基于D-S證據(jù)理論的城市軌道交通車輛車門亞健康融合診斷方法

史華東 陸寧云 許志興 陳健飛

(1.南京航空航天大學(xué)自動化學(xué)院， 211106， 南京；2.南京康尼機電股份有限公司， 211106， 南京∥第一作者， 碩士研究生)

通過對城市軌道交通車輛車門系統(tǒng)健康狀態(tài)的監(jiān)測發(fā)現(xiàn)，隨著列車的持續(xù)運行，車門各部件由于元件老化及磨損會導(dǎo)致車門處于亞健康狀態(tài)，直接影響著車門的正常使用性能[1]。及時發(fā)現(xiàn)并準確診斷城市軌道交通車輛車門的亞健康狀態(tài)對其安全運行與高效率的維護具有重要意義。

文獻[2]提出一種基于信息增益率的隨機森林方法，構(gòu)建了車門故障診斷模型。文獻[3]通過特征優(yōu)選算法篩選出最優(yōu)特征子集，利用隨機森林算法實現(xiàn)了地鐵車門微小故障診斷。文獻[4]基于JS散度，計算車門實時狀態(tài)與參考健康狀態(tài)的數(shù)據(jù)統(tǒng)計分布相似性，以檢測車門系統(tǒng)的異常狀態(tài)。上述故障診斷方法均基于單一數(shù)據(jù)源進行研究，采集的車門信息不夠充分，導(dǎo)致最終診斷結(jié)果的準確性和可靠性較低。為此，本文提出基于D-S證據(jù)理論的車門亞健康融合診斷方法。對車門驅(qū)動電機數(shù)據(jù)與電子控制器I/O(輸入/輸出)信號，分別利用K-means聚類與貝葉斯推理得到亞健康初步診斷結(jié)果，再基于D-S證據(jù)理論在決策層進行信息融合，構(gòu)建更加精確的車門亞健康診斷模型。應(yīng)用結(jié)果表明，該方法可顯著提高車門亞健康診斷模型的可靠性和準確性。

1 城市軌道交通車輛車門控制系統(tǒng)

1.1 車門結(jié)構(gòu)及其亞健康類型

本文以南京康尼公司的電動雙開塞拉門作為研究對象。其車門主要由承載導(dǎo)向機構(gòu)、門控系統(tǒng)、傳動鎖閉機構(gòu)、密封裝置等部分組成。除了基本的機械結(jié)構(gòu)，車門核心的門控系統(tǒng)主要由電子門控器與行程開關(guān)等電氣部件構(gòu)成。門控器作為控制中心，負責(zé)發(fā)出開關(guān)門指令信號，同時能夠接收行程開關(guān)反饋的開關(guān)量信號。

在列車長期的運營中，環(huán)境多變、乘客擠壓及車門維保不及時等原因使車門部件易出現(xiàn)松動、失效、間隙等情況，進而導(dǎo)致車門處于亞健康狀態(tài)運行。這些微小的亞健康狀態(tài)往往具有隱蔽性、偶發(fā)性與模糊性，難以被及時發(fā)現(xiàn)。根據(jù)地鐵車門健康狀態(tài)監(jiān)測的實際需求，本文研究了表1中所列的7種亞健康類型。

表1 車門亞健康狀態(tài)

1.2 車門可測量數(shù)據(jù)

基于數(shù)據(jù)驅(qū)動的故障診斷方法對離線數(shù)據(jù)的信息充足性和完整性有一定的要求[5]。通過軌道交通車輛車門遠程監(jiān)控與故障診斷系統(tǒng)[6]在車門上的應(yīng)用，實時獲取車門運行數(shù)據(jù)。這些數(shù)據(jù)包含了詳細的車門狀態(tài)信息，可充分滿足基于數(shù)據(jù)驅(qū)動的故障診斷要求。

地鐵車輛車門通過傳感器采集的數(shù)據(jù)主要分為驅(qū)動電機數(shù)據(jù)和智能門控器I/O信號兩類。這兩種不同類型的數(shù)據(jù)所反映的車門信息具有較大的差異性，驅(qū)動電機數(shù)據(jù)主要反映車門連續(xù)運動過程中的特點，門控器I/O信號包含了車門受控系統(tǒng)信息，可以反映車門狀態(tài)的時變特性。

本文采集的電機數(shù)據(jù)包含轉(zhuǎn)速、轉(zhuǎn)角、電流3個變量。圖1為正常開關(guān)門過程中車門電機數(shù)據(jù)曲線圖。由圖1可知，正常1次開關(guān)門的時間約為3.5 s。傳感器采樣周期為10 ms，每條數(shù)據(jù)大約采樣350個點。

門控器I/O信號共包含了車門系統(tǒng)20種不同的控制信號與開關(guān)反饋信號。這些信號量為典型的離散數(shù)據(jù)信號，其狀態(tài)只用數(shù)字0和1表示。表2為具體的I/O信號量類型。在車門開關(guān)門過程中，與車門狀態(tài)變化相關(guān)的信號量較少，因此I/O信號較之電機數(shù)據(jù)包含的車門信息相對缺乏。

圖1 正常開關(guān)門過程車門電機數(shù)據(jù)曲線Fig.1 Vehicle door motor data curve of normal opening- closing process

表2 門控器I/O信號量

2 基于D-S證據(jù)理論的車門亞健康融合診斷方法

2.1 D-S證據(jù)理論

D-S證據(jù)理論作為一種常用的信息融合方法，其提供的理論方法可以進行證據(jù)間的合成，在不確定性的表示和組合方面具有較多優(yōu)勢。在D-S證據(jù)理論中，假設(shè)研究對象的所有相互獨立、互斥的事件結(jié)果用集合Θ表示，集合Θ稱為識別框架。對識別框架中的某個事件?A?2Θ，映射m：2Θ→[0,1]需滿足：

(1)

式中：

?——空集；

m——基本概率分配(BPA)函數(shù)；

A——研究對象發(fā)生的可能事件。

m(A)為事件A發(fā)生的基本概率分配值，表示對結(jié)果A的信任程度。此外，定義信任函數(shù)Bel(A)與似然函數(shù)Pl(A)來表示多子集事件A發(fā)生的所有可能概率。

(2)

(3)

式中：

B——事件A的子集事件。

Bel(A)表示對事件A發(fā)生的支持程度，Pl(A)表示對事件A的不懷疑程度，兩者共同構(gòu)成事件A的信度區(qū)間[Bel(A)，Pl(A)]。

當(dāng)同一個識別框架下出現(xiàn)多個證據(jù)體能夠?qū)Ρ粶y對象的結(jié)果進行獨立判斷時，可以通過D-S證據(jù)合成規(guī)則進行組合，得到新的基本概率分配結(jié)果m12。假設(shè)m1和m2為兩個獨立事件B、C的基本概率分配，進行組合后的結(jié)果為：

(4)

式中：

K——沖突系數(shù)，表示證據(jù)之間的沖突程度。

2.2 車門數(shù)據(jù)預(yù)處理

車門部件發(fā)生損壞、尺寸變化、處于亞健康狀態(tài)等情況時，都會導(dǎo)致電機的輸出曲線發(fā)生變化。為了準確區(qū)分每種亞健康狀態(tài)，根據(jù)車門的運動特點，將車門整體運動過程分為升速段、高速段、減速段、緩行段與到位后段，具體分段如圖2所示。

根據(jù)圖2車門運動過程的階段劃分，對電機的3個測量數(shù)據(jù)進行時域特征提取。本文提取的特征包括最大值、最小值、均值、峰值、方差、偏度、峭度，以及每段車門數(shù)據(jù)的行程與時間。對每個電機參量提取93個特征值，在每條數(shù)據(jù)中共提取279個特征組成特征向量F=[F1,…,F279]。

圖2 車門運動過程階段劃分Fig.2 Door movement stage division

針對門控器I/O信號的特點，采用基于多信號模型故障測試性分析的思想進行分析，通過測試生成車門亞健康依賴矩陣D。對車門I/O信號數(shù)據(jù)進行離散化處理，提取1次開關(guān)門過程中所有I/O信號的跳變狀態(tài)與跳變時間，組成的序?qū)π畔⑿问饺缦拢?/p>

Zj={(0,tj,1),(0,tj,2),(0,tj,3),…,(0,tj,k)}

(5)

式中：

Zj——門控器I/O信號參數(shù)；

j——變量索引；

tj,k——Zj的狀態(tài)跳變時間；

k——Zj的所有狀態(tài)跳變次數(shù)。

將所有I/O變量跳變時刻tj,k選作測試點，生成測試區(qū)間[tj,k-Δ,tj,k+Δ](Δ為測試區(qū)間的時間間隔)。在每個測試區(qū)間內(nèi)，對亞健康數(shù)據(jù)集進行測試，I/O變量若發(fā)生正確的跳變，則將D中對應(yīng)元素賦值為0，否則賦值為1。通過測試得到開門與關(guān)門兩個亞健康依賴矩陣，建立起車門I/O信號的觸發(fā)時間、觸發(fā)狀態(tài)與車門亞健康狀態(tài)之間的聯(lián)系。

2.3 基本概率分配函數(shù)的構(gòu)造

針對車門的電機數(shù)據(jù)與I/O信號，本文采用了不同的亞健康初步診斷方法，且其各自的決策層基本概率分配構(gòu)造方法也不同。

電機數(shù)據(jù)基于K-means聚類相似度構(gòu)造BPA。對預(yù)處理后的車門電機數(shù)據(jù)特征值進行編號，應(yīng)用K-means聚類算法進行分析，當(dāng)聚類成功時將得到正常與亞健康兩個聚類中心。根據(jù)兩個聚類中心之間的特征值距離大小對特征進行排序，該特征值距離大的代表該特征在分類中作用明顯，取排序前20個特征作為區(qū)分特征。為了對聚類結(jié)果進行識別，根據(jù)兩類數(shù)據(jù)的特征大小對特征的編號標注“正負號”(亞健康數(shù)據(jù)的特征相對正常數(shù)據(jù)變大時為“正號”，否則為“負號”)。通過計算測試數(shù)據(jù)區(qū)分特征與已知亞健康模型區(qū)分特征之間的相似度進行亞健康的模式識別與診斷。因此，基于K-means聚類結(jié)果構(gòu)造BPA的計算式為：

(6)

式中：

Ai——車門可能發(fā)生的亞健康類型；

F(Ai)——測試數(shù)據(jù)的亞健康聚類結(jié)果與亞健康特征模型的相似度。

I/O信號基于樸素貝葉斯分類構(gòu)造BPA?？蓪l(fā)生跳變的I/O信號量作為樣本的屬性，亞健康將矩陣中每個測試點的賦值結(jié)果作為樣本對應(yīng)屬性的取值?；趯傩詶l件獨立性假設(shè)，貝葉斯推理的輸出為每種亞健康發(fā)生的后驗概率，而貝葉斯推理的先驗概率可以通過訓(xùn)練數(shù)據(jù)的亞健康測試矩陣估計得到。假設(shè)每個I/O信號數(shù)據(jù)集中有n個開門數(shù)據(jù)、m個關(guān)門數(shù)據(jù)，對其進行貝葉斯分類后，將得到n個開門數(shù)據(jù)的亞健康推理結(jié)果與m個關(guān)門數(shù)據(jù)的推理結(jié)果，每個推理結(jié)果為11種亞健康發(fā)生的后驗概率。本文將同一個數(shù)據(jù)集的開門與關(guān)門亞健康推理結(jié)果各自取平均值，最終每個數(shù)據(jù)集得到1個開門數(shù)據(jù)貝葉斯推理結(jié)果與1個關(guān)門數(shù)據(jù)貝葉斯推理結(jié)果。根據(jù)貝葉斯推理結(jié)果，構(gòu)造BPA的計算方法[7]如下：

(7)

式中：

P(cj)——在已知屬性為x1,x2,…,xn的情況下，將其分類為cj的概率。

2.4 車門亞健康融合診斷模型

基于D-S證據(jù)理論的車門亞健康診斷模型主要由2部分組成：① 第1部分是模型初步診斷層[8]，該層將預(yù)處理后的車門數(shù)據(jù)分別利用K-means聚類與貝葉斯推理得到初步的診斷結(jié)果，每種診斷結(jié)果將作為下一步?jīng)Q策層融合的證據(jù)；② 第2部分為模型的融合診斷層，根據(jù)電機數(shù)據(jù)與I/O信號的初步診斷結(jié)果構(gòu)造各自的基本概率分配m1、m2，應(yīng)用D-S合成規(guī)則將其進行決策層融合得到新的基本概率分配，依據(jù)決策規(guī)則確定車門亞健康狀態(tài)?；贒-S證據(jù)理論的車門亞健康診斷模型如圖3所示。

圖3 基于D-S證據(jù)理的車門亞健康診斷模型Fig.3 Vehicle door sub-health diagnosis model based on D-S evidence theory

車門亞健康診斷模型的具體實施步驟為：

1) 確定識別框架。根據(jù)城市軌道交通車門系統(tǒng)發(fā)生的亞健康類型，采集11種車門亞健康狀態(tài)的車門數(shù)據(jù)，建立識別框架Θ。

2) 數(shù)據(jù)預(yù)處理。按第2.2節(jié)的數(shù)據(jù)預(yù)處理方法對電機數(shù)據(jù)進行特征提取與標準化、離散性分析；對I/O數(shù)據(jù)進行結(jié)構(gòu)化處理與測試分析生成亞健康依賴矩陣，每個亞健康狀態(tài)數(shù)據(jù)集生成開門和關(guān)門亞健康依賴矩陣。

3) 構(gòu)建基本概率分配函數(shù)。將電機與I/O信號測試數(shù)據(jù)輸入到訓(xùn)練好的診斷模型中，得到各自的亞健康初步診斷結(jié)果。根據(jù)電機數(shù)據(jù)聚類結(jié)果計算特征相似度，利用式(6)構(gòu)造基本概率分配函數(shù)m1?；贗/O信號數(shù)據(jù)的開門與關(guān)門兩個貝葉斯推理結(jié)果，利用式(7)計算2個基本概率分配結(jié)果，并將其進行一次D-S證據(jù)融合，將融合后的結(jié)果作為基本概率分配m2。

4) 融合診斷。對步驟3)中計算得到的2個基本概率分配函數(shù)，根據(jù)式(4)的合成規(guī)則進行組合，得到車門最終的亞健康概率分配結(jié)果m。本文采用信度函數(shù)值最大原則進行亞健康判定，診斷的亞健康類型信任度必須為所有信任度的最大值F=max(Bel(Ai))。由于不考慮多種亞健康同時發(fā)生的情況，選擇BPA最大的亞健康類型作為診斷結(jié)果。

3 車門亞健康融合診斷模型應(yīng)用驗證

以廣州地鐵3號線的塞拉門臺架測試數(shù)據(jù)為例進行驗證分析。為了進一步對其亞健康類型進行區(qū)分，在臺架進行亞健康模擬時，將其細分成11種亞健康類型。采集的數(shù)據(jù)包含1組正常車門數(shù)據(jù)，11組不同類型的亞健康數(shù)據(jù)，每組共包含80條數(shù)據(jù)(40次開門數(shù)據(jù)與40次關(guān)門數(shù)據(jù))。從每組亞健康數(shù)據(jù)中隨機選擇60次數(shù)據(jù)(30次開門數(shù)據(jù)與30次關(guān)門數(shù)據(jù))作為1個訓(xùn)練集，剩下的數(shù)據(jù)作為測試集，生成11個訓(xùn)練集與11個測試集。

3.1 車門亞健康狀態(tài)識別框架

針對車門出現(xiàn)的11種亞健康類型，確定車門系統(tǒng)的識別框架Θ={f1,f2,…,f11}。表3為車門亞健康狀態(tài)識別框架。

表3 車門亞健康狀態(tài)識別框架

3.2 車門亞健康狀態(tài)初步診斷結(jié)果

對正常車門電機數(shù)據(jù)與未知的測試數(shù)據(jù)進行聚類分析，主要通過兩個指標來判定車門發(fā)生的亞健康狀態(tài)：一是聚類中心與亞健康訓(xùn)練模型，按照第2.3節(jié)的方法對特征編號標注“正負號”，正負相反的特征比例要求<0.1；二是相同特征的比例要求≥0.6，當(dāng)特征相似度超過60%時便認為可能會發(fā)生該種亞健康類型。表4為11個亞健康測試集的聚類診斷結(jié)果，每種亞健康類型測試集進行5次測試診斷，并對診斷結(jié)果取平均值。

根據(jù)表4中的診斷結(jié)果可以看出，電機數(shù)據(jù)基于K-means聚類能夠?qū)囬T亞健康類型進行成功聚類，但是對聚類結(jié)果的識別診斷存在不確定性。例如，測試集1、4、5的聚類診斷結(jié)果出現(xiàn)了聚類中心，以及兩種亞健康模式的特征相似度都超過60%的情況，表明兩種亞健康都有可能發(fā)生，難以確定車門發(fā)生的真實亞健康類型。這種診斷結(jié)果不僅體現(xiàn)在同種類型的亞健康之間，測試集1、5的聚類診斷結(jié)果給出了兩種亞健康模式f1與f5，但是f1為對中尺寸異常，f5為V型尺寸異常，屬于不同的亞健康類別。對聚類結(jié)果進行模式識別時，如果為了診斷結(jié)果盡可能準確而只提高對相同特征的比例要求，則會導(dǎo)致f9、f10、f11出現(xiàn)如f8無法識別的情況；而降低相同特征比例要求則會增加診斷結(jié)果的不確定性。

表4 門控器I/O信號的K-means聚類診斷結(jié)果

表5為I/O信號的貝葉斯診斷結(jié)果。對每個測試樣本分配1個預(yù)測標簽，將分類最多的類別標簽作為測試數(shù)據(jù)的亞健康類型，以分類準確率評估診斷效果。

表5 門控器I/O信號的貝葉斯診斷結(jié)果

根據(jù)表5中的診斷結(jié)果看出，I/O信號基于貝葉斯對亞健康診斷的準確率平均值只有42%，不如電機數(shù)據(jù)診斷結(jié)果理想；f3、f5、f11等3種亞健康模式的貝葉斯診斷結(jié)果相同且無法進行區(qū)分，而f6、f7出現(xiàn)診斷錯誤情況。導(dǎo)致出現(xiàn)這樣結(jié)果的原因為：目前城市軌道交通車門門控器采集的可用I/O信號量太少，且多數(shù)I/O信號量都與行程開關(guān)有關(guān)，能夠區(qū)分的車門狀態(tài)I/O信息不夠全面，后續(xù)若能增加I/O數(shù)量將會增強其診斷能力。

3.3 車門亞健康狀態(tài)融合診斷結(jié)果

在獲取初步診斷結(jié)果后，通過式(6)—式(7)分別計算K-means聚類與樸素貝葉斯的診斷結(jié)果對亞健康類型的基本概率分配結(jié)果，如表6～7所示。

對兩個基本概率分配結(jié)果利用式(4)的D-S證據(jù)合成規(guī)則計算融合后得到基本概率分配，并依據(jù)信度最大原則確定最終的亞健康類型，診斷結(jié)果如表8所示。

表6 基于K-means聚類的BPA計算結(jié)果

表7 基于樸素貝葉斯的BPA計算結(jié)果

由表6可知，總體上電機數(shù)據(jù)基于K-means聚類的診斷結(jié)果準確性較高，但部分亞健康模型區(qū)分特征的差異性不夠大，導(dǎo)致亞健康的基本概率分配值較低(0.2～0.4)，整體的診斷結(jié)果可靠性較低。表7開關(guān)門貝葉斯推理融合后的概率分配結(jié)果反映出，I/O信號基于貝葉斯的診斷準確性較差，主要體現(xiàn)在對f3、f5、f11等3種亞健康類型無法區(qū)分，但是對f1、f8、f9、f10等4種亞健康類型的診斷置信度較高。

表8 融合診斷基本概率分配結(jié)果

根據(jù)表8的融合診斷結(jié)果可知，融合模型對所有的測試集都能夠進行準確診斷。在對測試集進行多次測試后，車門融合診斷模型的診斷準確率達到90%左右。融合后的亞健康診斷模型診斷性能要優(yōu)于原有的單一診斷模型。與K-means聚類診斷模型相比，融合模型對亞健康的信任度分配更準確、更高而且更加集中，降低了亞健康模式之間的不確定性。與貝葉斯診斷模型相比，融合后的診斷模型能夠?qū)ψR別框架中所有的亞健康類型進行診斷并具有非常高的準確率。由此可見，D-S證據(jù)理論能夠有效地結(jié)合兩種診斷模型的優(yōu)點，彌補互相的不足，提高車門亞健康診斷模型的可靠性與準確性。

4 結(jié)語

針對城市軌道交通車輛車門系統(tǒng)在運營過程中處于亞健康工作狀態(tài)的問題，提出了一種基于D-S證據(jù)理論的城市軌道交通車門亞健康診斷方法。該方法能夠充分利用車門驅(qū)動電機數(shù)據(jù)與門控器I/O信號數(shù)據(jù)，并應(yīng)用K-means聚類與貝葉斯推理的方法構(gòu)建車門亞健康初步診斷模型?；贒-S證據(jù)理論在決策層進行信息融合，實現(xiàn)了車門亞健康狀態(tài)的多層次、多模型診斷，提高了車門診斷結(jié)果的可靠性與準確性。通過車門數(shù)據(jù)仿真驗證表明，本文的融合診斷方法能夠充分利用車門可測量數(shù)據(jù)，彌補單一數(shù)據(jù)診斷模型的的不足之處，具有實際應(yīng)用價值。