具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种地铁站台闸门的检测方法的流程图,本实施例可适用于根据电机的电流数据对地铁站台的闸门在开启时所受阻力的状态进行检测的情况,该方法可以由地铁站台闸门的检测装置来执行,该地铁站台闸门的检测装置可以由软件和/或硬件实现,可配置在计算机设备中,例如,服务器、工作站、个人电脑,等等,该方法具体包括如下步骤:
S101、获取电机在驱动地铁站台的闸门开启时的电流,作为目标电流数据。
在地铁车站中沿站台的边缘布置有屏蔽门,在屏蔽门中设置有电机与闸门,皮带的一端套接在电机上,皮带的另一端套接在闸门上,电机在列车到站等场景下接收到控制***的控制信号,电机响应该控制信号而转动,带动皮带转动,皮带带动闸门往两侧移动,从而驱动闸门开启。
在本实施例中,在电机中安装电流检测电路,该电流检测电路以预设的频率实时检测电机在驱动地铁站台的闸门开启时的电流,每次检测形成一个数据结构,存储在数据库中。
其中,数据结构包括采集的时间(time)、数值(value)等参数。
如图2所示,以时间(time)为横轴,采集的时间间隔为45ms,数值(value)为纵轴,表示采集时间间隔内的平均值,单位为mA,建立坐标轴,将各个目标电流数据标记在该坐标轴上,从而生成电流序列200。
如图2所示,从设备运行机理上看,地铁站台的闸门开启时,为了使闸门获得一个初速度,通常把电机的电流快速提升到额定的数值,然后慢慢减少电流的数值,并持续一小段时间,从而控制闸门开启的速度,最后闸门开启到位电流消失。
若检测地铁站台的闸门在开启时所受阻力的状态,则可以从数据库提取当前时间之前一段时间内的多个电流,作为目标电流数据。
在预测地铁站台的闸门在开启时所受阻力的状态之前,可对目标电流数据进行预处理,使得目标电流数据符合预测地铁站台的闸门在开启时所受阻力的状态的计算规范。
在一种预处理的示例中,在电机尚未启动驱动地铁站台的闸门开启时,电流的数值为0,针对该情况,可删除沿时间排序在最前的多个数值为0的目标电流数据。
在一种预处理的示例中,在电机已停止驱动地铁站台的闸门开启时,电流的数值为0,针对该情况,可删除沿时间排序在最后的多个数值为0的目标电流数据,例如,如图2所示电流序列200中的片段201,数值均为0,则可以删除该片段201。
当然,上述预处理只是作为示例,在实施本发明实施例时,可以根据实际情况设置其他预处理,本发明实施例对此不加以限制。另外,除了上述判断处理方法外,本领域技术人员还可以根据实际需要采用其它预处理,本发明实施例对此也不加以限制。
S102、从目标电流数据提取表征沿时间分布趋势的特征,作为目标趋势特征。
在本实施例中,针对电机在驱动地铁站台的闸门开启时的目标电流数据,可以提取各个电流沿采集的时间大体分布的趋势,以特征的形式进行表示,为便于区分,该特征可以称之为目标趋势特征。
在一种实现方式中,可以采用多项式曲线拟合算法,沿采集的时间将目标电流数据拟合为曲线,其中,曲线以多项式函数表示。
从多项式函数中提取系数,确定多项式函数中的系数为表征沿时间分布趋势的特征,即为目标趋势特征。
例如,如图3所示,针对电机在驱动地铁站台的闸门开启时的目标电流数据300,可以采用12阶的多项式函数将目标电流数据拟合为曲线310,将拟合系数a0、a1、a2、…、a12共13个系数作为目标趋势特征。
当然,上述使用提取目标趋势特征的方式只是作为示例,在实施本发明实施例时,可以根据实际情况设置其他提取目标趋势特征的方式,例如,以目标电流数据的斜率作为目标趋势特征,等等,本发明实施例对此不加以限制。另外,除了上述提取目标趋势特征的方式外,本领域技术人员还可以根据实际需要采用其它提取目标趋势特征的方式,本发明实施例对此也不加以限制。
S103、从目标电流数据中提取表征电机在驱动地铁站台的闸门开启时运行的特征,作为目标运行状态特征。
在本实施例中,针对电机在驱动地铁站台的闸门开启时的目标电流数据,可以从中提取该电机在运行时的状态,以特征的形式进行表示,为便于区分,该特征可以称之为目标运行状态特征。
在一种实现方式中,提取位于目标电流数据中的最小值(即最小的数值)与第一特征值之间的电流数据,以组成第一目标特征区域,第一目标特征区域可用于分析地铁站台的闸门在开门时不同运行状态阶段的信息。
其中,第一特征值为目标电流数据中最大值(即最大的数值)与预设的第一比例(如0.2)之间的乘积,第一特征值大于最小值,因此,第一目标特征区域又可以称之为电流低值区域。
统计目标电流数据的总数量,作为电机在驱动地铁站台的闸门开启时运行的特征,即为目标运行状态特征,在采集目标电流数据的频率恒定的情况下,该特征可用于评价电机一次驱动地铁站台的闸门开启所用的总时间。
统计位于第一目标特征区域之前、目标电流数据的数量,作为电机在驱动地铁站台的闸门开启时运行的特征,即为目标运行状态特征,在采集目标电流数据的频率恒定的情况下,该特征可用于评价电机的目标电流数据从最大值下降到平稳时所用的时间。
统计位于第一目标特征区域之后、目标电流数据的数量,作为电机在驱动地铁站台的闸门开启时运行的特征,即为目标运行状态特征,在采集目标电流数据的频率恒定的情况下,该特征用于评价电机的目标电流数据尾部的振动情况。
例如,如图3所示,针对电机驱动地铁站台的闸门开启时的目标电流数据300,寻找目标电流数据中的最小值301、以最大值的0.2倍作为第一特征值302,遍历数值位于最小值301与第一特征值302之间的目标电流数据,从而确定包含该目标电流数据的最小外接矩形为第一目标特征区域321,则区域322中的目标电流数据位于第一目标特征区域321之前,区域323中的目标电流数据位于第一目标特征区域321之后。
当然,上述提取目标运行状态特征的方式只是作为示例,在实施本发明实施例时,可以根据实际情况设置其他提取目标运行状态特征的方式,例如,出现异常的目标电流数据的数量、数值大于某个阈值的目标电流数据的数量、数值小于某个阈值的目标电流数据的数量,等等,本发明实施例对此不加以限制。另外,除了上述提取目标运行状态特征的方式外,本领域技术人员还可以根据实际需要采用其它提取目标运行状态特征的方式,本发明实施例对此也不加以限制。
S104、从目标电流数据中提取属于统计维度的特性,作为目标统计特征。
在本实施例中,针对电机在驱动地铁站台的闸门开启时的目标电流数据,可以从中提取在统计维度下的信息,即具有统计学意义上的信息,以特征的形式进行表示,为便于区分,该特征可以称之为目标统计特征。
在一种实现方式中,对目标电流数据计算的如下至少一种参数,作为属于统计维度的特性,即为目标统计特征:
1、最大值
最大值为目标电流数据中最大的一个数值。
2、最小值
最大值为目标电流数据中最小的一个数值。
3、平均值
最大值为目标电流数据中所有的数值之和与总数量之间的比值。
4、标准差
标准差可反映关于目标电流数据的离散程度,其计算公式如下:
其中,σ为标准差,N为目标电流数据的总数量,xi为第i个目标电流数据的数值,为目标电流数据的平均值。
5、方差
方差可反映关于目标电流数据的离散程度,其计算公式如下:
其中,σ2为方差,N为目标电流数据的总数量,xi为第i个目标电流数据的数值,为目标电流数据的平均值。
6、峰度值
峰度值(kurtosis)是对目标电流数据构成的分布的平坦程度的描述,其计算公式如下:
其中,K为峰度值,N为目标电流数据的总数量,xi为第i个目标电流数据的数值,为目标电流数据的平均值。
7、偏度值
偏度值(skewness)是对目标电流数据构成的分布的对称性的描述,其计算公式如下:
其中,S为偏度值,N为目标电流数据的总数量,xi为第i个目标电流数据的数值,为目标电流数据的平均值。
当然,上述提取目标统计特征的方式只是作为示例,在实施本发明实施例时,可以根据实际情况设置其他提取目标统计特征的方式,例如,分位数(如三分位数、四分位数等)、某个区间中目标电流数据的占比,等等,本发明实施例对此不加以限制。另外,除了上述提取目标统计特征的方式外,本领域技术人员还可以根据实际需要采用其它提取目标统计特征的方式,本发明实施例对此也不加以限制。
S105、确定与地铁站台的闸门开启适配的梯度提升决策树。
在本实施例中,可预先针对地铁站台的闸门开启的情况训练梯度提升决策树(Gradient Boosting Decision Tree,GBDT),DT表示Decision Tree(决策树),GB表示Gradient Boosting(梯度提升),即GBDT的含义是用Gradient Boosting的策略训练出来的DT模型。
GBDT可用于分类,将识别地铁站台的闸门在开启时所受阻力的状态作为分类(包括二元分类、多元分类)的问题,则GBDT可根据电机在驱动地铁站台的闸门开启时的目标电流数据预测地铁站台的闸门在开启时所受阻力的状态。
GBDT在训练完成时,其结构及参数存储在指定的第一区域,在待预测地铁站台的闸门在开启时所受阻力的状态时,从第一区域启动GBDT,并加载其参数。
S106、将目标电流数据、目标趋势特征与目标统计特征输入梯度提升决策树中进行处理,以识别地铁站台的闸门在开启时所受阻力的状态。
在本实施例中,将目标电流数据、目标趋势特征与目标统计特征输入适于地铁站台的闸门开启场景的GBDT中,GBDT按照自身的逻辑进行处理,输出地铁站台的闸门在开启时所受阻力的状态,该状态可以称之为门阻。
在一个示例中,地铁站台的闸门在开启时所受阻力的状态包括如下至少一种:
1、正常极佳
若地铁站台的闸门在开启时所受阻力(即滑动摩擦力)在84N(不包含84N)以下,则状态为正常极佳。
2、正常普遍门阻
若地铁站台的闸门在开启时所受阻力(即滑动摩擦力)在84N到93N(不包含93N)之间,则状态为正常普遍门阻。
3、正常稍高
若地铁站台的闸门在开启时所受阻力(即滑动摩擦力)93N到112N(不包含112N)之间,则状态为正常稍高。
4、正常偏高
若地铁站台的闸门在开启时所受阻力(即滑动摩擦力)在112N到130N(不包含130N)之间,则状态为正常偏高。
5、不正常偏高
若地铁站台的闸门在开启时所受阻力(即滑动摩擦力)在130N到150N(不包含150N)之间,则状态为不正常偏高。
6、不正常极限
若地铁站台的闸门在开启时所受阻力(即滑动摩擦力)在150N以上,则状态为不正常极限。
当然,上述提取地铁站台的闸门在开启时所受阻力的状态只是作为示例,在实施本发明实施例时,可以根据实际情况设置其他地铁站台的闸门在开启时所受阻力的状态,本发明实施例对此不加以限制。另外,除了上述地铁站台的闸门在开启时所受阻力的状态外,本领域技术人员还可以根据实际需要采用其它地铁站台的闸门在开启时所受阻力的状态,本发明实施例对此也不加以限制。
在具体实现中,GBDT通过多轮迭代训练,每轮迭代针对每种分类(即地铁站台的闸门在开启时所受阻力的状态)产生一个弱分类器(即决策树),每个分类器在上一轮分类器的残差基础上进行训练,即训练的过程是通过降低偏差来不断提高最终分类器的精度,假设地铁站台的闸门在开启时所受阻力的状态的数量为K,通过M轮迭代训练GBDT,则针对每种状态具有M棵决策树,即GBDT共有K*M棵树。
此外,GBDT是一种基于前向策略的加法模型,因此,可确定梯度提升决策树中,为每种状态设置的M棵决策树,决策树为回归树,其叶子节点可用于划分目标趋势特征、目标状态特征与目标统计特征。
在实际应用中,确定梯度提升决策树中,为每种状态设置的M棵决策树,将目标电流数据、目标趋势特征与目标统计特征依次输入每种状态下的决策树中进行决策,通过损失函数(如交叉熵)计算当前叶子节点的得分值,从而输出地铁站台的闸门开启时所受阻力属于该状态的数值,作为候选预测值。
计算同一个状态下的所有候选预测值之和,作为目标预测值,此时,目标预测值表示如下:
其中,fk表示目标电流数据在第k棵决策树输出的候选预测值。
基于目标预测值计算地铁站台的闸门开启时所受阻力属于某个状态的概率,作为目标概率,即某个状态的目标预测值与所有状态的目标预测值之间的比值,即为该状态的目标概率。
若目标概率最大,则确定地铁站台的闸门开启时所受阻力属于该目标概率对应的状态。
在确定地铁站台的闸门开启时所受阻力的状态之后,对于不良的状态,如“不正常偏高”、“不正常极限”,则可以提前进行警报,通知技术人员进行检修。
在本实施例中,获取电机在驱动地铁站台的闸门开启时的电流,作为目标电流数据,从目标电流数据提取表征沿时间分布趋势的特征,作为目标趋势特征,从目标电流数据中提取表征电机在驱动地铁站台的闸门开启时运行的特征,作为目标运行状态特征,从目标电流数据中提取属于统计维度的特性,作为目标统计特征,确定与地铁站台的闸门开启适配的梯度提升决策树,将目标电流数据、目标趋势特征与目标统计特征输入梯度提升决策树中进行处理,以识别地铁站台的闸门在开启时所受阻力的状态,一方面,影响地铁站台的闸门滑动的因素主要为门机滑轨异物、运动部件(如滑轮)长期磨损、挂件松动、电机性能衰减等,整体表现为电机工作过程中电流异常,即电机的电流状态与地铁站台的闸门状态存在相关性,基于该相关性,通过电流的分布趋势、电机的运行状态、电流的统计信息等多个不同维度的特征检测闸门在开启时的状态,可以保证检测的精确度,另一方面,检测电机的电流是自动化、实时性的行为,无需技术人员现场检修,成本低,并且,可在开门时实时监测地铁站台的闸门的状态及电机的状况,可实时针对开门预测地铁站台的闸门及电机的性能变化趋势,提前预警提示,提升检修效率,减小闸门在开启时发生故障的几率,从而提升维修闸门的效率。
为使本领域技术人员更好地理解本发明实施例,以下通过具体的示例来说明本发明实施例中检测地铁站台的闸门开启时所受阻力的状态的方法。
在本示例中,目标电流数据所组成的电流序列共17组,序号分别为1-17。
使用12项多项式对这些目标电流数据拟合曲线,多项式函数的系数如下:
设置第一目标特征区域(即低值区域),并统计目标电流数据的数量如下:
对目标电流数据统计各项指标如下:
|
平均值 |
最小值 |
最大值 |
方差 |
标准差 |
偏度值 |
峰度值 |
1 |
576.1556 |
44 |
3224 |
357596.4 |
597.9936 |
2.227586 |
5.42884 |
2 |
556.1628 |
40 |
2885 |
357057.5 |
597.5429 |
2.335691 |
5.458564 |
3 |
566.9767 |
70 |
2968 |
399707 |
632.2239 |
2.19003 |
4.517959 |
4 |
568.1236 |
83 |
3033 |
290057 |
538.5694 |
2.263122 |
6.232033 |
5 |
1264.477 |
381 |
2933 |
238478.3 |
488.3424 |
0.678084 |
0.722831 |
6 |
530.1529 |
25 |
3288 |
352563.9 |
593.7709 |
2.776126 |
8.339367 |
7 |
584.6923 |
35 |
2925 |
323819.8 |
569.0517 |
2.39281 |
5.965709 |
8 |
587.4 |
81 |
2633 |
231850.4 |
481.5085 |
2.183459 |
5.828702 |
9 |
561.9348 |
81 |
2766 |
266870.3 |
516.5949 |
2.291908 |
5.714097 |
10 |
752.9012 |
16 |
2675 |
201547.6 |
448.9406 |
1.825339 |
4.941649 |
11 |
526.1222 |
75 |
2681 |
208401.1 |
529.5292 |
2.302937 |
5.631754 |
12 |
1258.752 |
427 |
2783 |
229078.6 |
478.6215 |
0.95571 |
1.130776 |
13 |
1290.156 |
624 |
2929 |
242352.2 |
492.2927 |
0.974545 |
0.665761 |
14 |
526 |
68 |
3159 |
295532.6 |
543.6291 |
2.513141 |
8.074668 |
15 |
879.6907 |
90 |
2742 |
329696.3 |
574.1919 |
1.29719 |
2.103411 |
16 |
524.0349 |
22 |
2716 |
280235.9 |
529.3731 |
2.25358 |
5.299397 |
17 |
727.6047 |
120 |
3105 |
3108612.2 |
557.5493 |
2.450506 |
6.062604 |
设地铁站台的闸门在开启时所受阻力的状态为“正常极佳”(标签为0)、“正常普遍门阻”(标签为1)、“正常稍高”(标签为2)、“正常偏高”(标签为3)、“不正常偏高”(标签为4)、“不正常极限”(标签为5)。
将上述特征输入与地铁站台的闸门开启适配的GBDT中,从而输出的状态(冒号之前为目标电流数据的序号,冒号之后为状态的标签)如下:
1:0、2:2、3:2、4:0、5:5、6:0、7:1、8:1、9:1、10:3、11:0、12:5、13:5、14:0、15:3、16:0、17:3。
实施例二
图4为本发明实施例二提供的一种地铁站台闸门的检测方法的流程图,本实施例以前述实施例为基础,进一步增加训练与地铁站台的闸门开启适配的GBDT的操作,该方法具体包括如下步骤:
S401、获取电机在驱动地铁站台的闸门开启时的电流,作为样本电流数据。
若检测地铁站台的闸门在开启时所受阻力的状态,则可以从数据库提取历史一段时间内的多个电流,作为样本电流数据。
在预测地铁站台的闸门在开启时所受阻力的状态之前,可对样本电流数据进行预处理,使得样本电流数据符合预测地铁站台的闸门在开启时所受阻力的状态的计算规范。
在一个示例中,删除沿时间排序在最前的多个数值为0的样本电流数据。
在另一个示例中,删除沿时间排序在最后的多个数值为0的样本电流数据。
S402、对样本电流数据标注分类标识。
在本实施例中,技术人员可以分析检测样本电流数据时、地铁站台的闸门的实际情况,从而标注该地铁站台的闸门在开启时所受阻力所属的状态,以及,该地铁站台的闸门在开启时所受阻力所不属的状态,从而形成分类标识,即分类标识用于表示地铁站台的闸门在开启时所受阻力是否属于指定的状态。
在一个示例中,地铁站台的闸门在开启时所受阻力的状态包括如下至少一种:
正常极佳、正常普遍门阻、正常稍高、正常偏高、不正常偏高、不正常极限。
一般情况下,分类标识为one-hot编码的数值,在一个示例中,其中一维为1,其余维为0(或者为-1),分类标识为1时,表示地铁站台的闸门在开启时所受阻力属于该状态,分类标识为0时,表示地铁站台的闸门在开启时所受阻力不属于该状态。
假设地铁站台的闸门在开启时所受阻力的状态有6种,那么,针对样本电流数据,可以用一个六维向量来表示分类标识,例如,[0,1,0,0,0,0]表示样本电流数据属于第二种状态,不属于其他状态。
S403、从样本电流数据提取表征沿时间分布趋势的特征,作为样本趋势特征。
在本实施例中,针对电机在驱动地铁站台的闸门开启时的样本电流数据,可以提取各个电流沿采集的时间大体分布的趋势,以特征的形式进行表示,为便于区分,该特征可以称之为样本趋势特征。
在一种实现方式中,可以沿时间将样本电流数据拟合为曲线,该曲线以多项式函数表示,此时,可确定多项式函数中的系数为表征沿时间分布趋势的特征,即为样本趋势特征。
S404、从样本电流数据中提取表征电机在驱动地铁站台的闸门开启时运行的特征,作为样本运行状态特征。
在本实施例中,针对电机在驱动地铁站台的闸门开启时的样本电流数据,可以从中提取该电机在运行时的状态,以特征的形式进行表示,为便于区分,该特征可以称之为样本运行状态特征。
在一种实现方式中,提取位于样本电流数据中的最小值与第三特征值之间的电流数据,以组成第一样本特征区域,其中,第三特征值为样本电流数据中最大值与预设的第一比例之间的乘积。
统计样本电流数据的总数量,作为电机在驱动地铁站台的闸门开启时运行的特征,即为样本运行状态特征。
统计位于第一样本特征区域之前、样本电流数据的数量,作为电机在驱动地铁站台的闸门开启时运行的特征,即为样本运行状态特征。
统计位于第一样本特征区域之后、样本电流数据的数量,作为电机在驱动地铁站台的闸门开启时运行的特征,即为样本运行状态特征。
S405、从样本电流数据中提取属于统计维度的特性,作为样本统计特征。
在本实施例中,针对电机在驱动地铁站台的闸门开启时的样本电流数据,可以从中提取在统计维度下的信息,即具有统计学意义上的信息,以特征的形式进行表示,为便于区分,该特征可以称之为样本统计特征。
在一种实现方式中,对目标电流数据计算的如下至少一种参数,作为属于统计维度的特性,即为样本统计特征:
最大值、最小值、平均值、标准差、方差、峰度值、偏度值。
在本发明实施例中,由于S403-S405与实施例一中的S102-S104的应用基本相似,所以描述的比较简单,相关之处参见实施例一中的S102-S104的部分说明即可,本发明实施例在此不加以详述。
S406、根据样本趋势特征、样本运行状态特征、样本统计特征与状态训练与地铁站台的闸门开启适配的梯度提升决策树。
在本实施例中,以样本趋势特征、样本运行状态特征、样本统计特征作为训练样本,以状态作为标签(Tag),训练与地铁站台的闸门开启适配的梯度提升决策树。
在本发明的一个实施例中,S406可以包括如下步骤:
S4061、第m轮训练中,基于上一轮训练时、梯度提升决策树输出的样本预测值计算地铁站台的闸门开启时所受阻力属于状态的概率,作为样本概率。
在本实施例中,设置状态的数量为K,对于GBDT,一般认为训练的次数是终止训练的条件,在本实施例中,可设置M(M为正整数)轮训练,便于兼顾平衡训练的时间以及GBDT的误差,则如果完成M代训练,则确定完成训练GBDT,GBDT包含K*M棵决策树,如果未完成M代训练,即小于M轮迭代训练,则继续下一轮训练。
在第m(m为正整数,m=1,2,3,…,M)轮训练时,可以使用softmax函数计算地铁站台的闸门开启时所受阻力属于某个状态k(k为正整数,k=1,2,3,…,K)的概率,即计算该状态对应的样本预测值与所有状态的样本预测值之间的比值,作为属于该状态的概率(即样本概率),以公式表示如下:
其中,X表示样本的特征(即样本趋势特征、样本运行状态特征、样本统计特征),F(X)表示样本预测值。
需要说明的是,针对第一次训练,可以通过指定的方式对样本电流数据设定地铁站台的闸门在开启时所受阻力的状态,例如,假设地铁站台的闸门在开启时所受阻力都属于某个状态,即某个状态的真实值全为1或0,则可以按照S4062计算残差。
S4062、针对每种类别,将真实值减去样本概率,得到残差。
其中,在第一轮训练时,真实值为分类标识,在非第一轮训练时,真实值为上一轮训练的残差。
在具体实现中,GBDT每轮训练是在上一轮训练的残差的基础之上进行训练的,这里的残差就是当前GBDT的负梯度值,这个要求每轮训练的时候,弱分类器的输出的结果相减是有意义的,残差相减是有意义的。
在本实施例中,针对每种类别k,将真实值减去样本概率,得到的差值为第m轮训练时的残差,以公式表示如下:
S4063、以残差为优化的目标,使用样本趋势特征、样本运行状态特征与样本统计特征为每种状态生成决策树,并输出至梯度提升决策树。
在本实施例中,使用地铁站台的闸门在开启时的样本趋势特征、样本运行状态特征与样本统计特征为每种状态拟合决策树,以GINI(基尼)系数、MES等***准则***决策树的叶子节点,使得该叶子节点可用于划分样本趋势特征、样本运行状态特征与样本统计特征,以公式表示如下:
所谓划分,可以指某个叶子节点作为父节点关联至少两个作为子节点的叶子节点,针对每个子节点设置与样本趋势特征、样本运行状态特征或样本统计特征适配的条件(如大于某个阈值、小于某个阈值等),将父节点中目标电流数据的样本趋势特征、样本运行状态特征或样本统计特征的具体数值与该条件进行匹配,若满足该条件,则将该目标电流数据划分至该子节点中。
例如,如图5所示,在某个决策树的局部结构中,叶子节点501(父节点)包括A、B、C、D、E、F这六个目标电流数据,叶子节点501***的条件为总数据是否大于90,假设A、D的总数量均大于90,B、C、E、F的总数量均小于或等于90,则将A、D划分至叶子节点502(子节点),将B、C、E、F划分至叶子节点503(子节点)。
S4064、将样本趋势特征、样本运行状态特征与样本统计特征输入决策树中进行决策,从而输出地铁站台的闸门开启时所受阻力属于状态的数值,作为参考预测值。
在本实施例中,可将样本趋势特征、样本运行状态特征与样本统计特征输入决策树中进行决策,通过损失函数(如交叉熵)计算当前叶子节点的得分值,作为地铁站台的闸门开启时所受阻力属于状态的数值(即参考预测值),以公式表示如下:
S4065、在上一轮训练时、梯度提升决策树输出的样本预测值的基础上添加参考预测值,获得第m轮训练时、梯度提升决策树输出的样本预测值。
GBDT是残差拟合,即针对某个状态,第m轮样本预测值是之前所有决策树(即第1轮训练的决策树至第m轮训练的决策树)参考预测值之和,以公式表示如下:
Fkm(X)=Fk,m-1(X)+γklmI(X∈Rklm)
在本实施例中,获取电机在驱动地铁站台的闸门开启时的电流数据,作为样本电流数据,对样本电流数据标注分类标识,分类标识用于表示地铁站台的闸门在开启时所受阻力是否属于指定的状态,从样本电流数据提取表征沿时间分布趋势的特征,作为样本趋势特征,从样本电流数据中提取表征电机在驱动地铁站台的闸门开启时运行的特征,作为样本运行状态特征,从样本电流数据中提取属于统计维度的特性,作为样本统计特征,根据样本趋势特征、样本运行状态特征、样本统计特征与分类标识训练与地铁站台的闸门开启适配的梯度提升决策树,影响地铁站台的闸门滑动的因素主要为门机滑轨异物、运动部件(如滑轮)长期磨损、挂件松动、电机性能衰减等,整体表现为电机工作过程中电流异常,即电机的电流状态与地铁站台的闸门状态存在相关性,基于该相关性,可实现梯度提升决策树可检测闸门在开启时所受阻力的状态,并且,通过电流的分布趋势、电机的运行状态、电流的统计信息等多个不同维度的特征训练梯度提升决策树,可以保证梯度提升决策树检测闸门在开启时所受阻力的状态的精确度。
实施例三
图6为本发明实施例三提供的一种地铁站台闸门的检测方法的流程图,本实施例可适用于根据电机的电流数据对地铁站台的闸门在关闭时所受阻力的状态进行检测的情况,该方法可以由地铁站台闸门的检测装置来执行,该地铁站台闸门的检测装置可以由软件和/或硬件实现,可配置在计算机设备中,例如,服务器、工作站、个人电脑,等等,该方法具体包括如下步骤:
S601、获取电机在驱动地铁站台的闸门关闭时的电流,作为目标电流数据。
在本实施例中,在电机中安装电流检测电路,该电流检测电路以预设的频率实时检测电机在驱动地铁站台的闸门关闭时的电流,每次检测形成一个数据结构,存储在数据库中。
其中,数据结构包括采集的时间(time)、数值(value)等参数。
如图7所示,以时间(time)为横轴,采集的时间间隔为45ms,数值(value)为纵轴,表示采集时间间隔内的平均值,单位为mA,建立坐标轴,将各个目标电流数据标记在该坐标轴上,从而生成电流序列700。
如图7所示,从设备运行机理上看,地铁站台的闸门关闭时,电机的电流处于额定的数值,然后慢慢减少电流的数值,直至闸门关上电流消失。
与图2所示的电机在驱动地铁站台的闸门开启的目标电流数据进行对比,电机在驱动地铁站台的闸门开启、关闭时,目标电流数据存在不同的特性,因此,电机在驱动地铁站台的闸门开启、关闭这两个状态通常独立进行处理,即独立训练梯度提升决策树,独立提取目标趋势特征、目标运行状态特征、目标统计特征,独立识别闸门所受阻力的状态。
若检测地铁站台的闸门在关闭时所受阻力的状态,则可以从数据库提取当前时间之前一段时间内的多个电流,作为目标电流数据。
在预测地铁站台的闸门在关闭时所受阻力的状态之前,可对目标电流数据进行预处理,使得目标电流数据符合预测地铁站台的闸门在关闭时所受阻力的状态的计算规范。
在一种预处理的示例中,在电机尚未启动驱动地铁站台的闸门关闭时,电流的数值为0,针对该情况,可删除沿时间排序在最前的多个数值为0的目标电流数据;
在一种预处理的示例中,在电机已停止驱动地铁站台的闸门关闭时,电流的数值为0,针对该情况,可删除沿时间排序在最后的多个数值为0的目标电流数据,例如,如图7所示电流序列700中的片段701,数值均为0,则可以删除该片段701。
当然,上述预处理只是作为示例,在实施本发明实施例时,可以根据实际情况设置其他预处理,本发明实施例对此不加以限制。另外,除了上述判断处理方法外,本领域技术人员还可以根据实际需要采用其它预处理,本发明实施例对此也不加以限制。
S602、从目标电流数据提取表征沿时间分布趋势的特征,作为目标趋势特征。
在本实施例中,针对电机在驱动地铁站台的闸门关闭时的目标电流数据,可以提取各个电流沿采集的时间大体分布的趋势,以特征的形式进行表示,为便于区分,该特征可以称之为目标趋势特征。
在一种实现方式中,可以采用多项式曲线拟合算法,沿采集的时间将目标电流数据拟合为曲线,曲线以多项式函数表示。
从多项式函数中提取系数,确定多项式函数中的系数为表征沿时间分布趋势的特征。
例如,如图8所示,针对电机在驱动地铁站台的闸门关闭时的目标电流数据组成800,可以采用12阶的多项式函数将目标电流数据拟合为曲线810,将拟合系数a0、a1、a2、…、a12共13个系数作为目标趋势特征。
当然,上述使用提取目标趋势特征的方式只是作为示例,在实施本发明实施例时,可以根据实际情况设置其他提取目标趋势特征的方式,例如,以目标电流数据的斜率作为目标趋势特征,等等,本发明实施例对此不加以限制。另外,除了上述提取目标趋势特征的方式外,本领域技术人员还可以根据实际需要采用其它提取目标趋势特征的方式,本发明实施例对此也不加以限制。
S603、从目标电流数据中提取表征电机在驱动地铁站台的闸门关闭时运行的特征,作为目标运行状态特征。
在本实施例中,针对电机在驱动地铁站台的闸门关闭时的目标电流数据,可以从中提取该电机在运行时的状态,以特征的形式进行表示,为便于区分,该特征可以称之为目标运行状态特征。
在一种实现方式中,提取位于目标电流数据中的第二特征值与最大值(即最大的数值)之间的电流数据,以组成第二目标特征区域,第二目标特征区域可用于分析地铁站台的闸门在关门时不同运行状态阶段的信息。
其中,第二特征值为目标电流数据中最大值与预设的第二比例(如0.9)之间的乘积,第二特征值小于最大值,因此,第二目标特征区域又可以称之为电流高值区域。
统计目标电流数据的总数量,作为电机在驱动地铁站台的闸门关闭时运行的特征,即为目标运行状态特征,在采集目标电流数据的频率恒定的情况下,该特征可用于评价电机一次驱动地铁站台的闸门关闭所用的总时间。
统计位于第二目标特征区域之前、目标电流数据的数量,作为电机在驱动地铁站台的闸门关闭时运行的特征,即为目标运行状态特征,在采集目标电流数据的频率恒定的情况下,该特征可用于评价电机从启动到将目标电流数据提升到最大值所用的时间。
统计位于第二目标特征区域之后、目标电流数据的数量,作为电机在驱动地铁站台的闸门关闭时运行的特征,即为目标运行状态特征,在采集目标电流数据的频率恒定的情况下,该特征用于评价电机的目标电流数据减弱所用的时间。
例如,如图8所示,针对电机驱动地铁站台的闸门关闭时的目标电流数据800,寻找目标电流数据中的最大值801、以最大值的0.9倍作为第二特征值802,遍历数值位于最大值801与第二特征值802之间的目标电流数据,从而确定包含该目标电流数据的最小外接矩形为第二目标特征区域821,则区域822中的目标电流数据位于第二目标特征区域821之前,区域823中的目标电流数据位于第二目标特征区域821之后。
当然,上述提取目标运行状态特征的方式只是作为示例,在实施本发明实施例时,可以根据实际情况设置其他提取目标运行状态特征的方式,例如,出现异常的目标电流数据的数量、数值大于某个阈值的目标电流数据的数量、数值小于某个阈值的目标电流数据的数量,等等,本发明实施例对此不加以限制。另外,除了上述提取目标运行状态特征的方式外,本领域技术人员还可以根据实际需要采用其它提取目标运行状态特征的方式,本发明实施例对此也不加以限制。
S604、从目标电流数据中提取属于统计维度的特性,作为目标统计特征。
在本实施例中,针对电机在驱动地铁站台的闸门关闭时的目标电流数据,可以从中提取在统计维度下的信息,即具有统计学意义上的信息,以特征的形式进行表示,为便于区分,该特征可以称之为目标统计特征。
在一种实现方式中,对目标电流数据计算的如下至少一种参数,作为属于统计维度的特性,即为目标统计特征:
最大值、最小值、平均值、标准差、方差、峰度值、偏度值。
当然,上述提取目标统计特征的方式只是作为示例,在实施本发明实施例时,可以根据实际情况设置其他提取目标统计特征的方式,例如,分位数(如三分位数、四分位数等)、某个区间中目标电流数据的占比,等等,本发明实施例对此不加以限制。另外,除了上述提取目标统计特征的方式外,本领域技术人员还可以根据实际需要采用其它提取目标统计特征的方式,本发明实施例对此也不加以限制。
S605、确定与地铁站台的闸门关闭适配的梯度提升决策树。
在本实施例中,可预先针对地铁站台的闸门关闭的情况训练GBDT,GBDT可用于分类,将识别地铁站台的闸门在关闭时所受阻力的状态作为分类(包括二元分类、多元分类)的问题,则GBDT可根据电机在驱动地铁站台的闸门关闭时的目标电流数据预测地铁站台的闸门在关闭时所受阻力的状态。
GBDT在训练完成时,其结构及参数存储在指定的第二区域,在待预测地铁站台的闸门在关闭时所受阻力的状态时,从第二区域启动GBDT,并加载其参数。
S606、将目标电流数据、目标趋势特征与目标统计特征输入梯度提升决策树中进行处理,以识别地铁站台的闸门在关闭时所受阻力的状态。
在本实施例中,将目标电流数据、目标趋势特征与目标统计特征输入适于地铁站台的闸门关闭场景的GBDT中,GBDT按照自身的逻辑进行处理,输出地铁站台的闸门在关闭时所受阻力的状态,该状态又可以称之为门阻。
在一个示例中,地铁站台的闸门在关闭时所受阻力的状态包括如下至少一种:
1、正常极佳
若地铁站台的闸门在关闭时所受阻力(即滑动摩擦力)在94N(不包含94N)以下,则状态为正常极佳。
2、正常普遍门阻
若地铁站台的闸门在关闭时所受阻力(即滑动摩擦力)在94N到104N(不包含104N)之间,则状态为正常普遍门阻。
3、正常稍高
若地铁站台的闸门在关闭时所受阻力(即滑动摩擦力)104N到150N(不包含150N)之间,则状态为正常稍高。
4、正常偏高
若地铁站台的闸门在关闭时所受阻力(即滑动摩擦力)在150N到180N(不包含180N)之间,则状态为正常偏高。
5、不正常偏高
若地铁站台的闸门在关闭时所受阻力(即滑动摩擦力)在180N到200N(不包含200N)之间,则状态为不正常偏高。
6、不正常极限
若地铁站台的闸门在关闭时所受阻力(即滑动摩擦力)在200N以上,则状态为不正常极限。
当然,上述提取地铁站台的闸门在关闭时所受阻力的状态只是作为示例,在实施本发明实施例时,可以根据实际情况设置其他地铁站台的闸门在关闭时所受阻力的状态,本发明实施例对此不加以限制。另外,除了上述地铁站台的闸门在关闭时所受阻力的状态外,本领域技术人员还可以根据实际需要采用其它地铁站台的闸门在关闭时所受阻力的状态,本发明实施例对此也不加以限制。
在具体实现中,GBDT通过多轮迭代训练,每轮迭代针对每种分类(即地铁站台的闸门在关闭时所受阻力的状态)产生一个弱分类器(即决策树),每个分类器在上一轮分类器的残差基础上进行训练,即训练的过程是通过降低偏差来不断提高最终分类器的精度,假设地铁站台的闸门在关闭时所受阻力的状态的数量为K,通过M轮迭代训练GBDT,则针对每种状态具有M棵决策树,即GBDT共有K*M棵树。
此外,GBDT是一种基于前向策略的加法模型,因此,可确定梯度提升决策树中,为每种状态设置的M棵决策树,决策树为回归树,其叶子节点可用于划分目标趋势特征、目标状态特征与目标统计特征。
在实际应用中,确定梯度提升决策树中,为每种状态设置的M棵决策树,将目标电流数据、目标趋势特征与目标统计特征依次输入每种状态下的决策树中进行决策,从而输出地铁站台的闸门关闭时所受阻力属于该状态的数值,作为候选预测值。
计算同一个状态下的所有候选预测值之和,作为目标预测值。
基于目标预测值计算地铁站台的闸门关闭时所受阻力属于某个状态的概率,作为目标概率,即某个状态的目标预测值与所有状态的目标预测值之间的比值,即为该状态的目标概率。
若目标概率最大,则确定地铁站台的闸门关闭时所受阻力属于该目标概率对应的状态。
在确定地铁站台的闸门关闭时所受阻力的状态之后,对于不良的状态,如“不正常偏高”、“不正常极限”,则可以提前进行警报,通知技术人员进行检修。
在本实施例中,获取电机在驱动地铁站台的闸门关闭时的电流,作为目标电流数据,从目标电流数据提取表征沿时间分布趋势的特征,作为目标趋势特征,从目标电流数据中提取表征电机在驱动地铁站台的闸门关闭时运行的特征,作为目标运行状态特征,从目标电流数据中提取属于统计维度的特性,作为目标统计特征,确定与地铁站台的闸门关闭适配的梯度提升决策树,将目标电流数据、目标趋势特征与目标统计特征输入梯度提升决策树中进行处理,以识别地铁站台的闸门在关闭时所受阻力的状态,一方面,影响地铁站台的闸门滑动的因素主要为门机滑轨异物、运动部件(如滑轮)长期磨损、挂件松动、电机性能衰减等,整体表现为电机工作过程中电流异常,即电机的电流状态与地铁站台的闸门状态存在相关性,基于该相关性,通过电流的分布趋势、电机的运行状态、电流的统计信息等多个不同维度的特征检测闸门在关闭时的状态,可以保证检测的精确度,另一方面,检测电机的电流是自动化、实时性的行为,无需技术人员现场检修,成本低,并且,可在关门实时监测地铁站台的闸门的状态及电机的状况,可实时针对关门预测地铁站台的闸门及电机的性能变化趋势,提前预警提示,提升检修效率,减小闸门在关闭时发生故障的几率,从而提升维修闸门的效率。
实施例四
图9为本发明实施例四提供的一种地铁站台闸门的检测方法的流程图,本实施例以前述实施例为基础,进一步增加训练与地铁站台的闸门关闭适配的GBDT的操作,该方法具体包括如下步骤:
S901、获取电机在驱动地铁站台的闸门关闭时的电流,作为样本电流数据。
若检测地铁站台的闸门在关闭时所受阻力的状态,则可以从数据库提取历史一段时间内的多个电流,作为样本电流数据。
在预测铁站台的闸门在关闭时所受阻力的状态之前,可对样本电流数据进行预处理,使得样本电流数据符合预测地铁站台的闸门在关闭时所受阻力的状态的计算规范。
在一个示例中,删除沿时间排序在最前的多个数值为0的样本电流数据。
在另一个示例中,删除沿时间排序在最后的多个数值为0的样本电流数据。
S902、对样本电流数据标注分类标识。
在本实施例中,技术人员可以分析检测样本电流数据时、地铁站台的闸门的实际情况,从而标注该地铁站台的闸门在关闭时所受阻力所属的状态,以及,该地铁站台的闸门在关闭时所受阻力所不属的状态,从而形成分类标识,即分类标识用于表示地铁站台的闸门在关闭时所受阻力是否属于指定的状态。
在一个示例中,地铁站台的闸门在关闭时所受阻力的状态包括如下至少一种:
正常极佳、正常普遍门阻、正常稍高、正常偏高、不正常偏高、不正常极限。
一般情况下,分类标识为one-hot编码的数值,在一个示例中,其中一维为1,其余维为0(或者为-1),分类标识为1时,表示地铁站台的闸门在关闭时所受阻力属于该状态,分类标识为0时,表示地铁站台的闸门在关闭时所受阻力不属于该状态。
假设地铁站台的闸门在关闭时所受阻力的状态有6种,那么,针对样本电流数据,可以用一个六维向量来表示分类标识,例如,[0,1,0,0,0,0]表示样本电流数据属于第二种状态,不属于其他状态。
S903、从样本电流数据提取表征沿时间分布趋势的特征,作为样本趋势特征。
在本实施例中,针对电机在驱动地铁站台的闸门关闭时的样本电流数据,可以提取各个电流沿采集的时间大体分布的趋势,以特征的形式进行表示,为便于区分,该特征可以称之为样本趋势特征。
在一种实现方式中,可以沿时间将样本电流数据拟合为曲线,该曲线以多项式函数表示,此时,可确定多项式函数中的系数为表征沿时间分布趋势的特征,即为样本趋势特征。
S904、从样本电流数据中提取表征电机在驱动地铁站台的闸门关闭时运行的特征,作为样本运行状态特征。
在本实施例中,针对电机在驱动地铁站台的闸门关闭时的样本电流数据,可以从中提取该电机在运行时的状态,以特征的形式进行表示,为便于区分,该特征可以称之为样本运行状态特征。
在一种实现方式中,提取位于样本电流数据中的最小值与第四特征值之间的电流数据,以组成第二样本特征区域,其中,第四特征值为样本电流数据中最大值与预设的第二比例之间的乘积。
统计样本电流数据的总数量,作为电机在驱动地铁站台的闸门关闭时运行的特征,即为样本运行状态特征。
统计位于第二样本特征区域之前、样本电流数据的数量,作为电机在驱动地铁站台的闸门关闭时运行的特征,即为样本运行状态特征。
统计位于第二样本特征区域之后、样本电流数据的数量,作为电机在驱动地铁站台的闸门关闭时运行的特征,即为样本运行状态特征。
S905、从样本电流数据中提取属于统计维度的特性,作为样本统计特征。
在本实施例中,针对电机在驱动地铁站台的闸门关闭时的样本电流数据,可以从中提取在统计维度下的信息,即具有统计学意义上的信息,以特征的形式进行表示,为便于区分,该特征可以称之为样本统计特征。
在一种实现方式中,对目标电流数据计算的如下至少一种参数,作为属于统计维度的特性,即为样本统计特征:
最大值、最小值、平均值、标准差、方差、峰度值、偏度值。
在本发明实施例中,由于S903-S905与实施例一中的S602-S604的应用基本相似,所以描述的比较简单,相关之处参见实施例一中的S602-S604的部分说明即可,本发明实施例在此不加以详述。
S906、根据样本趋势特征、样本运行状态特征、样本统计特征与状态训练与地铁站台的闸门关闭适配的梯度提升决策树。
在本实施例中,以样本趋势特征、样本运行状态特征、样本统计特征作为训练样本,以状态作为标签(Tag),训练与地铁站台的闸门关闭适配的梯度提升决策树。
在本发明的一个实施例中,S906可以包括如下步骤:
S9061、第m轮训练中,基于上一轮训练时、梯度提升决策树输出的样本预测值计算地铁站台的闸门关闭时所受阻力属于状态的概率,作为样本概率。
在本实施例中,设置状态的数量为K,对于GBDT,一般认为训练的次数是终止训练的条件,在本实施例中,可设置M(M为正整数)轮训练,便于兼顾平衡训练的时间以及GBDT的误差,则如果完成M代训练,则确定完成训练GBDT,GBDT包含K*M棵决策树,如果未完成M代训练,即小于M轮迭代训练,则继续下一轮训练。
在第m(m为正整数,m=1,2,3,…,M)轮训练时,可以使用softmax函数计算地铁站台的闸门关闭时所受阻力属于某个状态k(k为正整数,k=1,2,3,…,K)的概率,即计算该状态对应的样本预测值与所有状态的样本预测值之间的比值,作为属于该状态的概率(即样本概率),以公式表示如下:
其中,X表示样本的特征(即样本趋势特征、样本运行状态特征、样本统计特征),F(X)表示样本预测值。
需要说明的是,针对第一次训练,可以通过指定的方式对样本电流数据设定地铁站台的闸门在关闭时所受阻力的状态,例如,假设地铁站台的闸门在关闭时所受阻力都属于某个状态,即某个状态的真实值全为1或0,则可以按照S9062计算残差。
S9062、针对每种类别,将真实值减去样本概率,得到残差。
其中,在第一轮训练时,真实值为分类标识,在非第一轮训练时,真实值为上一轮训练的残差。
在具体实现中,GBDT每轮训练是在上一轮训练的残差的基础之上进行训练的,这里的残差就是当前GBDT的负梯度值,这个要求每轮训练的时候,弱分类器的输出的结果相减是有意义的,残差相减是有意义的。
在本实施例中,针对每种类别k,将真实值减去样本概率,得到的差值为第m轮训练时的残差,以公式表示如下:
S9063、以残差为优化的目标,使用样本趋势特征、样本运行状态特征与样本统计特征为每种状态生成决策树,并输出至梯度提升决策树。
在本实施例中,使用地铁站台的闸门在关闭时的样本趋势特征、样本运行状态特征与样本统计特征为每种状态拟合决策树,以GINI(基尼)系数、MES等***准则***决策树的叶子节点,使得该叶子节点可用于划分样本趋势特征、样本运行状态特征与样本统计特征,以公式表示如下:
S9064、将样本趋势特征、样本运行状态特征与样本统计特征输入决策树中进行决策,从而输出地铁站台的闸门关闭时所受阻力属于状态的数值,作为参考预测值。
在本实施例中,可将样本趋势特征、样本运行状态特征与样本统计特征输入决策树中进行决策,通过损失函数(如交叉熵)计算当前叶子节点的得分值,作为地铁站台的闸门关闭时所受阻力属于状态的数值(即参考预测值),以公式表示如下:
S9065、在上一轮训练时、梯度提升决策树输出的样本预测值的基础上添加参考预测值,获得第m轮训练时、梯度提升决策树输出的样本预测值。
GBDT是残差拟合,即针对某个状态,第m轮样本预测值是之前所有决策树(即第1轮训练的决策树至第m轮训练的决策树)参考预测值之和,以公式表示如下:
Fkm(X)=Fk,m-1(X)+γklmI(X∈Rklm)
在本实施例中,获取电机在驱动地铁站台的闸门关闭时的电流数据,作为样本电流数据,对样本电流数据标注分类标识,分类标识用于表示地铁站台的闸门在关闭时所受阻力是否属于指定的状态,从样本电流数据提取表征沿时间分布趋势的特征,作为样本趋势特征,从样本电流数据中提取表征电机在驱动地铁站台的闸门关闭时运行的特征,作为样本运行状态特征,从样本电流数据中提取属于统计维度的特性,作为样本统计特征,根据样本趋势特征、样本运行状态特征、样本统计特征与分类标识训练与地铁站台的闸门关闭适配的梯度提升决策树,影响地铁站台的闸门滑动的因素主要为门机滑轨异物、运动部件(如滑轮)长期磨损、挂件松动、电机性能衰减等,整体表现为电机工作过程中电流异常,即电机的电流状态与地铁站台的闸门状态存在相关性,基于该相关性,可实现梯度提升决策树可检测闸门在关闭时所受阻力的状态,并且,通过电流的分布趋势、电机的运行状态、电流的统计信息等多个不同维度的特征训练梯度提升决策树,可以保证梯度提升决策树检测闸门在关闭时所受阻力的状态的精确度。
实施例五
图10为本发明实施例五提供的一种地铁站台闸门的检测装置的结构示意图,该装置具体可以包括如下模块:
目标电流数据获取模块1001,用于获取电机在驱动地铁站台的闸门开启或关闭时的电流,作为目标电流数据;
目标趋势特征提取模块1002,用于从所述目标电流数据提取表征沿时间分布趋势的特征,作为目标趋势特征;
目标运行状态特征提取模块1003,用于从所述目标电流数据中提取表征所述电机在驱动所述地铁站台的闸门开启或关闭时运行的特征,作为目标运行状态特征;
目标统计特征提取模块1004,用于从所述目标电流数据中提取属于统计维度的特性,作为目标统计特征;
梯度提升决策树确定模块1005,用于确定与所述地铁站台的闸门开启或关闭适配的梯度提升决策树;
阻力状态识别模块1006,用于将所述目标电流数据、所述目标趋势特征与所述目标统计特征输入所述梯度提升决策树中进行处理,以识别所述地铁站台的闸门在开启或关闭时所受阻力的状态。
在本发明的一个实施例中,还包括:
第一目标删除模块,用于删除沿时间排序在最前的多个数值为0的目标电流数据;
和/或,
第二目标删除模块,用于删除沿时间排序在最后的多个数值为0的目标电流数据。
在本发明的一个实施例中,所述目标趋势特征提取模块1002包括:
目标曲线拟合子模块,用于沿时间将所述目标电流数据拟合为曲线,所述曲线以多项式函数表示;
目标趋势特征确定子模块,用于确定所述多项式函数中的系数为表征沿时间分布趋势的特征。
在本发明的一个实施例中,所述目标运行状态特征提取模块1003包括:
第一目标特征区域组成子模块,用于提取位于所述目标电流数据中的最小值与第一特征值之间的电流数据,以组成第一目标特征区域,所述第一特征值为所述目标电流数据中最大值与预设的第一比例之间的乘积;
第一目标总数量统计子模块,用于统计所述目标电流数据的总数量,作为所述电机在驱动所述地铁站台的闸门开启时运行的特征;
第一目标前列数量统计子模块,用于统计位于所述第一目标特征区域之前、所述目标电流数据的数量,作为所述电机在驱动所述地铁站台的闸门开启时运行的特征;
第一目标后列数量统计子模块,用于统计位于所述第一目标特征区域之后、所述目标电流数据的数量,作为所述电机在驱动所述地铁站台的闸门开启时运行的特征。
在本发明的另一个实施例中,所述目标运行状态特征提取模块1003包括:
第二目标特征区域组成子模块,用于提取位于所述目标电流数据中的第二特征值与最大值之间的电流数据,以组成第二目标特征区域,所述第二特征值为所述目标电流数据中最大值与预设的第二比例之间的乘积;
第二目标总数量统计子模块,用于统计所述目标电流数据的总数量,作为所述电机在驱动所述地铁站台的闸门关闭时运行的特征;
第二目标前列数量统计子模块,用于统计位于所述第二目标特征区域之前、所述目标电流数据的数量,作为所述电机在驱动所述地铁站台的闸门关闭时运行的特征;
第二目标后列数量统计子模块,用于统计位于所述第二目标特征区域之后、所述目标电流数据的数量,作为所述电机在驱动所述地铁站台的闸门关闭时运行的特征。
在本发明的一个实施例中,所述目标统计特征提取模块1004包括:
目标参数统计子模块,用于对所述目标电流数据计算的如下至少一种参数,作为属于统计维度的特性:
最大值、最小值、平均值、标准差、方差、峰度值、偏度值。
在本发明的一个实施例中,所述梯度提升决策树确定模块1005包括:
样本电流数据获取单元,用于获取电机在驱动地铁站台的闸门开启或关闭时的电流数据,作为样本电流数据;
分类标识标注单元,用于对所述样本电流数据标注分类标识,所述分类标识用于表示所述地铁站台的闸门在开启或关闭时所受阻力是否属于指定的状态;
样本趋势特征提取单元,用于从所述样本电流数据提取表征沿时间分布趋势的特征,作为样本趋势特征;
样本运行状态特征提取单元,用于从所述样本电流数据中提取表征所述电机在驱动所述地铁站台的闸门开启或关闭时运行的特征,作为样本运行状态特征;
样本统计特征提取单元,用于从所述样本电流数据中提取属于统计维度的特性,作为样本统计特征;
梯度提升决策树训练单元,用于根据所述样本趋势特征、所述样本运行状态特征、所述样本统计特征与所述分类标识训练与所述地铁站台的闸门开启或关闭适配的梯度提升决策树。
在本发明的一个实施例中,还包括:
第一样本删除单元,用于删除沿时间排序在最前的多个数值为0的样本电流数据;
和/或,
第二样本删除单元,用于删除沿时间排序在最后的多个数值为0的样本电流数据。
在本发明的一个实施例中,所述样本趋势特征提取单元包括:
样本曲线拟合子单元,用于沿时间将所述样本电流数据拟合为曲线,所述曲线以多项式函数表示;
样本趋势特征确定子单元,用于确定所述多项式函数中的系数为表征沿时间分布趋势的特征。
在本发明的一个实施例中,所述样本运行状态特征提取单元包括:
第一样本特征区域组成子单元,用于提取位于所述样本电流数据中的最小值与第三特征值之间的电流数据,以组成第一样本特征区域,所述第三特征值为所述样本电流数据中最大值与预设的第一比例之间的乘积;
第一样本总数量统计子单元,用于统计所述样本电流数据的总数量,作为所述电机在驱动所述地铁站台的闸门开启时运行的特征;
第一样本前列数量统计子单元,用于统计位于所述第一样本特征区域之前、所述样本电流数据的数量,作为所述电机在驱动所述地铁站台的闸门开启时运行的特征;
第一样本后列数量统计子单元,用于统计位于所述第一样本特征区域之后、所述样本电流数据的数量,作为所述电机在驱动所述地铁站台的闸门开启时运行的特征。
在本发明的另一个实施例中,所述样本运行状态特征提取单元包括:
第二样本特征区域组成子单元,用于提取位于所述样本电流数据中的第四特征值与最大值之间的电流数据,以组成第二样本特征区域,所述第四特征值为所述样本电流数据中最大值与预设的第二比例之间的乘积;
第二样本总数量统计子单元,用于统计所述样本电流数据的总数量,作为所述电机在驱动所述地铁站台的闸门关闭时运行的特征;
第二样本前列数量统计子单元,用于统计位于所述第二样本特征区域之前、所述样本电流数据的数量,作为所述电机在驱动所述地铁站台的闸门关闭时运行的特征;
第二样本后列数量统计子单元,用于统计位于所述第二样本特征区域之后、所述样本电流数据的数量,作为所述电机在驱动所述地铁站台的闸门关闭时运行的特征。
在本发明的一个实施例中,所述样本统计特征提取单元包括:
样本参数统计子单元,用于对所述样本电流数据计算的如下至少一种参数,作为属于统计维度的特性:
最大值、最小值、平均值、标准差、方差、峰度值、偏度值。
在本发明的一个实施例中,所述根据所述样本趋势特征、所述样本运行状态特征、所述样本统计特征与所述分类标识训练与所述地铁站台的闸门开启或关闭适配的梯度提升决策树,包括:
在第m轮训练中,基于上一轮训练时、梯度提升决策树输出的样本预测值计算所述地铁站台的闸门开启或关闭时所受阻力属于所述状态的概率,作为样本概率;
针对每种所述类别,将真实值减去所述样本概率,得到残差,其中,在第一轮训练时,所述真实值为所述分类标识,在非第一轮训练时,所述真实值为上一轮训练的残差;
以所述残差为优化的目标,使用所述样本趋势特征、所述样本运行状态特征与所述样本统计特征为每种所述状态生成决策树,并输出至所述梯度提升决策树;
将所述样本趋势特征、所述样本运行状态特征与所述样本统计特征输入决策树中进行决策,从而输出所述地铁站台的闸门开启或关闭时所受阻力属于所述状态的数值,作为参考预测值;
在上一轮训练时、所述梯度提升决策树输出的样本预测值的基础上添加所述参考预测值,获得第m轮训练时、所述梯度提升决策树输出的样本预测值。
在本发明的一个实施例中,所述阻力状态识别模块1006包括:
决策树确定子模块,用于确定所述梯度提升决策树中,为每种状态设置的M棵决策树;
候选预测值输出子模块,用于将所述目标电流数据、所述目标趋势特征与所述目标统计特征依次输入每种所述状态下的所述决策树中进行决策,从而输出所述地铁站台的闸门开启或关闭时所受阻力属于所述状态的数值,作为候选预测值;
目标预测值计算子模块,用于计算同一个所述状态下的所有所述候选预测值之和,作为目标预测值;
目标概率计算子模块,用于基于所述目标预测值计算所述地铁站台的闸门开启或关闭时所受阻力属于所述状态的概率,作为目标概率;
阻力状态确定子模块,用于若所述目标概率最大,则确定地铁站台的闸门开启或关闭时所受阻力属于所述目标概率对应的状态。
本发明实施例所提供的地铁站台闸门的检测装置可执行本发明任意实施例所提供的地铁站台闸门的检测方法,具备执行方法相应的功能模块和有益效果。
实施例六
图11为本发明实施例六提供的一种计算机设备的结构示意图。如图11所示,该计算机设备包括处理器1100、存储器1101、通信模块1102、输入装置1103和输出装置1104;计算机设备中处理器1100的数量可以是一个或多个,图11中以一个处理器1100为例;计算机设备中的处理器1100、存储器1101、通信模块1102、输入装置1103和输出装置1104可以通过总线或其他方式连接,图11中以通过总线连接为例。
存储器1101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,如本实施例中的地铁站台闸门的检测方法对应的模块(例如,如图10所示的地铁站台闸门的检测装置中的目标电流数据获取模块1001、目标趋势特征提取模块1002、目标运行状态特征提取模块1003、目标统计特征提取模块1004、梯度提升决策树确定模块1005和阻力状态识别模块1006)。处理器1100通过运行存储在存储器1101中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述的地铁站台闸门的检测方法。
存储器1101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***、至少一个功能所需的应用程序;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器1101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1101可进一步包括相对于处理器1100远程设置的存储器,这些远程存储器可以通过网络连接至计算机设备。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1102,用于与外部的设备(如电机中的电流检测电路)进行数据交互。
输入装置1103可用于接收输入的数字或字符信息,以及产生与计算机设备的用户设置以及功能控制有关的键信号输入,还可以是用于获取图像的摄像头以及获取音频数据的拾音设备。
输出装置1104可以包括扬声器等音频设备或显示屏等显示设备。
需要说明的是,输入装置1103和输出装置1104的具体组成可以根据实际情况设定。
处理器1100通过运行存储在存储器1101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,即实现上述的地铁站台闸门的检测方法。
本实施例提供的计算机设备,可执行本发明任一实施例提供的地铁站台闸门的检测方法,具体相应的功能和有益效果。
实施例七
本发明实施例七还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现一种地铁站台闸门的检测方法,该方法包括:
获取电机在驱动地铁站台的闸门开启或关闭时的电流,作为目标电流数据;
从所述目标电流数据提取表征沿时间分布趋势的特征,作为目标趋势特征;
从所述目标电流数据中提取表征所述电机在驱动所述地铁站台的闸门开启或关闭时运行的特征,作为目标运行状态特征;
从所述目标电流数据中提取属于统计维度的特性,作为目标统计特征;
确定与所述地铁站台的闸门开启或关闭适配的梯度提升决策树;
将所述目标电流数据、所述目标趋势特征与所述目标统计特征输入所述梯度提升决策树中进行处理,以识别所述地铁站台的闸门在开启或关闭时所受阻力的状态。
当然,本发明实施例所提供的计算机可读存储介质,其计算机程序不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的地铁站台闸门的检测方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。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可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,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的方法。
值得注意的是,上述地铁站台闸门的检测装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明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的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。