CN109374318A - 基于dpc的轨道车辆多门系统异常检测方法和系统 - Google Patents

Abstract

本发明公开了基于DPC的轨道车辆多门系统异常检测方法和系统，包括：对车门系统的正线数据进行特征提取，将每一次开关门过程分段对每个段上若干电机参数值分别进行时域特征提取和频域特征提取并组合生成车门系统的系统状态变量；基于DPC方法对提取出的系统特征变量建立系统多门健康度模型；采用欧式距离识别车门的异常状态。本发明以密度峰值聚类算法进行数学建模，建立多车辆门系统的健康度模型；利用建立好的模型对所获取的多车辆门模型进行周期性间的横向比较，完成车辆多门系统异常检测，减少了重复性的实验设计和数据采集工作，是密度峰值聚类算法在轨道车辆门故障检测技术上的首次运用，不受车门类型或锁闭装置类型的影响，具有良好的普适性。

Description

基于DPC的轨道车辆多门系统异常检测方法和系统

技术领域

本发明涉及一种基于密度峰值聚类的轨道车辆多门系统异常检测方法和系统，属于城市轨道交通技术领域。

背景技术

随着国民经济的不断发展，我国的城市化进程逐步加快。经济的发展，科技的进步，居民生活水平的提高，城市人口的急剧增加，城市规模的扩大，居民出行和物资交流的高度频繁，致使城市交通系统面临着严峻的局势。城市轨道交通作为综合交通运输体系中的关键运输方式，以其运能大、效率高、成本低、能耗小等独特的技术经济优势，在缓解城市交通拥堵和社会经济发展中肩负着重要使命。在交通需求的大环境下，城市轨道交通车辆在整个城市轨道交通系统设备中占据着重要的地位。与此同时，轨道交通安全与可靠性保障也面临着严峻的挑战。其中轨道车辆门是城市轨道交通运营中使用最频繁的部件之一。由于开关频繁，造成车门系统故障频发，给乘客出行带来不便，与此同时对城市轨道交通安全运营造成严重影响。根据统计可知，在整个地铁运营过程中，列车故障数占总数的35％以上，其中，车门系统作为列车的关键子系统，故障数量在列车各系统中排名第一，占列车故障总数的50％左右。

地铁车辆门系统部件较多，是多专业综合性的产品，涉及机械、电子、计算机、控制、材料等多领域。所以检测它的系统状态使用传统的基于模型或者基于规则的方法也变得越来越困难。基于数据的方法能够通过分析系统采集的数据来监测系统的当前状态，而通过分析实时数据和正常数据的差异，可以来预测系统的健康状态，来避免可能出现的系统故障；因而基于数据的方法在理论研究和工程应用中发挥着广泛作用。

目前尚没有基于轨道车辆门系统的性能退化与系统健康状态方面的技术。现有的其他系统的性能退化的预测方法，如针对燃料电池的性能退化的研究主要是通过测量交流阻抗，将测量到的交流阻抗值与退化参考值作比较来评估性能退化，但是地铁车辆门系统的部件较多且不同部件的退化造成不同的异常状态，无法通过该方法进行地铁车辆门系统的异常检测。如何利用正线运行数据最大限度和高效率的解决车门系统故障，进而保持和提升城轨列车的安全运营，是亟待研究的技术问题。

发明内容

本发明针对上述现有技术的不足，旨在面向城轨列车的多门系统，提供一种基于密度峰值聚类(Density Peaks Clustering，DPC)的轨道车辆多门系统异常检测方法，能够减少重复性的实验设计和数据采集工作，不受车门类型或锁闭装置类型的影响，具有良好的普适性。

为实现上述目的，本发明采用以下技术方案：

基于DPC的轨道车辆多门系统异常检测方法，其特征是，包括以下步骤：

步骤一：对车门系统的正线数据进行特征提取，特征提取时将每一次开关门过程分段对每个段上若干电机参数值分别进行时域特征提取和频域特征提取并组合生成车门系统的系统状态变量；

步骤二：基于密度峰值聚类方法对提取出的系统特征变量建立系统多门健康度模型；

步骤三：采用欧式距离识别车门的异常状态。

进一步地，步骤一包括将每一次开关门过程分为5段，包括升速段、高速段和减速段、缓行段和到位后段；确定每个段上电机参数值包括位置、速度和电流值得到系统特征集。

再进一步地，时域特征提取包括再将每一段分别提取6个时域特征包括分别提取每段电机参数值的最大值、最小值、均值、方差、偏度和峰度组成系统时域特征集。

进一步地，频域特征提取时将系统特征集分解成多个独立频域的子空间，采用小波分解方法提取各频带的能量频域能量特征。

再进一步地，采用3层小波分解结构，对轨道车辆门系统电机采集的开门和关门的位置、速度和电流信号分别进行小波分解，得到4个子频带的能量并最终确定轨道车辆门系统的频域特征集。

进一步的，步骤二中基于密度峰值聚类方法对提取出的系统特征变量建立系统多门健康度模型时确定系统状态变量的密度中心，包括：

计算出每个X_i的局部密度ρ和距离δ，若系统状态变量值X_i的密度是最大局部密度或最大全局密度,则X_i的δ_i远大于其最近邻系统状态变量值的δ距离；选择ρ,δ都较大的系统状态变量值为类簇中心，设有m个密度中心，即C_i,i＝1,2,3,···m；

分配剩余数据点：对于剩余系统状态变量值j,将其归入密度比j大且距离j最近的系统状态变量值所在类簇,一步完成对剩余系统状态变量值j的分配。

再进一步的，采用欧式距离识别车门的异常状态，包括：计算系统状态变量值到密度中心C_i,i＝1,2,3,···m的欧氏距离之和，表达式为：

其中X_i为系统状态变量值，C_i为密度中心。

优选地，对车门系统的正线数据进行特征提取之前包括对车门系统的正线数据进行预处理，所述预处理包括对正线数据的对齐和问题数据去除，所述问题数据包括小于预先设定的正常数据阈值的数据和不在正常数据范围的数据。

在另一方面，本发明提供了基于DPC的轨道车辆多门系统异常检测系统，其特征是，包括：

车辆多门系统特征提取模块，用于对车门系统的正线数据进行特征提取，特征提取时将每一次开关门过程分段对每个段上若干电机参数值分别进行时域特征提取和频域特征提取并组合生成车门系统的系统状态变量；包括：

将每一次开关门过程分为5段，包括升速段、高速段和减速段、缓行段和到位后段；确定每个段上电机参数值包括位置、速度和电流值得到系统特征集。

时域特征提取包括再将每一段分别提取6个时域特征包括分别提取每段电机参数值的最大值、最小值、均值、方差、偏度和峰度组成系统时域特征集；

频域特征提取时采用3层小波分解结构提取各频带的能量频域能量特征，对轨道车辆门系统电机采集的开门和关门的位置、速度和电流信号分别进行小波分解，得到4个子频带的能量并最终确定轨道车辆门系统的频域特征集。

系统多门健康度模型建立模块，用于基于密度峰值聚类方法对提取出的系统特征变量建立系统多门健康度模型；包括：

计算出每个X_i的局部密度ρ和距离δ，若系统状态变量值X_i的密度是最大局部密度或最大全局密度,则X_i的δ_i远大于其最近邻系统状态变量值的δ距离；选择ρ,δ都较大的系统状态变量值为类簇中心，设有m个密度中心，即C_i,i＝1,2,3,···m；

分配剩余数据点：对于剩余系统状态变量值j,将其归入密度比j大且距离j最近的系统状态变量值所在类簇,一步完成对剩余系统状态变量值j的分配。

异常状态监测模块：用于采用欧式距离识别车门的异常状态，包括：

计算系统状态变量值到密度中心C_i,i＝1,2,3,···m的欧氏距离之和，表达式为：

其中X_i为系统状态变量值，C_i为密度中心。

优选地，还包括数据预处理模块，用于对车门系统的正线数据进行特征提取之前包括对车门系统的正线数据进行预处理，所述预处理包括对正线数据的对齐和问题数据去除，所述问题数据包括小于预先设定的正常数据阈值的数据和不在正常数据范围的数据。

本发明所达到的有益效果：

(1)本发明以密度峰值聚类算法进行数学建模，建立多车辆门系统的健康度模型；利用建立好的模型对所获取的多车辆门模型进行周期性间的横向比较，完成车辆多门系统异常检测，减少了重复性的实验设计和数据采集工作，是密度峰值聚类算法在轨道车辆门故障检测技术上的首次运用，不受车门类型或锁闭装置类型的影响，具有良好的普适性；

(2)本发明是采用的是基于数据的数学建模方法，基于正线数据进行特征提取与优化改进，使得提取的数据特征能够比较完整的体现系统的状态。

附图说明

图1是本发明具体实施例车辆多门监测系统异常监测方法流程图；

图2是本发明具体实施例中密度峰值聚类的决策图；

图3是本发明具体实施例中每台车门到密度中心的欧氏距离分布图；

图4是本发明具体实施例中每台车门到密度中心的欧氏距离平均值散点图；

图5是本发明具体实施例中每台车门到密度中心的欧氏距离平均值折线图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

图1是本发明具体实施例车辆多门监测系统异常监测方法流程图；参照图1示出了本实施例对一列地铁的多台车门进行基于正线累计数据的健康度建模，得到多门系统的健康度模型，再进行车门间周期性的横向比较，对异常车门进行标记，完成车门健康状态的自动识别。整个过程包括如下步骤：

步骤(A)，一列地铁上多台车门系统的正线数据的采集和预处理；

需要说明的是，本实施例针对的数据是N个车门一段时间内的实际运行数据，其中正线数据是由系统电机传感器采集的数据；在其他具体实施例中数据来源也可以为轨道车辆上传到系统中储存的数据；另外若需要处理的数据已经完成了数据处理，本发明方法可直接进行以下操作。

数据预处理包括对正线数据的对齐和问题数据去除，所述问题数据包括小于预先设定的正常数据阈值的数据和不在正常数据范围的数据。

在本实施例中采集的数据为电机转角、转速和电流三个过程变量，因此数据预处理为将车辆门系统采集的数据进行校正，对正线数据的对齐和问题数据去除，所述问题数据包括转速、转角和电流数据的采样点个数明显小于正常采样个数的数据，或者初始转角不在正常范围内的数据时域特征提取将每一段分别提取6个时域特征包括分别提取每段电机参数值的最大值、最小值、均值、方差、偏度和峰度组成系统时域特征集，例如分别计算开门和关门过程的升速、高速、降速、缓行段和到位后段的均值(求出的是2×3×5＝30个特征变量，同理求完最大值、最小值、均值、方差、偏度和峰度一共是180个，用二维矩阵X∈R^n×p来表示，即X＝X₁,X₂,···X_i,X_j,···X_n，其中n行表示一次开关门过程采集的数据点的个数，在本实施例中为3；p列表示提取的特征在本实施例中为5。

描述数据提取的均值，表达式如下：

分别计算开门和关门过程的升速、高速、降速、缓行段和到位后段的最大值和最小值：反映数据变化范围。

X_max＝max|x_i|

X_min＝min|x_i|

分别计算开门和关门过程的升速、高速、降速、缓行段和到位后段的方差：描述数据与均值的偏离程度。

分别计算开门和关门过程的升速、高速、降速、缓行段和到位后段的偏度：反映数据分布偏斜程度的度量，Skewness>0称为右偏态，此时数据的分布趋势是数据大多位于均值右侧；Skewness<0称为左偏态，数据的分布偏斜情况与之相反；Skewness接近0时可以认为数据分布是对称的。

分别计算开门和关门过程的升速、高速、降速、缓行段和到位后段的峰度：反映数据概率密度分布在均值范围内的峰值高低水平。正态分布数据呈现的峰度为3，如果样本数据的偏度远大于3，表示样本数据的尖峰比较陡峭，说明样本数据中远离均值的数据较多，所以一般可以用峰度来衡量样本数据偏离正态分布的程度。

以上公式中X_i为系统状态变量值。

频域特征提取时将系统特征集分解成多个独立频域的子空间，采用小波分解方法提取各频带的能量频域能量特征。

小波变换是一种时间和频率的局部变换方法，在傅里叶变换进行短时局部变换的基础上进行改进，能够针对频率的变化来改变窗口的大小，已成功应用于很多领域，如信号处理、图像处理和模式识别等。小波变化具有一个重要的特性是它在频域具有很好的局部化特征。在小波变换中，首先要定义两个函数。

其中，为尺度函数，ψ(t)为小波函数。

信号x(t)∈L²(R)在其中一个小波子向量空间的分解信号为

式中，为结点，(j,n)对应的小波包系数。

则信号x(t)的小波分解可写成如下形式：

式中ω_n,j,k(t)为正交小波基。

子频带信号的能量由下式计算：

在对本发明中轨道车辆门系统的数据进行分析时，对数据的高频分量不再进行分解，而将数据的低频部分继续分解。在这里选择3层小波分解结构。对轨道车辆门系统电机采集的开关门的位置、速度和电流信号分别进行小波分解，得到4个子频带的能量E1、E2、E3和E4作为亚健康的频域能量特征。

(C)多门系统健康度建模，包括以下步骤，

(C1)通过多台车门特征间相对距离和局部密度的“决策图”，如图2所示，人工选取密度峰值，也即聚类中心，理想的类簇中心(density peaks)具备两个基本特征:样本i的局部密度ρ_i大于围绕它的邻居的局部密度以及不同类簇中心j之间的距离δ_i相对较远。其定义如下所示，

其中，d_ij为特征提取之后的数据点X_i,X_j间的欧氏距离d_c为截断距离(是人为设定的)。对于局部密度ρ_i最大的样本X_i，其中δ_i＝max_j d_ij。

(C2)分配剩余数据点，得到聚类结果。对于剩余系统状态变量值X_j,将其归入密度比X_j大且距离X_j最近的系统状态变量值所在类簇,一步完成对剩余系统状态变量值j的分配。

步骤(D)，对所获取的车辆多门模型进行基于欧氏距离的周期性的横向比较，包括：找到聚类中心后，计算每台车门到密度中心的欧式距离，如图3所示，然后计算出均值，如图4、图5所示。将每天到密度中心距离最远的车门定义为“异常门”并进行标记，在具体实施例中可同时对正常的车门进行标记以标识车门的健康状态进而完成基于正线运行数据的车门健康状态自动识别和健康标签的赋值过程。

在本实施例后整理统计赋值结果，并与历史故障信息进行对比分析，验证了算法有效性。本发明采用的是基于数据的数学建模方法，以密度峰值聚类算法进行数学建模，建立多车辆门系统的健康度模型；利用建立好的模型对所获取的多车辆门模型进行周期性间的横向比较，完成车辆多门系统异常检测，减少了重复性的实验设计和数据采集工作，是密度峰值聚类算法在轨道车辆门故障检测技术上的首次运用，不受车门类型或锁闭装置类型的影响，具有良好的普适性。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.基于DPC的轨道车辆多门系统异常检测方法，其特征是，包括以下步骤：

步骤一：对车门系统的正线数据进行特征提取，特征提取时将每一次开关门过程分段对每个段上若干电机参数值分别进行时域特征提取和频域特征提取并组合生成车门系统的系统状态变量；

步骤二：基于密度峰值聚类方法对提取出的系统特征变量建立系统多门健康度模型；

步骤三：采用欧式距离识别车门的异常状态。

2.根据权利要求1所述的车辆多门系统异常检测方法，其特征是，步骤一包括将每一次开关门过程分为5段，包括升速段、高速段和减速段、缓行段和到位后段；确定每个段上电机参数值包括位置、速度和电流值得到系统特征集。

3.根据权利要求2所述的车辆多门系统异常检测方法，其特征是，时域特征提取包括将每一段分别提取6个时域特征包括分别提取每段电机参数值的最大值、最小值、均值、方差、偏度和峰度组成系统时域特征集。

4.根据权利要求2所述的车辆多门系统异常检测方法，其特征是，频域特征提取时将系统特征集分解成多个独立频域的子空间，采用小波分解方法提取各频带的能量频域能量特征。

5.根据权利要求4所述的车辆多门系统异常检测方法，其特征是，采用3层小波分解结构，对轨道车辆门系统电机采集的开门和关门的位置、速度和电流信号分别进行小波分解，得到4个子频带的能量并最终确定轨道车辆门系统的频域特征集。

6.根据权利要求1所述的车辆多门系统异常检测方法，其特征是，步骤二中基于密度峰值聚类方法对提取出的系统特征变量建立系统多门健康度模型时确定系统状态变量的密度中心，包括：

计算出每个X_i的局部密度ρ和距离δ，若系统状态变量值X_i的密度是最大局部密度或最大全局密度,则X_i的δ_i远大于其最近邻系统状态变量值的δ距离；选择ρ,δ都较大的系统状态变量值为类簇中心，设有m个密度中心，即C_i,i＝1,2,3,…m；

分配剩余数据点：对于剩余系统状态变量值j,将其归入密度比j大且距离j最近的系统状态变量值所在类簇,一步完成对剩余系统状态变量值j的分配。

7.根据权利要求6所述的车辆多门系统异常检测方法，其特征是，采用欧式距离识别车门的异常状态，包括：计算系统状态变量值到密度中心C_i,i＝1,2,3,…m的欧氏距离之和，表达式为：

其中X_i为系统状态变量值，C_i为密度中心。

8.根据权利要求1所述的车辆多门系统异常检测方法，其特征是，对车门系统的正线数据进行特征提取之前包括对车门系统的正线数据进行预处理，所述预处理包括对正线数据的对齐和问题数据去除，所述问题数据包括小于预先设定的正常数据阈值的数据和不在正常数据范围的数据。

9.基于DPC的轨道车辆多门系统异常检测系统，其特征是，包括：

车辆多门系统特征提取模块，用于对车门系统的正线数据进行特征提取，特征提取时将每一次开关门过程分段对每个段上若干电机参数值分别进行时域特征提取和频域特征提取并组合生成车门系统的系统状态变量；包括：

将每一次开关门过程分为5段，包括升速段、高速段和减速段、缓行段和到位后段；确定每个段上电机参数值包括位置、速度和电流值得到系统特征集；

时域特征提取包括再将每一段分别提取6个时域特征包括分别提取每段电机参数值的最大值、最小值、均值、方差、偏度和峰度组成系统时域特征集；

频域特征提取时采用3层小波分解结构提取各频带的能量频域能量特征，对轨道车辆门系统电机采集的开门和关门的位置、速度和电流信号分别进行小波分解，得到4个子频带的能量并最终确定轨道车辆门系统的频域特征集；

系统多门健康度模型建立模块，用于基于密度峰值聚类方法对提取出的系统特征变量建立系统多门健康度模型；包括：

计算出每个X_i的局部密度ρ和距离δ，若系统状态变量值X_i的密度是最大局部密度或最大全局密度,则X_i的δ_i远大于其最近邻系统状态变量值的δ距离；选择ρ,δ都较大的系统状态变量值为类簇中心，设有m个密度中心，即C_i,i＝1,2,3,…m；

分配剩余数据点：对于剩余系统状态变量值j,将其归入密度比j大且距离j最近的系统状态变量值所在类簇,一步完成对剩余系统状态变量值j的分配；

异常状态监测模块：用于采用欧式距离识别车门的异常状态，包括：

计算系统状态变量值到密度中心C_i,i＝1,2,3,…m的欧氏距离之和，表达式为：

其中X_i为系统状态变量值，C_i为密度中心。

10.根据权利要求9所述的基于DPC的轨道车辆多门系统异常检测系统，其特征是，还包括数据预处理模块，用于对车门系统的正线数据进行特征提取之前包括对车门系统的正线数据进行预处理，所述预处理包括对正线数据的对齐和问题数据去除，所述问题数据包括小于预先设定的正常数据阈值的数据和不在正常数据范围的数据。