基于随机森林方法的地铁车门故障诊断-陈苏雨.pdf

《基于随机森林方法的地铁车门故障诊断-陈苏雨.pdf》由会员分享，可在线阅读，更多相关《基于随机森林方法的地铁车门故障诊断-陈苏雨.pdf（5页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、20 测控技术2018年第37卷第2期基于随机森林方法的地铁车门故障诊断陈苏雨，方宇，胡定玉(上海工程技术大学城市轨道交通学院，上海201620)摘要：针对现有地铁车门故障诊断方法存在的诊断速度慢以及大量故障检修数据未得到合理利用等问题，提出一种基于信息增益率的随机森林故障诊断方法。该方法将地铁车门历史故障数据集转化成决策表，通过Bootstrap重抽样，建立多棵基于信息增益率的决策树，形成随机森林故障诊断模型，实现地铁车门故障的快速诊断。且随着故障数据的增加，其故障诊断模型可以自动更新完善。通过地铁车门实际故障数据，验证了该方法的有效性。同时，通过对随机森林模型中决策树的数目讨论分析，确定了

2、该方法模型的最优设计结构。关键词：地铁车门系统；随机森林；C45决策树；故障诊断中图分类号：TP277 文献标识码：A 文章编号：10008829(2018)02002005Subway Door Fault Diagnosis Based on Random Forest MethodCHEN Suyu，FANG Yu，HU Ding-yu(School of Urban Rail Transportation，Shanghai University of Engineering Science，Shanghai 201620，China)Abstract：In order to solve

3、 the problems of the existing subway door fault diagnosis methods such as slow diagnosis and the failure of reasonable utilization of a large number of troubleshooting data，a random forest fault diagnosis method based on information gain ratio is proposedThis method historical of fault data set subw

4、aydoors is transformed into decision table，and multiple decision trees based on the information gain ratio is builtthrough Bootstrap re-sampling to form a random forest fault diagnosis model，which can realize the rapid diagnosis of subway doors faultsWith the increase of fault data，the fault diagnos

5、is model can be automatically up-dated and perfectedThe effectiveness of the method is verified by the actual fault data of subway doorAt thesame time，the optimal structure of the model is determined by discussing and alalyzing the number of decisiontree in the random forest fault diagnosis modelKey

6、 words：subway doors system；random forest；C45 decision tree；fault diagnosis随着城市人口的急剧增长，地铁作为一种快速、高效、大运量的交通工具在城市交通系统中扮演着越来越重要的角色。车门系统是地铁列车的关键子系统之一。由于地铁站间距离较短，车门系统的高工作强度导致其零部件极易损坏。1。地铁列车车门安全性问题的发生不仅影响列车的正常运行，还对乘客的人身安全造成一定的威胁。因此，对地铁车门系统进行故收稿日期：20170511基金项目：上海市科委科研计划资助项目(122101501200)；上海工程技术大学研究生科研创新项目(E3

7、-090316-01250)作者简介：陈苏雨(1995一)，女，河南洛阳人，硕士研究生，主要研究方向为城轨车辆车门故障诊断；通信作者方宇(1974一)，男，博士，教授，主要研究方向为车辆设计及车辆运行安全监测等。障诊断是保证其安全运行的重要一环。地铁车门系统结构复杂，某一部件发生故障时会对列车产生多种影响。近年来，专家学者针对地铁车门故障诊断进行了一系列研究。夏军2 o采用TOPSIS(Technique for Order Preference by Similarity to an IdealSolution)法，构建车门故障树模型，对车门系统故障进行定性分析和定量分析，确定客室车门系统的

8、薄弱环节。针对传统的TOPSIS算法会导致排序结果不合理的问题，徐霖。列引入加权最小平方法对原有TOPSIS算法进行改进，以确定底事件的最佳搜索次序。然而，上述方法的基础均是故障树算法，故障树分析要求分析人员必须非常熟悉所分析的对象系统，且不同的分析人员编制出的故障树也是不同的。另外，对于复杂的系统，建立故障树的步骤繁多，计算也较为复杂，建好后不方便更改。根据塞拉门的故障特点，师会超4万方数据基于随机森林方法的地铁车门故障诊断 21将专家系统与数据结构的有关知识应用于地铁车门故障诊断中，建立了塞拉门的故障诊断专家系统。刘晶。副在传统Petri网方法理论的基础上，结合典型的关联矩阵提出了改进模糊

9、故障Petri网的方法，并将其应用于地铁客室车门系统故障诊断，实现故障诊断智能化。上述方法为地铁车门维修提供了有效的理论依据，但仍存在大量故障检修数据未得到合理利用的问题。且随着数据的增多，模型变得庞大，诊断速度变慢。决策树是一种对样本进行训练并预测的树形分类器，能够快速处理高维度数据。与单棵决策树相比，随机森林具有不需要剪枝的优势。本文结合决策树与随机森林的特点，提出基于信息增益率的随机森林故障诊断方法来解决上述问题。该方法首先通过失效模式与影响分析(Failure Mode and Effects Analysis，FMEA)对原始地铁车门故障数据进行预处理，得到FMEA表和简约决策表。然

10、后利用简约决策表建立故障诊断模型，最后通过故障诊断模型完成对地铁车门的故障诊断。1 基于信息增益率的随机森林地铁车门故障诊断11 随机森林随机森林是由多棵决策树组成的分类器J。在车门故障数据中，故障原因是决策类别，故障对车门的影响(即故障现象)是特征属性。通过对地铁车门故障数据的学习，根据节点分裂规则，对地铁车门的故障现象进行排序，得到各个节点的特征属性，再根据特征属性的不同值，从该节点向下分支，最终构造出地铁车门故障诊断决策树。在生成决策树的过程中，根据节点分裂方法的不同，可以将决策树分为基于信息增益分裂的ID3决策树。7：，基于信息增益率分裂的c45。8。决策树以及基于基尼指数分裂的CAR

11、T决策树。一般建立的地铁车门故障诊断决策树越小，其预测能力越强，准确率越高。其次，由于样本数据中存在大量的冗余数据和孤立点，在建树的过程中，容易造成过拟合问题，即少部分特殊地铁车门故障数据影响整个故障诊断模型的精度，所以必须对地铁车门故障诊断决策树进行剪枝处理，然而剪枝方法在执行的过程中比较复杂，不易执行。传统的随机森林。9是利用Bootstrap重抽样方法从原始样本中抽取多个样本，对每一个样本建立CART决策树，然后将这些决策树组合在一起，通过投票得出最后的分类结果。CART算法主要是进行二分类，而地铁车门系统结构复杂，往往一个故障原因可能会导致多个故障现象，一个故障现象也可能是由多个原因导

12、致的。因此，拟引入多分类决策树算法即ID3决策树算法和c45决策树算法，对传统随机森林进行改进和优化。ID3决策树算法存在无法处理连续性属性以及属性值空缺的问题，并且用信息增益作为节点判定标准容易偏向于取值较多的特征。所以，将C45决策树算法与随机森林算法相结合，提出基于信息增益率的随机森林方法，对地铁车门故障数据进行随机森林建模，最终达到故障诊断的目的。所建模型不仅可以在未剪枝的情况下有效避免过拟合问题，且随着数据的增多，其模型可以自动更新完善。建立C45决策树模型步骤如下：首先将经FMEA预处理的地铁车门故障数据整理成简约决策表。根据表格，故障样本集有|s个故障样本，得到主要故障原因有m种

13、，即决策类别属性有，n个不同的值，定义m个不同类C。(i=1，2，m)。设c。是类Cj中的样本数，对给定故障数据集分类的信息期望为，(c，C2，c。)=p。1。g：(p。) (1)i=1式中，P。为故障数据集S中属于C。的概率，即。故障数据样本中主要有d个车门故障现象，即特征属性有d种，定义d个特征属性A。(W=1，2，d)。每一个故障现象有两个属性：发生和不发生。即特征属性A。将数据集s划分为两个子集S和s：。假设凡。是属性A。中子集St中类C。的故障样本数，则由属性A。划分成子集的熵为 E(A。)=一!生兰型；当，(n。，凡巧，几。)(2)式中，塑二兰当为属性A。具有值。i的样本个数除以s

14、中的样本总数；，(n，n：i，凡。，)=一pulog：(p口)是将S的样本划分到m个类的信息熵；Pi 2 i了i蠢是薯中样本属于Ci的概率。属性A。对故障数据集合s的信息增益为Gain(S，A。)=，(S)一E(A。) (3)c45决策树是根据信息增益率来进行分裂的，则计算属性A。对故障数据集合s的信息增益率为 GainRatio(_s，A)=骊面Ga赢in(忑S,A丽)(4)式中，Splitlnformntion(s，A。)=一l。g：()通过计算各个故障现象的信息增益率，得到各个分裂节点的特征属性，从而建立单棵C45决策树模型。基于信息增益率的随机森林则是由多棵c45决策树模型组成的。万方

15、数据22 测控技术2018年第37卷第2期12基于信息增益率的随机森林故障诊断基于信息增益率的随机森林地铁车门的故障诊断过程主要分为3个步骤。由于地铁车门故障数据繁多复杂，存在大量的冗余数据，为保证建立的故障诊断模型的可靠性，需要在建立模型前对原有的故障数据进行预处理，因此采用FMEA。1o方法对地铁车门系统进行故障及故障模式分析，从而确定每种故障模式对系统造成的所有可能影响，最终得到FMEA表。通过FMEA表对车门故障数据进行预处理，将故障数据转换成简约决策表形式。对简约决策表中的故障数据进行训练，建立基于信息增益率的随机森林故障诊断模型。对新的车门故障数据进行故障诊断时，将故障现象代入模型

16、的各个决策树当中，通过投票得到故障原因。故障诊断模型流程图如图1所示。2 实例分析21 基于FMEA的地铁车门故障数据预处理以塞拉门为例进行分析。塞拉门系统主要分为机械部分和控制部分两大部分。机械部分主要由机构和门扇组成。机构又包括：驱动传动装置、承载导向装置、锁闭装置、操作装置以及其他零部件(安装支架、压轮组件及门到位开关组件等)。门扇则主要由门板、玻璃、密封胶条以及其他零部件组成(隔离锁、挡一粤雾篓掣区囹匦囹匦囹l(代入每棵决策树中)I 7r8”“投票得出最后结果l 故障诊断j图1 基于随机森林的地铁车门故障诊断销及压轮槽等)。根据塞拉门系统结构，结合某地铁塞拉门故障数据，对车门系统的主要

17、零部件进行FMEA分析，部分零部件的分析结果如表1所示。表1车门系统FMEA表万方数据基于随机森林方法的地铁车门故障诊断 23某地铁2013年及2014年塞拉门部分故障数据如表2所示，有的数据为冗余数据，有的数据信息记录不明确，因此，仅通过表2无法有效完成车门故障诊断模型的建立。通过FMEA表，可以看出第五类故障数据中的零部件故障对车门系统并无影响，因此可以将其作为冗余数据进行删除。对于第四类故障数据，其并未说明该故障的故障原因。整理数据时，根据FMEA表可知，其故障现象为“车门无法关闭”，由此对该故障数据进行完善整理。对于第一类、第二类及第三类故障数据，需要对其主要信息进行提取整理，最终得到

18、处理后的故障数据表，如表3所示。表2部分车门原始故障数据表3部分预处理后的故障数据22故障诊断模型的有效性验证将经上述预处理后的地铁车门故障数据整理成决策表形式，部分决策表数据如表4所示。决策表中每一行代表一个故障样本，“0”表示该故障现象不发生，“l”表示该故障现象发生。表4中各符号含义如表5所示。通过该决策表建立基于信息增益率的随机森林故障诊断模型，并利用某地铁2015年车门故障数据来验证该模型的有效性。随机森林中决策树棵数。为800时，地铁车门故障诊断准确率高达8519，诊断结果理想。由此可以看出，基于信息增益率的随机森林算法可以有效诊断地铁车门故障。基于随机森林的抽样投票机制，随机森林

19、中的决策树越多，故障诊断模型的准确率越高。但过多的决策树意味着训练模型所需的时间越多，会导致模型的诊断速度过慢。为讨论随机森林中决策树个数与故障诊断模型准确率之间的关系，选取不同。建立基于信息增益率的故障诊断模型，故障诊断模型准确率随。变化，如图2所示。从图2可知，故障诊断模型准确率随l。增加而升高；啊。20时，故障诊断模型的准确率在80以上，已经可以较好地对地铁车门故障进行诊断；t。100时，故障诊断模型准确率达到最高并趋于稳定，因此。选取为100时即可保证该模型诊断准确率，又可以一定程度上节省机算时间。表4故障数据决策简化表表5符号含义特征属性(故障现象) 符号 类别属性(故障原因) 符号

20、车门异响 Al 08K04继电器有卡滞现象 Cl车门无法关闭 A2 竺警7单节车左门关监控继 C。2电器 “车门切除灯不亮(红) A3 EDCU单元故障 C15车门切除灯常亮(红) A。 限位开关s1故障 1217车门打不开 A5 承载与导向机构故障 C。83s内不解锁 A6 大客流造成车门防夹 C19车门开关门灯不亮(黄) A 门控电机故障 C24车门开关门灯常亮(黄) As 锁闭杆间隙 C2s全列车门打不开 A9门控电机不能停止工作 Alo图2不同v。对应模型的准确率为体现本文所采用的信息增益率作为随机森林中每棵决策树的分裂规则的优越性，选取信息熵作为每万方数据24 测控技术2018年第3

21、7卷第2期棵决策树的分裂规则建立故障诊断模型，并与本文方法进行对比。当。足够大时，随机森林模型准确性趋于稳定，因此取两种分裂规则建立的随机森林中决策树的个数，v。均为800。两种分裂规则所得出的故障诊断模型准确率如表6所示。从表6中可以看出，采用基于信息增益率的随机森林模型进行车门系统故障诊断的准确率为8519；采用基于信息熵的随机森林模型进行车门系统故障诊断的准确率为5926。与基于信息熵的随机森林算法相比，采用信息增益率改进的随机森林方法所建立的模型能有效应用于地铁车门故障诊断，且极大地提高了故障诊断的准确率。表6各模型准确率故障诊断模型 (f裟，) 器瓣篱准确率8519 59263 结束

22、语本文提出了一种基于信息增益率的随机森林故障诊断方法，并将其应用于地铁车门故障诊断。与单棵决策树相比，基于信息增益率的随机森林故障诊断方法具有学习快速且不需要剪枝的优势。同时，随着数据的增多，通过该方法建立的故障诊断模型可以自动更新完善，准确率也逐渐提升。实验结果证明，该方法不仅可以有效地诊断地铁车门故障，且其决策树棵树为100时，既可保证诊断准确率，又可提高诊断效率。另外，与基于信息熵的随机森林方法相比，该方法的故障诊断准确率更高。因此基于信息增益率的随机森林故障诊断技术对地铁车门系统的快速故障诊断具有现实意义和应用前景。参考文献：1 张少东基于可靠性和维修成本分析的城轨车辆车门维修策略优化

23、D成都：西南交通大学，20152 夏军，任金宝地铁车门故障模式的可靠性评估J机械制造与自动化，2014(5)：1851883 徐霖城轨列车客室车门系统故障诊断方法研究D北京：北京交通大学，20154 师会超轨道交通自动门智能故障诊断技术研究与系统开发D南京：南京理工大学，20065 刘晶改进模糊Petri网在城轨列车客室车门系统故障诊断中的应用研究D北京：北京交通大学，20146Breiman LRandom forestsJMachine Learning，2001，45(1)：5327 Quinlan J RInduction of decision treesJMachine Learn

24、ing，1986，1(1)：811068】 Zhou Z H，Jiang YNeC45：Neural ensemble based C45JIEEE Transactions on Knowledge and Data Engineering，2004，16(6)：7707739 胡青，孙才新，杜林，等核主成分分析与随机森林相结合的变压器故障诊断方法J高电压技术，2010，36(7)：1725一172910 马存宝，李雯，孙焱，等基于模糊理论的FMEA方法研究J测控技术，2013，32(8)：1371401 1 Catelani M，Ciani L，Cristaldi L，et a1Elect

25、rical performanees optimization of Photovohaic Modules with FMECAapproachJMeasurement，2013，46(10)：38983909口(上接第19页)由于样本数量较少，在检测中运用了数字图像多特征提取与表达的方式，通过设定待测图像与模板图像的相似度阈值达到相似度判断。后续对工件合格性的自动检测研究可以在采集足够样本的条件下，通过神经网络的训练与学习，达到自动检测的效果。参考文献：1 黄凯奇，任伟强，谭铁牛图像物体分类与检测算法综述J计算机学报，2014，37(6)：1225一12402 马迎军，郭雷一种基于图像纹理

26、的模板匹配算法的改进与实现J计算机应用与研究，2007，24(6)：1521543 忽正熙基于模式识别与机器视觉工件的识别及分拣D昆明：昆明理工大学，20164 刘垣探讨图像识别技术在机械零件质量检测中的运用J科技视界，2014(23)：1205 王海，金暄宏彩色图像中基于Hu矩的手势识别方法研究J信息技术，2013，37(11)：1471496Tsneg Y H，Tsai D MDefect detection of uneven brightnessin lowcontrast images using basis image representationJPattern Recognit

27、ion，2010，43(3)：112911417 Aldrich C，Marais C，Shean B J，et a1Online monitoring andcontrol of froth flotation systems with machine vision：A reviewJInternational Journal of Mineral Processing，2010，96(14)：1138 郭贵民基于机器视觉的螺纹检测系统J湖北农机化，2012(4)：57599 Rakhmadi A，Othman N Z S，Bade A，et a1Connected cornponent labeling using components neighborsscan labelingapproachJJournal of Computer Science，2010，6(10)：1099110710 张培培，杜杨，曲晓鹏，等基于图像纹理的印刷缺陷检测J电脑编程技巧与维护，2010(12)：105106口万方数据