CN110717379A - 一种基于特征融合的地铁车门关键部件的健康评估方法 - Google Patents

Abstract

本发明公开一种基于特征融合的地铁车门关键部件的健康评估方法，包括如下步骤：通过传感器获取车门部件的退化的电机数据；对采集到的电机数据进行分段处理，并用统计分析的方法提取出时域特征集，采用小波包变换提取出时频域特征集；得到特征集后，利用特征权重算法根据权重值的大小筛选出能够反映退化过程的特征，并基于主成分分析消除退化特征之间的相关性，得到冗余性更小、更简洁、有效的融合特征；最后构建部件的性能状态评估模型，利用核平滑的数据处理方法，得到一个反映部件性能状态的健康指标。本发明只依靠车门的电机检测数据，就能够对车门部件性能特征进行提取、建模评估，有效的达到对车门部件进行健康评估的目的。

Description

一种基于特征融合的地铁车门关键部件的健康评估方法

技术领域

本发明属于城市轨道交通技术领域，具体涉及一种基于特征融合的地铁车门关键部件的健康评估方法。

背景技术

近些年来，随着城市轨道交通技术领域的发展，地铁等轨道交通，因为其载客量大、能耗低、效率高等优点，被认为是未来公共交通发展的主导方向。在公共交通工具中，地铁属于科技含量和建造成本都很高的一类，在日常运行中一旦发生故障就会给乘客的人身安全带来隐患，并造成很大的经济损失。地铁车门作为地铁系统最重要的组成部分之一，由复杂由电气、机械等机构构成。每天需要频繁的开启、关闭上千次，加上车门关键部件的老化、乘客的挤压等因素的影响，造成地铁车门故障频繁发生，影响列车的正常出行，所以如何对地铁车门的健康状态进行评估，是最值得重视和解决的问题。

健康评估是系统进行智能维护的重要基础，也是进行系统剩余寿命预测前不可或缺的关键步骤。基于数据的健康评估方法是基于系统的原始监测数据，通过相关的技术手段得到一个综合的健康指标(Health Index，HI)，使其能够量化系统性能状态变化过程中的健康度。根据目前的技术方法，将构建健康指标的方法分为三类—基于回归的方法、基于距离的方法、基于数据/特征融合的方法。基于回归的方法一般对数据的状态标签要求比较高，很多情况下，退化过程的状态标签是未知或末端未知，这时基于回归的健康评估方法就不适用了。基于距离的方法思想是，未知状态数据与正常状态数据之间的距离越近，表示该未知状态下的系统的健康程度越高。该类方法首先要构建正常数据的样本空间，以正常状态数据为健康基准，计算待评估状态与基准状态之间的距离并将该距离作为健康状态指标，该方法相较于基于回归的方法，对数据的要求较低，只需要正常的样本空间即可。但是这类方法的缺点是对样本中的异常数据较为敏感，数据的计算量大，对小规模数据集比较有效。基于数据/特征融合的健康评估方法中，用于构建健康指标HI的信息来源可以直接是某个或某些状态变量的测量数据。若原始测量变量数据量大但信息贫乏，可以通过信号处理和数据挖掘技术，提取包含系统状态变化信息的特征值，然后对监测变量或者特征值进行融合简约，得到单一的健康指标HI。目前基于数据/特征融合的方法在轨道车辆门系统上的技术应用还不够成熟，每种方法都存在各自的优缺点，未形成有效的广义融合模型与算法，实际应用时要考虑到具体的研究对象来选择某种方法，也可以将不同的方法结合使用或许能达到更好的效果。许多的文献都表明了该方法能更好的反映系统的退化过程，具有更好的预测性能、较少的计算复杂度，切对数据样本几乎没有限制要求，适用性广。

发明内容

发明目的：针对上述现有技术的不足，本发明的目的在于提供一种只依靠车门的电机检测数据，就能够对车门部件性能特征进行提取，实现对车门关键部件进行健康评估的目的。

技术方案：为实现上述目的，本发明的一种基于特征融合的地铁车门关键部件的健康评估方法，包括如下步骤：

(1)获取车门部件退化数据：对能够体现车门部件的退化过程的数据进行监测和采集，主要获取的是车门电机的原始检测参数；

(2)提取初始特征集：对每一次的开关门过程进行分段处理，并在分段的基础上提取车门时域特征，采用小波包变化对电机数据提取车门的时频域特征；

(3)筛选退化特征：从车门部件的退化数据集中分离出明显具有不同属性的两类数据，选择数据集中最初的监测数据作为性能正常一类，数据集最后几次监测数据作为性能退化的一类，采用特征权重算法对两类数据进行特征权重值的计算；

(4)退化特征融合：对特征权重算法筛选出的特征进行主成分分析，消除退化特征之间的相关性，得到冗余性更小、更简洁、有效的融合特征；

(5)建立性能状态评估模型：采用核平滑对融合得到的车门特征进行再处理，构建车门部件的性能状态评估模型，得到车门部件的健康指标。

进一步地，所述步骤(2)包括以下步骤：

(21)将车门运行过程划分成五个阶段：升速段、高速段、减速段、缓行段、到位后段，一次正常的开/关门数据包含转角、转速、电流三个电机监测参数，每个变量参数采用均值、最大值和最小值、有效值、方差与偏度特征值作为描述车门部件性能状态的备选特征；

(22)时频域的特征提取，采用小波包分解的方法，通过Fourier变换将时域信号转换成频域信号，然后小波分解通过一组高通滤波器和低通滤波器对频域信号进行滤波，以二叉树的形式依次分解低频信号反映原始信号频域的局部特征；对电机的转速和电流两个监测变量进行3层小波包分解，提取各频带的能量作为频域特征。

进一步地，所述步骤(3)包括以下步骤：

(31)取出车门部件退化数据集最初运行的前K₁次开关门数据作为性能正常数据，Q₁＝{Tree₁(k)|k＝1_,2,…,K₁}，k表示开关门次序，Q₁＝{正例}；

(32)取出车门部件退化数据集的性能失效数据，即取X中最后K₀次开关门数据，Q₀＝{负例}；

(33)采用特征权重算法对Q₀∪Q₁数据集筛选退化特征集F＝{F₁,F₂,…,F_m}。

进一步地，所述步骤(4)包括以下步骤：

(41)首先对X标准化处理，标准化后矩阵为X^*；

(42)求X^*协方差矩阵C的特征值λ_j(j＝1,2,…,M)和特征向量；

(43)对λ_j值按从大到小降序排列，即λ₁≥λ₂≥…≥λ_M，计算累计贡献率

θ大于85％，取前P个特征值对应的特征向量按序组成特征向量矩阵V_P(J×P)；

(44)将X^*在V_P作投影，得到降维后主成分Y的计算公式为：

Y＝X^**V_P (13)

其中，Y定义为X的主成分特征，Y的第一列称为第一主成分，第二列称为第二主成分，依次类推，第j列y^j＝(y_1j,y_2j,…,y_Kj)^T为第j主成分，将原数据集X (K×M维)转换成新的数据集Y(K×P维)。

进一步地，所述步骤(5)实现过程如下：

建立的车门部件的性能状态评估模型如下：

G:y＝g(k)+ε,0≤k≤K (15)

性能状态评估模型G将退化过程分成平稳趋势和随机余量两个独立的部分， g(k)为性能状态变量随时间变化的实际变化趋势，ε为噪声信号，y为融合特征；

采用Kernel平滑求解g(k)，对数据的平滑方式为：

其中，K(·)为核函数，通常使用高斯核：

有益效果：与现有技术相比，本发明的有益效果：1、本发明是采用的基于数据的数学建模方法，基于车门电机可采集到的监测数据进行特征提取、退化特征的筛选、融合，得到的融合特征能够从车门部件的角度反映部件的退化过程； 2、在考察部件性能时，传统方法从相关性最大和冗余性最小两方面得到的融合特征受噪声的影响很大，难以准确的刻画车门部件当前的性能状态；而本发明建立了车门部件的性能状态评估模型，能够对车门健康状态进行准确评估；3、本发明提出的方法，对数据样本几乎没有限制要求，不需要建立复杂的数学模型，通过数据指标即可体现部件性能，具有很强的实用性。

附图说明

图1为本发明方法流程图；

图2是丝杆润滑不良加速退化实验图；

图3为关门匀速段有效电流特征曲线图；

图4为开门匀速段有效电流特征曲线图；

图5为关门缓行段有效电流特征曲线图；

图6为关门减速段有效电流特征曲线图；

图7为HI变化曲线图。

具体实施方式

为了使本技术领域的人员更好地理解本发明实施例的方案，下面结合附图和实施方式对本发明作进一步的详细说明。

如图1所示，本发明的一种基于特征融合的地铁车门关键部件的健康评估方法，首先从车门部件的退化过程中获取原始监测数据，然后通过时域、时频域统计分析提取特征值；采用特征权重算法(Relief算法)对提取的多域高维特征值进行退化特征筛选，最后利用主成分分析(Principal Component Analysis， PCA)消除退化特征之间的相关性，得到融合特征，并结合核平滑(Kernel Smoothing)的方式，构建性能状态评估模型与评估指标。整个过程包括如下步骤：

步骤1、获取车门部件退化数据：为了有效、准确的对车门关键部件进行健康评估，需要对能够体现车门部件的退化过程的数据进行监测和采集，主要获取的是车门电机的原始检测参数。

如图2所示，以南京某公司制造的地铁塞拉门系统中车门关键部件丝杆润滑不良为例，该实验通过再端部解锁装置处安装磁粉制动器，然后利用张力控制器控制输出电流(也可称为门的阻力电流)，给丝杆施加负载，阻力电流越大，丝杆的负载越大，模拟润滑不良问题越严重。通过多次实验，采集到电机的监测数据。

步骤2、提取初始特征集：对每一次的开关门过程进行分段处理，并在分段的基础上提取车门时域特征，采用小波包变化对电机数据提取车门的时频域特征。

(1)对采集到的电机数据进行时域特征提取。一次正常的开/关门数据包含转角、转速和电流三个电机监测参数，其中转角量可以经过转换表示为位置，即门扇的移动距离。在提取时域的特征时，将一次开关门的过程划分为五个阶段：升速段、高速段、减速段、缓行段、到位后段，应用单变量统计分析进行时域特征的提取，主要包括：反映集中趋势信息的一阶统计量(均值)，反映离中趋势信息的二阶统计量(标准差)和反映统计分布形状的高阶统计量(偏度、峰度)。

(2)时频域的特征提取，主要是采用小波包分解的方法，通过Fourier变换将时域信号转换成频域信号，然后小波分解通过一组高通滤波器和低通滤波器对频域信号进行滤波，以二叉树的形式依次分解低频信号反映原始信号频域的局部特征。对电机的转速和电流两个监测变量进行3层小波包分解，提取各频带的能量作为频域特征。

时频域分析既能反映信号的频率内容，还能展现频率内容随时间变化的规律。对原始信号x(t)，其中t＝1,2,…,T，小波包变换首先定义两个函数，尺度函数

和小波函数ψ(t)，并且记：

那么，原始信号x(t)小波包分解的w_n(t)的递推关系如下：

其中，h_k、g_k分别为高通滤波器组合低通滤波器组，且两者为正交关系，这样就生成了一个函数组{w_n,j,k(t)＝2^-j/2w_n(2^-jt-k)}_n∈Z，即正交小波包。其中j为分解层数，n为第j层的节点。

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w_n,j,k(t)为正交小波基，子频带信号的能量由下式计算：

于是，结点(j,n)的归一化能量可由下式计算：

步骤3、筛选退化特征：从车门部件的退化数据集中分离出明显具有不同属性的两类数据，选择数据集中最初的监测数据作为性能正常一类，数据集最后几次监测数据作为性能退化的一类。采用Relief算法对两类数据进行特征权重值的计算，特征权重值越大，表示特征对退化的贡献越大，反正，贡献小。

假设退化实验采集的数据集X，该数据集包含K次开关门数据，X经上一步特征值计算，用特征集F表示，F中有J个特征值，那么X∈R^K×J，X为：

上述矩阵的每一行代表一次开关门数据，x_k＝(x_k1,x_k2,…,x_kJ)^T为第k次开关门的数据，每一列代表一个特征值随开关门次数增加的时间序列集， x^j＝(x_1j,x_2j,…,x_Kj)^T表示第j个特征值的时间序列向量。选择数据集中最初的几次监测数据，车门部件刚运行时其性能状态良好，故这些数据对应的状态标签为“性能正常”，假设为其贴上类别属性(健康度)为“1”；数据集最后几次监测数据，其接近或已处于失效状态，其对应的类别属性(健康度)为“0”。采用Relief 算法对类别属性为“1”和类别属性为“0”的两类数据进行特征权重值的计算，特征值的权重越大，表示该特征对退化的贡献越大，反之，贡献小。

定义两次开关门k₁和k₂对于第j个特征的差异为：

其中，x_kj表示第k次开关门的第j个特征值，v_j为第j个特征的标准化单位，具体的退化特征筛选步骤如表1：

表1基于Relief算法的退化特征筛选算法流程

上表中第15行，τ_w表示用来筛选特征的权重阈值，简单地，τ_w可以是所有特征权重的平均值，也可以根据特征数量需要，进行自行设定。根据一定的阈值筛选条件，可以从初始特征集的J个特征中筛选出M个退化特征，筛选出的权重值最大的四个特征，结果如图3至图6所示。

步骤4、退化特征融合：对Relief筛选出的特征进行PCA分析，消除退化特征之间的相关性，得到冗余性更小、更简洁、有效的融合特征。

设车门部件的性能退化数据集X经Relief特征筛选后具有M维退化特征变量，通过PCA分析对数据集X∈R^K×M提取主成分的步骤为：

(1)首先对X标准化处理(均值归0，方差归1)，标准化后矩阵为X^*，

(2)求X^*协方差矩阵C的特征值λ_j(j＝1,2,…,M)和特征向量；

(3)对λ_j值按从大到小降序排列，即λ₁≥λ₂≥…≥λ_M，计算累计贡献率

通常要求θ大于85％，取前P个特征值对应的特征向量按序组成特征向量矩阵V_P(J×P)；

(4)将X^*在V_P作投影，得到降维后主成分Y的计算公式为：

Y＝X^**V_P (13)

其中，Y定义为X的主成分特征，Y的第一列称为第一主成分，第二列称为第二主成分，依次类推，第j列y^j＝(y_1j,y_2j,…,y_Kj)^T为第j主成分，通过主成分分析将原数据集X(K×M维)转换成新的数据集Y(K×P维)，保留的前P个主成分是原始数据特征集在V_P上的投影，也可看成是退化特征的线性组合结果，它既保留了原始数据绝大多数退化特征信息(一般阈值取85％以上)，并且新的主成分特征之间彼此不相关。

步骤5、建立性能状态评估模型：融合得到的车门特征依然可以看成是直接从传感器检测数据计算处理得到，数据受噪声的影响很大，非常不平稳，直接作为性能的健康指标的局部起伏很大。为了降低噪声的影响，采用Kernel平滑对其进行再处理，建立车门部件的性能状态评估模型，得到车门部件的健康指标 HI。

(1)评估模型的建立，这里建立的模型如下：

G:y＝g(k)+ε,0≤k≤K (15)

性能状态评估模型G将退化过程分成平稳趋势和随机余量两个独立的部分， g(k)为性能状态变量随时间变化的实际变化趋势，ε为噪声信号，通常认为高斯白噪声，y可以是观测到的状态特征，这里为融合特征。

(2)求解变化趋势g(k)，采用Kernel平滑的方法，它对数据的平滑方式为：

其中，K(·)为核函数，通常使用高斯核：

上式中ρ为宽度参数，通常根据实际需要来选取合适的宽度参数。经过多次的试验，将平滑后的变量作为表征车门部件的性能状态的HI，结果如图7所示。

Claims (5)

1.一种基于特征融合的地铁车门关键部件的健康评估方法，其特征在于，包括以下步骤：

(1)获取车门部件退化数据：对能够体现车门部件的退化过程的数据进行监测和采集，主要获取的是车门电机的原始检测参数；

(2)提取初始特征集：对每一次的开关门过程进行分段处理，并在分段的基础上提取车门时域特征，采用小波包变化对电机数据提取车门的时频域特征；

(3)筛选退化特征：从车门部件的退化数据集中分离出明显具有不同属性的两类数据，选择数据集中最初的监测数据作为性能正常一类，数据集最后几次监测数据作为性能退化的一类，采用特征权重算法对两类数据进行特征权重值的计算；

(4)退化特征融合：对特征权重算法筛选出的特征进行主成分分析，消除退化特征之间的相关性，得到冗余性更小、更简洁、有效的融合特征；

(5)建立性能状态评估模型：采用核平滑对融合得到的车门特征进行再处理，构建车门部件的性能状态评估模型，得到车门部件的健康指标。

2.根据权利要求1所述的一种基于特征融合的地铁车门关键部件的健康评估方法，其特征在于，所述步骤(2)包括以下步骤：

(21)将车门运行过程划分成五个阶段：升速段、高速段、减速段、缓行段、到位后段，一次正常的开/关门数据包含转角、转速、电流三个电机监测参数，每个变量参数采用均值、最大值和最小值、有效值、方差与偏度特征值作为描述车门部件性能状态的备选特征；

(22)时频域的特征提取，采用小波包分解的方法，通过Fourier变换将时域信号转换成频域信号，然后小波分解通过一组高通滤波器和低通滤波器对频域信号进行滤波，以二叉树的形式依次分解低频信号反映原始信号频域的局部特征；对电机的转速和电流两个监测变量进行3层小波包分解，提取各频带的能量作为频域特征。

3.根据权利要求1所述的一种基于特征融合的地铁车门关键部件的健康评估方法，其特征在于，所述步骤(3)包括以下步骤：

(31)取出车门部件退化数据集最初运行的前K₁次开关门数据作为性能正常数据，Q₁＝{Tree₁(k)|k＝1_,2,…,K₁}，k表示开关门次序，Q₁＝{正例}；

(32)取出车门部件退化数据集的性能失效数据，即取X中最后K₀次开关门数据，

Q₀＝{负例}；

(33)采用特征权重算法对Q₀∪Q₁数据集筛选退化特征集F＝{F₁,F₂,…,F_m}。

4.根据权利要求1所述的一种基于特征融合的地铁车门关键部件的健康评估方法，其特征在于，所述步骤(4)包括以下步骤：

(41)首先对X标准化处理，标准化后矩阵为X^*；

(42)求X^*协方差矩阵C的特征值λ_j(j＝1,2,…,M)和特征向量；

(43)对λ_j值按从大到小降序排列，即λ₁≥λ₂≥…≥λ_M，计算累计贡献率

θ大于85％，取前P个特征值对应的特征向量按序组成特征向量矩阵V_P(J×P)；

(44)将X^*在V_P作投影，得到降维后主成分Y的计算公式为：

Y＝X^**V_P (13)

其中，Y定义为X的主成分特征，Y的第一列称为第一主成分，第二列称为第二主成分，依次类推，第j列y^j＝(y_1j,y_2j,…,y_Kj)^T为第j主成分，将原数据集X(K×M维)转换成新的数据集Y(K×P维)。

5.根据权利要求1所述的一种基于特征融合的地铁车门关键部件的健康评估方法，其特征在于，所述步骤(5)实现过程如下：

建立的车门部件的性能状态评估模型如下：

G:y＝g(k)+ε,0≤k≤K (15)

性能状态评估模型G将退化过程分成平稳趋势和随机余量两个独立的部分，g(k)为性能状态变量随时间变化的实际变化趋势，ε为噪声信号，y为融合特征；

采用Kernel平滑求解g(k)，对数据的平滑方式为：

其中，K(·)为核函数，通常使用高斯核：

其中，ρ为宽度参数。

Images