1。本发明涉及城市铁路运输领域，特别涉及轨道诊断系统和铁路车门系统的方法。

背景艺术：

2。随着铁路运输行业的发展，城市铁路门运营的安全性和可靠性已被广泛关注。门系统的高频使用，复杂的车辆操作环境和未知的人类原因使门故障的数量占车辆零件故障总数的30％以上。因此，提高门系统操作的质量和可靠性对于城市铁路火车的有效和安全运营具有重要意义。

3。车门系统及健康是指门系统所在的中间状态。在这种状态下，系统功能仍然可以实现，但是国家状态在实施过程中在一定程度上偏离了标准状态。这个国家进一步发展。 ，将导致某种类型的故障或类型。进行次卫生状态研究可以在发生故障之前检测异常，有效防止故障发生，并保持系统操作的安全性。

4。为了诊断次健康状况，在获得亚卫生数据后需要准确地对亚健康数据进行准确分类，以确定特定的亚卫生类型和发生的原因，以完成系统的维修。但是，门系统的工作条件很复杂，外部无法控制的影响很大，并且该系统具有许多零件，复杂的结构，并且副健康的原因很复杂，并且生成的数据集是多源和异质性的。因此，在发现门状态开始偏离正常状态后，需要一种诊断方法，以准确确定次健康状态的类型以满足重新修复和维护的需求。当前，本地内核功能具有局部特征，强大的学习能力，但概括能量较弱，这可能属于局部最佳值，如果数据发生变化，可能很难适应。全球内核功能具有全球特征，强大的概括能力，但学习能力较弱，这相对难以学习最佳价值，而且很难满足简单性和易用性的要求。

技术实施元素：

5.本发明的目的：本发明的第一个对象是为铁路车门系统提供一个较高的健康诊断系统，本发明的第二个对象是为铁路提供次健康诊断方法车门系统。

6。技术解决方案：本发明中描述的铁轨车门系统的次卫生诊断方法，该方法包括以下步骤：

7。（1）在门系统的不同次健康状态下打开和关闭门并进行数据预处理时，获得操作状态曲线；

8。（2）根据操作状态曲线，提取敏感特征，用于区分不同的亚身体状态以形成优化的特征集；

9。（3）根据每个亚健康状态的识别效果过滤支撑矢量机内核功能，并将上述选定的内核功能组合起来形成多核支持向量机，用于栅极诊断栅极系统;对于优化后的多核支持向量机，获得了栅极系统的亚身体诊断模型。

10。（4）根据优化的特征集提取栅极系统后，Gate System Sup-Health诊断模型用于诊断。

11。最好是，在步骤（1）中，门系统切换过程由电动机驱动，并获得了门系统操作状态曲线包。

它包括在门开口和关闭期间产生的中风，速度和当前状态曲线。

12.最好是，在步骤（2）中，在运行状态曲线中获取特征类型，构造原始功能集，并形成不同亚物业样本数据的原始特征数据的训练矩阵。使用ReleaseFF算法进行过滤后，我们可以获取以区分不同的子材。健康状况的优化功能集。

13。最好是，构建原始特征集的步骤如下：根据门系统的操作阶段和门叶的位置，将门开口和关闭的门操作状态曲线分为几个区域，请在每个区域中提取区域特征操作状态曲线的区域；提取门系统，门的操作状态曲线的全球特征是打开和关闭的；合并了操作状态曲线每个区域中的区域特征和全局特性，以形成原始特征集。

14。最好是，通过具有不同内核函数的支持向量机来识别相同的亚卫生状态，并且获得了与每个亚卫生状态相对应的最佳内核。分配功能的权重后，获得线性组合以获得多核支持向量机，用于栅极系统的诊断。

15。优选地，识别相同的亚物质状态的支持向量机内核功能包括线性核函数，多项式核函数，高斯核函数，ANOVA核函数，Sigmoid kernel函数，sigmoid kernel函数，四元素核函数和多发性核函数和多发性二次核核。功能和逆多元二次核函数。

16。最好是，通过使用粒子群算法来迭代构建的多核支持向量机中的参数和权重，直到多核支持向量机符合设置的精度或完成设置的迭代数量，并获得Sub Sub Sub - 栅极系统的健康诊断模型。

17.此外，在对门系统操作状态曲线的预处理数据中，该方法包括诸如劣势删除，数据对齐等的操作。

18.此外，门系统操作状态曲线的原始特征集的构建过程需要在门开关操作中提取详细且全面的特征值。由于门系统移动过程具有明显的舞台特征，因此根据门系统的理论操作的工作速度，门叶的位置和电动机的运动条件将门系统的操作过程分为五个阶段，以及的区域特征获得了门系统每个阶段的工作曲线以及整个周期的操作曲线的全局特性。全局功能包括门系统打开，时间等，以及区域特征包括每个阶段的最大，最小，平均偏差，峰顶，峰值，偏斜，kurtitude等；

19.此外，由于亚身体状态与健康状态偏离小于断层状态的偏离，因此原始特征可能包含不利于分类的冗余和噪声量。因此，ReleaseFF算法用于解决此类与噪声相关的多类别问题。和回归问题。在此方法中使用ReleaseFF算法进行特征筛选时，输入了由每个亚卫生状态的几组特征数据和相应标签组成的训练矩阵F输入。 RERIEFF算法随机从训练集中选择样品点R，并找到K R最近的邻居HJ（j = 1,2，

…

，k），从不同的样本集中找到k异质的最近邻居MJ，并根据R和同一样品，R和每个特征下最近的邻居异质样品之间的距离给出特征权重。重复此过程，并最终获得每个功能的平均重量。

20。上述训练矩阵，其中n代表样本总数，m表示特征总数，并且矩阵的每一行代表数据样本的原始特征集中的所有特征。通过ReleaseFF模型进行训练后，选择从加权排序结果排序的第一个J特征作为用于建模的优化功能集。降低维度后，获得可用的功能集

21。此外，基于多核支持矢量机制的栅极系统的亚身体诊断模型，支持向量机的性能在很大程度上取决于内核函数的选择。多核支持向量机从用于组合构造的基本内核函数设置中选择多个内核函数，构造的内核函数可以考虑每个组件内核函数的特性。

22。通过实践，这表明不同的内核函数在识别同一系统的次健康状态方面具有不同的准确性。例如，多项式内核通常使用影响整个门运动并具有相对散布的特征数据分布的类型。或乙状结肠核的工作效果更好，而异常的亚健康核心在使用高斯岩心等时具有最高的精度。因此，将核在识别不同的亚物质状态的核能均具有最高精度的功能，以构建具有线性的多核SVM合成核作为核函数。这可以考虑到每个内核函数的优势，并提高多种类型的亚物质识别的灵敏度和准确性。 ，因此与单核相比，多核SVM具有更好的学习能力和更好的概括性能，并且更准确地对多级属于副健康进行了分类。

23。此外，粒子群算法用于迭代优化多核SVM中每个内核函数的参数和权重，因此门系统的次健康诊断模型具有更高的精度。粒子群算法的原理如下：在n维空间中，总体x = {x1，x2，

…

，xm}由m颗粒组成，其中i-th粒子的位置为xi = {x

I1

，x

i2

…

，x

在

}，速度为vi = {v

I1

，v

i2

…

，v

在

}，粒子的个体极值为pi = {p

I1

，p

i2

，...，p

在

}，整个总体的全局极端值为pg = {p

G1

，p

G2

，...，p

GN

}。在搜索单个极端值PBEST和全局极端值Gbest之后，将根据以下公式进行粒子XI：

24.V

ID

（t+1）=ωv

ID

（t）+c1r1（p

ID

（t）-x

ID

（T））+C2R2（p

GD

（t）-x

ID

（t））

25.x

ID

（t+1）= x

ID

（t）+v

ID

（t+1）

26。在公式中，t是当前的迭代数，x

ID

（t）是粒子的当前时间位置x

ID

（t+1）是粒子V的下一个力矩位置V

ID

（电视

ID

（t+1）表示粒子在电流下的速度，下一次，ω是惯性因子，C1和C2是加速常数，R1和R2是[0，1]之间分布的随机数。另外，为了防止粒子速度太大，设置了上速度极限值V

最大限度

，如果v

ID

（t）＞ v

最大限度

，以v

ID

（t）= v

最大限度

，如果v

ID

（t）＜-v

最大限度

，以v

ID

（t）= -V

最大限度

。

[0027]

在预设PSO算法的超参数后，输入要优化的内核参数的初始值和训练集，执行迭代优化，并停止迭代，直到模型精度满足设置阈值，并最终输出最佳内核参数。将优化的内核参数应用于内核函数，以获得最佳的多核SVM。

[0028]

此外，GATE系统要检测到的数据是要检测到已确认为亚卫生状态数据但尚未识别出亚卫生状态类型的数据。根据ReleaseFF算法过滤的特征集选择要检测到的数据，并且在迭代优化之后，已过滤的特征数据输入到多核SVM中，以获得相应的GATE系统的次健康状态。

[0029]

根据本发明的轨道车辆门系统的亚卫生诊断系统包括数据接收设备和及健康状态确定设备，并且数据接收设备用于接收门系统的操作状态曲线数据已被确定为一个亚健康状态。 ，使用亚卫生状态确定设备用于识别和输出GATE系统的亚卫生状态类型。

[0030]

最好是，次卫生状态歧视设备包括功能筛查模块和一个次卫生诊断模块，该模块用于接收数据接收设备发送的Gate系统操作状态曲线数据，并提取以区分不同的亚身体的功能状态。数据，亚物质诊断模块接收由功能筛选模块提取的功能数据，并根据多核支持向量机使用Gate System sup-Health诊断模型来识别GATE系统的超健康状态类型。

[0031]

优选地，功能筛选模块根据优化的功能集提取Gate系统操作状态曲线，并且通过使用Release Algorithm过滤不同亚卫生样本数据的原始功能数据来获得优化的功能集；在亚物质诊断模块中，多核支持向量机是由支持向量机的线性组合组成，在识别不同的亚物质状态方面的准确性最高。粒子群算法用于迭代多核支持向量机中的参数和权重，以获得满足设置要求的门。系统的亚健康诊断模型。

[0032]

此外，功能过滤模块中的优化功能集是离线存储状态。根据预存储的优化功能集提取获取的GATE系统操作状态曲线数据。使用ReleaseFF算法获得优化特征集的方法与上面相同。

[0033]

此外，在亚物质诊断模块中，栅极系统的次卫生诊断模型是预先存储的离线模型。栅极系统的亚身体诊断模型可以根据特征筛选模块提取的特征来确定和输出亚卫生状态类型。亚身体诊断模型的构建和优化方法与上述相同。

[0034]

有利的效果：本发明使用不同的支持向量机内核功能以不同的精度识别同一门系统的次健康状态。在构建多核支持向量机内核函数时，设置了与每个亚身体状态相对应的最高识别精度的支持向量。机器内核函数加权并线性组合，在优化后，它可以获得高精度和实用的诊断模型。该诊断模型考虑了本地内核功能和全局内核功能具有更好的概括能力的优势，并且可以对多个门系统的亚养护状态具有很高的识别精度。同时，当发现了GATE系统的新型亚卫生状态时，它可以快速迭代，更新和优化。

[0035]

此外，ReleaseFF算法可用于解决某些操作状态曲线特征对亚卫生状态识别不敏感的问题，并且可以选择用于区分不同的亚卫生状态与操作状态曲线的敏感功能，以改善标识不同的亚卫生状况。准确性;粒子群算法可用于迭代优化构建的多核支持向量机，在多核支持向量机中获得核函数的参数和权重，并具有快速收敛速度的优势。

图纸的附加描述

[0036]

图1是本发明的亚健康诊断方法的流程图；

[0037]

图2是本发明的特定实施方案中锯齿门结构原理的示意图；

[0038]

图3是本发明的特定实施方案中栅极系统诊断模型的分类诊断结果；

[0039]

图4是本发明的特定实施方案中线性内核功能的单核分类诊断。

[0040]

图5是本发明的特定实施方案中高斯内核功能的单核分类诊断结果。

特定的实施方法

[0041]

本发明的技术解决方案将与随附的图纸和示例一起详细说明。

[0042]

以在城市铁轨地铁中常用的塞拉门系统的亚卫生检测方法为例，塞拉门的主要结构如图2所示。根据其机电结构，可以将其大致分为五个子系统：电气控制系统和驱动锁定系统，轴承指南系统，内部和外部操作系统以及基本组件。主要组件包括：电动机1，门控制系统2，连接设备3，前支撑4，后支撑4，螺母锁定装置6，锁定约束7，中间支撑8，地位开关9，螺丝杆10，长导向第11列，末端解锁设备12，内部操作设备13，外部操作设备14，左门叶15和右门叶16。门控制系统用于控制电动机以驱动左门叶和右门叶同步移动。一个动作包括门打开和门关门。同时，门控制系统还可以收集在门打开和关闭期间产生的三个门状态曲线。

[0043]

固定门系统的常见可卫生类型包括：V型异常，居中异常，缓冲液头磨损，上部

幻灯片的内部调整，上滑梯的外部调整以及下部齿轮销的纵向干扰等。在门开口和关闭过程中，驾驶马达产生的三扇门状态曲线，速度和电流产生获得了上述次健康状态门系统，并消除了操作状态曲线，进行数据一致性和其他操作以完成数据预处理。

[0044]

对于每组亚卫生类型，获得了几组门系统操作数据，并根据原始功能集对每个门系统的操作数据进行详细提取并全面提取。在此实施例中，原始功能集中的功能类型包括全局功能和区域功能。由于门系统运动过程具有明显的舞台特征，根据门系统的理论操作速度，门叶位置和运动运动条件，门系统的操作过程分为五个阶段，并且每个阶段的操作曲线门系统分别获得。整个周期操作曲线的区域特征和全球特征。全局功能包括门系统打开，时间等，以及区域特征包括每个阶段的最大，最小，平均值，标准偏差，峰顶，偏斜，kurtitude等。

[0045]

训练矩阵和相应的标签被输入到多个亚身体功能数据中，并使用Relieff算法提取了用​​于区分不同的亚身体状态的敏感特征。培训矩阵包括所有已知类型的亚卫生状态数据，每种类型的亚物质状态状态都包括多组数据样本。训练矩阵是特异性的，其中n表示样品总数，m表示特征总数，而矩阵的每一行代表组。数据样本基于原始功能集获得的所有功能。

[0046]

RERIEFF从训练集中随机选择一个样品点R，并找到K R最近的邻居HJ（j = 1,2，

…

，k），从不同的样本集中找到k异质的最近邻居MJ，并根据R和同一样品，R和每个特征下最近的邻居异质样品之间的距离给出特征权重。重复此过程，并最终获得每个功能的平均重量。通过ReleaseFF算法训练后，从加权排序结果中选择了前20个功能作为用于建模的优化功能集。也就是说，优化功能集中的20个功能可以实现不同类型的亚身体状态之间的区别。

[0047]

成功提取优化功能集后，使用智能算法来构建Gate System System sub-Health诊断模型。在此实施方案中，栅极系统亚物质诊断模型是基于多核支持向量机制构建的。由于支持向量机器内核功能包括线性内核函数和多项式内核功能，高斯内核功能，ANOVA内核核功能，Sigmoid bernel函数，二次合理核函数，多元二次二次核功能和相反的多差异二次核孔功能等。

[0048]

在多核支持矢量机制构建过程中的内核函数的选择需要对不同的亚身体状态产生良好的识别效果。使用多核线性组合合成方法，引入权重因子是为了全面地整合每个内核函数的性能。对于每个较高健康状态，选择具有最高识别精度的内核函数，然后组合以构建加权求和核。内核功能的多核支持向量机：

[0049] [0050]

其中，k

混合

（x，y）是由多核支持矢量机制创建的内核函数，βJ是每个单个核心，βJ≥0和≥0的重量，并且是构成多核的单核核函数。

[0051]

测试后，上幻灯片的内部调整对整个门运动产生了影响，并且特征数据分布相对散射。

健康类型，当使用多项式核心或乙状结肠核时，识别精度很高，而异常的亚卫生系统在使用高斯核时的精度最高。使用多个内核函数识别每个亚身体系统并选择每个函数。核能函数具有最高识别精度，对应于亚身体状态。由于相同的内核函数对于不同的亚身体状态具有最高的识别精度，因此在此实施方案中，最终选定的内核函数包括线性核函数，高斯内核函数，多项式内核函数和Sigmoid kernel函数。上述四个内核函数的特定表达式如下：线性内核函数：k（x，y）=（x，y）;多项式内核函数：k

多

（x，y）=（γx

·

y+c）;高斯内核功能：k

高斯

（x，y）= exp（-γ'xy” 2）; sigmoid内核函数：k（x，y）= tanh（v（x，y）-c）;多核支持向量机的内核函数由上述四种类型组成。内核函数加权并线性组合。

[0052]

在此实施方案中，为了使栅极系统的临床诊断模型具有更高的识别精度，粒子群算法用于多核支持向量机k

混合

（x，y）中的参数和权重迭代优化。要优化的参数包括重量因子βJ和多项式核心和高斯核心γ，C，D，高斯核心γ的核心参数以及Sigmoid Coreγ的核心参数和核心核心参数的核心参数SigmoidCoreγ和Sigmoid Coreν，c的核心参数本构颗粒被编码为（γ，C，D，V，β1，β2，β3，β4）。输入标签L和优化的功能集f。设置阈值t，以确保在优化栅极系统诊断模型或迭代步骤的数量达到设定值停止时达到设置精度，并获得最佳分类的Gate System System sup-Health诊断模型影响。

[0053]

当使用GATE系统的优化的亚卫生诊断模型时，输入GATE系统的操作状态曲线数据，该模型已知是次卫生状态，但对于特定的亚卫生状态类型来说是未知的。在数据预处理后，将根据优化功能集提取。门系统的操作状态曲线可以区分不同的亚卫生状态。获得的20个敏感特征数据输入到了栅极系统的优化亚健康诊断模型中。分类后，可以获得当前的门系统。亚健康状态。

[0054]

在此实施方案中，使用50％的交叉验证算法计算了栅极系统诊断模型的全局识别精度。结果如图3所示，全局精度为99.24％。对于V型异常，上滑动的内部调节和下齿轮。表1显示了销水平干扰，居中异常，缓冲液头磨损，上滑动外部调节和下齿轮纵向干扰的精确度，如下所示：

[0055]

表1

[0056]

亚身体类型的准确性V型异常100％上滑梯内部调整100％上滑块外部调整97.44％下齿轮销水平干扰100％下齿轮销垂直干扰95.49％中心异常100％缓冲液磨损100％

[0057]

为了显示特征选择的必要性，在预测使用特征数据而无需进行比较的特征数据时，全局准确率只能达到28.74％。未优化的传统单核SVM用于在特征选择后预测数据。如图4所示，在选择线性内核函数进行预测时，全局精度为94.50％。对于V型异常，上滑动的内部调节，降低齿轮销水平干扰的识别准确性，居中异常，缓冲液头磨损，上滑动的外部调整以及下齿轮引脚的垂直干扰，如下：如下：如下：

[0058]

表2

[0059]

亚卫生类型的准确性V型异常100％

将上部载玻片向内调节91.89％的上部幻灯片的向外调节97.44％的下齿轮销水平干扰的100％下齿轮销垂直干扰80.65％的中心异常的100％缓冲液头磨损88.24％88.24％

[0060]

如图5所示，当选择高斯内核函数进行预测时，全局精度为80.24％。对于V型异常，上滑动的内部调节，下销水平干扰，居中异常，缓冲液头磨损，上滑动外部调节；表3显示了下引脚的垂直干扰的识别精度：

[0061]

表3

[0062]

亚卫生类型的准确性V型异常87.80％上滑梯内部调整100％上幻灯片外部调整94.87％下齿轮销水平干扰64.86％下齿轮销垂直干扰12.90％中心异常97.67％缓冲液磨损85.29％85.29％

[0063]

此外，当使用随机森林算法预测次健康状态类型时，精度率为85.35％；当使用KNN算法预测欠健康状态类型时，精度率为94.13％，RBF算法用于预测欠健康状态类型。当时，准确率为95.12％。已经证明，使用普通的单核SVM和其他现有算法，仅使用各种亚物质的全球准确性和诊断准确性都不如该解决方案那么好甚至低。特别是，下销和缓冲液头部磨损的两种亚健康类型的垂直干扰非常大，并且在使用该溶液时会获得错误分类的比例。

[0064]

总而言之，该算法针对铁路车门系统中常见的亚身体状态类型。它可以使用Relieff算法来提取用于区分不同的亚身体状态的敏感功能，并提高识别不同的亚物质状态的准确性。构建的多核支持向量机包含核能功能，其精度最高，可考虑到出色的学习能力和更好的概括能力，以识别每个亚身体状态。分配重量后，它具有多个内核函数的数据映射能力，可以准确区分和识别与较小差异的不同次健康状态相匹配的数据映射能力。通过PSO算法，我们可以明智地找到最佳内核参数和加权参数，避免手动经验设置或网格搜索的问题以及其他偏离实际最佳解决方案的方法，并具有简单操作的优势和快速的收敛速度。此外，该方法具有极强的可伸缩性。如果将来出现新的亚卫生类型，则只需要新的培训数据才能添加到原始模型中，并且仍然有一定的期望可以完成标识。如果需要扩展模型，您可以添加新的SubHealth类型的训练数据并再次使用PSO重新调整内核参数，或者结合各种单核新型SubHealth类型的识别精度的性能，以参与融合修改内核功能。

[0065]

这种类型的亚物质诊断方法和铁路车门系统系统可以深入探讨多种卫生症状之间的差异，并智能调整模型的参数，以建立易于应用的诊断策略，并且比相比具有更高的精度常规当前方法。它有利于提高门系统的运行可靠性，减少面临大量数据的主线系统的故障诊断压力，并降低运营成本。