基于SSTCA的地铁门系统亚健康状态识别方法及系统技术方案

本发明专利技术公开了一种基于SSTCA的地铁门系统亚健康状态识别方法及系统，该方法为，采集地铁门系统台架实验数据作为源域，采集地铁门系统运行数据作为目标域；对源域和目标域进行预处理；对预处理后的源域和目标域进行特征提取，将提取的特征输入用遗传算法进行参数优化的SSTCA算法中进行特征迁移，然后利用分类算法进行地铁门系统亚健康状态识别；本发明专利技术根据地铁门系统的信号特点进行数据预处理，结合优化的迁移学习算法，综合提升了地铁门系统亚健康状态识别准确率。康状态识别准确率。康状态识别准确率。

【技术实现步骤摘要】
基于SSTCA的地铁门系统亚健康状态识别方法及系统


[0001]本专利技术涉及一种地铁门系统亚健康状态识别方法及系统，尤其是基于SSTCA的地铁门系统亚健康状态识别方法及系统。

技术介绍

[0002]地铁门系统作为地铁交通系统的重要子系统，其直接关系到乘客的人身安全，由于轨道交通运行站距短，车门开闭极其频繁，门控电、气动零部件易损坏，加之乘客干扰因素众多，使得车门故障频发，这不仅影响了列车的正常运行，耽误乘客出行，甚至还危及乘客人身安全。因此准确识别地铁门系统的健康状态对轨道交通的安全运行至关重要。
[0003]现有技术中公开了利用迁移学习进行机械装备故障识别，但不同的装备数据存在差异，直接使用迁移学习算法的识别准确度不高。例如CN108414226A公开了直接利用迁移学习算法进行滚动轴承故障诊断，但迁移学习模型参数对诊断的准确率影响较大，导致诊断准确度不高。

技术实现思路

[0004]专利技术目的：本专利技术的目的是提供一种准确率高的地铁门系统亚健康状态识别方法及系统。
[0005]技术方案：本专利技术所述的基于SSTCA的地铁门系统亚健康状态识别方法，采集地铁门系统台架实验数据作为源域，采集地铁门系统运行数据作为目标域；对源域和目标域进行预处理；对预处理后的源域和目标域进行特征提取，将提取的特征输入SSTCA算法中进行特征迁移，然后利用分类算法进行地铁门系统亚健康状态识别；所述SSTCA算法中利用遗传算法进行参数优化。
[0006]进一步地，所述SSTCA算法中利用遗传算法进行参数优化为利用遗传算法对SSTCA算法中的子空间维数、正则化权重、监督项权重、几何项权重和核函数参数这五个参数中的一个或多个在设定的优化范围内进行优化，建立最优SSTCA迁移模型。
[0007]进一步地，所述对源域和目标域进行预处理包括：
[0008]步骤11，根据地铁门系统运行状态将源域和目标域的数据划分为升速段、平稳段、减速段和到位段；
[0009]步骤12，对源域和目标域的数据进行长度处理，包括：对于长度n≠N
n
的数据进行如下处理，
[0010]n<N
l
或n>N
r
时，删除该条数据；
[0011]n＝[N
l
,N
n
]时，以x'对每条数据中的缺失数据补足，
[0012][0013]其中，W
cf
表示每条数据中[N
l
,N
n
]之间数据之和，L
cf
表示[N
l
,N
n
]之间数据点个数，f为求和的循环变量，k为需要补足数据总个数；
[0014]n＝[N
n
,N
r
]时，用[x
n
‑
r”,x
n
‑
r+1”,...,x
n”]替换原数据中数据点x
n
‑
r
到数据点x
n
的数据，并舍弃x
n
后的数据点；
[0015][0016]N
l
为地铁门系统进入到位段时的数据点数，N
n
为地铁门系统离开到位段时的数据点数，N
r
为数据最大长度，N
n
为数据标准长度。
[0017]步骤13，对源域和目标域的数据进行毛刺剔除处理，包括：当平稳运行段的数据包括至少一个数据点的值大于MC时，删除该条数据；
[0018][0019]其中N
s
为地铁门系统进入运行平稳段时的数据点数，N
e
为地铁门系统离开平稳段时的数据点数，表示为[N
s
,N
e
]之间数据点的均值。
[0020]进一步地，所述对预处理后的源域和目标域进行特征提取包括：提取源域和目标域的到达点S、偏离程度x
p
、偏离程度均值x
mean
、偏离程度标准差x
std
和偏离程度峰值x
peak
特征；
[0021]所述到达点S为数据到达全局最大值时已采集的数据点个数；
[0022]所述偏离程度x
p
为源域和目标域中的数据x
i
与其标准数据之间的偏离程度，所述标准数据为地铁门系统正常运行时的数据均值；
[0023][0024][0025][0026][0027]N
n
为预处理后的数据标准长度。
[0028]进一步地，所述对预处理后的源域和目标域进行特征提取包括：所述源域和目标域数据包括地铁门系统的开门电流数据和关门电流数据，对所述开门电流数据和关门电流数据提取时间重心T
c
特征；
[0029][0030]其中，t
i
为时刻，p
i
为对应时刻的电流幅值绝对值。
[0031]进一步地，所述利用分类算法进行地铁门系统亚健康状态识别为，将特征迁移后的源域特征集作为训练集，输入到AdaBoost算法中构建识别模型；将特征迁移后的目标域特征集作为测试集，输入到训练好的所述识别模型中得到亚健康状态识别结果。
[0032]本专利技术所述基于SSTCA的地铁门系统亚健康状态识别系统包括：
[0033]数据采集模块，用于采集地铁门系统台架实验数据作为源域，采集地铁门系统运行数据作为目标域；
[0034]数据预处理模块，用于对源域和目标域进行预处理；
[0035]特征提取模块，用于对预处理后的源域和目标域进行特征提取；
[0036]迁移学习及亚健康状态识别模块，用于将提取的特征输入SSTCA算法中进行特征迁移，然后利用分类算法进行地铁门系统亚健康状态识别；所述SSTCA算法中利用遗传算法进行参数优化。
[0037]本专利技术所述电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，计算机程序被加载至处理器时实现所述的基于SSTCA的地铁门系统亚健康状态识别方法。
[0038]本专利技术所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于SSTCA的地铁门系统亚健康状态识别方法。
[0039]有益效果：与现有技术相比，本专利技术的优点在于：(1)本专利技术针对地铁门系统的信号特点，将信号曲线进行分段，从而确定数据长度处理的几个节点，分别进行不同的长度处理，使每条数据的长度为标准长度；再通过毛刺剔除，提高模型输入数据的预处理效果，是输入数据更适合进行特征迁移学习；(2)本专利技术对SSTCA算法参数进行寻优，结合经过预处理的输入数据进行迁移学习，综合提升地铁门系统亚健康状态识别准确率。
附图说明
[0040]图1为本专利技术的亚健康状态识别方法流程图。
[0041]图2为本专利技术实施例中方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SSTCA的地铁门系统亚健康状态识别方法，其特征在于，采集地铁门系统台架实验数据作为源域，采集地铁门系统运行数据作为目标域；对源域和目标域进行预处理；对预处理后的源域和目标域进行特征提取，将提取的特征输入SSTCA算法中进行特征迁移，然后利用分类算法进行地铁门系统亚健康状态识别；所述SSTCA算法中利用遗传算法进行参数优化。2.根据权利要求1所述的基于SSTCA的地铁门系统亚健康状态识别方法，其特征在于，所述SSTCA算法中利用遗传算法进行参数优化为利用遗传算法对SSTCA算法中的子空间维数、正则化权重、监督项权重、几何项权重和核函数参数这五个参数中的一个或多个在设定的优化范围内进行优化，建立最优SSTCA迁移模型。3.根据权利要求1所述的基于SSTCA的地铁门系统亚健康状态识别方法，其特征在于，所述对源域和目标域进行预处理包括：步骤11，根据地铁门系统运行状态将源域和目标域的数据划分为升速段、平稳段、减速段和到位段；步骤12，对源域和目标域的数据进行长度处理，包括：对于长度n≠N
n
的数据进行如下处理，n<N
l
或n>N
r
时，删除该条数据；n＝[N
l
,N
n
]时，以x'对每条数据中的缺失数据补足，其中，W
cf
表示每条数据中[N
l
,N
n
]之间数据之和，L
cf
表示[N
l
,N
n
]之间数据点个数，f为求和的循环变量，k为需要补足数据总个数；n＝[N
n
,N
r
]时，用[x
n
‑
r”,x
n
‑
r+1”,...,x
n”]替换原数据中数据点x
n
‑
r
到数据点x
n
的数据，并舍弃x
n
后的数据点；N
l
为地铁门系统进入到位段时的数据点数，N
n
为地铁门系统离开到位段时的数据点数，N
r
为数据最大长度，N
n
为数据标准长度。4.根据权利要求3所述的基于SSTCA的地铁门系统亚健康状态识别方法，其特征在于，还包括：步骤13，对源域和目标域的数据进行毛刺剔除处理，包括：当平稳运行段的数据包括至少一个数据点的值大于MC时，删除该条数据；其中N
s
为地铁门系统进入运行平稳段时的数据点数，N
e
为地铁门系统离开...

【专利技术属性】
技术研发人员：刘文平，张宝利，赵孝云，张伟，王祖进，季文彬，王爱青，邵国强，
申请(专利权)人：南京康尼机电股份有限公司，
类型：发明
国别省市：