CN109034010A - 一种自动门系统的润滑失效在线预测方法 - Google Patents

Abstract

本发明涉及自动门润滑领域，公开了一种自动门系统的润滑失效在线预测方法，包括模型训练和在线监测两部分，模型训练包括原始数据收集、数据预处理、数据分割、特征提取、特征归一化、特征选择、建立润滑衰退趋势模型和定义失效阈值；在线监测部分包括数据采集、数据预处理，数据分割，特征提取，特征归一化、计算健康度和润滑失效报警。本发明通过实时在线监测过程数据，以及完整的建模流程，实时计算润滑衰退的健康指标，实现了在线监测与预警，进而改变运维策略，从事后维护或过维护改为事前预测并视情维护。

Description

一种自动门系统的润滑失效在线预测方法

技术领域

本发明涉及自动门润滑领域，尤其涉及一种自动门系统的润滑失效在线预测方法。

背景技术

轨道车辆自动门系统，作为一个轨道交通设备中的重要组成部件，由于其使用频率高和使用场景多样化，其性能的稳定性、可靠性直接关系到车辆的安全性，而且目前的运维方式主要以专业的维护人员提供点检定修以及以设备故障为驱动的事后维护方式(Fail-and-Fix)，然而传统的运维方式不仅造成了运营成本的浪费，而且还存在不可见的安全隐患。

轨道车辆门一般采用电动双开塞拉门，当门完全关闭时，门扇与车辆的外表面平齐。开门时，门扇一开始就进行横向+纵向的复合运动，然后沿着车体侧面滑动直到完全打开的位置。门系统的主要组成部件包括了门扇、摆臂组件、隔离开关组件、内外操作装置等组件，以及关键部件有电机及其驱动的丝杆。门扇运动通过X向长导柱和Y向短导柱实现引导，并通过上下导轨使门扇按给定轨迹运动。门扇的驱动由一个带减速箱的电机驱动丝杆(对于双页门，丝杆一半是右旋的，一半是左旋的)来实现。螺母与门扇相联，电机轴转动时，丝杆发生相应转动，并驱使螺母作X向运动，从而实现门扇开闭动作。门扇的锁闭功能通过锁闭装置实现末端锁闭。作为开关门的主要驱动部件，丝杆的正常运作保障左右门的正常开合。然而由于各种原因，包括不恰当的或者润滑失效，或者长时间的磨损，天气原因等等因素，造成丝杆的润滑状况不良，最主要的影响就是门无法正常开合，甚至威胁到行车安全。根据对历史丝杆故障模式分析，润滑失效是其中一种最为常见的故障模式，目前由于没有实时检测办法判断丝杆的润滑状况是否正常，所以对于丝杆润滑维护要么是过维护，要么是事后维护，从而造成了安全隐患或者维护的浪费。

因此，自动门系统智能维护系统，是符合工业4.0理念的全新方式的装备维护管理系统，不仅能够对装备进行实时状态监控和数据采集，而且能够通过工业智能和高阶分析算法应用于装备的在线健康评估，实时反馈装备的健康状态，智能“判断”设备是否需要维修，并进行预警；彻底改变现有装备“事后维修”模式，提升为“装备预防性维护管理”模式，能够赋能所有的运营商、生产商的全信息的透明化沟通，降低运维成本，提高安全性可靠性，从而实现“Worry-free”智能门系统。

综上所述，传统的运维方式为事后维护和定期保养，存在以下问题：

1)缺乏实时监控，意外事故发生时会造成严重影响，存在不可见的安全隐患；

2)事后维护，造成意外停机和高昂的维护时间及成本；

3)定期保养，造成过度维护和运营成本的浪费。

因此，本领域的技术人员致力于开发一种自动门系统的润滑失效在线预测方法。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是通过实时在线监测过程数据，以及完整的建模流程，实时计算润滑衰退的健康指标，实现在线监测与预警，进而改变运维策略，从事后维护或过维护改为事前预测并视情维护。

为实现上述目的，本发明提供了一种自动门系统的润滑失效在线预测方法。在仅使用电流控制器数据的情况下，对自动门系统的润滑衰退情况进行建模，计算出健康度这一指标来衡量自动门系统的润滑衰退程度，对健康度低于健康阈值的自动门系统进行提前预警。本发明的较佳实施方式包括模型训练和在线监测两部分。

模型训练包括原始数据收集、数据预处理、数据分割、特征提取、特征归一化、特征选择、建立润滑衰退趋势模型和定义失效阈值。具体包括如下步骤：

100、原始数据收集，从门控系统获取控制器信号作为原始数据，所述原始数据至少包括关键信号有转矩、速度信号；

101、数据预处理，清除自动门开关数据中的非润滑失效造成的故障数据和明显异常的数据，这些记录会对数据分析处理带来影响，应当清除；

102、数据分割，一次开门或关门过程包含许多复杂的操作，比如门的锁闭、塞拉、加减速和匀速等，其中匀速段参与的运动副(表示机械结构的相对运动)和影响因素是最少的，运动速度受控制策略影响，润滑因素对丝杆的影响在此段中最能体现，因此主要研究匀速段的运动过程。需要采用分割方法把数据分割出匀速段；

103、特征提取，将数据分割出的开关门平滑段数据按照每天进行合并，这样就可以得到每天的若干次开关门的匀速段数据的合集，并对合并的数据进行去噪；

104、特征归一化，考虑到提取出的特征可能会存在自动门本身的固有差异，需要对每个特征采用归一化方法归一化后再进行建模，以提高泛化能力；

105、特征选择，与润滑衰退无关的特征会对模型建立造成困难，因此需要在归一化后的特征里选择部分特征作为标志润滑衰退的特征；

106、建立润滑衰退模型，将选择出来的特征用于建立润滑衰退模型，监督式训练标签选择润滑完成后的一段时间作为健康标签，选择润滑维护之前的一段时间作为失效标签。用健康标签和失效标签的样本进行训练，建立从特征到健康值的计算模型(即Logistic回归模型，输入特征，输出健康值)；

107、定义失效阈值，健康值定义为衡量润滑衰退的指标，范围在0-1之间，健康值越低说明门系统润滑衰退越严重，阈值标示润滑衰退到失效的界限。

进一步地，步骤101中，故障数据包括乘客的因素造成的故障数据，如挤压、阻挡等；明显异常的数据包括由于传感器或传输过程的异常，造成记录不完全或超出记录范围的开关门数据。

进一步地，步骤102中，分割方法为最小标准差方法，有效地分割出信号中最平稳的一段，作为研究润滑失效的重点。包括：

1021、确定滑动窗的长度，

1022、从头开始遍历电机电流信号，计算滑动窗内数据的标准差，

1023、记录下标准差最小的区间，即为分割的结果。

进一步地，步骤103中，特征提取为时域特征提取、频域特征提取，以及时频域特征提取。

进一步地，时域特征包括均值、标准差、RMS、峰值、峰值因子、峭度等。

进一步地，频域分析采用FFT分解和小波分解，将四种信号(指速度信号、电流信号、功率信号、正则化电流信号)经过FFT分解后得到频谱图像，首先对该频谱图像再次提取时域特征，其次提取不同频带内的能量以及占总能量的占比；小波分解是先将四种信号去除直流分量，再使用‘db4’小波进行分解，计算能量值以及占总能量的占比。

进一步地，步骤104中，归一化方法采用增量式归一化，使用自动门开始一段时间的数据的平均值作为基线数据，归一化后的特征值即为该值本身对基线数据的相对偏差。

进一步地，开始一段时间为十天。

进一步地，步骤105中，部分特征为和时间相关性最好的特征作为标志润滑衰退的特征。

进一步地，步骤106中，润滑衰退模型选用Logistic回归模型。

在线监测部分包括数据采集、数据预处理，数据分割，特征提取，特征归一化、计算健康度和润滑失效报警，具体如下：

200、数据采集，在线实时获取门控系统的控制器信号，与模型训练过程所使用的信号一致；

201、数据预处理过程，和模型训练的步骤101相同，即清除自动门开关数据中的非润滑失效造成的故障数据和明显异常的数据，这些记录会对数据分析处理带来影响，清除自动门开关数据中的非润滑失效造成的故障数据和明显异常的数据；

202、数据分割，和模型训练的步骤102相同，一次开门或关门过程包含许多复杂的操作，比如门的锁闭、塞拉、加减速和匀速等，其中匀速段参与的运动副(表示机械结构的相对运动)和影响因素是最少的，运动速度受控制策略影响，润滑因素对丝杆的影响在此段中最能体现，因此主要研究匀速段的运动过程。需要采用分割方法把数据分割出匀速段；

203、特征提取，与润滑衰退无关的特征会对模型建立造成困难，在分割出的匀速段数据上提取最能代表润滑衰退的特征，提取出5个特征；

204、特征归一化，提取出的特征可能会存在自动门本身的固有差异，需要对每个特征采用归一化方法归一化后再进行建模，以提高泛化能力；

205、计算健康度，使用模型训练的步骤106训练出的润滑衰退模型，计算自动门系统当前的健康度；

206、润滑失效预警，在线实时监测每一次开关门的润滑健康值，当健康值低于设定阈值时，认为需要进行润滑维护，将预警信号发送给现场维护人员。

进一步地，步骤202中分割方法采用最小标准差法，动态分割出标准差最小的一段。

进一步地，步骤204采用增量式归一化方法对提取的特征进行归一化。

相比于传统方法，本发明实现了：

(1)实时获取自动门运行数据，基于实时数据，对自动门系统关键部件实时在线监测；

(2)通过对润滑失效的衰退趋势预测，对润滑失效进行评估与预警。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是本发明的一个较佳实施例的自动门系统的润滑衰退建模和在线监测的流程图；

图2是本发明的一个较佳实施例的数据分割方法示意图；

图3是本发明的一个较佳实施例的特征归一化前后比较示意图；

图4是本发明的一个较佳实施例的建立润滑衰退模型的示意图。

具体实施方式

以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。

在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方适当夸大了部件的厚度。

如图1所示，本实施例包括模型训练和在线监测两部分。

模型训练包括原始数据收集、数据预处理、数据分割、特征提取、特征归一化、特征选择、建立润滑衰退趋势模型和定义失效阈值。具体包括如下步骤：

100、原始数据收集，从门控系统获取控制器信号作为原始数据，所述原始数据至少包括关键信号有转矩、速度信号；

101、数据预处理，清除自动门开关数据中的非润滑失效造成的故障数据和明显异常的数据，故障数据包括乘客的因素造成的故障数据，如挤压、阻挡等；明显异常的数据包括由于传感器或传输过程的异常，造成记录不完全或超出记录范围的开关门数据；

102、数据分割，一次开门或关门过程包含许多复杂的操作，比如门的锁闭、塞拉、加减速和匀速等，其中匀速段中参与的运动副最少，其影响因素最小，运动速度受控制策略影响，润滑因素对丝杆的影响在此段中最能体现，因此主要研究匀速段的运动过程，如图2所示，采用最小标准差法，动态分割出标准差最小的一段，作为研究润滑问题的重点；

103、特征提取，针对每天的开关门数据，提取每天所有匀速段数据分割段，并对所提取的数据进行去噪。特征提取为时域特征提取、频域特征提取，以及时频域特征提取，时域特征包括均值、标准差、RMS、峰值、峰值因子、峭度等；频域分析采用FFT分解和小波分解，将速度信号、电流信号、功率信号、正则化电流信号经过FFT分解后得到频谱图像，首先对该频谱图像再次提取时域特征，其次提取不同频带内的能量以及占总能量的占比；小波分解是先将四种信号去除直流分量，再使用‘db4’小波进行分解，计算能量值以及占总能量的占比；

104、特征归一化，考虑到提取出的特征可能会存在自动门本身的固有差异，需要对每个特征采用归一化方法归一化后再进行建模，以提高泛化能力。归一化方法采用增量式归一化，使用自动门开始10天的数据的平均值作为基线数据，归一化后的特征值即为该值本身对基线数据的相对偏差。如图3所示，左图是特征归一化之前的某特征在不同的自动门上的趋势，可以看到不同自动门之间存在固有差异，右图是特征归一化之后的同一特征在不同的自动门上的趋势，可以看出该特征值基本归一化到同样的范围之内；

105、特征选择，与润滑衰退无关的特征会对模型建立造成困难，因此需要在归一化后的特征里选择部分特征作为标志润滑衰退的特征。部分特征为和时间相关性最好的特征作为标志润滑衰退的特征；

106、建立润滑衰退模型，将选择出来的5个特征用于建立润滑衰退模型，润滑衰退模型选用Logistic回归模型，监督式训练标签选择润滑完成后的一段时间作为健康标签，选择润滑维护之前的一段时间作为失效标签。用健康标签和失效标签的样本进行训练，建立从特征到健康值的计算模型(即Logistic回归模型，输入特征，输出健康值)，作为润滑衰退模型。利用建立的润滑衰退模型在不同门上的验证结果如图4所示，很好地表现了润滑衰退到失效的趋势，以及润滑维护后健康值回升到健康状态的趋势，说明用计算出的健康度值来衡量门系统润滑失效的程度是较为合理的；

107、定义失效阈值，健康值定义为衡量润滑衰退的指标，范围在0-1之间，健康值越低说明门系统润滑衰退越严重，阈值标示润滑衰退到失效的界限。

在线监测部分包括数据采集、数据预处理，数据分割，特征提取，特征归一化、计算健康度和润滑失效报警，如图1所示，具体如下：

200、数据采集，在线实时获取门控系统的控制器信号，与模型训练过程所使用的信号一致；

201、数据预处理过程，和模型训练的步骤101相同，即清除自动门开关数据中的非润滑失效造成的故障数据和明显异常的数据，这些记录会对数据分析处理带来影响，清除自动门开关数据中的非润滑失效造成的故障数据和明显异常的数据；

202、数据分割，和模型训练的步骤102相同，一次开门或关门过程包含许多复杂的操作，比如门的锁闭、塞拉、加减速和匀速等，其中匀速段参与的运动副(表示机械结构的相对运动)和影响因素是最少的，运动速度受控制策略影响，润滑因素对丝杆的影响在此段中最能体现，因此主要研究匀速段的运动过程。需要采用分割方法把数据分割出匀速段，分割方法为最小标准差法，动态分割出标准差最小的一段；

203、特征提取，与润滑衰退无关的特征会对模型建立造成困难，在分割出的匀速段数据上提取最能代表润滑衰退的特征，提取出5个特征；

204、特征归一化，提取出的特征可能会存在自动门本身的固有差异，需要对每个特征采用增量式归一化方法归一化后再进行建模，以提高泛化能力；

205、计算健康度，使用模型训练的步骤106训练出的润滑衰退模型，计算自动门系统当前的健康度；

206、润滑失效预警，在线实时监测每一次开关门的润滑健康值，当健康值低于设定阈值时，认为需要进行润滑维护，将预警信号发送给现场维护人员。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种自动门系统的润滑失效在线预测方法，其特征在于，包括模型训练和在线监测两部分，所述模型训练包括如下步骤：

100、原始数据收集，从门控系统获取控制器信号作为原始数据，所述原始数据至少包括关键信号有转矩、速度信号；

101、数据预处理，清除自动门开关数据中的非润滑失效造成的故障数据和明显异常的数据，这些记录会对数据分析处理带来影响，应当清除；

102、数据分割，一次开门或关门过程包含许多复杂的操作，比如门的锁闭、塞拉、加减速和匀速等，其中匀速段参与的运动副(表示机械结构的相对运动)和影响因素是最少的，运动速度受控制策略影响，润滑因素对丝杆的影响在此段中最能体现，因此主要研究匀速段的运动过程。需要采用分割方法把数据分割出匀速段；

103、特征提取，将数据分割出的开关门平滑段数据按照每天进行合并，这样就可以得到每天的若干次开关门的匀速段数据的合集，并对合并的数据进行去噪；

104、特征归一化，考虑到提取出的特征可能会存在自动门本身的固有差异，需要对每个特征采用归一化方法归一化后再进行建模，以提高泛化能力；

105、特征选择，与润滑衰退无关的特征会对模型建立造成困难，因此需要在归一化后的特征里选择部分特征作为标志润滑衰退的特征；

106、建立润滑衰退模型，将选择出来的特征用于建立润滑衰退模型，监督式训练标签选择润滑完成后的一段时间作为健康标签，选择再次润滑维护之前的一段时间作为失效标签。用健康标签和失效标签的样本进行训练，建立从特征到健康值的计算模型(即Logistic回归模型，输入特征，输出健康值)；

107、定义失效阈值，健康值定义为衡量润滑衰退的指标，范围在0-1之间，健康值越低说明门系统润滑衰退越严重，阈值标示润滑衰退到失效的界限；

所述在线监测部分包括如下步骤：

200、数据采集，在线实时获取门控系统的控制器信号，与模型训练过程所使用的信号一致；

201、数据预处理过程，和模型训练的步骤101相同，即清除自动门开关数据中的非润滑失效造成的故障数据和明显异常的数据，这些记录会对数据分析处理带来影响，清除自动门开关数据中的非润滑失效造成的故障数据和明显异常的数据；

202、数据分割，和模型训练的步骤102相同，一次开门或关门过程包含许多复杂的操作，比如门的锁闭、塞拉、加减速和匀速等，其中匀速段参与的运动副(表示机械结构的相对运动)和影响因素是最少的，运动速度受控制策略影响，润滑因素对丝杆的影响在此段中最能体现，因此主要研究匀速段的运动过程。需要采用分割方法把数据分割出匀速段；

203、特征提取，与润滑衰退无关的特征会对模型建立造成困难，在分割出的匀速段数据上提取最能代表润滑衰退的特征，提取出5个特征；

204、特征归一化，提取出的特征可能会存在自动门本身的固有差异，需要对每个特征采用归一化方法归一化后再进行建模，以提高泛化能力；

205、计算健康度，使用模型训练的步骤106训练出的润滑衰退模型，计算自动门系统当前的健康度；

206、润滑失效预警，在线实时监测每一次开关门的润滑健康值，当健康值低于设定阈值时，认为需要进行润滑维护，将预警信号发送给现场维护人员。

2.如权利要求1所述的自动门系统的润滑失效在线预测方法，其特征在于，步骤101所述故障数据包括乘客的因素造成的故障数据；所述明显异常的数据包括由于传感器或传输过程的异常，造成记录不完全或超出记录范围的开关门数据。

3.如权利要求1所述的自动门系统的润滑失效在线预测方法，其特征在于，步骤102中所述分割方法为最小标准差方法，包括如下步骤：

1021、确定滑动窗的长度，

1022、从头开始遍历电机电流信号，计算滑动窗内数据的标准差，

1023、记录下标准差最小的区间，即为分割的结果。

4.如权利要求1所述的自动门系统的润滑失效在线预测方法，其特征在于，步骤103中所述特征提取为时域特征提取、频域特征提取，以及时频域特征提取。

5.如权利要求4所述的自动门系统的润滑失效在线预测方法，其特征在于，所述频域分析采用FFT分解和小波分解，将速度信号，电流信号，功率信号，正则化电流信号经过FFT分解后得到频谱图像，首先对该频谱图像再次提取时域特征，其次提取不同频带内的能量以及占总能量的占比；小波分解是先将四种信号去除直流分量，再使用‘db4’小波进行分解，计算能量值以及占总能量的占比。

6.如权利要求1所述的自动门系统的润滑失效在线预测方法，其特征在于，步骤104中所述归一化方法采用增量式归一化，使用自动门开始一段时间的数据的平均值作为基线数据，归一化后的特征值即为该值本身对基线数据的相对偏差。

7.如权利要求6所述的自动门系统的润滑失效在线预测方法，其特征在于，所述开始一段时间为十天。

8.如权利要求1所述的自动门系统的润滑失效在线预测方法，其特征在于，步骤105中所述部分特征为和时间相关性最好的特征作为标志润滑衰退的特征。

9.如权利要求1所述的自动门系统的润滑失效在线预测方法，其特征在于，步骤106中所述润滑衰退模型选用Logistic回归模型。

10.如权利要求1所述的自动门系统的润滑失效在线预测方法，其特征在于，步骤202中所述分割方法采用最小标准差法，动态分割出标准差最小的一段。