摘要
车门控制系统是地铁车辆中最重要的子系统之一,其机电部件紧密耦合且存在频繁往复运动,易受环境和乘客干扰,故障率居高不下.为准确检测诊断地铁车门早期故障,本文提出一种大数据驱动的车门故障特征优选方法和基于随机森林(RF)的智能诊断方法.首先,从地铁运营公司累积的大量车门运行状态数据中,提取门扇位置、驱动电机转速和电流信号的多阶段时域特征指标,构建车门运行状态的特征向量;然后,应用距离评估准则,优选对故障敏感度高且对干扰鲁棒性强的车门状态特征,降低特征维度,减少冗余、无关特征的干扰;以优选后的车门状态特征作为RF网络的输入,故障标签作为输出,建立智能故障诊断模型,实现车门系统不同微小故障状态的自动识别.在杭州地铁4号线台架车门上的应用结果表明,所提方法能准确提取早期故障的微弱特征,故障分类模型精度高,故障诊断准确率优于现有其他方法.
基金项目
国家自然科学基金(61873122)
国家自然科学基金()
江苏省轨道交通车辆门系统重点实验室项目(KN17-26资助)
NETL
NSTL
维普
万方数据