基于多工况的轨道交通车辆门系统故障诊断及预警方法与流程

本发明涉及城市轨道交通技术领域，具体涉及一种基于多工况的轨道交通车辆门系统故障诊断及预警方法。

背景技术：

随着城市规模的日益加大，城市轨道交通承担着巨大的交通客流压力，对于城市轨道交通车辆状态的实时监控及可靠性，也提出了越来越高的要求。

在城市轨道交通车辆运营过程中，门系统需要经常开启和关闭，加上人为因素的影响，会导致列车车门故障频发，经常发生清客事件。因此，门系统的可靠性和安全性，将直接影响着城市轨道交通车辆正常安全的运营。

现有门系统的故障诊断逻辑较为简单，且门系统在初期运行和后期运行、高峰期运行和库内运行时，不同工况对门系统的状态参数分析及诊断有较多人为或系统干扰，无法满足故障的定位及故障原因排查的需求。此外，目前门系统采用计划性维修，架大修时由于缺乏诊断手段，对关键部件进行整体更新，极大增加了维修成本。因此，针对城市轨道交通车辆的门系统的智能综合诊断与预警方法的研究，对于城市轨道交通车辆的工作稳定性提升具有重要意义。

目前，现有的门系统的诊断与运营维护，主要有两种方式：一是维护人员的定期检查保养，费时费力，可靠性差；二是故障发生后依据可靠性分析技术诊断故障类型及原因，包括可靠性框图法、贝叶斯网络法、故障树法等，但这类诊断技术需要依赖大量充分的专家知识库作为基础，不具有实时性，也不适用于特征挖掘和早期故障预警。

随着门系统的状态安全监控方面的研究正在不断推进和完善，大数据量的门系统实时数据可以被获取，其中包含丰富的门系统状态信息。所以，针对城市轨道交通车辆的门系统，有必要发明一种以在线实时运行的多工况数据为驱动的综合故障诊断和预警方法，以便实现城市轨道交通车辆门由基于时间的检维修模式向基于状态以及风险的检维修模式转变，是当前急需解决的问题。

技术实现要素：

本发明的目的是为了克服现有的轨道交通车辆门系统所存在的问题。本发明的基于多工况的轨道交通车辆门系统故障诊断及预警方法，能够对轨道交通车辆门系统的典型故障类型进行准确识别、对门系统亚健康及退化趋势进行早期预警，提高轨道交通车辆门系统运行的可靠性，具有良好的应用前景。

为了达到上述目的，本发明所采用的技术方案是：

基于多工况的轨道交通车辆门系统故障诊断及预警方法，其特征在于：包括以下步骤，

步骤(A)，通过轨道交通车辆门系统驱动电机内的传感器及门控器采集各车门的运行数据，并存储到数据库内；

所述运行数据包括转角、转速、电流、转矩、温度、IO信号以及开关触发临界CAP值；

步骤(B)，将存储的运行数据进行预处理，进行分类，具体如下：

将新上线并已调整正常、空车跑合的轨道交通车辆门系统的运行数据定义为初始化标准数据A，用于作为轨道交通车辆门系统的初始状态，并作为长期退化亚健康参数的参考基准；

将每日轨道交通车辆上线前，在厂库内检查时的多次开关门正常数据定义为每日标准数据B，用于作为轨道交通车辆门系统每日的正常状态标准；

将每日轨道交通车辆上线后，轨道交通车辆门系统的传感器及门控器实时采集各车门的运行数据定义为实时数据C，作为轨道交通车辆门系统在运营当中的实时开关门状态，判别是否当前门系统出现故障或实时亚健康异常；

将轨道交通车辆在试验台架进行的模拟试验数据，用于辅助制定典型故障规则和亚健康规则；

步骤(C)，对每日轨道交通车辆上线后的轨道交通车辆门系统进行典型故障诊断，对实时数据C进行总体特征值提取，判定实时数据C是否属于故障类异常，若初步判定结果为是，则采用典型故障判定规则判定故障类型，并发出故障警告及故障参数；若初步判定结果为否，则进入步骤(D)；

步骤(D)，对每日轨道交通车辆上线后的轨道交通车辆门系统进行实时亚健康状态诊断，对实时数据C与每日标准数据B进行对比分析，根据每日标准数据B构建基于特征分布参数的数据统计模型作为实时健康度模型，通过计算实时数据C的运动特征参数与实时健康度模型的残差比较、开关临界触发CAP与开关标准过压量范围进行比较，设定健康度阈值实现轨道交通车辆门系统的实时亚健康量化，判断比较值是否超出健康度阈值，若超出健康度阈值，根据超出健康度阈值的点数及位置判定轨道交通车辆门系统的亚健康异常类型，并继续监测统计该亚健康异常类型的发生频度和前后开关门状态，最终结合专家知识库诊断得到轨道交通车辆门系统当前的亚健康状态，并根据该亚健康状态，进行早期故障预警；若没有超出健康度阈值，则进入步骤(E)；

步骤(E)，对轨道交通车辆门系统进行长期退化类型的亚健康诊断，对每日标准数据B和初始化标准数据A进行对比分析，以初始化标准数据A的典型特征值为参考标准，建立退化阈值模型，通过分析每日标准数据B关键特征值的长期变化趋势，通过最小二乘方法预测下个周期的关键特征值，若预测的关键特征值超出退化阈值模型的范围，则输出轨道交通车辆门系统退化亚健康预警；否则，轨道交通车辆门系统正常运行。

前述的基于多工况的轨道交通车辆门系统故障诊断及预警方法，其特征在于：步骤(C)对实时数据C进行总体特征值提取，判定实时数据C是否属于故障类异常，若初步判定结果为是，则采用典型故障判定规则判定故障类型，并发出故障警告及故障参数，具体包括以下步骤，

(C1)，对实时数据C作对齐、去除冗余采集的预处理，并通过整体特征值区分出典型故障数据；

(C2)，提取典型故障数据对应的细化整体特征值，包括开/关门时间、总行程、最大行程、最大电流、有效电流、电机停转次数、电机堵转次数、电机电机停转位置、电机堵转位置、开门方向运动次数和关门方向运动次数；

(C3)，将所细化整体特征值与典型故障规则进行比对，根据关键特征值分的布范围确定当前故障数据的对应故障类型，所述关键特征值为开/关门时间、总行程；

(C4)，将确定当前故障数据的对应故障类型，将轨道交通车辆门系统的故障警告和故障参数信息通过邮件推送给现场客服和相关维护人员，实现门系统故障的实时在线诊断。

前述的基于多工况的轨道交通车辆门系统故障诊断及预警方法，其特征在于：步骤(D)，根据每日标准数据B构建基于特征分布参数的数据统计模型作为实时健康度模型，具体包括以下步骤，

(D1)对每日标准数据B作对齐、去除冗余采集的预处理；通过整体特征值区分出实时亚健康数据；

(D2)根据运动特征分别将转角、转速和电流数据划分为启动段、升速段、匀速段、减速段和缓行段，并提取各段的时间、最大值、最小值、均值、标准差、偏度、峰度特征；

(D3)通过门控器采集开关门过程的开关临界触发CAP值特征；

(D4)为了衡量实时数据特征值、转角转速、电流参数的变化程度，以同一门系统的每日标准数据B和其分段特征值作为训练样本，构造实时健康度模型，设训练样本库X，如公式(1)所示，

其中，{[x_i1,x_i2,...,x_im],i＝1,2,...,n}是由第i组数据的分段特征值、转角时序数据、转速时序数据和电流时序数据构成的特征量，n代表总样本组数，m代表特征量的数量；

(D5)根据训练样本库X，计算其总体样本各特征量的统计均值和标准差如公式(2)及公式(3)所示，

(D6)结合3sigma准则，构建实时健康度模型的包络范围：以作为预警包络界限，作为严重警告包络界限，得到实时健康度模型。

前述的基于多工况的轨道交通车辆门系统故障诊断及预警方法，其特征在于：步骤(D)，开关临界触发CAP的范围在6-23之间；所述开关标准过压量范围在1.5mm-6mm之间。

前述的基于多工况的轨道交通车辆门系统故障诊断及预警方法，其特征在于：步骤(D)，开关临界触发CAP的值为18；所述开关标准过压量为4mm。

前述的基于多工况的轨道交通车辆门系统故障诊断及预警方法，其特征在于：步骤(E)，以初始化标准数据A的典型特征值为参考标准，建立退化阈值模型，具体包括以下步骤，

(E1)筛选出初始化标准数据A中具有明显变化趋势的典型特征值；

(E2)令所有典型特征值Z为训练样本库，结合3sigma准则构建得到退化阈值模型，以作为退化亚健康预警阈值，作为故障预警阈值，其中，为训练样本库Z的总体样本各特征量的统计均值；为训练样本库Z的总体样本各特征量的标准差。

本发明的有益效果是：本发明的基于多工况的轨道交通车辆门系统故障诊断及预警方法，针对门系统的运行数据划分为初始化标准数据、每日标准数据和实时运行数据，有效减少了人为因素和系统退化对持续门系统数据分析的影响，能够更加准确地实现诊断和预警，利用电机监测实时监测参数及门控器IO信号诊断门系统典型故障，丰富了门系统可诊断故障类型，且通过细化故障特征，提高了诊断精度；建立实时健康度模型，通过实时参数与模型的残差特征诊断亚健康现象，为早期故障预警提供了新方法；对于门系统长期缓慢退化的亚健康问题，传统诊断方法基本无法监测门系统参数，而本方法通过建立退化阈值模型，对比分析状态参数特征值的长期变化趋势，能够识别长期退化亚健康状态，并实现早期预警，具有良好的应用前景。

附图说明

图1是本发明的基于多工况的轨道交通车辆门系统故障诊断及预警方法的流程图。

图2是本发明的典型故障诊断的流程图。

图3是本发明的实时亚健康状态诊断的流程图。

图4是本发明的长期退化类型的亚健康诊断的流程图。

具体实施方式

下面将结合说明书附图，对本发明作进一步的说明。

本发明的基于多工况的轨道交通车辆门系统故障诊断及预警方法，针对门系统的运行数据划分为初始化标准数据、每日标准数据和实时运行数据，有效减少了人为因素和系统退化对持续门系统数据分析的影响，能够更加准确地实现诊断和预警，利用电机监测实时监测参数及门控器IO信号诊断门系统典型故障，丰富了门系统可诊断故障类型，且通过细化故障特征，提高了诊断精度；建立实时健康度模型，通过实时参数与模型的残差特征诊断亚健康现象，为早期故障预警提供了新方法；对于门系统长期缓慢退化的亚健康问题，传统诊断方法基本无法监测门系统参数，而本方法通过建立退化阈值模型，对比分析状态参数特征值的长期变化趋势，能够识别长期退化亚健康状态，并实现早期预警，如图1所示，包括以下步骤，

步骤(A)，通过轨道交通车辆门系统驱动电机内的传感器及门控器采集各车门的运行数据，并存储到数据库内；

所述运行数据包括转角、转速、电流、转矩、温度、IO信号以及开关触发临界CAP值；

步骤(B)，将存储的运行数据进行预处理，进行分类，具体如下：

将新上线并已调整正常、空车跑合的轨道交通车辆门系统的运行数据定义为初始化标准数据A，用于作为轨道交通车辆门系统的初始状态，并作为长期退化亚健康参数的参考基准；

将每日轨道交通车辆上线前，在厂库内检查时的多次开关门正常数据定义为每日标准数据B，用于作为轨道交通车辆门系统每日的正常状态标准；

将每日轨道交通车辆上线后，轨道交通车辆门系统的传感器及门控器实时采集各车门的运行数据定义为实时数据C，作为轨道交通车辆门系统在运营当中的实时开关门状态，判别是否当前门系统出现故障或实时亚健康异常；

将轨道交通车辆在试验台架进行的模拟试验数据，用于辅助制定典型故障规则和亚健康规则；

这里的初始化标准数据A、每日标准数据B、实时数据C至少30组以上有效值；

步骤(C)，对每日轨道交通车辆上线后的轨道交通车辆门系统进行典型故障诊断，过程如图2所示，对实时数据C进行总体特征值提取，判定实时数据C是否属于故障类异常，若初步判定结果为是，则采用典型故障判定规则判定故障类型，并发出故障警告及故障参数，具体包括以下步骤，

(C1)，对实时数据C作对齐、去除冗余采集的预处理，并通过整体特征值区分出典型故障数据；

(C2)，提取典型故障数据对应的细化整体特征值，包括开/关门时间、总行程、最大行程、最大电流、有效电流、电机停转次数、电机堵转次数、电机电机停转位置、电机堵转位置、开门方向运动次数和关门方向运动次数；

(C3)，将所细化整体特征值与典型故障规则进行比对，根据关键特征值分的布范围确定当前故障数据的对应故障类型，所述关键特征值为开/关门时间、总行程；

(C4)，将确定当前故障数据的对应故障类型，将轨道交通车辆门系统的故障警告和故障参数信息通过邮件推送给现场客服和相关维护人员，实现门系统故障的实时在线诊断；

若初步判定结果为否，则进入步骤(D)；

步骤(D)，对每日轨道交通车辆上线后的轨道交通车辆门系统进行实时亚健康状态诊断，过程如图3所示，对实时数据C与每日标准数据B进行对比分析，根据每日标准数据B构建基于特征分布参数的数据统计模型作为实时健康度模型，通过计算实时数据C的运动特征参数与实时健康度模型的残差比较、开关临界触发CAP与开关标准过压量范围进行比较，设定健康度阈值实现轨道交通车辆门系统的实时亚健康量化，判断比较值是否超出健康度阈值，若超出健康度阈值，根据超出健康度阈值的点数及位置判定轨道交通车辆门系统的亚健康异常类型，并继续监测统计该亚健康异常类型的发生频度和前后开关门状态，最终结合专家知识库诊断得到轨道交通车辆门系统当前的亚健康状态，并根据该亚健康状态，进行早期故障预警；若没有超出健康度阈值，则进入步骤(E)；

根据每日标准数据B构建基于特征分布参数的数据统计模型作为实时健康度模型，具体包括以下步骤，

(D1)对每日标准数据B作对齐、去除冗余采集的预处理；通过整体特征值区分出实时亚健康数据；

(D2)根据运动特征分别将转角、转速和电流数据划分为启动段、升速段、匀速段、减速段和缓行段，并提取各段的时间、最大值、最小值、均值、标准差、偏度、峰度特征；

(D3)通过门控器采集开关门过程的开关临界触发CAP值特征；

(D4)为了衡量实时数据特征值、转角转速、电流参数的变化程度，以同一门系统的每日标准数据B和其分段特征值作为训练样本，构造实时健康度模型，设训练样本库X，如公式(1)所示，

其中，{[x_i1,x_i2,...,x_im],i＝1,2,...,n}是由第i组数据的分段特征值、转角时序数据、转速时序数据和电流时序数据构成的特征量，n代表总样本组数，m代表特征量的数量；

(D5)根据训练样本库X，计算其总体样本各特征量的统计均值和标准差如公式(2)及公式(3)所示，

(D6)结合3sigma准则，构建实时健康度模型的包络范围：以作为预警包络界限，作为严重警告包络界限，得到实时健康度模型。

所述开关临界触发CAP的范围在6-23之间，可优选18，并可根据实际情况进行调整；所述开关标准过压量范围在1.5mm-6mm之间，可优选4mm，并可根据实际情况进行调整；超出临界范围直接判定为过压量异常，一经发现立即判定为门系统亚健康，并给出相应等级预警措施；在门系统实时亚健康问题处理完成后，需要对门系统的预警阈值复位，将实时亚健康模型重新学习调整后数据；

步骤(E)，对轨道交通车辆门系统进行长期退化类型的亚健康诊断，过程如图4所示，对每日标准数据B和初始化标准数据A进行对比分析，以初始化标准数据A的典型特征值为参考标准，建立退化阈值模型，通过分析每日标准数据B关键特征值的长期变化趋势，通过最小二乘方法预测下个周期的关键特征值，若预测的关键特征值超出退化阈值模型的范围，则输出轨道交通车辆门系统退化亚健康预警；否则，轨道交通车辆门系统正常运行，以初始化标准数据A的典型特征值为参考标准，建立退化阈值模型，具体包括以下步骤，

(E1)筛选出初始化标准数据A中具有明显变化趋势的典型特征值；

(E2)令所有典型特征值Z为训练样本库，结合3sigma准则构建得到退化阈值模型，以作为退化亚健康预警阈值，作为故障预警阈值，其中，为训练样本库Z的总体样本各特征量的统计均值；为训练样本库Z的总体样本各特征量的标准差。

上述的3sigma准则是根据均值±3/6*标准差进行建模的，3sigma准则为本领域技术人员在建模时所用的常规手段。

由于各个门系统上线时间不具有周期性，因此根据每日标准数据B的数据量和预测周期，对每日标准数据B特征值进行等间隔平均化处理，之后对各类特征值变化趋势进行最小二乘拟合，并根据拟合趋势预测值与门系统退化模型阈值比较，根据预测的门系统退化严重度给出相应预警，通过邮件提醒现场客服和相关维护人员及时检查门系统状态，及早更换退化零部件。

综上所述，本发明的基于多工况的轨道交通车辆门系统故障诊断及预警方法，能够对轨道交通车辆门系统的典型故障类型进行准确识别、对门系统亚健康及退化趋势进行早期预警，提高轨道交通车辆门系统运行的可靠性，具有良好的应用前景。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。