基于DPC的轨道车辆多门系统异常检测方法和系统技术方案

本发明专利技术公开了基于DPC的轨道车辆多门系统异常检测方法和系统，包括：对车门系统的正线数据进行特征提取，将每一次开关门过程分段对每个段上若干电机参数值分别进行时域特征提取和频域特征提取并组合生成车门系统的系统状态变量；基于DPC方法对提取出的系统特征变量建立系统多门健康度模型；采用欧式距离识别车门的异常状态。本发明专利技术以密度峰值聚类算法进行数学建模，建立多车辆门系统的健康度模型；利用建立好的模型对所获取的多车辆门模型进行周期性间的横向比较，完成车辆多门系统异常检测，减少了重复性的实验设计和数据采集工作，是密度峰值聚类算法在轨道车辆门故障检测技术上的首次运用，不受车门类型或锁闭装置类型的影响，具有良好的普适性。

【技术实现步骤摘要】
基于DPC的轨道车辆多门系统异常检测方法和系统
本专利技术涉及一种基于密度峰值聚类的轨道车辆多门系统异常检测方法和系统，属于城市轨道交通

技术介绍
随着国民经济的不断发展，我国的城市化进程逐步加快。经济的发展，科技的进步，居民生活水平的提高，城市人口的急剧增加，城市规模的扩大，居民出行和物资交流的高度频繁，致使城市交通系统面临着严峻的局势。城市轨道交通作为综合交通运输体系中的关键运输方式，以其运能大、效率高、成本低、能耗小等独特的技术经济优势，在缓解城市交通拥堵和社会经济发展中肩负着重要使命。在交通需求的大环境下，城市轨道交通车辆在整个城市轨道交通系统设备中占据着重要的地位。与此同时，轨道交通安全与可靠性保障也面临着严峻的挑战。其中轨道车辆门是城市轨道交通运营中使用最频繁的部件之一。由于开关频繁，造成车门系统故障频发，给乘客出行带来不便，与此同时对城市轨道交通安全运营造成严重影响。根据统计可知，在整个地铁运营过程中，列车故障数占总数的35％以上，其中，车门系统作为列车的关键子系统，故障数量在列车各系统中排名第一，占列车故障总数的50％左右。地铁车辆门系统部件较多，是多专业综合性的产品，涉及机械、电子、计算机、控制、材料等多领域。所以检测它的系统状态使用传统的基于模型或者基于规则的方法也变得越来越困难。基于数据的方法能够通过分析系统采集的数据来监测系统的当前状态，而通过分析实时数据和正常数据的差异，可以来预测系统的健康状态，来避免可能出现的系统故障；因而基于数据的方法在理论研究和工程应用中发挥着广泛作用。目前尚没有基于轨道车辆门系统的性能退化与系统健康状态方面的技术。现有的其他系统的性能退化的预测方法，如针对燃料电池的性能退化的研究主要是通过测量交流阻抗，将测量到的交流阻抗值与退化参考值作比较来评估性能退化，但是地铁车辆门系统的部件较多且不同部件的退化造成不同的异常状态，无法通过该方法进行地铁车辆门系统的异常检测。如何利用正线运行数据最大限度和高效率的解决车门系统故障，进而保持和提升城轨列车的安全运营，是亟待研究的技术问题。
技术实现思路
本专利技术针对上述现有技术的不足，旨在面向城轨列车的多门系统，提供一种基于密度峰值聚类(DensityPeaksClustering，DPC)的轨道车辆多门系统异常检测方法，能够减少重复性的实验设计和数据采集工作，不受车门类型或锁闭装置类型的影响，具有良好的普适性。为实现上述目的，本专利技术采用以下技术方案：基于DPC的轨道车辆多门系统异常检测方法，其特征是，包括以下步骤：步骤一：对车门系统的正线数据进行特征提取，特征提取时将每一次开关门过程分段对每个段上若干电机参数值分别进行时域特征提取和频域特征提取并组合生成车门系统的系统状态变量；步骤二：基于密度峰值聚类方法对提取出的系统特征变量建立系统多门健康度模型；步骤三：采用欧式距离识别车门的异常状态。进一步地，步骤一包括将每一次开关门过程分为5段，包括升速段、高速段和减速段、缓行段和到位后段；确定每个段上电机参数值包括位置、速度和电流值得到系统特征集。再进一步地，时域特征提取包括再将每一段分别提取6个时域特征包括分别提取每段电机参数值的最大值、最小值、均值、方差、偏度和峰度组成系统时域特征集。进一步地，频域特征提取时将系统特征集分解成多个独立频域的子空间，采用小波分解方法提取各频带的能量频域能量特征。再进一步地，采用3层小波分解结构，对轨道车辆门系统电机采集的开门和关门的位置、速度和电流信号分别进行小波分解，得到4个子频带的能量并最终确定轨道车辆门系统的频域特征集。进一步的，步骤二中基于密度峰值聚类方法对提取出的系统特征变量建立系统多门健康度模型时确定系统状态变量的密度中心，包括：计算出每个Xi的局部密度ρ和距离δ，若系统状态变量值Xi的密度是最大局部密度或最大全局密度,则Xi的δi远大于其最近邻系统状态变量值的δ距离；选择ρ,δ都较大的系统状态变量值为类簇中心，设有m个密度中心，即Ci,i＝1,2,3,···m；分配剩余数据点：对于剩余系统状态变量值j,将其归入密度比j大且距离j最近的系统状态变量值所在类簇,一步完成对剩余系统状态变量值j的分配。再进一步的，采用欧式距离识别车门的异常状态，包括：计算系统状态变量值到密度中心Ci,i＝1,2,3,···m的欧氏距离之和，表达式为：其中Xi为系统状态变量值，Ci为密度中心。优选地，对车门系统的正线数据进行特征提取之前包括对车门系统的正线数据进行预处理，所述预处理包括对正线数据的对齐和问题数据去除，所述问题数据包括小于预先设定的正常数据阈值的数据和不在正常数据范围的数据。在另一方面，本专利技术提供了基于DPC的轨道车辆多门系统异常检测系统，其特征是，包括：车辆多门系统特征提取模块，用于对车门系统的正线数据进行特征提取，特征提取时将每一次开关门过程分段对每个段上若干电机参数值分别进行时域特征提取和频域特征提取并组合生成车门系统的系统状态变量；包括：将每一次开关门过程分为5段，包括升速段、高速段和减速段、缓行段和到位后段；确定每个段上电机参数值包括位置、速度和电流值得到系统特征集。时域特征提取包括再将每一段分别提取6个时域特征包括分别提取每段电机参数值的最大值、最小值、均值、方差、偏度和峰度组成系统时域特征集；频域特征提取时采用3层小波分解结构提取各频带的能量频域能量特征，对轨道车辆门系统电机采集的开门和关门的位置、速度和电流信号分别进行小波分解，得到4个子频带的能量并最终确定轨道车辆门系统的频域特征集。系统多门健康度模型建立模块，用于基于密度峰值聚类方法对提取出的系统特征变量建立系统多门健康度模型；包括：计算出每个Xi的局部密度ρ和距离δ，若系统状态变量值Xi的密度是最大局部密度或最大全局密度,则Xi的δi远大于其最近邻系统状态变量值的δ距离；选择ρ,δ都较大的系统状态变量值为类簇中心，设有m个密度中心，即Ci,i＝1,2,3,···m；分配剩余数据点：对于剩余系统状态变量值j,将其归入密度比j大且距离j最近的系统状态变量值所在类簇,一步完成对剩余系统状态变量值j的分配。异常状态监测模块：用于采用欧式距离识别车门的异常状态，包括：计算系统状态变量值到密度中心Ci,i＝1,2,3,···m的欧氏距离之和，表达式为：其中Xi为系统状态变量值，Ci为密度中心。优选地，还包括数据预处理模块，用于对车门系统的正线数据进行特征提取之前包括对车门系统的正线数据进行预处理，所述预处理包括对正线数据的对齐和问题数据去除，所述问题数据包括小于预先设定的正常数据阈值的数据和不在正常数据范围的数据。本专利技术所达到的有益效果：(1)本专利技术以密度峰值聚类算法进行数学建模，建立多车辆门系统的健康度模型；利用建立好的模型对所获取的多车辆门模型进行周期性间的横向比较，完成车辆多门系统异常检测，减少了重复性的实验设计和数据采集工作，是密度峰值聚类算法在轨道车辆门故障检测技术上的首次运用，不受车门类型或锁闭装置类型的影响，具有良好的普适性；(2)本专利技术是采用的是基于数据的数学建模方法，基于正线数据进行特征提取与优化改进，使得提取的数据特征能够比较完整的体现系统的状态。附图说明图1是本专利技术具体实施例车辆多门监测系统本文档来自技高网...

【技术保护点】
1.基于DPC的轨道车辆多门系统异常检测方法，其特征是，包括以下步骤：步骤一：对车门系统的正线数据进行特征提取，特征提取时将每一次开关门过程分段对每个段上若干电机参数值分别进行时域特征提取和频域特征提取并组合生成车门系统的系统状态变量；步骤二：基于密度峰值聚类方法对提取出的系统特征变量建立系统多门健康度模型；步骤三：采用欧式距离识别车门的异常状态。

【技术特征摘要】
1.基于DPC的轨道车辆多门系统异常检测方法，其特征是，包括以下步骤：步骤一：对车门系统的正线数据进行特征提取，特征提取时将每一次开关门过程分段对每个段上若干电机参数值分别进行时域特征提取和频域特征提取并组合生成车门系统的系统状态变量；步骤二：基于密度峰值聚类方法对提取出的系统特征变量建立系统多门健康度模型；步骤三：采用欧式距离识别车门的异常状态。2.根据权利要求1所述的车辆多门系统异常检测方法，其特征是，步骤一包括将每一次开关门过程分为5段，包括升速段、高速段和减速段、缓行段和到位后段；确定每个段上电机参数值包括位置、速度和电流值得到系统特征集。3.根据权利要求2所述的车辆多门系统异常检测方法，其特征是，时域特征提取包括将每一段分别提取6个时域特征包括分别提取每段电机参数值的最大值、最小值、均值、方差、偏度和峰度组成系统时域特征集。4.根据权利要求2所述的车辆多门系统异常检测方法，其特征是，频域特征提取时将系统特征集分解成多个独立频域的子空间，采用小波分解方法提取各频带的能量频域能量特征。5.根据权利要求4所述的车辆多门系统异常检测方法，其特征是，采用3层小波分解结构，对轨道车辆门系统电机采集的开门和关门的位置、速度和电流信号分别进行小波分解，得到4个子频带的能量并最终确定轨道车辆门系统的频域特征集。6.根据权利要求1所述的车辆多门系统异常检测方法，其特征是，步骤二中基于密度峰值聚类方法对提取出的系统特征变量建立系统多门健康度模型时确定系统状态变量的密度中心，包括：计算出每个Xi的局部密度ρ和距离δ，若系统状态变量值Xi的密度是最大局部密度或最大全局密度,则Xi的δi远大于其最近邻系统状态变量值的δ距离；选择ρ,δ都较大的系统状态变量值为类簇中心，设有m个密度中心，即Ci,i＝1,2,3,…m；分配剩余数据点：对于剩余系统状态变量值j,将其归入密度比j大且距离j最近的系统状态变量值所在类簇,一步完成对剩余系统状态变量值j的分配。7.根据权利要求6所述的车辆多门系统异常检测方法，其特征是，采用欧式距离识别车门的异常状态，包括：计算系统状态变量值到密度中心Ci,i＝1,2,3,…m的欧氏距离之和，表达式为：其中Xi为系统状态变量值，Ci为密度中心。8.根据权利要求1所述...

【专利技术属性】
技术研发人员：施文，陆宁云，支有冉，许志兴，张伟，史翔，
申请(专利权)人：南京康尼机电股份有限公司，南京航空航天大学，
类型：发明
国别省市：江苏,32