随机森林算法在地铁车辆门系统润滑退化状态预测中的应用*

付国平 秦 征 杨明辉 邢海福 毕 雨 吴 亮 支有冉 施 文

(1. 杭州市地铁集团有限责任公司，310003，杭州；2. 南京康尼机电股份有限公司，210013，南京；3. 南京航空航天大学自动化学院，210016，南京//第一作者，高级工程师)

地铁车辆门系统的安全维护是列车安全运行的重要保障[1-2]。门系统中丝杆的良好润滑是保障携门架带动门的重要基础。对于地铁维保工作而言，丝杆良好的润滑性能可以保障丝杆的不毛刺，从而延长其寿命。文献[4]通过分析发动机润滑油功能元素和其高温清净性能的相关性关系，采用支持向量机算法和偏最小二乘算法进行预测，发现支持向量机算法的预测结果更优。文献[5]在滚珠丝杠副油润滑不良、油润滑充分和脂润滑充分3种润滑条件下，基于小波分解的振动信号能力提取算法，建立遗传算法优化后的BP神经网络，发现诊断正确率达到90%。

目前我国尚缺乏对地铁车辆车门丝杆的润滑研究。本文基于杭州地铁4号线车辆车门的润滑加速试验数据，提出了一种基于随机森林(RF)算法的车门润滑退化预测方法。仿真结果表明，与传统的单分类器K-Means算法的诊断结果相比，RF算法在车门的润滑退化预测中具有更高的精度，可以及时预测系统的润滑退化征兆，对提高车门系统的安全性、可靠性，以及降低故障率具有重要意义。

1 地铁车辆门系统

地铁车辆门系统关键部件的润滑退化会对车门运动产生较大的阻力，从而导致门系统发生故障。润滑系统失效主要包括金属磨损、保持架磨损和润滑剂缺失3个影响因素。本文围绕润滑油问题研究单门系统健康度的变化趋势，量化车门系统亚健康的健康度阈值，建立基于润滑剂剩余量的车门系统退化模型，对地铁车门关键部件的润滑问题进行判断预警，避免门系统故障的发生。车门系统通过配备的智能电机采集包括电机转矩、转速、角度等数据，并通过提取相关特征指标直接或间接有效地监控车门健康状态的变化，并将上述特征指标作为后续地铁车门状态诊断的基础。本文研究的车门系统配有智能电机，可返回电机转矩、转速和角度等数据。一次正常的开门或关门时间设定为3.5 s，一次采样总共350个点。

车门的工作过程存在明显的阶段特性，因此对车门系统的健康状态描述需要分段进行。本文建立在运行中的车门状态评估特征集存在5个基本阶段，即升速段、高速段、减速段、缓行段和到位后段。分别提取各运行阶段的运行时间和行程，以及电机参数的最大值、最小值、均值、方差、 偏度和峰度等指标，并将其作为时域特征向量。本文选择润滑状态下对车门影响较多的48个高速段特征组合形成一组特征向量F=[F1,F2,…,F48]，用来表征车门的运动状态。

2 RF算法原理

RF是由多个决策树{h(x,Θk),k=1,2,…，n}组成的分类器群，其中{Θk}是相互独立且同分布的随机向量。通过对基分类器的集成和候选特征子集进行修改，使分类性能得到提高，最终由所有决策树综合投票决定输出结果。

3 丝杆润滑试验方法

3. 1 试验数据采集

本文数据来源于杭州地铁4号线车辆台架试验数据。台架起初处于润滑油充足的状态，对此时的电机数据进行采集，随后人为地擦除润滑油16次并采集每次擦除后的试验数据，最终可得到17组电机数据。其中：1#数据显示丝杆润滑状态良好，无润滑油擦试；2#～17#数据显示丝杆润滑加速失效，有润滑油擦试。

3. 2 基于RF算法的润滑退化仿真分析

3. 2. 1 仿真结果分析

RF算法的诊断错误率前期随着树数量的增加而大幅降低，当决策树数量达到40后，分类错误率趋于稳定(大约为0.001 6),但同时模型的复杂度和训练时间会随着树数量的增加而增加。因此，本文选取RF算法分类树的数量为40。综合考虑模型的准确率与复杂度，进行以下2组仿真试验。

1) 提取特征指标数据作为输入，将正常数据和全部16组润滑数据使用RF算法进行建模分析，仿真结果如图1所示。从图1的仿真结果可以看出，预测效果一般，准确率基本在50%左右。

图1 在线模型的预测准确率

2) 选择第1组正常数据、第5组退化数据、第9组退化数据、第13组退化数据和第17组退化数据进行离线建模，得到5种模型，仿真结果如图2所示。图2的仿真结果表明，当减少离线模型的数量时，预测准确率均在85%以上，基本可以准确地预测车门系统润滑退化的状态。

图2 离线模型的预测准确率

3. 2. 2 与K-means算法的对比分析

本文除了利用RF算法对车门润滑退化数据进行预测外，同时采用了K-means算法与RF算法进行了对比分析。与RF算法建模过程较为类似，K-means算法同样使用高速段特征值。两种算法的仿真结果对比如图3所示。由图3可知，发现RF算法在预测车门系统的润滑退化问题中效果更好。

图3 两种算法预测准确率对比图

4 结语

本文提出了一种基于RF算法的地铁车辆门系统的润滑退化预测方法，其预测准确率良好。针对车门的润滑退化预测问题，与K-means算法相比，RF算法的诊断效果更好。因此，RF算法在地铁车辆门系统的润滑退化预测方面有着较好的实际推广意义。