CN114463151A - 一种轨道车辆门系统亚健康诊断方法 - Google Patents
一种轨道车辆门系统亚健康诊断方法 Download PDFInfo
- Publication number
- CN114463151A CN114463151A CN202111575029.9A CN202111575029A CN114463151A CN 114463151 A CN114463151 A CN 114463151A CN 202111575029 A CN202111575029 A CN 202111575029A CN 114463151 A CN114463151 A CN 114463151A
- Authority
- CN
- China
- Prior art keywords
- health
- sub
- data
- door
- state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000003745 diagnosis Methods 0.000 title claims abstract description 47
- 230000036541 health Effects 0.000 claims abstract description 59
- 230000008569 process Effects 0.000 claims abstract description 58
- 230000009471 action Effects 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000007621 cluster analysis Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 12
- 238000002405 diagnostic procedure Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 238000013145 classification model Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61D—BODY DETAILS OR KINDS OF RAILWAY VEHICLES
- B61D19/00—Door arrangements specially adapted for rail vehicles
- B61D19/003—Door arrangements specially adapted for rail vehicles characterised by the movements of the door
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Mechanical Engineering (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种轨道车辆门系统亚健康诊断方法，首先，根据不同亚健康运行状态与健康运行状态的区别，选取能够体现亚健康状态和健康状态运行状态差异的多部件作用时段；再分别对开门过程和关门过程的多部件作用时段进行特征提取；利用弹性网络模型对提取的特征进行筛选获得开门特征集和关门特征集；计算待检测数据的开门特征集和关门特征集的特征数据，结合健康状态特征数据，利用DPC算法分别对待检测开门特征数据和待检测关门特征数据进行聚类分析，完成待检测数据亚健康诊断。该种亚健康诊断方法能够快捷且通用地对门系统是否处于亚健康状态进行判定，适用于多种亚健康类型。
Description
技术领域
本发明属于涉及城市轨道交通领域，具体涉及一种轨道车辆门系统亚健康诊断方法。
背景技术
随着轨道交通行业的发展，城轨车门运行的安全性、可靠性受到广泛重视。门系统的高频率使用、复杂的车辆运行环境及未知的人为原因，使得车门故障数占据所有车辆零部件故障总数的30％以上。因此，提高车门系统运行的质量和可靠性对城轨列车高效安全运营具有重要意义。
车辆门系统亚健康是指门系统所处的一种中间状态，在该状态下，系统功能仍能够实现，但实现过程中其状态与标准状态已发生一定程度的偏离，此状态进一步发展，将导致某种或多种类型的故障。进行亚健康状态研究，能在故障产生真正产生之前发现异常，有效阻止故障发生，维护系统运行安全。
城轨车门系统在运行过程中，每天都会产生海量数据。如何能高效而简便地从大量数据中快速而准确地筛选出可能的亚健康数据亟待研究。亚健康状态研究通常采用的方法是采集不同工况下的车门运行历史数据或实验数据，提取特征值，借助分类算法构建故障分类模型，基于故障分类模型对车门实时运行状态进行诊断。但是，车门的健康状态不是一个固定的状态，而是在一定范围内都可称为“健康”；同时，亚健康状态又区别于故障状态，它偏离健康状态的程度更微小。
发明内容
发明目的：本发明的目的在于提供一种能够将轨道车辆门系统亚健康状态和健康状态进行区分的亚健康诊断方法。
技术方案：本发明所述的一种轨道车辆门系统亚健康诊断方法，该方法包括步骤如下：
(1)获取门系统开门和关门两个过程的运行状态曲线，并进行数据预处理；
(2)根据不同亚健康运行状态与健康运行状态的区别，选取能够体现亚健康状态和健康状态运行状态差异的多部件作用时段；
(3)分别对开门过程和关门过程的多部件作用时段进行特征提取；
(4)利用弹性网络对步骤(3)中提取的特征进行筛选获得开门特征集和关门特征集；
(5)计算待检测数据的开门特征集和关门特征集的特征数据，结合健康状态特征数据，利用DPC算法分别对待检测开门特征数据和待检测关门特征数据进行聚类分析，完成待检测数据亚健康诊断。
优选的，步骤(1)中门系统开关过程采用电机驱动，获取的门系统运行状态曲线包括开门和关门过程中产生的行程、速度、电流状态曲线。
优选的，步骤(2)中对每种运行状态曲线，结合亚健康运行状态生成的物理机理以及亚健康运行状态曲线与健康运行状态曲线的区别，获取不同亚健康运行状态与健康运行状态存在区别的时段；结合不同亚健康运行状态与健康运行状态存在区别的时段得到多部件作用时段。
优选的，步骤(3)中将多部件作用时段分为若干子段，分别对每个子段进行特征提取。
进一步的，步骤(3)中开门过程和关门过程中对多部件作用时段提取的特征包括：多部件作用时段全局信息特征、多部件作用时段各子段的时域特征和/或多部件作用时段运行状态曲线形态特征。
优选的，获取开门过程中多种运行状态曲线的全部开门特征并形成矩阵Fopen，获取关门过程中多种运行状态曲线的全部关门特征并形成矩阵Fcolse；分别利用弹性网络对开门特征矩阵Fopen和关门特征矩阵Fcolse进行降维，得到降维后的开门特征集F1和关门特征集F2，完成特征筛选。
优选的，对开门特征矩阵Fopen和关门特征矩阵Fclose进行降维的弹性网络的损失函数如下所示：
式中，y为训练数据的实际值，样本
为亚健康数据时取0，样本
为健康数据时取1；m为特征数量，θj为第j个特征的权重；n为样本数量；X为归一化后的开门特征矩阵或关门特征矩阵，x为X中的元素；θT为算法赋予各个特征的权重，
为拟合函数，λ、ρ是调整参数。
优选的，将待检测数据的开门特征集或关门特征集的特征数据，结合健康状态特征数据利用DPC进行聚类分析，如果健康状态数据和待检测数据的聚类分析结果为被分为不同的两类，且每类包括健康状态数据或待检测数据不少于设定比例的样本，则判定存在亚健康状态；如果聚类分析结果无法选出两个聚类中心，则认为未出现亚健康状态。
优选的，分别得到待检测数据的开门过程亚健康诊断结果和关门过程亚健康诊断结果，当开门过程亚健康诊断结果和关门过程亚健康诊断结果中任一结果为亚健康状态，则判定输出该待检测数据的门系统处于亚健康状态。
优选的，利用DPC对开门过程或关门过程进行聚类分析的步骤如下：
将一套门系统待检测的正线运行数据的特征集与健康数据的特征集存为一个特征矩阵，计算每个样本i的局部密度ρi和样本i到局部密度比它大且距离它最近的样本j的距离δi，计算公式为：
ρi=∑χ(dij-dc)
式中，dij为数据点i和j的欧氏距离，dc为事先指定的截断距离；χ为判别函数，当(dij-dc)>0时，χ＝1，反之χ＝0，依据计算出的ρi和δi，以ρi为横轴，δi为纵轴，绘制决策图；并利用决策图进行聚类中心的选取。
进一步的，该种方法建立的亚健康诊断模型是能够用于多种常见亚健康类型通用的诊断模型，即不同类型的亚健康运行状态数据，均可以通过一个模型筛选出来。由于门系统每次动作包括开门和关门两个部分的操作，且会产生行程、速度、电流三条车门状态曲线，因此，后续的特征提取就以上述三条车门运行状态曲线为数据基础。
对数据进行预处理时，将采集的车门状态数据进行校正，进行数据的对齐和劣点数据的剔除，包括采样点个数明显不在正常范围内的数据，以及曲线形态高度偏离正常状态的数据。
在针对整个车门运动的过程进行特征提取前，首先筛选出车门每次动作过程中能够体现健康与亚健康区别的时间段；对每种亚健康工作状态逐个分析，结合亚健康产生的物理机理，判断亚健康状态会对车门运动造成影响的具体结构和位置，同时将亚健康状态曲线和健康曲线进行对比，依据以上两点对行程、速度、电流三条车门状态曲线进行判断，截选能集中体现亚健康与健康差异的部分状态曲线数据段，并定义为多部件作用段。对全部亚健康状态完成分析后，多种亚健康状态的多部件作用段按照车门状态曲线种类进行合并，获得能够包含多种亚健康状态的时间段。由于部分亚健康类型对开门过程影响更大，如对中尺寸异常；部分亚健康类型对关门过程影响更大，如密封尺寸减小会增大关门局部阻力；还有部分亚健康类型对开关门过程均有一定程度的影响，如对开关门都会造成额外阻力的门扇高度异常。因此，考虑将开门数据和关门数据分别建模分析。
针对获取的状态曲线提取特征时，将开门或关门过程的多部件作用时段进行特征提取，也可对多部件作用时段的状态曲线分子段进行特征提取时，提取的特征种类包括：多部件作用时段全局信息特征，包括门扇开度、运行时间等；多部件作用时段各子段的时域特征，包括子段内状态曲线的最大值、最小值、平均值、标准差、峰峰值、偏斜度、峭度等；多部件作用时段运行状态曲线形态特征，包括波峰个数、波谷个数及其出现时间等，提取后可以得到开门过程中的开门特征P个以及关门过程中的关门特征Q个，分别存储两个矩阵Fopen和Fclose，其中矩阵的每一行为一条数据的所有特征，矩阵的每一列为所有数据的一种特征。进一步的，将开门或关门过程的多部件作用时段分子段可以依据时域、频域、图像等不同依据。
由于亚健康状态区别于故障状态，它偏离健康状态的程度更微小，因此需要找到能缩小健康数据之间的差异，同时又能放大亚健康与健康之间的差异的特征数据。对特征数据依据类间距离最大化和类内距离最小化原则，使用弹性网络算法进行特征选择，弹性网络是一种使用L1和L2先验作为正则化矩阵的线性回归模型，在目标函数J后添加复杂度惩罚因子，即正则项，可以用来防止过拟合。这种组合允许学习到一个只有少量参数是非零稀疏的模型。通过不断迭代寻求残差平方和最小，可以有效地对存在多重共线性的特征进行筛选，从而达到除冗余特征，得到降维优化后的特征子集的目的。通过对开门特征矩阵Fopen和关门特征矩阵Fclose的训练，得到降维后的可用的开门特征集F1和关门特征集F2。训练好的特征集包含不同类型工作状态曲线的特征，并且适用于多种亚健康状态的识别。
对于车门运行过程中的多次开关门运行数据，分别对开门特征数据和关门特征数据使用DPC算法对筛选后的特征集进行聚类分析，再依据双方获得的结果得到最终诊断结果。DPC为基于密度的聚类算法，相比较基于距离的聚类算法它对类簇的形状鲁棒性更强；且是难得的无需迭代的聚类算法，可直接得到聚类结果，节约时间，效率很高，非常适合正线车门诊断这样需要大量重复执行的场景。
使用DPC算法进行聚类分析时，待聚类的数据包括正线车门运行测试数据和标准健康数据，标准健康数据由多次调门后的健康状态多组数据抽样混合而成，即健康数据间也存在着一定的差异性。在聚类分析过程时，绘制的决策图能够实现聚类中心的选取，聚类中心选择完毕后，其余样本数据按算法规则直接分配到各个类中。分配的规则为剩余的每个样本点被归属到它的具有更高密度的最近邻所属类簇；每个数据样本为一次开门或关门所对应的数据。
设定决策阈值为S，即：如果标准数据中的不少于S的样本和测试数据中的不少于S的样本分别被分进不同的两类，则认为出现亚健康；如果无法选出两个聚类中心，或者选出两个聚类中心后标准数据和测试数据数据低于阈值分散地进入两类，则认为未出现亚健康，是健康状态。
正线车门运行测试数据的开门数据诊断结果和关门数据诊断结果，按逻辑或运算规则，得到最终的诊断结果，即当开门数据诊断结果和关门数据诊断结果均为健康状态时，判定该门系统为健康状态。
在模型建立和训练阶段，如果DPC聚类结果存在明显误差时，反馈至弹性网络迭代过程，调整损失函数参数，对弹性网络寻找开门特征集F1和关门特征集F2的过程进行优化。
本发明所述的一种计算机可读存储介质，计算机可读存储介质内存储有计算机程序，所述的计算机程序被处理器执行时实现轨道车辆门系统亚健康诊断的方法步骤。
有益效果：与现有技术相比，本发明具有如下显著优点：针对门系统亚健康特点，对车门运行产生的数据进行截取，由于开门和关门阶段并不对称，因此分别对开门和关门阶段依据曲线形状个性化提取时域特征，并分别利用弹性网络进行特征选择，通过弹性网络筛选出的特征能够较为精准的描述偏离健康状态程度更微小的亚健康状态；通过DPC对车门开门数据和关门数据分别进行建模分析，提高了亚健康状态判别效率和精准度，联合开门和关门的聚类分析结果，能够快捷且精准地对门系统是否处于亚健康状态进行判定；该种亚健康诊断方法使用于多种亚健康类型。
附图说明
图1是本发明亚健康诊断方法的流程图；
图2是本发明具体实施例中塞拉门的结构原理图；
图3是本发明具体实施例中V型异常亚健康状态待检开门测数据与标准健康数据密度峰值聚类的决策图与框选的聚类中心；
图4是本发明具体实施例中V型异常亚健康状态待检关门测数据与标准健康数据密度峰值聚类的决策图与框选的聚类中心；
图5是本发明具体实施例中对中异常亚健康状态待检开门测数据与标准健康数据密度峰值聚类的决策图与框选的聚类中心；
图6是本发明具体实施例中对中异常亚健康状态待检关门测数据与标准健康数据密度峰值聚类的决策图与框选的聚类中心；
图7是本发明具体实施例中V型异常亚健康状态待检开门测数据与标准健康数据的聚类结果；
图8是本发明具体实施例中V型异常亚健康状态待检关门测数据与标准健康数据的聚类结果；
图9是本发明具体实施例中对中异常亚健康状态待检开门测数据与标准健康数据的聚类结果；
图10是本发明具体实施例中对中异常亚健康状态待检关门测数据与标准健康数据的聚类结果。
具体实施方式
下面结合附图和实施例对本发明的技术方案做进一步详细说明。
以城轨地铁常用到的塞拉门系统的亚健康检测方法为例，塞拉门主要结构如图2所示，根据其机电结构大致可将其分为五个子系统：电气控制系统、驱动锁闭系统、承载导向系统、内外操作系统和基础部件。主要部件包括：电机1、门控系统2、连接装置3、前支撑4、后支撑5、螺母锁闭装置6、锁到位开光7、中间支撑8、门到位开关9、丝杆10、长导柱11、端部解锁装置12、内操作装置13、外操作装置14、左门扇15、右门扇16。门控系统用于控制电机带动左门扇和右门扇同步相向运动，一次动作包括开门动作和关门运动，同时门控系统还能够采集开门和关门过程中产生的行程、速度、电流三条车门状态曲线。
基于上述塞拉门系统的亚健康诊断方法具体步骤如下：
(1)采集标准健康数据，标准健康数据包括健康状态下门系统的行程、速度、电流三条车门状态曲线，标准健康数据由多次调门后的健康状态多组数据抽样混合而成，即健康数据间存在着一定的差异性；采集不同种类的亚健康状态数据，包括每种亚健康状态下门系统的行程、速度、电流三条车门状态曲线。
(2)对采集到的数据进行预处理，将采集的车门状态数据进行校正，进行数据的对齐和劣点数据的剔除，包括采样点个数明显不在正常范围内的数据，以及曲线形态高度偏离正常状态的数据。
(3)对每种亚健康状态下不同种类的车门状态曲线进行单独分析，首先结合亚健康产生的物理机理，判断亚健康状态会对车门运动造成影响的具体定位，同时将亚健康状态曲线和健康曲线进行对比，截选能集中体现亚健康与健康差异的部分时段，结合全部亚健康种类的分析结果，得到每种车门状态曲线中能够反映多种亚健康状态的时间段形成多部件作用段，本实施例中，由于部分亚健康类型对开门过程影响更大，如对中尺寸异常；部分亚健康类型对关门过程影响更大，如密封尺寸减小会增大关门局部阻力；还有部分亚健康类型对开关门过程均有一定程度的影响，如门扇高度异常对开、关门都会造成额外的阻力；因此对开门数据和关门数据分别建模分析，得到多部件作用段具体定义为开门数据的开门启动段和开门速度超调段，以及关门数据的关门速度加强段。
(4)对多部件作用段，依据曲线震荡情况、峰值的出现等条件进行进一步细分段形成子段，获取每个子段的特征种类以及每种特征数据所包含的信息，针对多部件作用段曲线的固有形态和特点，对开门数据和关门数据分别进行特征提取，共得到开门特征62个，关门特征44个，分别存入两个矩阵Fopen和Fclose。提取的特征包括多部件作用时段全局信息特征，包括门扇开度、运行时间等；多部件作用时段各子段的时域特征，包括子段内状态曲线的最大值、最小值、平均值、标准差、峰峰值、偏斜度、峭度等；多部件作用时段运行状态曲线形态特征，包括波峰个数、波谷个数及其出现时间等。
(5)依据类间距离最大化和类内距离最小化原则，利用弹性网络算法分别对开门特征矩阵Fopen和关门特征矩阵Fclose进行特征选择，去除冗余特征，得到降维优化后的开门特征集F1和关门特征集F2；本实施例中，弹性网络的损失函数如下所示：
式中，y为训练数据的实际值，样本
为亚健康数据时取0，样本
为健康数据时取1；m为特征数量，θj为第j个特征的权重；n为样本数量；X为归一化后的开门特征矩阵或关门特征矩阵，x为X中的元素；θT为算法赋予各个特征的权重，
为拟合函数，λ、ρ是调整参数。
(6)低维有效特征集提取成功后，运用智能算法构建系统典型亚健康诊断模型。亚健康诊断过程中将开门过程和关门过程分别独立进行亚健康诊断，一开门数据诊断为例，获取正线车门运行测试数据的开门数据与标准数据的开门特征集存为一个特征矩阵f1，计算每个样本i的局部密度ρi和样本i到局部密度比它大且距离它最近的样本j的距离δi，计算公式为：
ρi=∑χ(dij-dc)
式中，dij为数据点i和j的欧氏距离，dc为事先指定的截断距离；χ为判别函数，当(dij-dc)>0时，χ＝1，反之χ＝0，测数数据中每次的开门数据以及标准数据中每次的开门数据对应特征集为一个样本。
依据计算出的ρi和δi，以ρi为横轴，δi为纵轴，绘制决策图。利用决策图，将ρi和δi相对较高的点，即在决策图上位于右上角的点，标记为类簇中心。DPC的聚类中心可以灵活选择，聚类中心选择完毕后，其余数据按算法规则直接分配到各个类中。分配的规则为剩余的每个点被归属到它的具有更高密度的最近邻所属类簇。
(7)设定决策阈值为80％，即：如果标准数据中的不少于80％的样本和测试数据中不少于80％的样本被分进不同的两类，则认为出现亚健康；如果无法选出两个聚类中心，或者选择两个聚类中心后标准数据和测试数据数据低于阈值分散地进入两类，则认为未出现亚健康，是健康状态。正线车门运行测试数据的关门数据亚健康诊断过程与开门亚健康诊断过程相同。
(8)结合开门数据诊断结果和关门数据诊断结果，按逻辑或运算规则，得到最终的诊断结果，即当开门数据诊断结果和关门数据诊断结果均为健康状态时，判定该门系统为健康状态。
如果DPC聚类结果存在明显误差时，反馈至弹性网络迭代过程，对弹性网络寻找开门特征集F1和关门特征集F2的过程进行优化。
本实施例中，如图3-图6所示，分别为V型异常亚健康状态和中异常亚健康状态开门数据和关门数据的决策图，将ρi和δi相对较高的点，即在决策图上位于右上角的点，标记为类簇中心；而图7-图10为V型异常亚健康状态和中异常亚健康状态开门数据和关门数据的聚类结果，图7和图8显示V型异常数据与健康数据分类准确率为100％，图9和图10显示对中异常数据与健康数据分类准确率为98.84％，均高于阈值，结合开门亚健康诊断结果和关门亚健康诊断结果，可以判定该塞拉门系统处于亚健康状态。
综上，该种轨道车辆门系统亚健康诊断方法利用弹性网络模型进行特征选择并利用DPC进行聚类分析的亚健康判别，建立高鲁棒性的可供轨道正线车门系统在线使用的诊断模型。可以成功挖掘出细小微弱的亚健康特征，对城轨车门常见亚健康状态和健康状态进行分类。通过挖掘多类亚健康状态与健康状态之间共有的差异性，在应用时能简单快速地诊断出亚健康状态，且在多种常见亚健康状态的诊断上通用。有利于提高车门系统运行可靠性，减小正线系统面对海量数据的故障诊断压力，降低运营成本。
Claims (10)
1.一种轨道车辆门系统亚健康诊断方法，其特征在于：该方法包括步骤如下：
(1)获取门系统开门和关门两个过程的运行状态曲线，并进行数据预处理；
(2)根据不同亚健康运行状态与健康运行状态的区别，选取能够体现亚健康状态和健康状态运行状态差异的多部件作用时段；
(3)分别对开门过程和关门过程的多部件作用时段进行特征提取；
(4)利用弹性网络对步骤(3)中提取的特征进行筛选获得开门特征集和关门特征集；
(5)计算待检测数据的开门特征集和关门特征集的特征数据，结合健康状态特征数据，分别对待检测开门特征数据和待检测关门特征数据进行聚类分析，完成待检测数据亚健康诊断。
2.根据权利要求1所述的轨道车辆门系统亚健康诊断方法，其特征在于：所述的步骤(1)中门系统开关过程采用电机驱动，获取的门系统运行状态曲线包括开门和关门过程中产生的行程、速度、电流状态曲线。
3.根据权利要求2所述的轨道车辆门系统亚健康诊断方法，其特征在于：所述的步骤(2)中对每种运行状态曲线，结合亚健康运行状态生成的物理机理以及亚健康运行状态曲线与健康运行状态曲线的区别，获取不同亚健康运行状态与健康运行状态存在区别的时段；结合不同亚健康运行状态与健康运行状态存在区别的时段得到多部件作用时段。
4.根据权利要求3所述的轨道车辆门系统亚健康诊断方法，其特征在于：所述的步骤(3)中将多部件作用时段分为若干子段，分别对每个子段进行特征提取。
5.根据权利要求4所述的轨道车辆门系统亚健康诊断方法，其特征在于：所述的步骤(3)中开门过程和关门过程中对多部件作用时段提取的特征包括：多部件作用时段全局信息特征、多部件作用时段各子段的时域特征和/或多部件作用时段运行状态曲线形态特征。
6.根据权利要求4所述的轨道车辆门系统亚健康诊断方法，其特征在于：获取开门过程中多种运行状态曲线的全部开门特征并形成矩阵Fopen，获取关门过程中多种运行状态曲线的全部关门特征并形成矩阵Fclose；分别利用弹性网络对开门特征矩阵Fopen和关门特征矩阵Fclose进行降维，得到降维后的开门特征集F1和关门特征集F2，完成特征筛选。
7.根据权利要求6所述的轨道车辆门系统亚健康诊断方法，其特征在于：对开门特征矩阵Fopen和关门特征矩阵Fclose进行降维的弹性网络的损失函数如下：
式中，y为训练数据的实际值，样本
为亚健康数据时取0，样本
为健康数据时取1；m为特征数量，θj为第j个特征的权重；n为样本数量；X为归一化后的开门特征矩阵或关门特征矩阵，x为X中的元素；θT为算法赋予各个特征的权重，
为拟合函数，λ、ρ是调整参数。
8.根据权利要求6所述的轨道车辆门系统亚健康诊断方法，其特征在于：将待检测数据的开门特征集或关门特征集的特征数据，结合健康状态特征数据利用DPC进行聚类分析，如果健康状态数据和待检测数据的聚类分析结果为被分为不同的两类，且每类包括健康状态数据或待检测数据不少于设定比例的样本，则判定存在亚健康状态；如果聚类分析结果无法选出两个聚类中心，则认为未出现亚健康状态。
9.根据权利要求8所述的轨道车辆门系统亚健康诊断方法，其特征在于：分别得到待检测数据的开门过程亚健康诊断结果和关门过程亚健康诊断结果，当开门过程亚健康诊断结果和关门过程亚健康诊断结果中任一结果为亚健康状态，则判定输出该待检测数据的门系统处于亚健康状态。
10.根据权利要求8所述的轨道车辆门系统亚健康诊断方法，其特征在于：利用DPC对开门过程或关门过程进行聚类分析的步骤如下：
将一套门系统待检测的正线运行数据的特征集与健康数据的特征集存为一个特征矩阵，计算每个样本i的局部密度ρi和样本i到局部密度比它大且距离它最近的样本j的距离δi，计算公式为：
ρi＝∑χ(dij-dc)
式中，dij为数据点i和j的欧氏距离，dc为事先指定的截断距离；χ为判别函数，当(dij-dc)>0时，χ＝1，反之χ＝0；依据计算出的ρi和δi，以ρi为横轴，δi为纵轴，绘制决策图；并利用决策图进行聚类中心的选取。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111575029.9A CN114463151A (zh) | 2021-12-21 | 2021-12-21 | 一种轨道车辆门系统亚健康诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111575029.9A CN114463151A (zh) | 2021-12-21 | 2021-12-21 | 一种轨道车辆门系统亚健康诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114463151A true CN114463151A (zh) | 2022-05-10 |
Family
ID=81406548
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111575029.9A Pending CN114463151A (zh) | 2021-12-21 | 2021-12-21 | 一种轨道车辆门系统亚健康诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114463151A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114996258A (zh) * | 2022-06-23 | 2022-09-02 | 中铁第四勘察设计院集团有限公司 | 一种基于数据仓库的接触网故障诊断方法 |
-
2021
- 2021-12-21 CN CN202111575029.9A patent/CN114463151A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114996258A (zh) * | 2022-06-23 | 2022-09-02 | 中铁第四勘察设计院集团有限公司 | 一种基于数据仓库的接触网故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110262463B (zh) | 一种基于深度学习的轨道交通站台门故障诊断系统 | |
| US20230316051A1 (en) | Pre-alarming method for rotary stall of compressors based on temporal dilated convolutional neural network | |
| CN111832225A (zh) | 一种构建汽车行驶工况的方法 | |
| CN107153841B (zh) | 一种城市轨道交通车辆门系统的亚健康预测方法 | |
| WO2023103268A1 (zh) | 泵阀故障检测方法 | |
| CN113962259B (zh) | 一种燃料电池系统多模式双层故障诊断方法 | |
| CN109374318A (zh) | 基于dpc的轨道车辆多门系统异常检测方法和系统 | |
| Mechefske et al. | Fault detection and diagnosis in low speed rolling element bearings Part II: The use of nearest neighbour classification | |
| CN110717379A (zh) | 一种基于特征融合的地铁车门关键部件的健康评估方法 | |
| CN115169505A (zh) | 特种设备运动部件机械故障预警方法及其预警系统 | |
| CN113283491A (zh) | 一种基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法 | |
| CN109580260A (zh) | 一种轨道车辆门系统的亚健康诊断方法 | |
| CN109858345A (zh) | 一种适用于胀管设备的智能故障诊断方法 | |
| CN111797944B (zh) | 一种车门异常诊断方法及装置 | |
| Ghoreyshi et al. | Simultaneous vehicle detection and classification model based on deep YOLO networks | |
| CN113551904B (zh) | 基于层次机器学习的齿轮箱多类型并发故障诊断方法 | |
| CN114595753A (zh) | 面向数据稀缺场景的综合供能服务站油气回收系统故障检测方法 | |
| CN113627358A (zh) | 一种多特征融合的道岔智能故障诊断方法及系统和设备 | |
| CN112861443B (zh) | 一种融入先验知识的深度学习故障诊断方法 | |
| CN109598048A (zh) | 一种轨道车辆门系统的润滑退化预测方法 | |
| CN110398382A (zh) | 一种基于dpc的地铁车门系统性能衰退检测方法 | |
| CN109636068A (zh) | 一种列车门电机故障预测方法 | |
| CN113807431A (zh) | 一种基于多源信息融合的智能主轴状态评估方法和系统 | |
| CN114463151A (zh) | 一种轨道车辆门系统亚健康诊断方法 | |
| CN116720073A (zh) | 一种基于分类器的异常检测提取方法与系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |