一种轨道车辆门系统的润滑退化预测方法技术方案

本发明专利技术的一种轨道车辆门系统的润滑退化预测方法，首先进行电机采集数据的预处理，然后对轨道车辆门系统的特征值提取；并运用随机森林算法建立润滑退化模型，最后进行润滑退化预测将提取的特征值得到的训练模型进行对比，诊断当前轨道车辆门系统所处的润滑退化状态。本发明专利技术到了预测车辆门系统润滑退化的目的，同时根据在线的预测结果能够发现未知的润滑退化状态，有助于及时采取相应的措施避免系统故障的发生。

【技术实现步骤摘要】
一种轨道车辆门系统的润滑退化预测方法
本专利技术涉及城市轨道交通
，具体是一种轨道车辆门系统的润滑退化预测方法。
技术介绍
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。在车门开关门过程中，由于轴承发生摩擦的原因是滑动轴承油膜过薄,而非疲劳破坏等因素,所以对油膜研究至关重要。油膜厚度对工作性能有着很大的影响,油膜力承受着转子给予轴承的载。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。所以检测它的润滑退化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，可以来预测系统的润滑退化状态，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润滑退化与系统健康状态方面的技术。现有的其他系统的润滑退化的预测方法，地铁车辆门系统的部件较多且不同程度的润滑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润滑退化状态的检测。因此，及时发现系统常见的早期润滑退化征兆，进行实时的润滑状态监测并提供润滑退化状态判别，对提高车门系统的安全性、可靠性、降低故障率具有重要意义。
技术实现思路
专利技术目的：为了克服现有技术中存在的不足，本专利技术提供一种轨道车辆门系统的润滑退化预测方法。技术方案：为解决上述技术问题，本专利技术的一种轨道车辆门系统的润滑退化预测方法，包括以下步骤：步骤一，电机采集数据的预处理：将轨道车辆门系统采集的数据进行校正，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；同时将车辆门系统的起点校正到同一位置，得到校正后的轨道车辆门系统的采集数据；步骤二，轨道车辆门系统的特征值提取：对每一次开关门过程进行分段处理，应用描述统计量进行数据分析，得到能够完整体现轨道车辆门系统状态的特征值，所有特征值组成系统特征集；步骤三，润滑退化模型的建立：运用随机森林算法，对轨道车辆门系统的润滑退化状态进行离线建模，通过对轨道车辆门系统的多种润滑退化状态和正常状态进行分类分析，得到不同的润滑退化状态的训练模型；步骤四，润滑退化预测：将步骤二提取的特征值与步骤三得到的训练模型进行对比，诊断当前轨道车辆门系统所处的润滑退化状态。步骤二中，对每一次开关门过程的分段处理为将每一次开关门过程分为5段，确定每个段上的电机参数值，得到系统特征集；其中，所述5段包括升速段、高速段、减速段、缓行段和到位后段，电机参数值包括位置、速度和电流值。将5段中的每一段分别提取6个时域特征，6个时域特征包括相应段上的电机参数值的最大值、最小值、均值、方差、偏度和峰度，所述6个时域特征组成时域特征集。其中，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。其中，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位置、开门速度、开门电流信号、关门位置、关门速度和关门电流信号分别进行小波分解，得到多个子频带的能量并确定车辆门系统的频域特征集。步骤三中，运用随机森林算法对轨道车辆门系统的润滑退化状态进行离线建模，包括：通过bootstrap重采样技术，从原始训练集中有放回地重复随机抽取n个bootstrap样本集，重复k次，每次抽取的bootstrap样本集为决策树生长的训练集，k次抽取样本的过程中未被抽到的样本构成袋外数据，在森林内部对分类性能进行测试评估；随机选取候选分割特征，使分类器在结构上有所不同；随机森林输出结果为每棵决策树输出结果的多种组合形式，每棵决策树给出待估样本的预测类标，依据投票多少决定预测样本的最终归属类，从而建立轨道车辆门系统的润滑退化模型。所述步骤四具体包括以下步骤：步骤4.1：对步骤二提取的特征值和正常数据进行分类分析，分析分类结果的正确率：如果正确率低于阈值，说明轨道车辆门系统处于正常状态；否则得出一个未知模型，并进入步骤4.2；步骤4.2：将未知模型与步骤三得到的训练模型进行匹配，根据随机森林算法进行预测，获得轨道车辆门系统当前所处的润滑退化状态。所述步骤二还包括在对每一次开关门过程进行分段处理之前对轨道车辆门系统的正线数据进行预处理的过程，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。有益效果：本专利技术具有以下有益效果：(1)本专利技术采用的是基于数据的数学建模方法，基于传感器采集的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。(2)根据提取处理后的系统特征，以随机森林算法进行数学建模，基于正常数据和系统润滑退化的数据差异性，以分类后的结果判定当前系统的状态，以分类得到系统的润滑退化模型，更加清晰直观的反应了车辆门系统的状态；(3)根据离线建立的润滑退化模型，通过在线得到的预测结果进行润滑退化的模型匹配，达到了预测车辆门系统润滑退化的目的，同时根据在线的预测结果能够发现未知的润滑退化状态，有助于及时采取相应的措施避免系统故障的发生。附图说明图1为本专利技术车门系统润滑退化诊断方法流程图；图2为随机森林方法结构图。具体实施方式下面结合附图对本专利技术作更进一步的说明。如图1所示，本专利技术运用随机森林算法，对系统的润滑退化状态进行离线建模，通过对系统的4种润滑退化状态和正常状态进行分类分析，得到不同的润滑退化状态的训练模型。并将在线分类的结果与离线建立的模型库进行对比，预测当前系统所处的健康状态。整个过程包括如下步骤：步骤一：电机采集数据的预处理；数据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。在本实施例中采集的数据为台架调门润滑退化实验的电机转角、转速和电流三个过程变量，因此数据预处理为将轨道车辆门系统采集的数据进行校正，对正线数据的对齐和问题数据去除，所述问题数据包括转速、转角和电流数据的采样点个数明显小于正常采样个数的数据，或者初始转角不在正常范围内的数据；步骤二：时域特征提取将每一段分别提取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，例如分别计算开门和关门过程的升速、高速、降速、缓行段和到位后段的均值(求出的是2×3×5＝30个特征变量，同理求完最大值、最小值、均值、方差、偏度和峰度一共是180个，用二维矩阵X∈Rn×p来表示，即X＝X1,X2,…Xi,Xj,…Xn，其中n行表示一次开关门过程采集的数据点的个数，在本实施例中为3；p列表示提取的特征在本实施例中为5。描述数据提取的均值，表达式如下：分别计算开门和关门过程的升速、高速、降速、缓行段和到位后段的最大值和本文档来自技高网...

【技术保护点】
1.一种轨道车辆门系统的润滑退化预测方法，其特征在于，包括以下步骤：步骤一，电机采集数据的预处理：将轨道车辆门系统采集的数据进行校正，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；同时将车辆门系统的起点校正到同一位置，得到校正后的轨道车辆门系统的采集数据；步骤二，轨道车辆门系统的特征值提取：对每一次开关门过程进行分段处理，应用描述统计量进行数据分析，得到能够完整体现轨道车辆门系统状态的特征值，所有特征值组成系统特征集；步骤三，润滑退化模型的建立：运用随机森林算法，对轨道车辆门系统的润滑退化状态进行离线建模，通过对轨道车辆门系统的多种润滑退化状态和正常状态进行分类分析，得到不同的润滑退化状态的训练模型；步骤四，润滑退化预测：将步骤二提取的特征值与步骤三得到的训练模型进行对比，诊断当前轨道车辆门系统所处的润滑退化状态。

【技术特征摘要】
1.一种轨道车辆门系统的润滑退化预测方法，其特征在于，包括以下步骤：步骤一，电机采集数据的预处理：将轨道车辆门系统采集的数据进行校正，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；同时将车辆门系统的起点校正到同一位置，得到校正后的轨道车辆门系统的采集数据；步骤二，轨道车辆门系统的特征值提取：对每一次开关门过程进行分段处理，应用描述统计量进行数据分析，得到能够完整体现轨道车辆门系统状态的特征值，所有特征值组成系统特征集；步骤三，润滑退化模型的建立：运用随机森林算法，对轨道车辆门系统的润滑退化状态进行离线建模，通过对轨道车辆门系统的多种润滑退化状态和正常状态进行分类分析，得到不同的润滑退化状态的训练模型；步骤四，润滑退化预测：将步骤二提取的特征值与步骤三得到的训练模型进行对比，诊断当前轨道车辆门系统所处的润滑退化状态。2.根据权利要求1所述的一种轨道车辆门系统的润滑退化预测方法，其特征在于：步骤二中，对每一次开关门过程的分段处理为将每一次开关门过程分为5段，确定每个段上的电机参数值，得到系统特征集；其中，所述5段包括升速段、高速段、减速段、缓行段和到位后段，电机参数值包括位置、速度和电流值。3.根据权利要求2所述的一种轨道车辆门系统的润滑退化预测方法，其特征在于：将5段中的每一段分别提取6个时域特征，6个时域特征包括相应段上的电机参数值的最大值、最小值、均值、方差、偏度和峰度，所述6个时域特征组成时域特征集。4.根据权利要求2所述的一种轨道车辆门系统的润滑退化预测方法，其特征在于：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所述的一种轨道车辆门系统的润滑退化预测方法，其特征在于：采用...

【专利技术属性】
技术研发人员：付国平，秦征，杨明辉，邢海福，毕雨，吴亮，支有冉，许志兴，施文，孙艳梅，王祖进，史翔，
申请(专利权)人：杭州市地铁集团有限责任公司，南京康尼机电股份有限公司，
类型：发明
国别省市：浙江,33