CN111797943B - 一种城轨车辆及其客室车门故障诊断方法 - Google Patents

Abstract

本发明公开了一种城轨车辆及其客室车门故障诊断方法，故障诊断方法包括：S1，基于无故障状态采集的训练样本集矩阵，构建邻域保持嵌入算法NPE模型，计算统计限和统计限SPE_lim；S2，基于车门运行实时状态采集的故障判断数据矩阵，根据邻域保持嵌入算法NPE模型，获取故障判断数据矩阵的实时的统计量T²和统计量SPE；S3，判断故障判断数据矩阵的统计量T²和统计量SPE是否超出统计限和统计限SPE_lim，若两者均未超出统计限，判定为车门没有发生故障，否则判定为车门发生故障。本发明的诊断方法能够有效处理车门运行数据的多尺度、非线性问题，判断是否真正发生车门运行故障，消除因车门故障造成的城轨车辆清客掉线问题，提高车辆的运行效率。

Description

一种城轨车辆及其客室车门故障诊断方法

技术领域

本发明属于城轨列车技术领域，具体地说，涉及一种城轨车辆及其客室车门故障诊断方法。

背景技术

随着城市的经济不断发展，人口和汽车数量的不断增加，导致城市交通变得拥堵，再加上城市面积的不断扩张，导致原有的公共交通工具不能满足市民的出行需求。一种快捷、安全、舒适的城市轨道交通随之发展起来，地铁、轻轨等成为了大城市的重要交通工具。城轨交通发展速度很快，其在公共交通中的比重越来越大，城轨交通的安全性和可靠性就显得越来越重要。但市场调研显示，城市轨道交通的各类安全问题层出不穷，列车自身故障导致的安全问题也不少。

列车是城市轨道交通系统中关键的一环，其车门系统又占有相当重要的位置。许多安全事故往往是由于列车门的故障导致的。据国内外的数据统计，列车门系统的故障率在整个列车车辆故障中高达30％。可见，列车门的故障对整个轨道交通的安全运行构成了严重的威胁，最直接的表现就是威胁到乘客的人身安全。因此，需要对列车车门系统故障诊断技术进行更深入的研究和理论创新。

针对城轨车辆客室车门的故障诊断，目前主要有基于定量机理模型的方法、基于知识的方法和基于数据驱动的方法。基于定量机理模型的方法对系统机理的依赖性较强，某些系统机理较易获得的系统当然可以应用，但是城轨车辆客室车门过程变量间存在较强的非线性、多耦合和非高斯等特征，系统的定量机理难以获得；基于知识的方法需要大量的专家知识和过程经验，仅仅适用于具备大量专家知识和过程经验的系统；基于大数据的车门故障诊断方法可以有效地避免以上问题，然而传统的数据处理方法仅仅适用于简单的线性高斯数据系统。

有鉴于此，特提出本发明。

发明内容

本发明要解决的技术问题在于克服现有技术的不足，提供一种城轨车辆客室车门故障诊断方法，旨在基于邻域保持嵌入算法NPE模型对城轨车辆客室车门的实施故障诊断，有效地处理车门运行数据的多尺度、非线性问题，能够判断是否真正发生车门运行故障，消除因车门故障造成的城轨车辆清客掉线问题，提高车辆的运行效率。

本发明的另一目的是提供一种城轨车辆，采用如上所述的一种城轨车辆客室车门故障诊断方法。

为解决上述技术问题，本发明采用技术方案的基本构思是：

一种城轨车辆客室车门故障诊断方法，包括以下步骤

S1，基于无故障状态采集的训练样本集，构建邻域保持嵌入算法NPE模型，计算统计限和统计限SPE_lim；

S2，基于车门运行实时状态采集的故障判断数据矩阵，根据邻域保持嵌入算法NPE模型，获取故障判断数据矩阵的实时的统计量T²和统计量SPE；

S3，判断故障判断数据矩阵的统计量T²和统计量SPE是否超出统计限和统计限SPE_lim，若两者均未超出统计限，则判定为车门没有发生故障，否则判定为车门发生故障。

进一步的，步骤S1中包括

S11)，训练样本集为在客室车门无故障的状态下，获取客室车门参数经过n次采样之后的原始数据矩阵，对原始数据矩阵进行归一化处理；

S12)，利用改进小波阈值法去噪，获得重构原始数据矩阵；

S13)，对重构原始数据进行小波分析，得到小波系数和系数矩阵，对每个尺度构建邻域保持嵌入算法NPE模型，计算统计限和统计限SPE_lim。

进一步的，步骤S2中包括

S21)，获取新的故障判断数据矩阵，进行归一化处理，处理后的数据进行小波分解，得到新的系数矩阵；

S22)，根据邻域保持嵌入算法NPE模型获取新的故障判断数据矩阵的实时的统计量T²和统计量SPE。

进一步的，步骤S11中包括

A)在无故障状态下，客室车门参数经过n次采样之后获得原始数据矩阵为X_orig∈R^{n ×m}，其中m是过程变量的数目，n是每一个变量的样本数目；

B)将X_orig的每一列化为均值为0，标准差为1，标准化处理的方式为：

其中x_i为原始数据的第i次采样，x_mean为原始数据的均值，x_std为原始数据的方差，r_i为标准化处理后的数据；

C)标准化处理后的数据矩阵表示为：

进一步的，步骤S12包括以下步骤：

D)标准化处理后的数据矩阵f_k进行小波分解，分解为：

其中，c_j,k是尺度系数；d_j,k是小波系数；j为分解层数；N是采样数量；

E)重构原始数据矩阵，重构公式为：

进一步的，步骤S13包括以下步骤：

F)把系数矩阵投影到低维特征空间Y＝{y₁,y₂,…,y₃},{y_i|y_i∈R^d},(d＜m)上，求出投影矩阵A：

确定x_i的邻近点，采用k邻近法，找到样本点的邻近点，计算系数矩阵W，W的求解公式为：

式中，w_ij为在空间R^m中重构对应点y_i；

投影矩阵为：

式中，M＝(I-W)^T(I-W)，y^Ty＝a^TXX^Ta＝1为约束条件，

通过代数运算，将投影问题转换为特征值问题，转换关系为：

XMX^Ta＝λXX^Ta

其中，XMX^T和XX^T是半正定矩阵，投影矩阵A是其最小特征值组成的特征向量，即：A＝(a₁,a₂,…,a_d)；

G)计算统计限和统计限SPE_lim

统计限T_lim ²和统计限SPE_lim计算公式为：

T_lim ²＝y^TS^-1y

其中，y是x在NPE空间投影，y＝A^Tx；是正常投影Y的协方差矩阵，Y可以通过B投影回到原空间，其中，/>

进一步的，步骤S22中包括

统计量T²和统计量SPE计算公式为：

其中y_new是x_new在NPE空间投影，y_new＝A^Tx_new；是正常投影Y的协方差矩阵，Y可以通过B投影回到原空间，其中，/>

一种城轨车辆，采用如上所述的一种城轨车辆客室车门故障诊断方法。

采用上述技术方案后，本发明与现有技术相比具有以下有益效果。

本发明提出一种基于多尺度NPE的城轨车辆客室车门故障诊断方法，本发明首先分析城轨车辆的客室车门工作结构并对客室车门故障影响参数进行分析，识别出造成客室车门故障的主要影响参数；其次针对城轨车辆客室车门复杂的运行工况，其工况数据具有多尺度、非线性特征，提出在车门运行数据中利用小波分解、NPE算法构建统计限，并建立故障诊断模型；最后，实现对新的车门运行数据计算统计量，进而实现故障诊断。该故障诊断模型能够在保证安全的前提下有效地处理具备多尺度和非线性特征的车门数据，并有效地判断出车门故障，降低了车辆发生清客掉线的概率，提高了车辆的运行效率。

下面结合附图对本发明的具体实施方式作进一步详细的描述。

附图说明

附图作为本发明的一部分，用来提供对本发明的进一步的理解，本发明的示意性实施例及其说明用于解释本发明，但不构成对本发明的不当限定。显然，下面描述中的附图仅仅是一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。在附图中：

图1是本发明城轨车辆客室车门结构示意图；

图2是本发明城轨车辆客室车门故障诊断方法流程示意图；

图中：1、电机；2、丝杆支座；3、丝杆；4、螺母组件；5、携门架；6、导轨。

需要说明的是，这些附图和文字描述并不旨在以任何方式限制本发明的构思范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对实施例中的技术方案进行清楚、完整地描述，以下实施例用于说明本发明，但不用来限制本发明的范围。

在本发明的描述中，需要说明的是，术语“上”“下”“前”“后”“左”“右”“竖直”“水平”“内”“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”“相连”“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

本发明提供一种城轨车辆，其中，城轨车辆客室车门结构如图1所示。司机通过装载在司机室的开/关门按钮通过开门按钮或关门按钮直接向所有的车门电子门控单元发出开/关门指令，电子门控单元在预设延时后启动电机1并驱动丝杆3，丝杆3由丝杆支座2固定，丝杆3输出扭矩，经螺母组件4传动后，通过携门架5带动门扇沿导轨6运动，从而实现车门的开合。

城轨车辆客室车门采用闭环控制原理，客室车门因老化、磕碰或其他原因产生的故障主要与丝杠传动轮和丝杠的转动惯量、轴向载荷等参数有关，详见表1，表1中的数据可通过车门终端实时采集得到。

表1

如图2所示，本发明提供一种城轨车辆客室车门故障诊断方法，包括以下步骤：

S1，基于无故障状态采集的训练样本集矩阵，构建邻域保持嵌入算法NPE模型，计算统计限和统计限SPE_lim；

S2，基于车门运行实时状态采集的故障判断数据矩阵，根据邻域保持嵌入算法NPE模型，获取故障判断数据矩阵的实时的统计量T²和统计量SPE；

S3，判断故障判断数据矩阵的统计量T²和统计量SPE是否超出统计限和统计限SPE_lim，若两者均未超出统计限，则判定为车门没有发生故障，否则判定为车门发生故障。

具体的，判断规则为：

详细的，发明首先分析城轨车辆的客室车门工作结构并对客室车门故障影响参数进行分析，识别出造成客室车门故障的主要影响参数；其次，提出一种多尺度邻域保持嵌入算法NPE的城轨车辆客室车门数据处理方式，对数据进行小波分解，获取各个尺度的小波系数，构建系数矩阵；然后，对各个尺度进行NPE建模，计算统计限和统计限SPE_lim，进而构建能够处理车门运行多尺度、非线性数据的故障诊断模型；最后，对新的车门运行数据进行故障诊断，可以有效地判断是否发生车门运行故障，消除因车门故障造成的城轨车辆清客掉线问题，提高车辆的运行效率。

进一步的，步骤S1中包括：

S11)，训练样本集为在客室车门无故障的状态下，获取客室车门参数经过n次采样之后的原始数据矩阵，对原始数据矩阵进行归一化处理；

S12)，利用改进小波阈值法去噪，获得重构原始数据矩阵；

S13)，对重构原始数据进行小波分析，得到小波系数和系数矩阵，对每个尺度构建邻域保持嵌入算法NPE模型，计算统计限和统计限SPE_lim。

详细的，步骤S11中包括以下步骤：

A)在无故障状态下，客室车门参数经过n次采样之后获得原始数据矩阵为X_orig∈R^{n ×m}，其中m是过程变量的数目，n是每一个变量的样本数目。

详细的，如前所述，本发明的城轨车辆客室车门采用闭环控制原理，客室车门因老化、磕碰或其他原因产生的故障主要与丝杠传动轮和丝杠的转动惯量、轴向载荷等参数有关。因此，本发明的车门故障影响参数可通过车门终端实时采集得到，这样就得到了车门正常运行的数据组成的训练样本集，详见表1。

B)详细的，获得车门故障训练样本集后，采用标准化方法对训练样本进行预处理，使得复杂的运行工况可以由单一模型来表示。

详细的，将X_orig的每一列化为均值为0，标准差为1，标准化处理的方式为：

其中x_i为原始数据的第i次采样，x_mean为原始数据的均值，x_std为原始数据的方差，r_i为标准化处理后的数据。

C)标准化处理后的数据矩阵表示为：

进一步的，通过改进小波阈值去噪方法进行数据处理，得到经过噪声处理后的重构数据。

上述方案中，经过小波阈值去噪后再进行重构数据，有效去除采集的原始数据中的干扰信号，提高故障诊断的准确性。

具体的，步骤S12包括以下步骤：

D)标准化处理后的数据矩阵f_k进行小波分解，分解为：

其中，c_j,k是尺度系数；d_j,k是小波系数；j为分解层数；N是采样数量。

E)重构原始数据矩阵，小波分解过程的逆运算就是重构过程，重构公式为：

进一步的，对原始数据矩阵经过上述的方法处理之后，再进行小波变换，得到各个尺度的小波系数，进而构建系数矩阵。每个矩阵获取不同尺度的变化趋势。

对经过小波分解得到的每一个系数矩阵进行构建NPE模型，且计算统计限。

具体的，步骤S13包括以下步骤：

F)把系数矩阵投影到低维特征空间Y＝{y₁,y₂,…,y₃},{y_i|y_i∈R^d},(d＜m)上，求出投影矩阵A：

确定x_i的邻近点，采用k邻近法，找到样本点的邻近点，计算系数矩阵W，W的求解公式为：

式中，w_ij可以为在空间R^m中重构数据点x_i，也可以为在空间R^m中重构对应点y_i；

所以，投影矩阵为：

式中，M＝(I-W)^T(I-W)，y^Ty＝a^TXX^Ta＝1为约束条件。

通过代数运算，将投影问题转换为特征值问题，转换关系为：

XMX^Ta＝λXX^Ta

其中，XMX^T和XX^T是半正定矩阵，投影矩阵A是其最小特征值组成的特征向量，即：A＝(a₁,a₂,…,a_d)。

G)计算统计限和统计限SPE_lim

统计限T_lim ²和统计限SPE_lim计算公式为：

T_lim ²＝y^TS^-1y

其中，y是x在NPE空间投影，y＝A^Tx；是正常投影Y的协方差矩阵，Y可以通过B投影回到原空间，其中，/>

进一步的，步骤S2中包括

S21)，获取新的故障判断数据矩阵，进行归一化处理，处理后的数据进行小波分解，得到新的系数矩阵；

S22)，根据邻域保持嵌入算法NPE模型获取新的故障判断数据矩阵的实时的统计量T²和统计量SPE。

详细的，车门打开或开关之后，采集车门故障样本，作为新的故障判断数据矩阵，对新的故障判断数据矩阵做归一化处理、小波小波阈值法去噪、小波分解重构得到新的故障判断数据矩阵的系数矩阵。

对新的系数矩阵基于邻域保持嵌入算法NPE模型获得统计量T²和统计量SPE，详细的计算公式为：

其中，y_new是x_new在NPE空间投影，y_new＝A^Tx_new；是正常投影Y的协方差矩阵，Y可以通过B投影回到原空间，其中，/>

本发明还提供一种城轨车辆，采用如上所述的一种城轨车辆客室车门故障诊断方法。

本发明的城轨车辆采用基于多尺度NPE模型的城轨车辆客室车门故障诊断方法，上述方案基于多尺度NPE的数据处理方式，与传统的车门数据处理方法相比，该方法可以有效地处理车门运行数据的多尺度、非线性问题，能够有效地判断是否真正发生车门运行故障，消除因车门故障造成的城轨车辆清客掉线问题，提高车辆的运行效率。

以上所述仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专利的技术人员在不脱离本发明技术方案范围内，当可利用上述提示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明方案的范围内。

Claims (4)

1.一种城轨车辆客室车门故障诊断方法，其特征在于：包括以下步骤

S1，基于无故障状态采集的训练样本集，构建邻域保持嵌入算法NPE模型，计算统计限和统计限SPE_lim；

S2，基于车门运行实时状态采集的故障判断数据矩阵，根据邻域保持嵌入算法NPE模型，获取故障判断数据矩阵的实时的统计量T²和统计量SPE；

S3，判断故障判断数据矩阵的统计量T²和统计量SPE是否超出统计限和统计限SPE_lim，若两者均未超出统计限，则判定为车门没有发生故障，否则判定为车门发生故障；

其中，步骤S1中包括

S11)，训练样本集为在客室车门无故障的状态下，获取客室车门参数经过n次采样之后的原始数据矩阵，对原始数据矩阵进行归一化处理；

步骤S11中包括

A)在无故障状态下，客室车门参数经过n次采样之后获得原始数据矩阵为X_orig∈R^n×m，其中m是过程变量的数目，n是每一个变量的样本数目；

B)将X_orig的每一列化为均值为0，标准差为1，标准化处理的方式为：

其中，x_i为原始数据的第i次采样，x_mean为原始数据的均值，x_std为原始数据的方差，r_i为标准化处理后的数据；

C)标准化处理后的数据矩阵表示为：

S12)，利用改进小波阈值法去噪，获得重构原始数据矩阵；

步骤S12包括以下步骤：

D)标准化处理后的数据矩阵f_k进行小波分解，分解为：

其中，c_j,k是尺度系数；d_j,k是小波系数；j为分解层数；N是采样数量；

E)重构原始数据矩阵，重构公式为：

S13)，对重构原始数据进行小波分析，得到小波系数和系数矩阵，对每个尺度构建邻域保持嵌入算法NPE模型，计算统计限和统计限SPE_lim；

步骤S13包括以下步骤：

F)把系数矩阵投影到低维特征空间Y＝{y₁,y₂,…,y₃},{y_i|y_i∈R^d},(d＜m)上，求出投影矩阵A：

确定x_i的邻近点，采用k邻近法，找到样本点的邻近点，计算系数矩阵W，W的求解公式为：

式中，w_ij为在空间R^m中重构对应点y_i；

投影矩阵为：

式中，M＝(I-W)^T(I-W)，y^Ty＝a^TXX^Ta＝1为约束条件，

通过代数运算，将投影问题转换为特征值问题，转换关系为：

XMX^Ta＝λXX^Ta

其中，XMX^T和XX^T是半正定矩阵，投影矩阵A是其最小特征值组成的特征向量，即：A＝(a₁,a₂,…,a_d)；

G)计算统计限和统计限SPE_lim

统计限T_lim ²和统计限SPE_lim计算公式为：

T_lim ²＝y^TS^-1y

其中，y是x在NPE空间投影，y＝A^Tx；是正常投影Y的协方差矩阵，Y可以通过B投影回到原空间，其中，/>

2.根据权利要求1所述的一种城轨车辆客室车门故障诊断方法，其特征在于：步骤S2中包括

S21)，获取新的故障判断数据矩阵，进行归一化处理，处理后的数据进行小波分解，得到新的系数矩阵；

S22)，根据邻域保持嵌入算法NPE模型获取新的故障判断数据矩阵的实时的统计量T²和统计量SPE。

3.根据权利要求2所述的一种城轨车辆客室车门故障诊断方法，其特征在于：步骤S22中包括

统计量T²和统计量SPE计算公式为：

其中，y_new是x_new在NPE空间投影，y_new＝A^Tx_new；是正常投影Y的协方差矩阵，Y可以通过B投影回到原空间，其中，/>

4.一种城轨车辆，其特征在于，采用如权利要求1-3任一所述的一种城轨车辆客室车门故障诊断方法。