张世钟 龙 静 曹劲然 许志兴 张 伟

(1.广州地铁集团有限公司,510030,广州； 2.南京康尼机电股份有限公司,210013,南京//第一作者，工程师)

门系统作为城市轨道交通车辆的重要组成部分之一，其机械方面安全性能直接影响乘客安全与列车可靠运行[1]。目前车辆段对于车辆门系统的维护基本以人工定期检查为主，效率较低，列车维护成本较高。南京康尼机电股份有限公司远程监控与诊断小组通过与多家地铁公司合作，目前实现了车辆门系统参数的在线监测，能在线采集车辆门系统运行时的电机转速、转角和电流等数据[2]。在此基础上，研究基于车辆门系统监测数据的亚健康预测，这在实际应用当中具有重要意义。

近期，国内外对轨道交通设备的监控与诊断主要采用案例推理技术[3]、支持向量机[3]、BP神经网络[4]、专家系统[5]及贝叶斯网络[6]等算法。这些算法的诊断思路基本类似，在设备故障发生后，需先提取故障数据特征，再将特征集合输入所建立的模型中，进而匹配得出诊断的故障类型。这些算法在实际应用当中主要针对程度明显的故障类型，而且通过算法诊断获取的结果与实际参数特征无法建立联系，不利于后期分析与验证。

本文主要针对典型故障的早期异常开展研究，通过预测亚健康类型实现故障的早期预警。本文根据南京康尼机电股份有限公司远程监控与诊断小组的智能电机监测数据，采用KEMANS聚类算法区分亚健康数据与正常数据的特征，提取特征值的差异项作为算法预测依据，最终匹配后输出预测的亚健康类型。……