CN109814529A - 一种列车门故障预测与健康管理系统 - Google Patents

Abstract

本发明公开了一种列车门故障预测与健康管理系统，包括以下步骤：S1、预验证流程，建立门镜像模型并注入原始数据，通过系统辨识手段持续校正镜像模型中的关键参数；S2、部署推理流程，利用大数据进行门系统故障诊断、预测、门部件寿命评估的分析与预验证，并将通过验证的算法部署到后台，形成运行监测与智能运维模块的核心。本申请采用实际数据与虚拟数据对镜像模型进行标定，得到实际真实车门系统的数字形式，利用大数据进行运算，将很多无法在列车或实验台上实现的故障进行模拟，完善了镜像模型，并实现算法的预验证为故障预测与健康管理提供基础。

Description

一种列车门故障预测与健康管理系统

技术领域

本发明涉及列车门控制技术领域，尤其是涉及一种列车门故障预测系统与健康管理系统。

背景技术

随着我国“十三五”计划与“中国制造2025”战略的推行，轨道行业正在经历深刻而快速的智能化变革。与此同时，我国的铁路车辆也正面临着迫在眉睫的高级修程，使今后的运维面临着巨大的降成本压力；此外，随着公众安全意识的增强，铁路系统的安全性、可靠性、运行效率与客户满意度也面临着巨大挑战，特别是列车无人驾驶战略的提出以来，业内对轨道系统智能化的需求正变得愈发强烈。作为列车的关键子系统之一，车门系统的故障将严重影响列车运行的可靠性，尤其对于地铁而言，车门故障不但会造成乘客不便、影响运营，严重时还会造成很大负面社会影响。因此，基于状态修(CBM)与预测修(PM)理念的智能维保已经成为车门维保的重要发展趋势与研究重点，况且车门的可靠全自动控制已经成为列车无人驾驶应实现的关键场景之一。

列车在运行过程中，车门要反复地开启与关闭，容易造成机械与电器故障，机械故障主要包括车门尺寸变形或机械尺寸调整不到位等引起的车门限位开关故障，机械零件丢失、磨损、丝杆挠曲等引起的开关门故障；电器故障主要表现为电子门控单元、电源、驱动电机、门外部指示灯、继电器等引起车门开、关门问题等。但对于车门系统的运行和维保应用中往往会存在维护成本高、管理复杂；排故效率低；数据积累不完整等问题，因此，建立列车门故障预测系统与健康管理系统，是目前亟待解决的问题。

发明内容

本发明的目的是提供一种列车门故障预测系统与健康管理系统，通过建立门镜像模型，模拟门运行过程中的各种可能出现的正常与非正常状态，完善门镜像模型，进而实现实现对门故障预测与健康管理，大幅降低管理及维护成本，提高维修的效率和质量。

本发明的上述发明目的是通过以下技术方案得以实现的：

一种列车门故障预测与健康管理系统，包括以下步骤：

S1、预验证流程，建立门镜像模型并注入原始数据，通过系统辨识手段持续校正镜像模型中的关键参数；

S2、部署推理流程，利用大数据进行门系统故障诊断、预测、门部件寿命评估的分析与预验证，并将通过验证的算法部署到后台，形成运行监测与智能运维模块的核心。

本发明进一步设置为：步骤S1中，所述门系统镜像模型中的模块与物理实体的系统组成为一一对应关系，包括系统级镜像模型、部件级镜像模型、器件级镜像模型，其中所述系统级镜像模型包括开关门系统模型、锁紧门系统模型、门控系统模型，在所述门系统镜像模型中施加故障形成门故障模型，所述门故障模型用于分析门故障现象与各参数变化之间的关系。

本发明进一步设置为：步骤S1中，采用混合建模的方式建立所述门系统镜像模型，包括在中建立控制器模型，在中建立电器模型、气路模型、机械结构模型，通过联合仿真的方式，实现开关门、门故障过程的动态模拟。

本发明进一步设置为：步骤S1中，运用大数据对所述虚拟数据与经验数据进行处理，获得至少三个数据特征，构成特征空间，并在所述特征空间中运行算法；所述数据特征包括时域特征、频域特征。

本发明进一步设置为：步骤S2中，采用混合驱动方式进行故障自动诊断，基于门系统镜像模型，通过标定过的镜像模型产生丰富的模拟数据，结合有限的实际数据，进行故障状态的判定及故障原因定位。

本发明进一步设置为：在特征空间中，采用多变量决策树算法，在机器学习基础上部分融合专家经验，对门故障进行分类。

本发明进一步设置为：通过软测量的方式精准定位故障原因，所述软测量是基于系统运行的机理，通过有限个传感物理量推测更多的系统内部变量状态。

本发明进一步设置为：在特征空间中，运行预测算法，采用非线性预估手段，预测门系统故障。

本发明进一步设置为：根据厂家提供的全生命周期曲线及利用仿真测试平台进行系统全生命周期实验，在特征空间中建立标称曲线，通过算法实时评估系统的状态点处于标称曲线的位置，估计系统到达设定阈值的时间，对门部件寿命进行评估。

本发明进一步设置为：系统健康健康置信值，通过下式得到：

其中，健康总分φ：

式中，η表示关键度权值，g表示故障等级，N表示故障类型，K表示应扣除的分数；η、g均可归一化到[0,1]区间。

本发明进一步设置为：步骤S2中，对算法进行性能评估，包括以下性能评估：算法的计算效果、算法的空间开销、算法的时间开销、算法对系统变量的依赖程度。

与现有技术相比，本发明的有益技术效果为：

1.本发明通过建立门镜像模型，采用实际数据与虚拟数据对镜像模型进行标定，得到实际真实车门系统的数字形式，为故障预测与健康管理提供基础。

2.进一步地，利用大数据进行运算，将很多无法在列车或实验台上实现的故障进行模拟，完善了镜像模型，并实现算法的预验证。

3.进一步地，采用混合驱动的数据处理方式，减小了数据采集量，又能较快地判定故障状态并实现精准定位。

附图说明

图1是本发明的一个具体实施例的流程示意图。

具体实施方式

以下结合附图对本发明作进一步详细说明。

本发明的一种列车门故障预测系统与健康管理系统，如图1所示，包括以下步骤：

S1、预验证流程：建立门镜像模型并注入原始数据，通过系统辨识手段持续校正镜像模型中的关键参数；

S2、部署推理流程：利用大数据进行门系统故障诊断、预测、门部件寿命评估的分析与预验证，并将通过验证的算法部署到后台，形成运行监测与智能运维模块的核心。

步骤S1中，预验证流程，产生建立门镜像模型，镜像模型是车门系统在数字空间的一个孪生，相当于把实际的车门系统映射到数字空间中，镜像模型中的模块与物理实体的系统形成一一对应关系，门镜像模型根据所镜像的对象不同，分为系统镜像模型、部件镜像模型、器件镜像模型。

为强化模型的真实度，采用与混合建模的方式，即在中运行控制器模型，在中运行电器模型、气路模型、机械结构模型等。通过联合仿真的方式，实现车门开关门、故障过程的动态模拟。

在列车或实验台上，列车很多组件的故障无法进行模拟，这也意味着相应的故障数据是难以通过实验获得，若缺乏这部分数据，则很难通过机器学习的手段进行监督学习与算法模型训练；因此，在镜像模型中施加故障，以模拟该故障，进而实现故障模型化和对故障进行标定，通过模拟这些故障，理清故障现象与各参数的变量变化之间的关系，进行实现对故障的标定，从而在此基础上，顺利地开展故障的预验证。由镜像模型产生的数据为虚拟数据。

在门镜像模型中施加故障，特别是一些实际较难施加的故障，只要模型足够逼真，模型中的各个模块，在故障注入后的输出结果就具有较强的参考价值，并可作为故障诊断和故障预测的依据。

将镜像模型不断与实体门系统进行对标，对镜像模型进化。

MDCU将原始数据发送至车载服务器，该数据传送至地面云计算与大数据中心后，经过数据预处理，包括：将数据条目按车厢号、门地址、MDCU主从类型进行分类；将运动过程数据按照加速过程数据类别、减速过程数据类别、匀速过程数据类别、指令数据、状态数据、物理量数据进行分类处理；将数据按发送时间顺序排序、将包含在数据传输过程中丢包数据“坏数据”的数据段删除；经过数据预处理过的数据才更干净，数据序列更整齐，将此部分原始数据直接注入车门镜像模型。在通常的机器学习应用中，需要从数据样本中进一步提取出“特征”，构成特征空间，之后的算法模型在该特征空间中训练。特征的提取是从实际原始数据与虚拟数据的中得到的。

对于工业数据而言，数据样本特征包括时域与频域特征，每段样本可提取十几甚至数十个特征，特征空间就包括十几甚至数十个维度，算法在高维空间中运行，可以提高聚类、分类算法的性能。

在本发明的一个具体实施例中，每段信号的数据特征包括：样本最大值、样本最小值、最大变化率、变化率均值、变化率方差、正脉冲均宽、脉宽方差、高电平方差、低电平方差、频谱极大值1-5幅值，这些数据特征包括9个时域特征、5个频域特征。那么，数据特征组成的特征空间就是14维的。

健康数据与异常数据在选定的特征空间中散度越大(马氏距离越大)，则算法可获得的区分度越高，预测能力也越灵敏。

步骤S2中，部署推理流程，具体为：

车门系统故障诊断的目的在于当车门系统出现问题时，能够立即判断故障类型、故障位置、故障严重程度，更重要的，应能给出造成故障的可能原因列表，及每种原因对应的概率值。

传统的诊断方法主要包括专家经验库、故障树模型等，其核心是通过“人对历史数据和故障现象的分析”总结出一套可靠性较高的故障原因分析体系。本申请采用智能诊断故障的方法，将“人”的作用替换为“智能算法”，当然，智能诊断与专家经验不是割裂的关系，在现有的技术条件下，需要利用专家经验的判断结果作为数据样本，注入诊断分析模型中，从而不断优化智能算法。

在本申请的一个具体实施例中，采用混合驱动的方式进行故障智能诊断：混合驱动就是将模型驱动和数据驱动结合起来。首先，基于车门系统建立门镜像模型，车门系统的设计工程师根据其运行机理与FMEA，可整理得到故障依赖关系与故障严重度，从而完全将人的经验与知识软件化，所得结果可以是故障树，也可以是专家库。之后，通过标定过的镜像模型产生丰富的模拟数据，结合有限的实际数据进行数据挖掘，在能较快地判定故障状态的同时，还能通过“软测量”的方式精准定位故障原因。所述软测量，就是基于系统运行的机理，通过有限个传感物理量推测更多的系统内部变量状态。

在特征空间中，采用多变量决策树算法，在机器学习基础上部分融合专家经验，对门故障进行分类。多变量决策树算法是带监督的、基于信息熵增益对状态点进行分类的算法，采用将系统的状态空间划分为了多个区域，判断条件越多，区域划分越细，但生成决策树的计算开销也越大。

由于车门在类似工况中，长期反复同一动作，电气和机械设备故障均偏多，因此存在很多缓变电气和机械特性，例如机械件松动、电器元件劳损等。因此非常适合采取故障预测的手段来提前预防、及早解决。

车门系统的故障预测：在项目初始阶段，可以聚焦于预测数小时之内可能发生的故障，当具备大量故障数据或全生命周期数据、且算法训练成熟之后，可以进行数天或一个月时间段内故障的预测。需要注意的是，预测的时间段与预测精度一般呈负相关关系。

在高维特征空间中，系统的状态演变在该空间中是一条高维曲线，且空间中不同局部区域表征了不同的故障类型及其严重程度。在该空间中，存在一条“标称”曲线——标准全生命周期曲线，表征了在正常使用及损耗情况下，部件/系统性能的变化趋势。当系统状态偏离该曲线时，则认为可能会发生潜在故障。此时，需要估计系统状态点偏离的程度、曲率(或方向)与速度，以预测发生潜在故障的大致时间及故障类型。即采用非线性预估手段进行车门系统的故障预测。

根据厂家提供的全生命周期曲线及利用仿真测试平台进行系统全生命周期实验，通过回归算法，得到关于该曲线的描述，标称曲线记录了每个点的状态信息以及状态点的移动速度信息。同时，算法实时评估系统的状态点处于该曲线的什么位置，由此估计系统还有多久将达到“退役点”。不过，该阈值可根据不同标准进行人为设置，即实时评估系统的状态点处于标称曲线的位置，估计系统到达设定阈值的时间，对门部件寿命进行评估。

配合镜像模型，当用实际数据标定后，模型可以产生不同工况下的系统状态演变，以此加速产生更多的全生命周期数据。在车门系统PHM研究中，另一个需要实时给出的重要信息是相关子系统的健康置信值(confidence value)，同时也作为系统健康程度的指标。最简单的评估方式如下：对每个子系统的每个故障均需分配一个关键度权值η，代表该故障在所有故障类型中的关键程度；另外，每个故障都有自身的故障等级g；上述量均可归一化到[0,1]区间。假设子系统共有N种类型的故障，则系统的健康总分可表达为：

考虑当前已发生的故障，则应扣除的分数为：

则健康置信值可以表达为：

当算法开发完成后，在实际部署到终端或投入使用前，需要对其性能进行评估，主要从几个方面进行：

算法的计算效果：分类、预测、回归的精度，算法在训练集与测试集上的表现；

算法的空间开销：算法训练与推理时，对CPU/GPU、内存的消耗情况；

算法的时间开销：算法完成训练与运行推理所需的时间；

算法对系统变量的依赖程度：评估算法的性能依赖于多少特征量，或每个特征量对该算法的贡献程度如何；

对于算法的预验证而言，最后一条尤为关键，因为这也是PHM研究的核心问题之一：每个特征量与系统的变量密切相关，如某器件的气压提取出的特征，因此，若评估了算法对特征量的依赖情况，等效于预先知道了哪些位置的物理量对该系统的PHM起主导作用，这样，就间接知道了应该在系统的哪些部位安装何种传感器，从而在镜像模型中可以观察任意位置的系统变量。

本具体实施方式的实施例均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。

Claims (11)

1.一种列车门故障预测与健康管理系统，其特征在于：包括以下步骤：

S1、预验证流程，建立门镜像模型并注入原始数据，通过系统辨识手段持续校正镜像模型中的关键参数；

S2、部署推理流程，利用大数据进行门系统故障诊断、预测、门部件寿命评估的分析与预验证，并将通过验证的算法部署到后台，形成运行监测与智能运维模块的核心。

2.根据权利要求1所述列车门故障预测与健康管理系统，其特征在于：步骤S1中，所述门系统镜像模型中的模块与物理实体的系统组成为一一对应关系，包括系统级镜像模型、部件级镜像模型、器件级镜像模型，其中所述系统级镜像模型包括开关门系统模型、锁紧门系统模型、门控系统模型，在所述门系统镜像模型中施加故障形成门故障模型，所述门故障模型用于分析门故障现象与各参数变化之间的关系。

3.根据权利要求2所述列车门故障预测与健康管理系统，其特征在于：步骤S1中，采用混合建模的方式建立所述门系统镜像模型，包括在中建立控制器模型，在中建立电器模型、气路模型、机械结构模型，通过联合仿真的方式，实现开关门、门故障过程的动态模拟。

4.根据权利要求1所述列车门故障预测与健康管理系统，其特征在于：步骤S1中，运用大数据对虚拟数据与经验数据进行处理，获得至少三个数据特征，构成特征空间，并在所述特征空间中运行算法；所述数据特征包括时域特征、频域特征。

5.根据权利要求1所述列车门故障预测与健康管理系统，其特征在于：步骤S2中，采用混合驱动方式进行故障自动诊断，基于门系统镜像模型，通过标定过的镜像模型产生丰富的模拟数据，结合有限的实际数据，进行故障状态的判定及故障原因定位。

6.根据权利要求5所述列车门故障预测与健康管理系统，其特征在于：在特征空间中，采用多变量决策树算法，在机器学习基础上部分融合专家经验，对门故障进行分类。

7.根据权利要求5所述列车门故障预测与健康管理系统，其特征在于：通过软测量的方式精准定位故障原因，所述软测量是基于系统运行的机理，通过有限个传感物理量推测更多的系统内部变量状态。

8.根据权利要求5所述列车门故障预测与健康管理系统，其特征在于：在特征空间中，运行预测算法，采用非线性预估手段，预测门系统故障。

9.根据权利要求1所述列车门故障预测与健康管理系统，其特征在于：根据厂家提供的全生命周期曲线及利用仿真测试平台进行系统全生命周期实验，在特征空间中建立标称曲线，通过算法实时评估系统的状态点处于标称曲线的位置，估计系统到达设定阈值的时间，对门部件寿命进行评估。

10.根据权利要求1所述列车门故障预测与健康管理系统，其特征在于：

系统健康置信值，通过下式得到：

其中，健康总分φ：

式中，η表示关键度权值，g表示故障等级，N表示故障类型，K表示应扣除的分数；η、g均可归一化到[0,1]区间。

11.根据权利要求1所述列车门故障预测与健康管理系统，其特征在于：步骤S2中，对算法进行性能评估，包括以下性能评估：算法的计算效果、算法的空间开销、算法的时间开销、算法对系统变量的依赖程度。