一种城市轨道交通车辆门系统的亚健康预测方法与流程

本发明涉及轨道交通检测技术领域，具体涉及一种城市轨道交通车辆门系统的亚健康预测方法。

背景技术：

随着城市规模的快速发展，城市轨道交通车辆的数量也越来越多。现有的城市轨道交通车辆门系统主要进行的是故障诊断，即发生故障后进行诊断，无法预测门系统的各部件退化，来避免故障的发生。针对上述的问题，现有性能退化的预测方法是基于控制图法来设定各部件的上、下控制限来进行预测，无法预测一些部件在图形上变化较小，引起门系统性能退化的情况。

技术实现要素：

本发明的目的是克服现有的性能退化预测方法，无法预测门系统中一些部件在图形上变化较小，引起门系统性能退化情况的问题。本发明的城市轨道交通车辆门系统的亚健康预测方法，能够在门系统发生故障之前，得到亚健康退化状态，建模方法简单，能够预测多种已知的亚健康状态，同时在进行在线应用时，通过聚类算法能够发现未知的亚健康状态，达到预测城市轨道交通车辆门系统的亚健康状态的目的，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：

一种城市轨道交通车辆门系统的亚健康预测方法，其特征在于：包括以下步骤，

步骤(a)，对城市轨道交通车辆门系统的电机采集数据进行预处理，消除门系统电机采集数据的差异性和噪音数据；

步骤(b)，对预处理后的电机采集数据进行分段特征提取，得到反应城市轨道交通车辆门系统状态的特征值；

步骤(c)，对提取的分段特征进行数据标准化和离散性处理，消除数据量纲影响和门系统离散性对分段特征的影响；

步骤(d)，根据k-means聚类分析算法对城市轨道交通车辆门系统的亚健康进行离线建模，通过对城市轨道交通车辆门系统的亚健康状态和正常状态的聚类分析，得到城市轨道交通车辆门系统的亚健康状态模型；

步骤(e)，根据亚健康状态模型，进行在线预测，将在线聚类的结果与离线建立的亚健康状态模型进行对比，预测得到当前的城市轨道交通车辆门系统所处的健康状态。

前述的一种城市轨道交通车辆门系统的亚健康预测方法，其特征在于：步骤(a)对城市轨道交通车辆门系统的电机采集数据进行预处理，包括以下步骤，

(a1)，通过城市轨道交通车辆门系统的电机传感器，得到电机采集数据；

(a2)，将电机采集数据进行校正，重新记录每一次开关门过程中数据采集的起始点与终止点；同时，将城市轨道交通车辆门系统的起点校正到同一位置，进行数据采集，得到校正后的电机采集数据。

前述的一种城市轨道交通车辆门系统的亚健康预测方法，其特征在于：所述起始点为电机转角变化大于阈值α的位置，终止点为电机转角不变且速度为零的位置。

前述的一种城市轨道交通车辆门系统的亚健康预测方法，其特征在于：步骤(b)，对预处理后的电机采集数据进行分段特征提取，得到反应城市轨道交通车辆门系统状态的特征值，包括以下步骤，

(b1)，将一次开关门过程划分为升速段、高速段、降速段、缓行段和到位后段；

(b2)，分阶段统计分析各段的电流、转速、位置和加速度的最大值、最小值、均值、方差、偏度和峰度；

(b3)，重复(b1)-(b3)，对电机采集数据对应的每一次开关门过程都进行分段处理后，采用单变量统计方法进行各段的分段特征提取，得到完整反应城市轨道交通车辆门系统状态的特征值。

前述的一种城市轨道交通车辆门系统的亚健康预测方法，其特征在于：步骤(c)，对提取的分段特征进行数据标准化和离散性处理，包括以下步骤，

(c1)，根据z-score标准化方法对分段特征进行标准化，通过分段特征的均值标准差来进行标准化，消除数据量纲的影响，如公式(1)所示，

其中，μ为对应的分段特征的均值，σ为对应的分段特征发标准差，x为分段特征的原数据；x^*为标准化之后的分段特征数据；

(c2)，根据标准化后的分段特征数据离散性的大小，对各分段特征数据赋予不同的权重，实现离散性处理，消除门系统离散性对分段特征的影响。

前述的一种城市轨道交通车辆门系统的亚健康预测方法，其特征在于：步骤(d)，根据k-means聚类分析算法对城市轨道交通车辆门系统的亚健康进行离线建模，通过对城市轨道交通车辆门系统的亚健康状态和正常状态的聚类分析，得到城市轨道交通车辆门系统的亚健康状态模型，包括以下步骤，

(d1)，随机选取城市轨道交通车辆门系统的n个正常数据与相同数量的亚健康数据，并经过上述步骤(a)-步骤(c)的处理过后的分段特征数据值xi；

(d2)，选取随机选取k个聚类中心点μ1,μ2,....μk∈r，r为实数；

(d3)，根据系分段特征数据值xi和聚类中心点，重复公式(2)和公式(3)，直到收敛，收敛的目标函数如公式(4)所示：对于每一个数据点i,m为数据点的数量，判断其属于的类别，

对于每一个类别j，更新该类的聚类中心点，

收敛的目标函数，

k为k-means聚类分析算法开始前设定的的聚类数，数据点i属于与所有类中距离最近那个类的类别，c⁽ⁱ⁾的值是1到k对应的一个聚类中心点，μj为一个类别中的样本中心点；

(d4)，根据k-means聚类分析算法的聚类结果判别是否可进行亚健康模型的建模，若正常数据与亚健康数据分类后的标签和分类前一致，则亚健康数据与正常数据存在差异性，可进行亚健康模型的建模；

(d5)，根据k-means聚类分析算法得到正常数据与亚健康数据对应的中心c1、c2，找到距离中心最大的前若干个分段特征数据，得到特征值的序号，并根据相对应正常数据的变化赋予正负号，得到城市轨道交通车辆门系统的亚健康状态模型fk。

前述的一种城市轨道交通车辆门系统的亚健康预测方法，其特征在于：步骤(e)，根据亚健康状态模型，进行在线预测，将在线聚类的结果与离线建立的亚健康状态模型进行对比，预测得到当前的城市轨道交通车辆门系统所处的健康状态，包括以下步骤，

(e1)，对在线数据和正常数据进行聚类分析，分析聚类结果的聚类正确率，若正确率过低，则城市轨道交通车辆门系统处于正常状态；否则，得出一个未知模型f，并进入下一步(e2)；

(e2)，将未知模型f与离线建立的亚健康状态模型fk中的模型进行匹配，根据相似度，预测得到当前的城市轨道交通车辆门系统所处的健康状态。

前述的一种城市轨道交通车辆门系统的亚健康预测方法，其特征在于：所述正常数据，是在城市轨道交通车辆门系统进行调门装车后采集到的数据。

本发明的有益效果是：本发明的城市轨道交通车辆门系统的亚健康预测方法，能够在门系统发生故障之前，得到亚健康退化状态，建模方法简单，能够预测多种已知的亚健康状态，同时在进行在线应用时，通过聚类算法能够发现未知的亚健康状态，达到预测城市轨道交通车辆门系统的亚健康状态的目的，在门系统发生故障之前，能够获知门系统的运行状态，从而进行及时维护来避免系统故障的发生，对多种亚健康能够准确预测，准确率高，具有良好的应用前景。

附图说明

图1是本发明的城市轨道交通车辆门系统的亚健康预测方法的流程图；

图2是本发明的亚健康模型建模过程的流程图；

图3是本发明的在线进行亚健康预测流程图；

图4是本发明一实例的聚类分析建模结果的示意图。

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。

如图1所示，本发明的城市轨道交通车辆门系统的亚健康预测方法，包括以下步骤，其中亚健康模型建模过程，如图2所示，

步骤(a)，对城市轨道交通车辆门系统的电机采集数据进行预处理，消除门系统电机采集数据的差异性和噪音数据，包括以下步骤，

(a1)，通过城市轨道交通车辆门系统的电机传感器，得到电机采集数据；

(a2)，将电机采集数据进行校正，重新记录每一次开关门过程中数据采集的起始点与终止点；同时，将城市轨道交通车辆门系统的起点校正到同一位置，进行数据采集，得到校正后的电机采集数据，所述起始点为电机转角变化大于阈值α的位置，终止点为电机转角不变且速度为零的位置；

步骤(b)，对预处理后的电机采集数据进行分段特征提取，得到反应城市轨道交通车辆门系统状态的特征值，包括以下步骤，

(b1)，将一次开关门过程划分为升速段、高速段、降速段、缓行段和到位后段；

(b2)，分阶段统计分析各段的电流、转速、位置和加速度的最大值、最小值、均值、方差、偏度和峰度；

(b3)，重复(b1)-(b3)，对电机采集数据对应的每一次开关门过程都进行分段处理后，采用单变量统计方法进行各段的分段特征提取，得到完整反应城市轨道交通车辆门系统状态的特征值；

现阶段进行电机采集数据主要是通过电机传感器采集的电机转角、转速和电流三个过程变量来作为特征量监测系统，其中，转角量可以经过转换表示为位置，即门扇的移动距离；同时对电机速度特征量进行差分，得到电机的加速度特征作为第四个输出变量，所述单变量统计方法包括：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)；

步骤(c)，对提取的分段特征进行数据标准化和离散性处理，消除数据量纲影响和门系统离散性对分段特征的影响，包括以下步骤，

(c1)，根据z-score标准化方法对分段特征进行标准化，通过分段特征的均值标准差来进行标准化，消除数据量纲的影响，如公式(1)所示，

其中，μ为对应的分段特征的均值，σ为对应的分段特征发标准差，x为分段特征的原数据；x^*为标准化之后的分段特征数据；

(c2)，根据标准化后的分段特征数据离散性的大小，对各分段特征数据赋予不同的权重，实现离散性处理，消除门系统离散性对分段特征的影响；

步骤(d)，根据k-means聚类分析算法对城市轨道交通车辆门系统的亚健康进行离线建模，通过对城市轨道交通车辆门系统的亚健康状态和正常状态的聚类分析，得到城市轨道交通车辆门系统的亚健康状态模型，包括以下步骤，

(d1)，随机选取城市轨道交通车辆门系统的n个正常数据与相同数量的亚健康数据，并经过上述步骤(a)-步骤(c)的处理过后的分段特征数据值xi；

(d2)，选取随机选取k个聚类中心点μ1,μ2,....μk∈r，r为实数；

(d3)，根据系分段特征数据值xi和聚类中心点，重复公式(2)和公式(3)，直到收敛，收敛的目标函数如公式(4)所示：对于每一个数据点i,m为数据点的数量，判断其属于的类别，

对于每一个类别j，更新该类的聚类中心点，

收敛的目标函数，

k为k-means聚类分析算法开始前设定的的聚类数，数据点i属于与所有类中距离最近那个类的类别，c⁽ⁱ⁾的值是1到k对应的一个聚类中心点，μj为一个类别中的样本中心点；

(d4)，根据k-means聚类分析算法的聚类结果判别是否可进行亚健康模型的建模，若正常数据与亚健康数据分类后的标签和分类前一致，则亚健康数据与正常数据存在差异性，可进行亚健康模型的建模；

(d5)，根据k-means聚类分析算法得到正常数据与亚健康数据对应的中心c1、c2，找到距离中心最大的前若干个(可选择20个)分段特征数据，得到特征值的序号，并根据相对应正常数据的变化赋予正负号，得到城市轨道交通车辆门系统的亚健康状态模型fk，本发明的一个具体实施例，隶属度的变量来直观的反映高维聚类的效果，样本点与正常数据的密度中心点距离(采用欧氏距离)d1，样本点与亚健康数据的密度中心点距离d2，隶属度即d2/(d1+d2)，在一定程度上反应数据与正常数据的相似程度，选取了正常数据和中间支撑松动数据各16个进行聚类分析建模结果，针对每一种亚健康状态，分别将该亚健康数据与正常数据放在一起进行聚类，即k-means聚类算法中k＝2，对每一种亚健康状态分别建模，如图4所示，也可以看到数据明显分为2类，聚类效果较好，能够进行亚健康状态模型的稳定建模。

步骤(e)，根据亚健康状态模型，进行在线预测，将在线聚类的结果与离线建立的亚健康状态模型进行对比，预测得到当前的城市轨道交通车辆门系统所处的健康状态，如图3所示，包括以下步骤，

(e1)，对在线数据和正常数据进行聚类分析，分析聚类结果的聚类正确率，若正确率过低(聚类失败)，则城市轨道交通车辆门系统处于正常状态；否则，得出一个未知模型f，并进入下一步(e2)；

(e2)，将未知模型f与离线建立的亚健康状态模型fk中的模型进行匹配，根据相似度，预测得到当前的城市轨道交通车辆门系统所处的健康状态，若匹配成功，未知模型f为已知的亚健康状态；若匹配不成功，未知模型f为未知的亚健康状态，需要工作人员进行进一步分析处理。

本发明所述的正常数据，是在城市轨道交通车辆门系统进行调门装车后采集到的数据。

根据本发明的城市轨道交通车辆门系统的亚健康预测方法，具体在线预测结果如下，表1给出用测试样本模拟进行在线预测的结果，一共模拟了四个亚健康状态，在线预测时都与正确结果的相似程度最高，从而能够达到准确预测城市轨道交通车辆门系统亚健康状态的目的，

表1本发明的亚健康预测结果

综上所述，本发明的城市轨道交通车辆门系统的亚健康预测方法，能够在门系统发生故障之前，得到亚健康退化状态，建模方法简单，能够预测多种已知的亚健康状态，同时在进行在线应用时，通过聚类算法能够发现未知的亚健康状态，达到预测城市轨道交通车辆门系统的亚健康状态的目的，在门系统发生故障之前，能够获知门系统的运行状态，从而进行及时维护来避免系统故障的发生，对多种亚健康能够准确预测，准确率高，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。