本发明涉及城市轨道交通领域，特别涉及基于i/o测点故障依赖矩阵的故障诊断方法。
背景技术：
城市轨道交通具有运量大、效率高、能耗低、集约化、搭乘便利、安全舒适等诸多优点，是解决城市交通拥堵问题、实现城市空间布局调整及城市均衡发展的重要途径，地铁实现运行自动化也是行业发展趋势之一，计算机控制和系统安全控制将提高地铁的运行自动化程度。在地铁功能越来越完善的同时，车辆系统的结构、组成部件与信号传输系统等发展迅速，使得故障的发生类型更加复杂，尤其地铁车门每天要进行上百次的开、关动作，车门部件的退化过程更快，加上环境和人为等因素的影响，使得门系统发生故障的频率加大。目前针对车门故障的智能诊断算法还不够完善，仍旧需要人工去到现场对有关车门的大量参数进行检测，排查故障原因，耗时耗力。
目前故障诊断方法主要分为基于模型、基于知识、基于数据驱动这三类，其中基于模型的方法主要适用于能够建立数学模型的对象，由于车门结构复杂，构建精确的解析模型比较困难，所以并不适用诊断车门故障；基于知识的诊断方法，分为专家系统和符号有向图，适用于不能建立模型且传感器数量不充分的对象，但对于数据量大的系统进行诊断成本过高；专家系统需要高深的专业知识和长期的经验积累，地铁车门故障类型复杂，在实际操作中专家系统并不完全适用；主要的故障诊断方法还是基于数据驱动故障诊断方法，通过对系统运行过程中的在线和离线数据进行分析处理，实现故障的诊断。
技术实现要素：
发明目的：针对以上问题，本发明目的是提供一种基于i/o测点故障依赖矩阵的故障诊断方法，实现地铁车辆门系统故障的诊断。
技术方案：本发明提出了基于i/o测点故障依赖矩阵的故障诊断方法，包括以下步骤：
s1：获取车门状态数据：获取能够表征车门运行状态的数据，采集车门系统中门控器的i/o数字信号，其中i/o数字信号包含门控系统的多个信号变量，包括门控器对门下达的控制信号和门反馈的状态信号；
s2：数据的结构化处理：对采集的车门运行状态数据根据触发时间和触发状态进行结构化处理，提取变量的跳变，将数据形式转变成序对信息；
s3：选取测试点：利用多信号模型的故障测试性分析方法，根据正常无故障车门数据的变量数量和触发情况，在车门的系统结构和功能基础上进行分层设计，在车门系统容易发生故障的模块之间选择合适的测试点；
s4：构建故障测试依赖矩阵：在选定的测试点处利用3σ准则构建测试区间，对故障车门的系统变量的状态进行测试，在测试区间如果有变量状态没有触发跳变或发生错误跳变，则定义对应测试点内的i/o量测试不通过，得到反映系统故障类型和测试信号之间相关性的故障依赖矩阵d；
s5：故障诊断推理：根据故障依赖矩阵d在每个测试点的结果，利用多信号模型推理的故障诊断策略，逐步排除正常部件，最终确定发生故障的部件和车门故障类型，从而建立测试向量结果和故障模式之间的关联。
进一步，所述步骤s2中数据结构化处理包括：
采集门控器i/o参数在线数据，用zj表示，j为变量索引，j＝1，2，3，…，n，n为i/o参量个数，根据i/o量的触发状态和触发时间，进行数据结构化处理，处理后的i/o数据为序对信息，数学描述上，用zj表示一条开关门记录中门控器测试点i/o参数变量，结构化处理后的zj表示为：
其中，0和1表示i/o量的状态，tj，1，tj，2，tj，3,…,
进一步，所述步骤s3中选取测试点为：
多信号模型的基本组成如下：
(1)c＝{c1,c2,…,cm}，系统的m个元部件；
(2)tp＝{tp1,tp2,…,tpm}，m个测试点；
(3)t＝{t1,t2,…,tn}，n个可用测试；
(4)车门系统故障类型和测试点之间的依赖矩阵d；
其中c集合为车门系统组成元部件，将正常无故障车门开关门过程中所有发生跳变变量的触发时刻作选为测试点，构成测试点集合tp，触发状态作为测试区间集合t，在所有测试点处添加测试，对开关门过程中门控器的变量状态进行检测，测试结果构成相关性依赖矩阵d。
进一步，所述步骤s4中构建故障测试依赖矩阵过程为：
所述步骤3选为测试点的变量每次触发时刻会略有不同，将开关门变量的信号触发时刻作为初始0时刻，分析正常车门数据中每个变量的触发时间与初始0时刻时间间隔的均值和标准差σ，在每个测试点触发时刻均值处构建3σ大小的故障测试区间，得到车门系统的测试区间集合t＝{t[tj，k-3σ，tj，k 3σ]}；
在得到故障测试区间后，需要确定各模块的故障能够被测试点观测到，即故障和测试的依赖关系，这种关系用相关性矩阵形式表示，其定义如下：
其中行向量为某一故障模式下全部测试点的测试结果；列向量表示测试点检测到的所有故障，反应测试点的故障检测能力，在测试区间tj内，如果变量zj的状态没有发生跳变或发生错误跳变，则测试不通过，故障依赖矩阵对应的元素赋值为1，否则赋值为0，如此完成了系统i/o量的触发时间与触发状态和系统实际运行状态的关联行建模，得到故障依赖矩阵d。
进一步，所述步骤s5故障诊断推理过程为：
s51:多信号模型方法给系统的每个元部件赋予四种不同的状态：正常，故障，怀疑和未知；
s52:起初假设所有元部件都处于未知状态；
s53:测试元部件，若通过，则状态更新为正常，否则更新为怀疑；
s54:发生故障的元部件从这些处于怀疑状态的元部件中通过排除正常的元部件得到；
定义c为元部件集合，t为测试集合，pt是不产生报警的测试集合，ft是产生报警的测试集合，r是系统元部件和测试之间的依赖矩阵，c(testj)是由测试testj检测出来故障的元部件结合；
假设testi∈pt，testj∈ft；定义f＝{fj}为从c(tj)中去掉正常部件后的怀疑元部件集合；g为已知正常部件的集合，s为怀疑元部件的集合，b为已知故障元部件的集合；
多信号模型的故障推理过程表述如下：
a、对于testi∈pt，g←∪testi∈ptc(testi)；
b、对于testj∈ft，f＝{fj}←c(testj)－g，s←s∪{fj}；
c、如果|{fj}|＝1，那么b←b∪{fj}，s←s－b；
其中，←代表集合更新，|{fj}|为集合的势。
有益效果：本发明与现有技术相比，其显著优点是：
1、本发明采用的是基于数据的数学建模方法，对车门门控器的控制信号数据进行结构化处理，对故障测试建模，使得测试结果和故障之间能够建立准确关联，数据采集方便，方法适用性广；
2、测试点的选取是根据车门的结构功能特点选取，以正常车门数据作为基准去制定标准选择测试点和筛选数据，测试点的选取更加合理，考虑到采集时间的差异性，采用相对时间作为标准去建立故障的测试区间进行测试；
3、基于多信号模型的故障推理，根据故障依赖矩阵能够诊断发生故障的部件，确定故障依赖矩阵的故障模式后，形成诊断规则，建立规则库，提高诊断的速度。
附图说明
图1为本发明基于i/o测点故障依赖矩阵的故障诊断方法流程图。
具体实施方式
实施例：利用本发明方法对南京某公司制造的地铁塞拉门系统进行故障诊断，流程图如图1所示，具体步骤为：
s1：获取塞拉门状态数据
通过车门系统采集每次开关门过程中门控器的i/o数据，包括开关门列车线、锁到位开关、关到位开关等20个变量，采集的变量信号为数字量，分为“0”和“1”两种状态；
s2：数据的结构化处理
在采集时，当某一变量触发跳变时，便会对系统所有变量当时的状态和时间进行采集，所以需要对系统的变量进行结构化的处理，提取出每个变量的触发状态和触发时间，构成序对信息，假设采集的数据形式为zj＝{0,0,1,1,0,0,…,1,0,0}其中j＝1，2，3，…，n，zj为某一变量，j为变量索引，在提取时，当变量的第i个状态和i 1的状态不一样时，即发生了跳变，将第i 1状态和触发时间提取出来组成序对，形如：
其中0和1表示i/o量的状态，tj,1，tj,2，tj,3…
s3：选取测试点
车门系统主要由电子门控系统、机械传动、门体组成，主要分析开门和关门的过程门控器信号的跳变逻辑顺序如下：
开门跳变逻辑：零速列车线→门允许控制信号→开门列车线→内侧车门指示灯→锁到位开关)→安全互锁回路→关到位开关，开门完成；
关门跳变逻辑：零速列车线→门允许控制信号→关门列车线→内侧车门指示灯及蜂鸣器→关到位开关→锁到位开关→安全互锁回路，关门完成；
根据以上逻辑顺序控制车门工作，在步骤s2提取的所有变量跳变中，在车门容易发生内部部件故障和外部故障处选择如开门列车线、关到位、锁到位变量的触发时刻作为测试点，在测试点处添加测试对部件和门整体的状态进行判断，开门和关门过程都选择了n个变量测试点，按照逻辑的先后顺序设为测试点t1、t2、...、tn。
s4：构建故障测试依赖矩阵
每次开关门过程中，每个变量的触发时刻并不是固定的，将某次的变量触发时间点作为测试基准点是不准确的，所以需要选定初始基准点，使用相对时间在测试点附近构建故障测试区间，代替单一的测试点进行测试；
41)统计多次正常开关门i/o数据，分析步骤s3选定的n个变量触发时间的分布规律，将开关门信号变量的触发作为t1，触发时刻重新标定为初始t0＝0，计算其余n-1个变量触发时刻与t1的时间间隔，通过统计多次的正常车门数据，分析每个测试点与t0时间间隔的正态分布、均值、标准差；
符合正态分布的数据点，其落在3σ区间的概率为97％，因此在每个测试点间隔的均值处构建 3σ和-3σ的区间，用新的区间test1，test2，...，testn代替原先的测试点t1，t2，...，tn，在故障测试区间范围内对变量进行测试；
42)在测试区间内，对所有的变量触发状态进行检测，发生没有发生跳变或发生错误跳变，则定义对应测试点内的i/o量测试不通过，故障依赖矩阵对应元素赋值为1，否则赋值为0，得到系统i/o量的故障依赖矩阵d形式如表1所示。
表1故障依赖矩阵示例
f0表示无故障模式，f1、f2、f3表示三个不同的故障，行向量为某一故障模式下全部测试点的测试结果；列向量表示测试区间检测到的所有故障。
s5：故障诊断推理
对于步骤4得到的故障依赖矩阵，采用多信号模型的故障推理策略，多信号模型方法给系统的每个元部件赋予四种不同的状态：正常，故障，怀疑和未知。起初假设所有元部件都处于未知状态；如果测试表明该元部件通过，例如矩阵中的f0行，表示所有的部件测试通过，则其状态更新为正常；测试不通过，例如f1行的test1的测试区间不通过，表示该结构点的部件有异常，状态更新为怀疑；发生故障的元部件从这些处于怀疑状态的元部件中通过排除正常的元部件得到。
定义c为元部件集合，t为测试集合，pt是不产生报警的测试集合，ft是产生报警的测试集合，r是系统元部件和测试之间的依赖矩阵，c(testj)是由测试testj检测出来故障的元部件结合。
假设testi∈pt，testj∈ft；定义f＝{fj}为从c(tj)中去掉正常部件后的怀疑元部件集合；g为已知正常部件的集合，s为怀疑元部件的集合，b为已知故障元部件的集合；多信号模型的故障推理过程表述如下：
a、对于testi∈pt，g←∪testi∈ptc(testi)；
b、对于testj∈ft，f＝{fj}←c(testj)－g，s←s∪{fj}；
c、如果|{fj}|＝1，那么b←b∪{fj}，s←s－b；
其中，←代表着集合更新，|{fj}|为集合的势。
1.基于i/o测点故障依赖矩阵的故障诊断方法，其特征在于，包括以下步骤：
s1：获取车门状态数据：获取能够表征车门运行状态的数据，采集车门系统中门控器的i/o数字信号；
s2：数据的结构化处理：对采集的车门运行状态数据根据触发时间和触发状态进行结构化处理，提取变量的跳变，将数据形式转变成序对信息；
s3：选取测试点：利用多信号模型的故障测试性分析方法，根据正常无故障车门数据的变量数量和触发情况，在车门的系统结构和功能基础上进行分层设计，在车门系统容易发生故障的模块之间选择合适的测试点；
s4：构建故障测试依赖矩阵：在选定的测试点处利用3σ准则构建测试区间，对故障车门的系统变量的状态进行测试，在测试区间如果有变量状态没有触发跳变或发生错误跳变，则定义对应测试点内的i/o量测试不通过，得到反映系统故障类型和测试信号之间相关性的故障依赖矩阵d；
s5：故障诊断推理：根据故障依赖矩阵d在每个测试点的结果，利用多信号模型推理故障诊断策略，逐步排除正常部件，最终确定发生故障的部件和车门故障类型，从而建立测试向量结果和故障模式之间的关联。
2.根据权利要求1所述的基于i/o测点故障依赖矩阵的故障诊断方法，其特征在于，所述步骤s2中数据结构化处理包括：
采集门控器i/o参数在线数据，用zj表示，j为变量索引，j＝1，2，3，…，n，n为i/o参量个数，根据i/o量的触发状态和触发时间，进行数据结构化处理，处理后的i/o数据为序对信息，数学描述上，用zj表示一条开关门记录中门控器测试点i/o参数变量，结构化处理后的zj表示为：
其中，0和1表示i/o量的状态，
3.根据权利要求1所述的基于i/o测点故障依赖矩阵的故障诊断方法，其特征在于，所述步骤s3中选取测试点为：
多信号模型的基本组成如下：
(1)c＝{c1,c2,…,cm}，系统的m个元部件；
(2)tp＝{tp1,tp2,…,tpm}，m个测试点；
(3)t＝{t1,t2,…,tn}，n个可用测试；
(4)车门系统故障类型和测试点之间的依赖矩阵d；
其中c集合为车门系统组成元部件，将正常无故障车门开关门过程中所有发生跳变变量的触发时刻作选为测试点，构成测试点集合tp，触发状态作为测试区间集合t，在所有测试点处添加测试，对开关门过程中门控器的变量状态进行检测，测试结果构成相关性依赖矩阵d。
4.根据权利要求1所述的基于i/o测点故障依赖矩阵的故障诊断方法，其特征在于，所述步骤3选为测试点的变量每次触发时刻会略有不同，将开关门变量的信号触发时刻作为初始0时刻，分析正常车门数据中每个变量的触发时间与初始0时刻时间间隔的均值和标准差σ，在每个测试点触发时刻均值处构建3σ大小的故障测试区间，得到车门系统的测试区间集合t＝{t[tj，k-3σ，tj，k 3σ]}；
在得到故障测试区间后，需要确定各模块的故障能够被测试点观测到，即故障和测试的依赖关系，这种关系用相关性矩阵形式表示，其定义如下：
其中行向量为某一故障模式下全部测试点的测试结果；列向量表示测试点检测到的所有故障，反应测试点的故障检测能力，在测试区间内，如果变量状态没有发生跳变或发生错误跳变，则测试不通过，故障依赖矩阵对应的元素赋值为1，否则赋值为0，如此完成了系统i/o量的触发时间与触发状态和系统实际运行状态的关联行建模，得到故障依赖矩阵d。
5.根据权利要求1所述的基于i/o测点故障依赖矩阵的故障诊断方法，其特征在于，所述步骤s5故障诊断推理过程为：
s51：多信号模型方法给系统的每个元部件赋予四种不同的状态：正常，故障，怀疑和未知；
s52：起初假设所有元部件都处于未知状态；
s53：测试元部件，若通过，则状态更新为正常，否则更新为怀疑；
s54：发生故障的元部件从这些处于怀疑状态的元部件中通过排除正常的元部件得到；
定义c为元部件集合，t为测试集合，pt是不产生报警的测试集合，ft是产生报警的测试集合，r是系统元部件和测试之间的依赖矩阵，c(testj)是由测试testj检测出来故障的元部件结合；
假设testi∈pt，testj∈ft；定义f＝{fj}为从c(tj)中去掉正常部件后的怀疑元部件集合；g为已知正常部件的集合，s为怀疑元部件的集合，b为已知故障元部件的集合；
多信号模型的故障推理过程表述如下：
a、对于testi∈pt，g←∪testi∈ptc(testi)；
b、对于testj∈ft，f＝{fj}←c(testj)－g，s←s∪{fj}；
c、如果|{fj}|＝1，那么b←b∪{fj}，s←s－b；
其中，←代表集合更新，|{fj}|为集合的势。
技术总结