隨機(jī)森林算法在地鐵車輛門(mén)系統(tǒng)潤(rùn)滑退化狀態(tài)預(yù)測(cè)中的應(yīng)用*

付國(guó)平 秦 征 楊明輝 邢海福 畢 雨 吳 亮 支有冉 施 文

(1. 杭州市地鐵集團(tuán)有限責(zé)任公司，310003，杭州；2. 南京康尼機(jī)電股份有限公司，210013，南京；3. 南京航空航天大學(xué)自動(dòng)化學(xué)院，210016，南京//第一作者，高級(jí)工程師)

地鐵車輛門(mén)系統(tǒng)的安全維護(hù)是列車安全運(yùn)行的重要保障[1-2]。門(mén)系統(tǒng)中絲桿的良好潤(rùn)滑是保障攜門(mén)架帶動(dòng)門(mén)的重要基礎(chǔ)。對(duì)于地鐵維保工作而言，絲桿良好的潤(rùn)滑性能可以保障絲桿的不毛刺，從而延長(zhǎng)其壽命。文獻(xiàn)[4]通過(guò)分析發(fā)動(dòng)機(jī)潤(rùn)滑油功能元素和其高溫清凈性能的相關(guān)性關(guān)系，采用支持向量機(jī)算法和偏最小二乘算法進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)支持向量機(jī)算法的預(yù)測(cè)結(jié)果更優(yōu)。文獻(xiàn)[5]在滾珠絲杠副油潤(rùn)滑不良、油潤(rùn)滑充分和脂潤(rùn)滑充分3種潤(rùn)滑條件下，基于小波分解的振動(dòng)信號(hào)能力提取算法，建立遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)，發(fā)現(xiàn)診斷正確率達(dá)到90%。

目前我國(guó)尚缺乏對(duì)地鐵車輛車門(mén)絲桿的潤(rùn)滑研究。本文基于杭州地鐵4號(hào)線車輛車門(mén)的潤(rùn)滑加速試驗(yàn)數(shù)據(jù)，提出了一種基于隨機(jī)森林(RF)算法的車門(mén)潤(rùn)滑退化預(yù)測(cè)方法。仿真結(jié)果表明，與傳統(tǒng)的單分類器K-Means算法的診斷結(jié)果相比，RF算法在車門(mén)的潤(rùn)滑退化預(yù)測(cè)中具有更高的精度，可以及時(shí)預(yù)測(cè)系統(tǒng)的潤(rùn)滑退化征兆，對(duì)提高車門(mén)系統(tǒng)的安全性、可靠性，以及降低故障率具有重要意義。

1 地鐵車輛門(mén)系統(tǒng)

地鐵車輛門(mén)系統(tǒng)關(guān)鍵部件的潤(rùn)滑退化會(huì)對(duì)車門(mén)運(yùn)動(dòng)產(chǎn)生較大的阻力，從而導(dǎo)致門(mén)系統(tǒng)發(fā)生故障。潤(rùn)滑系統(tǒng)失效主要包括金屬磨損、保持架磨損和潤(rùn)滑劑缺失3個(gè)影響因素。本文圍繞潤(rùn)滑油問(wèn)題研究單門(mén)系統(tǒng)健康度的變化趨勢(shì)，量化車門(mén)系統(tǒng)亞健康的健康度閾值，建立基于潤(rùn)滑劑剩余量的車門(mén)系統(tǒng)退化模型，對(duì)地鐵車門(mén)關(guān)鍵部件的潤(rùn)滑問(wèn)題進(jìn)行判斷預(yù)警，避免門(mén)系統(tǒng)故障的發(fā)生。車門(mén)系統(tǒng)通過(guò)配備的智能電機(jī)采集包括電機(jī)轉(zhuǎn)矩、轉(zhuǎn)速、角度等數(shù)據(jù)，并通過(guò)提取相關(guān)特征指標(biāo)直接或間接有效地監(jiān)控車門(mén)健康狀態(tài)的變化，并將上述特征指標(biāo)作為后續(xù)地鐵車門(mén)狀態(tài)診斷的基礎(chǔ)。本文研究的車門(mén)系統(tǒng)配有智能電機(jī)，可返回電機(jī)轉(zhuǎn)矩、轉(zhuǎn)速和角度等數(shù)據(jù)。一次正常的開(kāi)門(mén)或關(guān)門(mén)時(shí)間設(shè)定為3.5 s，一次采樣總共350個(gè)點(diǎn)。

車門(mén)的工作過(guò)程存在明顯的階段特性，因此對(duì)車門(mén)系統(tǒng)的健康狀態(tài)描述需要分段進(jìn)行。本文建立在運(yùn)行中的車門(mén)狀態(tài)評(píng)估特征集存在5個(gè)基本階段，即升速段、高速段、減速段、緩行段和到位后段。分別提取各運(yùn)行階段的運(yùn)行時(shí)間和行程，以及電機(jī)參數(shù)的最大值、最小值、均值、方差、 偏度和峰度等指標(biāo)，并將其作為時(shí)域特征向量。本文選擇潤(rùn)滑狀態(tài)下對(duì)車門(mén)影響較多的48個(gè)高速段特征組合形成一組特征向量F=[F1,F2,…,F48]，用來(lái)表征車門(mén)的運(yùn)動(dòng)狀態(tài)。

2 RF算法原理

RF是由多個(gè)決策樹(shù){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進(jìn)行修改，使分類性能得到提高，最終由所有決策樹(shù)綜合投票決定輸出結(jié)果。

3 絲桿潤(rùn)滑試驗(yàn)方法

3. 1 試驗(yàn)數(shù)據(jù)采集

本文數(shù)據(jù)來(lái)源于杭州地鐵4號(hào)線車輛臺(tái)架試驗(yàn)數(shù)據(jù)。臺(tái)架起初處于潤(rùn)滑油充足的狀態(tài)，對(duì)此時(shí)的電機(jī)數(shù)據(jù)進(jìn)行采集，隨后人為地擦除潤(rùn)滑油16次并采集每次擦除后的試驗(yàn)數(shù)據(jù)，最終可得到17組電機(jī)數(shù)據(jù)。其中：1#數(shù)據(jù)顯示絲桿潤(rùn)滑狀態(tài)良好，無(wú)潤(rùn)滑油擦試；2#～17#數(shù)據(jù)顯示絲桿潤(rùn)滑加速失效，有潤(rùn)滑油擦試。

3. 2 基于RF算法的潤(rùn)滑退化仿真分析

3. 2. 1 仿真結(jié)果分析

RF算法的診斷錯(cuò)誤率前期隨著樹(shù)數(shù)量的增加而大幅降低，當(dāng)決策樹(shù)數(shù)量達(dá)到40后，分類錯(cuò)誤率趨于穩(wěn)定(大約為0.001 6),但同時(shí)模型的復(fù)雜度和訓(xùn)練時(shí)間會(huì)隨著樹(shù)數(shù)量的增加而增加。因此，本文選取RF算法分類樹(shù)的數(shù)量為40。綜合考慮模型的準(zhǔn)確率與復(fù)雜度，進(jìn)行以下2組仿真試驗(yàn)。

1) 提取特征指標(biāo)數(shù)據(jù)作為輸入，將正常數(shù)據(jù)和全部16組潤(rùn)滑數(shù)據(jù)使用RF算法進(jìn)行建模分析，仿真結(jié)果如圖1所示。從圖1的仿真結(jié)果可以看出，預(yù)測(cè)效果一般，準(zhǔn)確率基本在50%左右。

圖1 在線模型的預(yù)測(cè)準(zhǔn)確率

2) 選擇第1組正常數(shù)據(jù)、第5組退化數(shù)據(jù)、第9組退化數(shù)據(jù)、第13組退化數(shù)據(jù)和第17組退化數(shù)據(jù)進(jìn)行離線建模，得到5種模型，仿真結(jié)果如圖2所示。圖2的仿真結(jié)果表明，當(dāng)減少離線模型的數(shù)量時(shí)，預(yù)測(cè)準(zhǔn)確率均在85%以上，基本可以準(zhǔn)確地預(yù)測(cè)車門(mén)系統(tǒng)潤(rùn)滑退化的狀態(tài)。

圖2 離線模型的預(yù)測(cè)準(zhǔn)確率

3. 2. 2 與K-means算法的對(duì)比分析

本文除了利用RF算法對(duì)車門(mén)潤(rùn)滑退化數(shù)據(jù)進(jìn)行預(yù)測(cè)外，同時(shí)采用了K-means算法與RF算法進(jìn)行了對(duì)比分析。與RF算法建模過(guò)程較為類似，K-means算法同樣使用高速段特征值。兩種算法的仿真結(jié)果對(duì)比如圖3所示。由圖3可知，發(fā)現(xiàn)RF算法在預(yù)測(cè)車門(mén)系統(tǒng)的潤(rùn)滑退化問(wèn)題中效果更好。

圖3 兩種算法預(yù)測(cè)準(zhǔn)確率對(duì)比圖

4 結(jié)語(yǔ)

本文提出了一種基于RF算法的地鐵車輛門(mén)系統(tǒng)的潤(rùn)滑退化預(yù)測(cè)方法，其預(yù)測(cè)準(zhǔn)確率良好。針對(duì)車門(mén)的潤(rùn)滑退化預(yù)測(cè)問(wèn)題，與K-means算法相比，RF算法的診斷效果更好。因此，RF算法在地鐵車輛門(mén)系統(tǒng)的潤(rùn)滑退化預(yù)測(cè)方面有著較好的實(shí)際推廣意義。