CN112001482B - 振动预测及模型训练方法、装置、计算机设备和存储介质 - Google Patents

振动预测及模型训练方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112001482B
CN112001482B CN202010819584.0A CN202010819584A CN112001482B CN 112001482 B CN112001482 B CN 112001482B CN 202010819584 A CN202010819584 A CN 202010819584A CN 112001482 B CN112001482 B CN 112001482B
Authority
CN
China
Prior art keywords
vibration
original
belt
sample
amplitude
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
Application number
CN202010819584.0A
Other languages
English (en)
Other versions
CN112001482A (zh
Inventor
李逸帆
刘文凯
秦伟
丁保剑
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.)
PCI Technology Group Co Ltd
PCI Technology and Service Co Ltd
Original Assignee
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 PCI Technology Group Co Ltd, PCI Technology and Service Co Ltd filed Critical PCI Technology Group Co Ltd
Priority to CN202010819584.0A priority Critical patent/CN112001482B/zh
Publication of CN112001482A publication Critical patent/CN112001482A/zh
Application granted granted Critical
Publication of CN112001482B publication Critical patent/CN112001482B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明实施例公开了一种振动预测及模型训练方法、装置、计算机设备和存储介质，该振动预测方法包括：检测电机连续n次通过皮带驱动地铁站台的闸门开启或关闭时、皮带的振幅，获得n条原始振动曲线；将n条原始振动曲线分别输入卷积神经网络中进行处理，以分别提取n个原始振动特征；将n个原始振动特征按照顺序依次输入n个链式依赖的长短期记忆网络中进行处理，以依次输出n个原始隐含特征；将n个原始隐含特征输入深度神经网络中进行处理，以生成电机下一次通过皮带驱动地铁站台的闸门开启或关闭时、皮带的振幅，获得目标振动曲线。实现实时监测皮带在闸门开启或关闭时的状态，有助于提升开启或关闭闸门的控制效果，从而提升检修皮带的效率。

Description

振动预测及模型训练方法、装置、计算机设备和存储介质
技术领域
本发明实施例涉及计算机处理的技术，尤其涉及一种振动预测及模型训练方法、装置、计算机设备和存储介质。
背景技术
目前，地铁车站沿站台边缘布置屏蔽门，将站台与行车隧道区域隔离开，降低车站空调通风***的运行能耗，同时减少了列车运行噪音和活塞风对车站的影响，防止人员跌落轨道产生意外事故，为乘客提供了舒适、安全的候车环境。
在列车到达车站时，屏蔽门中的闸门开启，乘客可通过闸门上下车，而后闸门关闭，列车继续行驶。
地铁站台的闸门与电机之间通过皮带作为纽带运行，皮带张紧力太小则皮带跳动，控制不够精准，皮带张紧力太大则摩擦力大，皮带及皮带轮等损耗大。
为保障闸门正常运行，目前通常采用故障修、定期修等维修方式对皮带进行检修。
故障修是指皮带发生故障或遭到破坏后，使其恢复到规定的技术状态所进行的事后维修活动，而定期修是发生故障之前，使皮带保持在规定状态所进行的定期维修活动，均是人工作业，不仅成本高，而且，故障修是发生在故障之后、定期修存在一定的周期，成功预防皮带发生故障的几率较小，从而导致维修的效率较低。
发明内容
本发明实施例提供一种振动预测及模型训练方法、装置、计算机设备和存储介质，以解决地铁站台闸门与电机之间的皮带维修成本较高、效率较低的问题。
第一方面，本发明实施例提供了一种振动预测方法，包括：
检测电机连续n次通过皮带驱动地铁站台的闸门开启或关闭时、所述皮带的振幅，获得n条原始振动曲线；
将n条所述原始振动曲线分别输入卷积神经网络中进行处理，以分别提取n个原始振动特征；
将n个所述原始振动特征按照顺序依次输入n个链式依赖的长短期记忆网络中进行处理，以依次输出n个原始隐含特征；
将所述n个原始隐含特征输入深度神经网络中进行处理，以生成所述电机下一次通过所述皮带驱动地铁站台的闸门开启或关闭时、所述皮带的振幅，获得目标振动曲线。
第二方面，本发明实施例还提供了一种振动预测模型的训练方法，包括：
检测电机连续n次通过皮带驱动地铁站台的闸门开启或关闭时、所述皮带的振幅，获得n条样本振动曲线；
检测所述电机在下一次通过所述皮带驱动地铁站台的闸门开启或关闭时、所述皮带的振幅，获得参考振动曲线；
将n条所述样本振动曲线分别输入卷积神经网络中进行处理，以分别提取n个样本振动特征；
将n个所述样本振动特征按照顺序依次输入n个链式依赖的长短期记忆网络中进行处理，以依次输出n个样本隐含特征；
将所述n个样本隐含特征输入深度神经网络中进行处理，以生成所述电机下一次通过所述皮带驱动地铁站台的闸门开启或关闭时、所述皮带的振幅，获得预测振动曲线；
根据所述预测振动曲线与所述参考振动曲线将所述卷积神经网络、n个链式依赖的所述长短期记忆网络与所述深度神经网络训练为振动预测模型。
第三方面，本发明实施例还提供了一种振动预测装置，包括：
原始振动曲线检测模块，用于检测电机连续n次通过皮带驱动地铁站台的闸门开启或关闭时、所述皮带的振幅，获得n条原始振动曲线；
原始振动特征提取模块，用于将n条所述原始振动曲线分别输入卷积神经网络中进行处理，以分别提取n个原始振动特征；
原始隐含特征提取模块，用于将n个所述原始振动特征按照顺序依次输入n个链式依赖的长短期记忆网络中进行处理，以依次输出n个原始隐含特征；
目标振动曲线预测模块，用于将所述n个原始隐含特征输入深度神经网络中进行处理，以生成所述电机下一次通过所述皮带驱动地铁站台的闸门开启或关闭时、所述皮带的振幅，获得目标振动曲线。
第四方面，本发明实施例还提供了一种振动预测模型的训练装置，包括：
样本振动曲线检测模块，用于检测电机连续n次通过皮带驱动地铁站台的闸门开启或关闭时、所述皮带的振幅，获得n条样本振动曲线；
参考振动曲线检测模块，用于检测所述电机在下一次通过所述皮带驱动地铁站台的闸门开启或关闭时、所述皮带的振幅，获得参考振动曲线；
样本振动特征提取模块，用于将n条所述样本振动曲线分别输入卷积神经网络中进行处理，以分别提取n个样本振动特征；
样本隐含特征提取模块，用于将n个所述样本振动特征按照顺序依次输入n个链式依赖的长短期记忆网络中进行处理，以依次输出n个样本隐含特征；
预测振动曲线预测模块，用于将所述n个样本隐含特征输入深度神经网络中进行处理，以生成所述电机下一次通过所述皮带驱动地铁站台的闸门开启或关闭时、所述皮带的振幅，获得预测振动曲线；
振动预测模型训练模块，用于根据所述预测振动曲线与所述参考振动曲线将所述卷积神经网络、n个链式依赖的所述长短期记忆网络与所述深度神经网络训练为振动预测模型。
第五方面，本发明实施例还提供了一种计算机设备，所述计算机设备包括：
一个或多个处理器；
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振动预测方法或者如第二方面所述的振动预测模型的训练方法。
第六方面，本发明实施例还提供了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如第一方面所述的振动预测方法或者如第二方面所述的振动预测模型的训练方法。
在本实施例中，检测电机连续n次通过皮带驱动地铁站台的闸门开启或关闭时、皮带的振幅，获得n条原始振动曲线，将n条原始振动曲线分别输入卷积神经网络中进行处理，以分别提取n个原始振动特征，将n个原始振动特征按照顺序依次输入n个链式依赖的长短期记忆网络中进行处理，以依次输出n个原始隐含特征，将n个原始隐含特征输入深度神经网络中进行处理，以生成电机下一次通过皮带驱动地铁站台的闸门开启或关闭时、皮带的振幅，获得目标振动曲线，皮带在一定的时间范围内，状态是较为稳定的，即其振动在一定的时间范围内存在相关性，原始振动曲线属于在时间维度相关的、长序列的数据，通过卷积神经网络降维实现长序列数据的处理，通过长短期记忆网络提取时间维度的特征实现时间维度下数据的处理，以此映射出电机下一次通过皮带驱动地铁站台的闸门开启或关闭时、皮带的振幅，可以保证振幅的准确性，从而实现实时监测皮带在闸门开启或关闭时的状态，有助于提升开启或关闭闸门的控制效果，并可提供皮带在闸门开启或关闭时状态的异常预警，减小闸门在开启或关闭时皮带发生故障的几率，从而提升检修皮带的效率。
附图说明
图1为本发明实施例一提供的一种振动预测方法的流程图；
图2为本发明实施例一提供的一种闸门开启时原始振动曲线的示例图；
图3为本发明实施例一提供的一种受扰动影响的异常振幅的示例图；
图4为本发明实施例一提供的一种振动预测模型的结构示意图；
图5为本发明实施例二提供的一种振动预测模型的训练方法的流程图；
图6为本发明实施例二提供的一种预测振动曲线与参考振动曲线的对比示意图；
图7为本发明实施例二提供的一种计算损失值的示例图；
图8是本发明实施例三提供的一种振动预测方法的流程图；
图9为本发明实施例三提供的一种闸门关闭时原始振动曲线的示例图；
图10是本发明实施例四提供的一种振动预测模型的训练方法的流程图；
图11本发明实施例五提供的一种振动预测装置的结构示意图；
图12为本发明实施例六提供的一种振动预测模型的训练装置的结构示意图；
图13为本发明实施例七提供的一种计算机设备的结构示意图。
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振动预测方法的流程图，本实施例可适用于针对电机通过皮带驱动地铁站台闸门开启，根据皮带在先的振动曲线预测在后的振动曲线的情况，该方法可以由振动预测装置来执行，该振动预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、检测电机连续n次通过皮带驱动地铁站台的闸门开启时、皮带的振幅，获得n条原始振动曲线。
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，针对皮带布局传感器，该传感器以预设的频率实时检测电机在通过皮带驱动地铁站台的闸门开启时、皮带的振幅(即振动幅值)，电机在停止运行的情况下，皮带自然垂直，与传感器间隔固定的距离，此时振幅恒定。
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，数值(value)为纵轴，建立坐标轴，将各个电机在通过皮带驱动地铁站台的闸门开启时、皮带的振幅以点的形式标记在该坐标轴上，从而生成原始振动曲线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，此时，皮带的振幅较大，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，此时，皮带的振幅慢慢下降，并趋于平缓，最后闸门开启到位电流消失，皮带处于绷紧的状态，振幅恒定。
如图2所示，皮带在自然垂直的状态下离传感器的距离是15000，在闸门开启的过程中皮带离传感器的距离是从15000不断下降。
若预测电机下一次通过皮带驱动地铁站台的闸门开启时、皮带的振幅，则可以从数据库提取当前时间之前一段时间内的电机连续n(n为正整数)次通过皮带驱动地铁站台的闸门开启时、皮带的振幅，作为原始振动曲线。
所谓连续，电机通过皮带驱动地铁站台的闸门开启这个操作，一个接着一个，即提取当前时间之前，第1次电机通过皮带驱动地铁站台的闸门开启时、皮带的振幅，第2次电机通过皮带驱动地铁站台的闸门开启时、皮带的振幅，第3次电机通过皮带驱动地铁站台的闸门开启时、皮带的振幅……第n次电机通过皮带驱动地铁站台的闸门开启时、皮带的振幅。
由于从皮带采集回来的振幅会因为现场环境扰动或者通信信号丢失等原因产生异常数据，在预测电机下一次通过皮带驱动地铁站台的闸门开启时、皮带的振幅之前，可对原始振动曲线进行预处理，使得原始振动曲线符合计算的规范。
在一种预处理的示例中，在原始振动曲线查找符合业务异常的振幅，作为第一原始异常振幅，将第一原始异常振幅替换为皮带在未运行时的振幅，即皮带处于自然垂直的状态下，离传感器的距离。
在本示例中，在采集电机通过皮带驱动地铁站台的闸门开启时、皮带的振幅的过程中，若通信信号发生丢失，则***将会返回一个异常值(即第一原始异常振幅)，如65535，此时，对于该异常值(即第一原始异常振幅)，可替换为皮带在未运行时的振幅，如15000。
在另一种预处理的示例中，在原始振动曲线查找符合扰动异常的振幅，作为第二原始异常振幅，将与第二原始异常振幅相邻的振幅替换第二原始异常振幅。
在本示例中，在采集电机通过皮带驱动地铁站台的闸门开启时、皮带的振幅的过程中，若现场环境存在扰动影响，则皮带会产生在取值合理区内的异常值(即第二原始异常振幅)，即这些异常值的取值范围在0到30000以内，但是，这些值又明显跟曲线趋势不符合，如图3所示的圆圈所示的点301、302、303，此时，对于该异常值(即第二原始异常振幅)，可替换为相邻的振幅。
进一步而言，本示例可以采用3σ法则查找异常值，具体而言，将原始振动曲线切分为多个区间，获得原始振动区间，例如，假设原始振动曲线存在1000个点，可以按照时序先后，以200个点位一个区间，将原始振动曲线切分为5个区间。
计算每个原始振动区间中、振幅的数值的平均值u与标准差σ。
在平均值u的基础上加上标准差σ的三倍值，获得第一目标值u+3σ。
在平均值u的基础上减去标准差σ的三倍值，获得第二目标值u-3σ。
若原始振动区间中的振幅的数值大于第一目标值u+3σ或小于第二目标值u-3σ，则确定该振幅符合扰动异常，为第二原始异常振幅。
除了3σ法则之外，在实施本发明实施例时，可以根据实际情况设置其他检测第二原始异常振幅的方式，例如，超过所有振幅的平均值的n倍，即为第二原始异常振幅，等等，本发明实施例对此不加以限制。
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、将n条原始振动曲线分别输入卷积神经网络中进行处理，以分别提取n个原始振动特征。
在本实施例中，可预先训练振动预测模型，该振动预测模型可用于根据电机连续n次通过皮带驱动地铁站台的闸门开启时、皮带的振幅，预测电机下一次通过皮带驱动地铁站台的闸门开启时、皮带的振幅。
如图4所示，该振动预测模型可包括三层结构，沿正向传播的方向分别为：
1、卷积神经网络(Convolutional Neural Network，CNN)410
2、长短期记忆网络(Long Short-Term Memory，LSTM)420
3、深度神经网络(Deep Neural Networks，DNN)430
其中，卷积神经网络是一种带有卷积结构的神经网络，即卷积神经网络包含了一个由卷积层和子采样层(池化层)构成的特征抽取器。在卷积神经网络的卷积层中，一个神经元只与部分邻层神经元连接。在CNN的一个卷积层中，通常包含若干个特征图(featureMap)，每个特征图由一些矩形排列的神经元组成，同一特征图的神经元共享权值，这里共享的权值就是卷积核。卷积核一般以随机小数矩阵的形式初始化，在网络的训练过程中卷积核将学习得到合理的权值。共享权值(卷积核)带来的直接好处是减少网络各层之间的连接，同时又降低了过拟合的风险。子采样也叫做池化(pooling)，通常有均值子采样(mean pooling)、最大值子采样(max pooling)、最小值子采样(min pooling)等形式。子采样可以看作一种特殊的卷积过程。卷积和子采样大大简化了模型复杂度，减少了模型的参数。
需要说明的是，卷积神经网络是通用性的网络，即针对n条电机连续n次通过皮带驱动地铁站台的闸门开启时、皮带的原始振动曲线，使用相同的卷积神经网络提取n个原始振动特征。
在一个示例中，如图4所示，卷积神经网络410包括第一卷积层411、第二卷积层412、第三卷积层413、池化层(Pooling layer)414。
其中，第一卷积层411、第二卷积层412、第三卷积层413均为卷积层(Convolutional layer)，卷积神经网路中每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法优化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可提取一些低级的特征如边缘、线条和角等，更多层的网络能从低级特征中迭代提取更复杂的特征。
池化层通常在卷积层之后会得到维度很大的特征，将特征切成几个区域，取其平均值、最大值或最小值，得到新的、维度较小的特征。
在本示例中，将n条原始振动曲线(x1，x2，……，xn-1，xn)401分别输入第一卷积层411中进行卷积操作，以分别输出n个第一原始候选特征402。
假设目标振动曲线401是维度为1000的向量，第一卷积层411的卷积核大小为4，stride(步幅)为1，经过卷积操作之后，第一原始候选特征402是维度为997的向量。
将n个第一原始候选特征402分别输入第二卷积层412中进行卷积操作，以分别输出n个第二原始候选特征403。
假设第二卷积层412的卷积核大小为8，stride为2，经过卷积操作之后，第二原始候选特征403是维度为495的向量。
将n个第二原始候选特征403分别输入第三卷积层413中进行卷积操作，以分别输出n个第三原始候选特征404。
假设第三卷积层413的卷积核大小为16，stride为2，经过卷积操作之后，第三原始候选特征404是维度为240的向量。
将n个第三原始候选特征404分别输入池化层414中进行池化操作，以分别输出n个原始振动特征405。
假设池化层414的核大小为4，stride为1，经过最大值的池化操作之后，原始振动特征405是维度为237的向量。
当然，上述卷积神经网络的结构只是作为示例，在实施本发明实施例时，可以根据实际情况设置其他卷积神经网络的结构，例如，使用两层卷积层，或者，使用四层卷积层，等等，本发明实施例对此不加以限制。另外，除了上述卷积神经网络的结构外，本领域技术人员还可以根据实际需要采用其它卷积神经网络的结构，本发明实施例对此也不加以限制。
S103、将n个原始振动特征按照顺序依次输入n个链式依赖的长短期记忆网络中进行处理，以依次输出n个原始隐含特征。
长短期记忆网络属于RNN(Recurrent Neural Network，循环神经网络)的特殊类型，可以学习长期依赖信息，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。
需要说明的是，长短期记忆网络是专用性的网络，原始振动曲线与长短期记忆网络是一一对应的关系，即针对每条电机通过皮带驱动地铁站台的闸门开启时、皮带的原始振动曲线，使用独立的长短期记忆网络提取原始隐含特征。
此外，所谓链式依赖，即在后的长短期记忆网络的输入依赖于在先的长短期记忆网络的输出。
在具体实现中，如图4所示，可按照顺序依次遍历n个原始振动特征，针对当前原始振动特征、确定上一长短期记忆网络输出的原始保留特征，将当前原始振动特征、上一原始保留特征输入当前长短期记忆网络中进行处理，以输出原始保留特征与原始隐含特征，当前的原始保留特征输出至下一长短期记忆网络，如此循环，直至n个LSTM完成处理n个原始振动特征。
原始RNN的隐藏层只有一个状态，即h，它对于短期的输入非常敏感。再增加一个状态，即c，让它来保存长期的状态，称为单元状态(cell state)。
LSTM在前向计算时，用到了门(gate)的概念。门实际上就是一层全连接层，它的输入是一个向量，输出是一个0到1之间的实数向量。
LSTM用两个门来控制单元状态c的内容，一个是遗忘门(forget gate)，它决定了上一时刻t-1的单元状态ct-1有多少保留到当前时刻t的单元状态ct；另一个是输入门(input gate)，它决定了当前时刻网络的输入xt有多少保存到单元状态ct。LSTM用输出门(output gate)来控制单元状态ct有多少输出到LSTM的当前输出值ht。
对于遗忘门ft：
ft＝σ(Wf·[ht-1，xt]+bf)
其中，Wf是遗忘门的权重矩阵，ht-1表示上一时刻t-1的输出，xt表示当前时刻的输入，[ht-1，xt]表示把两个向量连接成一个更长的向量，bf是遗忘门的偏置项，σ是sigmoid函数。
对于输入门it：
it＝σ(Wi·[ht-1，xt]+bi)
其中，Wi是输入门的权重矩阵，bi是输入门的偏置项。
对于描述当前时刻t的单元状态
其中，tanh()表示激活函数，Wc是单元状态的权重矩阵，bc是单元状态的偏置项。
由上一时刻t-1的单元状态ct-1按元素乘以遗忘门ft，再用当前时刻t的单元状态按元素乘以输入门it，再将两个积加和产生当前时刻的单元状态ct：
其中，符号表示按元素乘。
这样子，就把LSTM关于当前的记忆和长期的记忆ct-1组合在一起，形成了新的单元状态ct。由于遗忘门的控制，它可以保存很久很久之前的信息，由于输入门的控制，它又可以避免当前无关紧要的内容进入记忆。
接着，输出门ot控制了长期记忆对当前输出的影响：
ot＝σ(Wo·[ht-1，xt]+bo)
其中，Wo是输出门的权重矩阵，bo是输出门的偏置项
那么，对于输出门ot的输出ht：
在本实施例中，可将当前原始振动特征、上一原始保留特征输入当前长短期记忆网络中进行处理，确定当前长短期记忆网络中遗忘门输出的特征(即当前时刻的单元状态ct)为原始保留特征，确定当前长短期记忆网络中输出门输出的特征(即输出门ot的输出ht)为原始隐含特征。
S104、将n个原始隐含特征输入深度神经网络中进行处理，以生成电机下一次通过皮带驱动地铁站台的闸门开启时、皮带的振幅，获得目标振动曲线。
神经网络是基于感知机的扩展，而DNN可以理解为有很多隐藏层的神经网络。多层神经网络和深度神经网络DNN其实也是指的一个东西，DNN有时也叫做多层感知机(Multi-Layer perceptron，MLP)。
从DNN按不同层的位置划分，DNN内部的神经网络层可以分为三类，输入层，隐藏层和输出层，一般来说第一层是输入层，最后一层是输出层，而中间的层数都是隐藏层。
在具体实现中，如图4所示，将n个原始隐含特征(h1，h2，……，hn-1，hn)输入到DNN中，映射为电机下一次通过皮带驱动地铁站台的闸门开启时、皮带的振幅，作为目标振动曲线xn+1，目标振动曲线xn+1的维度数量与原始振动曲线(x1，x2，……，xn-1，xn)的维度数量相同。
在本实施例中，检测电机连续n次通过皮带驱动地铁站台的闸门开启时、皮带的振幅，获得n条原始振动曲线，将n条原始振动曲线分别输入卷积神经网络中进行处理，以分别提取n个原始振动特征，将n个原始振动特征按照顺序依次输入n个链式依赖的长短期记忆网络中进行处理，以依次输出n个原始隐含特征，将n个原始隐含特征输入深度神经网络中进行处理，以生成电机下一次通过皮带驱动地铁站台的闸门开启时、皮带的振幅，获得目标振动曲线，皮带在一定的时间范围内，状态是较为稳定的，即其振动在一定的时间范围内存在相关性，原始振动曲线属于在时间维度相关的、长序列的数据，通过卷积神经网络降维实现长序列数据的处理，通过长短期记忆网络提取时间维度的特征实现时间维度下数据的处理，以此映射出电机下一次通过皮带驱动地铁站台的闸门开启时、皮带的振幅，可以保证振幅的准确性，从而实现实时监测皮带在闸门开启时的状态，有助于提升开启闸门的控制效果，并可提供皮带在闸门开启时状态的异常预警，减小闸门在开启时皮带发生故障的几率，从而提升检修皮带的效率。
实施例二
图5为本发明实施例二提供的一种振动预测模型的训练方法的流程图，本实施例可适用于训练振动预测模型，以针对电机通过皮带驱动地铁站台闸门开启，根据皮带在先的振动曲线预测在后的振动曲线的情况，该方法可以由振动预测模型的训练装置来执行，该振动预测模型的训练装置可以由软件和/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：
S501、检测电机连续n次通过皮带驱动地铁站台的闸门开启时、皮带的振幅，获得n条样本振动曲线。
在训练振动预测模型时，可从数据库提取历史一段时间内电机连续n次通过皮带驱动地铁站台的闸门开启时、皮带的振幅，作为n条样本振动曲线。
由于从皮带采集回来的振幅会因为现场环境扰动或者通信信号丢失等原因产生异常数据，在训练振动预测模型之前，可对样本振动曲线进行预处理，使得样本在一种预处理的示例中，振动曲线符合计算的规范。
在一种预处理的示例中，在样本振动曲线查找符合业务异常的振幅，作为第一样本异常振幅，将第一样本异常振幅替换为皮带在未运行时的振幅。
在另一种预处理的示例中，在样本振动曲线查找符合扰动异常的振幅，作为第二样本异常振幅，将与第二样本异常振幅相邻(位于左侧或位于右侧)的振幅替换第二样本异常振幅。
在具体实现中，可将样本振动曲线切分为多个区间，获得样本振动区间；计算样本振动区间中、振幅的平均值与标准差；在平均值的基础上加上标准差的三倍值，获得第一样本值；在平均值的基础上减去标准差的三倍值，获得第二样本值；若样本振动区间中的振幅大于第一样本值或小于第二样本值，则确定振幅符合扰动异常，为第二样本异常振幅。
S502、检测电机在下一次通过皮带驱动地铁站台的闸门开启时、皮带的振幅，获得参考振动曲线。
在本实施例中，可检测电机在下一次(即第n+1次)通过皮带驱动地铁站台的闸门开启时、皮带的振幅，作为参考振动曲线，对于振动预测模型，该参考振动曲线可视为标签(Tag)。
S503、将n条样本振动曲线分别输入卷积神经网络中进行处理，以分别提取n个样本振动特征。
在本实施例中，卷积神经网络包括第一卷积层、第二卷积层、第三卷积层、池化层。
将n条样本振动曲线分别输入第一卷积层中进行卷积操作，以分别输出n个第一样本候选特征。
将n个第一样本候选特征分别输入第二卷积层中进行卷积操作，以分别输出n个第二样本候选特征。
将n个第二样本候选特征分别输入第三卷积层中进行卷积操作，以分别输出n个第三样本候选特征。
将n个第三样本候选特征分别输入池化层中进行池化操作，以分别输出n个样本振动特征。
S504、将n个样本振动特征按照顺序依次输入n个链式依赖的长短期记忆网络中进行处理，以依次输出n个样本隐含特征。
在本实施例中，可按照顺序依次遍历n个样本振动特征，针对当前样本振动特征、确定上一长短期记忆网络输出的样本保留特征；将当前样本振动特征、上一样本保留特征输入当前长短期记忆网络中进行处理，以输出样本保留特征与样本隐含特征。
在具体实现中，将当前样本振动特征、上一样本保留特征输入当前长短期记忆网络中进行处理；确定当前长短期记忆网络中遗忘门输出的特征为样本保留特征；确定当前长短期记忆网络中输出门输出的特征为样本隐含特征。
在本发明的一个实施例中，在各个长短期记忆网络中增加dropout机制，防止过拟合。
对于dropout机制，可在本次训练(前向传播)中，以一定的概率(如dropout＝0.5时，概率为50％)，通过掩膜等方式忽略当前长短期记忆网络中的部分神经网络单元；
将当前样本振动特征按照顺序输入当前长短期记忆网络中、以未忽略的神经网络单元提取样本隐含特征。
S505、将n个样本隐含特征输入深度神经网络中进行处理，以生成电机下一次通过皮带驱动地铁站台的闸门开启时、皮带的振幅，获得预测振动曲线。
在本实施例中，将n个样本隐含特征输入到DNN中，映射为电机下一次通过皮带驱动地铁站台的闸门开启时、皮带的振幅，作为预测振动曲线，预测振动曲线的维度数量与样本振动曲线的维度数量相同。
S506、根据预测振动曲线与参考振动曲线将卷积神经网络、n个链式依赖的长短期记忆网络与深度神经网络训练为振动预测模型。
在本实施例中，振动预测模型包括卷积神经网络、n个链式依赖的长短期记忆网络与深度神经网络，对振动预测模型训练的参数有3个，分别是建模时间长度、批训练大小和训练迭代次数。
建模时间长度是指要预测振动曲线跟前面n条样本振动曲线是相关的，n即是建模时间长度，如300。
批训练大小是指振动预测模型在每次训练时样本数量大小，即样本振动曲线的数量，如200。
训练迭代次数是指振动预测模型的训练次数，如300。
如图6所示，参考振动曲线601为实际的结果，预测振动曲线602为预估的结果，将预测振动曲线601与参考振动曲线602进行比较，可以评估振动预测模型的质量，以此指导振动预测模型的训练。
在本发明的一个实施例中，S506可以包括如下步骤：
S5061、计算预测振动曲线与参考振动曲线之间的差异，作为损失值。
在本实施例中，可将预测振动曲线与参考振动曲线进行对比，可以得到预测振动曲线与参考振动曲线之间的差异，作为预测电机下一次通过皮带驱动地铁站台的闸门开启时、皮带的振幅的损失值LOSS。
在一个示例中，如图7所示，可针对每个相同的时间(即采集振动的时间)，分别计算预测振动曲线中的振幅701(颜色较深的部分)与参考振动曲线中的振幅702(颜色较浅的部分)之间的差值，作为点偏差值，计算所有点偏差值的平均值，作为损失值LOSS。
当然，除了点偏差值的平均值之外，还可以采用其他方式计算损失值LOSS，例如，计算点偏差值的和值，等等，本实施例对此不加以限制。
S5062、判断是否满足停止条件；若是，则执行S5063，若否，则执行S5064。
S5063、输出卷积神经网络、n个链式依赖的长短期记忆网络与深度神经网络为振动预测模型。
在本实施例中，可以预先设置停止条件，如损失值小于预设的阈值、到达训练迭代次数，等等。
在满足该停止条件时，确定完成训练振动预测模型，存储卷积神经网络、n个链式依赖的长短期记忆网络与深度神经网络的结构、参数(包括权重)，卷积神经网络、n个链式依赖的长短期记忆网络与深度神经网络在加载该参数(包括权重)时，可用于根据电机连续n次通过皮带驱动地铁站台的闸门开启时、皮带的振幅，预测电机下一次通过皮带驱动地铁站台的闸门开启时、皮带的振幅。
在未满足该停止条件时，继续训练振动预测模型，更新卷积神经网络、n个链式依赖的长短期记忆网络与深度神经网络的参数。
S5064、基于损失值更新深度神经网络、n个链式依赖的长短期记忆网络与卷积神经网络，返回执行S503、S504、S505，进入下一次训练。
在本实施例中，可以基于损失值以反向传播的方式，更新深度神经网络、n个链式依赖的长短期记忆网络与卷积神经网络的参数(包括权重)。
在本发明的一个实施例中，在各个长短期记忆网络中增加dropout机制，防止过拟合。
对于dropout机制，可在本次训练(反向传播)中，确定当前长短期记忆网络中未忽略的神经网络单元，通过掩膜等方式更新未忽略的神经网络单元中的权重。
在本发明的另一个实施例中，增加充值隐藏层的机制，断开与上一次迭代的连接，因为每次Batch只会不重置隐藏层，损失值LOSS可能陷入局部最优，增加该机制，可以在陷入局部最优时对可行解增加随机扰动，更容易跳出局部最优。
在具体实现中，在本次训练中，针对首个长短期记忆网络，随机设置输入首个长短期记忆网络中隐藏层的数据，在反向传播时，基于数据训练首个(即第一个)长短期记忆网络。
在本实施例中，检测电机连续n次通过皮带驱动地铁站台的闸门开启时、皮带的振幅，获得n条样本振动曲线；检测电机在下一次通过皮带驱动地铁站台的闸门开启时、皮带的振幅，获得参考振动曲线，将n条样本振动曲线分别输入卷积神经网络中进行处理，以分别提取n个样本振动特征，将n个样本振动特征按照顺序依次输入n个链式依赖的长短期记忆网络中进行处理，以依次输出n个样本隐含特征，将n个样本隐含特征输入深度神经网络中进行处理，以生成电机下一次通过皮带驱动地铁站台的闸门开启时、皮带的振幅，获得预测振动曲线，根据预测振动曲线与参考振动曲线将卷积神经网络、n个链式依赖的长短期记忆网络与深度神经网络训练为振动预测模型，皮带在一定的时间范围内，状态是较为稳定的，即其振动在一定的时间范围内存在相关性，样本振动曲线属于在时间维度相关的、长序列的数据，通过卷积神经网络降维实现长序列数据的处理，通过长短期记忆网络提取时间维度的特征实现时间维度下数据的处理，以此预测出电机下一次通过皮带驱动地铁站台的闸门开启时、皮带的振幅并训练振动预测模型，可以保证振动预测模型的性能，即保证所预测的振幅的准确性，从而实现实时监测皮带在闸门开启时的状态，有助于提升开启闸门的控制效果，并可提供皮带在闸门开启时状态的异常预警，减小闸门在开启时皮带发生故障的几率，从而提升检修皮带的效率。
实施例三
图8为本发明实施例三提供的一种振动预测方法的流程图，本实施例可适用于针对电机通过皮带驱动地铁站台闸门关闭，根据皮带在先的振动曲线预测在后的振动曲线的情况，该方法可以由振动预测装置来执行，该振动预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：
S801、检测电机连续n次通过皮带驱动地铁站台的闸门关闭时、皮带的振幅，获得n条原始振动曲线。
在本实施例中，针对皮带布局传感器，该传感器以预设的频率实时检测电机在通过皮带驱动地铁站台的闸门关闭时、皮带的振幅(即振动幅值)，电机在停止运行的情况下，皮带自然垂直，与传感器间隔固定的距离，此时振幅恒定。
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9所示，以时间(time)为横轴，数值(value)为纵轴，建立坐标轴，将各个电机在通过皮带驱动地铁站台的闸门关闭时、皮带的振幅以点的形式标记在该坐标轴上，从而生成原始振动曲线900。
如图9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，皮带振幅的波动较大，然后慢慢减少电流的数值，皮带的振幅慢慢上升，波动减少并趋于平缓，直至闸门关上电流消失，皮带处于绷紧的状态，振幅恒定。
如图9所示，皮带在自然垂直的状态下离传感器的距离是15000，在闸门关闭的过程中皮带离传感器的距离是往15000不断上升，在电机停止时，振幅在接近15000的某个位置停止。
与图2所示的电机在驱动地铁站台的闸门开启的原始振动曲线进行对比，电机在驱动地铁站台的闸门开启、关闭时，原始振动曲线存在不同的特性，如振动方向相反，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，即独立训练振动预测模型，独立预测电机在下一次驱动地铁站台的闸门开启、关闭时皮带的振幅，作为原始振动曲线。
若预测电机下一次通过皮带驱动地铁站台的闸门关闭时、皮带的振幅，则可以从数据库提取当前时间之前一段时间内的电机连续n(n为正整数)次通过皮带驱动地铁站台的闸门关闭时、皮带的振幅，作为原始振动曲线。
所谓连续，电机通过皮带驱动地铁站台的闸门关闭这个操作，一个接着一个，即提取当前时间之前，第1次电机通过皮带驱动地铁站台的闸门关闭时、皮带的振幅，第2次电机通过皮带驱动地铁站台的闸门关闭时、皮带的振幅，第3次电机通过皮带驱动地铁站台的闸门关闭时、皮带的振幅……第n次电机通过皮带驱动地铁站台的闸门关闭时、皮带的振幅。
由于从皮带采集回来的振幅会因为现场环境扰动或者通信信号丢失等原因产生异常数据，在预测电机下一次通过皮带驱动地铁站台的闸门关闭时、皮带的振幅之前，可对原始振动曲线进行预处理，使得原始振动曲线符合计算的规范。
在一种预处理的示例中，在原始振动曲线查找符合业务异常的振幅，作为第一原始异常振幅，将第一原始异常振幅替换为皮带在未运行时的振幅，即皮带处于自然垂直的状态下，离传感器的距离。
在本示例中，在采集电机通过皮带驱动地铁站台的闸门关闭时、皮带的振幅的过程中，若通信信号发生丢失，则***将会返回一个异常值(即第一原始异常振幅)，如65535，此时，对于该异常值(即第一原始异常振幅)，可替换为皮带在未运行时的振幅，如15000。
在另一种预处理的示例中，在原始振动曲线查找符合扰动异常的振幅，作为第二原始异常振幅，将与第二原始异常振幅相邻(位于左侧或位于右侧)的振幅替换第二原始异常振幅。
在本示例中，在采集电机通过皮带驱动地铁站台的闸门关闭时、皮带的振幅的过程中，若场环境存在扰动影响，则皮带会产生在取值合理区内的异常值(即第二原始异常振幅)，即这些异常值的取值范围在0到30000以内，但是，这些值又明显跟曲线趋势不符合。
进一步而言，本示例可以采用3σ法则查找异常值，具体而言，将原始振动曲线切分为多个区间，获得原始振动区间，例如，假设原始振动曲线存在1000个点，可以按照时序先后，以200个点位一个区间，将原始振动曲线切分为5个区间。
计算每个原始振动区间中、振幅的数值的平均值u与标准差σ。
在平均值u的基础上加上标准差σ的三倍值，获得第一目标值u+3σ。
在平均值u的基础上减去标准差σ的三倍值，获得第二目标值u-3σ。
若原始振动区间中的振幅的数值大于第一目标值u+3σ或小于第二目标值u-3σ，则确定该振幅符合扰动异常，为第二原始异常振幅。
除了3σ法则之外，在实施本发明实施例时，可以根据实际情况设置其他检测第二原始异常振幅的方式，例如，超过所有振幅的平均值的n倍，即为第二原始异常振幅，等等，本发明实施例对此不加以限制。
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。
S802、将n条原始振动曲线分别输入卷积神经网络中进行处理，以分别提取n个原始振动特征。
在本实施例中，可预先训练振动预测模型，该振动预测模型可用于根据电机连续n次通过皮带驱动地铁站台的闸门关闭时、皮带的振幅，预测电机下一次通过皮带驱动地铁站台的闸门关闭时、皮带的振幅。
该振动预测模型可包括三层结构，沿正向传播的方向分别为：
1、卷积神经网络(Convolutional Neural Network，CNN)
2、长短期记忆网络(Long Short-Term Memory，LSTM)
3、深度神经网络(Deep Neural Networks，DNN)
需要说明的是，卷积神经网络是通用性的网络，即针对n条电机连续n次通过皮带驱动地铁站台的闸门关闭时、皮带的原始振动曲线，使用相同的卷积神经网络提取n个原始振动特征。
在一个示例中，卷积神经网络包括第一卷积层、第二卷积层、第三卷积层、池化层(Pooling layer)。
其中，第一卷积层、第二卷积层、第三卷积层均为卷积层(Convolutional layer)。
池化层通常在卷积层之后会得到维度很大的特征，将特征切成几个区域，取其平均值、最大值或最小值，得到新的、维度较小的特征。
在本示例中，将n条原始振动曲线(x1，x2，……，xn-1，xn)分别输入第一卷积层中进行卷积操作，以分别输出n个第一原始候选特征。
将n个第一原始候选特征分别输入第二卷积层中进行卷积操作，以分别输出n个第二原始候选特征。
将n个第二原始候选特征分别输入第三卷积层中进行卷积操作，以分别输出n个第三原始候选特征。
将n个第三原始候选特征分别输入池化层中进行池化操作，以分别输出n个原始振动特征。
当然，上述卷积神经网络的结构只是作为示例，在实施本发明实施例时，可以根据实际情况设置其他卷积神经网络的结构，例如，使用两层卷积层，或者，使用四层卷积层，等等，本发明实施例对此不加以限制。另外，除了上述卷积神经网络的结构外，本领域技术人员还可以根据实际需要采用其它卷积神经网络的结构，本发明实施例对此也不加以限制。
S803、将n个原始振动特征按照顺序依次输入n个链式依赖的长短期记忆网络中进行处理，以依次输出n个原始隐含特征。
长短期记忆网络是专用性的网络，原始振动曲线与长短期记忆网络是一一对应的关系，即针对每条电机通过皮带驱动地铁站台的闸门关闭时、皮带的原始振动曲线，使用独立的长短期记忆网络提取原始隐含特征。
此外，所谓链式依赖，即在后的长短期记忆网络的输入依赖于在先的长短期记忆网络的输出。
在具体实现中，可按照顺序依次遍历n个原始振动特征，针对当前原始振动特征、确定上一长短期记忆网络输出的原始保留特征，将当前原始振动特征、上一原始保留特征输入当前长短期记忆网络中进行处理，以输出原始保留特征与原始隐含特征，当前的原始保留特征输出至下一长短期记忆网络，如此循环，直至n个LSTM完成处理n个原始振动特征。
原始RNN的隐藏层只有一个状态，即h，它对于短期的输入非常敏感。再增加一个状态，即c，让它来保存长期的状态，称为单元状态(cell state)。
LSTM在前向计算时，用到了门(gate)的概念。门实际上就是一层全连接层，它的输入是一个向量，输出是一个0到1之间的实数向量。
LSTM用两个门来控制单元状态c的内容，一个是遗忘门(forget gate)，它决定了上一时刻t-1的单元状态ct-1有多少保留到当前时刻t的单元状态ct；另一个是输入门(input gate)，它决定了当前时刻网络的输入xt有多少保存到单元状态ct。LSTM用输出门(output gate)来控制单元状态ct有多少输出到LSTM的当前输出值ht。
对于遗忘门ft：
ft＝σ(Wf·[ht-1，xt]+bf)
其中，Wf是遗忘门的权重矩阵，ht-1表示上一时刻t-1的输出，xt表示当前时刻的输入，[ht-1，xt]表示把两个向量连接成一个更长的向量，bf是遗忘门的偏置项，σ是sigmoid函数。
对于输入门it：
it＝σ(Wi·[ht-1，xt]+bi)
其中，Wi是输入门的权重矩阵，bi是输入门的偏置项。
对于描述当前时刻t的单元状态
其中，tanh()表示激活函数，Wc是单元状态的权重矩阵，bc是单元状态的偏置项。
由上一时刻t-1的单元状态ct-1按元素乘以遗忘门ft，再用当前时刻t的单元状态按元素乘以输入门it，再将两个积加和产生当前时刻的单元状态ct：
其中，符号表示按元素乘。/>
这样子，就把LSTM关于当前的记忆和长期的记忆ct-1组合在一起，形成了新的单元状态ct。由于遗忘门的控制，它可以保存很久很久之前的信息，由于输入门的控制，它又可以避免当前无关紧要的内容进入记忆。
接着，输出门ot控制了长期记忆对当前输出的影响：
ot＝σ(Wo·[ht-1，xt]+bo)
其中，Wo是输出门的权重矩阵，bo是输出门的偏置项
那么，对于输出门ot的输出ht：
在本实施例中，可将当前原始振动特征、上一原始保留特征输入当前长短期记忆网络中进行处理，确定当前长短期记忆网络中遗忘门输出的特征(即当前时刻的单元状态ct)为原始保留特征，确定当前长短期记忆网络中输出门输出的特征(即输出门ot的输出ht)为原始隐含特征。
S804、将n个原始隐含特征输入深度神经网络中进行处理，以生成电机下一次通过皮带驱动地铁站台的闸门关闭时、皮带的振幅，获得目标振动曲线。
在具体实现中，将n个原始隐含特征(h1，h2，……，hn-1，hn)输入到DNN中，映射为电机下一次通过皮带驱动地铁站台的闸门关闭时、皮带的振幅，作为目标振动曲线xn+1，目标振动曲线xn+1的维度数量与原始振动曲线(x1，x2，……，xn-1，xn)的维度数量相同。
在本实施例中，检测电机连续n次通过皮带驱动地铁站台的闸门关闭时、皮带的振幅，获得n条原始振动曲线，将n条原始振动曲线分别输入卷积神经网络中进行处理，以分别提取n个原始振动特征，将n个原始振动特征按照顺序依次输入n个链式依赖的长短期记忆网络中进行处理，以依次输出n个原始隐含特征，将n个原始隐含特征输入深度神经网络中进行处理，以生成电机下一次通过皮带驱动地铁站台的闸门关闭时、皮带的振幅，获得目标振动曲线，皮带在一定的时间范围内，状态是较为稳定的，即其振动在一定的时间范围内存在相关性，原始振动曲线属于在时间维度相关的、长序列的数据，通过卷积神经网络降维实现长序列数据的处理，通过长短期记忆网络提取时间维度的特征实现时间维度下数据的处理，以此映射出电机下一次通过皮带驱动地铁站台的闸门关闭时、皮带的振幅，可以保证振幅的准确性，从而实现实时监测皮带在闸门关闭时的状态，有助于提升关闭闸门的控制效果，并可提供皮带在闸门关闭时状态的异常预警，减小闸门在关闭时皮带发生故障的几率，从而提升检修皮带的效率。
实施例四
图10为本发明实施例四提供的一种振动预测模型的训练方法的流程图，本实施例可适用于训练振动预测模型，以针对电机通过皮带驱动地铁站台闸门关闭，根据皮带在先的振动曲线预测在后的振动曲线的情况，该方法可以由振动预测模型的训练装置来执行，该振动预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：
S1001、检测电机连续n次通过皮带驱动地铁站台的闸门关闭时、皮带的振幅，获得n条样本振动曲线。
在训练振动预测模型时，可从数据库提取历史一段时间内电机连续n次通过皮带驱动地铁站台的闸门关闭时、皮带的振幅，作为n条样本振动曲线。
由于从皮带采集回来的振幅会因为现场环境扰动或者通信信号丢失等原因产生异常数据，在训练振动预测模型之前，可对样本振动曲线进行预处理，使得样本在一种预处理的示例中，中振动曲线符合计算的规范。
在一种预处理的示例中，在样本振动曲线查找符合业务异常的振幅，作为第一样本异常振幅，将第一样本异常振幅替换为皮带在未运行时的振幅。
在另一种预处理的示例中，在样本振动曲线查找符合扰动异常的振幅，作为第二样本异常振幅，将与第二样本异常振幅相邻(位于左侧或位于右侧)的振幅替换第二样本异常振幅。
在具体实现中，可将样本振动曲线切分为多个区间，获得样本振动区间；计算样本振动区间中、振幅的平均值与标准差；在平均值的基础上加上标准差的三倍值，获得第一样本值；在平均值的基础上减去标准差的三倍值，获得第二样本值；若样本振动区间中的振幅大于第一样本值或小于第二样本值，则确定振幅符合扰动异常，为第二样本异常振幅。
S1002、检测电机在下一次通过皮带驱动地铁站台的闸门关闭时、皮带的振幅，获得参考振动曲线。
在本实施例中，可检测电机在下一次(即第n+1次)通过皮带驱动地铁站台的闸门关闭时、皮带的振幅，作为参考振动曲线，对于振动预测模型，该参考振动曲线可视为标签(Tag)。
S1003、将n条样本振动曲线分别输入卷积神经网络中进行处理，以分别提取n个样本振动特征。
在本实施例中，卷积神经网络包括第一卷积层、第二卷积层、第三卷积层、池化层。
将n条样本振动曲线分别输入第一卷积层中进行卷积操作，以分别输出n个第一样本候选特征。
将n个第一样本候选特征分别输入第二卷积层中进行卷积操作，以分别输出n个第二样本候选特征。
将n个第二样本候选特征分别输入第三卷积层中进行卷积操作，以分别输出n个第三样本候选特征。
将n个第三样本候选特征分别输入池化层中进行池化操作，以分别输出n个样本振动特征。
S1004、将n个样本振动特征按照顺序依次输入n个链式依赖的长短期记忆网络中进行处理，以依次输出n个样本隐含特征。
在本实施例中，可按照顺序依次遍历n个样本振动特征，针对当前样本振动特征、确定上一长短期记忆网络输出的样本保留特征；将当前样本振动特征、上一样本保留特征输入当前长短期记忆网络中进行处理，以输出样本保留特征与样本隐含特征。
在具体实现中，将当前样本振动特征、上一样本保留特征输入当前长短期记忆网络中进行处理；确定当前长短期记忆网络中遗忘门输出的特征为样本保留特征；确定当前长短期记忆网络中输出门输出的特征为样本隐含特征。
在本发明的一个实施例中，在各个长短期记忆网络中增加dropout机制，防止过拟合。
对于dropout机制，可在本次训练(前向传播)中，以一定的概率(如dropout＝0.5时，概率为50％)，通过掩膜等方式忽略当前长短期记忆网络中的部分神经网络单元；
将当前样本振动特征按照顺序输入当前长短期记忆网络中、以未忽略的神经网络单元提取样本隐含特征。
S1005、将n个样本隐含特征输入深度神经网络中进行处理，以生成电机下一次通过皮带驱动地铁站台的闸门关闭时、皮带的振幅，获得预测振动曲线。
在本实施例中，将n个样本隐含特征输入到DNN中，映射为电机下一次通过皮带驱动地铁站台的闸门关闭时、皮带的振幅，作为预测振动曲线，预测振动曲线的维度数量与样本振动曲线的维度数量相同。
S1006、根据预测振动曲线与参考振动曲线将卷积神经网络、n个链式依赖的长短期记忆网络与深度神经网络训练为振动预测模型。
在本实施例中，振动预测模型包括卷积神经网络、n个链式依赖的长短期记忆网络与深度神经网络，对振动预测模型训练的参数有3个，分别是建模时间长度、批训练大小和训练迭代次数。
建模时间长度是指要预测振动曲线跟前面n条样本振动曲线是相关的，n即是建模时间长度，如300。
批训练大小是指振动预测模型在每次训练时样本数量大小，即样本振动曲线的数量，如200。
训练迭代次数是指振动预测模型的训练次数，如300。
参考振动曲线为实际的结果，预测振动曲线为预估的结果，将预测振动曲线与参考振动曲线进行比较，可以评估振动预测模型的质量，以此指导振动预测模型的训练。
在本发明的一个实施例中，S1006可以包括如下步骤：
S10061、计算预测振动曲线与参考振动曲线之间的差异，作为损失值。
在本实施例中，可将预测振动曲线与参考振动曲线进行对比，可以得到预测振动曲线与参考振动曲线之间的差异，作为预测电机下一次通过皮带驱动地铁站台的闸门关闭时、皮带的振幅的损失值LOSS。
在一个示例中，如图所示，可针对每个相同的时间(即采集振动的时间)，分别计算预测振动曲线中的振幅与参考振动曲线中的振幅之间的差值，作为点偏差值，计算所有点偏差值的平均值，作为损失值LOSS。
当然，除了点偏差值的平均值之外，还可以采用其他方式计算损失值LOSS，例如，计算点偏差值的和值，等等，本实施例对此不加以限制。
S10062、判断是否满足停止条件；若是，则执行S10063，若否，则执行S10064。
S10063、输出卷积神经网络、n个链式依赖的长短期记忆网络与深度神经网络为振动预测模型。
在本实施例中，可以预先设置停止条件，如损失值小于预设的阈值、到达训练迭代次数，等等。
在满足该停止条件时，确定完成训练振动预测模型，存储卷积神经网络、n个链式依赖的长短期记忆网络与深度神经网络的结构、参数(包括权重)，卷积神经网络、n个链式依赖的长短期记忆网络与深度神经网络在加载该参数(包括权重)时，可用于根据电机连续n次通过皮带驱动地铁站台的闸门关闭时、皮带的振幅，预测电机下一次通过皮带驱动地铁站台的闸门关闭时、皮带的振幅。
在未满足该停止条件时，继续训练振动预测模型，更新卷积神经网络、n个链式依赖的长短期记忆网络与深度神经网络的参数。
S10064、基于损失值更新深度神经网络、n个链式依赖的长短期记忆网络与卷积神经网络，返回执行S1003、S1004、S1005，进入下一次训练。
在本实施例中，可以基于损失值以反向传播的方式，更新深度神经网络、n个链式依赖的长短期记忆网络与卷积神经网络的参数(包括权重)。
在本发明的一个实施例中，在各个长短期记忆网络中增加dropout机制，防止过拟合。
对于dropout机制，可在本次训练(反向传播)中，确定当前长短期记忆网络中未忽略的神经网络单元，通过掩膜等方式更新未忽略的神经网络单元中的权重。
在本发明的另一个实施例中，增加充值隐藏层的机制，断开与上一次迭代的连接，因为每次Batch只会不重置隐藏层，损失值LOSS可能陷入局部最优，增加该机制，可以在陷入局部最优时对可行解增加随机扰动，更容易跳出局部最优。
在具体实现中，在本次训练中，针对首个长短期记忆网络，随机设置输入首个长短期记忆网络中隐藏层的数据，在反向传播时，基于数据训练首个(即第一个)长短期记忆网络。
在本实施例中，检测电机连续n次通过皮带驱动地铁站台的闸门关闭时、皮带的振幅，获得n条样本振动曲线；检测电机在下一次通过皮带驱动地铁站台的闸门关闭时、皮带的振幅，获得参考振动曲线，将n条样本振动曲线分别输入卷积神经网络中进行处理，以分别提取n个样本振动特征，将n个样本振动特征按照顺序依次输入n个链式依赖的长短期记忆网络中进行处理，以依次输出n个样本隐含特征，将n个样本隐含特征输入深度神经网络中进行处理，以生成电机下一次通过皮带驱动地铁站台的闸门关闭时、皮带的振幅，获得预测振动曲线，根据预测振动曲线与参考振动曲线将卷积神经网络、n个链式依赖的长短期记忆网络与深度神经网络训练为振动预测模型，皮带在一定的时间范围内，状态是较为稳定的，即其振动在一定的时间范围内存在相关性，样本振动曲线属于在时间维度相关的、长序列的数据，通过卷积神经网络降维实现长序列数据的处理，通过长短期记忆网络提取时间维度的特征实现时间维度下数据的处理，以此预测出电机下一次通过皮带驱动地铁站台的闸门关闭时、皮带的振幅并训练振动预测模型，可以保证振动预测模型的性能，即保证所预测的振幅的准确性，从而实现实时监测皮带在闸门关闭时的状态，有助于提升关闭闸门的控制效果，并可提供皮带在闸门关闭时状态的异常预警，减小闸门在关闭时皮带发生故障的几率，从而提升检修皮带的效率。
实施例五
图11为本发明实施例五提供的一种振动预测装置的结构示意图，该装置具体可以包括如下模块：
原始振动曲线检测模块1101，用于检测电机连续n次通过皮带驱动地铁站台的闸门开启或关闭时、所述皮带的振幅，获得n条原始振动曲线；
原始振动特征提取模块1102，用于将n条所述原始振动曲线分别输入卷积神经网络中进行处理，以分别提取n个原始振动特征；
原始隐含特征提取模块1103，用于将n个所述原始振动特征按照顺序依次输入n个链式依赖的长短期记忆网络中进行处理，以依次输出n个原始隐含特征；
目标振动曲线预测模块1104，用于将所述n个原始隐含特征输入深度神经网络中进行处理，以生成所述电机下一次通过所述皮带驱动地铁站台的闸门开启或关闭时、所述皮带的振幅，获得目标振动曲线。
在本发明的一个实施例中，还包括：
第一原始异常振幅查找模块，用于在所述原始振动曲线查找符合业务异常的振幅，作为第一原始异常振幅；
第一原始异常振幅替换模块，用于将所述第一原始异常振幅替换为所述皮带在未运行时的振幅；
和/或，
第二原始异常振幅查找模块，用于在所述原始振动曲线查找符合扰动异常的振幅，作为第二原始异常振幅；
第二原始异常振幅替换模块，用于将与所述第二原始异常振幅相邻的振幅替换所述第二原始异常振幅。
在本发明的一个实施例中，所述第二原始异常振幅替换模块包括：
原始振动区间切分子模块，用于将所述原始振动曲线切分为多个区间，获得原始振动区间；
原始统计特征计算子模块，用于计算所述原始振动区间中、所述振幅的平均值与标准差；
第一目标值计算子模块，用于在所述平均值的基础上加上所述标准差的三倍值，获得第一目标值；
第二目标值计算子模块，用于在所述平均值的基础上减去所述标准差的三倍值，获得第二目标值；
原始振幅比较子模块，用于若所述原始振动区间中的所述振幅大于所述第一目标值或小于所述第二目标值，则确定所述振幅符合扰动异常，为第二原始异常振幅。
在本发明的一个实施例中，所述卷积神经网络包括第一卷积层、第二卷积层、第三卷积层、池化层；
所述原始振动特征提取模块1102包括：
第一原始候选特征提取子模块，用于将n条所述原始振动曲线分别输入第一卷积层中进行卷积操作，以分别输出n个第一原始候选特征；
第二原始候选特征提取子模块，用于将n个所述第一原始候选特征分别输入第二卷积层中进行卷积操作，以分别输出n个第二原始候选特征；
第三原始候选特征提取子模块，用于将n个所述第二原始候选特征分别输入第三卷积层中进行卷积操作，以分别输出n个第三原始候选特征；
原始振动特征输出子模块，用于将n个所述第三原始候选特征分别输入池化层中进行池化操作，以分别输出n个原始振动特征。
在本发明的一个实施例中，所述原始隐含特征提取模块1103包括：
原始保留特征确定子模块，用于按照顺序依次遍历n个所述原始振动特征，针对当前所述原始振动特征、确定上一长短期记忆网络输出的原始保留特征；
原始隐含特征输出子模块，用于将当前所述原始振动特征、上一所述原始保留特征输入当前所述长短期记忆网络中进行处理，以输出原始保留特征与原始隐含特征。
在本发明的一个实施例中，所述原始隐含特征输出子模块包括：
原始振动特征输入单元，用于将当前所述原始振动特征、上一所述原始保留特征输入当前所述长短期记忆网络中进行处理；
原始遗忘门输出单元，用于确定当前所述长短期记忆网络中遗忘门输出的特征为原始保留特征；
原始输出门输出单元，用于确定当前所述长短期记忆网络中输出门输出的特征为原始隐含特征。
本发明实施例所提供的振动预测装置可执行本发明任意实施例所提供的振动预测方法，具备执行方法相应的功能模块和有益效果。
实施例六
图12为本发明实施例六提供的一种振动预测模型的训练装置的结构示意图，该装置具体可以包括如下模块：
样本振动曲线检测模块1201，用于检测电机连续n次通过皮带驱动地铁站台的闸门开启或关闭时、所述皮带的振幅，获得n条样本振动曲线；
参考振动曲线检测模块1202，用于检测所述电机在下一次通过所述皮带驱动地铁站台的闸门开启或关闭时、所述皮带的振幅，获得参考振动曲线；
样本振动特征提取模块1203，用于将n条所述样本振动曲线分别输入卷积神经网络中进行处理，以分别提取n个样本振动特征；
样本隐含特征提取模块1204，用于将n个所述样本振动特征按照顺序依次输入n个链式依赖的长短期记忆网络中进行处理，以依次输出n个样本隐含特征；
预测振动曲线预测模块1205，用于将所述n个样本隐含特征输入深度神经网络中进行处理，以生成所述电机下一次通过所述皮带驱动地铁站台的闸门开启或关闭时、所述皮带的振幅，获得预测振动曲线；
振动预测模型训练模块1206，用于根据所述预测振动曲线与所述参考振动曲线将所述卷积神经网络、n个链式依赖的所述长短期记忆网络与所述深度神经网络训练为振动预测模型。
在本发明的一个实施例中，还包括：
第一样本异常振幅查找模块，用于在所述样本振动曲线查找符合业务异常的振幅，作为第一样本异常振幅；
第一样本异常振幅替换模块，用于将所述第一样本异常振幅替换为所述皮带在未运行时的振幅；
和/或，
第二样本异常振幅查找模块，用于在所述样本振动曲线查找符合扰动异常的振幅，作为第二样本异常振幅；
第二样本异常振幅替换模块，用于将与所述第二样本异常振幅相邻的振幅替换所述第二样本异常振幅。
在本发明的一个实施例中，所述第二样本异常振幅替换模块包括：
样本振动区间切分子模块，用于将所述样本振动曲线切分为多个区间，获得样本振动区间；
样本统计特征计算子模块，用于计算所述样本振动区间中、所述振幅的平均值与标准差；
第一样本值计算子模块，用于在所述平均值的基础上加上所述标准差的三倍值，获得第一样本值；
第二样本值计算子模块，用于在所述平均值的基础上减去所述标准差的三倍值，获得第二样本值；
样本振幅比较子模块，用于若所述样本振动区间中的所述振幅大于所述第一样本值或小于所述第二样本值，则确定所述振幅符合扰动异常，为第二样本异常振幅。
在本发明的一个实施例中，所述卷积神经网络包括第一卷积层、第二卷积层、第三卷积层、池化层；
所述样本振动特征提取模块1203包括：
第一样本候选特征提取子模块，用于将n条所述样本振动曲线分别输入第一卷积层中进行卷积操作，以分别输出n个第一样本候选特征；
第二样本候选特征提取子模块，用于将n个所述第一样本候选特征分别输入第二卷积层中进行卷积操作，以分别输出n个第二样本候选特征；
第三样本候选特征提取子模块，用于将n个所述第二样本候选特征分别输入第三卷积层中进行卷积操作，以分别输出n个第三样本候选特征；
样本振动特征输出子模块，用于将n个所述第三样本候选特征分别输入池化层中进行池化操作，以分别输出n个样本振动特征。
在本发明的一个实施例中，所述样本隐含特征提取模块1204包括：
样本保留特征确定子模块，用于按照顺序依次遍历n个所述样本振动特征，针对当前所述样本振动特征、确定上一长短期记忆网络输出的样本保留特征；
样本隐含特征输出子模块，用于将当前所述样本振动特征、上一所述样本保留特征输入当前所述长短期记忆网络中进行处理，以输出样本保留特征与样本隐含特征。
在本发明的一个实施例中，所述样本隐含特征输出子模块包括：
样本振动特征输入单元，用于将当前所述样本振动特征、上一所述样本保留特征输入当前所述长短期记忆网络中进行处理；
样本遗忘门输出单元，用于确定当前所述长短期记忆网络中遗忘门输出的特征为样本保留特征；
样本输出门输出单元，用于确定当前所述长短期记忆网络中输出门输出的特征为样本隐含特征。
在本发明的一个实施例中，所述样本隐含特征提取模块1204包括：
神经网络单元忽略子模块，用于在本次训练中，忽略当前长短期记忆网络中的部分神经网络单元；
神经网络单元提取子模块，用于将当前所述样本振动特征按照输入当前所述长短期记忆网络中、以未忽略的神经网络单元提取样本隐含特征。
在本发明的一个实施例中，所述振动预测模型训练模块1206包括：
损失值计算子模块，用于计算所述预测振动曲线与所述参考振动曲线之间的差异，作为损失值；
停止条件判断子模块，用于判断是否满足停止条件；若是，则调用振动预测模型输出子模块，若否，则调用振动预测模型更新子模块；
振动预测模型输出子模块，用于输出所述卷积神经网络、n个链式依赖的所述长短期记忆网络与所述深度神经网络为振动预测模型；
振动预测模型更新子模块，用于基于所述损失值更新所述深度神经网络、n个链式依赖的所述长短期记忆网络与所述卷积神经网络，返回调用所述样本振动特征提取模块1203、所述样本隐含特征提取模块1204、所述预测振动曲线预测模块1205。
在本发明的一个实施例中，所述损失值计算子模块包括：
点偏差值计算单元，用于针对每个相同的时间，分别计算所述预测振动曲线中的振幅与所述参考振动曲线中的振幅之间的差值，作为点偏差值；
平均值计算单元，用于计算所有所述点偏差值的平均值，作为损失值。
在本发明的一个实施例中，所述振动预测模型更新子模块包括：
未忽略确定单元，用于在本次训练中，确定当前所述长短期记忆网络中未忽略的神经网络单元；
未忽略更新单元，用于更新所述未忽略的神经网络单元中的权重。
在本发明的一个实施例中，所述振动预测模型更新子模块包括：
隐藏层随机设置单元，用于在本次训练中，针对首个所述长短期记忆网络，随机设置输入首个所述长短期记忆网络中隐藏层的数据；
网络训练单元，用于基于所述数据训练首个所述长短期记忆网络。
本发明实施例所提供的振动预测模型的训练装置可执行本发明任意实施例所提供的振动预测模型的训练方法，具备执行方法相应的功能模块和有益效果。
实施例七
图13为本发明实施例七提供的一种计算机设备的结构示意图。如图13所示，该计算机设备包括处理器1300、存储器1301、通信模块1302、输入装置1303和输出装置1304；计算机设备中处理器1300的数量可以是一个或多个，图13中以一个处理器1300为例；计算机设备中的处理器1300、存储器1301、通信模块1302、输入装置1303和输出装置1304可以通过总线或其他方式连接，图13中以通过总线连接为例。
存储器1301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，如本实施例中的振动预测方法、振动预测模型的训练方法对应的模块(例如，如图11所示的振动预测装置中的原始振动曲线检测模块1101、原始振动特征提取模块1102、原始隐含特征提取模块1103和目标振动曲线预测模块1104；如图12所示的振动预测模型的训练装置中的样本振动曲线检测模块1201、参考振动曲线检测模块1202、样本振动特征提取模块1203、样本隐含特征提取模块1204、预测振动曲线预测模块1205和振动预测模型训练模块1206)。处理器1300通过运行存储在存储器1301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，即实现上述的振动预测方法、振动预测模型的训练方法。
存储器1301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1301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1301可进一步包括相对于处理器1300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1302，可用于与外部设备(例如键盘、指向设备、显示屏等)建立连接，并实现与外部设备的数据交互，还可用于与一个或者多个使得用户能与该计算机设备交互的设备通信，和/或与使得该计算机设备能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。
输入装置1303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1304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1303和输出装置1304的具体组成可以根据实际情况设定。
处理器1300通过运行存储在存储器1301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，即实现上述的振动预测方法、振动预测模型的训练方法。
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振动预测方法、振动预测模型的训练方法，具有相应的功能和有益效果。
实施例八
本发明实施例八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振动预测方法或者振动预测模型的训练方法。
该振动预测方法包括：
检测电机连续n次通过皮带驱动地铁站台的闸门开启或关闭时、所述皮带的振幅，获得n条原始振动曲线；
将n条所述原始振动曲线分别输入卷积神经网络中进行处理，以分别提取n个原始振动特征；
将n个所述原始振动特征按照顺序依次输入n个链式依赖的长短期记忆网络中进行处理，以依次输出n个原始隐含特征；
将所述n个原始隐含特征输入深度神经网络中进行处理，以生成所述电机下一次通过所述皮带驱动地铁站台的闸门开启或关闭时、所述皮带的振幅，获得目标振动曲线。
该振动预测模型的训练方法包括：
检测电机连续n次通过皮带驱动地铁站台的闸门开启或关闭时、所述皮带的振幅，获得n条样本振动曲线；
检测所述电机在下一次通过所述皮带驱动地铁站台的闸门开启或关闭时、所述皮带的振幅，获得参考振动曲线；
将n条所述样本振动曲线分别输入卷积神经网络中进行处理，以分别提取n个样本振动特征；
将n个所述样本振动特征按照顺序依次输入n个链式依赖的长短期记忆网络中进行处理，以依次输出n个样本隐含特征；
将所述n个样本隐含特征输入深度神经网络中进行处理，以生成所述电机下一次通过所述皮带驱动地铁站台的闸门开启或关闭时、所述皮带的振幅，获得预测振动曲线；
根据所述预测振动曲线与所述参考振动曲线将所述卷积神经网络、n个链式依赖的所述长短期记忆网络与所述深度神经网络训练为振动预测模型。
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振动预测方法、振动预测模型的训练方法中的相关操作。
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，上述振动预测模型、振动预测模型的训练装置的实施例中，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。

Claims (14)

1.一种振动预测方法，其特征在于，包括：
检测电机连续n次通过皮带驱动地铁站台的闸门开启或关闭时、所述皮带的振幅，获得n条原始振动曲线；
将n条所述原始振动曲线分别输入卷积神经网络中进行处理，以分别提取n个原始振动特征；
将n个所述原始振动特征按照顺序依次输入n个链式依赖的长短期记忆网络中进行处理，以依次输出n个原始隐含特征；
将所述n个原始隐含特征输入深度神经网络中进行处理，以生成所述电机下一次通过所述皮带驱动地铁站台的闸门开启或关闭时、所述皮带的振幅，获得目标振动曲线；
其中，所述将n个所述原始振动特征按照顺序依次输入n个链式依赖的长短期记忆网络中进行处理，以依次输出n个原始隐含特征，包括：
按照顺序依次遍历n个所述原始振动特征，针对当前所述原始振动特征、确定上一长短期记忆网络输出的原始保留特征；
将当前所述原始振动特征、上一所述原始保留特征输入当前所述长短期记忆网络中进行处理；
确定当前所述长短期记忆网络中遗忘门输出的特征为原始保留特征；
确定当前所述长短期记忆网络中输出门输出的特征为原始隐含特征。
2.根据权利要求1所述的方法，其特征在于，在所述检测电机连续n次通过皮带驱动地铁站台的闸门开启或关闭时、所述皮带的振幅，获得n条原始振动曲线之后，所述方法还包括：
在所述原始振动曲线查找符合业务异常的振幅，作为第一原始异常振幅；
将所述第一原始异常振幅替换为所述皮带在未运行时的振幅；
和/或，
在所述原始振动曲线查找符合扰动异常的振幅，作为第二原始异常振幅；
将与所述第二原始异常振幅相邻的振幅替换所述第二原始异常振幅。
3.根据权利要求2所述的方法，其特征在于，所述在所述原始振动曲线查找符合扰动异常的振幅，作为第二原始异常振幅，包括：
将所述原始振动曲线切分为多个区间，获得原始振动区间；
计算所述原始振动区间中、所述振幅的平均值与标准差；
在所述平均值的基础上加上所述标准差的三倍值，获得第一目标值；
在所述平均值的基础上减去所述标准差的三倍值，获得第二目标值；
若所述原始振动区间中的所述振幅大于所述第一目标值或小于所述第二目标值，则确定所述振幅符合扰动异常，为第二原始异常振幅。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述卷积神经网络包括第一卷积层、第二卷积层、第三卷积层、池化层；
所述将n条所述原始振动曲线分别输入卷积神经网络中进行处理，以分别提取n个原始振动特征，包括：
将n条所述原始振动曲线分别输入第一卷积层中进行卷积操作，以分别输出n个第一原始候选特征；
将n个所述第一原始候选特征分别输入第二卷积层中进行卷积操作，以分别输出n个第二原始候选特征；
将n个所述第二原始候选特征分别输入第三卷积层中进行卷积操作，以分别输出n个第三原始候选特征；
将n个所述第三原始候选特征分别输入池化层中进行池化操作，以分别输出n个原始振动特征。
5.一种振动预测模型的训练方法，其特征在于，包括：
检测电机连续n次通过皮带驱动地铁站台的闸门开启或关闭时、所述皮带的振幅，获得n条样本振动曲线；
检测所述电机在下一次通过所述皮带驱动地铁站台的闸门开启或关闭时、所述皮带的振幅，获得参考振动曲线；
将n条所述样本振动曲线分别输入卷积神经网络中进行处理，以分别提取n个样本振动特征；
将n个所述样本振动特征按照顺序依次输入n个链式依赖的长短期记忆网络中进行处理，以依次输出n个样本隐含特征；
将所述n个样本隐含特征输入深度神经网络中进行处理，以生成所述电机下一次通过所述皮带驱动地铁站台的闸门开启或关闭时、所述皮带的振幅，获得预测振动曲线；
根据所述预测振动曲线与所述参考振动曲线将所述卷积神经网络、n个链式依赖的所述长短期记忆网络与所述深度神经网络训练为振动预测模型；
其中，所述将n个所述样本振动特征按照顺序依次输入n个链式依赖的长短期记忆网络中进行处理，以依次输出n个样本隐含特征，包括：
按照顺序依次遍历n个所述样本振动特征，针对当前所述样本振动特征、确定上一长短期记忆网络输出的样本保留特征；
将当前所述样本振动特征、上一所述样本保留特征输入当前所述长短期记忆网络中进行处理；
确定当前所述长短期记忆网络中遗忘门输出的特征为样本保留特征；
确定当前所述长短期记忆网络中输出门输出的特征为样本隐含特征。
6.根据权利要求5所述的方法，其特征在于，所述将n个所述样本振动特征按照顺序依次输入n个链式依赖的长短期记忆网络中进行处理，以依次输出n个样本隐含特征，包括：
在本次训练中，忽略当前长短期记忆网络中的部分神经网络单元；
将当前所述样本振动特征按照输入当前所述长短期记忆网络中、以未忽略的神经网络单元提取样本隐含特征。
7.根据权利要求5或6所述的方法，其特征在于，所述根据所述预测振动曲线与所述参考振动曲线将所述卷积神经网络、n个链式依赖的所述长短期记忆网络与所述深度神经网络训练为振动预测模型，包括：
计算所述预测振动曲线与所述参考振动曲线之间的差异，作为损失值；
判断是否满足停止条件；
若是，则输出所述卷积神经网络、n个链式依赖的所述长短期记忆网络与所述深度神经网络为振动预测模型；
若否，则基于所述损失值更新所述深度神经网络、n个链式依赖的所述长短期记忆网络与所述卷积神经网络，返回执行所述将n条所述样本振动曲线分别输入卷积神经网络中进行处理，以分别提取n个样本振动特征。
8.根据权利要求7所述的方法，其特征在于，所述计算所述预测振动曲线与所述参考振动曲线之间的差异，作为损失值，包括：
针对每个相同的时间，分别计算所述预测振动曲线中的振幅与所述参考振动曲线中的振幅之间的差值，作为点偏差值；
计算所有所述点偏差值的平均值，作为损失值。
9.根据权利要求7所述的方法，其特征在于，所述更新所述深度神经网络、n个链式依赖的所述长短期记忆网络与所述卷积神经网络，包括：
在本次训练中，确定当前所述长短期记忆网络中未忽略的神经网络单元；
更新所述未忽略的神经网络单元中的权重。
10.根据权利要求7所述的方法，其特征在于，所述更新所述深度神经网络、n个链式依赖的所述长短期记忆网络与所述卷积神经网络，包括：
在本次训练中，针对首个所述长短期记忆网络，随机设置输入首个所述长短期记忆网络中隐藏层的数据；
基于所述数据训练首个所述长短期记忆网络。
11.一种振动预测装置，其特征在于，包括：
原始振动曲线检测模块，用于检测电机连续n次通过皮带驱动地铁站台的闸门开启或关闭时、所述皮带的振幅，获得n条原始振动曲线；
原始振动特征提取模块，用于将n条所述原始振动曲线分别输入卷积神经网络中进行处理，以分别提取n个原始振动特征；
原始隐含特征提取模块，用于将n个所述原始振动特征按照顺序依次输入n个链式依赖的长短期记忆网络中进行处理，以依次输出n个原始隐含特征；
目标振动曲线预测模块，用于将所述n个原始隐含特征输入深度神经网络中进行处理，以生成所述电机下一次通过所述皮带驱动地铁站台的闸门开启或关闭时、所述皮带的振幅，获得目标振动曲线；
其中，所述原始隐含特征提取模块，包括：
原始保留特征确定子模块，用于按照顺序依次遍历n个所述原始振动特征，针对当前所述原始振动特征、确定上一长短期记忆网络输出的原始保留特征；
原始隐含特征输出子模块，包括：
原始振动特征输入单元，用于将当前所述原始振动特征、上一所述原始保留特征输入当前所述长短期记忆网络中进行处理；
原始遗忘门输出单元，用于确定当前所述长短期记忆网络中遗忘门输出的特征为原始保留特征；
原始输出门输出单元，用于确定当前所述长短期记忆网络中输出门输出的特征为原始隐含特征。
12.一种振动预测模型的训练装置，其特征在于，包括：
样本振动曲线检测模块，用于检测电机连续n次通过皮带驱动地铁站台的闸门开启或关闭时、所述皮带的振幅，获得n条样本振动曲线；
参考振动曲线检测模块，用于检测所述电机在下一次通过所述皮带驱动地铁站台的闸门开启或关闭时、所述皮带的振幅，获得参考振动曲线；
样本振动特征提取模块，用于将n条所述样本振动曲线分别输入卷积神经网络中进行处理，以分别提取n个样本振动特征；
样本隐含特征提取模块，用于将n个所述样本振动特征按照顺序依次输入n个链式依赖的长短期记忆网络中进行处理，以依次输出n个样本隐含特征；
预测振动曲线预测模块，用于将所述n个样本隐含特征输入深度神经网络中进行处理，以生成所述电机下一次通过所述皮带驱动地铁站台的闸门开启或关闭时、所述皮带的振幅，获得预测振动曲线；
振动预测模型训练模块，用于根据所述预测振动曲线与所述参考振动曲线将所述卷积神经网络、n个链式依赖的所述长短期记忆网络与所述深度神经网络训练为振动预测模型；
其中，所述样本隐含特征提取模块，包括：
样本保留特征确定子模块，用于按照顺序依次遍历n个所述样本振动特征，针对当前所述样本振动特征、确定上一长短期记忆网络输出的样本保留特征；
样本隐含特征输出子模块，包括：
样本振动特征输入单元，用于将当前所述样本振动特征、上一所述样本保留特征输入当前所述长短期记忆网络中进行处理；
样本遗忘门输出单元，用于确定当前所述长短期记忆网络中遗忘门输出的特征为样本保留特征；
样本输出门输出单元，用于确定当前所述长短期记忆网络中输出门输出的特征为样本隐含特征。
13.一种计算机设备，其特征在于，所述计算机设备包括：
一个或多个处理器；
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1-4中任一所述的振动预测方法或者如权利要求5-10中任一所述的振动预测模型的训练方法。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-4中任一所述的振动预测方法或者如权利要求5-10中任一所述的振动预测模型的训练方法。
CN202010819584.0A 2020-08-14 2020-08-14 振动预测及模型训练方法、装置、计算机设备和存储介质 Active CN112001482B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010819584.0A CN112001482B (zh) 2020-08-14 2020-08-14 振动预测及模型训练方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010819584.0A CN112001482B (zh) 2020-08-14 2020-08-14 振动预测及模型训练方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN112001482A CN112001482A (zh) 2020-11-27
CN112001482B true CN112001482B (zh) 2024-05-24

Family

ID=73473811

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010819584.0A Active CN112001482B (zh) 2020-08-14 2020-08-14 振动预测及模型训练方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN112001482B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884052A (zh) * 2021-02-26 2021-06-01 北京激浊扬清文化科技有限公司 结构模态参数提取方法、装置、计算机设备及存储介质
CN113916368B (zh) * 2021-12-14 2022-03-22 中国铁路设计集团有限公司 轨道交通地下线引起的环境振动及二次结构噪声预测方法
CN114972350B (zh) * 2022-08-01 2022-11-15 深圳市信润富联数字科技有限公司 模具异常检测方法、装置、设备及存储介质

Citations (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016101688A1 (zh) * 2014-12-25 2016-06-30 清华大学 一种基于深度长短期记忆循环神经网络的连续语音识别方法
WO2016145850A1 (zh) * 2015-03-19 2016-09-22 清华大学 基于选择性注意原理的深度长短期记忆循环神经网络声学模型的构建方法
CN106782602A (zh) * 2016-12-01 2017-05-31 南京邮电大学 基于长短时间记忆网络和卷积神经网络的语音情感识别方法
CN107958044A (zh) * 2017-11-24 2018-04-24 清华大学 基于深度时空记忆网络的高维序列数据预测方法和***
CN108133297A (zh) * 2018-01-26 2018-06-08 广州大学 基于长短期记忆网络的溶解氧预测方法与***
CN109102037A (zh) * 2018-06-04 2018-12-28 平安科技（深圳）有限公司 中文模型训练、中文图像识别方法、装置、设备及介质
WO2019024083A1 (en) * 2017-08-04 2019-02-07 Nokia Technologies Oy ARTIFICIAL NEURONAL NETWORK
CN109446187A (zh) * 2018-10-16 2019-03-08 浙江大学 基于注意力机制与神经网络的复杂装备健康状态监测方法
WO2019056497A1 (zh) * 2017-09-19 2019-03-28 平安科技（深圳）有限公司 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质
KR20190036672A (ko) * 2017-09-28 2019-04-05 한국과학기술원 게이티드 순환 신경망 디트렌딩방법, 디트렌딩 장치 및 기록매체
WO2019077494A1 (en) * 2017-10-16 2019-04-25 King Abdullah University Of Science And Technology SYSTEM, APPARATUS AND METHOD FOR PREDICTING EC NUMBER OF ENZYME BASED ON DEEP LEARNING SEQUENCE
CN109741604A (zh) * 2019-03-05 2019-05-10 南通大学 基于平稳化长短期记忆网络模型预测交叉***通流量方法
CN109919685A (zh) * 2019-03-18 2019-06-21 苏州大学 客户流失预测方法、装置、设备及计算机可读存储介质
WO2019148898A1 (zh) * 2018-02-01 2019-08-08 北京大学深圳研究生院 基于受限文本空间的对抗性跨媒体检索方法
WO2019154210A1 (zh) * 2018-02-08 2019-08-15 腾讯科技（深圳）有限公司 机器翻译的方法、设备以及计算机可读存储介质
EP3564862A1 (en) * 2018-05-03 2019-11-06 Siemens Aktiengesellschaft Determining influence of attributes in recurrent neural networks trained on therapy prediction
CN110533163A (zh) * 2019-08-02 2019-12-03 中国石油集团长城钻探工程有限公司 基于长短时记忆神经网络的压裂砂堵预警方法
WO2019231516A1 (en) * 2018-05-29 2019-12-05 The Trustees Of Princeton University System and method for compact, fast, and accurate lstms
CN110543869A (zh) * 2019-09-10 2019-12-06 哈工大机器人（山东）智能装备研究院 滚珠丝杠寿命预测方法、装置、计算机设备及存储介质
WO2019232845A1 (zh) * 2018-06-04 2019-12-12 平安科技（深圳）有限公司 语音数据处理方法、装置、计算机设备及存储介质
KR102057395B1 (ko) * 2018-07-13 2019-12-18 이화여자대학교 산학협력단 기계학습 기반 비디오 보외법을 이용한 영상 생성 방법
CN110705413A (zh) * 2019-09-24 2020-01-17 清华大学 基于视线方向和lstm神经网络的情感预测方法及***
CN110738319A (zh) * 2019-11-11 2020-01-31 四川隧唐科技股份有限公司 一种基于crf识别中标单位的lstm模型单元训练方法及装置
CN110796306A (zh) * 2019-10-29 2020-02-14 山东科技大学 一种外汇时间序列预测的构建方法
WO2020044156A1 (en) * 2018-08-30 2020-03-05 Nokia Technologies Oy Apparatus and method for processing image data
EP3620986A1 (en) * 2018-09-05 2020-03-11 Sartorius Stedim Data Analytics AB Computer-implemented method, computer program product and system for analysis of cell images
WO2020047750A1 (zh) * 2018-09-04 2020-03-12 深圳先进技术研究院 心律失常的检测方法、装置、电子设备及计算机存储介质
CN110942101A (zh) * 2019-11-29 2020-03-31 湖南科技大学 基于深度生成式对抗网络的滚动轴承剩余寿命预测方法
WO2020073665A1 (zh) * 2018-10-11 2020-04-16 平安科技（深圳）有限公司 在频谱上对语音进行情绪识别的方法、***及存储介质
WO2020077858A1 (zh) * 2018-10-15 2020-04-23 平安科技（深圳）有限公司 基于神经网络的视频描述生成方法、介质、终端及装置
CN111178456A (zh) * 2020-01-15 2020-05-19 腾讯科技（深圳）有限公司 异常指标检测方法、装置、计算机设备和存储介质
CN111274395A (zh) * 2020-01-19 2020-06-12 河海大学 基于卷积和长短期记忆网络的电网监控告警事件识别方法
WO2020123552A1 (en) * 2018-12-10 2020-06-18 Life Technologies Corporation Deep basecaller for sanger sequencing
CN111324990A (zh) * 2020-03-19 2020-06-23 长江大学 基于多层长短期记忆神经网络模型的孔隙度预测方法
WO2020140128A1 (en) * 2018-12-28 2020-07-02 WANG, Yajuan Scalable system and method for forecasting wind turbine failure with varying lead time windows

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10403269B2 (en) * 2015-03-27 2019-09-03 Google Llc Processing audio waveforms
US10402700B2 (en) * 2016-01-25 2019-09-03 Deepmind Technologies Limited Generating images using neural networks
KR102416048B1 (ko) * 2017-10-16 2022-07-04 일루미나, 인코포레이티드 변이체 분류를 위한 심층 컨볼루션 신경망
US11763170B2 (en) * 2018-02-05 2023-09-19 Sony Group Corporation Method and system for predicting discrete sequences using deep context tree weighting
US10885277B2 (en) * 2018-08-02 2021-01-05 Google Llc On-device neural networks for natural language understanding
US11169514B2 (en) * 2018-08-27 2021-11-09 Nec Corporation Unsupervised anomaly detection, diagnosis, and correction in multivariate time series data
US12001949B2 (en) * 2018-09-05 2024-06-04 Sartorius Stedim Data Analytics Ab Computer-implemented method, computer program product and system for data analysis

Patent Citations (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016101688A1 (zh) * 2014-12-25 2016-06-30 清华大学 一种基于深度长短期记忆循环神经网络的连续语音识别方法
WO2016145850A1 (zh) * 2015-03-19 2016-09-22 清华大学 基于选择性注意原理的深度长短期记忆循环神经网络声学模型的构建方法
CN106782602A (zh) * 2016-12-01 2017-05-31 南京邮电大学 基于长短时间记忆网络和卷积神经网络的语音情感识别方法
WO2019024083A1 (en) * 2017-08-04 2019-02-07 Nokia Technologies Oy ARTIFICIAL NEURONAL NETWORK
WO2019056497A1 (zh) * 2017-09-19 2019-03-28 平安科技（深圳）有限公司 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质
KR20190036672A (ko) * 2017-09-28 2019-04-05 한국과학기술원 게이티드 순환 신경망 디트렌딩방법, 디트렌딩 장치 및 기록매체
WO2019077494A1 (en) * 2017-10-16 2019-04-25 King Abdullah University Of Science And Technology SYSTEM, APPARATUS AND METHOD FOR PREDICTING EC NUMBER OF ENZYME BASED ON DEEP LEARNING SEQUENCE
CN107958044A (zh) * 2017-11-24 2018-04-24 清华大学 基于深度时空记忆网络的高维序列数据预测方法和***
CN108133297A (zh) * 2018-01-26 2018-06-08 广州大学 基于长短期记忆网络的溶解氧预测方法与***
WO2019148898A1 (zh) * 2018-02-01 2019-08-08 北京大学深圳研究生院 基于受限文本空间的对抗性跨媒体检索方法
WO2019154210A1 (zh) * 2018-02-08 2019-08-15 腾讯科技（深圳）有限公司 机器翻译的方法、设备以及计算机可读存储介质
EP3564862A1 (en) * 2018-05-03 2019-11-06 Siemens Aktiengesellschaft Determining influence of attributes in recurrent neural networks trained on therapy prediction
WO2019231516A1 (en) * 2018-05-29 2019-12-05 The Trustees Of Princeton University System and method for compact, fast, and accurate lstms
CN109102037A (zh) * 2018-06-04 2018-12-28 平安科技（深圳）有限公司 中文模型训练、中文图像识别方法、装置、设备及介质
WO2019232845A1 (zh) * 2018-06-04 2019-12-12 平安科技（深圳）有限公司 语音数据处理方法、装置、计算机设备及存储介质
WO2019232853A1 (zh) * 2018-06-04 2019-12-12 平安科技（深圳）有限公司 中文模型训练、中文图像识别方法、装置、设备及介质
KR102057395B1 (ko) * 2018-07-13 2019-12-18 이화여자대학교 산학협력단 기계학습 기반 비디오 보외법을 이용한 영상 생성 방법
WO2020044156A1 (en) * 2018-08-30 2020-03-05 Nokia Technologies Oy Apparatus and method for processing image data
WO2020047750A1 (zh) * 2018-09-04 2020-03-12 深圳先进技术研究院 心律失常的检测方法、装置、电子设备及计算机存储介质
EP3620986A1 (en) * 2018-09-05 2020-03-11 Sartorius Stedim Data Analytics AB Computer-implemented method, computer program product and system for analysis of cell images
WO2020073665A1 (zh) * 2018-10-11 2020-04-16 平安科技（深圳）有限公司 在频谱上对语音进行情绪识别的方法、***及存储介质
WO2020077858A1 (zh) * 2018-10-15 2020-04-23 平安科技（深圳）有限公司 基于神经网络的视频描述生成方法、介质、终端及装置
CN109446187A (zh) * 2018-10-16 2019-03-08 浙江大学 基于注意力机制与神经网络的复杂装备健康状态监测方法
WO2020123552A1 (en) * 2018-12-10 2020-06-18 Life Technologies Corporation Deep basecaller for sanger sequencing
WO2020140128A1 (en) * 2018-12-28 2020-07-02 WANG, Yajuan Scalable system and method for forecasting wind turbine failure with varying lead time windows
CN109741604A (zh) * 2019-03-05 2019-05-10 南通大学 基于平稳化长短期记忆网络模型预测交叉***通流量方法
CN109919685A (zh) * 2019-03-18 2019-06-21 苏州大学 客户流失预测方法、装置、设备及计算机可读存储介质
CN110533163A (zh) * 2019-08-02 2019-12-03 中国石油集团长城钻探工程有限公司 基于长短时记忆神经网络的压裂砂堵预警方法
CN110543869A (zh) * 2019-09-10 2019-12-06 哈工大机器人（山东）智能装备研究院 滚珠丝杠寿命预测方法、装置、计算机设备及存储介质
CN110705413A (zh) * 2019-09-24 2020-01-17 清华大学 基于视线方向和lstm神经网络的情感预测方法及***
CN110796306A (zh) * 2019-10-29 2020-02-14 山东科技大学 一种外汇时间序列预测的构建方法
CN110738319A (zh) * 2019-11-11 2020-01-31 四川隧唐科技股份有限公司 一种基于crf识别中标单位的lstm模型单元训练方法及装置
CN110942101A (zh) * 2019-11-29 2020-03-31 湖南科技大学 基于深度生成式对抗网络的滚动轴承剩余寿命预测方法
CN111178456A (zh) * 2020-01-15 2020-05-19 腾讯科技（深圳）有限公司 异常指标检测方法、装置、计算机设备和存储介质
CN111274395A (zh) * 2020-01-19 2020-06-12 河海大学 基于卷积和长短期记忆网络的电网监控告警事件识别方法
CN111324990A (zh) * 2020-03-19 2020-06-23 长江大学 基于多层长短期记忆神经网络模型的孔隙度预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A directed acyclic graph network combined with CNN and LSTM for remaining useful life prediction;Li, J等;《IEEE Access》;第7卷;75464-75475 *
基于深度学习的多模态故障诊断及剩余寿命预测;高育林;《中国优秀硕士学位论文全文数据库 工程科技II辑》(第1期);C029-490 *

Also Published As

Publication number Publication date
CN112001482A (zh) 2020-11-27

Similar Documents

Publication Publication Date Title
CN112001482B (zh) 振动预测及模型训练方法、装置、计算机设备和存储介质
CN109886444B (zh) 一种交通短时客流预测方法、装置、设备和存储介质
CN110321603B (zh) 一种用于航空发动机气路故障诊断的深度计算模型
Ullah CPU based YOLO: A real time object detection algorithm
CN111310814A (zh) 利用不平衡正负样本对业务预测模型训练的方法及装置
Schorn et al. Efficient on-line error detection and mitigation for deep neural network accelerators
Aicher et al. Adaptively truncating backpropagation through time to control gradient bias
CN107636691A (zh) 用于识别图像中的文本的方法和设备
CN113362491B (zh) 一种车辆轨迹预测及驾驶行为分析方法
US20200311541A1 (en) Metric value calculation for continuous learning system
CN113887789B (zh) 一种基于循环神经网络的改进船舶轨迹预测方法及其装置
US20170046596A1 (en) Self-optimized object detection using online detector selection
CN110210656A (zh) 基于站点行为分析的共享单车流量预测方法及***
CN112765894B (zh) 一种基于k-lstm的铝电解槽状态预测方法
CN110059646A (zh) 训练动作规划模型的方法及目标搜索方法
Park et al. Urban traffic accident risk prediction for knowledge-based mobile multimedia service
CN113822355A (zh) 基于改进的隐马尔可夫模型的复合攻击预测方法及装置
Peng et al. A new likelihood ratio method for training artificial neural networks
WO2021012263A1 (en) Systems and methods for end-to-end deep reinforcement learning based coreference resolution
US20190095211A1 (en) Computational method for temporal pooling and correlation
Zhang Deepmal: A CNN-LSTM model for malware detection based on dynamic semantic behaviours
CN112232557B (zh) 基于长短期记忆网络的转辙机健康度短期预测方法
CN114915496B (zh) 基于时间权重和深度神经网络的网络入侵检测方法和装置
US20220114369A1 (en) Video analytic processing with neuro-symbolic artificial intelligence
Yu et al. CNN-LSTM-based model for predicting the remaining useful life of rolling bearings

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
CB02 Change of applicant information
CB02 Change of applicant information

Country or region after: China

Address after: Room 306, zone 2, building 1, Fanshan entrepreneurship center, Panyu energy saving technology park, No. 832 Yingbin Road, Donghuan street, Panyu District, Guangzhou City, Guangdong Province

Applicant after: Jiadu Technology Group Co.,Ltd.

Applicant after: PCI TECHNOLOGY & SERVICE Co.,Ltd.

Address before: Room 306, zone 2, building 1, Fanshan entrepreneurship center, Panyu energy saving technology park, No. 832 Yingbin Road, Donghuan street, Panyu District, Guangzhou City, Guangdong Province

Applicant before: PCI-SUNTEKTECH Co.,Ltd.

Country or region before: China

Applicant before: PCI TECHNOLOGY & SERVICE Co.,Ltd.

GR01 Patent grant
GR01 Patent grant