地铁门夹紧力峰值数据在一定程度上可以反映其传动系统的退化状态. 基于此, 本文运用研发的数据采集系统对新上线地铁门的夹紧力进行实时地采集、存储、显示和查询. 分别采用ARIMA模型与EMD-ARIMA模型对夹紧力峰值的均值和标准差随累积运行时间的变化趋势进行预测, 依据预测结果确定地铁门传动系统发生早期故障的概率. 通过两种模型预测对比结果表明, EMD-ARIMA模型可以较好地预测地铁门夹紧力峰值的变化趋势, 这种改进的预测方法可以对处于调试期车门退化状态的预测提供新思路.
The peak of clamping force data of Metro doors can reflect the degradation of the transmission system to a certain extent. Based on this, this study uses the developed data acquisition system to collect, store, display, and query the clamping force of the new on-line metro door in real time. ARIMA model and EMD-ARIMA model are used to predict the trend of mean and standard deviation of peak clamping force with cumulative running time, and the probability of early failure of door transmission system is determined based on the prediction results. The comparison of the two models shows that EMD-ARIMA model can predict the change trend of peak clamping force of metro doors, and the improved prediction method can provide a new idea for predicting the deterioration of metro doors in debugging period.
地铁门作为地铁启动频繁的部件之一, 其可靠性事关旅客安全和地铁网络调度秩序等而备受关注. 统计表明, 地铁车辆系统中列车门的故障占车辆系统总故障的约30%以上[
虽然传统的时间序列模型应用广泛, 但仍然存在预测精度低等不足. 基于此, 本文提出了改进的EMD-ARIMA预测模型. 国内外许多学者将EMD分解法应用于预测研究领域. 高强等[
地铁门按照车门的运动轨迹及与车体的安装方式可以分为: 内藏门、外挂门、塞拉门和外摆门. 本文以塞拉门传动系统作为研究对象, 其主要由基架、驱动装置、丝杆、长/短导柱、携门架等组成[
传动系统结构示意图
驱动装置由一个直流电机和一个齿轮减速装置(减速比7∶1)组成. 丝杆是车门系统能实现开关门动作的动力传递部件. 通过三个支承丝杆被安装在基架上. 通过减速装置, 电机的旋转运动将传递到丝杆并最终带动门扇运动. 长导柱为门的纵向移动提供自由度, 短导柱承受门板的重量并为门提供横向移动自由度. 携门架通过滚珠直线轴承在长导柱上滑动将力传送到门扇[
传动系统是车门系统重要组成部分之一, 夹紧力可以在一定程度上反映传动系统的退化状态. 根据传动系统的工作原理可以推导出夹紧力计算公式如下:
其中,
地铁门开始运动时门扇处于完全打开状态, 电子门控单元接收到控制系统发出的关门指令门扇开始关闭. 同时, 地铁车门具备防夹功能即检测到障碍物时车门会打开一定开度. 如果障碍物依然存在, 将会循环一次, 循环三次后车门将完全打开.
新上线的车辆通常在组装车间完成组装, 运行车间进行调试. 此时, 传动系统处于磨合调试期, 诸如电机反馈信号等参数仍处于不断调整的阶段, 夹紧力峰值的均值也存在增大的可能. 因此, 在此期间内有必要预测其早期故障, 从而减少调试周期.
地铁门数据采集系统的设计主要分为采集装置的设计及软硬件电路的设计. 由于测量地铁门夹紧力的采集装置较少. 因此, 学科组研发了一种变距式自动门夹紧力测量装置. 本采集装置已申请发明专利, 专利号为201811464636.6, 其结构如
地铁门夹紧力采集装置结构
在测力时, 通过转动左端内六角螺杆来调节左支座的位置, 使得两个测力接触端之间的距离满足需要测量的间隙. 当两个测力接触端受力时, 连杆将力传到左右支座, 左支座在螺纹锁紧下和导套向左运动, 右支座带动套筒内的弹簧导套轴端向右运动, 从而弹簧导套轴端向右压弹簧, 弹簧将力传给压力传感器(传感器通过紧贴套筒后盖), 套筒后盖和套筒通过螺纹连接, 同时套筒后盖有通孔使得导套杆可以伸缩. 从而使得压力传感器获得一个横向轴向力并将所对应的压力信号发送到数据处理终端.
与其配套的数据采集硬件系统主要由数据采集单元、数据传输单元以及数据显示单元组成. 数据采集单元将传感器接收到的压力信号通过A/D芯片转化为拟信号. 数据传输模块主要将信号通过RS-232串口通讯协议与上位机进行数据“交流”, 同时在显示单元中示数据及曲线.
软件编程部分主要包括基于STM32控制程序的编写以及基于VB开发环境的界面设计, 该部分可对检测装置所采集数据进行处理、存储、显示等工作. 数据接收界面如
数据接收界面
经验模态分解(EMD)是一种信号变换理论, 具有自适应的特性, 分解出的信号能够很好地反映原信号的特征. EMD可以将一个信号分解为有限个本征模函数(IMF)和余量, 各IMF分量包含了原信号的不同时间尺度的局部特征信号, 从而尽可能地保留了原有数据本身的特性.
经过EMD分解时间序列
本文将EMD分解引入时间序列预测中, 把含有多个复杂的非平稳信号分解, 再对每个IMF分量利用时间序列ARIMA模型预测, 然后用各个分量的预测值重构出原始信号, 从而提高预测精准度. 预测算法如
EMD-ARIMA预测算法
时间序列是把预测对象的历史数据按一定的时间间隔进行排列, 构成一个随时间变化的统计序列, 建立相应的随时间变化的模型, 并将该序列外推到未来进行预测[
对于平稳序列直接采用ARMA模型进行建模, 但对于非平稳序列则需运用ARIMA模型方法进行建模, 其形式表示如下:
ARIMA(
为了精确确定模型阶数采用AIC准则确定模型参数. 对于ARIMA(
对经
根据上面的公式可计算出
使得:
最终有
模型建立后, 运用LB统计量检验法[
其中,
在轨道交通企业, 通过夹紧力测量装置分三次对处于试验阶段同一型号的地铁车辆进行地铁门夹紧力数据采集. 地铁门在关门过程中遇到障碍物会产生三次开关动作, 每一次开关动作都会产生一组数据. 在本次研究中, 夹紧力数据的峰值是预测地铁门传动系统早期故障的重要因素. 假设峰值服从正态分布, 根据所测数据峰值的均值(
本文采用Matlab对两种模型相关参数进行计算, 如
原始采集数据
采集次数 | 第一次峰值 | 第二次峰值 | 第三次峰值 | |
第一次开关门数据 | 1 | 129 | 125 | 107 |
2 | 103 | 116 | 171 | |
3 | 111 | 169 | 147 | |
4 | 121 | 107 | 165 | |
5 | 113 | 104 | 160 | |
6 | 107 | 105 | 171 | |
7 | 127 | 156 | ||
均值 | 114 | 121.9 | 153.9 | |
标准差 | 9.5 | 22.8 | 22.3 | |
第二次开关门数据 | 1 | 225 | 203 | 261 |
2 | 232 | 235 | 293 | |
3 | 224 | 267 | 273 | |
4 | 196 | 254 | 264 | |
5 | 142 | 277 | 255 | |
6 | 229 | 260 | 259 | |
7 | 269 | 272 | ||
均值 | 208 | 252.1 | 268.1 | |
标准差 | 34.8 | 25.5 | 12.8 | |
第三次开关门数据 | 1 | 229 | 244 | 232 |
2 | 200 | 127 | 308 | |
3 | 246 | 238 | 255 | |
4 | 225 | 240 | 249 | |
5 | 172 | 256 | 265 | |
6 | 125 | 236 | 252 | |
7 | 249 | 230 | ||
均值 | 199.5 | 227.1 | 255.9 | |
标准差 | 44.7 | 44.7 | 26.1 |
由于数据存在缺失现象, 本文以10天为序列周期对原始数据进行牛顿多项式插值. 用
(1)经数据处理后, 第一次开关门动作时夹紧力峰值的均值及标准差数据如
第一次开关门夹紧力峰值均值及标准差数据变化如
通过对数据进行ADF单根检验, 均值与标准差时间序列均为非平稳序列. 经过2次差分后再经ADF检验, 二者均为平稳序列. 然后, 通过寻找AIC最小值确定ARIMA模型中
由
ARIMA建模算法流程图
插值后夹紧力峰值均值及标准差数据
|
114 | 114.9 | 115.7 | 116.6 | 117.5 | 118.4 | ||||
|
9.5 | 11 | 12.5 | 13.9 | 15.4 | 16.9 | ||||
|
119.2 | 120.1 | 121 | 121.9 | 127.2 | 132.5 | ||||
|
18.4 | 19.8 | 21.3 | 22.8 | 22.7 | 22.6 | ||||
|
137.9 | 143.2 | 148.5 | 153.9 | ||||||
|
22.6 | 22.5 | 22.4 | 22.3 |
夹紧力峰值均值变化曲线
夹紧力峰值标准差变化曲线
不同
( |
AIC | ( |
AIC |
(0,0) | NaN | (2,0) | 0.9562 |
(0,1) | 0.6722 | (2,1) | 1.2879 |
(0,2) | 0.9562 | (2,2) | 1.6821 |
(1,0) | 0.6723 | ||
(1,1) | 0.9562 | ||
(1,2) | 1.298 79 |
不同
( |
AIC | ( |
AIC |
(0,0) | NaN | (2,0) | −0.7062 |
(0,1) | −1.1017 | (2,1) | −0.8114 |
(0,2) | −0.7062 | (2,2) | 0.4242 |
(1,0) | −1.1016 | ||
(1,1) | −0.7062 | ||
(1,2) | −0.7558 |
综上, 峰值均值的预测模型为为
对均值及标准差进行残差的LB统计量的检验, 计算结果如
模型显著性检验结果
延迟阶数 | ||
均值模型 | 标准差模型 | |
6 | 0.9693 | 0.9749 |
12 | 0.9998 | 0.9998 |
由
在运用EMD-ARIMA模型进行预测时, 需对时间序列进行EMD分解, 最终将均值及标准差数据分解为3个IMF分量以及一个趋势项, 如
基于前面对EMD-ARIMA模型算法的分析, 通过ARIMA预测模型分别对均值及标准差的IMF1、IMF2、IMF3和趋势项进行预测. 将各项的预测数据重构得到EMD-ARIMA模型最终的预测结果, 并与ARIMA模型进行比较, 对比结果如
均值的EMD分解
标准差的EMD分解
均值预测对比图
标准差预测对比图
第一次开关门夹紧力最大阈值为200
第一次开关门ARIMA预测结果
测试数据 | ARIMA预测数据 | ||
|
|
||
0.0058 | 0.006 | ||
0.0108 | 0.0118 | ||
0.0195 | 0.0225 |
第一次开关门EMD-ARIMA预测结果
测试数据 | EMD-ARIMA预测数据 | ||
|
|
||
0.0058 | 0.0057 | ||
0.0108 | 0.0105 | ||
0.0195 | 0.0168 |
(2)第二次开关门动作与第三次开关门动作夹紧力峰值分布情况的ARIMA及EMD-ARIMA模型预测步骤及方法与第一次基本相同.
通过对第二次开关门的均值据数据进行ADF单根检验, 均值为非平稳序列, 经过2次差分后为平稳序列. 标准差时间序列本身为平稳序列. 通过计算, 均值预测模型为ARIMA (0, 2, 1), 标准差预测模型为ARIMA (2, 0, 1).
综上, 峰值均值预测模型为
均值预测对比图
第二次开关门阈值为280 N,
标准差预测对比图
第二次开关门ARIMA预测结果
测试数据 | ARIMA预测数据 | ||
|
|
||
0.1558 | 0.1524 | ||
0.1652 | 0.1456 | ||
0.1763 | 0.1337 |
第二次开关门EMD-ARIMA预测结果
测试数据 | EMD-ARIMA预测数据 | ||
|
|
||
0.1558 | 0.1544 | ||
0.1652 | 0.1522 | ||
0.1763 | 0.1530 |
(3)通过对第三次开关门的均值及标准差数据数据进行单根检验, 均值及标准差序列为非平稳序列. 经过2次差分后, 两者均为平稳序列. 因此, 均值预测模型为ARIMA(1,2,0), 标准差预测模型为ARIMA(1,2,0). 峰值的均值预测模型为
基于EMD-ARIMA模型第三次开关门夹紧力峰值的均值及标准差预测结果如
均值预测对比图
第三次开关门阈值为300 N,
标准差预测对比图
第三次开关门ARIMA预测结果
测试数据 | ARIMA预测数据 | ||
|
|
||
0.0483 | 0.0473 | ||
0.0471 | 0.0436 | ||
0.0457 | 0.0381 |
第三次开关门EMD-ARIMA预测结果
测试数据 | EMD-ARIMA预测数据 | ||
|
|
||
0.0483 | 0.0500 | ||
0.0471 | x15~(251.1, 29.8) | 0.0504 | |
0.0457 | 0.0499 |
本文使用自主设计的数据采集系统对地铁门夹紧力数据进行采集, 并以夹紧力数据的峰值作为故障预测建模数据. 在假设所采集的夹紧力峰值数据
从上述预测图表中可以清晰地看出, 相比传统的ARIMA预测模型, 改进后的EMD-ARIMA预测模型能更好地预测地铁门传动系统的早期故障. 地铁门传动系统故障概率的计算结果在一定程度上可以缩短地铁门的调试周期, 为轨道交通企业在地铁门调试期间的检测和维护提供理论基础和技术支持, 丰富和完善关于调试期间地铁门故障预测理论, 着力解决企业面临的相关问题.
王冬雷. 广州地铁四号线车辆塞拉门系统的特点及常见故障分析. 电力机车与城轨车辆, 2006, 29(6): 44–46.
夏军, 任金宝. 地铁车门故障模式的可靠性评估. 机械制造与自动化, 2014, 43(5): 185–188, 195.
李社新. ARMA模型在振动信号分析中的应用. 机械科学与技术, 2010, 29(11): 1586–1588.
王民, 冯猛, 姚子良, 等. 基于ARIMA的磨削颤振预测方法. 北京工业大学学报, 2016, 42(4): 609–613.
陶耀东, 李宁. 基于ARIMA模型的工业锂电池剩余使用寿命预测. 计算机系统应用, 2017, 26(11): 282–287.
崔永祥, 陈磊, 韩捷, 等. 时序分析在定轴齿轮故障预测中的应用研究. 机械设计与制造, 2017, (12): 11–13.
Amini MH, Kargarian A, Karabasoglu O. ARIMA-based decoupled time series forecasting of electric vehicle charging demand for stochastic power system operation. Electric Power Systems Research, 2016, 140: 378–390.
Gorlov MI, Strogonov AV. ARIMA models used to predict the time to degradation failure of TTL ICs. Russian Microelectronics, 2007, 36(4): 261–270.
Li RY, Kang R. Research on failure rate forecasting method based on ARMA model. Systems Engineering and Electronics, 2008, 30(8): 1588–1591. (本条文献为中文文献, 请核对)
高强, 杜小山, 范虹, 等. 滚动轴承故障的EMD诊断方法研究. 振动工程学报, 2007, 20(1): 15–18.
李宁, 雷洪利, 韩建定, 等. 飞机开关磁阻发电系统故障推理模型研究. 电源技术, 2011, 35(5): 563–566.
范庚, 马登武. 基于EMD和RVM-AR的航空发动机磨损故障预测模型. 计算机测量与控制, 2013, 21(7): 1746–1749.
Gao B, Zhang QY, Liang YS, et al. Predicting self-similar networking traffic based on EMD and ARMA. Journal on Communications, 2011, 32(4): 47–56. (本条文献为中文文献, 请核对)
et al. Gearbox fault diagnosis and prediction based on empirical mode decomposition scheme. Proceedings of 2007 International Conference on Machine Learning and Cybernetics. Hong Kong, China. 2007. 1072–1075.]]>
et al. Life cycle vibration analysis based on EMD of rolling element bearing under alt by constant stress. Proceedings of the 8th International Conference on Reliability, Maintainability and Safety. Chengdu, China. 2009. 1177–1182.]]>
et al. Protection system faults -- a comparative review of fault statistics. Proceedings of 2006 International Conference on Probabilistic Methods Applied to Power Systems. Stockholm, Sweden. 2006.]]>
Zhang Q, Wang BD, He B, et al. Singular spectrum analysis and ARIMA hybrid model for annual runoff forecasting. Water Resources Management, 2011, 25(11): 2683–2703.