CN113591377A - 一种基于机理分析的站台门异常检测方法及装置 - Google Patents

一种基于机理分析的站台门异常检测方法及装置 Download PDF

Info

Publication number
CN113591377A
CN113591377A CN202110837962.2A CN202110837962A CN113591377A CN 113591377 A CN113591377 A CN 113591377A CN 202110837962 A CN202110837962 A CN 202110837962A CN 113591377 A CN113591377 A CN 113591377A
Authority
CN
China
Prior art keywords
curve
stage
data
door
current
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.)
Granted
Application number
CN202110837962.2A
Other languages
English (en)
Other versions
CN113591377B (zh
Inventor
刘文凯
李鸿飞
王玥邈
贾建平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Huazhiyuan Information Engineering Co ltd
Guangzhou Huajia Software Co ltd
Guangzhou Jiadu Urban Rail Intelligent Operation And Maintenance Service Co ltd
PCI Technology Group Co Ltd
PCI Technology and Service Co Ltd
Original Assignee
Guangdong Huazhiyuan Information Engineering Co ltd
Guangzhou Huajia Software Co ltd
Guangzhou Jiadu Urban Rail Intelligent Operation And Maintenance Service Co ltd
PCI Technology Group Co Ltd
PCI Technology and Service Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Huazhiyuan Information Engineering Co ltd, Guangzhou Huajia Software Co ltd, Guangzhou Jiadu Urban Rail Intelligent Operation And Maintenance Service Co ltd, PCI Technology Group Co Ltd, PCI Technology and Service Co Ltd filed Critical Guangdong Huazhiyuan Information Engineering Co ltd
Priority to CN202110837962.2A priority Critical patent/CN113591377B/zh
Priority to PCT/CN2021/118886 priority patent/WO2023000482A1/zh
Publication of CN113591377A publication Critical patent/CN113591377A/zh
Application granted granted Critical
Publication of CN113591377B publication Critical patent/CN113591377B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Power-Operated Mechanisms For Wings (AREA)

Abstract

本申请实施例公开了一种基于机理分析的站台门异常检测方法及装置。本申请实施例提供的技术方案，通过检测站台门各设备运行数据；将各设备运行数据进行数据处理，得到各设备运行数据曲线；基于所述设备运行过程中的状态变化机理，将各设备运行数据曲线分别进行分割得到对应的分段曲线；预设各设备运行数据的检测指标，将各分段曲线对应的检测指标数据输入异常检测算法模型中，得到预测异常曲线；根据预测异常曲线预测异常现象。本申请实施例提供的技术方案，能够解决对复杂异常情况进行检测的问题，提升站台门异常检测的准确率，提高对站台门相关设备的异常预警能力。

Description

一种基于机理分析的站台门异常检测方法及装置
技术领域
本申请实施例涉及站台门运营技术领域，尤其涉及一种基于机理分析的站台门异常检测方法及装置。
背景技术
随着我国高速铁路和城市轨道交通运营规模的迅速扩大，整个轨道交通行业对于保障运营安全、提高服务质量及降低运营成本，开始显现巨大的刚性需求，对设施和设备的可靠性、可用性、可维修性和安全性提出了越来越高的要求。而目前，我国轨道交通运维呈现出人员分布不均、线路个性化、技术水平差异化、设备制式多样化、客流量持续攀升、拥挤度超标以及需要高效应对突发事件的局面，具体表现在：大量使用人工操作，运维效率较低、运维数据不够细化，频度不够高、缺少处理分析设备设施大数据的系统平台和智能化应用。
站台门异常检测是智能运维的重要内容，也是站台门故障识别及预测的前提。在实际的运维场景中，由于站台门故障类型的多样性，从而也导致了异常多样性。此外，受现场环境干扰，常常存在噪音和异常点混杂在一起难以区分的情况。然而目前对站台门异常检测还停留在基于阈值判断方法中，基于阈值判断的异常检测方法并不具备对复杂异常进行检测的能力。
发明内容
本申请实施例提供一种基于机理分析的站台门异常检测方法及装置，能够解决对复杂异常情况进行检测的问题，提升站台门异常检测的准确率，提高对站台门相关设备的异常预警能力。
在第一方面，本申请实施例提供了一种基于机理分析的站台门异常检测方法，包括：
检测站台门各设备运行数据；
将各设备运行数据进行数据处理，得到各设备运行数据曲线；
基于所述设备运行过程中的状态变化机理，将各设备运行数据曲线分别进行分割得到对应的分段曲线；
预设各设备运行数据的检测指标，将各分段曲线对应的检测指标数据输入异常检测算法模型中，得到预测异常曲线；
根据预测异常曲线预测异常现象。
进一步的，所述将各设备运行数据进行数据处理，得到各设备运行数据曲线，具体为：
将检测到的门体速度数据进行数据处理，得到门体的速度-时间曲线；
将检测到的电机电流数据进行数据处理，得到电机的电流-时间曲线；
将检测到的电磁铁电流数据进行数据处理，得到电磁铁的电流-时间曲线。
进一步的，所述门体的速度-时间曲线包括加速阶段、匀速阶段、减速阶段和爬行阶段；
所述电机的电流-时间曲线包括加速阶段、匀速阶段、减速阶段和爬行阶段；
所述电磁铁的电流-时间曲线包括吸锁阶段、衔锁阶段和稳定阶段。
进一步的，所述基于所述设备运行过程中的状态变化机理，将各设备运行数据曲线分别进行分割得到对应的分段曲线，具体为：
将门体的速度-时间曲线分割成对应的加速分段曲线、匀速分段曲线、减速分段曲线和爬行分段曲线；
将电机的电流-时间曲线分割成对应的加速分段曲线、匀速分段曲线、减速分段曲线和爬行分段曲线；
将电磁铁的电流-时间曲线分割成对应的吸锁分段曲线、衔锁分段曲线和稳定分段曲线。
进一步的，所述各设备运行数据的检测指标，包括：
门体的加速时间、减速时间、最大速度值、匀速阶段的速度均值和方差；
电机电流加速时间、减速时间、最大电流值和爬行阶段的最大电流值；
电磁体吸锁和衔锁时间及稳定阶段的电流值。
进一步的，所述异常检测算法模型为孤立森林算法模型；
对应的，所述将各分段曲线对应的检测指标数据输入异常检测算法模型中，得到预测异常曲线，具体为：
通过孤立森林算法对输入的数据进行机器学习，输出相应的预测异常数据曲线。
进一步的，所述根据预测异常曲线预测异常现象，具体为：
形成预测异常曲线与异常现象对照表，建立相应对照数据库。
在第二方面，本申请实施例提供了一种基于机理分析的站台门异常检测装置，包括：
检测模块，用于检测站台门各设备运行数据；
数据处理模块，用于将各设备运行数据进行数据处理，得到各设备运行数据曲线；
分割模块，用于基于所述设备运行过程中的状态变化机理，将各设备运行数据曲线分别进行分割得到对应的分段曲线；
异常预测模块，用于预设各设备运行数据的检测指标，将各分段曲线对应的检测指标数据输入异常检测算法模型中，得到预测异常曲线；
异常现象查询模块，用于根据预测异常曲线预测异常现象。
在第三方面，本申请实施例提供了一种电子设备，包括：
存储器以及一个或多个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的基于机理分析的站台门异常检测方法。
在第四方面，本申请实施例提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的基于机理分析的站台门异常检测方法。
本申请实施例通过将检测到的站台门各设备运行数据进行数据处理得到各设备运行数据曲线，在基于各设备运行过程中的状态变化机理基础上将各设备运行数据曲线分别进行分割得到对应的分段曲线，并且将各分段曲线对应的检测指标数据输入异常检测算法模型中得到预测异常曲线以预测异常现象。采用上述技术手段，可以通过对各设备运行数据曲线分割后得到的分段曲线进行预设检测指标数据的异常算法训练，输出异常曲线以预测异常现象，以此对复杂异常情况进行检测，提升站台门异常检测的准确率，提高对站台门相关设备的异常预警能力。此外，通过异常检测算法模型进行数据的机器学习训练，提高对异常点查找的工作效率。
附图说明
图1是本申请实施例一提供的一种基于机理分析的站台门异常检测方法的流程图；
图2是本申请实施例一中开门过程门体的速度-时间曲线图；
图3是本申请实施例一中开门过程门体的速度状态变化机理示意图；
图4是本申请实施例一中关门过程门体的速度-时间曲线图；
图5是本申请实施例一中关门过程门体的速度状态变化机理示意图；
图6是本申请实施例一中开门过程电机的电流-时间曲线；
图7是本申请实施例一中开门过程电机的电流状态变化机理示意图；
图8是本申请实施例一中关门过程电机的电流-时间曲线；
图9是本申请实施例一中关门过程电机的电流状态变化机理示意图；
图10是本申请实施例一中电磁铁的电流-时间曲线；
图11是本申请实施例一中电磁铁的电流状态变化机理示意图；
图12是本申请实施例一中的未完全落锁异常曲线示意图；
图13是本申请实施例一中的门体底部遇阻异常曲线示意图；
图14是本申请实施例一中的开门爬行阶段立柱刮玻璃遇阻异常曲线示意图；
图15是本申请实施例二提供的一种基于机理分析的站台门异常检测装置的结构示意图；
图16是本申请实施例三提供的一种电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
本申请提供的基于机理分析的站台门异常检测方法及装置，旨在将检测到的站台门各设备运行数据进行数据处理得到各设备运行数据曲线，在基于各设备运行过程中的状态变化机理基础上将各设备运行数据曲线分别进行分割得到对应的分段曲线，并且将各分段曲线对应的检测指标数据输入异常检测算法模型中得到预测异常曲线以预测异常现象，以此对复杂异常情况进行检测，提升站台门异常检测的准确率，提高对站台门相关设备的异常预警能力。此外，通过异常检测算法模型进行数据的机器学习训练，提高对异常点查找的工作效率。相对于传统的站台门异常检测方式，其通常异常情况比较复杂，实际情况下常常存在噪声和异常点混杂一起难于区分。目前通常用基于阈值判断的方法进行异常检测，基于阈值判断的异常检测方法并不具备对复杂异常进行检测的能力。基于此，提供本申请实施例的基于机理分析的站台门异常检测方法，以解决现有难以对复杂异常情况进行检测的问题。
实施例一：
图1给出了本申请实施例一提供的一种基于机理分析的站台门异常检测方法的流程图，本实施例中提供的基于机理分析的站台门异常检测方法可以由基于机理分析的站台门异常检测设备执行，该基于机理分析的站台门异常检测设备可以通过软件和/或硬件的方式实现，该基于机理分析的站台门异常检测设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。一般而言，该基于机理分析的站台门异常检测设备可以是智能终端等。
下述以智能终端为执行基于机理分析的站台门异常检测方法的主体为例，进行描述。参照图1，该基于机理分析的站台门异常检测方法具体包括：
S101、检测站台门各设备运行数据。
具体的，站台门各设备具体为门体、电机和电磁铁提锁等设备。通过传感器对门体移动速度、门体移动加速度、电机电压电流值和电磁铁电流值、磁通量等数据进行检测。
S102、将各设备运行数据进行数据处理，得到各设备运行数据曲线。
具体的，对检测到的门体移动速度、门体移动加速度、电机电压电流值和电磁铁电流值、磁通量等数据进行数据处理，得到门体设备、电机设备和电磁铁提锁设备的运行数据曲线。
具体的，参照图2和图4，将检测到的门体移动速度数据进行数据处理，得到门体的速度-时间曲线。检测门体开门过程和关门过程中门体移动的速度数据，对检测到的开门门体移动速度数据和关门门体移动速度数据进行数据处理，得到开门过程门体的速度-时间曲线和关门过程门体的速度-时间曲线。
进一步的，基于门体运行过程中的门体移动速度变化机理，将门体速度-时间曲线进行分割得到分段曲线。所述门体的速度-时间曲线包括加速阶段、匀速阶段、减速阶段和爬行阶段。
示例性的，参照图3和图5，对开门过程和关门过程门体的速度-时间曲线进行拟合处理，得到开门过程门体速度-时间拟合曲线和关门过程门体速度-时间拟合曲线，根据开门过程和关门过程中的门体移动速度变化机理进行曲线的分段。
示例性的，参照图3，在开门的过程中，根据门体移动速度的变化机理将开门过程门体速度-时间拟合曲线分为四个阶段，第一阶段为加速阶段，加速阶段包括缓加速阶段和快加速阶段。其中，缓加速阶段为接收到启动开门指令后进行开门操作，开门速度逐渐提高，加速度不变；缓加速一定时间后，加速度增加，进入快加速阶段，快加速阶段加速度保持不变，快加速阶段速度不断增加至预设的开门速度阈值。第二阶段为匀速阶段，开门速度达到预设的开门速度阈值后，门体以该速度阈值进行匀速移动。门体移动到预设的指定位置ω1时匀速阶段结束，进入第三阶段。第三阶段为减速阶段，门体移动到预设的指定位置ω1时，开始减速，减速移动至指定位置ω2时，减速阶段结束，进入第四阶段。第四阶段为爬行阶段，门体以较低速度爬行至开门完成。根据开门过程门体速度-时间拟合曲线四个阶段划分时间点，在开门过程门体速度-时间曲线中相对应的划分时间点进行阶段划分，将开门过程门体速度-时间曲线划分为对应的加速阶段、匀速阶段、减速阶段和爬行阶段。
示例性的，参照图5，在关门过程，门体速度-时间拟合曲线同样分为四个阶段，除第一阶段无缓加速阶段外，其他阶段与开门过程相同，在此不再赘述。根据关门过程门体速度-时间拟合曲线四个阶段划分时间点，在关门过程门体速度-时间曲线中相对应的划分时间点进行阶段划分，将关门过程门体速度-时间曲线划分为对应的加速阶段、匀速阶段、减速阶段和爬行阶段。
进一步的，在开门和关门过程中，已知爬行阶段距离为x1,设定减速距离为x2和开门总运动距离为x，指定位置ω1和ω2的计算方式为：
w1＝x-x1-x2，w2＝x-x1。
进一步的，参照图6和图8，将检测到的电机电流数据进行数据处理，得到电机的电流-时间曲线。检测门体开门过程和关门过程中电机电流数据，根据检测到的开门电机电流数据和关门电机电流数据进行数据处理，得到开门过程电机的电流-时间曲线和关门过程电机的电流-时间曲线。
进一步的，基于门体运行过程中的电机电流变化机理，将电机电流-时间曲线进行分割得到分段曲线。所述电机的电流-时间曲线包括加速阶段、匀速阶段、减速阶段和爬行阶段。
示例性的，参照图7和图9，对开门过程和关门过程电机的电流-时间曲线进行拟合处理，得到开门过程电机电流-时间拟合曲线和关门过程电机电流-时间拟合曲线，根据开门过程和关门过程中的电机电流的变化机理进行曲线的分段。
具体的，电机电流由门控单元DCU控制输入。检测门体当前位置和门速数据；将检测到门体位置和门速数据输入PID(PID即：Proportional(比例)、Integral(积分)、Differential(微分)的缩写)算法中，输出相应电流值。电机电流通过控制电机转速来控制门体速度，因此和门体速度的阶段划分相同。
示例性的，参照图7，在开门的过程中，根据电机电流的变化机理将开门过程电机电流-时间拟合曲线分为四个阶段，第一阶段为加速阶段，加速阶段包括缓加速阶段和快加速阶段。其中，缓加速阶段为接收到启动开门指令后进行开门操作，开门速度逐渐提高，电流为一定值；缓加速一定时间后，电机电流增加，进入快加速阶段，快加速阶段电流不断增加至预设的开门电机电流阈值。第二阶段为匀速阶段，电流传输趋于最大值以下的恒定值，用于对抗阻力，门体移动到的指定位置ω1时匀速阶段结束，进入第三阶段。第三阶段为减速阶段，门体移动到预设的指定位置ω1时，开始减速，电机电流持续减少；门体移动至指定位置ω2时减速阶段结束，进入第四阶段。第四阶段为爬行阶段，门体以较低速度爬行至开门完成。此外，由于开门最后阶段可能产生机械摩擦，最后电流值会有所回升，当回升电流过大时表示阻力太大异常。根据开门过程电机电流-时间拟合曲线四个阶段划分时间点，在开门过程电机电流-时间曲线中相对应的划分时间点进行阶段划分，将开门过程电机电流-时间曲线划分为对应的加速阶段、匀速阶段、减速阶段和爬行阶段。
示例性的，参照图9，在关门过程中，电机电流-时间拟合曲线同样分为四个阶段，除第一阶段无缓加速阶段外，其他阶段与开门过程相同，在此不再赘述。由于关门最后阶段需要撞击闸锁，最后电流值会有所回升，当回升电流过大时表示阻力太大异常。根据关门过程电机电流-时间拟合曲线四个阶段划分时间点，在关门过程电机电流-时间曲线中相对应的划分时间点进行阶段划分，将关门过程电机电流-时间曲线划分为对应的加速阶段、匀速阶段、减速阶段和爬行阶段。
进一步的，参照图10，将检测到的电磁铁电流数据进行数据处理，得到电磁铁的电流-时间曲线。检测门体开门过程和关门过程中电磁铁提锁的电流数据，根据检测到的开门和关门的电磁铁电流数据进行数据处理，得到电磁铁的电流-时间曲线。
进一步的，基于门体运行过程中的电磁铁电流的变化机理，将电磁铁电流-时间曲线进行分割得到分段曲线。所述电磁铁电流-时间曲线包括吸锁阶段、衔锁阶段、稳定阶段。
示例性的，参照图11，对开门过程和关门过程电磁铁的电流-时间曲线进行拟合处理，得到电磁铁电流-时间拟合曲线，根据开门过程和关门过程中的电磁铁电流变化机理进行曲线的分段。
具体的，设定的提锁系数和输入电压正相关，门控单元DCU传输电压至电磁铁，电磁铁中的线圈产生电磁力，吸附衔铁上升，达到提锁的目的。电磁铁中电流的变化过程如下：线圈接入电源电压以后，产生的电流从零值增加，由于线圈中不仅有电阻，而且有一定的电感存在，所以电流的增加不能立即达到稳定值，而是指数上升。当电流和磁通达到一定数值时，产生的吸力使衔铁开始运动，随着衔铁的运动，衔铁和电磁铁之间的缝隙减小，线圈中的电感发生变化，产生一个反电动势，因而使线圈中的电流减小，直到衔铁运动到终点位置为止，此时衔铁和电磁铁之间的缝隙和电感不再发生变化，即反电动势不再存在，线圈中电流又继续上升，直到稳定值，持续至门体移动至关门或开门终点位置时断开电压输入，整个过程小于1秒。
进一步的，根据开门过程和关门过程中电磁铁电流变化机理，将所述电磁铁的电流-时间拟合曲线分为三个阶段，第一阶段为吸锁阶段，吸锁阶段从电磁铁接收到电压开始到衔铁运动到终点位置时结束；第二阶段是衔锁阶段，衔锁阶段从衔铁运动到终点位置开始到电流达到稳定值时结束；第三阶段为稳定阶段，稳定阶段为电流达到稳定值时开始到门体移动至关门或开门终点位置断开电压输入时结束。从接收到电压的时间开始到衔铁运动到终点位置的时间为吸锁时间，从衔铁运动到终点位置的时间到达到电流稳定值的时间为衔锁时间。根据开门过程和关门过程的电磁铁的电流-时间拟合曲线三个阶段划分时间点，在开门过程和关门过程的电磁铁的电流-时间曲线中相对应的划分时间点进行阶段划分，将开门过程和关门过程的电磁铁的电流-时间曲线划分为对应的吸锁阶段、衔锁阶段和稳定阶段。
S103、基于所述设备运行过程中的状态变化机理，将各设备运行数据曲线分别进行分割得到对应的分段曲线。
具体的，根据开门过程和关门过程中的门体移动速度变化机理，将开门过程和关门过程门体速度-时间曲线划分为加速阶段、匀速阶段、减速阶段和爬行阶段，根据阶段划分的时间点将门体的速度-时间曲线分割成对应的加速分段曲线、匀速分段曲线、减速分段曲线和爬行分段曲线。
具体的，根据开门过程和关门过程中的电机电流变化机理，将开门过程和关门过程电机电流-时间曲线划分为加速阶段、匀速阶段、减速阶段和爬行阶段，根据阶段划分的时间点将电机的电流-时间曲线分割成对应的加速分段曲线、匀速分段曲线、减速分段曲线和爬行分段曲线。
具体的，根据开门过程和关门过程中的电磁铁提锁过程的电流变化机理，将开门过程和关门过程电磁铁电流-时间曲线划分为吸锁阶段、衔锁阶段和稳定阶段，根据阶段划分的时间点将电磁铁的电流-时间曲线分割成对应的吸锁分段曲线、衔锁分段曲线和稳定分段曲线。
进一步的，基于开关门过程中的各设备运行过程中的状态变化机理，对关键过程进行分割和特征提取，可解释性强。
S104、预设各设备运行数据的检测指标，将各分段曲线对应的检测指标数据输入异常检测算法模型中，得到预测异常曲线。
具体的，预先对各运行设备的运行数据设置对应的检测指标，各设备运行数据的检测指标，包括：门体的加速时间、减速时间、最大速度值、匀速阶段的速度均值和方差；电机电流加速时间、减速时间、最大电流值和爬行阶段的最大电流值；电磁体吸锁和衔锁时间及稳定阶段的电流值。
进一步的，所述异常检测算法模型为孤立森林算法模型；对应的，所述将各分段曲线对应的检测指标数据输入异常检测算法模型中，得到预测异常曲线，具体为：通过孤立森林算法对输入的数据进行机器学习，输出相应的预测异常数据曲线。
具体的，通过将预设的各运行设备运行数据的检测指标数据输入异常检测算法模型，输出异常曲线。所述异常检测算法模型为孤立森林算法模型，孤立森林是一种适用于连续数据的无监督异常检测方法，即不需要有标记的样本来训练，但特征需要是连续的。对于如何查找哪些点容易被孤立，孤立森林使用了一套非常高效的策略。在孤立森林中，递归地随机分割数据集，直到所有的样本点都是孤立的。在这种随机分割的策略下，异常点通常具有较短的路径。直观上来讲，那些密度很高的簇是需要被切很多次才能被孤立，但是那些密度很低的点很容易就可以被孤立。
通过孤立森林的无监督学习算法对站台门设备曲线进行故障预测，可以不依赖历史障碍信息。采用孤立森林算法对站台门设备曲线，进行异常检测，适合站台门故障发生次数少，基本无故障记录的情况。基于现有的站台门障碍次数较少，运用孤立森林算法对站台门设备曲线进行异常检测提高了检测的有效性，对现有的站台门普遍障碍发生次数较少的现状的适用性更强。
S105、根据预测异常曲线预测异常现象。
具体的，形成预测异常曲线与异常现象对照表，建立相应对照数据库。
示例性的，参照图12，异常曲线表现为磁铁电流提锁特征下落时间短，整体提锁时间短，对应的异常现象为未完全落锁，闸锁间隙变小。
示例性的，参照图13，异常曲线表现为电机电流不符合四阶段开关门过程，对应异常现象为现场门体底部卡异物或遇阻。
示例性的，参照图14，,异常曲线表现为电机电流爬行阶段数值大于限定值1000毫安，对应异常现象为开门爬行阶段立柱刮玻璃遇阻。
进一步的，通过异常曲线和异常现象可形成对照表，建立数据库，方便运维人员准确定位故障位置，简化检修流程。
上述，通过将检测到的各设备运行数据进行数据处理得到各设备运行数据曲线，在基于各设备运行过程中的状态变化机理基础上将各设备运行数据曲线分别进行分割得到对应的分段曲线，并且将各分段曲线对应的检测指标数据输入异常检测算法模型中得到预测异常曲线以预测异常现象。采用上述技术手段，可以通过对各设备运行数据曲线分割后得到的分段曲线进行预设检测指标数据的异常算法训练，输出异常曲线以预测异常现象，以此对复杂异常情况进行检测，提升站台门异常检测的准确率，提高对站台门相关设备的异常预警能力。此外，通过异常检测算法模型进行数据的机器学习训练，提高对异常点查找的工作效率。
实施例二：
在上述实施例的基础上，图15为本申请实施例二提供的一种基于机理分析的站台门异常检测装置的结构示意图。参考图15，本实施例提供的基于机理分析的站台门异常检测装置具体包括：检测模块21、数据处理模块22、分割模块23、异常预测模块24和异常现象查询模块25。
其中，检测模块21用于检测站台门各设备运行数据；
数据处理模块22用于将各设备运行数据进行数据处理，得到各设备运行数据曲线；
分割模块23用于基于所述设备运行过程中的状态变化机理，将各设备运行数据曲线分别进行分割得到对应的分段曲线；
异常预测模块24用于预设各设备运行数据的检测指标，将各分段曲线对应的检测指标数据输入异常检测算法模型中，得到预测异常曲线；
异常现象查询模块25用于根据预测异常曲线预测异常现象。
上述，通过将检测到的各设备运行数据进行数据处理得到各设备运行数据曲线，在基于各设备运行过程中的状态变化机理基础上将各设备运行数据曲线分别进行分割得到对应的分段曲线，并且将各分段曲线对应的检测指标数据输入异常检测算法模型中得到预测异常曲线以预测异常现象。采用上述技术手段，可以通过对各设备运行数据曲线分割后得到的分段曲线进行预设检测指标数据的异常算法训练，输出异常曲线以预测异常现象，以此对复杂异常情况进行检测，提升站台门异常检测的准确率，提高对站台门相关设备的异常预警能力。此外，通过异常检测算法模型进行数据的机器学习训练，提高对异常点查找的工作效率。
本申请实施例二提供的基于机理分析的站台门异常检测装置可以用于执行上述实施例一提供的基于机理分析的站台门异常检测方法，具备相应的功能和有益效果。
实施例三：
本申请实施例三提供了一种电子设备，参照图16，该电子设备包括：处理器31、存储器32、通信模块33、输入装置34及输出装置35。该电子设备中处理器的数量可以是一个或者多个，该电子设备中的存储器的数量可以是一个或者多个。该电子设备的处理器、存储器、通信模块、输入装置及输出装置可以通过总线或者其他方式连接。
存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请任意实施例所述的基于机理分析的站台门异常检测方法对应的程序指令/模块(例如，基于机理分析的站台门异常检测装置中的检测模块、数据处理模块、分割模块、异常预测模块和异常现象查询模块)。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
通信模块33用于进行数据传输。
处理器31通过运行存储在存储器中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的基于机理分析的站台门异常检测方法。
输入装置34可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置35可包括显示屏等显示设备。
上述提供的电子设备可用于执行上述实施例一提供的基于机理分析的站台门异常检测方法，具备相应的功能和有益效果。
实施例四：
本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种基于机理分析的站台门异常检测方法，该基于机理分析的站台门异常检测方法包括将检测到的各设备运行数据进行数据处理得到各设备运行数据曲线，在基于各设备运行过程中的状态变化机理基础上将各设备运行曲线分别进行分割得到对应的分段曲线，并且将各分段曲线对应的检测指标数据输入异常检测算法模型中得到预测异常曲线以预测异常现象。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的基于机理分析的站台门异常检测方法，还可以执行本申请任意实施例所提供的基于机理分析的站台门异常检测方法中的相关操作。
上述实施例中提供的基于机理分析的站台门异常检测装置、存储介质及电子设备可执行本申请任意实施例所提供的基于机理分析的站台门异常检测方法，未在上述实施例中详尽描述的技术细节，可见本申请任意实施例所提供的基于机理分析的站台门异常检测方法。
上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由权利要求的范围决定。

Claims (10)

1.一种基于机理分析的站台门异常检测方法，其特征在于，包括：
检测站台门各设备运行数据；
将各设备运行数据进行数据处理，得到各设备运行数据曲线；
基于所述设备运行过程中的状态变化机理，将各设备运行数据曲线分别进行分割得到对应的分段曲线；
预设各设备运行数据的检测指标，将各分段曲线对应的检测指标数据输入异常检测算法模型中，得到预测异常曲线；
根据预测异常曲线预测异常现象。
2.根据权利要求1所述的基于机理分析的站台门异常检测方法，其特征在于，所述将各设备运行数据进行数据处理，得到各设备运行数据曲线，具体为：
将检测到的门体速度数据进行数据处理，得到门体的速度-时间曲线；
将检测到的电机电流数据进行数据处理，得到电机的电流-时间曲线；
将检测到的电磁铁电流数据进行数据处理，得到电磁铁的电流-时间曲线。
3.根据权利要求2所述的基于机理分析的站台门异常检测方法，其特征在于，所述门体的速度-时间曲线包括加速阶段、匀速阶段、减速阶段和爬行阶段；
所述电机的电流-时间曲线包括加速阶段、匀速阶段、减速阶段和爬行阶段；
所述电磁铁的电流-时间曲线包括吸锁阶段、衔锁阶段和稳定阶段。
4.根据权利要求2所述的基于机理分析的站台门异常检测方法，其特征在于，所述基于所述设备运行过程中的状态变化机理，将各设备运行数据曲线分别进行分割得到对应的分段曲线，具体为：
将门体的速度-时间曲线分割成对应的加速分段曲线、匀速分段曲线、减速分段曲线和爬行分段曲线；
将电机的电流-时间曲线分割成对应的加速分段曲线、匀速分段曲线、减速分段曲线和爬行分段曲线；
将电磁铁的电流-时间曲线分割成对应的吸锁分段曲线、衔锁分段曲线和稳定分段曲线。
5.根据权利要求3所述的基于机理分析的站台门异常检测方法，其特征在于，所述各设备运行数据的检测指标，包括：
门体的加速时间、减速时间、最大速度值、匀速阶段的速度均值和方差；
电机电流加速时间、减速时间、最大电流值和爬行阶段的最大电流值；
电磁体吸锁和衔锁时间及稳定阶段的电流值。
6.根据权利要求1所述的基于机理分析的站台门异常检测方法，其特征在于，所述异常检测算法模型为孤立森林算法模型；
对应的，所述将各分段曲线对应的检测指标数据输入异常检测算法模型中，得到预测异常曲线，具体为：
通过孤立森林算法对输入的数据进行机器学习，输出相应的预测异常数据曲线。
7.根据权利要求1所述的基于机理分析的站台门异常检测方法，其特征在于，所述根据预测异常曲线预测异常现象，具体为：
形成预测异常曲线与异常现象对照表，建立相应对照数据库。
8.一种基于机理分析的站台门异常检测装置，其特征在于，包括：
检测模块，用于检测站台门各设备运行数据；
数据处理模块，用于将各设备运行数据进行数据处理，得到各设备运行数据曲线；
分割模块，用于基于所述设备运行过程中的状态变化机理，将各设备运行数据曲线分别进行分割得到对应的分段曲线；
异常预测模块，用于预设各设备运行数据的检测指标，将各分段曲线对应的检测指标数据输入异常检测算法模型中，得到预测异常曲线；
异常现象查询模块，用于根据预测异常曲线预测异常现象。
9.一种电子设备，其特征在于，包括：
存储器以及一个或多个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7任一所述的基于机理分析的站台门异常检测方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7任一所述的基于机理分析的站台门异常检测方法。
CN202110837962.2A 2021-07-23 2021-07-23 一种基于机理分析的站台门异常检测方法及装置 Active CN113591377B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110837962.2A CN113591377B (zh) 2021-07-23 2021-07-23 一种基于机理分析的站台门异常检测方法及装置
PCT/CN2021/118886 WO2023000482A1 (zh) 2021-07-23 2021-09-16 一种基于机理分析的站台门异常检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110837962.2A CN113591377B (zh) 2021-07-23 2021-07-23 一种基于机理分析的站台门异常检测方法及装置

Publications (2)

Publication Number Publication Date
CN113591377A true CN113591377A (zh) 2021-11-02
CN113591377B CN113591377B (zh) 2023-01-03

Family

ID=78249341

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110837962.2A Active CN113591377B (zh) 2021-07-23 2021-07-23 一种基于机理分析的站台门异常检测方法及装置

Country Status (2)

Country Link
CN (1) CN113591377B (zh)
WO (1) WO2023000482A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113807678B (zh) * 2021-09-01 2024-03-22 日立楼宇技术（广州）有限公司 站台安全门能效管理方法、装置、计算机设备和存储介质
CN116930749B (zh) * 2023-06-15 2024-02-13 浙江联大科技有限公司 管状电机的遇阻检测系统及其方法
CN117113261B (zh) * 2023-10-20 2024-02-06 国网江西省电力有限公司电力科学研究院 一种电力物联网异常检测方法及系统
CN117118907B (zh) * 2023-10-25 2024-02-02 深圳市亲邻科技有限公司 一种门禁流量动态监测系统及其方法
CN117391481B (zh) * 2023-12-11 2024-03-01 阿尔卑斯系统集成(大连)有限公司 一种基于大数据的电力数据监视方法及系统
CN117408537B (zh) * 2023-12-15 2024-05-07 安徽科派自动化技术有限公司 一种能够实现实时风险预测的电能质量监测系统
CN117454096B (zh) * 2023-12-25 2024-03-01 西安高商智能科技有限责任公司 一种电机生产质量检测方法及系统
CN117951616B (zh) * 2024-03-27 2024-05-28 山东海纳智能装备科技股份有限公司 一种局部通风机智能运维分析方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108382304A (zh) * 2018-02-09 2018-08-10 上海市城市建设设计研究总院（集团）有限公司 基于lte通信的地铁站台门工作监测装置及其运行方法
CN108416362A (zh) * 2018-01-29 2018-08-17 同济大学 一种道岔异常预警与故障诊断方法
CN110195546A (zh) * 2017-12-19 2019-09-03 纳博特斯克有限公司 门夹物探测装置和门夹物探测系统
CN110399935A (zh) * 2019-08-02 2019-11-01 哈工大机器人（合肥）国际创新研究院 基于孤立森林机器学习的机器人实时异常监测方法及系统
CN110626900A (zh) * 2019-09-23 2019-12-31 猫岐智能科技（上海）有限公司 设备运行异常判断方法
CN111291096A (zh) * 2020-03-03 2020-06-16 腾讯科技（深圳）有限公司 数据集构建方法、装置和存储介质及异常指标检测方法
CN111967532A (zh) * 2020-09-02 2020-11-20 深圳市佳运通电子有限公司 油田加热炉异常检测方法和系统及相关设备
US20200394409A1 (en) * 2019-01-03 2020-12-17 Lucomm Technologies, Inc. System for physical-virtual environment fusion
CN112381308A (zh) * 2020-11-20 2021-02-19 广州新科佳都科技有限公司 一种电流预测模型的训练及其电流预测方法与相关装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4136100B2 (ja) * 1998-08-18 2008-08-20 日本信号株式会社 プラットホームドア
CN113123955B (zh) * 2019-12-30 2022-07-26 北京国双科技有限公司 柱塞泵异常检测方法、装置、存储介质及电子设备
CN111277459A (zh) * 2020-01-16 2020-06-12 新华三信息安全技术有限公司 一种设备异常检测方法、装置和机器可读存储介质
CN111612040B (zh) * 2020-04-24 2024-04-30 平安直通咨询有限公司上海分公司 基于孤立森林算法的财务数据异常检测方法及相关装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110195546A (zh) * 2017-12-19 2019-09-03 纳博特斯克有限公司 门夹物探测装置和门夹物探测系统
CN108416362A (zh) * 2018-01-29 2018-08-17 同济大学 一种道岔异常预警与故障诊断方法
CN108382304A (zh) * 2018-02-09 2018-08-10 上海市城市建设设计研究总院（集团）有限公司 基于lte通信的地铁站台门工作监测装置及其运行方法
US20200394409A1 (en) * 2019-01-03 2020-12-17 Lucomm Technologies, Inc. System for physical-virtual environment fusion
CN110399935A (zh) * 2019-08-02 2019-11-01 哈工大机器人（合肥）国际创新研究院 基于孤立森林机器学习的机器人实时异常监测方法及系统
CN110626900A (zh) * 2019-09-23 2019-12-31 猫岐智能科技（上海）有限公司 设备运行异常判断方法
CN111291096A (zh) * 2020-03-03 2020-06-16 腾讯科技（深圳）有限公司 数据集构建方法、装置和存储介质及异常指标检测方法
CN111967532A (zh) * 2020-09-02 2020-11-20 深圳市佳运通电子有限公司 油田加热炉异常检测方法和系统及相关设备
CN112381308A (zh) * 2020-11-20 2021-02-19 广州新科佳都科技有限公司 一种电流预测模型的训练及其电流预测方法与相关装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
贾建平等: ""地铁站台门智能感知与评价系统的应用"", 《通信设计与应用》 *

Also Published As

Publication number Publication date
WO2023000482A1 (zh) 2023-01-26
CN113591377B (zh) 2023-01-03

Similar Documents

Publication Publication Date Title
CN113591377B (zh) 一种基于机理分析的站台门异常检测方法及装置
US20210042627A1 (en) Method for recognizing an adversarial disturbance in input data of a neural network
CN113370996B (zh) 自动驾驶换道跟驰决策方法及系统、自动驾驶车辆
CN109374318A (zh) 基于dpc的轨道车辆多门系统异常检测方法和系统
CN109178001B (zh) 一种地铁车门控制方法及装置、计算机可读存储介质
CN108663224A (zh) 压力波故障预测方法及装置
CN110780663B (zh) 一种自动驾驶状态切换方法、装置、设备及存储介质
CN111046303A (zh) 一种热点区域的自动检测方法、装置及系统
CN118238847B (zh) 一种自适应不同驾驶风格和路面环境的自主换道决策规划方法和系统
CN115140034A (zh) 碰撞风险检测方法、装置及设备
CN115075683A (zh) 一种车辆后电尾门控制方法、系统、电子设备及存储介质
CN113409786A (zh) 语音控制方法、装置、电子设备及计算机可读存储介质
CN112327848B (zh) 机器人避障方法及装置、存储介质和电子设备
CN113591376B (zh) 一种基于曲线关联分割机制的站台门异常检测方法及装置
CN113374377B (zh) 一种库门控制方法、装置、系统及存储介质
CN114815821B (zh) 基于多线激光雷达的室内自适应全景避障方法及系统
CN111895990A (zh) 一种基于多指标绑架检测及移动机器人重定位的方法
CN114809830A (zh) 自动驾驶车辆车门的控制方法、装置、电子设备和介质
CN112854949A (zh) 一种车辆剪刀门的控制方法、装置和车辆
CN114135580A (zh) 磁轴承转子的位置评估方法及装置
CN113539262A (zh) 一种用于电动门语音控制的声音增强及收录方法和系统
CN118172936B (zh) 一种基于车道级交通参数的异常交通事件智能检测方法及系统
CN114517618B (zh) 一种障碍物信息的处理方法及电子设备、介质和一种车辆
CN115140120B (zh) 蠕行模式下的停车控制方法及车辆控制器
CN116933218B (zh) 一种感知数据融合方法、系统、存储介质及车辆

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40053486

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant