CN115659208A - 一种站台门异常检测方法、装置、终端设备及存储介质 - Google Patents
一种站台门异常检测方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN115659208A CN115659208A CN202210970380.6A CN202210970380A CN115659208A CN 115659208 A CN115659208 A CN 115659208A CN 202210970380 A CN202210970380 A CN 202210970380A CN 115659208 A CN115659208 A CN 115659208A
- Authority
- CN
- China
- Prior art keywords
- curve
- current
- piecewise
- action
- speed
- 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
Images
Landscapes
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明实施例公开了一种站台门异常检测方法、装置、终端设备及存储介质,方法包括:获取站台门执行开门动作时不同设备的动作数据,不同设备的动作数据包括站台门的门体速度数据、电机的电流数据、皮带的振幅数据以及电磁锁的电流数据;根据不同设备的动作数据,构建不同设备在执行开门动作时的动作曲线;对每条动作曲线进行划分,得到每条动作曲线的分段曲线;从分段曲线中提取出特征值,对特征值进行降维,得到降维特征值;将降维特征值输入到预设的异常检测模型中,得到站台门的异常检测结果。本发明实施例在提高了异常检测的效率的同时,还提高了异常检测的准确性,解决了现有技术中对站台门进行异常检测的效率低下的技术问题。
Description
技术领域
本申请实施例涉及站台门领域,尤其涉及一种站台门异常检测方法、装置、终端设备及存储介质。
背景技术
随着经济的不断发展,轨道交通建设在各大城市如火如荼的展开。一般在轨道交通站点的站台两侧都设置有站台门,站台门是保障乘客安全,降低能耗成本,减少站内噪音和提升候车舒适度的重要设备。当站台门发生故障时,会导致乘客无法上下车,在一定程度上影响了轨道交通的运营效率,降低服务水平,因此对站台门的运营维护显得尤为重要。目前,一般使用诊断性维修的方式对站台门进行运营维护,诊断性维修主要通过传感器采集设备的运行参数,并结合机理知识、统计分析和机器学习等手段对运行参数进行分析,从而对设备的健康状态进行评估,识别出设备的运行异常,最终达到根据设备状态对设备进行维修和保养的目的。诊断性维修既可以避免维修不及时带来的故障停机风险,也可以减少过度维修造成的资源浪费。
诊断性维修一般基于监督学习方法或者无监督学习方法进行,监督学习方法需要大量的标签数据,因此需要人为预先对设备的大量运行数据进行人为标注,通用性较差且成本较高。而基于无标签数据的无监督学习方法虽然成本较低,但是无监督学习的方法一般是直接对数据使用异常检测算法,计算复杂度大,计算时间长且异常检测的准确率不高。
综上所述,如何提高对站台门进行异常检测的效率,成为了目前亟需解决的技术问题。
发明内容
本发明实施例提供了一种站台门异常检测方法、装置、终端设备及存储介质,解决了现有技术中对站台门进行异常检测的效率低下的技术问题。
第一方面,本发明实施例提供了一种站台门异常检测方法,包括:
获取站台门执行开门动作时不同设备的动作数据,所述不同设备的动作数据包括站台门的门体速度数据、电机的电流数据、皮带的振幅数据以及电磁锁的电流数据;
根据所述不同设备的动作数据,构建所述不同设备在执行所述开门动作时的动作曲线;
对每条所述动作曲线进行划分,得到每条所述动作曲线的分段曲线;
从所述分段曲线中提取出特征值,对所述特征值进行降维,得到降维特征值;
将所述降维特征值输入到预设的异常检测模型中,得到所述站台门的异常检测结果。
优选的,所述不同设备在执行所述开门动作时的动作曲线包括站台门的门体速度-时间曲线,电机的电流-时间曲线,皮带的振幅-时间曲线以及电磁锁的电流-时间曲线。
优选的,对每条所述动作曲线进行划分,得到每条所述动作曲线的分段曲线,包括:
根据门体速度的变化对所述门体速度-时间曲线进行划分,得到速度加速分段曲线、速度匀速分段曲线以及速度减速分段曲线;
根据电机电流的变化对所述电机的电流-时间曲线进行划分,得到电流上升分段曲线、电流下降分段曲线、电流平缓分段曲线和无电流分段曲线;
根据皮带的状态对所述振幅-时间曲线进行划分,得到波动分段曲线以及静止分段曲线;
根据电磁锁的状态对所述电磁锁的电流-时间曲线进行划分,得到提锁分段曲线、衔锁分段曲线以及停止分段曲线。
优选的,所述特征值包括:所述速度加速分段曲线的拟合斜率、所述速度加速分段曲线的速度起始值、所述速度匀速分段曲线的速度平均值、所述速度匀速分段曲线的速度标准差、所述速度减速分段曲线的拟合斜率、所述速度减速分段曲线中速度减速到0的时长、所述电流上升分段曲线的电流数值之和、所述电流上升分段曲线的电流起始值、所述电流下降分段曲线中的电流最大值、所述电流下降分段曲线的电流数值之和、所述电流平缓分段曲线的时长、所述电流平缓分段曲线的电流数值之和、所述无电流分段曲线之前的时长、所述波动分段曲线的振幅平均值、所述波动分段曲线的振幅标准差、所述波动分段曲线的振幅极差、所述波动分段曲线的时长、所述提锁分段曲线是否出现波峰、所述衔锁分段曲线的电流平均值、所述衔锁分段曲线的时长以及所述提锁分段曲线和所述衔锁分段曲线的总时长。
优选的,所述对所述特征值进行降维,得到降维特征值,包括:
将所述特征值输入到预设的由多层堆叠自编码组成的SAE网络模型中,得到所述SAE网络模型输出的降维特征值。
优选的,所述SAE网络模型包括依次连接的输入层、第一隐含层、第二隐含层以及第三隐含层,所述输入层包括21个神经元,所述第一隐含层包括15个神经元,所述第二隐含层包括10个神经元,所述第三隐含层包括5个神经元。
优选的,所述从所述分段曲线中提取出特征值之后,对所述特征值进行降维之前,还包括:
对所述特征值进行归一化处理。
第二方面,本发明实施例提供了一种站台门异常检测装置,包括:
数据获取模块,用于获取站台门执行开门动作时不同设备的动作数据,所述不同设备的动作数据包括站台门的门体速度数据、电机的电流数据、皮带的振幅数据以及电磁锁的电流数据;
曲线构建模块,用于根据所述不同设备的动作数据,构建所述不同设备在执行所述开门动作时的动作曲线;
曲线划分模块,用于对每条所述动作曲线进行划分,得到每条所述动作曲线的分段曲线;
特征降维模块,用于从所述分段曲线中提取出特征值,对所述特征值进行降维,得到降维特征值;
异常检测模块,用于将所述降维特征值输入到预设的异常检测模型中,得到所述站台门的异常检测结果。
第三方面,本发明实施例提供了一种终端设备,所述终端设备包括处理器以及存储器;
所述存储器用于存储计算机程序,并将所述计算机程序传输给所述处理器;
所述处理器用于根据所述计算机程序中的指令执行如第一方面所述的一种站台门异常检测方法。
第四方面,本发明实施例提供了一种存储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一种站台门异常检测方法。
上述,本发明实施例在获取到站台门执行开门动作时不同设备的动作数据后,根据动作数据构建动作曲线,并从动作曲线中提取出特征值,对特征值进行降维后再输入到预设的异常检测模型中,得到站台门的异常检测结果。本发明实施例在得到特征值后,通过对特征值进行降维,从而降低特征值的时间复杂度和空间复杂度,同时过滤特征值中夹杂的噪音,节省提取不必要特征的时间开销和算力开销,在提高了异常检测的效率的同时,还提高了异常检测的准确性,解决了现有技术中对站台门进行异常检测的效率较低的技术问题。
附图说明
图1为本发明实施例提供的一种站台门异常检测方法的流程示意图。
图2为本发明实施例提供的对门体速度-时间曲线进行划分的示意图。
图3为本发明实施例提供的对电机的电流-时间曲线进行划分的示意图。
图4为本发明实施例提供的对皮带的振幅-时间曲线进行划分的示意图。
图5为本发明实施例提供的对电磁锁的电流-时间曲线进行划分的示意图。
图6为本发明实施例提供的一种自编码器的结构示意图。
图7为本发明实施例提供的一种站台门异常检测装置的结构示意图。
图8为本发明实施例提供的一种终端设备的结构示意图。
具体实施方式
以下描述和附图充分地示出本申请的具体实施方案,以使本领域的技术人员能够实践它们。实施例仅代表可能的变化。除非明确要求,否则单独的部件和功能是可选的,并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本申请的实施方案的范围包括权利要求书的整个范围,以及权利要求书的所有可获得的等同物。在本文中,各实施方案可以被单独地或总地用术语“发明”来表示,这仅仅是为了方便,并且如果事实上公开了超过一个的发明,不是要自动地限制该应用的范围为任何单个发明或发明构思。本文中,诸如第一和第二等之类的关系术语仅仅用于将一个实体或者操作与另一个实体或操作区分开来,而不要求或者暗示这些实体或操作之间存在任何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。本文中各个实施例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部分互相参见即可。对于实施例公开的结构、产品等而言,由于其与实施例公开的部分相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
如图1所示,图1为本发明实施例提供的一种站台门异常检测方法的流程图。本发明实施例提供的站台门异常检测方法可以由终端设备执行,该终端设备可以通过软件和/或硬件的方式实现,该终端设备可以是两个或多个物理实体构成,也可以由一个物理实体构成。例如终端设备可以是电脑、上位机、平板等设备。方法包括以下步骤:
步骤101、获取站台门执行开门动作时不同设备的动作数据,不同设备的动作数据包括站台门的门体速度数据、电机的电流数据、皮带的振幅数据以及电磁锁的电流数据。
在本实施例中,首先需要获取站台门在执行开门动作时,站台门中不同设备的动作数据。需要说明的是,站台门包括有门体、电机、皮带以及电磁锁等设备,其中电机和皮带组成了站台门的传动系统,电机转动带动皮带运动,皮带带动门体同步运动,从而实现站台门的开门或者关门。电磁锁为站台门中的安全装置,当站台门关闭后,电磁锁锁紧防止外力将站台门打开,站台门开启后,电磁锁自动释放。
本实施例中,在站台门执行开门动作时,获取站台门中不同设备的动作数据。动作数据包括站台门的门体速度数据、电机的电流数据、皮带的振幅数据以及电磁锁的电流数据。其中,动作数据可通过在站台门的不同设备中设置传感器采集得到,且不同设备的动作数据设置有不同的采样间隔。示例性的,在站台门执行一次开门动作的过程中,不同设备的动作数据的采样个数以及采样间隔如表1所示:
表1
步骤102、根据不同设备的动作数据,构建不同设备在执行开门动作时的动作曲线。
之后,进一步根据执行开门动作时不同设备动作数据,构建不同设备在执行开门动作时的动作曲线。在本实施例中,不同设备在执行开门动作时的动作曲线包括站台门的门体速度-时间曲线,电机的电流-时间曲线,皮带的振幅-时间曲线以及电磁锁的电流-时间曲线。其中,站台门的门体速度-时间曲线根据执行开门动作时的门体速度数据构建得到,电机的电流-时间曲线根据执行开门动作时电机的电流数据构建得到,皮带的振幅-时间曲线根据执行开门动作时皮带的振幅数据构建得到,电磁锁的电流-时间曲线根据执行开门动作时电磁锁的电流数据构建得到。
步骤103、对每条动作曲线进行划分,得到每条动作曲线的分段曲线。
之后,进一步对执行开门动作时的每条动作曲线进行划分,得到每条动作曲线的分段曲线。示例性的,可根据在执行开门动作时每个设备的状态,对相对应的动作曲线划分为分段曲线。具体的,在一个实施例中,对每条动作曲线进行划分,得到每条动作曲线的分段曲线,包括:
步骤1031、根据门体速度的变化对门体速度-时间曲线进行划分,得到速度加速分段曲线、速度匀速分段曲线以及速度减速分段曲线。
对于门体速度-时间曲线,可根据门体速度变化进行划分。具体的,可根据门体速度变化,将门体速度-时间曲线划分为三个分段曲线,分别为速度加速分段曲线、速度匀速分段曲线以及速度减速分段曲线,如图2所示。其中,速度加速分段曲线为站台门接收到启动开门指令后执行开门动作后,门体速度逐渐提高,当门体速度增加到预设的门体速度阈值时,进入速度匀速分段曲线,此时站台门匀速移动,当站台门移动到指定位置后匀速分段曲线结束,站台门开始减速,进入速度减速分段曲线,当站台门的门体速度减速至0后,速度减速分段曲线结束。
步骤1032、根据电流的变化对电机的电流-时间曲线进行划分,得到电流上升分段曲线、电流下降分段曲线、电流平缓分段曲线和无电流分段曲线。
同理,对于电机的电流-时间曲线,可根据电流的变化进行划分。具体的,根据电流的变化,将电机的电流-时间曲线划分为四个分段曲线,分别为电流上升分段曲线、电流下降分段曲线、电流平缓分段曲线和无电流分段曲线。如图3所示。其中,电流上升分段曲线为电机接收到启动开门指令后执行开门动作,电机的电流逐渐增加,电机转速加快带动站台门加速移动,当站台门的门体速度达到一定数值后,电机的电流开始减少,站台门的加速度减小,进入电流下降分段曲线。当门体速度增加至预设的门体速度阈值后进行匀速运动,电机的电流减小到预设的一定的电流数值后,进入电流平缓分段曲线,在电流平缓分段曲线中电流值会有所回升,当回升电流过大时表示阻力太大异常。之后,电机的电流缓慢减速到0,即站台门停止移动,进入无电流分段曲线。
步骤1033、根据皮带的状态对振幅-时间曲线进行划分,得到波动分段曲线以及静止分段曲线。
对于振幅-时间曲线,则可以根据皮带的状态进行划分。具体的,可将振幅-时间曲线划分为两个分段曲线,分别为波动分段曲线以及静止分段曲线,如图4所示。其中,波动分段曲线表示皮带发生振动,即皮带处于运动阶段,站台门正在执行开门动作,当站台门停止后,皮带静止,进入静止分段曲线。
步骤1034、根据电磁锁的状态对电磁锁的电流-时间曲线进行划分,得到提锁分段曲线、衔锁分段曲线以及停止分段曲线。
对于电磁锁的电流-时间曲线,则可以根据电磁锁的状态进行划分。具体的,可根据电磁锁的状态,将电磁锁的电流-时间曲线划分为三个分段曲线,分别为提锁分段曲线、衔锁分段曲线以及停止分段曲线,如图5所示。其中,电磁锁包括电磁铁和衔铁,当电磁铁将衔铁吸附到终点位置时,站台门可进行移动,当电磁铁释放衔铁时,站台门禁止移动。提锁分段曲线从电磁铁接收到电压开始到衔铁运动到终点位置时结束,衔锁分段曲线从衔铁运动到终点位置开始到电流达到稳定值时结束,停止分段曲线从电流达到稳定值时开始到站台门移动至开门终点位置断开电压输入时结束。
步骤104、从分段曲线中提取出特征值,对特征值进行降维,得到降维特征值。
之后,分别从每个分段曲线中提取出相对应的特征值,并对特征值进行降维,从而得到与开门动作相对应的降维特征值。本实施例中,对特征值进行降维的目的在于降低特征值的时间复杂度和空间复杂度,同时过滤特征值中夹杂的噪音,节省提取不必要特征的开销。
在一个实施例中,从每个分段曲线中提取的特征值包括:速度加速分段曲线的拟合斜率、速度加速分段曲线的速度起始值、速度匀速分段曲线的速度平均值、速度匀速分段曲线的速度标准差、速度减速分段曲线的拟合斜率、速度减速分段曲线中速度减速到0的时长、电流上升分段曲线的电流数值之和、电流上升分段曲线的电流起始值、电流下降分段曲线中的电流最大值、电流下降分段曲线的电流数值之和、电流平缓分段曲线的时长、电流平缓分段曲线的电流数值之和、无电流分段曲线之前的时长、波动分段曲线的振幅平均值、波动分段曲线的振幅标准差、波动分段曲线的振幅极差(极差指皮带波动阶段的振幅最大值减去振幅最小值)、波动分段曲线的时长、提锁分段曲线是否出现波峰、衔锁分段曲线的电流平均值、衔锁分段曲线的时长以及提锁分段曲线和衔锁分段曲线的总时长,共21个特征值,如表2所示。
表2
在一个实施例中,对特征值进行降维,得到降维特征值,包括:
步骤1041、将特征值输入到预设的由多层堆叠自编码组成的SAE网络模型中,得到SAE网络模型输出的降维特征值。
在一个实施例中,在对站台门进行异常检测之前,需要预先构建SAE网络模型,SAE网络模型由多层堆叠自编码组成。其中,自编码器是一种无监督或自监督算法,自编码器目的是学习一个重构映射,使得输入值和输出值尽可能接近。如图6所示,图6中自编码器包括一个编码器和解码器,编码器和解码器本质上都是对输入信号做某种变换。编码器将输入信号X变换成编码信号Y,而解码器将编码信号Y转换成输出信号Z。自编码器的目的是,让输出信号Z尽可能复现输入信号X。SAE(Stacked Autoencoder)网络模型是一个由多层SpaseAutoEncoder(稀疏自编码器)组成的深度神经网络模型,其前一层的输出作为其后一层的输入。
在上述实施例的基础上,SAE网络模型包括依次连接的输入层、第一隐含层、第二隐含层以及第三隐含层,输入层包括21个神经元,第一隐含层包括15个神经元,第二隐含层包括10个神经元,第三隐含层包括5个神经元。
在一个实施例中,构建的SAE网络模型包括4层,分别为依次连接的输入层、第一隐含层、第二隐含层以及第三隐含层,SAE网络模型的激活函数为RELU函数,输入层包括21个神经元,第一隐含层包括15个神经元,第二隐含层包括10个神经元,第三隐含层包括5个神经元。其中,输入层中每一个神经元的输出作为第一隐含层中每个神经元的输入,第一隐含层中每个神经元的输出作为第二隐含层中每个神经元的输入,第二隐含层中每个神经元的输出作为第三隐含层中每个神经元的输入。
在构建了SAE网络模型后,需要进一步对SAE网络模型进行训练,得到训练好的SAE网络模型。具体的,在对SAE网络模型进行训练时,可获取站台门在正常状态以及异常状态下多次执行开门动作时不同设备的动作数据作为样本数据,如表3所示。之后基于样本数据得到特征值,提取特征值的具体过程可参考上述步骤,在本实施例中不再进行赘述。之后,将特征值输入到构建好的SAE网络模型中进行训练,直至SAE网络模型的输出误差在预设范围内,即可得到训练好的SAE网络模型,即预设的SAE网络模型。
表3
后续在对站台门进行异常检测的过程中,在得到特征值后,即可将特征值输入到训练好的SAE网络模型中进行降维,得到SAE网络模型输出的降维特征值。
在上述实施例的基础上,从分段曲线中提取出特征值之后,对特征值进行降维之前,还包括:
对特征值进行归一化处理。
在一个实施例中,在得到特征值后,还需要对特征值进行归一化处理,把特征值转换为区间[0,1]内的数值。具体的,可采用如下公式对特征值进行归一化处理:
其中,x1为特征值,x2为归一化后的特征值,min和max在训练SAE网络模型之前计算得到。具体的,训练过程中在得到样本数据后,根据样本数据可提取出每次在执行开门动作时的特征值,对于同一个相同类型的特征值,分别获取数值最大的特征值作为max,获取数值最小的特征值作为min。例如,对于速度加速分段曲线的拟合斜率,根据样本数据可提取出每次在执行开门动作时的速度加速分段曲线的拟合斜率后,从所有的速度加速分段曲线的拟合斜率中提取出数值最大的拟合斜率作为max,提取出最小的拟合斜率作为min,后续在对速度加速分段曲线的拟合斜率进行归一化时,则根据上述公式即可计算出速度加速分段曲线的拟合斜率归一化后的数值。可理解,在本实施例中,在训练SAE网络之前,也需要对特征值进行归一化处理后,再将归一化后的特征值输入到SAE网络模型中。
步骤105、将降维特征值输入到预设的异常检测模型中,得到站台门的异常检测结果。
在得到降维特征值后,即可将降维特征值输入到预先设置好的异常检测模型中,得到站台门的异常检测结果。可理解,异常检测模型采用现有的异常检测模型即可,例如基于深度学习网络构建的异常检测模型等,在本实施例中不再进行赘述。
上述,本发明实施例在获取到站台门执行开门动作时不同设备的动作数据后,根据动作数据构建动作曲线,并从动作曲线中提取出特征值,对特征值进行降维后再输入到预设的异常检测模型中,得到站台门的异常检测结果。本发明实施例在得到特征值后,通过对特征值进行降维,从而降低特征值的时间复杂度和空间复杂度,同时过滤特征值中夹杂的噪音,节省提取不必要特征的时间开销和算力开销,在提高了异常检测的效率的同时,还提高了异常检测的准确性,解决了现有技术中对站台门进行异常检测的效率低下的技术问题。
如图7所示,图7为本发明实施例提供的一种站台门异常检测装置的结构示意图,包括:
数据获取模块201,用于获取站台门执行开门动作时不同设备的动作数据,不同设备的动作数据包括站台门的门体速度数据、电机的电流数据、皮带的振幅数据以及电磁锁的电流数据;
曲线构建模块202,用于根据不同设备的动作数据,构建不同设备在执行开门动作时的动作曲线;
曲线划分模块203,用于对每条动作曲线进行划分,得到每条动作曲线的分段曲线;
特征降维模块204,用于从分段曲线中提取出特征值,对特征值进行降维,得到降维特征值;
异常检测模块205,用于将降维特征值输入到预设的异常检测模型中,得到站台门的异常检测结果。
在上述实施例的基础上,不同设备在执行开门动作时的动作曲线包括站台门的门体速度-时间曲线,电机的电流-时间曲线,皮带的振幅-时间曲线以及电磁锁的电流-时间曲线。
在上述实施例的基础上,曲线划分模块203具体用于根据门体速度的变化对门体速度-时间曲线进行划分,得到速度加速分段曲线、速度匀速分段曲线以及速度减速分段曲线;根据电机电流的变化对电机的电流-时间曲线进行划分,得到电流上升分段曲线、电流下降分段曲线、电流平缓分段曲线和无电流分段曲线;根据皮带的状态对振幅-时间曲线进行划分,得到波动分段曲线以及静止分段曲线;根据电磁锁的状态对电磁锁的电流-时间曲线进行划分,得到提锁分段曲线、衔锁分段曲线以及停止分段曲线。
在上述实施例的基础上,特征值包括:速度加速分段曲线的拟合斜率、速度加速分段曲线的速度起始值、速度匀速分段曲线的速度平均值、速度匀速分段曲线的速度标准差、速度减速分段曲线的拟合斜率、速度减速分段曲线中速度减速到0的时长、电流上升分段曲线的电流数值之和、电流上升分段曲线的电流起始值、电流下降分段曲线中的电流最大值、电流下降分段曲线的电流数值之和、电流平缓分段曲线的时长、电流平缓分段曲线的电流数值之和、无电流分段曲线之前的时长、波动分段曲线的振幅平均值、波动分段曲线的振幅标准差、波动分段曲线的振幅极差、波动分段曲线的时长、提锁分段曲线是否出现波峰、衔锁分段曲线的电流平均值、衔锁分段曲线的时长以及提锁分段曲线和衔锁分段曲线的总时长。
在上述实施例的基础上,特征降维模块204具体用于将特征值输入到预设的由多层堆叠自编码组成的SAE网络模型中,得到SAE网络模型输出的降维特征值。
在上述实施例的基础上,SAE网络模型包括依次连接的输入层、第一隐含层、第二隐含层以及第三隐含层,输入层包括21个神经元,第一隐含层包括15个神经元,第二隐含层包括10个神经元,第三隐含层包括5个神经元。
在上述实施例的基础上,还包括归一化模块,用于从分段曲线中提取出特征值之后,对特征值进行降维之前,对特征值进行归一化处理。
本实施例还提供了一种终端设备,如图8所示,一种终端设备30,所述终端设备包括处理器300以及存储器301;
所述存储器301用于存储计算机程序302,并将所述计算机程序302传输给所述处理器300;
所述处理器300用于根据所述计算机程序302中的指令执行上述的一种站台门异常检测方法实施例中的步骤。
示例性的,所述计算机程序302可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器301中,并由所述处理器300执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序302在所述终端设备30中的执行过程。
所述终端设备30可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备30可包括,但不仅限于,处理器300、存储器301。本领域技术人员可以理解,图8仅仅是终端设备30的示例,并不构成对终端设备30的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备30还可以包括输入输出设备、网络接入设备、总线等。
所称处理器300可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器301可以是所述终端设备30的内部存储单元,例如终端设备30的硬盘或内存。所述存储器301也可以是所述终端设备30的外部存储设备,例如所述终端设备30上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器301还可以既包括所述终端设备30的内部存储单元也包括外部存储设备。所述存储器301用于存储所述计算机程序302以及所述终端设备30所需的其他程序和数据。所述存储器301还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,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,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明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站台门异常检测方法,该方法包括以下步骤:
获取站台门执行开门动作时不同设备的动作数据,所述不同设备的动作数据包括站台门的门体速度数据、电机的电流数据、皮带的振幅数据以及电磁锁的电流数据;
根据所述不同设备的动作数据,构建所述不同设备在执行所述开门动作时的动作曲线;
对每条所述动作曲线进行划分,得到每条所述动作曲线的分段曲线;
从所述分段曲线中提取出特征值,对所述特征值进行降维,得到降维特征值;
将所述降维特征值输入到预设的异常检测模型中,得到所述站台门的异常检测结果。
注意,上述仅为本发明实施例的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明实施例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各种明显的变化、重新调整和替代而不会脱离本发明实施例的保护范围。因此,虽然通过以上实施例对本发明实施例进行了较为详细的说明,但是本发明实施例不仅仅限于以上实施例,在不脱离本发明实施例构思的情况下,还可以包括更多其他等效实施例,而本发明实施例的范围由所附的权利要求范围决定。
Claims (10)
1.一种站台门异常检测方法,其特征在于,包括:
获取站台门执行开门动作时不同设备的动作数据,所述不同设备的动作数据包括站台门的门体速度数据、电机的电流数据、皮带的振幅数据以及电磁锁的电流数据;
根据所述不同设备的动作数据,构建所述不同设备在执行所述开门动作时的动作曲线;
对每条所述动作曲线进行划分,得到每条所述动作曲线的分段曲线;
从所述分段曲线中提取出特征值,对所述特征值进行降维,得到降维特征值;
将所述降维特征值输入到预设的异常检测模型中,得到所述站台门的异常检测结果。
2.根据权利要求1所述的一种站台门异常检测方法,其特征在于,所述不同设备在执行所述开门动作时的动作曲线包括站台门的门体速度-时间曲线,电机的电流-时间曲线,皮带的振幅-时间曲线以及电磁锁的电流-时间曲线。
3.根据权利要求2所述的一种站台门异常检测方法,其特征在于,对每条所述动作曲线进行划分,得到每条所述动作曲线的分段曲线,包括:
根据门体速度的变化对所述门体速度-时间曲线进行划分,得到速度加速分段曲线、速度匀速分段曲线以及速度减速分段曲线;
根据电机电流的变化对所述电机的电流-时间曲线进行划分,得到电流上升分段曲线、电流下降分段曲线、电流平缓分段曲线和无电流分段曲线;
根据皮带的状态对所述振幅-时间曲线进行划分,得到波动分段曲线以及静止分段曲线;
根据电磁锁的状态对所述电磁锁的电流-时间曲线进行划分,得到提锁分段曲线、衔锁分段曲线以及停止分段曲线。
4.根据权利要求3所述的一种站台门异常检测方法,其特征在于,所述特征值包括:所述速度加速分段曲线的拟合斜率、所述速度加速分段曲线的速度起始值、所述速度匀速分段曲线的速度平均值、所述速度匀速分段曲线的速度标准差、所述速度减速分段曲线的拟合斜率、所述速度减速分段曲线中速度减速到0的时长、所述电流上升分段曲线的电流数值之和、所述电流上升分段曲线的电流起始值、所述电流下降分段曲线中的电流最大值、所述电流下降分段曲线的电流数值之和、所述电流平缓分段曲线的时长、所述电流平缓分段曲线的电流数值之和、所述无电流分段曲线之前的时长、所述波动分段曲线的振幅平均值、所述波动分段曲线的振幅标准差、所述波动分段曲线的振幅极差、所述波动分段曲线的时长、所述提锁分段曲线是否出现波峰、所述衔锁分段曲线的电流平均值、所述衔锁分段曲线的时长以及所述提锁分段曲线和所述衔锁分段曲线的总时长。
5.根据权利要求1所述的一种站台门异常检测方法,其特征在于,所述对所述特征值进行降维,得到降维特征值,包括:
将所述特征值输入到预设的由多层堆叠自编码组成的SAE网络模型中,得到所述SAE网络模型输出的降维特征值。
6.根据权利要求5所述的一种站台门异常检测方法,其特征在于,所述SAE网络模型包括依次连接的输入层、第一隐含层、第二隐含层以及第三隐含层,所述输入层包括21个神经元,所述第一隐含层包括15个神经元,所述第二隐含层包括10个神经元,所述第三隐含层包括5个神经元。
7.根据权利要求1所述的一种站台门异常检测方法,其特征在于,所述从所述分段曲线中提取出特征值之后,对所述特征值进行降维之前,还包括:
对所述特征值进行归一化处理。
8.一种站台门异常检测装置,其特征在于,包括:
数据获取模块,用于获取站台门执行开门动作时不同设备的动作数据,所述不同设备的动作数据包括站台门的门体速度数据、电机的电流数据、皮带的振幅数据以及电磁锁的电流数据;
曲线构建模块,用于根据所述不同设备的动作数据,构建所述不同设备在执行所述开门动作时的动作曲线;
曲线划分模块,用于对每条所述动作曲线进行划分,得到每条所述动作曲线的分段曲线;
特征降维模块,用于从所述分段曲线中提取出特征值,对所述特征值进行降维,得到降维特征值;
异常检测模块,用于将所述降维特征值输入到预设的异常检测模型中,得到所述站台门的异常检测结果。
9.一种终端设备,其特征在于,所述终端设备包括处理器以及存储器;
所述存储器用于存储计算机程序,并将所述计算机程序传输给所述处理器;
所述处理器用于根据所述计算机程序中的指令执行如权利要求1-7中任一项所述的一种站台门异常检测方法。
10.一种存储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中任一项所述的一种站台门异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210970380.6A CN115659208A (zh) | 2022-08-12 | 2022-08-12 | 一种站台门异常检测方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210970380.6A CN115659208A (zh) | 2022-08-12 | 2022-08-12 | 一种站台门异常检测方法、装置、终端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115659208A true CN115659208A (zh) | 2023-01-31 |
Family
ID=85024299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210970380.6A Pending CN115659208A (zh) | 2022-08-12 | 2022-08-12 | 一种站台门异常检测方法、装置、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115659208A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116975545A (zh) * | 2023-07-31 | 2023-10-31 | 长沙穗城轨道交通有限公司 | 一种站台门异常检测方法、装置、电子设备及存储介质 |
CN117556377A (zh) * | 2024-01-12 | 2024-02-13 | 山东德源电力科技股份有限公司 | 用于站所自动化终端的多源数据融合处理方法 |
CN116975545B (zh) * | 2023-07-31 | 2024-08-27 | 长沙穗城轨道交通有限公司 | 一种站台门异常检测方法、装置、电子设备及存储介质 |
-
2022
- 2022-08-12 CN CN202210970380.6A patent/CN115659208A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116975545A (zh) * | 2023-07-31 | 2023-10-31 | 长沙穗城轨道交通有限公司 | 一种站台门异常检测方法、装置、电子设备及存储介质 |
CN116975545B (zh) * | 2023-07-31 | 2024-08-27 | 长沙穗城轨道交通有限公司 | 一种站台门异常检测方法、装置、电子设备及存储介质 |
CN117556377A (zh) * | 2024-01-12 | 2024-02-13 | 山东德源电力科技股份有限公司 | 用于站所自动化终端的多源数据融合处理方法 |
CN117556377B (zh) * | 2024-01-12 | 2024-03-22 | 山东德源电力科技股份有限公司 | 用于站所自动化终端的多源数据融合处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10875483B2 (en) | Automatic detection and assessment of low-speed crashes | |
Vaitkus et al. | Driving style classification using long-term accelerometer information | |
US20140032089A1 (en) | System and method for providing driver behavior classification at intersections and validation on large naturalistic data sets | |
US11084499B2 (en) | Erroneous operation determination device | |
CN115659208A (zh) | 一种站台门异常检测方法、装置、终端设备及存储介质 | |
CN109374318A (zh) | 基于dpc的轨道车辆多门系统异常检测方法和系统 | |
CN111186741B (zh) | 电梯门系统健康维护方法及装置 | |
CN109919066B (zh) | 一种检测轨道交通车厢内乘客密度异常的方法和装置 | |
Ren et al. | From traditional to deep learning: Fault diagnosis for autonomous vehicles | |
CN110837718A (zh) | 道岔故障检测方法、装置、电子设备及存储介质 | |
CN114436087B (zh) | 基于深度学习的电梯乘客扒门检测方法及系统 | |
CN115219197A (zh) | 一种轴承故障智能诊断方法、系统、介质、设备及终端 | |
EP3620416B1 (en) | Elevator system management utilizing machine learning | |
Al Tobi et al. | Using MLP‐GABP and SVM with wavelet packet transform‐based feature extraction for fault diagnosis of a centrifugal pump | |
CN109580260A (zh) | 一种轨道车辆门系统的亚健康诊断方法 | |
CN111209891A (zh) | 一种基于深度神经网络的轴承工况检测方法及系统 | |
Wang et al. | Frequency Domain Feature Extraction and Long Short-Term Memory for Rolling Bearing Fault Diagnosis | |
Choudakkanavar et al. | A hybrid 1D-CNN-Bi-LSTM based model with spatial dropout for multiple fault diagnosis of roller bearing | |
CN114492531A (zh) | 电梯故障检测方法、装置及计算机可读存储介质 | |
CN117703199A (zh) | 车辆后背门的碰撞保护方法及相关装置 | |
Kreuzer et al. | 1-d residual convolutional neural network coupled with data augmentation and regularization for the icphm 2023 data challenge | |
Gangsar et al. | Machine Learning-Based Fault Prediction of Electromechanical System with Current and Vibration Signals | |
CN113792906B (zh) | 列车长时间窗运行轨迹预测方法、装置、设备及存储介质 | |
US20230296475A1 (en) | Condition monitoring apparatus, method, and storage medium | |
RU2811784C2 (ru) | Реализуемый компьютером способ обучения модели машинного обучения обнаружению ошибок установки в лифте, в частности, в двери лифта, реализуемый компьютером способ классификации ошибок установки и система |
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 |