CN117268808B - 一种列车车门故障检测方法及系统 - Google Patents
一种列车车门故障检测方法及系统 Download PDFInfo
- Publication number
- CN117268808B CN117268808B CN202311524648.4A CN202311524648A CN117268808B CN 117268808 B CN117268808 B CN 117268808B CN 202311524648 A CN202311524648 A CN 202311524648A CN 117268808 B CN117268808 B CN 117268808B
- Authority
- CN
- China
- Prior art keywords
- travel
- door
- matrix
- sampling period
- sequence
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000005070 sampling Methods 0.000 claims abstract description 139
- 239000011159 matrix material Substances 0.000 claims abstract description 118
- 238000000034 method Methods 0.000 claims abstract description 46
- 239000013598 vector Substances 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 101100100125 Mus musculus Traip gene Proteins 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- 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
- G01M17/08—Railway vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明涉及列车故障检测技术领域,具体涉及一种列车车门故障检测方法及系统,该方法获取列车车门开合数据,划分采样周期,获取行程子序列;对行程子序列的车门开合行程数据进行校正;根据采样周期内各行程子序列的车门行程矩阵的数据分布特征结合车门开合速度信息构建车门行程非稳态矩阵;对采样周期内行程子序列之间的关联性进行分析,构建各行程子序列的行程关联矩阵;构建获取采样周期的车门关联隐患矩阵;获取车门故障隐患指数;完成列车车门故障情况的判断,降低由于车门晃动产生的误检,有效提高对列车车门故障检测的精度。
Description
技术领域
本发明涉及列车故障检测技术领域,具体涉及一种列车车门故障检测方法及系统。
背景技术
随着社会的不断发展,人们出行不可避免会受到交通堵塞、路况拥堵等困扰,其中铁轨列车因其具有载客量大、运行速度快和避免道路拥挤的优点,能够有效解决这些困扰,因此铁轨列车被广泛应用。随着列车技术设备智能化更新,控制系统的复杂性和设备之间的耦合性越来越高,使得列车运行时的故障隐患也不断增加。由于列车系统具有站间间距短、客运量大、乘客上下频率高的特点,使得列车车门成为负荷最大的部件,因此车门是列车运行时最容易发生故障的部件。
由于车门是列车在日常工作中工作最频繁的部件,也是老化磨损最严重的部件,因此车门故障率一直居高不下。其中最常见的故障是车门行程失调,即车门在日常开合时受到内部磨损期间影响不能达到指定开合位置,从而影响列车的正常使用。传统方式仅是通过控制车门电机使车门达到指定开合行程,不能有效应对车门行程失调的故障情况。针对上述问题本发明通过在车门上安装距离传感器检测车门开合数据,对车门行程失调故障进行监控,并将故障问题及时上报,降低因车门行程失调故障对乘客人身财产安全带来的隐患。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种列车车门故障检测方法及系统,所采用的技术方案具体如下:
第一方面,本发明实施例提供了一种列车车门故障检测方法,该方法包括以下步骤:
获取列车车门开合数据,所述列车车门开合数据包括车门开合行程数据以及车门开合速度数据;
将列车车门开合数据的周期作为采样周期;根据采样周期内列车车门开合数据的变化获取行程子序列;对采样周期内各行程子序列的车门开合行程数据进行校正得到采样周期内各行程子序列的车门行程矩阵;根据采样周期内各行程子序列的车门行程矩阵的数据分布特征获取采样周期内各行程子序列的车门同质性系数;根据采样周期内各行程子序列的车门同质性系数结合车门开合速度数据获取采样周期内各行程子序列的车门行程非稳态矩阵;根据采样周期内各行程子序列与其他序列之间的关联性获取各行程子序列的行程关联矩阵;根据采样周期内行程子序列之间的行程关联矩阵的差异获取采样周期的车门关联隐患矩阵;将采样周期内所有行程子序列的车门行程非稳态矩阵与对应的车门关联隐患矩阵结合获取车门故障隐患指数;
根据车门故障隐患指数完成列车车门故障情况的判断。
优选的,所述根据采样周期内列车车门开合数据的变化获取行程子序列,包括:
对采样周期内列车车门开合数据进行拟合,获取拐点,根据拐点对应时刻数据将采样周期划分为闭合、行程开、全开、行程闭四个行程子序列。
优选的,所述对采样周期内各行程子序列的车门开合行程数据进行校正得到采样周期内各行程子序列的车门行程矩阵,具体为:
对各行程子序列设置子序列行程阈值;
当行程子序列同一点位各时刻的行程值与前一时刻的行程值之间的差值绝对值大于等于对应所述子序列行程阈值时,将前一时刻的行程值作为各行程子序列的车门行程矩阵的元素;
当行程子序列同一点位各时刻的行程值与前一时刻的行程值之间的差值绝对值小于对应所述子序列行程阈值时,将当前时刻的行程值作为各行程子序列的车门行程矩阵的元素。
优选的,所述根据采样周期内各行程子序列的车门行程矩阵的数据分布特征获取采样周期内各行程子序列的车门同质性系数,包括:
获取行程子序列的车门行程矩阵所有元素的均值;将行程子序列的车门行程矩阵各元素与所述均值的差值绝对值的均值作为行程子序列的车门同质性系数。
优选的,所述根据采样周期内各行程子序列的车门同质性系数结合车门开合速度数据获取采样周期内各行程子序列的车门行程非稳态矩阵,包括:
当各行程子序列对应的车门开合速度不等于零时,计算当前时刻与行程子序列对应初始时刻的差值,将所述差值与所述车门开合速度的乘积作为行程子序列的偏移向量的元素;
当各行程子序列对应的车门开合速度等于零时,将当前时刻对应的行程子序列的元素均值作为行程子序列的偏移向量的元素;
将行程子序列的偏移向量按行进行填充为与行程子序列的车门矩阵同维度的偏移矩阵;计算行程子序列的车门矩阵与所述偏移矩阵的差值绝对值;将所述差值绝对值与行程子序列的车门同质性系数的乘积作为行程子序列的车门行程非稳态矩阵。
优选的,所述根据采样周期内各行程子序列与其他序列之间的关联性获取各行程子序列的行程关联矩阵,具体表达式为:
式中,表示行程关联矩阵/>中第i行第j列的关联系数值,/>表示在采样周期内第n个行程子序列得到车门行程非稳态矩阵/>中第i个行向量,/>表示在采样周期内第m个行程子序列得到车门行程非稳态矩阵/>中第j个行向量,/>表示向量的模运算。
优选的,所述根据采样周期内行程子序列之间的行程关联矩阵的差异获取采样周期的车门关联隐患矩阵,具体包括:
将采样周期内所有两个排列组合的子序列之间的行程关联矩阵的差值绝对值的均值作为采样周期的车门关联隐患矩阵。
优选的,所述将采样周期内所有行程子序列的车门行程非稳态矩阵与对应的车门关联隐患矩阵结合获取车门故障隐患指数,具体步骤包括:
计算采样周期内所有行程子序列的车门行程非稳态矩阵的F范数;将所述F范数与采样周期的车门关联隐患矩阵的F范数的乘积作为采样周期的车门故障隐患指数。
优选的,所述根据车门故障隐患指数完成列车车门故障情况的判断,具体步骤包括:
设置故障隐患阈值,其中/>;
当采样周期内车门故障隐患指数小于时,则车门行程波动情况在稳定工作范围内;
当采样周期内车门故障隐患指数大于等于且小于/>时,则列车车门存在轻微行程失调的安全隐患;
当采样周期内车门故障隐患指数大于等于时,则列车车门存在行程失调的安全隐患。
第二方面,本发明实施例还提供了一种列车车门故障检测系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明至少具有如下有益效果:
本发明主要通过对列车车门的行程周期性数据进行分析,首先根据周期内不同状态下的车门开合行程数据分布特点构建车门行程非稳态矩阵,然后根据周期内不同状态之间的车门开合行程数据特征构建周期内行程关联矩阵,分析各个行程状态之间的转换情况,将列车车门失调的隐性故障突显出来,最后通过行程关联矩阵得到车门故障隐患指数,通过车门故障隐患指数完成列车车门故障的检测。
与传统方式相比,本发明通过设定行程阈值计算车门子序列非稳态系数排除因车门晃动和人员上下对行程数据的干扰,并且计算各个子序列的行程关联矩阵,降低因单个子序列车门波动变换造成的误检情况,提高对列车车门行程检测效率,降低行程的误检率和漏检率,保障列车形式过程中乘客人身安全。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,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的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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,还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的一种列车车门故障检测方法的步骤流程图;
图2为车门结构示意图;
图3为车门行程示意图;
图4为故障检测系统流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种列车车门故障检测方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种列车车门故障检测方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种列车车门故障检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:在列车车门上安装距离传感器,获取列车车门开合数据。
列车的车门结构较为复杂,具体如图2所示,在列车开关车门时,通过左电机、右电机拉动丝杠上的螺母,螺母带动在上滑轨上的左滑轮、右滑轮实现列车门在下滑轨上滑动,支承用来固定螺母的运动范围,从而实现列车门的开关,其中,支承包括左支承、中间支承和右支承;列车门包括左叶门和右叶门,左叶门上有距离传感器。此外当遇见紧急情况时可以通过紧急解锁开关实现车门的打开。由于列车车门是列车上使用最频繁的部件,车门内部器件容易出现磨损,当车载人流量较大时会出现挤压车门,从而出现滑轮错位、丝杠变形以及螺母耦合偏移等因素,都可能造成车门行程失调的故障,导致车门无法打开和闭合到指定位置,可能威胁乘客人身安全。
为了获取列车车门的行程开合数据,在列车左叶门开门侧放置红外距离传感器。在列车门自上而下等间隔设置5个距离传感器,获取车门5点位的开合距离信息。为了更加准确获取列车的车门数据,本实施例设置距离传感器的采样间隔为20ms,实施者可自行设定,由此可以得到车门行程序列,用,其中/>表示全部采样时刻所有距离传感器的数值的集合,/>表示第i个采样时刻所有距离传感器的数值,/>表示采样个数,即表示列车运行时间。针对每个采样时刻/>,其中/>表示第i个采样时刻第k个距离传感器的车门开合行程数据,/>表示距离传感器的个数,在本实施例中/>,实施者可以根据需求调整。此外获取车门开合速度数据,用/>表示。
步骤S002:划分采样周期,根据周期内车门开合行程数据划分行程子序列,通过设定子序列行程阈值实现车门开合行程数据校正,构建得到车门行程非稳态矩阵,结合采样周期内行程子序列之间的行程非稳态矩阵得到行程关联矩阵,计算得到车门隐患关联矩阵,最终得到车门故障隐患指数。
根据步骤一能够获得列车车门各个点位的行程数据。在列车正常运行时,车门只存在四种状态:闭合、行程开、全开、行程闭。具体如图3所示,理论上在闭合和全开状态时,列车车门的行程距离分别为零和最大;行程开和行程闭指的是车门正在打开和正在关闭的状态,对应列车车门行程为增大和减小状态。
但是在实际过程中可能因磨损或挤压的影响导致列车车门行程失调,最严重表现为“开不全,闭不严”,并且行程开和行程闭的过程中,受车门重力的影响出现车门上下不协调的情况,导致各个点位车门行程信息不一致。列车车门行程失调是潜在故障威胁,由于在开门侧有密封胶条的影响导致很难通过图像观察得到,但行程失调故障将严重威胁乘客的人身财产安全,需要对列车车门行程失调故障进行检测。
在列车运行期间,传感器不间断获取列车车门间的距离数据,因此列车运行时间足够长时,传感器采集得到的数据量将趋近无穷大,不利于计算机分析。因此本实施例将“闭合-行程开-全开-行程闭”设置为采样周期,计算一个采样周期内车门的行程失调情况。针对一个采样周期,将5个传感器数据进行拟合得到周期内车门行程波动数据,分别获取行程数据的四个拐点,具体参考图3,根据四个节点将采样周期内划分为闭合、行程开、全开、行程闭四个行程子序列,使其对应采样周期内第一、第二、第三、第四行程子序列,以此便于分析车门行程情况。
在理想情况下,每个采样点时刻5个点位得到的行程数据是一致的,但是当车门行程失调时,造成在单个采样时刻各个点位行程数据不一致的情况。同时在列车运行过程中,采样周期中各个子序列的行程数据可能受到车门行驶晃动或者乘客上下车上导致车门开合行程数据错乱,导致车门行程误检。由此对车门开合行程数据序列进行校正:
式中,表示校正后第m个行程子序列中第i个采样时刻第k个点位的行程值,、/>分别表示校正前第m个行程子序列中第k个传感器在i-1、i时刻的行程值,/>表示子序列行程阈值,/>表示行程序列号。本实施例针对四个行程子序列分别设置行程阈值为0.1、0.3、0.5、0.3,实施者可根据实际情况自行调整。
当列车车门对应闭合子序列时,列车处于行驶状态,由于行驶晃动可能造成行程波动,但是在闭合和车门间距较小,设置的行程阈值较小;当列车车门对应全开子序列时,理论上车门行程间距会维持在一个较大的值,但是由于乘客的上下出入,会造成行程数据带来较大干扰,因此设置较大的行程阈值;当列车车门对应行程闭和行程开阶段时,由于车门运动造成数据干扰,由此设定较为中间的行程阈值。
根据车门开合行程数据对应的车门状态设置行程阈值,当对应传感器在前后两个时刻的行程距离出现较大波动时,认为是干扰因素造成的,因此后一时刻的数据替换为前一时刻行程距离值;当小于行程阈值时,认为是由车门行程失调造成的,因此将该行程数据进行保留。
通过设定行程阈值的方式实现对行程数据的降噪处理,由此在每个采样时刻可以获得车门个点位的行程信息,因此将可以根据采样周期中的每个行程子序列,构建车门行程矩阵,具体如下:
式中,表示第m个子序列的车门行程矩阵,/>表示在第m个子序列中第i个采样时刻第k个点位的距离数据。
在车门行程矩阵中,行向量表示单个点位的距离数据在子序列中个采样时刻车门行程的波动情况,列向量表示在单个采样时刻/>个距离传感器获得点位数据的波动情况。
针对每个采样时刻,当列车车门行程正常时,对应每个点位的距离数据应当是一致的,当车门行程失调时,车门存在一定的晃动或内部机械受损导致行程不一致,并且针对采样周期内的每个采样子序列可能车门行程失调存在不一致,由此针对每个子序列计算车门子序列同质性系数,表达式为:
式中,表示在采样周期中对应第m个子序列的车门同质性系数,/>表示第m个采样周期内采样个数,/>表示单个采样时刻内点位的数量,在本实施例中/>,/>表示在第m个子序列中第i个采样时刻第k个点位的距离数据,/>表示第m个子序列中第i个采样时刻所有点位的距离均值。
当列车车门行程稳定时,理论上每个采样时刻各个点位的距离传感器得到的行程数据是一致的,但是由于传感器精度的原因,可能存在较为细微的差异,但是整体得到的行程数据将在均值附近小范围波动,因此得到的车门同质性系数将是趋近于零的值。相反,当车门行程失调时,在各个采样时刻车门的点位行程信息存在不一致,由此与均值差异较大,最终使得非稳态系数增大。
针对采样周期中的每个行程子序列能够得到对应的车门同质性系数和车门行程矩阵/>,由此结合车门开合速度数据能够得到车门行程非稳态矩阵:
式中,表示在采样周期中第m个子序列的车门行程非稳态矩阵,/>表示采样周期中第m个序列的车门同质性系数,/>表示第m个子序列的车门行程矩阵,/>表示第m个子序列的偏移向量,/>表示第m个子序列的偏移矩阵,/>表示第m个子序列的车门开合速度数据,、/>分别表示在第m个子序列中第i个采样时刻、初始采样时刻,/>表示第m个采样周期内第i个采样时刻的行程序列,/>表示求均值函数。需要说明的是,在列车车门闭合和全开时,/>,为了区分列车车门行程开、行程闭的状态,本实施例用正值表示列车车门行程开状态时的车门速度,用负值表示列车车门行程关状态时的车门速度。
其中,在计算子序列的偏移矩阵过程中,在每个采样时刻能够得到一个偏移值,遍历子序列中的所有采样时刻,能够得到该子序列的偏移向量,将偏移向量按行填充,使其与车门行程矩阵/>同维度,由此得到子序列偏移矩阵/>。
当车门行程稳定时,对应采样周期内闭合、行程开、全开和行程闭四个子序列中各个采样时刻车门的行程数据都是稳定的,都是在采样时刻的行程均值附近小范围波动,由此得到的内每个元素都较小趋近于零,并且将车门同质性系数/>与矩阵内每个元素相乘,最终得到车门行程非稳态矩阵内每个元素都较小。相反,车门行程不稳定时,各个采样时刻各个点位数据波动较大,对应/>的值较大,最终车门行程非稳态矩阵内元素的值增大。
由此能够得到每个子序列的车门行程非稳态矩阵,的维度为/>。由于每个子序列中采样点的个数不一致,因此以采样周期内车门行程非稳态矩阵/>最大的维度为标准,采样均值插值方式将所有的/>填充到同维度大小,维度为/>,其中,/>表示采样周期最大采样个数。需要说明的是,均值插值方法为现有公知技术,具体不再赘述。
根据采样周期内每个序列的车门行程非稳态矩阵,可以构建周期内行程关联矩阵/>,其中每个元素计算如下:
式中,表示行程关联矩阵/>中第i行第j列的关联系数值,/>表示在采样周期内第n个行程子序列得到车门行程非稳态矩阵/>中第i个行向量,/>表示在采样周期内第m个行程子序列得到车门行程非稳态矩阵/>中第j个行向量,/>表示向量的模运算。
行程关联矩阵反映了在采样周期内第m个行程子序列与剩余行程子序列间各个点位时序序列的关联情况。当车门行程稳定时,车门不同行程阶段内各个点位的行程时序序列变化基本一致,虽然车门行程非稳态矩阵的中各个元素都趋近于零,但是行向量之间的相关性较强,由此当遍历完采样周期内所有行程子序列的各个点位时序序列,最终得到行程关联矩阵的元素值较大;相反,当车门行程不稳定时,行程关联矩阵的元素值较小。
由此在单个采样周期内能够得到各个行程子序列对应的行程关联矩阵,由此计算单个采样周期内的车门关联隐患矩阵:
式中,表示第/>个采样周期的车门关联隐患矩阵,/>表示从采样周期内四个行程子序列任选两个行程子序列的的排列组合数,/>、/>分别表示在采样周期内第m个、第n个行程子序列的行程关联矩阵。
车门关联隐患矩阵反映了在采样周期内各个子序列关联情况的差异性,当车门行程稳定时,每个子序列对应的行程关联矩阵内元素值较大,并且对应位置的波动情况相同,关联情况一致,由此计算关联差异性较小,最终使得车门关联隐患矩阵内元素值变小。相反当车门行程失调时,各个子序列的波动变换不一致,由此关联性差异较大,使得车门关联隐患矩阵内元素值变大。
由此结合子序列中每个子序列的车门行程非稳态矩阵和车门关联隐患矩阵能够得到车门故障隐患指数,表达式为:
式中,表示第/>个采样周期的车门故障隐患指数,/>表示在第/>个采样周期内第m个行程子序列的车门行程非稳态系数,/>表示第/>个采样周期的车门关联隐患矩阵,/>表示矩阵的F范数。
当车门行程失调时,在采样周期内得到各个行程子序列对应的行程数据波动较大,因此得到的车门行程非稳态矩阵内各个元素的值较大,同时对应的车门关联隐患矩阵内的元素值较小,最终使得车门故障隐患指数数值较大。相反,当车门行程稳定时,采样周期内行程子序列对应的车门行程非稳态系数较小,而车门关联隐患矩阵表示子序列之间的互相性较大,最终使得车门故障隐患指数减小。
步骤S003:根据车门故障隐患指数,对列车车门故障情况进行判定。
根据步骤二对每个采样周期能够得到车门故障隐患指数,的数值越大表明车门存在行程失调的可能性越大。因此设置故障隐患阈值/>进行故障判断,其中/>,当采样周期内车门故障隐患指数/>小于/>时,则车门行程波动情况在稳定工作范围内;当采样周期内车门故障隐患指数大于等于/>,小于/>时,则列车车门存在轻微行程失调的安全隐患,需要报备列车维护人员进行处理;当采样周期内车门故障隐患指数大于等于/>时,则列车车门存在行程失调的安全隐患,需要对车门内部的机械部件进行检修,降低因车门行程失调造成人员损伤。需要说明的是,本实施例设置的故障隐患阈值/>分别为0.3、0.5,实施者可根据实际情况自行调整。其中,列车车门故障判断流程如图4所示。
基于与上述方法相同的发明构思,本发明实施例还提供了一种列车车门故障检测系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种列车车门故障检测方法中任意一项所述方法的步骤。
综上所述,本发明实施例主要通过对列车车门的行程周期性数据进行分析,首先根据周期内不同状态下的车门开合行程数据分布特点构建车门行程非稳态矩阵,然后根据周期内不同状态之间的车门开合行程数据特征构建周期内行程关联矩阵,分析各个行程状态之间的转换情况,将列车车门失调的隐性故障突显出来,最后通过行程关联矩阵得到车门故障隐患指数,通过车门故障隐患指数完成列车车门故障的检测。
与传统方式相比,本发明通过设定行程阈值计算车门子序列非稳态系数排除因车门晃动和人员上下对行程数据的干扰,并且计算各个子序列的行程关联矩阵,降低因单个子序列车门波动变换造成的误检情况,提高对列车车门行程检测效率,降低行程的误检率和漏检率,保障列车形式过程中乘客人身安全。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种列车车门故障检测方法,其特征在于,该方法包括以下步骤:
获取列车车门开合数据,所述列车车门开合数据包括车门开合行程数据以及车门开合速度数据;
将列车车门开合数据的周期作为采样周期;根据采样周期内列车车门开合数据的变化获取行程子序列;对采样周期内各行程子序列的车门开合行程数据进行校正得到采样周期内各行程子序列的车门行程矩阵;根据采样周期内各行程子序列的车门行程矩阵的数据分布特征获取采样周期内各行程子序列的车门同质性系数;根据采样周期内各行程子序列的车门同质性系数结合车门开合速度数据获取采样周期内各行程子序列的车门行程非稳态矩阵;根据采样周期内各行程子序列与其他序列之间的关联性获取各行程子序列的行程关联矩阵;根据采样周期内行程子序列之间的行程关联矩阵的差异获取采样周期的车门关联隐患矩阵;将采样周期内所有行程子序列的车门行程非稳态矩阵与对应的车门关联隐患矩阵结合获取车门故障隐患指数;
根据车门故障隐患指数完成列车车门故障情况的判断;
所述根据采样周期内列车车门开合数据的变化获取行程子序列,包括:
对采样周期内列车车门开合数据进行拟合,获取拐点,根据拐点对应时刻数据将采样周期划分为闭合、行程开、全开、行程闭四个行程子序列;
所述对采样周期内各行程子序列的车门开合行程数据进行校正得到采样周期内各行程子序列的车门行程矩阵,具体为:
对各行程子序列设置子序列行程阈值;
当行程子序列同一点位各时刻的行程值与前一时刻的行程值之间的差值绝对值大于等于对应所述子序列行程阈值时,将前一时刻的行程值作为各行程子序列的车门行程矩阵的元素;
当行程子序列同一点位各时刻的行程值与前一时刻的行程值之间的差值绝对值小于对应所述子序列行程阈值时,将当前时刻的行程值作为各行程子序列的车门行程矩阵的元素;
所述根据采样周期内各行程子序列的车门行程矩阵的数据分布特征获取采样周期内各行程子序列的车门同质性系数,包括:
获取行程子序列的车门行程矩阵所有元素的均值;将行程子序列的车门行程矩阵各元素与所述均值的差值绝对值的均值作为行程子序列的车门同质性系数;
所述根据采样周期内各行程子序列的车门同质性系数结合车门开合速度数据获取采样周期内各行程子序列的车门行程非稳态矩阵,包括:
当各行程子序列对应的车门开合速度不等于零时,计算当前时刻与行程子序列对应初始时刻的差值,将所述差值与所述车门开合速度的乘积作为行程子序列的偏移向量的元素;
当各行程子序列对应的车门开合速度等于零时,将当前时刻对应的行程子序列的元素均值作为行程子序列的偏移向量的元素;
将行程子序列的偏移向量按行进行填充为与行程子序列的车门矩阵同维度的偏移矩阵;计算行程子序列的车门矩阵与所述偏移矩阵的差值绝对值;将所述差值绝对值与行程子序列的车门同质性系数的乘积作为行程子序列的车门行程非稳态矩阵;
所述根据采样周期内各行程子序列与其他序列之间的关联性获取各行程子序列的行程关联矩阵,具体表达式为:
式中,表示行程关联矩阵/>中第i行第j列的关联系数值,/>表示在采样周期内第n个行程子序列得到车门行程非稳态矩阵/>中第i个行向量,/>表示在采样周期内第m个行程子序列得到车门行程非稳态矩阵/>中第j个行向量,/>表示向量的模运算;
所述根据采样周期内行程子序列之间的行程关联矩阵的差异获取采样周期的车门关联隐患矩阵,具体包括:
将采样周期内所有两个排列组合的子序列之间的行程关联矩阵的差值绝对值的均值作为采样周期的车门关联隐患矩阵;
所述将采样周期内所有行程子序列的车门行程非稳态矩阵与对应的车门关联隐患矩阵结合获取车门故障隐患指数,具体步骤包括:
计算采样周期内所有行程子序列的车门行程非稳态矩阵的F范数;将所述F范数与采样周期的车门关联隐患矩阵的F范数的乘积作为采样周期的车门故障隐患指数;
所述根据车门故障隐患指数完成列车车门故障情况的判断,具体步骤包括:
设置故障隐患阈值,其中/>;
当采样周期内车门故障隐患指数小于时,则车门行程波动情况在稳定工作范围内;
当采样周期内车门故障隐患指数大于等于且小于/>时,则列车车门存在轻微行程失调的安全隐患;
当采样周期内车门故障隐患指数大于等于时,则列车车门存在行程失调的安全隐患。
2.一种列车车门故障检测系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311524648.4A CN117268808B (zh) | 2023-11-16 | 2023-11-16 | 一种列车车门故障检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311524648.4A CN117268808B (zh) | 2023-11-16 | 2023-11-16 | 一种列车车门故障检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117268808A CN117268808A (zh) | 2023-12-22 |
CN117268808B true CN117268808B (zh) | 2024-02-09 |
Family
ID=89204743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311524648.4A Active CN117268808B (zh) | 2023-11-16 | 2023-11-16 | 一种列车车门故障检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117268808B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102221822A (zh) * | 2011-05-04 | 2011-10-19 | 南车株洲电力机车有限公司 | 基于硬线控制的城市轨道交通车辆故障门快速识别方法 |
JP2013257712A (ja) * | 2012-06-12 | 2013-12-26 | Nippon Telegr & Teleph Corp <Ntt> | 類似部分シーケンス検出装置、方法、及びプログラム |
KR101667164B1 (ko) * | 2015-10-02 | 2016-10-17 | 경북대학교 산학협력단 | 회전체 속도 기반의 베어링 고장 진단 방법 |
CN109374318A (zh) * | 2018-09-27 | 2019-02-22 | 南京康尼机电股份有限公司 | 基于dpc的轨道车辆多门系统异常检测方法和系统 |
WO2020181879A1 (zh) * | 2019-03-12 | 2020-09-17 | 北京嘀嘀无限科技发展有限公司 | 一种与车辆相关联的数据处理方法及系统 |
CN113688171A (zh) * | 2021-08-24 | 2021-11-23 | 北京工商大学 | 一种基于图卷积神经网络的列车制动故障检测方法及系统 |
CN115344412A (zh) * | 2022-07-14 | 2022-11-15 | 北京交通大学 | 一种列车车门系统的可靠性预测与维修策略优化方法 |
CN116776279A (zh) * | 2023-06-16 | 2023-09-19 | 广西电网有限责任公司电力科学研究院 | 多模态数据协同的输电线路闪爆预警异常目标检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745005A (zh) * | 2014-01-24 | 2014-04-23 | 清华大学 | 基于疫苗移植的动态人工免疫故障诊断方法 |
US20200125653A1 (en) * | 2018-10-22 | 2020-04-23 | General Electric Company | Robust fault detection and diagnosison dynamic sensor network |
-
2023
- 2023-11-16 CN CN202311524648.4A patent/CN117268808B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102221822A (zh) * | 2011-05-04 | 2011-10-19 | 南车株洲电力机车有限公司 | 基于硬线控制的城市轨道交通车辆故障门快速识别方法 |
JP2013257712A (ja) * | 2012-06-12 | 2013-12-26 | Nippon Telegr & Teleph Corp <Ntt> | 類似部分シーケンス検出装置、方法、及びプログラム |
KR101667164B1 (ko) * | 2015-10-02 | 2016-10-17 | 경북대학교 산학협력단 | 회전체 속도 기반의 베어링 고장 진단 방법 |
CN109374318A (zh) * | 2018-09-27 | 2019-02-22 | 南京康尼机电股份有限公司 | 基于dpc的轨道车辆多门系统异常检测方法和系统 |
WO2020181879A1 (zh) * | 2019-03-12 | 2020-09-17 | 北京嘀嘀无限科技发展有限公司 | 一种与车辆相关联的数据处理方法及系统 |
CN113688171A (zh) * | 2021-08-24 | 2021-11-23 | 北京工商大学 | 一种基于图卷积神经网络的列车制动故障检测方法及系统 |
CN115344412A (zh) * | 2022-07-14 | 2022-11-15 | 北京交通大学 | 一种列车车门系统的可靠性预测与维修策略优化方法 |
CN116776279A (zh) * | 2023-06-16 | 2023-09-19 | 广西电网有限责任公司电力科学研究院 | 多模态数据协同的输电线路闪爆预警异常目标检测方法 |
Non-Patent Citations (4)
Title |
---|
基于卷积神经网络的机械故障诊断方法综述;吴定海 等;机械强度(第05期);全文 * |
基于改进支持向量机和纹理图像分析的旋转机械故障诊断;刘路;中国博士学位论文全文数据库 信息科技辑;全文 * |
基于灰色关联度的城轨门控系统故障树分析;孙歌 等;电脑知识与技术(第01期);全文 * |
基于随机森林方法的地铁车门故障诊断;陈苏雨 等;测控技术(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117268808A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001527B (zh) | 多特征融合深度神经网络的工业生产过程目标数据预测方法 | |
US7490525B2 (en) | Testing device for evaluating performance of closure of a vehicle door and testing method | |
CN110765980A (zh) | 一种异常驾驶的检测方法及装置 | |
CN109896386B (zh) | 一种基于计算机视觉技术的电梯门反复开关的检测方法及系统 | |
CN104507762A (zh) | 用于操控机动车的闭锁元件组件的方法 | |
JP4617041B2 (ja) | 可動部材を位置調整するためのプロセスの電子的な監視および制御方法 | |
CN114436087B (zh) | 基于深度学习的电梯乘客扒门检测方法及系统 | |
CN112960503B (zh) | 一种电梯轿门运行轨迹建模方法 | |
CN110143498A (zh) | 一种电梯乘梯行程的目标匹配方法及系统 | |
CN110589647A (zh) | 一种通过监控对电梯门进行实时故障检测及预测的方法 | |
CN112347862A (zh) | 一种基于机器视觉的电梯门故障实时检测方法 | |
CN117268808B (zh) | 一种列车车门故障检测方法及系统 | |
CN109399413B (zh) | 电梯门运行性能检测诊断装置 | |
CN114229639B (zh) | 一种电梯门故障判断方法、云平台和系统 | |
CN112127718B (zh) | 站台门系统滑动门门锁运行状态检测方法 | |
CN115958990A (zh) | 一种v2g充电桩信息诊断与安全防护方法 | |
CN113642461A (zh) | 一种基于深度学习的电梯开关门状态识别方法及装置 | |
CN110065867A (zh) | 基于音视频的电梯舒适度评价的方法和系统 | |
CN112850436A (zh) | 一种电梯智能光幕的行人趋势检测方法及系统 | |
CN111003624A (zh) | 一种电梯导靴故障诊断方法 | |
CN110806327B (zh) | 故障检测方法、装置、电子设备及存储介质 | |
CN111947954B (zh) | 一种城轨门系统故障或亚健康诊断方法及系统 | |
CN111832496B (zh) | 一种轨道车门开关状态判断方法、装置及存储介质 | |
CN109334601B (zh) | 车内乘客数量检测装置及其检测方法 | |
CN116534688A (zh) | 一种基于视频分析的电梯困人检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |