[发明专利]基于时间序列数据挖掘的轨道车辆门亚健康状态识别方法

说明书

本发明公开了一种基于时间序列数据挖掘的轨道车辆门亚健康状态识别方法，利用多尺度滑动窗口离散字符化算法对轨道车辆门门电机的转速、转矩和电流进行数据挖掘；通过计算与正常状态下模板曲线的距离作为特征，并使用主成分分析对其降维，去除冗余信息，获得分类性能较好的低维特征；然后使用分层亚健康状态识别模型由粗到细对各种亚健康数据逐层进行识别，最终实现开关门过程中亚健康状态的识别，能够有效的提取出车门电机时间序列数据的特征，并对车门开关门过程中出现的常见的亚健康准确识别，具有很好的应用前景。

技术领域

本发明涉及城市轨道交通故障检测技术领域，具体涉及一种基于时间序列数据挖掘的轨道车辆门亚健康状态识别方法。

背景技术

随着国民经济的不断发展，我国的城市化进程逐步加快。城市人口的急剧增加，城市规模的扩大，居民出行和物资交流的高度频繁，致使城市交通系统面临着严峻的局势。城市轨道交通作为综合交通体系中的关键运输方式，以其运能大、效率高、能耗小等独特的技术经济优势，在缓解城市交通拥堵和社会经济发展中肩负重要使命。据近几年地铁运营过程中的故障统计可知，城市轨道交通作列车的车门系统作为其的关键子系统，故障数量在列车各系统中排名第一，占列车总数的20％以上。

车门亚健康状态是介于车门正常运行和故障之间的中间状态，对其进行识别存在着重要的意义。在车门打开和关闭运动过程中最重要的驱动部件就是电机。电机工作状态可以直接或间接反应出车门整体的工作状态，采集到的电机数据为时间序列相关数据，是我们进行亚健康状态识别的依据。

目前，时间序列常用的表示方法有离散小波变换、分段线性表示和符号化方法，其中，近年来最流行的方法可以说是符号聚合近似(Symbolic Aggregate approXimation,SAX)，它是由Lin和Keogh在2003年提出，并且在时间序列数据挖掘中得到广泛的应用并取得良好的效果。扩展符号聚合近似(ESAX)是Lkhagva等人在2006年提出，用于克服SAX易丢失极值点的重要信息并在经济类时间序列挖掘中有比较好的效果。对于数据的分类识别，支持向量机(SVM)在模式识别以及故障诊断等方面得到了广泛的应用，其本质是采用核函数将特征映射到更高维的空间，并在高维空间中寻找最大间隔分类面。但是，时间序列符号化的缺点是不知道如何合理的离散序列，定义符号表示意义，和如何设计相应的相似性度量，因此，有必要针对车门，进行改进处理的，是当前需要解决的问题。

发明内容

本发明的目的是克服现有的PWM转DC(直流)电路，对RC低通滤波器的阶数要求很高，且输出的直流电压存在较大纹波的问题。本发明的基于时间序列数据挖掘的轨道车辆门亚健康状态识别方法，能够有效的提取出车门电机时间序列数据的特征，并对车门开关门过程中出现的常见的亚健康准确识别，具有很好的应用前景。

为了达到上述目的，本发明所采用的技术方案是：

基于时间序列数据挖掘的轨道车辆门亚健康状态识别方法，其特征在于：包括以下步骤，

步骤(A)，对轨道车辆门的亚健康及其对应正常的数据进行采集及预处理；

步骤(B)，通过多尺度滑动窗口方法，结合ESAX字符化算法对步骤(A)中所采集及预处理后的数据进行处理，将其离散为第一字符串序列；

步骤(C)，计算获得正常开关门状态下的模板曲线，并通过步骤(B)中相同的方法进行离散为第二字符串序列，计算第二字符串序列与第一字符串序列之间的距离作为特征值，通过主成分分析对特征值进行降维和特征选择；

步骤(D)，通过分层亚健康状态识别算法由粗到细的逐步识别各种亚健康数据，在第一层训练中，仅依据步骤(C)中的特征值判断出Ⅰ类亚健康数据；在第二层训练中，对当前轨道车辆门的实时数据提取基础特征，并步骤(C)中所获得的特征进行融合，对正常数据及Ⅱ类亚健康数据进行区分。