隨機(jī)森林在軌道交通車輛門系統(tǒng)亞健康狀態(tài)診斷中的應(yīng)用

嚴(yán) 俊 支有冉 許志興 史 翔

(1.上海地鐵維護(hù)保障有限公司，200070,上海; 2.南京康尼機(jī)電股份有限公司，210013,南京//第一作者，高級(jí)工程師)

在列車運(yùn)營(yíng)過(guò)程中，由于車門開閉頻繁及乘客干擾等眾多因素，導(dǎo)致客室車門故障頻發(fā)[1]。據(jù)相關(guān)數(shù)據(jù)統(tǒng)計(jì)，車門故障發(fā)生次數(shù)約占列車系統(tǒng)總故障的30%以上。在故障發(fā)生之前，車門通常會(huì)在亞健康的狀態(tài)下運(yùn)行一段時(shí)期。因此，及時(shí)發(fā)現(xiàn)車門系統(tǒng)常見的早期亞健康征兆，進(jìn)行實(shí)時(shí)的健康狀態(tài)監(jiān)測(cè)并提供亞健康狀態(tài)判別，對(duì)提高車門系統(tǒng)的安全性、可靠性以及降低故障率具有重要意義。

目前，多種算法在軌道交通車輛門系統(tǒng)的狀態(tài)檢測(cè)領(lǐng)域取得了較好的診斷效果，如人工神經(jīng)網(wǎng)絡(luò)、Petri網(wǎng)、貝葉斯網(wǎng)絡(luò)[2-3]、聚類分析[4]等。文獻(xiàn)[1]以軌道交通車門為研究對(duì)象，提出了以故障樹為基礎(chǔ)的混合結(jié)構(gòu)樹，實(shí)現(xiàn)了自動(dòng)門的遠(yuǎn)程智能診斷。文獻(xiàn)[2]提出了一種利用貝葉斯網(wǎng)絡(luò)對(duì)車門驅(qū)動(dòng)電機(jī)異常狀態(tài)進(jìn)行可靠性分析的方法。文獻(xiàn)[5]提出以支持向量機(jī)作為辨識(shí)算法建立設(shè)備的狀態(tài)評(píng)估模型。上述方法均通過(guò)訓(xùn)練數(shù)據(jù)建立單一分類器，然后對(duì)測(cè)試樣本集進(jìn)行狀態(tài)識(shí)別，從而達(dá)到診斷的目的。已有研究表明，與單-分類器相比，分類器群能夠達(dá)到更高的正確率[6]。文獻(xiàn)[1]提出的隨機(jī)森林(RF),就是一種利用多個(gè)隨機(jī)樹分類器組合并進(jìn)行分類的方法，RF從特征集中隨機(jī)選擇部分特征量形成特征子集，利用不同的特征子集構(gòu)造分類器，有效地提高了分類器之間的差異，具有較好的泛化性和準(zhǔn)確性。

然而,軌道交通車門數(shù)據(jù)采集系統(tǒng)通過(guò)配備的智能電機(jī)返回的數(shù)據(jù)參量只有電機(jī)轉(zhuǎn)矩、轉(zhuǎn)速和角度，原始數(shù)據(jù)無(wú)法直接應(yīng)用分類器群進(jìn)行訓(xùn)練。因此，RF在軌道交通車輛門系統(tǒng)的亞健康診斷領(lǐng)域中具有重要的研究意義。

1 軌道交通車輛門系統(tǒng)

1.1 車門結(jié)構(gòu)與典型的亞健康狀態(tài)

本文以電動(dòng)雙開塞拉門系統(tǒng)為研究對(duì)象。其車門系統(tǒng)的運(yùn)行由電機(jī)驅(qū)動(dòng)，門控器控制驅(qū)動(dòng)電機(jī)的電流、轉(zhuǎn)速和位移，電動(dòng)機(jī)帶動(dòng)絲桿，驅(qū)動(dòng)螺母，螺母帶動(dòng)門扇運(yùn)動(dòng)，從而實(shí)現(xiàn)車門的自動(dòng)開關(guān)。

隨著列車的持續(xù)運(yùn)營(yíng)，各部件尺寸由于元件老化及磨損，車門一直在亞健康狀態(tài)下運(yùn)行，直接影響著車門的正常使用性能。本文以車門的安全列出體系規(guī)范及實(shí)際運(yùn)營(yíng)維修返回的相關(guān)技術(shù)統(tǒng)計(jì)為依據(jù)，研究了車門的7種典型亞健康工況。表1列出了全部7種亞健康狀態(tài)的具體情況。

表1 車門典型的亞健康狀態(tài)表

1.2 門系統(tǒng)健康狀態(tài)評(píng)估特征集

本文所研究的車門狀態(tài)評(píng)估特征集建立在列車運(yùn)行過(guò)程中的5個(gè)基本階段(啟動(dòng)段、升速段、勻速段、減速段及緩行段)之上。分別對(duì)各運(yùn)行階段提取運(yùn)行時(shí)間、行程、轉(zhuǎn)速、電流的平均值以及有效值、極大值、極小值等指標(biāo)，作為時(shí)域特征向量。本文采用小波變化對(duì)原始速度信號(hào)進(jìn)行5層小波分解，然后對(duì)高頻分量進(jìn)行了多尺度重構(gòu)，選擇容錯(cuò)性強(qiáng)的Shannon能量熵值作為時(shí)頻域的特征指標(biāo)。上述提取的時(shí)頻內(nèi)總計(jì)39個(gè)特征組合成為一組特征向量F=[F1,F2,…,F39]，形成表征車門運(yùn)動(dòng)狀態(tài)的特征集。

2 RF方法

RF是由多個(gè)決策樹{h(x,Θk),k=1,2,…,n}組成的分類器群，其中,{Θk}是相互獨(dú)立且同分布的隨機(jī)向量。通過(guò)對(duì)基分類器的集成和候選特征子集的修改，使分類性能得到提高，最終由所有決策樹綜合投票決定輸出的結(jié)果。考慮到若森林中的多個(gè)分類器結(jié)構(gòu)相同，并采用相同的訓(xùn)練集訓(xùn)練，會(huì)導(dǎo)致分類器之間相似度極高，以及多個(gè)分類器類似于一個(gè)分類器。

3 試驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)采集與特征提取

本文針對(duì)軌道交通車門的亞健康診斷進(jìn)行亞健康臺(tái)架調(diào)門試驗(yàn)，車門的采樣周期為10 ms，一次采樣350個(gè)點(diǎn)，并通過(guò)無(wú)線傳輸?shù)姆绞?由外置監(jiān)測(cè)設(shè)備轉(zhuǎn)發(fā))將數(shù)據(jù)信息傳輸?shù)綌?shù)據(jù)中心服務(wù)器。首先檢查臺(tái)架車門的相關(guān)尺寸和功能是否符合檢驗(yàn)標(biāo)準(zhǔn)，并確認(rèn)該車門未存在任何形式的亞健康狀態(tài)，此時(shí)執(zhí)行一段時(shí)期的開關(guān)門循壞，通過(guò)遠(yuǎn)程系統(tǒng)在服務(wù)器上采集這段時(shí)期內(nèi)的電機(jī)輸出數(shù)據(jù)共247組。采集上述7類典型的亞健康狀態(tài)下車門系統(tǒng)的運(yùn)行數(shù)據(jù)，其中，對(duì)中尺寸異常為193組、V型尺寸異常為208組、門扇高度異常為196組、門扇開度減小為165組、門扇開度增加為188組，密封尺寸減小為170組，密封尺寸增加為192組；采集到的車門正常健康數(shù)據(jù)為147組。統(tǒng)計(jì)得到上述7類車門亞健康數(shù)據(jù)和正常數(shù)據(jù)樣本的總?cè)萘繛? 459組。車門系統(tǒng)中電機(jī)的一組輸出參數(shù)如圖1所示。

圖1 車門系統(tǒng)中電機(jī)的一組輸出參數(shù)曲線圖

3.2 方法結(jié)果驗(yàn)證

將上述經(jīng)特征提取后的數(shù)據(jù)所對(duì)應(yīng)車門的健康、對(duì)中尺寸異常、V型尺寸異常、門扇高度異常、門扇開度增加、門扇開度減小、密封尺寸增加、密封尺寸減小等8種車門的健康和亞健康狀態(tài)分別標(biāo)上標(biāo)簽，記為C=[0,1,2,3,4,5,6,7,8]，并作為RF亞健康診斷模型的輸入。圖2顯示了RF的診斷錯(cuò)誤率隨森林中決策樹數(shù)量增加的變化曲線。

圖2 RF的診斷錯(cuò)誤率與森林中決策樹數(shù)量的關(guān)系曲線

由圖2可知，前期隨著決策樹數(shù)量的增加，錯(cuò)誤率大幅降低；當(dāng)決策樹數(shù)量超過(guò)40后，錯(cuò)誤率趨于穩(wěn)定，約為0.16%，但模型的復(fù)雜度和訓(xùn)練時(shí)間會(huì)隨決策樹數(shù)量的增加而增加。因此，綜合考慮模型的準(zhǔn)確率與復(fù)雜度，本文選取RF決策樹的數(shù)量為40。通過(guò)上述方式確定決策樹的數(shù)量后，采用式(3)對(duì)構(gòu)成模型輸入數(shù)據(jù)的39維特征進(jìn)行重要性評(píng)估。表2列出了按重要性對(duì)特征進(jìn)行排序的結(jié)果。

表2 部分特征重要性排序表

由表3可知，排名前列的特征依次是全程電流的有效值、勻速段最大電流、全程最大電流等。由于列車亞健康運(yùn)行會(huì)導(dǎo)致車門運(yùn)行中阻力發(fā)生變化，而電流則是直接和阻力相關(guān)的觀測(cè)量，基于RF的特征重要性評(píng)估得出的結(jié)論與實(shí)際情況相符，證明了該方法的可行性。因此，在陣線列車檢測(cè)系統(tǒng)中，可對(duì)表3中排名靠前的特征進(jìn)行重點(diǎn)監(jiān)控。本文采用10次10折交叉驗(yàn)證的平均值作為模型最終精度評(píng)價(jià)方式，結(jié)果如圖3所示。

通過(guò)上述多種診斷模型的對(duì)比結(jié)果發(fā)現(xiàn)，對(duì)于車門亞健康數(shù)據(jù)的診斷，貝葉斯網(wǎng)絡(luò)和KNN近鄰診斷的效果較差，1 000條數(shù)據(jù)的錯(cuò)誤診斷數(shù)量在10條以上；支持向量機(jī)和決策樹錯(cuò)判的數(shù)量為個(gè)位數(shù)，決策樹略好于支持向量機(jī)。而RF的診斷錯(cuò)誤率比貝葉斯網(wǎng)絡(luò)和KNN近鄰低了兩個(gè)數(shù)量級(jí)，比決策樹和支持向量機(jī)的診斷錯(cuò)誤率低0.5%～0.8%，由此可知其診斷效果在5種方法中效果最好。

圖3 各分類器模型最終的診斷結(jié)果比較圖

4 結(jié)論

1)分析車輛門系統(tǒng)亞健康的根源，建立典型的亞健康模式與其表現(xiàn)形式之間的關(guān)聯(lián)。對(duì)車門的運(yùn)動(dòng)曲線進(jìn)行合理的分段，并基于分段結(jié)果提取了一組能全面表征車門健康狀態(tài)的特征集。

2)利用臺(tái)架調(diào)門亞健康試驗(yàn)，采用RF的方法對(duì)車門健康狀態(tài)和7種典型的車門亞健康狀態(tài)數(shù)據(jù)進(jìn)行模型的訓(xùn)練和診斷，并基于RF提出了一種評(píng)估特征重要性的方法，結(jié)合車門的工作機(jī)理，證實(shí)該評(píng)估結(jié)果的可靠度較高。

3)對(duì)多種分類器算法進(jìn)行了對(duì)比試驗(yàn)，結(jié)果表明針對(duì)車門的亞健康診斷，與其它傳統(tǒng)的算法相比，RF的診斷效果最好，錯(cuò)誤率可降低1%左右。因此，RF方法在軌道車輛門系統(tǒng)的亞健康診斷方面有著較好的實(shí)際推廣意義。