CN111797944A - 一种车门异常诊断方法及装置 - Google Patents
一种车门异常诊断方法及装置 Download PDFInfo
- Publication number
- CN111797944A CN111797944A CN202010772150.XA CN202010772150A CN111797944A CN 111797944 A CN111797944 A CN 111797944A CN 202010772150 A CN202010772150 A CN 202010772150A CN 111797944 A CN111797944 A CN 111797944A
- Authority
- CN
- China
- Prior art keywords
- target
- vehicle door
- model
- abnormal condition
- parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 194
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000002159 abnormal effect Effects 0.000 claims abstract description 265
- 230000005856 abnormality Effects 0.000 claims description 134
- 238000012545 processing Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 17
- 238000010801 machine learning Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000002405 diagnostic procedure Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 20
- 238000001914 filtration Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power-Operated Mechanisms For Wings (AREA)
Abstract
本申请提出一种车门异常诊断方法及装置，该方法包括：获取与目标车门对应的模型运算参数，其中，所述模型运算参数基于目标异常情况的特征参数，以及与所述目标车门对应的目标异常情况判断规则而确定；利用所述模型运算参数，更新预先构建的异常诊断模型的参数，得到目标异常诊断模型；以所述目标车门的当前运行数据为基础，通过所述目标异常诊断模型，诊断所述目标车门是否发生所述目标异常情况。采用上述技术方案能够通过车门运行数据，诊断车门是否发生异常情况，从而可以有效避免车辆运行过程中发生车门故障。
Description
技术领域
本申请涉及车门故障检测技术领域，尤其涉及一种车门异常诊断方法及装置。
背景技术
轨道交通在社会发展中扮演了重要角色，承担了巨大的交通客流压力。在轨道交通车辆运营过程中，车门系统需要频繁的开关，加上高峰期人为因素的影响，经常会发生开关门故障，导致清客事件。
因此，如果能够及时地对车门异常情况进行诊断，则可以有效地防止车门故障的发生。
发明内容
基于上述需求，本申请提出一种车门异常诊断方法及装置，能够实现对车门异常的诊断，从而可以预防在车辆运行过程中发生车门故障。
为了实现上述目的，本申请具体提出如下技术方案：
一种车门异常诊断方法，包括：
获取与目标车门对应的模型运算参数，其中，所述模型运算参数基于目标异常情况的特征参数，以及与所述目标车门对应的目标异常情况判断规则而确定；
利用所述模型运算参数，更新预先构建的异常诊断模型的参数，得到目标异常诊断模型；
以所述目标车门的当前运行数据为基础，通过所述目标异常诊断模型，诊断所述目标车门是否发生所述目标异常情况。
可选的，所述方法还包括：
当诊断确定所述目标车门未发生所述目标异常情况时，根据所述目标车门的当前运行数据，更新与所述目标车门对应的目标异常情况判断规则。
可选的，所述根据所述目标车门的当前运行数据，更新与所述目标车门对应的目标异常情况判断规则，包括：
利用所述目标车门的当前运行数据，以及基于历史运行数据训练确定的模型运算参数，对所述目标异常诊断模型进行在线训练，得到所述目标异常诊断模型的更新后的模型运算参数；
或，
根据所述目标车门的当前运行数据中的目标异常情况的特征参数，以及基于历史运行数据确定的目标异常情况的特征参数的均值和方差，计算得到所述目标异常情况的特征参数的更新后的均值和更新后的方差；
根据所述目标异常情况的特征参数的更新后的均值和更新后的方差，确定与所述目标车门对应的目标异常情况的判断阈值。
可选的，所述方法还包括：
构建异常诊断模型，以及确定与目标车门对应的模型运算参数。
可选的，所述构建异常诊断模型，以及确定与目标车门对应的模型运算参数，包括：
基于车门运行数据，确定目标异常情况的特征参数；
根据各个车门发生所述目标异常情况时的所述特征参数的数值，确定所述目标异常情况的特征参数的变化趋势，以及特征参数阈值；其中，所述特征参数阈值用于根据所述特征参数判断是否发生所述目标异常情况；
根据所述特征参数阈值，以及各个车门的正常运行数据，确定与目标车门对应的目标异常情况判断阈值；
根据所述目标异常情况的特征参数的变化趋势，以及与所述目标车门对应的目标异常情况判断阈值，训练预设的诊断模型，得到用于诊断所述目标异常情况的异常诊断模型，并将所述异常诊断模型的运算参数，确定为与所述目标车门对应的模型运算参数。
可选的，所述基于车门运行数据，确定目标异常情况的特征参数，包括：
分别获取各个车门的正常运行数据，以及通过模拟得到车门发生目标异常情况时的运行数据；
对同一车门的正常运行数据，以及发生目标异常情况时的运行数据，进行分类处理，确定所述目标异常情况的特征参数。
可选的，当通过模拟得到车门发生目标异常情况时的运行数据后，所述方法还包括：
对车门发生目标异常情况时的运行数据进行预设的数据预处理，以及特征提取处理。
可选的，所述对同一车门的正常运行数据，以及发生目标异常情况时的运行数据，进行分类处理，确定所述目标异常情况的特征参数，包括：
利用预先训练的分类模型，对同一车门的正常运行数据以及发生目标异常情况时的运行数据，进行分类处理，得到数据分类结果，以及输入的各数据项的分类特征权重；
基于所述各数据项的分类特征权重，从所述各数据项中，确定出所述目标异常情况的特征参数。
可选的，所述预先构建的异常诊断模型为基于阈值的异常诊断模型，或机器学习异常诊断模型；
其中，当所述目标异常情况的特征参数的数量小于等于设定数量时，所述预先构建的异常诊断模型为基于阈值的异常诊断模型；
当所述目标异常情况的特征参数的数量大于设定数量时，所述预先构建的异常诊断模型为机器学习异常诊断模型。
一种车门异常诊断装置，包括：
参数获取单元，用于获取与目标车门对应的模型运算参数，其中，所述模型运算参数基于目标异常情况的特征参数，以及与所述目标车门对应的目标异常情况判断规则而确定；
模型处理单元，用于将所述模型运算参数，代入预先构建的异常诊断模型，得到目标异常诊断模型；
异常诊断单元，用于以所述目标车门的当前运行数据为基础，通过所述目标异常诊断模型，诊断所述目标车门是否发生所述目标异常情况。
本申请实施例提出的车门异常诊断方法，借助预先构建的异常诊断模型，可以通过目标车门的运行数据，诊断目标车门是否发生目标异常情况。
并且，在本申请实施例中应用的异常诊断模型的运算参数，是与目标车门相匹配的运算参数，利用该模型运算参数对异常诊断模型进行参数更新后，即可得到与该目标车门相匹配的目标异常诊断模型，该目标异常诊断模型专用于诊断目标车门是否发生目标异常情况。本申请实施例上述的模型参数更新处理，使得异常诊断模型与目标车门相匹配，从而当将该异常诊断模型应用于对不同车门进行异常诊断时，可以兼顾不同车门的差异性，从而能够实现对车门的差异化的异常诊断，保证对车门异常诊断的客观性和准确度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1是本申请实施例提供的一种车门异常诊断方法的流程示意图；
图2是本申请实施例提供的构建异常诊断模型，以及确定与目标车门对应的模型运算参数的处理流程示意图；
图3是本申请实施例提供的异常诊断参数更新处理的流程示意图；
图4是本申请实施例提供的一种车门异常诊断装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提出一种车门异常诊断方法，参见图1所示，该方法包括：
S101、获取与目标车门对应的模型运算参数。
其中，所述模型运算参数基于目标异常情况的特征参数，以及与所述目标车门对应的目标异常情况判断阈值而确定。
具体的，上述的目标车门，是指交通车辆的车门，尤其是指轨道交通车辆，例如地铁、高铁等车辆上的自动控制车门。在交通车辆中，任意一个车门均可以作为目标车门。本申请实施例以诊断目标车门的异常情况为例，介绍本申请提出的车门异常诊断方法的处理过程。可以理解的是，对于任意车辆的任意车门，均可以通过执行本申请实施例技术方案，分别、独立地诊断每个车门是否发生目标异常情况。
上述的模型运算参数，是指本申请实施例预先训练的异常诊断模型的运算参数。
通常情况下，一辆列车包含几十个车门系统，并且由于车门、电机的制造、安装、运行时间差异，导致每个车门系统的运行参数存在差异。当对每个车门进行异常诊断时，诊断标准和实际工况参数均会存在差异。因此，为了兼顾对不同车门进行异常诊断的差异性，本申请实施例在训练异常诊断模型时，针对每个车门，分别利用目标异常情况的特征参数，以及与车门对应的目标异常情况判断阈值，对异常诊断模型的参数进行训练，得到与各个车门对应的模型运算参数。
其中，上述的目标异常情况的特征参数，可以是体现目标异常情况的车门运行特征参数，还可以是目标异常情况的特征参数的变化情况等信息。
与车门对应的目标异常情况判断规则，是指与车门对应的，用于判断该车门是否发生目标异常情况的判断规则，该判断规则可以是判断阈值，也可以是逻辑条件或逻辑规则等。当该判断规则为判断阈值时，通过将参数值与判断阈值进行比较，确定车门是否发生目标异常情况，例如，假设目标异常情况的特征参数为A，与车门对应的目标异常情况判断阈值为A1，则当该车门运行时的特征参数A的值大于或等于A1时，即可认为车门发生的目标异常情况；当该判断规则为逻辑条件或逻辑规则时，通过将车门的运行参数进行逻辑运算处理，当运算结果满足一定条件或规则时，认为车门发生了目标异常情况。
上述的目标异常情况，可以是车门可能发生的异常情况中的任意一种异常情况，例如可以是任意一种车门故障，或者是任意一种车门亚健康状态等。
示例性的，假设上述的目标异常为开关门异常，则针对上述的目标车门，训练与该目标车门对应的异常诊断模型，比如，基于该目标车门的历史运行数据及故障数据，以及开关门异常的特征参数、目标车门对应的开关门异常判断阈值等，对预先构建的异常诊断模型进行训练，使得该异常诊断模型能够准确地对判断该目标车门是否发生开关门异常，此时，该异常诊断模型即为与该目标车门对应的异常诊断模型，该异常诊断模型的运算参数，即为与该目标车门对应的模型运算参数。
按照上述思想，本申请实施例预先针对每个车门，分别训练异常诊断模型，得到与每个车门对应的模型运算参数。
与每个车门对应的模型运算参数，可以示例性的存储在存储装置中，或者是存储在车门异常检测平台中，还可以存储到互联网等。
基于以上处理，当诊断目标车门是否发生目标异常情况时，首先获取与该目标车门对应的模型运算参数。
S102、利用所述模型运算参数，更新预先构建的异常诊断模型的参数，得到目标异常诊断模型。
具体的，如前文所述，本申请实施例预先针对每个车门，分别训练上述的异常诊断模型，从而获取与每个车门对应的模型运算参数。
在此基础上，当将目标车门对应的模型运算参数，代入到上述的异常诊断模型中时，可以得到参数更新后的模型，即目标异常诊断模型。该目标异常诊断模型即为可以诊断该目标车门是否发生目标异常情况的模型。
S103、以所述目标车门的当前运行数据为基础，通过所述目标异常诊断模型，诊断所述目标车门是否发生所述目标异常情况。
具体的，将目标车门的当前运行数据，输入上述的目标异常诊断模型，该目标异常诊断模型通过分析目标车门的当前运行数据，判断目标车门是否发生目标异常情况，从而实现对目标异常情况的诊断。
通过上述介绍可见，本申请实施例提出的车门异常诊断方法，借助预先构建的异常诊断模型，可以通过目标车门的运行数据，诊断目标车门是否发生目标异常情况。
并且，在本申请实施例中应用的异常诊断模型的运算参数，是与目标车门相匹配的运算参数，利用该模型运算参数对异常诊断模型进行参数更新后，即可得到与该目标车门相匹配的目标异常诊断模型，该目标异常诊断模型专用于诊断目标车门是否发生目标异常情况。本申请实施例上述的模型参数更新处理，使得异常诊断模型与目标车门相匹配，从而当将该异常诊断模型应用于对不同车门进行异常诊断时，可以兼顾不同车门的差异性，从而能够实现对车门的差异化的异常诊断，保证对车门异常诊断的客观性和准确度。
示例性的，上述列车车门可能发生的异常情况，可以分为渐变型异常和突变型异常。其中，渐变型异常表现为异常参数逐渐增大，直到超出某一限定范围后视为异常，针对此类异常，可以设置固定的异常判断规则。而突变型异常则表现为发生异常时的运行参数，与前一段未发生异常时的运行参数存在显著差异，针对突变型异常，本申请实施例为其设置实时更新的异常判断规则，该异常判断规则，在车门运行过程中，以及在车门异常诊断过程中，实时地进行更新。
作为一种示例性的实现方式，当上述的目标异常情况为突变型异常情况时，在以所述目标车门的当前运行数据为基础，通过所述目标异常诊断模型，诊断确定所述目标车门没有发生所述目标异常情况时，根据所述目标车门的当前运行数据，更新与所述目标车门对应的目标异常情况判断规则。
而如果诊断确定所述目标车门发生了所述目标异常情况，则不执行对所述目标车门对应的目标异常情况判断规则的更新。
上述的根据目标车门的当前运行数据，更新与所述目标车门对应的目标异常情况判断规则，具体是将目标车门的历史正常运行数据，与实时正常运行数据进行叠加、融合，共同用于确定与目标车门对应的目标异常情况判断规则。则在目标车门运行过程中，只要目标车门没有发生目标异常情况，就将目标车门的实时运行数据用于更新与目标车门对应的目标异常情况判断规则。
示例性的，上述的异常诊断模型，根据所述目标异常情况的特征参数的数量的不同，可以分别采用不同的诊断模型，示例性的，可以采用基于阈值的异常诊断模型，或者是机器学习异常诊断模型。
当目标异常情况的特征参数的数量小于等于设定数量时，上述的异常诊断模型为基于阈值的异常诊断模型。例如，当目标异常情况的特征参数的数量小于等于3个时，采用基于3sigma准则构建的阈值异常检测模型，作为异常诊断模型。该异常诊断模型通过分别将目标异常情况的特征参数值与目标异常情况判断规则的相应参数阈值进行对比，综合判定是否发生目标异常情况。
当目标异常情况的特征参数的数量大于设定数量时，上述的异常诊断模型为机器学习异常诊断模型。例如，当目标异常情况的特征参数的数量大于3个时，由于此时的参数数量较多，因此基于这些参数判断目标异常情况更加复杂，因此本申请实施例采用基于自编码器、One Class SVM、Isolation Forest等机器学习模型的异常检测模型，作为异常诊断模型。该异常诊断模型在训练过程中，习得判断目标异常情况的规则，并可基于习得的规则，对输入的多项特征参数进行处理，确定是否发生目标异常情况。
基于上述的异常诊断模型的不同，相应的，当根据目标车门的当前运行数据，更新与所述目标车门对应的目标异常情况判断规则时，也应当通过与异常诊断模型相匹配的方式进行更新。
当上述的异常诊断模型为机器学习异常诊断模型时，可以确定上述的目标异常情况的判断规则是逻辑条件或逻辑规则，上述的目标异常诊断模型也是机器学习异常诊断模型，此时，利用所述目标车门的当前运行数据，以及基于历史运行数据训练确定的模型运算参数，对所述目标异常诊断模型进行在线训练，得到所述目标异常诊断模型的更新后的模型运算参数。
当上述的异常诊断模型为基于阈值的异常诊断模型时，可以确定上述的目标异常情况的判断规则是判断阈值，上述的目标异常诊断模型也是基于阈值的异常诊断模型，上述的根据所述目标车门的当前运行数据，更新与所述目标车门对应的目标异常情况判断规则，包括：
首先，根据所述目标车门的当前运行数据中的目标异常情况的特征参数，以及基于历史运行数据确定的目标异常情况的特征参数的均值和方差，计算得到所述目标异常情况的特征参数的更新后的均值和更新后的方差。
具体的，在上述的目标异常诊断模型为基于阈值的异常诊断模型的情况下，目标异常情况的判断规则，是目标异常情况的特征参数的取值阈值，当车门运行时的该特征参数的取值大于该特征参数的取值阈值，则可以确定该目标车门发生了该目标异常情况。
而目标异常情况的特征参数的取值阈值，通常是该特征参数的均值在某一范围内时、该特征参数的方差的某一取值。因此，根据目标异常情况的特征参数的均值和方差，可以确定目标异常情况的判断规则。
其中，目标异常情况的特征参数的均值
和方差
的计算公式分别如下：
其中，n表示特征参数样本数量；m表示特征参数的具体数据项数量。
本申请实施例利用所述目标车门的当前运行数据中的目标异常情况的特征参数，对基于所述目标车门的历史运行数据确定的目标异常情况的特征参数的均值和方差进行更新，从而得到所述目标异常情况的特征参数的更新后的均值和方差。
示例性的，对上述的特征参数的均值和方差的更新，可以通过递推公式或者滤波的方式进行。
以递推方式为例，对上述目标异常情况的特征参数的均值和方差的更新可表示为：
Fn＝Fn-1+(Xn-En-1)(Xn-En)
其中，En和Fn分别表示更新后的均值和方差；En-1和Fn-1分别表示更新前的均值和方差；Xn表示目标车门的当前运行参数中的特征参数。
当采用滤波方式对所述目标异常情况的特征参数的均值和方差进行更新时，具体可采用指数滤波、卡尔曼滤波等方式，本申请实施例不再一一详述。
在通过上述处理确定所述目标异常情况的特征参数的更新后的均值和方差后，根据所述目标异常情况的特征参数的更新后的均值和更新后的方差，确定与所述目标车门对应的目标异常情况的判断规则。
示例性的，按照目标异常情况的判断阈值的取值规则，将目标异常情况的特征参数的更新后的均值处于某一范围时，相应的方差的某一取值，作为与所述目标车门对应的目标异常情况的判断阈值，也就是目标异常情况的更新后的判断规则。
在本申请另一实施例中还公开了，在对车门异常情况进行诊断之前，先构建异常诊断模型，以及确定与目标车门对应的模型运算参数。
示例性的，参见图2所示，上述的构建异常诊断模型，以及确定与目标车门对应的模型运算参数，具体包括：
S201、基于车门运行数据，确定目标异常情况的特征参数。
其中，上述的车门运行数据，是指车门在正常运行过程中所记录的运行参数数据。
本申请实施例按照如下步骤SS1～SS3的处理，确定目标异常情况的特征参数：
SS1、分别获取各个车门的正常运行数据，以及通过模拟得到车门发生目标异常情况时的运行数据。
具体的，通过列车车门系统所带的传感器及门控制器，采集列车各个车门正常运行状态下的空载与正线运行数据，并按车门号分别存入数据库中。
然后，从列车各个车门中，随机选择一定数量的车门，在车门系统试验台架上开展实车故障试验，模拟目标异常情况，采集并按车门号存储车门发生目标异常情况时的运行数据。
SS2、对车门发生目标异常情况时的运行数据进行预设的数据预处理，以及特征提取处理。
具体的，结合领域知识与故障原理，分析车门发生目标异常情况时的故障项点以及数据影响，并以此为依据对车门发生异常情况时的运行数据进行预处理及特征提取处理。
其中，对车门发生异常情况时的运行数据进行预处理包括：数据对齐、空值填充以及异常值剔除，并分为解锁/闭锁阶段、提速段、匀速段、减速段与缓行段5个阶段。然后，分段提取上述运行数据在时域或频域上的特征，包括：均值、最大值、最小值、众数、中位数、上下4分位数、峰度和偏度等。
SS3、对同一车门的正常运行数据，以及发生目标异常情况时的运行数据，进行分类处理，确定所述目标异常情况的特征参数。
具体的，当同一车门的正常运行数据，与发生目标异常情况时的运行数据融合在一起时，如果对其进行分类处理，则需要确定各数据项的分类特征权重，然后以各数据项的分类特征权重为依据，将车门运行数据分为正常运行数据，以及发生目标异常情况时的运行数据。
在具体实施中，各数据项的分类特征权重的大小，表示了该数据项被划分为发生目标异常情况时的数据的权重。当数据项的分类特征权重越大时，该数据项被划分为发生目标异常情况时的数据的权重越大。基于上述情况，分类特征权重较大的数据项，最有可能作为目标异常情况的特征参数。
因此，如果能够在对同一车门的正常运行数据，以及发生目标异常情况时的运行数据进行分类处理时，确定各数据项的分类特征权重，则可以确定目标异常情况的特征参数。
作为一种示例性的实现方式，本申请实施例利用预先训练的分类模型，对同一车门的正常运行数据以及发生目标异常情况时的运行数据，进行分类处理，得到数据分类结果，以及输入的各数据项的分类特征权重。
其中，上述的分类模型基于机器学习模型训练得到，例如可以是线性模型和以决策树模型为基础的集成模型，包括随机森林、Xgboost等。
将同一车门的正常运行数据以及发生目标异常情况时的运行数据，同时输入上述的分类模型，则该分类模型可以输出分类结果，同时输出输入的各数据项的分类特征权重。
然后，基于上述的分类模型输出的各数据项的分类特征权重，从该同一车门的各项运行数据中，确定出其分类特征权重较高的topN个数据项，作为目标异常情况的特征参数。
S202、根据各个车门发生所述目标异常情况时的所述特征参数的数值，确定所述目标异常情况的特征参数的变化趋势，以及特征参数阈值。
其中，所述特征参数阈值用于根据所述特征参数判断是否发生所述目标异常情况。
具体的，根据上述的目标异常情况模拟结果，将参与该目标异常情况模拟的各个车门发生所述目标异常情况时的所述特征参数的数值，进行统计汇总，确定所述目标异常情况的特征参数的变化趋势。即确定各个车门从未发生所述目标异常情况时的所述特征参数的数值，到发生所述目标异常情况时的所述特征参数的数值的变化过程。
以及，基于所述目标异常的特征参数的变化趋势，确定特征参数阈值。例如，假设，当车门运行数据中的某一特征参数的值增大到某一特定值时，车门发生了目标异常情况，则可以确定该特定值，即为该特征参数的阈值。
需要说明的是，上述的目标异常情况的特征参数，可能有多项，按照本申请实施例技术方案，每一项特征参数，均可以确定与之对应的特征参数阈值。
S203、根据所述特征参数阈值，以及各个车门的正常运行数据，确定与目标车门对应的目标异常情况判断阈值。
具体的，将步骤S202中确定的目标异常情况的特征参数的变化趋势，以及特征参数阈值，与各个车门的正常运行数据相结合，分别确定与每个车门对应的目标异常情况判断阈值，其中包括确定与目标车门对应的目标异常情况判断阈值。
其中，上述的判断阈值与所述目标异常情况的类型相匹配。当目标异常情况为渐变型异常情况时，该判断阈值为某一个或某几个具体的特征参数取值；当目标异常情况为突变型异常情况时，该判断阈值可以为实时更新的判断阈值。
S204、根据所述目标异常情况的特征参数的变化趋势，以及与所述目标车门对应的目标异常情况判断阈值，训练预设的诊断模型，得到用于诊断所述目标异常情况的异常诊断模型，并将所述异常诊断模型的运算参数，确定为与所述目标车门对应的模型运算参数。
具体的，上述的诊断模型，根据所述目标异常情况的特征参数的数量的不同，可以分别采用不同的诊断模型，示例性的，可以采用基于阈值的异常诊断模型，或者是机器学习异常诊断模型。
当目标异常情况的特征参数的数量小于等于设定数量时，上述的异常诊断模型为基于阈值的异常诊断模型。例如，当目标异常情况的特征参数的数量小于等于3个时，采用基于3sigma准则构建的阈值异常检测模型，作为异常诊断模型。
当目标异常情况的特征参数的数量大于设定数量时，上述的异常诊断模型为机器学习异常诊断模型。例如，当目标异常情况的特征参数的数量大于3个时，由于此时的参数数量较多，因此基于这些参数判断目标异常情况更加复杂，因此本申请实施例采用基于自编码器、One Class SVM、Isolation Forest等机器学习模型的异常检测模型，作为异常诊断模型。
当确定异常诊断模型后，根据目标异常情况的特征参数的变化趋势，以及与所述目标车门对应的目标异常情况判断阈值，对该异常诊断模型进行训练，直至该异常诊断模型能够准确识别目标异常情况时，结束训练过程。此时，完整训练的异常诊断模型的运算参数，即为与目标车门对应的模型运算参数。
为了更形象地介绍本申请实施例提出的车门异常诊断方法的处理流程，下面结合实例，介绍本申请实施例提出的车门异常诊断方法的完整处理过程：
以城市轨道交通某型电动齿带传动塞拉门系统的亚健康状态(即相当于上述的目标异常情况)为例，对其进行诊断的过程如下：
步骤(1)，从车门历史数据中获取每个车门正常状态下的空载与正线运行数据，针对该种门系统，主要获取开关门过程中电机的电压、电流、编码器值与开关门信号；
步骤(2)，通过实车试验在特定的几个车门上调节车门机械结构，模拟多种亚健康试验，比如齿带张紧力不足、行程开关异常等，并记录故障试验数据；
步骤(3)，对获取的数据进行预处理，并分段提取数据特征；
步骤(4)，利用机器学习随机森林方法对正常运行数据与亚健康状态运行数据进行分类，以齿带张紧力不足亚健康为例，计算每一数据项的分类特征权重；
步骤(5)，对不同车门的正常运行数据和亚健康状态运行数据进行统计、汇总，确定异常情况变化趋势。以齿带张紧力不足亚健康为例，其特征数据变化趋势为逐渐增大的趋势；
步骤(6)，根据步骤(5)的结果分析所有车门的正常运行时的特征参数，确定车门正常运行时的特征参数正常区域。在此基础上，进一步分析正常运行时的特征参数与亚健康状态的特征参数之间的界限，即确定亚健康状态判断阈值。
缓变型亚健康以齿带张紧力不足为例，特征参数增大至超出某一固定范畴判断为亚健康，特征参数范围通过计算特征量的统计均值
和标准差
确定，计算公式如下所示；
突变型亚健康以行程开关异常为例，行程开关异常表现为本次开关门行程开关数据触发时刻编码器值与过去多次开关门过程的编码器数值有显著性变化，需要划定历史正常数据的范围，并依据当前时刻前多次开关门数据实时更新参数。
在首次算法上线时，使用离线数据进行处理参数标定，确定正常运行数据与异常运行数据界限，并以这些参数作为初始化值，每一个门对应一个判断阈值；
在线运行时，读取当前参数，并依据这些参数驱动诊断模型判断是否发生了异常。如果有异常，则此样本不作为更新参数的依据。若无异常，则此样本将进一步分析，通过迭代或滤波处理，以递推的方式更新参数集合。该参数更新过程可参见图3所示。
由于每次新增的只是一个样本的参数，在更新时需依据递推公式或滤波方法，例如：
均值递推：
方差递推：
Fn＝Fn-1+(Xn-En-1)(Xn-En)
其中，En和Fn分别表示更新后的均值和方差；En-1和Fn-1分别表示更新前的均值和方差；Xn表示目标车门的当前运行参数中的特征参数。
也可以使用滤波方式，例如指数滤波、卡尔曼滤波等，在此不再展开。
在线运行一段时间后，模型会针对每一个门各自趋于稳定，因此可以更有针对性地判断异常。
步骤(7)，根据步骤(5)和(6)得到的结果结合3sigma准则建立异常诊断模型，并针对每个车门构建参数的正常区间，任一特征参数超出正常区间即判定为亚健康状态，记录与每个车门对应的所有实际参数组合数据，作为与每个车门对应的模型运算参数；
步骤(8)，将建立的异常诊断模型，以及与每个车门对应的模型运算参数部署至实时运行平台。
步骤(9)，当需要对任意车门进行异常诊断时，将与该车门对应的模型运算参数代入上述的异常诊断模型，利用参数更新后的异常诊断模型，以及该车门的当前运行数据，判断该车门是否发生异常情况。
需要说明的是，本申请上述实施例中，仅以目标异常情况，或是齿带张紧力不足、行程开关异常等某一种异常情况为例，介绍本申请诊断异常情况的处理过程。理论上，一种异常诊断模型可以用于诊断某一种异常情况，也可以被训练为可以诊断多种异常情况。在实际应用中，与某一车门对应的模型运算参数，可以使得异常诊断模型基于该模型运算参数，对多种车门异常进行同时诊断，或者是仅对某一种车门异常进行诊断，本申请实施例不做严格限定，但是本领域技术人员可以理解的是，在本申请上述实施例介绍的基础上，对异常诊断模型的性能训练均是可以灵活设置的，即都在本申请实施例保护范围内。
与上述的车门异常诊断方法相对应的，本申请另一实施例还提出一种车门异常诊断装置，参见图4所示，该装置包括：
参数获取单元100，用于获取与目标车门对应的模型运算参数，其中，所述模型运算参数基于目标异常情况的特征参数，以及与所述目标车门对应的目标异常情况判断规则而确定；
模型处理单元110，用于将所述模型运算参数，代入预先构建的异常诊断模型，得到目标异常诊断模型；
异常诊断单元120，用于以所述目标车门的当前运行数据为基础，通过所述目标异常诊断模型，诊断所述目标车门是否发生所述目标异常情况。
本申请实施例提出的车门异常诊断装置，借助预先构建的异常诊断模型，可以通过目标车门的运行数据，诊断目标车门是否发生目标异常情况。
并且，在本申请实施例中应用的异常诊断模型的运算参数，是与目标车门相匹配的运算参数，利用该模型运算参数对异常诊断模型进行参数更新后，即可得到与该目标车门相匹配的目标异常诊断模型，该目标异常诊断模型专用于诊断目标车门是否发生目标异常情况。本申请实施例上述的模型参数更新处理，使得异常诊断模型与目标车门相匹配，从而当将该异常诊断模型应用于对不同车门进行异常诊断时，可以兼顾不同车门的差异性，从而能够实现对车门的差异化的异常诊断，保证对车门异常诊断的客观性和准确度。
作为一种可选的实现方式，所述装置还包括：
参数更新单元，用于当诊断确定所述目标车门未发生所述目标异常情况时，根据所述目标车门的当前运行数据，更新与所述目标车门对应的目标异常情况判断规则。
作为一种可选的实现方式，所述根据所述目标车门的当前运行数据，更新与所述目标车门对应的目标异常情况判断规则，包括：
利用所述目标车门的当前运行数据，以及基于历史运行数据训练确定的模型运算参数，对所述目标异常诊断模型进行在线训练，得到所述目标异常诊断模型的更新后的模型运算参数；
或，
根据所述目标车门的当前运行数据中的目标异常情况的特征参数，以及基于历史运行数据确定的目标异常情况的特征参数的均值和方差，计算得到所述目标异常情况的特征参数的更新后的均值和更新后的方差；
根据所述目标异常情况的特征参数的更新后的均值和更新后的方差，确定与所述目标车门对应的目标异常情况的判断规则。
作为一种可选的实现方式，所述装置还包括：
模型构建单元，用于构建异常诊断模型，以及确定与目标车门对应的模型运算参数。
作为一种可选的实现方式，所述构建异常诊断模型，以及确定与目标车门对应的模型运算参数，包括：
基于车门运行数据，确定目标异常情况的特征参数；
根据各个车门发生所述目标异常情况时的所述特征参数的数值，确定所述目标异常情况的特征参数的变化趋势，以及特征参数阈值；其中，所述特征参数阈值用于根据所述特征参数判断是否发生所述目标异常情况；
根据所述特征参数阈值，以及各个车门的正常运行数据，确定与目标车门对应的目标异常情况判断阈值；
根据所述目标异常情况的特征参数的变化趋势，以及与所述目标车门对应的目标异常情况判断阈值，训练预设的诊断模型，得到用于诊断所述目标异常情况的异常诊断模型，并将所述异常诊断模型的运算参数，确定为与所述目标车门对应的模型运算参数。
作为一种可选的实现方式，所述基于车门运行数据，确定目标异常情况的特征参数，包括：
分别获取各个车门的正常运行数据，以及通过模拟得到车门发生目标异常情况时的运行数据；
对同一车门的正常运行数据，以及发生目标异常情况时的运行数据，进行分类处理，确定所述目标异常情况的特征参数。
作为一种可选的实现方式，当通过模拟得到车门发生目标异常情况时的运行数据后，所述方法还包括：
对车门发生目标异常情况时的运行数据进行预设的数据预处理，以及特征提取处理。
作为一种可选的实现方式，所述对同一车门的正常运行数据，以及发生目标异常情况时的运行数据，进行分类处理，确定所述目标异常情况的特征参数，包括：
利用预先训练的分类模型，对同一车门的正常运行数据以及发生目标异常情况时的运行数据，进行分类处理，得到数据分类结果，以及输入的各数据项的分类特征权重；
基于所述各数据项的分类特征权重，从所述各数据项中，确定出所述目标异常情况的特征参数。
作为一种可选的实现方式，所述预先构建的异常诊断模型为基于阈值的异常诊断模型，或机器学习异常诊断模型；
其中，当所述目标异常情况的特征参数的数量小于等于设定数量时，所述预先构建的异常诊断模型为基于阈值的异常诊断模型；
当所述目标异常情况的特征参数的数量大于设定数量时，所述预先构建的异常诊断模型为机器学习异常诊断模型。
具体的，上述的车门异常诊断装置的各个单元的具体工作内容，请参加上述方法实施例的内容，此处不再赘述。
对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请各实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减，各实施例中记载的技术特征可以进行替换或者组合。
本申请各实施例种装置及终端中的模块和子模块可以根据实际需要进行合并、划分和删减。
本申请所提供的几个实施例中，应该理解到，所揭露的终端，装置和方法，可以通过其它的方式实现。例如，以上所描述的终端实施例仅仅是示意性的，例如，模块或子模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个子模块或模块可以结合或者可以集成到另一个模块，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的模块或子模块可以是或者也可以不是物理上分开的，作为模块或子模块的部件可以是或者也可以不是物理模块或子模块，即可以位于一个地方，或者也可以分布到多个网络模块或子模块上。可以根据实际的需要选择其中的部分或者全部模块或子模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块或子模块可以集成在一个处理模块中，也可以是各个模块或子模块单独物理存在，也可以两个或两个以上模块或子模块集成在一个模块中。上述集成的模块或子模块既可以采用硬件的形式实现，也可以采用软件功能模块或子模块的形式实现。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件单元，或者二者的结合来实施。软件单元可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种车门异常诊断方法，其特征在于，包括：
获取与目标车门对应的模型运算参数，其中，所述模型运算参数基于目标异常情况的特征参数，以及与所述目标车门对应的目标异常情况判断规则而确定；
利用所述模型运算参数，更新预先构建的异常诊断模型的参数，得到目标异常诊断模型；
以所述目标车门的当前运行数据为基础，通过所述目标异常诊断模型，诊断所述目标车门是否发生所述目标异常情况。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当诊断确定所述目标车门未发生所述目标异常情况时，根据所述目标车门的当前运行数据，更新与所述目标车门对应的目标异常情况判断规则。
3.根据权利要求2所述的方法，其特征在于，所述根据所述目标车门的当前运行数据，更新与所述目标车门对应的目标异常情况判断规则，包括：
利用所述目标车门的当前运行数据，以及基于历史运行数据训练确定的模型运算参数，对所述目标异常诊断模型进行在线训练，得到所述目标异常诊断模型的更新后的模型运算参数；
或，
根据所述目标车门的当前运行数据中的目标异常情况的特征参数，以及基于历史运行数据确定的目标异常情况的特征参数的均值和方差，计算得到所述目标异常情况的特征参数的更新后的均值和更新后的方差；
根据所述目标异常情况的特征参数的更新后的均值和更新后的方差，确定与所述目标车门对应的目标异常情况的判断规则。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
构建异常诊断模型，以及确定与目标车门对应的模型运算参数。
5.根据权利要求4所述的方法，其特征在于，所述构建异常诊断模型，以及确定与目标车门对应的模型运算参数，包括：
基于车门运行数据，确定目标异常情况的特征参数；
根据各个车门发生所述目标异常情况时的所述特征参数的数值，确定所述目标异常情况的特征参数的变化趋势，以及特征参数阈值；其中，所述特征参数阈值用于根据所述特征参数判断是否发生所述目标异常情况；
根据所述特征参数阈值，以及各个车门的正常运行数据，确定与目标车门对应的目标异常情况判断阈值；
根据所述目标异常情况的特征参数的变化趋势，以及与所述目标车门对应的目标异常情况判断阈值，训练预设的诊断模型，得到用于诊断所述目标异常情况的异常诊断模型，并将所述异常诊断模型的运算参数，确定为与所述目标车门对应的模型运算参数。
6.根据权利要求5所述的方法，其特征在于，所述基于车门运行数据，确定目标异常情况的特征参数，包括：
分别获取各个车门的正常运行数据，以及通过模拟得到车门发生目标异常情况时的运行数据；
对同一车门的正常运行数据，以及发生目标异常情况时的运行数据，进行分类处理，确定所述目标异常情况的特征参数。
7.根据权利要求6所述的方法，其特征在于，当通过模拟得到车门发生目标异常情况时的运行数据后，所述方法还包括：
对车门发生目标异常情况时的运行数据进行预设的数据预处理，以及特征提取处理。
8.根据权利要求6所述的方法，其特征在于，所述对同一车门的正常运行数据，以及发生目标异常情况时的运行数据，进行分类处理，确定所述目标异常情况的特征参数，包括：
利用预先训练的分类模型，对同一车门的正常运行数据以及发生目标异常情况时的运行数据，进行分类处理，得到数据分类结果，以及输入的各数据项的分类特征权重；
基于所述各数据项的分类特征权重，从所述各数据项中，确定出所述目标异常情况的特征参数。
9.根据权利要求1所述的方法，其特征在于，所述预先构建的异常诊断模型为基于阈值的异常诊断模型，或机器学习异常诊断模型；
其中，当所述目标异常情况的特征参数的数量小于等于设定数量时，所述预先构建的异常诊断模型为基于阈值的异常诊断模型；
当所述目标异常情况的特征参数的数量大于设定数量时，所述预先构建的异常诊断模型为机器学习异常诊断模型。
10.一种车门异常诊断装置，其特征在于，包括：
参数获取单元，用于获取与目标车门对应的模型运算参数，其中，所述模型运算参数基于目标异常情况的特征参数，以及与所述目标车门对应的目标异常情况判断规则而确定；
模型处理单元，用于将所述模型运算参数，代入预先构建的异常诊断模型，得到目标异常诊断模型；
异常诊断单元，用于以所述目标车门的当前运行数据为基础，通过所述目标异常诊断模型，诊断所述目标车门是否发生所述目标异常情况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010772150.XA CN111797944A (zh) | 2020-08-04 | 2020-08-04 | 一种车门异常诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010772150.XA CN111797944A (zh) | 2020-08-04 | 2020-08-04 | 一种车门异常诊断方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111797944A true CN111797944A (zh) | 2020-10-20 |
Family
ID=72828812
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010772150.XA Pending CN111797944A (zh) | 2020-08-04 | 2020-08-04 | 一种车门异常诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111797944A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112965876A (zh) * | 2021-03-10 | 2021-06-15 | 中国民航信息网络股份有限公司 | 一种监控报警方法及装置 |
| CN115688493A (zh) * | 2023-01-03 | 2023-02-03 | 深圳市信润富联数字科技有限公司 | 冲压异常监测方法、装置、电子设备和存储介质 |
| CN115688493B (zh) * | 2023-01-03 | 2024-07-09 | 深圳市信润富联数字科技有限公司 | 冲压异常监测方法、装置、电子设备和存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7103460B1 (en) * | 1994-05-09 | 2006-09-05 | Automotive Technologies International, Inc. | System and method for vehicle diagnostics |
| CN101514942A (zh) * | 2008-02-22 | 2009-08-26 | 丰田自动车株式会社 | 车辆诊断装置、车辆诊断系统以及诊断方法 |
| CN106406295A (zh) * | 2016-12-02 | 2017-02-15 | 南京康尼机电股份有限公司 | 基于多工况的轨道交通车辆门系统故障诊断及预警方法 |
| CN108596229A (zh) * | 2018-04-13 | 2018-09-28 | 北京华电智慧科技产业有限公司 | 在线异常的监测诊断方法和系统 |
| JP2018185256A (ja) * | 2017-04-27 | 2018-11-22 | 公益財団法人鉄道総合技術研究所 | 鉄道車両機器診断装置および鉄道車両機器診断方法 |
| CN108985279A (zh) * | 2018-08-28 | 2018-12-11 | 上海仁童电子科技有限公司 | 多功能车辆总线mvb波形的故障诊断方法及装置 |
| CN109191626A (zh) * | 2018-07-26 | 2019-01-11 | 北京汽车集团有限公司 | 控制车门锁的方法、装置、存储介质及电子设备和车辆 |
| CN109580260A (zh) * | 2018-11-27 | 2019-04-05 | 南京康尼机电股份有限公司 | 一种轨道车辆门系统的亚健康诊断方法 |
| CN109814529A (zh) * | 2019-01-23 | 2019-05-28 | 北京博得交通设备有限公司 | 一种列车门故障预测与健康管理系统 |
| CN110817636A (zh) * | 2019-11-20 | 2020-02-21 | 上海电气集团股份有限公司 | 一种电梯门系统故障诊断方法、装置、介质和设备 |
| WO2020071039A1 (ja) * | 2018-10-01 | 2020-04-09 | 三菱電機株式会社 | 劣化検知システム |
| CN111046940A (zh) * | 2019-12-06 | 2020-04-21 | 中车长春轨道客车股份有限公司 | 一种基于决策树与神经网络的车门故障诊断方法 |
-
2020
- 2020-08-04 CN CN202010772150.XA patent/CN111797944A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7103460B1 (en) * | 1994-05-09 | 2006-09-05 | Automotive Technologies International, Inc. | System and method for vehicle diagnostics |
| CN101514942A (zh) * | 2008-02-22 | 2009-08-26 | 丰田自动车株式会社 | 车辆诊断装置、车辆诊断系统以及诊断方法 |
| CN106406295A (zh) * | 2016-12-02 | 2017-02-15 | 南京康尼机电股份有限公司 | 基于多工况的轨道交通车辆门系统故障诊断及预警方法 |
| JP2018185256A (ja) * | 2017-04-27 | 2018-11-22 | 公益財団法人鉄道総合技術研究所 | 鉄道車両機器診断装置および鉄道車両機器診断方法 |
| CN108596229A (zh) * | 2018-04-13 | 2018-09-28 | 北京华电智慧科技产业有限公司 | 在线异常的监测诊断方法和系统 |
| CN109191626A (zh) * | 2018-07-26 | 2019-01-11 | 北京汽车集团有限公司 | 控制车门锁的方法、装置、存储介质及电子设备和车辆 |
| CN108985279A (zh) * | 2018-08-28 | 2018-12-11 | 上海仁童电子科技有限公司 | 多功能车辆总线mvb波形的故障诊断方法及装置 |
| WO2020071039A1 (ja) * | 2018-10-01 | 2020-04-09 | 三菱電機株式会社 | 劣化検知システム |
| CN109580260A (zh) * | 2018-11-27 | 2019-04-05 | 南京康尼机电股份有限公司 | 一种轨道车辆门系统的亚健康诊断方法 |
| CN109814529A (zh) * | 2019-01-23 | 2019-05-28 | 北京博得交通设备有限公司 | 一种列车门故障预测与健康管理系统 |
| CN110817636A (zh) * | 2019-11-20 | 2020-02-21 | 上海电气集团股份有限公司 | 一种电梯门系统故障诊断方法、装置、介质和设备 |
| CN111046940A (zh) * | 2019-12-06 | 2020-04-21 | 中车长春轨道客车股份有限公司 | 一种基于决策树与神经网络的车门故障诊断方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112965876A (zh) * | 2021-03-10 | 2021-06-15 | 中国民航信息网络股份有限公司 | 一种监控报警方法及装置 |
| CN115688493A (zh) * | 2023-01-03 | 2023-02-03 | 深圳市信润富联数字科技有限公司 | 冲压异常监测方法、装置、电子设备和存储介质 |
| CN115688493B (zh) * | 2023-01-03 | 2024-07-09 | 深圳市信润富联数字科技有限公司 | 冲压异常监测方法、装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112202736B (zh) | 基于统计学习和深度学习的通信网络异常分类方法 | |
| Soualhi et al. | Prognosis of bearing failures using hidden Markov models and the adaptive neuro-fuzzy inference system | |
| CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| Shi et al. | Rolling bearing initial fault detection using long short-term memory recurrent network | |
| Jardine et al. | A review on machinery diagnostics and prognostics implementing condition-based maintenance | |
| CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
| JP2020119605A (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
| CN111813084B (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
| CN100465842C (zh) | 数据分析系统和方法 | |
| CN112131212A (zh) | 基于集成学习技术面向混合云场景的时序数据异常预测方法 | |
| CN110610035A (zh) | 一种基于gru神经网络的滚动轴承剩余寿命预测方法 | |
| CN108196143A (zh) | 电力变压器故障深度诊断方法及终端设备 | |
| CN116226646B (zh) | 轴承健康状态及剩余寿命的预测方法、系统、设备及介质 | |
| CN111337244B (zh) | 一种风机齿轮箱输入轴故障监测和诊断的方法及装置 | |
| CN113111591B (zh) | 基于模块化配电终端内部故障自动诊断方法、装置及设备 | |
| CN108803555B (zh) | 一种基于性能监测数据的亚健康在线识别和诊断方法 | |
| CN111079348B (zh) | 一种缓变信号检测方法和装置 | |
| CN112488142A (zh) | 一种雷达故障的预测方法、装置及存储介质 | |
| CN117032165A (zh) | 一种工业设备故障诊断方法 | |
| CN115098962A (zh) | 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法 | |
| CN111797944A (zh) | 一种车门异常诊断方法及装置 | |
| CN111179964A (zh) | 一种基于声音频域特征的电梯层门状态识别方法 | |
| CN117076869B (zh) | 旋转机械时频域融合故障诊断方法及系统 | |
| CN111260823B (zh) | 基于i/o测点故障依赖矩阵的故障诊断方法 | |
| Melendez et al. | Self-supervised Multi-stage Estimation of Remaining Useful Life for Electric Drive Units |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |