一种城轨门系统护指胶条剩余寿命预测方法

摘要

本发明公开了一种城轨门系统护指胶条剩余寿命预测方法，提取胶条在不同运营时间段对应的电机电流曲线特征，基于智能算法建立胶条退化状态分类模型，利用分类模型对当前护指胶条的退化状态进行辨识，对胶条剩余寿命进行预测，判断胶条是否需要更换。该方法无需采集护指胶条样本进行破坏性检测，可以实现对胶条状态的实时监测，有利于深入认识胶条退化过程，科学安排更换周期，降低维护成本。

说明书

技术领域

本发明涉及一种护指胶条剩余寿命预测方法，尤其涉及一种城轨门系统护指胶条剩余寿命预测方法。

背景技术

随着轨道交通行业的迅猛发展，城轨车门的安全性和可靠性受到人们的普遍关注。护指胶条是轨道车辆门系统的核心组成部件之一，当门关到位时，胶条相互挤压实现门系统的密封作用。护指胶条由三元乙丙橡胶(EPDM)制成，使用过程中，受环境影响会发生老化失效，导致车门密封效果下降。目前对城轨车门护指胶条采取定期更换的维护方式，更换频率高，无法实现胶条的全寿命周期管理，运维成本较高。对护指胶条进行寿命预测可以获得胶条退化状态，有助于合理安排维护周期。

当前对护指胶条的寿命预测采用的方法是取不同使用时间的旧护指胶条作为样本，检测胶条的硬度、拉伸强度、拉断伸长率等力学性能指标，计算胶条的性能保持率，对检测到的力学性能数据进行线性或非线性拟合，根据拟合方程计算护指胶条的使用寿命。这种方法需要采集不同阶段的护指胶条样本，往往需要较长的试验周期，试验成本较高。

传统的寿命预测方法是基于样本力学性能数据拟合寿命曲线，通过采集不同使用时间下的护指胶条进行试验，样本采集具有随机性，无法对胶条状态进行连续监测，且不同插值方法对曲线拟合效果不同，使得寿命预测不够准确。

发明内容

发明目的：本发明的目的为提供一种有利于科学安排更换周期、降低维护成本的城轨门系统护指胶条剩余寿命预测方法。

技术方案：本发明的城轨门系统护指胶条剩余寿命预测方法，包括以下步骤：

(1)采集胶条全寿命周期运行下的关门电流数据，截取胶条挤压工作时的电机电流曲线段；

(2)提取电流曲线的时域和频域的特征值，形成特征向量；

(3)对所提取的特征进行相关性分析和灵敏度分析，去除冗余特征；

(4)对时域和频域特征指标计算费舍尔判别准则得分，选取能得分较高的特征；

(5)将胶条全寿命周期按照时间划分为N类退化状态：正常状态、退化状态1、退化状态2、退化状态3……退化状态N-2和失效状态，利用分类算法对胶条全寿命周期下的电流曲线的时域和频域特征进行学习，得到胶条退化状态分类模型，其中，正常状态、退化状态1、退化状态2、退化状态3……退化状态N-2和失效状态根据使用时间确定，4

(6)根据胶条退化状态分类模型对当前护指胶条退化状态进行识别，计算胶条剩余寿命，判断是否需要更换胶条。

进一步地，步骤(2)中，时域特征包括最大值、最小值、均值、方差、偏度、峭度和峰度。频域特征的提取方法为通过对电机电流数据进行小波分解，得到各子频带的能量并确定频域特征集。

步骤(3)中，特征相关性分析计算公式为：

式中，ρ

步骤(3)中，特征灵敏度计算公式为：

式中，λ(x

步骤(4)中，费舍尔判别准则得分计算公式为：

式中，

步骤(5)中，运用智能算法构建胶条退化状态分类模型，包括如下步骤：

将N-2类退化状态标记不同标签作为样本输出，与步骤(4)选取的特征组成特征向量，随机分为学习样本和测试样本，将学习样本输入智能算法进行训练，得到胶条退化状态分类模型，利用测试样本对分类模型分类的准确性进行验证，若分类精度不满足设定要求，则调整算法参数，直至分类精度满足要求。

步骤(6)中，剩余寿命计算公式为：

式中，i＝1,2,...,N，T

在门系统关门过程中，护指胶条对丝杆扭矩影响最大，因此可以根据电机电流的变化曲线间接反应护指胶条的作用效果，通过对不同阶段护指胶条作用下的电流曲线进行特征提取，利用分类算法进行学习，建立胶条状态退化模型，基于算法模型对当前护指胶条状态进行分类，得到当前胶条退化状态，判断是否需要更换胶条。

有益效果：与现有技术相比，本发明具有如下显著优点：

(1)无需采集护指胶条样本进行破坏性检测，可以实现对胶条状态的实时监测，有利于深入认识胶条退化过程，合理安排更换周期，实现按需更换，降低维护成本，提升运营可靠性；

(2)基于电机电流特征对不同阶段护指胶条的退化状态进行研究。将胶条全寿命周期分为4个阶段，提取各阶段的电流特征，运用分类算法建立护指胶条退化状态分类模型，基于分类模型对当前护指胶条状态进行分类识别，判断该胶条是否需要更换；

(3)基于护指胶条对关门电流的影响，无需进行胶条样本采集和检测试验，通过分析电机电流曲线特征来研究胶条退化状态，可以实现对胶条全寿命周期的有效监测，对提高护指胶条寿命预测的准确性、合理安排胶条维护周期具有重要指导意义。

附图说明

图1是本发明城轨门系统护指胶条剩余寿命预测方法的流程图；

图2是护指胶条安装位置示意图；

图3是护指胶条作用时对应的电流曲线段；

图4是本发明实施例的BP神经网络分类算法结构。

具体实施方式

下面结合实施例对本发明的技术方案作进一步说明。

如图1所示，本发明所述城轨门系统护指胶条剩余寿命预测方法，具体步骤如下：

(1)采集胶条全寿命周期运行下的关门电流数据，对胶条挤压时的电流曲线段进行判别和截取。

如图2所示为护指胶条安装位置示意图，在关门到位过程中，左右护指胶条相互挤压，电机电流增大，截取胶条挤压阶段的电流曲线段，如图3所示。

(2)对电流曲线进行特征值提取。

对电流曲线进行时域特征提取，主要包括：最大值、最小值、均值、方差、偏度、峭度、峰度等。

对所截取电流曲线段的最大值、最小值提取可以确定数据变化区间范围，表达式如下：

x

x

i＝1,2,...,N

数据提取的均值表达式如下：

电流数据的方差反应了各数据与均值中间的偏离程度，具体表达式如下：

偏度反应了数据的不对称程度，表达式如下：

峭度反应了波形的平缓程度，表达式如下：

其中X

峰度反应了峰值在波形中的极端程度，表达式如下：

式中，X

频域特征提取主要是通过对电机电流数据进行小波分解，得到各子频带的能量并确定频域特征集。

基于尺度函数

ω

信号x(t)在其中一个小波子向量空间的分解信号为

其中，

信号x(t)可小波分解为如下形式：

ω

子频带信号

选择3层小波分解对电流信号进行小波分解，得到子频带能量作为胶条退化状态的频域能量特征。

(3)特征冗余分析。

所选取的特征值可能存在特征值冗余现象。虽然冗余特征也同样包含样本信息，也不会对分类结果的正确性产生影响，但是去除冗余特征有助于降低特征值维数，提高运算效率。对各特征的相关性分析，以比较变量因素之间的密切程度。在学习样本上计算任意两特征之间的相关系数，如果大于某一个阈值，则表明两者强相关并剔除信噪比小的特征，相关系数计算公式如下：

信噪比可以用来权衡特征的分类信息数量，即

式中，d(m)为信噪比，μ为样本均值，σ为样本标准差。若两个样本均值相同时信噪比为0，则会将此特征剔除，但是若方差相差较大仍可作为判别特征，为了避免此误剔除的现象，对信噪比公式进行修正，修正结果为：

d(m)＝|μ

通过灵敏度对剩余特征进行进一步筛选，灵敏度计算公式为：

式中，λ(x

根据上述公式计算特征值灵敏度，将灵敏度最小的特征值作为冗余特征剔除。

(4)特征评价。

对所取特征进行评价，评价方法选用Fisher Criteria准则：

选择胶条正常状态数据标记为Good，胶条失效状态数据标记为Bad，计算每个特征的fisher discrimination score，选择得分最高的6类特征值。

(5)建立胶条退化状态分类模型。

本实施例中，将胶条全寿命周期分为：正常状态、退化状态1、退化状态2、退化状态3、退化状态4、失效状态，各个阶段对应不同标签，利用分类算法对胶条全寿命周期下的电流曲线特征进行学习，得到胶条退化状态分类模型。

本实例中分类算法采用BP神经网络进行分类训练，算法结构如图4所示。神经元中间采用sigmoid函数激励，使用该函数前需对输入特征数据进行归一化处理，归一化处理可以加快网络收敛速度，提高训练效率。

x’为归一化后的样本数据，x为输入的样本数据，max(x)和min(x)分别为输入特征的最大值和最小值。

设置隐含神经元数量为4，学习速率为0.001，期望误差为10-

BP神经网络模型具体训练过程为：电流曲线特征输入后，输入层神经元首先被激活，然后将信息传递给隐含层各神经元进行信息处理和变换，最后将变换后的信息传递到输出层中进行进一步处理和输出；如果输出结果和预先设定的输出值之间的差值大于给定误差，神经网络会进行逆向训练，对每一层权值的阈值进行反复修正，直到网络输出与预设之间的误差值达到目标要求误差范围要求或学习次数大于设定的最大学习次数时停止训练。

(6)根据S5中建立的胶条退化状态分类模型对当前护指胶条退化状态进行诊断识别，判断胶条状态，正常状态、退化状态1、退化状态2、退化状态3、退化状态4、失效状态对应剩余寿命分别为T