基于KMEANS特征匹配算法的車輛門系統(tǒng)亞健康預(yù)測方法研究*

張世鐘 龍 靜 曹勁然 許志興 張 偉

(1.廣州地鐵集團(tuán)有限公司,510030,廣州； 2.南京康尼機(jī)電股份有限公司,210013,南京//第一作者，工程師)

門系統(tǒng)作為城市軌道交通車輛的重要組成部分之一，其機(jī)械方面安全性能直接影響乘客安全與列車可靠運行[1]。目前車輛段對于車輛門系統(tǒng)的維護(hù)基本以人工定期檢查為主，效率較低，列車維護(hù)成本較高。南京康尼機(jī)電股份有限公司遠(yuǎn)程監(jiān)控與診斷小組通過與多家地鐵公司合作，目前實現(xiàn)了車輛門系統(tǒng)參數(shù)的在線監(jiān)測，能在線采集車輛門系統(tǒng)運行時的電機(jī)轉(zhuǎn)速、轉(zhuǎn)角和電流等數(shù)據(jù)[2]。在此基礎(chǔ)上，研究基于車輛門系統(tǒng)監(jiān)測數(shù)據(jù)的亞健康預(yù)測，這在實際應(yīng)用當(dāng)中具有重要意義。

近期，國內(nèi)外對軌道交通設(shè)備的監(jiān)控與診斷主要采用案例推理技術(shù)[3]、支持向量機(jī)[3]、BP神經(jīng)網(wǎng)絡(luò)[4]、專家系統(tǒng)[5]及貝葉斯網(wǎng)絡(luò)[6]等算法。這些算法的診斷思路基本類似，在設(shè)備故障發(fā)生后，需先提取故障數(shù)據(jù)特征，再將特征集合輸入所建立的模型中，進(jìn)而匹配得出診斷的故障類型。這些算法在實際應(yīng)用當(dāng)中主要針對程度明顯的故障類型，而且通過算法診斷獲取的結(jié)果與實際參數(shù)特征無法建立聯(lián)系，不利于后期分析與驗證。

本文主要針對典型故障的早期異常開展研究，通過預(yù)測亞健康類型實現(xiàn)故障的早期預(yù)警。本文根據(jù)南京康尼機(jī)電股份有限公司遠(yuǎn)程監(jiān)控與診斷小組的智能電機(jī)監(jiān)測數(shù)據(jù)，采用KEMANS聚類算法區(qū)分亞健康數(shù)據(jù)與正常數(shù)據(jù)的特征，提取特征值的差異項作為算法預(yù)測依據(jù)，最終匹配后輸出預(yù)測的亞健康類型。KEMANS聚類算法主要基于亞健康數(shù)據(jù)相對于正常數(shù)據(jù)的特征變化趨勢的差異性實現(xiàn)類型預(yù)測，故障特征與門系統(tǒng)機(jī)理聯(lián)系更加緊密，預(yù)測更加可靠穩(wěn)定。

1 特征值定義與提取

1.1 數(shù)據(jù)預(yù)處理

以廣州地鐵某線路車輛的電動塞拉門系統(tǒng)為研究對象，通過智能電機(jī)提取轉(zhuǎn)速、轉(zhuǎn)角及電流等監(jiān)測數(shù)據(jù)作為原始數(shù)據(jù)。結(jié)合轉(zhuǎn)角及電流等數(shù)據(jù)的變化趨勢，初步提取總體特征值。

為避免異常數(shù)據(jù)對預(yù)測結(jié)果的影響，通過設(shè)定總體特征閾值，濾除了乘客干擾數(shù)據(jù)和采集異常數(shù)據(jù)；繪制車輛門系統(tǒng)開門速度曲線，將曲線劃分為升速段、勻速段、減速段、緩行段、到位后段，如圖1所示。

圖1 車輛門系統(tǒng)開門速度曲線及分段

將原始數(shù)據(jù)標(biāo)準(zhǔn)化。分別提取開門數(shù)據(jù)與關(guān)門數(shù)據(jù)的分段特征值(定義為子特征)，令子特征值編號與子特征向量xα,i的數(shù)組元素一一對應(yīng)。樣本α的n組正常數(shù)據(jù)子特征矩陣Sα,n為：

Sα,n=[xα,1，xα,2，…，xα,n]T

xα,i=[cα, i,1,cα,i,2,cα,i,3,cα,i,4,cα,i,5,cα,i,6]

(1)

式中：

cα,i,1——第i組數(shù)據(jù)的開門轉(zhuǎn)角分段子特征值行向量；

cα,i,2——第i組數(shù)據(jù)的開門轉(zhuǎn)速分段子特征值行向量；

cα,i,3——第i組數(shù)據(jù)的開門電流分段子特征值行向量；

cα,i,4——第i組數(shù)據(jù)的關(guān)門轉(zhuǎn)角分段子特征值行向量；

cα,i,5——第i組數(shù)據(jù)的關(guān)門轉(zhuǎn)速分段子特征值行向量；

cα,i,6——第i組數(shù)據(jù)的關(guān)門電流分段子特征值行向量。

1.2 KMEANS聚類算法

KMEANS聚類算法從給定劃分類別開始，通過迭代使各數(shù)據(jù)點距離各聚類中心距離最小。根據(jù)文獻(xiàn)[7]，實現(xiàn)步驟如下：

步驟1：樣本α的數(shù)據(jù)集為Sα,n=[xα,1，xα,2，…，xα,n]T，xα,i∈Rm。其中，m=248,為維數(shù)，對應(yīng)開關(guān)門子特征。

步驟2：給定劃分類別數(shù)K，對應(yīng)劃分類別C={ck,k=1,2,…,K}。針對每個劃分類別ck，初始化隨機(jī)選取一點作為聚類中心μk。

步驟3:計算各樣本點到距其最近的聚類中心的歐氏距離平方和，有：

(2)

步驟4:依次將類別ck內(nèi)各數(shù)據(jù)點均值作為新的聚類中心ck,p，并重復(fù)步驟3和步驟4，直至達(dá)到指定迭代次數(shù)或2次迭代中聚類中心的D(C)差值小于給定閾值ε。

由于KMEANS聚類算法對異常點敏感，即便參照相同標(biāo)準(zhǔn)將門系統(tǒng)多次調(diào)整正常，這些正常數(shù)據(jù)也會通過算法被聚類區(qū)分開。而獨立分析亞健康數(shù)據(jù)無法確定其相對變化特征，需要與變化前的正常數(shù)據(jù)對比才能準(zhǔn)確定位亞健康類型。

1.3 提取KMEANS聚類特征

為了提高KMEANS聚類準(zhǔn)確率與計算效率，反映出車輛門系統(tǒng)亞健康狀態(tài)與正常狀態(tài)的相對變化，將聚類數(shù)K限制為2，即將正常數(shù)據(jù)與任意一類異常數(shù)據(jù)分為2類，之后通過樣本距離大小和正負(fù)差異放大樣本的聚類特征，實現(xiàn)更加具體精確的聚類特征構(gòu)造。

將正常數(shù)據(jù)子特征矩陣Sα,n與異常數(shù)據(jù)子特征矩陣Sβ,n組合得到[Sα,n，Sβ,n]，并輸入KMEANS分類器當(dāng)中聚類。如有超過70%數(shù)據(jù)能被準(zhǔn)確區(qū)分，則說明正常數(shù)據(jù)與異常數(shù)據(jù)差異性明顯，輸出數(shù)據(jù)異常。

當(dāng)檢測到數(shù)據(jù)異常后，計算正常數(shù)據(jù)聚類中心μα與異常數(shù)據(jù)聚類中心μβ的距離向量d(μα,μβ)。聚類距離越大，說明該類特征差異性越明顯。因此，根據(jù)各子特征維度的聚類距離大小對d(μα,μβ)降序排序，得到

d′(μα,μβ)=[ωδ1,ωδ2,…,ωδm]

(3)

式中：

δi——子特征向量原始編號；

ωδi——第δi個子特征維度下2類聚類中心距離。

提取聚類距離較大的前20個子特征編號作為核心特征值，得到：

Yαβ=[δ1，δ2，…，δ20]

(4)

分別計算正常數(shù)據(jù)子特征矩陣Sα,n與異常數(shù)據(jù)子特征矩陣Sβ,n的均值向量，得到：

(5)

(6)

計算相對偏差向量Δ：

(7)

Zαβ=[Δδ1,Δδ2,…,Δδ20]

(8)

最終將反應(yīng)聚類距離的特征向量Yα,β與反應(yīng)子特征相對偏差方向的特征向量Zα,β組合得到KMEANS核心特征值Jα,β。

Jα,β=Yα,β·Zα,β

(9)

1.4 特征匹配模式

通過試驗或現(xiàn)場真實亞健康數(shù)據(jù)訓(xùn)練可以構(gòu)建由T類KMEANS聚類特征值構(gòu)成的亞健康規(guī)則庫J(t),t=1,2,…,T。將KMEANS聚類提取的核心特征值Jα,β與規(guī)則庫J(t)進(jìn)行逐條匹配，預(yù)測可能亞健康類型以及相關(guān)匹配度。規(guī)則庫需要根據(jù)試驗數(shù)據(jù)提取的核心特征值訓(xùn)練學(xué)習(xí)建立。通過匹配度給出可能的匹配度結(jié)果。定義交集數(shù)量與規(guī)則庫數(shù)量總數(shù)比值為匹配度p(t)，則有：

(10)

其中，Jα,β∩J(t)表示核心特征值與規(guī)則庫特征值的交集數(shù)量，即兩者相同特征值個數(shù)。

此外，給出各亞健康類型的綜合統(tǒng)計置信度，其中第k類亞健康的統(tǒng)計置信度計算式為：

(11)

式中：

d——統(tǒng)計天數(shù)。

2 仿真試驗驗證與實例應(yīng)用

2.1 仿真試驗配置

仿真試驗采用臺架模擬試驗數(shù)據(jù)進(jìn)行驗證。臺架模擬試驗數(shù)據(jù)分別來自2個35D鎖結(jié)構(gòu)塞拉門臺架：廣州地鐵5號線車輛門系統(tǒng)臺架和天津地鐵1號線車輛門系統(tǒng)臺架。

廣州地鐵5號線車輛門系統(tǒng)臺架配置了康尼智能電機(jī)、mk7001.t0006-8門控器硬件及MK7001-A門控器軟件。調(diào)門參數(shù)如表1所示。

表1 廣州地鐵5號線的車輛門系統(tǒng)臺架調(diào)門參數(shù)

天津地鐵1號車輛門系統(tǒng)臺架配置了康尼智能電機(jī)、mk7001.t0006-8門控器硬件及MK7001-A門控器軟件。調(diào)門參數(shù)如表2所示。

表2 天津地鐵1號線車輛門系統(tǒng)臺架調(diào)門參數(shù)

仿真計算規(guī)則庫使用數(shù)據(jù)為廣州地鐵5號線車輛門系統(tǒng)臺架的2015年7—8月、2016年11—12月數(shù)據(jù)。

仿真驗證數(shù)據(jù)來自于天津地鐵1號線車輛門系統(tǒng)臺架的2017年1月數(shù)據(jù)。

規(guī)則庫制定數(shù)據(jù)與仿真試驗數(shù)據(jù)對應(yīng)關(guān)系如表3所示。

首先，將廣州地鐵5號線車輛門系統(tǒng)臺架數(shù)據(jù)中的正常數(shù)據(jù)與對應(yīng)亞健康數(shù)據(jù)輸入基于KMEANS特征匹配的預(yù)測系統(tǒng)，并將得到的特征值歸入規(guī)則庫中；然后，將天津地鐵1號線車輛門系統(tǒng)臺架數(shù)據(jù)中的正常數(shù)據(jù)與亞健康數(shù)據(jù)輸入預(yù)測系統(tǒng)，對每種類型重復(fù)進(jìn)行5次計算，且每次計算隨機(jī)選取樣本數(shù)據(jù)，以模擬正線連續(xù)統(tǒng)計5 d診斷結(jié)果；最后，對各亞健康類型的5 d診斷結(jié)果進(jìn)行綜合統(tǒng)計，按置信度高低進(jìn)行排序，其中置信度最高的3個可能類型即為最終預(yù)測結(jié)果。

表3 車輛門系統(tǒng)臺架規(guī)則庫數(shù)據(jù)與仿真驗證結(jié)果對應(yīng)關(guān)系

2.2 仿真驗證結(jié)果

2.2.1 隸屬度分析

以對中尺寸誤差為8 mm的異常數(shù)據(jù)作為單個亞健康類型示例，與對中正常數(shù)據(jù)進(jìn)行對比分析。對中正常數(shù)據(jù)與對中尺寸誤差為8 mm的數(shù)據(jù)樣本聚類后隸屬度分布如圖2所示。

由圖2可見，兩類數(shù)據(jù)的隸屬度明顯差異較大，而同類型數(shù)據(jù)的隸屬度分布較為集中。

2.2.2 綜合置信度分析

通過統(tǒng)計綜合置信度，能濾除偶爾異常數(shù)據(jù)導(dǎo)致的預(yù)測置信度偏離，進(jìn)而保證長期存在異常的亞健康類型置信度排在較前位置。在統(tǒng)計亞健康類型綜合置信度時，可將相同部件、不同程度的亞健康按同類型亞健康統(tǒng)計。

圖2 對中尺寸正常數(shù)據(jù)與異常數(shù)據(jù)的隸屬度分布

經(jīng)統(tǒng)計，天津地鐵1號線的對中尺寸誤差試驗5次綜合置信度如表4所示。

表4 對中尺寸誤差類亞健康試驗預(yù)測結(jié)果

由表4可見，在連續(xù)5次計算過程中，對中尺寸異常數(shù)據(jù)的置信度一直較高，其他類型亞健康數(shù)據(jù)的置信度并不是每次都很高。

根據(jù)表4，各類亞健康的綜合置信度基本大于0.5。因此，可初步將綜合置信度0.5作為亞健康的預(yù)警值，為正線的亞健康診斷提供參考。

2.3 實例應(yīng)用驗證

在廣州地鐵某列車的門系統(tǒng)上安裝智能電機(jī)，并通過網(wǎng)關(guān)在線采集運行數(shù)據(jù)，以進(jìn)行實例應(yīng)用驗證。采集2017年3月14日試驗列車在庫內(nèi)多次運行的數(shù)據(jù)作為標(biāo)準(zhǔn)正常數(shù)據(jù)，并據(jù)此對該列車之后每天的在線運行數(shù)據(jù)進(jìn)行診斷。

通過基于KMEANS特征匹配算法的亞健康預(yù)測系統(tǒng)，對試驗列車門系統(tǒng)狀態(tài)進(jìn)行評估。異常類型置信度會根據(jù)歷史統(tǒng)計次數(shù)累計，當(dāng)達(dá)到設(shè)定預(yù)警值時，亞健康預(yù)測系統(tǒng)將會報出亞健康維修任務(wù)，并給出對應(yīng)檢修建議步驟。

目前，該試驗項目已進(jìn)入規(guī)則調(diào)整與完善階段，近期已能夠較為準(zhǔn)確識別門系統(tǒng)亞健康異常。本文選取2例典型案例進(jìn)行分析。

2.3.1 實際應(yīng)用案例1

2017年5月14日 00:31:03 ,試驗項目亞健康預(yù)測系統(tǒng)發(fā)出亞健康警報，相應(yīng)診斷結(jié)果如表5所示。

現(xiàn)場檢查發(fā)現(xiàn)，罩板與門板有剮蹭痕跡。處理辦法為調(diào)整下?lián)蹁N、壓輪及外擺臂尺寸。

表5 案例1 的亞健康診斷結(jié)果

經(jīng)分析，外擺臂尺寸異常特征與當(dāng)前規(guī)則庫有偏差。于是，亞健康預(yù)測系統(tǒng)將此次案例作為上滑道異常大類(外擺臂尺寸異常子類)重新學(xué)習(xí)并加入規(guī)則庫當(dāng)中。

2.3.2 實際應(yīng)用案例2

2017年5月27日00:30:35，試驗項目亞健康預(yù)測系統(tǒng)發(fā)出上滑道異常亞健康警報，其綜合置信度為0.516 5。

現(xiàn)場檢查發(fā)現(xiàn)，該門系統(tǒng)左門平行度為-0.3 mm，右門平行度為2.5 mm(正常范圍為0～2 mm)。調(diào)整后，左門平行度為0 mm，右門平行度為1 mm。調(diào)整后的門系統(tǒng)參數(shù)正常。繼續(xù)跟蹤，此門未再發(fā)生異常。因此將該案例的亞健康數(shù)據(jù)作為新規(guī)則加入規(guī)則庫。

3 結(jié)語

本文提出一種基于KMEANS特征匹配算法的車輛門系統(tǒng)亞健康預(yù)測方法，實現(xiàn)了車輛門系統(tǒng)的早期故障預(yù)警。

該方法先以正常狀態(tài)和亞健康狀態(tài)門系統(tǒng)的電機(jī)轉(zhuǎn)角、轉(zhuǎn)速和電流的時域特征、統(tǒng)計分布特征作為輸入量；再通過KEMANS算法計算兩者空間距離，并根據(jù)距離大小對子特征排序，篩選出差異明顯的特征量構(gòu)成特征向量；最后將特征向量與已有規(guī)則庫匹配，通過衡量匹配后的綜合置信度輸出預(yù)測的亞健康類型。

仿真驗證結(jié)果證明：該方法對于已知、可模擬亞健康類型能夠?qū)崿F(xiàn)準(zhǔn)確預(yù)測。

現(xiàn)場的2例實際案例表明：基于KMEANS特征匹配算法的車輛門系統(tǒng)亞健康預(yù)測系統(tǒng)在運行初期能夠不斷學(xué)習(xí)新亞健康類型，并擴(kuò)充數(shù)據(jù)庫，在后期也能夠繼續(xù)準(zhǔn)確預(yù)測實際發(fā)生的亞健康，并給出相應(yīng)檢修建議。

采用該系統(tǒng)對正線實行狀態(tài)修，可極大減輕現(xiàn)場檢修人員工作量，提高檢測效率，并能實現(xiàn)早期故障預(yù)警，提高車輛門系統(tǒng)的安全性和可靠性。