给地铁牵引系统做一次"体检"：灰色聚类 + 正态云模型的 MATLAB 完整实现
发布信息卡
- 建议标题：给地铁牵引系统做一次"体检"：灰色聚类 + 正态云的 MATLAB 完整实现（29 字，≤64 字合规）
- 摘要：单一评价方法说不清健康状态的模糊与随机。本文用灰色聚类定级、正态云量化不确定性，从 AHP 判断矩阵到最终云图，MATLAB 代码完整跑通，评估结论与现场反馈一致。（77 字，≤120 字合规）
- 关键词：灰色聚类；正态云模型；层次分析法；健康评估；地铁牵引系统；PHM
- 声明建议：标注原创，文末注明方法来源与数据出处
- 排版提示：本文为标准 Markdown，公式为 LaTeX 语法，经 mdnice 等排版工具转换后可直接粘贴公众号后台；两张结果图随文附带，上传时替换相对路径即可
一列地铁每天在线上跑十几个小时，受电弓磨得怎么样、牵引电机温度高不高，过去靠检修师傅的经验判断。经验可靠，但说不清两件事：这个系统到底处于哪一级健康状态，以及这个判断本身有多大把握。
我最近完整复现了一套组合评估方法------灰色聚类定级、正态云模型量化不确定性，MATLAB 一份脚本从判断矩阵跑到最终云图。评估结论是系统处于亚健康与较健康之间，与现场反馈一致。
这篇文章把整套方法的背景、公式、参数和结果一次讲透。代码不长，两百来行，但每一步都有明确的数学出处。
一、研究背景：牵引系统的健康，为什么难评
地铁牵引系统是列车的动力来源，一个系统下面挂着六个关键模块：
- 受电弓（从接触网取电）
- TCU（牵引控制单元，系统的"大脑"）
- 高压箱
- 牵引逆变器箱
- 制动电阻箱
- 牵引电机箱
给这样的系统做健康评估，难点不在没数据，而在三个结构性矛盾。
模块权重难定。 六个模块对系统健康的影响差异巨大，受电弓出问题和高压箱出问题，后果完全不同。权重不能拍脑袋，需要一套可检验的定权流程。
等级边界天然模糊。 "亚健康"和"较健康"之间没有一条清晰的线。传统评分卡把 60 分以下算异常，这种硬切分丢掉了大量边界信息。
运行数据自带随机性。 同一模块在不同工况下表现会波动，单次测量值不等于真实状态。你需要一个工具，能同时表达"状态是多少"和"这个判断有多不确定"。
单一方法都只解决其中一部分。层次分析法（AHP）定权重有一致性检验兜底，但处理模糊性偏硬；灰色聚类对小样本、贫信息友好，但白化权函数是分段线性的，刻画随机波动无能为力；云模型用三个数字特征把模糊性和随机性统一进来，却需要别人帮它把等级框架先搭好。
组合起来，就是这篇文章的技术路线：AHP 定权 → 灰色聚类定级 → 云模型量化 → 综合评估。
二、主要功能：这份代码干了什么
整个 Main.m 是一条完整的评估流水线，按执行顺序分七步：
- AHP 权重计算：输入 6×6 判断矩阵，几何平均法求权重，最大特征值做一致性检验；
- 白化权函数定义：建立病态到健康五级灰类的三角分段函数，并绘图；
- 标准云生成：为五个健康等级各生成一朵标准正态云（Monte Carlo 云滴）；
- 灰色聚类定级：输入各模块的灰色聚类系数，按最大隶属度原则定级；
- 模块云特征值：输出六个模块各自的 (Ex, En, He)；
- 综合云聚合：按四种运营工况的权重分配，把六朵模块云聚合成一朵系统云；
- 综合评估：综合云与标准云同图比对，按区间判定健康等级，输出评估报告。
跑完之后得到两张图。第一张是六宫格总览，从左到右、从上到下依次是白化权函数、标准云图、灰色聚类热力图、模块云特征值、工况权重对比和综合评估云图：
第二张把四种运营工况（不影响运营、掉线换表、清客、综合考虑）的系统综合云分别叠在标准云上，等级归属一眼可辨：
三、技术路线与算法步骤
把七步串成一条链，数据流向是这样的：
故障数据归一化
↓
AHP 判断矩阵 P (6×6)
↓
几何平均法求权重 + 一致性检验 (CR < 0.1 ?)
↓
五级白化权函数 f1 ~ f5（定级框架）
↓
灰色聚类系数 → 最大隶属度 → 各模块灰类
↓
各模块云特征值 (Ex, En, He)
↓
工况权重聚合 → 系统综合云 R = (Ex, En, He)
↓
与标准云比对 + 区间判定 → 健康等级这条链里有个设计值得留意：灰色聚类和云模型不是并列关系，而是分工关系。灰色聚类给出"落在哪一级"的定性判断，云模型在这个判断之上回答"离边界多远、波动多大"。前者搭框架，后者做量化。
四、公式原理
4.1 AHP 定权与一致性检验
判断矩阵 P 的元素 pijp_{ij}pij 表示模块 i 相对模块 j 的重要性之比。代码用几何平均法求权重，避免特征值法对矩阵形式的依赖：
wi=(∏j=1npij)1/n,wi←wi∑i=1nwiw_i = \left(\prod_{j=1}^{n} p_{ij}\right)^{1/n}, \quad w_i \leftarrow \frac{w_i}{\sum_{i=1}^{n} w_i}wi=(j=1∏npij)1/n,wi←∑i=1nwiwi
权重算完必须过一致性检验，否则说明专家判断自相矛盾：
CI=λmax−nn−1,CR=CIRICI = \frac{\lambda_{\max} - n}{n - 1}, \quad CR = \frac{CI}{RI}CI=n−1λmax−n,CR=RICI
n = 6 时随机一致性指标 RI 取 1.24，CR < 0.1 视为通过。
4.2 白化权函数：等级的"软边界"
五个健康等级对应五个灰类，白化权函数描述"取值 x 属于该灰类的程度"。代码里五个函数都是中心分别在 0、0.25、0.5、0.75、1 的三角分段函数，宽度 0.25。以亚健康（III）为例：
matlab
f3 = @(x) (x > 0.25 & x < 0.5) .* (4*x - 1) + ...
(x >= 0.5 & x < 0.75) .* (3 - 4*x) + ...
(x <= 0.25 | x >= 0.75) .* 0;x = 0.5 时属于亚健康的程度是 1，越往两边走越低，到 0.25 和 0.75 归零。等级之间是平滑过渡，不是硬切分------这正是灰色聚类处理模糊性的核心手段。
4.3 正态云发生器：三行代码，两种不确定性
云模型用三个数字特征刻画一个定性概念：
| 特征 | 名称 | 含义 |
|---|---|---|
| Ex | 期望 | 概念的中心取值 |
| En | 熵 | 取值的离散程度，代表随机性 |
| He | 超熵 | 熵的离散程度，代表随机性的不确定性 |
正向正态云发生器每生成一颗云滴就三行代码：
matlab
En_prime = normrnd(En, He); % 一次"弹性"抽样
x_drop = normrnd(Ex, En_prime); % 在弹性范围内取值
y_drop = exp(-(x_drop - Ex)^2 / (2*En_prime^2)); % 确定度第一行先抽一次 En'，它决定这一颗云滴"带宽"多宽------He 越大，云整体越厚重、越弥散；第二行在 En' 控制下取横坐标；第三行算该点的确定度 μ，落在期望附近时趋于 1。几千颗云滴叠出来，就是一朵两头低、中间高的"云"。
对比 4.2 节的分段线性白化权函数，云的边缘是概率性的、有厚度的，单次观测落在边界附近时不再被迫站队。这是云模型相对传统模糊方法的本质优势。
4.4 综合云聚合：从模块云到系统云
已知各模块的云特征值和该工况下的权重 wiw_iwi，系统综合云按下面三式聚合（论文式 7--9）：
Ex=∑i=1nwi⋅Exi∑i=1nwi,En=∑i=1nwi2⋅Eni∑i=1nwi2,He=∑i=1nwi2⋅Hei∑i=1nwi2Ex = \frac{\sum_{i=1}^{n} w_i \cdot Ex_i}{\sum_{i=1}^{n} w_i}, \quad En = \frac{\sum_{i=1}^{n} w_i^2 \cdot En_i}{\sum_{i=1}^{n} w_i^2}, \quad He = \frac{\sum_{i=1}^{n} w_i^2 \cdot He_i}{\sum_{i=1}^{n} w_i^2}Ex=∑i=1nwi∑i=1nwi⋅Exi,En=∑i=1nwi2∑i=1nwi2⋅Eni,He=∑i=1nwi2∑i=1nwi2⋅Hei
一个细节：Ex 用权重一次方加权，En 和 He 用权重的平方加权。平方加权会放大高权重模块对系统不确定性的贡献------重要的模块，它的波动更值得被"听见"。
五、参数设定
整套方法的关键参数分四组。
第一组：判断矩阵与模块权重。 矩阵不是凭 1--9 标度手填的，元素之间有严格的倒数换算关系（如 p12=1.077p_{12}=1.077p12=1.077，p21=0.929p_{21}=0.929p21=0.929），属于公式反推型矩阵，一致性接近完美：
| 模块 | 权重 w |
|---|---|
| 受电弓 | 0.3059 |
| TCU | 0.2842 |
| 牵引逆变器箱 | 0.1887 |
| 牵引电机箱 | 0.1499 |
| 制动电阻箱 | 0.0447 |
| 高压箱 | 0.0266 |
λmax = 5.9997，CR ≈ 0 < 0.1，通过检验。受电弓和 TCU 两项合计占近六成权重，与运营经验相符------这两处恰恰是现场故障率最高的部位。
第二组：标准云参数。 五个健康等级各自的 (Ex, En, He)：
| 等级 | Ex | En | He |
|---|---|---|---|
| 病态 (I) | 0.000 | 0.103 | 0.013 |
| 异常 (II) | 0.309 | 0.064 | 0.008 |
| 亚健康 (III) | 0.500 | 0.039 | 0.005 |
| 较健康 (IV) | 0.691 | 0.064 | 0.008 |
| 健康 (V) | 1.000 | 0.103 | 0.013 |
两端等级的 En 明显更大（0.103 对 0.039），因为病态和健康是"半云"------取值只向单侧扩展，同样的等级跨度需要更大的熵来覆盖。中间三级 Ex 间距 0.191，两端间距 0.5，云与云之间留有重叠带，恰好承接边界上的模糊样本。
第三组：工况权重。 同一模块在不同运营场景下的重要性不同，代码设置了四种工况的权重分配（如受电弓：不影响运营 0.306、掉线换表 0.119、清客 0.500、综合考虑 0.262）。清客场景下受电弓权重飙升到 0.5，逻辑很直白：弓网故障直接导致清客，是最不能忍的故障类型。
第四组：仿真参数。 标准云与综合云各生成 300/500 颗云滴（论文原图云滴数更大，代码为运行效率做了缩减，云形不变）；等级判定按 Ex 区间划分：[0.2, 0.4) 异常、[0.4, 0.6) 亚健康与较健康之间、[0.6, 0.8) 较健康、≥0.8 健康。
六、运行结果：系统到底健不健康
按四步看结果。
灰色聚类定级：受电弓和 TCU 的聚类系数在"健康 (V)"级最大（0.326 / 0.329），其余四个模块定级"亚健康 (III)"。
模块云特征值暴露了更多细节：受电弓 Ex 只有 0.341，落在异常区间边缘；TCU 的 En 高达 0.311，远超其他模块，说明其状态波动剧烈；高压箱（0.827）和制动电阻箱（0.803）则稳定停在健康侧。灰色聚类看的是整体形状，云特征值看的是位置和波动，两种视角互补，只看其一容易漏掉风险。
综合云聚合，四种工况的结果：
| 运营工况 | Ex | En | He |
|---|---|---|---|
| 不影响运营 | 0.474 | 0.133 | 0.067 |
| 掉线换表 | 0.576 | 0.209 | 0.107 |
| 清客 | 0.435 | 0.162 | 0.082 |
| 综合考虑 | 0.503 | 0.129 | 0.065 |
最终判定 ：综合考虑工况下 R = 0.503, 0.129, 0.065，Ex 落在 [0.4, 0.6) 区间，系统处于亚健康 (III) 与较健康 (IV) 之间。这一结论与现场反馈一致。
En = 0.129、He = 0.065 都不大，说明评估结果自身波动小、可信度高。代码给出的维护建议也顺理成章：重点加强对受电弓、TCU 和牵引逆变器箱的监测。
七、运行环境
- MATLAB R2018b 及以上（用了
sgtitle，R2018b 才引入） - Statistics and Machine Learning Toolbox（
normrnd、eig） - Windows / macOS / Linux 均可，纯脚本无额外依赖
- 单文件
Main.m，运行数秒出全部结果
八、应用场景与迁移价值
这套方法的用武之地不止地铁。
状态修决策。 国内地铁检修正从"跑固定里程就修"的计划修转向按实际状态修。综合云给出的是带置信信息的等级而非单一分数，可以直接驱动检修优先级排序和备件计划。
跨装备迁移。 方法本身是通用的评价框架：换掉模块清单、判断矩阵和标准云参数，就能平移到风机传动链、高铁牵引变流器、电力变压器等任何"多模块 + 多等级 + 小样本"的装备健康评估问题。
车队级健康排序。 对一支车队批量跑这套流程，按综合云 Ex 排序即得健康排行榜，En 大的车辆同时打上"状态不稳定"标签，两头夹击锁定重点车。
两点使用提醒：判断矩阵仍依赖专家经验，有条件时用实测故障数据反推（本文矩阵正是这种做法，一致性接近完美）；标准云参数绑定具体等级划分，换应用对象必须重新标定，不能照抄。
回头看，这套方法真正的价值不在某一个公式，而在分工：AHP 管权重，灰色聚类管定级，云模型管不确定性，三种工具各干各的擅长事。评估结论最后多了一层"这个判断有多可靠"的度量，运维决策才敢往下走。
装备健康评估这个方向，方法组合的空间还很大。下次试试把云模型换成贝叶斯网络，或者给判断矩阵接上实时故障率，都是顺理成章的下一步。