隨機森林在軌道交通車輛門系統亞健康狀態診斷中的應用

嚴 俊 支有冉 許志興 史 翔

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

在列車運營過程中，由于車門開閉頻繁及乘客干擾等眾多因素，導致客室車門故障頻發[1]。據相關數據統計，車門故障發生次數約占列車系統總故障的30%以上。在故障發生之前，車門通常會在亞健康的狀態下運行一段時期。因此，及時發現車門系統常見的早期亞健康征兆，進行實時的健康狀態監測并提供亞健康狀態判別，對提高車門系統的安全性、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的狀態檢測領域取得了較好的診斷效果，如人工神經網絡、Petri網、貝葉斯網絡[2-3]、聚類分析[4]等。文獻[1]以軌道交通車門為研究對象，提出了以故障樹為基礎的混合結構樹，實現了自動門的遠程智能診斷。文獻[2]提出了一種利用貝葉斯網絡對車門驅動電機異常狀態進行可靠性分析的方法。文獻[5]提出以支持向量機作為辨識算法建立設備的狀態評估模型。上述方法均通過訓練數據建立單一分類器，然后對測試樣本集進行狀態識別，從而達到診斷的目的。已有研究表明，與單-分類器相比，分類器群能夠達到更高的正確率[6]。文獻[1]提出的隨機森林(RF),就是一種利用多個隨機樹分類器組合并進行分類的方法，RF從特征集中隨機選擇部分特征量形成特征子集，利用不同的特征子集構造分類器，有效地提高了分類器之間的差異，具有較好的泛化性和準確性。

然而,軌道交通車門數據采集系統通過配備的智能電機返回的數據參量只有電機轉矩、轉速和角度，原始數據無法直接應用分類器群進行訓練。因此，RF在軌道交通車輛門系統的亞健康診斷領域中具有重要的研究意義。

1 軌道交通車輛門系統

1.1 車門結構與典型的亞健康狀態

本文以電動雙開塞拉門系統為研究對象。其車門系統的運行由電機驅動，門控器控制驅動電機的電流、轉速和位移，電動機帶動絲桿，驅動螺母，螺母帶動門扇運動，從而實現車門的自動開關。

隨著列車的持續運營，各部件尺寸由于元件老化及磨損，車門一直在亞健康狀態下運行，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范及實際運營維修返回的相關技術統計為依據，研究了車門的7種典型亞健康工況。表1列出了全部7種亞健康狀態的具體情況。

表1 車門典型的亞健康狀態表

1.2 門系統健康狀態評估特征集

本文所研究的車門狀態評估特征集建立在列車運行過程中的5個基本階段(啟動段、升速段、勻速段、減速段及緩行段)之上。分別對各運行階段提取運行時間、行程、轉速、電流的平均值以及有效值、極大值、極小值等指標，作為時域特征向量。本文采用小波變化對原始速度信號進行5層小波分解，然后對高頻分量進行了多尺度重構，選擇容錯性強的Shannon能量熵值作為時頻域的特征指標。上述提取的時頻內總計39個特征組合成為一組特征向量F=[F1,F2,…,F39]，形成表征車門運動狀態的特征集。

2 RF方法

RF是由多個決策樹{h(x,Θk),k=1,2,…,n}組成的分類器群，其中,{Θk}是相互獨立且同分布的隨機向量。通過對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果。考慮到若森林中的多個分類器結構相同，并采用相同的訓練集訓練，會導致分類器之間相似度極高，以及多個分類器類似于一個分類器。

3 試驗結果與分析

3.1 實驗數據采集與特征提取

本文針對軌道交通車門的亞健康診斷進行亞健康臺架調門試驗，車門的采樣周期為10 ms，一次采樣350個點，并通過無線傳輸的方式(由外置監測設備轉發)將數據信息傳輸到數據中心服務器。首先檢查臺架車門的相關尺寸和功能是否符合檢驗標準，并確認該車門未存在任何形式的亞健康狀態，此時執行一段時期的開關門循壞，通過遠程系統在服務器上采集這段時期內的電機輸出數據共247組。采集上述7類典型的亞健康狀態下車門系統的運行數據，其中，對中尺寸異常為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據為147組。統計得到上述7類車門亞健康數據和正常數據樣本的總容量為1 459組。車門系統中電機的一組輸出參數如圖1所示。

圖1 車門系統中電機的一組輸出參數曲線圖

3.2 方法結果驗證

將上述經特征提取后的數據所對應車門的健康、對中尺寸異常、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分別標上標簽，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的診斷錯誤率隨森林中決策樹數量增加的變化曲線。

圖2 RF的診斷錯誤率與森林中決策樹數量的關系曲線

由圖2可知，前期隨著決策樹數量的增加，錯誤率大幅降低；當決策樹數量超過40后，錯誤率趨于穩定，約為0.16%，但模型的復雜度和訓練時間會隨決策樹數量的增加而增加。因此，綜合考慮模型的準確率與復雜度，本文選取RF決策樹的數量為40。通過上述方式確定決策樹的數量后，采用式(3)對構成模型輸入數據的39維特征進行重要性評估。表2列出了按重要性對特征進行排序的結果。

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。由于列車亞健康運行會導致車門運行中阻力發生變化，而電流則是直接和阻力相關的觀測量，基于RF的特征重要性評估得出的結論與實際情況相符，證明了該方法的可行性。因此，在陣線列車檢測系統中，可對表3中排名靠前的特征進行重點監控。本文采用10次10折交叉驗證的平均值作為模型最終精度評價方式，結果如圖3所示。

通過上述多種診斷模型的對比結果發現，對于車門亞健康數據的診斷，貝葉斯網絡和KNN近鄰診斷的效果較差，1 000條數據的錯誤診斷數量在10條以上；支持向量機和決策樹錯判的數量為個位數，決策樹略好于支持向量機。而RF的診斷錯誤率比貝葉斯網絡和KNN近鄰低了兩個數量級，比決策樹和支持向量機的診斷錯誤率低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果比較圖

4 結論

1)分析車輛門系統亞健康的根源，建立典型的亞健康模式與其表現形式之間的關聯。對車門的運動曲線進行合理的分段，并基于分段結果提取了一組能全面表征車門健康狀態的特征集。

2)利用臺架調門亞健康試驗，采用RF的方法對車門健康狀態和7種典型的車門亞健康狀態數據進行模型的訓練和診斷，并基于RF提出了一種評估特征重要性的方法，結合車門的工作機理，證實該評估結果的可靠度較高。

3)對多種分類器算法進行了對比試驗，結果表明針對車門的亞健康診斷，與其它傳統的算法相比，RF的診斷效果最好，錯誤率可降低1%左右。因此，RF方法在軌道車輛門系統的亞健康診斷方面有著較好的實際推廣意義。