诊断，包括以下步骤，

(1)根据带有不同参数的基础核函数对测试集的三类特征数据进行特征映射，得到测试集的基础核矩阵，然后根据多核学习方法所求的权重系数，对所得基础核矩阵进行线性组合，得到新的测试核函数；

(2)，根据多核SVM分类器，采用一对一判别方法识别各测试核函数对应的门状态。

本发明的有益效果是：本发明的本发明的基于多特征融合的车辆门系统亚健康状态预警及诊断方法，利用带有不同参数的基本核函数对不同的特征数据进行映射，实现多种特征的有效融合，弥补了单个特征单个使用时的缺陷，提高了亚健康状态诊断的正确率，并具有以下优点，

(1)通过车辆门系统中外置采集模块独立采集电机数据包括电流、转速、转角，对原始数据作归一化和降维处理，避免了维数灾难，加快处理速度；

(2)利用多核学习方法将电流、转速、转角三种电机的特征数据映射到高维特征空间，然后把不同的基核线性加权组合在一起，并用多核学习方法求解各个基核的权重，相较于单特征单核SVM分类法和多特征单核SVM分类法，本发明所构建的多特征多核SVM分类器将不同的特征用特定的核函数映射，融合了多个不同特征，有助于补偿单个特征单独使用或者多个特征直接拼接使用的缺陷，最大限度发挥每个特征的优势，具有更强的鲁棒性和更高的准确率；

(3)本发明所提供的多特征融合的轨道列车门系统亚健康状态预警和诊断方法，不仅仅局限于当前的电流、转速、转角三类特征，可以进一步融合更多的车辆门系统的数据，比如门控器I/O信号、电机温度等，具有良好的泛化能力。

附图说明

图1是本发明的基于多特征融合的车辆门系统亚健康状态预警及诊断方法的流程图；

图2是本发明的的训练集和测试集的处理过程的示意图；

图3是本发明的构建形成多核SVM分类器并预测的流程图。

具体实施方式

下面将结合说明书附图，对本发明作进一步的说明。

如图1所示，本发明的基于多特征融合的车辆门系统亚健康状态预警及诊断方法，包括以下步骤，

步骤(A)，通过车辆门系统的故障试验，获取车辆门系统在各种亚健康状态下的电流、转速、转角三种时间序列的特征数据，形成车辆门系统的亚健康数据集；

步骤(B)，车辆门系统的亚健康数据集中每种状态对应的特三种特征数据分别作归一化处理和特征降维处理，形成训练集和测试集；

步骤(C)，根据多特征、多分类、多核学习的SVM模型，确定核函数类型和每个基核的参数；

步骤(D)，将与不同特征结合的所有核函数进行线性组合，作为SVM模型的合成核函数，并利用SVM模型的合成核函数进行车辆门系统的亚健康状态诊断。

本发明的基于多特征融合的车辆门系统亚健康状态预警及诊断方法，各步骤的具体实现过程如下，

步骤(A)，门亚健康数据集的获取，通过车辆门系统故障试验获取八种亚健康状态数据，其中故障试验手段包括人工手动调整门状态、通过气缸加载装置(局部阻力类)、磁粉制动器、更换真实故障件等试验，八种亚健康状态数据的种亚健康状态具体可分为门对中6mm、门对中8mm、上滑道外调5mm、下档销横向干涉、下档销纵向干涉、压论过压、门V型5mm、门V型8mm，通过车辆门系统的外置采集模块独立采集电机数据(电流、转速、转角)，形成门亚健康数据集。

步骤(B)，数据预处理，对门亚健康数据集中每种状态的三类特征数据进行归一化处理和特征降维处理，具体步骤为：

对任一状态的电流、转角、转速时间序列，分别找出其所对应的最短的时间序列长度a，考虑到电机在最后开(关)到位状态时数据趋于不变，对于长度大于a的特征时间序列，选择从后往前对其进行数据剪切，直至该特征时间序列长度为a，针对门亚健康数据集中任一种状态数据，所对应的电流时间序列为x_i＝(x₁，x₂，...，x_m)，转角时间序列为y_i＝(y₁，y₂，...，y_n)，转速时间序列为z_i＝(z₁，z₂，...，z_k)；

将同一状态、同一类别的各时间序列做数据标准化处理，以解决数据指标之间的可比性，归一化方法如下：

其中μ为所有样本数据的均值，σ为所有样本数据的标准差。

利用主成分分析法对时间序列进行降维，已知某一状态所有电流(转角或转速)数据的特征矩阵为A，首先将每一维的数据减去该维的均值得到矩阵B，计算B的协方差矩阵D，然后计算D的特征值和特征向量r，将特征向量按照对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P，Y＝PA即为降维到k维后的数据；

对于预处理后的门亚健康数据集，随机选取70％作为训练，其余30％作为测试，后续两种数据部分的处理过程，如图2所示；

步骤(C)，训练多特征、多分类、多核学习的SVM模型，得到多核SVM分类器，

训练多核学习的SVM模型时，采用l个不同参数的基本核函数，对训练集中每一种门状态的三种电机特征分别构建l个核矩阵，由于对门电机数据无任何先验知识，选择高斯径向基函数为基本核函数，其为

影响高斯径向基核函数SVM性能的参数有惩罚因子C和核参数σ，考虑到SVM对C不是特别敏感，固定C＝100，核参数σ∈{0.5，1，2，5，7，12，15，17}，确定基本核函数总个数M；

利用带有不同参数的径向基核函数分别对训练集中三类特征作映射，并通过在训练中计算每个基核多对应的线性组合权值系数d_m，核函数权值d_m采用简单多核学习方法确定，具体如下：

已知样本集合{x_i，y_i|x_i∈Rⁿ，y_i∈R}，x_i为n维样本，y_i为其对应的目标值，利用SVM中核方法在特征空间构建最优决策函数：

其中，α_i和b是通过样本学习所获得的系数，k(x，x_i)为给定的再生核希尔伯特空间的正定核函数；

SVM在非线性模式分析问题中有着广泛的应用，但在诸如样本规模过大、样本特征含有异构信息和多维数据不规则等一些复杂情况下，采用单个核函数对样本处理时效果不是很好，一个不错的选择就是将多个核函数线性组合在一起，如图3为多核学习算法的示意图，多核函数可以表示为M个基核函数的凸组合形式：

其中，M为组合的候选基核的数目，d_m是第m个基核的权重系数，所有基核函数对应权重系数都是非负数且相加和为1；MKL问题被描述为通过学习对α_i、b和d_m求最优解，针对SVM模型中核方法构建的最优决策函数f(x)，最优参数α_i、b可以通过求解下式得到：

其中，C为惩罚因子，ξ_i为变量；

本发明采用SimpleMKL(多核学习)算法来求解核组合中的权重系数d_m，根据SVM理论，优化问题变为：

其中，w_m为第m个决策超平面的权重向量，Φ_m(x_i)对应为基核K_m。进一步转化为如下近似模型，

其中，目标函数L(α_i，α_j)是连续可微分的凸函数，因此可根据L的梯度下降方向来更新权重系数d_m，目标函数的梯度通过计算L的导数得到：

因此，我们通过寻找梯度下降方向D来更新权重系数：

d←d+yD

其中，γ为步长，d＝[d₁，d₂，...，d_M]^T为组合的系数向量，在每次迭代过程中不计算梯度值，仅当目标值减小时才更新，直至满足终止条件才停止更新。而终止判据可以根据对偶间隙、KKT条件、d的变化来确定。至此，可得到最终的多核SVM分类器：

上述所得到的多核SVM分类器针对的是两类问题，本发明采用多类支持向量机的一对一算法，具体为：将多分类为题分解为若干个两分类问题，由于本发明处理的是九分类问题，则需构建[n(n-1)]/2＝36个二分类器，每个分类器构建方法与上述方法一致，将利用多核学习所得的融合核代入到所构建的36个分类判别函数中，当对一个未知样本进行分类时，如果某个判别函数判别其属于哪一类，则在该类别上投票，最后得票最多的类别即为该未知样本的类别；

步骤(D)，对测试集的样本数据进行诊断分类

根据带有不同参数的基础核函数对测试集的三类特征数据进行特征映射，得到测试集的基础核矩阵，然后根据多核学习方法所求的权重系数，对所得基础核矩阵进行线性组合，得到新的测试核函数；

根据多核SVM分类器，采用一对一判别方法识别各测试核函数对应的门状态。

综上所述，本发明的有益效果是：本发明的本发明的基于多特征融合的车辆门系统亚健康状态预警及诊断方法，利用带有不同参数的基本核函数对不同的特征数据进行映射，实现多种特征的有效融合，弥补了单个特征单个使用时的缺陷，提高了亚健康状态诊断的正确率，并具有以下优点，

(1)通过车辆门系统中外置采集模块独立采集电机数据包括电流、转速、转角，对原始数据作归一化和降维处理，避免了维数灾难，加快处理速度；

(2)利用多核学习方法将电流、转速、转角三种电机的特征数据映射到高维特征空间，然后把不同的基核线性加权组合在一起，并用多核学习方法求解各个基核的权重，相较于单特征单核SVM分类法和多特征单核SVM分类法，本发明所构建的多特征多核SVM分类器将不同的特征用特定的核函数映射，融合了多个不同特征，有助于补偿单个特征单独使用或者多个特征直接拼接使用的缺陷，最大限度发挥每个特征的优势，具有更强的鲁棒性和更高的准确率；

(3)本发明所提供的多特征融合的轨道列车门系统亚健康状态预警和诊断方法，不仅仅局限于当前的电流、转速、转角三类特征，可以进一步融合更多的车辆门系统的数据，比如门控器I/O信号、电机温度等，具有良好的泛化能力。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.基于多特征融合的车辆门系统亚健康状态预警及诊断方法，其特征在于：包括以下步骤，

步骤(A)，通过车辆门系统的故障试验，获取车辆门系统在各种亚健康状态下的电流、转速、转角三种时间序列的特征数据，形成车辆门系统的亚健康数据集；

步骤(B)，车辆门系统的亚健康数据集中每种状态对应的特三种特征数据分别作归一化处理和特征降维处理，形成训练集和测试集；

步骤(C)，根据多特征、多分类、多核学习的SVM模型，确定核函数类型和每个基核的参数；

步骤(D)，将与不同特征结合的所有核函数进行线性组合，作为SVM模型的合成核函数，并利用SVM模型的合成核函数进行车辆门系统的亚健康状态诊断。

2.根据权利要求1所述的基于多特征融合的车辆门系统亚健康状态预警及诊断方法，其特征在于：步骤(A)，获取车辆门系统在各种亚健康状态下的电流、转速、转角三种时间序列的特征数据，均包括开门和关门两种状态，所述亚健康状态，包括门对中6mm、门对中8mm、上滑道外调5mm、下档销横向干涉、下档销纵向干涉、压论过压、门V型5mm、门V型8mm八种情况下的状态，通过车辆门系统的外置采集模块独立采集各状态下门电机的电流、转速、转角，形成车辆门系统的亚健康数据集。

3.根据权利要求1所述的基于多特征融合的车辆门系统亚健康状态预警及诊断方法，其特征在于：步骤(B)，车辆门系统的亚健康数据集中每种状态对应的特三种特征数据分别作归一化处理和特征降维处理，形成训练集和测试集，包括以下步骤，

(B1)，对亚健康数据集内的各状态下的电流、转角、转速时间序列的特征数据，分别找出其所对应的最短时间序列长度，并以此为基准将该状态下的所有时间序列长度统一化，得到对应的电流时间序列为x_i＝(x₁，x₂，...，x_m)，转角时间序列为y_i＝(y₁，y₂，...，y_n)，转速时间序列为z_i＝(z₁，z₂，...，z_k)；

(B2)，将同一状态、同一类别的各时间序列做数据标准化处理；

(B3)，根据主成分分析法对时间序列进行降维；

(B4)，对降维后的门亚健康数据集，随机选取70％作为训练集，剩下的30％作为测试集。

4.根据权利要求3所述的基于多特征融合的车辆门系统亚健康状态预警及诊断方法，其特征在于：(B3)根据主成分分析法对时间序列进行降维的过程为，

已知某一状态的所有电流、转速或者转角特征数据的特征矩阵为A，将每一维的数据减去该维的均值得到矩阵B，计算矩阵B的协方差矩阵C，然后计算协方差矩阵C的特征值和特征向量r，将特征向量r按照对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P，Y＝PA矩形Y为降维到k维后的某一状态的所有电流、转速或者转角特征数据。

5.根据权利要求1所述的基于多特征融合的车辆门系统亚健康状态预警及诊断方法，其特征在于：步骤(C)，所述核函数类型为为高斯径向基函数，且在一定范围内选取不同宽度参数σ的基本核函数，并统计基本核函数的个数M。

6.根据权利要求1所述的基于多特征融合的车辆门系统亚健康状态预警及诊断方法，其特征在于：步骤(D)，将与不同特征结合的所有核函数进行线性组合，作为SVM模型的合成核函数，并利用SVM模型的合成核函数进行车辆门系统的亚健康状态诊断，包括以下步骤，

(D1)采用l个不同参数的基础核函数，对训练集中每一种门状态的三种电机特征数据分别构建l个核矩阵；

(D2)将不同状态下的核矩阵线性组合为一个新的核函数，采用该核函数替换SVM模型内支持向量机中的单个基础核核函数，并通过多核学习方法计算各个其中参与组合的基本核函数的权重系数，构建形成多核SVM分类器；

(D3)，根据多核SVM分类器，对进行车辆门系统的亚健康状态诊断。

7.根据权利要求6所述的基于多特征融合的车辆门系统亚健康状态预警及诊断方法，其特征在于：(D3)，根据多核SVM分类器，对进行车辆门系统的亚健康状态诊断，包括以下步骤，

(1)根据带有不同参数的基础核函数对测试集的三类特征数据进行特征映射，得到测试集的基础核矩阵，然后根据多核学习方法所求的权重系数，对所得基础核矩阵进行线性组合，得到新的测试核函数；

(2)，根据多核SVM分类器，采用一对一判别方法识别各测试核函数对应的门状态。