CN113591376A - 一种基于曲线关联分割机制的站台门异常检测方法及装置 - Google Patents
一种基于曲线关联分割机制的站台门异常检测方法及装置 Download PDFInfo
- Publication number
- CN113591376A CN113591376A CN202110837947.8A CN202110837947A CN113591376A CN 113591376 A CN113591376 A CN 113591376A CN 202110837947 A CN202110837947 A CN 202110837947A CN 113591376 A CN113591376 A CN 113591376A
- Authority
- CN
- China
- Prior art keywords
- data
- curve
- speed
- door
- operation data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Power-Operated Mechanisms For Wings (AREA)
Abstract
本申请实施例公开了一种基于曲线关联分割机制的站台门异常检测方法及装置。本申请实施例提供的技术方案,通过在检测站台门各设备运行数据;将各设备运行数据进行数据处理,得到各设备运行数据曲线;根据聚类划分算法将各设备运行数据曲线进行关联分割得到对应的分段曲线;预设各设备运行数据的检测指标,将各分段曲线对应的检测指标数据输入异常检测算法模型中,输出决策边界;根据决策边界确定异常数据。本申请实施例提供的技术方案,能够解决对复杂异常情况进行检测的问题,提升站台门异常检测的准确率,提高对站台门相关设备的异常预警能力。
Description
技术领域
本申请实施例涉及站台门运营技术领域,尤其涉及一种基于曲线关联分割机制的站台门异常检测基于曲线关联分割机制的站台门异常检测方法及装置。
背景技术
随着我国高速铁路和城市轨道交通运营规模的迅速扩大,整个轨道交通行业对于保障运营安全、提高服务质量及降低运营成本,开始显现巨大的刚性需求,对设施和设备的可靠性、可用性、可维修性和安全性提出了越来越高的要求。而目前,我国轨道交通运维呈现出人员分布不均、线路个性化、技术水平差异化、设备制式多样化、客流量持续攀升、拥挤度超标以及需要高效应对突发事件的局面,具体表现在:大量使用人工操作,运维效率较低、运维数据不够细化,频度不够高、缺少处理分析设备设施大数据的***平台和智能化应用。
站台门异常检测是智能运维的重要内容,也是站台门故障识别及预测的前提。在实际的运维场景中,由于站台门故障类型的多样性,从而也导致了异常多样性。此外,受现场环境干扰,常常存在噪音和异常数据点混杂在一起难以区分的情况。然而目前对站台门异常检测还停留在基于阈值判断方法中,基于阈值判断的异常检测方法并不具备对复杂异常进行检测的能力。
发明内容
本申请实施例提供一种基于曲线关联分割机制的站台门异常检测方法及装置,能够解决对复杂异常情况进行检测的问题,提升站台门异常检测的准确率,提高对站台门相关设备的异常预警能力。
在第一方面,本申请实施例提供了一种基于曲线关联分割机制的站台门异常检测方法,包括:
检测站台门各设备运行数据;
将各设备运行数据进行数据处理,得到各设备运行数据曲线;
根据聚类划分算法将各设备运行数据曲线进行关联分割得到对应的分段曲线;
预设各设备运行数据的检测指标,将各分段曲线对应的检测指标数据输入异常检测算法模型中,输出决策边界;
根据决策边界确定异常数据。
进一步的,所述将各设备运行数据进行数据处理,得到各设备运行数据曲线,具体为:
将检测到的门体速度数据进行数据处理,得到门体的速度-时间曲线;
将检测到的电机电流数据进行数据处理,得到电机的电流-时间曲线;
将检测到的皮带电流数据进行数据处理,得到皮带的电流-时间曲线。
进一步的,所述门体的速度-时间曲线包括加速阶段、均速阶段和减速阶段。
进一步的,所述聚类划分算法为K-Means算法;
对应的,所述根据聚类划分算法将各设备运行数据曲线进行关联分割得到对应的分段曲线,具体为:
通过K-Means算法将门体的速度-时间曲线分割成对应的加速分段曲线、匀速分段曲线和减速分段曲线;
将电机的电流-时间曲线和皮带的电流-时间曲线在对应门体的速度-时间曲线分割点处分割成对应的加速分段曲线、匀速分段曲线和减速分段曲线。
进一步的,所述各设备运行数据的检测指标,包括:
门体的加速时间、减速时间、最大速度值、匀速阶段的速度均值和方差、加速阶段功率和减速阶段功率;
电机电流加速时间、减速时间、最大电流值、加速阶段电流积分和减速阶段电流积分;
皮带的加速时间、减速时间、最大振幅、匀速阶段的振动均值和方差、加速阶段的最大值和减速阶段的均值和方差。
进一步的,所述异常检测算法模型为One-Class_SVM算法模型;
对应的,所述将各分段曲线对应的检测指标数据输入异常检测算法模型中,输出决策边界,具体为:
通过One-Class_SVM算法对输入的数据进行机器学习,输出决策边界。
进一步的,所述根据决策边界确定异常数据,具体为:
判断待检测数据点是否在决策边界内;
若在决策边界内,则不是异常数据点;
若在决策边界外,则是异常数据点。
在第二方面,本申请实施例提供了一种基于曲线关联分割机制的站台门异常检测装置,包括:
检测模块,用于检测站台门各设备运行数据;
数据处理模块,用于将各设备运行数据进行数据处理,得到各设备运行数据曲线;
分割模块,用于根据聚类划分算法将各设备运行数据曲线进行关联分割得到对应的分段曲线;
决策边界输出模块,用于预设各设备运行数据的检测指标,将各分段曲线对应的检测指标数据输入异常检测算法模型中,输出决策边界;
异常数据确定模块,用于根据决策边界确定异常数据。
在第三方面,本申请实施例提供了一种电子设备,包括:
存储器以及一个或多个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面所述的基于曲线关联分割机制的站台门异常检测方法。
在第四方面,本申请实施例提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的基于曲线关联分割机制的站台门异常检测方法。
本申请通过对检测到的各设备运行数据进行数据处理得到各设备运行数据曲线,根据聚类划分算法对各设备运行数据曲线进行关联分割得到对应的分段曲线,并将所述分段曲线的检测指标数据输入异常检测算法模型中并输出能确定异常数据的决策边界。采用上述技术手段,可以通过聚类划分算法将各设备运行数据曲线进行关联分割得到对应的分段曲线,以此在对更直观和更有效捕捉的设备运行数据曲线进行分割的基础上,将其他同时发生的设备运行数据曲线进行关联分割,提高曲线分割的合理性和分割效率。此外,通过对各设备运行数据曲线分割后得到的分段曲线进行预设检测指标数据的异常检测算法训练,输出决策边界以确定待检测数据是否是异常数据,以此对复杂异常情况进行检测,提升站台门异常检测的准确率,提高对站台门相关设备的异常预警能力。
附图说明
图1是本申请实施例一提供的一种基于曲线关联分割机制的站台门异常检测方法的流程图;
图2是本申请实施例一中开门过程门体的速度-时间曲线图;
图3是本申请实施例一中关门过程门体的速度-时间曲线图;
图4是本申请实施例一中开门过程电机的电流-时间曲线图;
图5是本申请实施例一中关门过程电机的电流-时间曲线图;
图6是本申请实施例一中开门过程门体的速度分段示意图;
图7是本申请实施例一中关门过程门体的速度分段示意图;
图8是本申请实施例一中的开门过程门体的速度-时间曲线和电机的电流-时间曲线、皮带的电流-时间曲线关联分割示意图;
图9是本申请实施例一中的K-Means算法聚类划分示意图;
图10是本申请实施例一中的One-Class_SVM算法正例圈示意图;
图11是本申请实施例二提供的一种基于曲线关联分割机制的站台门异常检测装置的结构示意图;
图12是本申请实施例三提供的一种电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
本申请提供的基于曲线关联分割机制的站台门异常检测方法及装置,旨在通过聚类划分算法将各设备运行数据曲线进行关联分割得到对应的分段曲线,以此在对更直观和更有效捕捉的设备运行数据曲线进行分割的基础上,将其他同时发生的设备运行数据曲线进行关联分割,提高曲线分割的合理性和分割效率。此外,通过对各设备运行数据曲线分割后得到的分段曲线进行预设检测指标数据的异常检测算法训练,输出决策边界以确定待检测数据是否是异常数据,以此对复杂异常情况进行检测,提升站台门异常检测的准确率,提高对站台门相关设备的异常预警能力。相对于传统的站台门异常检测方式,其通常异常情况比较复杂,实际情况下常常存在噪声和异常数据点混杂一起难于区分。目前通常用基于阈值判断的方法进行异常检测,基于阈值判断的异常检测方法并不具备对复杂异常进行检测的能力。基于此,提供本申请实施例的基于曲线关联分割机制的站台门异常检测方法,以解决现有难以对复杂异常情况进行检测的问题。
实施例一:
图1给出了本申请实施例一提供的一种基于曲线关联分割机制的站台门异常检测方法的流程图,本实施例中提供的基于曲线关联分割机制的站台门异常检测方法可以由基于曲线关联分割机制的站台门异常检测设备执行,该基于曲线关联分割机制的站台门异常检测设备可以通过软件和/或硬件的方式实现,该基于曲线关联分割机制的站台门异常检测设备可以是两个或多个物理实体构成,也可以是一个物理实体构成。一般而言,该基于曲线关联分割机制的站台门异常检测设备可以是智能终端等。
下述以智能终端为执行基于曲线关联分割机制的站台门异常检测方法的主体为例,进行描述。参照图1,该基于曲线关联分割机制的站台门异常检测方法具体包括:
S101、检测站台门各设备运行数据。
具体的,站台门各设备具体为门体、电机和皮带等设备。通过传感器对门体移动速度、门体移动加速度、电机电压电流值和皮带振动时的电流值等数据进行检测。
S102、将各设备运行数据进行数据处理,得到各设备运行数据曲线。
具体的,对检测到的门体移动速度、门体移动加速度、电机电压电流值和皮带的电流值等数据进行数据处理,得到门体设备、电机设备和皮带设备的运行数据曲线。
具体的,参见图2和图3,将检测到的门体移动速度数据进行数据处理,得到门体的速度-时间曲线。检测门体开门过程和关门过程中门体移动的速度数据,对检测到的开门门体移动速度数据和关门门体移动速度数据进行数据处理,得到开门过程门体的速度-时间曲线和关门过程门体的速度-时间曲线。
具体的,参照图4和图5,将检测到的电机电流数据进行数据处理,得到电机的电流-时间曲线。检测门体开门过程和关门过程中电机电流数据,根据检测到的开门电机电流数据和关门电机电流数据进行数据处理,得到开门过程电机的电流-时间曲线和关门过程电机的电流-时间曲线。
具体的,将检测到的皮带电流数据进行数据处理,得到皮带的电流-时间曲线。检测门体开门过程和关门过程中的皮带振动电流数据,根据检测到的开门皮带电流数据和关门皮带电流数据进行数据处理,得到开门过程皮带的电流-时间曲线和关门过程的皮带的电流-时间曲线。
进一步的,基于门体运行过程中的门体移动速度状态变化,将门体速度-时间曲线分段,所述门体的速度-时间曲线包括加速阶段、匀速阶段和减速阶段。
示例性的,参照图6和图7,对开门过程和关门过程门体的速度-时间曲线进行拟合处理,得到开门过程门体速度-时间拟合曲线和关门过程门体速度-时间拟合曲线,根据开门过程和关门过程中的门体移动速度变化进行曲线的分段。
示例性的,参照图6,在开门的过程中,根据门体移动速度的状态变化将开门过程门体速度-时间拟合曲线分为四个阶段,第一阶段为加速阶段,加速阶段包括缓加速阶段和快加速阶段。其中,缓加速阶段为接收到启动开门指令后进行开门操作,开门速度逐渐提高,加速度不变;缓加速一定时间后,加速度增加,进入快加速阶段,快加速阶段加速度保持不变,快加速阶段速度不断增加至预设的开门速度阈值。第二阶段为匀速阶段,开门速度达到预设的开门速度阈值后,门体以该速度阈值进行匀速移动。门体移动到预设的指定位置ω1时匀速阶段结束,进入第三阶段。第三阶段为减速阶段,门体移动到预设的指定位置ω1时,开始减速,减速移动至指定位置ω2时,减速阶段结束,进入第四阶段。第四阶段为爬行阶段,门体以较低速度爬行至开门完成。为了对分段的优化,将开门过程中的缓加速阶段和快加速阶段合并为加速阶段,开门过程中的爬行阶段合并到减速阶段。将开门过程的门体速度-时间拟合曲线划分为加速阶段、匀速阶段和减速阶段三个阶段。根据开门过程门体速度-时间拟合曲线三个阶段划分时间点,在开门过程门体速度-时间曲线中相对应的划分时间点进行阶段划分,将开门过程门体速度-时间曲线划分为对应的加速阶段、匀速阶段和减速阶段。
示例性的,参照图7,在关门过程,门体速度-时间拟合曲线同样分为三个阶段,除第一阶段无缓加速阶段外,其他阶段与开门过程相同,在此不再赘述。根据关门过程门体速度-时间拟合曲线三个阶段划分时间点,在关门过程门体速度-时间曲线中相对应的划分时间点进行阶段划分,将关门过程门体速度-时间曲线划分为对应的加速阶段、匀速阶段和减速阶段。
进一步的,在开门和关门过程中,已知爬行阶段距离为x1,设定减速距离为x2和开门总运动距离为x,指定位置ω1和ω2的计算方式为:
w1=x-x1-x2,w2=x-x1。
S103、根据聚类划分算法将各设备运行数据曲线进行关联分割得到对应的分段曲线。
具体的,参照图8,所述聚类划分算法为K-Means算法;通过K-Means算法将门体的速度-时间曲线分割成对应的加速分段曲线、匀速分段曲线和减速分段曲线;将电机的电流-时间曲线和皮带的电流-时间曲线在对应门体的速度-时间曲线分割点处分割成对应的加速分段曲线、匀速分段曲线和减速分段曲线。
示例性的,参照图9,曲线分割采用机器算法K-Means算法进行聚类划分,门体开关门过程门体速度-时间曲线划分为对应的加速阶段、匀速阶段和减速阶段三个阶段,因此K-Means算法中的参数k=3。
进一步的,K-Means算法是常用的基于欧式距离的聚类算法,其认为两个目标的距离越近,相似度越大。算法步骤为:
①选择初始化的k个样本作为初始聚类中心:
α=α1,α2,...,αk,其中k=3,即选择初始化的3个样本作为初始聚类中心:α=α1,α2,α3;聚类中心为α1的样本数据为门体的速度-时间曲线中加速阶段的数据样本,聚类中心为α2的样本数据为门体的速度-时间曲线中匀速阶段的数据样本,聚类中心为α3的样本数据为门体的速度-时间曲线中减速阶段的数据样本。
②针对数据集中每个样本数据xi计算它到k(k=3)个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中;
③针对每个类别αj,重新计算它的聚类中心:
④重复上面②③两步操作,直到达到中止条件,所述中止条件可以为迭代次数达到预设值或最小误差变化达到预设值。迭代次数达到预设值或最小误差变化达到预设值基于实际情况而设定。
根据K-Means算法确定门体速度-时间曲线样本数据的3个聚类中心,根据确定了的3个聚类中心确定曲线分割点,将门体的速度-时间曲线分割成对应的加速分段曲线、匀速分段曲线和减速分段曲线。
具体的,根据重新计算确定的3个聚类中心,将样本数据划分到3个聚类中心对应的3个类中,每一个类中的样本数据对应为各分段曲线样本数据。进一步的,计算样本数据到3个聚类中心的距离,确定样本数据到聚类中心距离最短所对应的聚类中心,将该样本数据划分到该聚类中心所属的类中,由此将所有样本数据划分到3个聚类中心对应的3个类中。第一个类中的样本数据为加速分段曲线样本数据,第二个类中的样本数据为匀速分段曲线样本数据,第三个类中的样本数据为减速分段曲线样本数据;根据加速分段曲线样本数据、匀速分段曲线样本数据和减速分段曲线样本数据的划分将门体的速度-时间曲线分割成对应的加速分段曲线、匀速分段曲线和减速分段曲线。
参照图8,基于设备的关联性,开门过程中电机电流变化与门体滑动速度变化是同步发生的,将相同时间分割点作为两者的共同分割点,即将电机的电流-时间曲线在对应门体的速度-时间曲线分割点处分割成对应的加速分段曲线、匀速分段曲线和减速分段曲线。基于门体速度变化更为直观和有效捕捉,因而将难以直观体现分割点的电机的电流-时间曲线关联对应的门体的速度-时间曲线的分割,进行不同设备运行数据曲线的关联分割,以提高设备运行数据曲线分割的合理性和分割效率。
参照图8,基于设备的关联性,开门过程中皮带振动电流变化与门体滑动速度变化是同步发生的,将相同时间分割点作为两者的共同分割点,即将皮带的电流-时间曲线在对应门体的速度-时间曲线分割点处分割成对应的加速分段曲线、匀速分段曲线和减速分段曲线。基于门体速度变化更为直观和有效捕捉,因而将难以直观体现分割点的皮带的电流-时间曲线关联对应的门体的速度-时间曲线的分割,进行不同设备运行数据曲线的关联分割,以提高设备运行数据曲线分割的合理性和分割效率。
参照图8,基于设备的关联性,开门过程中电机电流变化和皮带振动电流变化与门体滑动速度变化是同步发生的,将相同时间分割点作为三者的共同分割点,即将电机的电流-时间曲线和皮带的电流-时间曲线在对应门体的速度-时间曲线分割点处分割成对应的加速分段曲线、匀速分段曲线和减速分段曲线。基于门体速度变化更为直观和有效捕捉,因而将难以直观体现分割点的电机的电流-时间曲线和皮带的电流-时间曲线关联对应的门体的速度-时间曲线的分割,进行不同设备运行数据曲线的关联分割。
进一步的,关门过程与开门过程相同,基于设备的关联性,关门过程中电机电流变化和皮带振动电流变化与门体滑动速度变化是同步发生的,将相同时间分割点作为三者的共同分割点,即将电机的电流-时间曲线和皮带的电流-时间曲线在对应门体的速度-时间曲线分割点处分割成对应的加速分段曲线、匀速分段曲线和减速分段曲线。基于门体速度变化更为直观和有效捕捉,因而将难以直观体现分割点的电机的电流-时间曲线和皮带的电流-时间曲线关联对应的门体的速度-时间曲线的分割,进行不同设备运行数据曲线的关联分割。
S104、预设各设备运行数据的检测指标,将各分段曲线对应的检测指标数据输入异常检测算法模型中,输出决策边界。
具体的,所述各设备运行数据的检测指标,包括:门体的加速时间、减速时间、最大速度值、匀速阶段的速度均值和方差、加速阶段功率和减速阶段功率;电机电流加速时间、减速时间、最大电流值、加速阶段电流积分和减速阶段电流积分;皮带的加速时间、减速时间、最大振幅、匀速阶段的振动均值和方差、加速阶段的最大值和减速阶段的均值和方差。
进一步的,所述异常检测算法模型为One-Class_SVM算法模型;通过One-Class_SVM算法对输入的数据进行机器学习,输出决策边界。
示例性的,参照图10,One-Class_SVM算法是寻找一个超球体将样本中的正例圈出来,预测就是用超球体做决策,在球体内的样本就认为是正样本。将各分段曲线对应的检测指标数据输入异常检测算法模型中,输出对应的决策边界,即输出对应的超球体决策边界。
S105、根据决策边界确定异常数据。
具体为,判断待检测数据点是否在决策边界内;若在决策边界内,则不是异常数据点;若在决策边界外,则是异常数据点。
具体的,基于异常检测算法模型输出的超球体决策边界,将待检测的站台门检测指标数据输入异常检测算法模型中,判断待检测数据点是否在超球体决策边界内,若在超球体决策边界内则该待检测数据点为正常数据点,对应的待检测的站台门为正常状态;若该待检测数据点在超球体决策边界外,则该待检测数据点为异常数据点,对应的待检测的站台门为异常状态。
进一步的,根据检测到的异常数据点对对应的异常站台门进行人工检查和维修。
上述,通过对检测到的各设备运行数据进行数据处理得到各设备运行数据曲线,根据聚类划分算法对各设备运行数据曲线进行关联分割得到对应的分段曲线,并将所述分段曲线的检测指标数据输入异常检测算法模型中并输出能确定异常数据的决策边界。采用上述技术手段,可以通过聚类划分算法将各设备运行数据曲线进行关联分割得到对应的分段曲线,以此在对更直观和更有效捕捉的设备运行数据曲线进行分割的基础上,将其他同时发生的设备运行数据曲线进行关联分割,提高曲线分割的合理性和分割效率。此外,通过对各设备运行数据曲线分割后得到的分段曲线进行预设检测指标数据的异常检测算法训练,输出决策边界以确定待检测数据是否是异常数据,以此对复杂异常情况进行检测,提升站台门异常检测的准确率,提高对站台门相关设备的异常预警能力。
进一步的,通过在对更直观和更有效捕捉的门体速度-时间曲线进行分割的基础上,将其他同时发生的电机电流-时间曲线和皮带电流-时间曲线进行关联分割。将较难直观分割的设备运行数据曲线分割关联较直观分割的设备运行数据曲线的分割,以实现各设备运行曲线的关联分割,提高曲线分割的合理性和分割效率。
实施例二:
在上述实施例的基础上,图11为本申请实施例二提供的一种基于曲线关联分割机制的站台门异常检测装置的结构示意图。参考图11,本实施例提供的基于曲线关联分割机制的站台门异常检测装置具体包括:检测模块21、数据处理模块22、分割模块23、决策边界输出模块24和异常数据确定模块25。
其中,检测模块21,用于检测站台门各设备运行数据;
数据处理模块22,用于将各设备运行数据进行数据处理,得到各设备运行数据曲线;
分割模块23,用于根据聚类划分算法将各设备运行数据曲线进行关联分割得到对应的分段曲线;
决策边界输出模块24,用于预设各设备运行数据的检测指标,将各分段曲线对应的检测指标数据输入异常检测算法模型中,输出决策边界;
异常数据确定模块25,用于根据决策边界确定异常数据。
上述,通过对检测到的各设备运行数据进行数据处理得到各设备运行数据曲线,根据聚类划分算法对各设备运行数据曲线进行关联分割得到对应的分段曲线,并将所述分段曲线的检测指标数据输入异常检测算法模型中并输出能确定异常数据的决策边界。采用上述技术手段,可以通过聚类划分算法将各设备运行数据曲线进行关联分割得到对应的分段曲线,以此在对更直观和更有效捕捉的设备运行数据曲线进行分割的基础上,将其他同时发生的设备运行数据曲线进行关联分割,提高曲线分割的合理性和分割效率。此外,通过对各设备运行数据曲线分割后得到的分段曲线进行预设检测指标数据的异常检测算法训练,输出决策边界以确定待检测数据是否是异常数据,以此对复杂异常情况进行检测,提升站台门异常检测的准确率,提高对站台门相关设备的异常预警能力。
本申请实施例二提供的基于曲线关联分割机制的站台门异常检测装置可以用于执行上述实施例一提供的基于曲线关联分割机制的站台门异常检测方法,具备相应的功能和有益效果。
实施例三:
本申请实施例三提供了一种电子设备,参照图12,该电子设备包括:处理器31、存储器32、通信模块33、输入装置34及输出装置35。该电子设备中处理器的数量可以是一个或者多个,该电子设备中的存储器的数量可以是一个或者多个。该电子设备的处理器、存储器、通信模块、输入装置及输出装置可以通过总线或者其他方式连接。
存储器32作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本申请任意实施例所述的基于曲线关联分割机制的站台门异常检测方法对应的程序指令/模块(例如,基于曲线关联分割机制的站台门异常检测装置中的检测模块、数据处理模块、分割模块、决策边界输出模块和异常数据确定模块)。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
通信模块33用于进行数据传输。
处理器31通过运行存储在存储器中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的基于曲线关联分割机制的站台门异常检测方法。
输入装置34可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置35可包括显示屏等显示设备。
上述提供的电子设备可用于执行上述实施例一提供的基于曲线关联分割机制的站台门异常检测方法,具备相应的功能和有益效果。
实施例四:
本申请实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种基于曲线关联分割机制的站台门异常检测方法,该基于曲线关联分割机制的站台门异常检测方法包括检测站台门各设备运行数据;将各设备运行数据进行数据处理,得到各设备运行数据曲线;根据聚类划分算法将各设备运行数据曲线进行关联分割得到对应的分段曲线;预设各设备运行数据的检测指标,将各分段曲线对应的检测指标数据输入异常检测算法模型中,输出决策边界;根据决策边界确定异常数据。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机***存储器或随机存取存储器,诸如DRAM、DDR RAM、SRAM、EDO RAM,兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的第一计算机***中,或者可以位于不同的第二计算机***中,第二计算机***通过网络(诸如因特网)连接到第一计算机***。第二计算机***可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括驻留在不同位置中(例如在通过网络连接的不同计算机***中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本申请实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的基于曲线关联分割机制的站台门异常检测方法,还可以执行本申请任意实施例所提供的基于曲线关联分割机制的站台门异常检测方法中的相关操作。
上述实施例中提供的基于曲线关联分割机制的站台门异常检测装置、存储介质及电子设备可执行本申请任意实施例所提供的基于曲线关联分割机制的站台门异常检测方法,未在上述实施例中详尽描述的技术细节,可参见本申请任意实施例所提供的基于曲线关联分割机制的站台门异常检测方法。
上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由权利要求的范围决定。
Claims (10)
1.一种基于曲线关联分割机制的站台门异常检测方法,其特征在于,包括:
检测站台门各设备运行数据;
将各设备运行数据进行数据处理,得到各设备运行数据曲线;
根据聚类划分算法将各设备运行数据曲线进行关联分割得到对应的分段曲线;
预设各设备运行数据的检测指标,将各分段曲线对应的检测指标数据输入异常检测算法模型中,输出决策边界;
根据决策边界确定异常数据。
2.根据权利要求1所述的基于曲线关联分割机制的站台门异常检测方法,其特征在于,所述将各设备运行数据进行数据处理,得到各设备运行数据曲线,具体为:
将检测到的门体速度数据进行数据处理,得到门体的速度-时间曲线;
将检测到的电机电流数据进行数据处理,得到电机的电流-时间曲线;
将检测到的皮带电流数据进行数据处理,得到皮带的电流-时间曲线。
3.根据权利要求2所述的基于曲线关联分割机制的站台门异常检测方法,其特征在于,所述门体的速度-时间曲线包括加速阶段、均速阶段和减速阶段。
4.根据权利要求2所述的基于曲线关联分割机制的站台门异常检测方法,其特征在于,所述聚类划分算法为K-Means算法;
对应的,所述根据聚类划分算法将各设备运行数据曲线进行关联分割得到对应的分段曲线,具体为:
通过K-Means算法将门体的速度-时间曲线分割成对应的加速分段曲线、匀速分段曲线和减速分段曲线;
将电机的电流-时间曲线和皮带的电流-时间曲线在对应门体的速度-时间曲线分割点处分割成对应的加速分段曲线、匀速分段曲线和减速分段曲线。
5.根据权利要求3所述的基于曲线关联分割机制的站台门异常检测方法,其特征在于,所述各设备运行数据的检测指标,包括:
门体的加速时间、减速时间、最大速度值、匀速阶段的速度均值和方差、加速阶段功率和减速阶段功率;
电机电流加速时间、减速时间、最大电流值、加速阶段电流积分和减速阶段电流积分;
皮带的加速时间、减速时间、最大振幅、匀速阶段的振动均值和方差、加速阶段的最大值和减速阶段的均值和方差。
6.根据权利要求1所述的基于曲线关联分割机制的站台门异常检测方法,其特征在于,所述异常检测算法模型为One-Class_SVM算法模型;
对应的,所述将各分段曲线对应的检测指标数据输入异常检测算法模型中,输出决策边界,具体为:
通过One-Class_SVM算法对输入的数据进行机器学习,输出决策边界。
7.根据权利要求6所述的基于曲线关联分割机制的站台门异常检测方法,其特征在于,所述根据决策边界确定异常数据,具体为:
判断待检测数据点是否在决策边界内;
若在决策边界内,则不是异常数据点;
若在决策边界外,则是异常数据点。
8.一种基于曲线关联分割机制的站台门异常检测装置,其特征在于,包括:
检测模块,用于检测站台门各设备运行数据;
数据处理模块,用于将各设备运行数据进行数据处理,得到各设备运行数据曲线;
分割模块,用于根据聚类划分算法将各设备运行数据曲线进行关联分割得到对应的分段曲线;
决策边界输出模块,用于预设各设备运行数据的检测指标,将各分段曲线对应的检测指标数据输入异常检测算法模型中,输出决策边界;
异常数据确定模块,用于根据决策边界确定异常数据。
9.一种电子设备,其特征在于,包括:
存储器以及一个或多个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7任一所述的基于曲线关联分割机制的站台门异常检测方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7任一所述的基于曲线关联分割机制的站台门异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110837947.8A CN113591376B (zh) | 2021-07-23 | 2021-07-23 | 一种基于曲线关联分割机制的站台门异常检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110837947.8A CN113591376B (zh) | 2021-07-23 | 2021-07-23 | 一种基于曲线关联分割机制的站台门异常检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113591376A true CN113591376A (zh) | 2021-11-02 |
CN113591376B CN113591376B (zh) | 2023-07-14 |
Family
ID=78249337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110837947.8A Active CN113591376B (zh) | 2021-07-23 | 2021-07-23 | 一种基于曲线关联分割机制的站台门异常检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113591376B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116610938A (zh) * | 2023-07-19 | 2023-08-18 | 合肥喆塔科技有限公司 | 曲线模式分段的半导体制造无监督异常检测方法及设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107345860A (zh) * | 2017-07-11 | 2017-11-14 | 南京康尼机电股份有限公司 | 基于时间序列数据挖掘的轨道车辆门亚健康状态识别方法 |
WO2017215740A1 (en) * | 2016-06-14 | 2017-12-21 | Siemens Aktiengesellschaft | Prevention of failures in the operation of a motorized door |
CN108322347A (zh) * | 2018-02-09 | 2018-07-24 | 腾讯科技(深圳)有限公司 | 数据检测方法、装置、检测服务器及存储介质 |
CN108416362A (zh) * | 2018-01-29 | 2018-08-17 | 同济大学 | 一种道岔异常预警与故障诊断方法 |
CN110562812A (zh) * | 2019-09-23 | 2019-12-13 | 猫岐智能科技(上海)有限公司 | 设备运行过程分段方法 |
CN110626900A (zh) * | 2019-09-23 | 2019-12-31 | 猫岐智能科技(上海)有限公司 | 设备运行异常判断方法 |
CN111177505A (zh) * | 2019-12-31 | 2020-05-19 | ***通信集团江苏有限公司 | 指标异常检测模型的训练方法、推荐的方法及装置 |
JP2020140317A (ja) * | 2019-02-27 | 2020-09-03 | レノボ・シンガポール・プライベート・リミテッド | 電子機器、制御方法、プログラム、及び学習済みモデル |
CN111999580A (zh) * | 2020-08-14 | 2020-11-27 | 佳都新太科技股份有限公司 | 地铁站台闸门的检测方法、装置、计算机设备和存储介质 |
CN112348078A (zh) * | 2020-11-09 | 2021-02-09 | 南京工程学院 | 一种具有亚健康预诊断及故障类型聚类功能的门机控制器 |
-
2021
- 2021-07-23 CN CN202110837947.8A patent/CN113591376B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017215740A1 (en) * | 2016-06-14 | 2017-12-21 | Siemens Aktiengesellschaft | Prevention of failures in the operation of a motorized door |
CN107345860A (zh) * | 2017-07-11 | 2017-11-14 | 南京康尼机电股份有限公司 | 基于时间序列数据挖掘的轨道车辆门亚健康状态识别方法 |
CN108416362A (zh) * | 2018-01-29 | 2018-08-17 | 同济大学 | 一种道岔异常预警与故障诊断方法 |
CN108322347A (zh) * | 2018-02-09 | 2018-07-24 | 腾讯科技(深圳)有限公司 | 数据检测方法、装置、检测服务器及存储介质 |
JP2020140317A (ja) * | 2019-02-27 | 2020-09-03 | レノボ・シンガポール・プライベート・リミテッド | 電子機器、制御方法、プログラム、及び学習済みモデル |
CN110562812A (zh) * | 2019-09-23 | 2019-12-13 | 猫岐智能科技(上海)有限公司 | 设备运行过程分段方法 |
CN110626900A (zh) * | 2019-09-23 | 2019-12-31 | 猫岐智能科技(上海)有限公司 | 设备运行异常判断方法 |
CN111177505A (zh) * | 2019-12-31 | 2020-05-19 | ***通信集团江苏有限公司 | 指标异常检测模型的训练方法、推荐的方法及装置 |
CN111999580A (zh) * | 2020-08-14 | 2020-11-27 | 佳都新太科技股份有限公司 | 地铁站台闸门的检测方法、装置、计算机设备和存储介质 |
CN112348078A (zh) * | 2020-11-09 | 2021-02-09 | 南京工程学院 | 一种具有亚健康预诊断及故障类型聚类功能的门机控制器 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116610938A (zh) * | 2023-07-19 | 2023-08-18 | 合肥喆塔科技有限公司 | 曲线模式分段的半导体制造无监督异常检测方法及设备 |
CN116610938B (zh) * | 2023-07-19 | 2023-10-10 | 合肥喆塔科技有限公司 | 曲线模式分段的半导体制造无监督异常检测方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113591376B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111832225B (zh) | 一种构建汽车行驶工况的方法 | |
CN109067773B (zh) | 一种基于神经网络的车载can网络入侵检测方法及*** | |
CN113591377B (zh) | 一种基于机理分析的站台门异常检测方法及装置 | |
Zaliskyi et al. | Heteroskedasticity analysis during operational data processing of radio electronic systems | |
CN107153841B (zh) | 一种城市轨道交通车辆门***的亚健康预测方法 | |
CN114137509B (zh) | 一种基于毫米波雷达点云聚类方法及装置 | |
CN113591376A (zh) | 一种基于曲线关联分割机制的站台门异常检测方法及装置 | |
CN113626586A (zh) | 一种磁浮列车的故障文本分析处理方法 | |
CN111242387A (zh) | 一种人才离职预测方法、装置、电子设备及存储介质 | |
CN111046303A (zh) | 一种热点区域的自动检测方法、装置及*** | |
CN115112372A (zh) | 轴承故障诊断方法、装置、电子设备及存储介质 | |
US20220269988A1 (en) | Abnormality degree calculation system and abnormality degree calculation method | |
CN112052551B (zh) | 一种风机喘振运行故障识别方法及*** | |
CN112001482A (zh) | 振动预测及模型训练方法、装置、计算机设备和存储介质 | |
CN115936248A (zh) | 基于注意力网络的电力负荷预测方法、装置及*** | |
CN113447287B (zh) | 异常检测装置和方法 | |
CN110704614B (zh) | 对应用中的用户群类型进行预测的信息处理方法及装置 | |
CN116380438A (zh) | 一种故障诊断方法、装置、电子设备及存储介质 | |
CN113539262B (zh) | 一种用于电动门语音控制的声音增强及收录方法和*** | |
CN112232607B (zh) | 一种地铁客流量预测方法及装置 | |
US11640558B2 (en) | Unbalanced sample classification method and apparatus | |
CN113722982A (zh) | 一种基于多模型融合的汽车传感器攻击检测与防御方法 | |
CN111831585B (zh) | 数据储存设备及其数据预测方法 | |
CN113715877A (zh) | 列车控制方法、***、计算机设备和存储介质 | |
Zhou et al. | Fault detection for suspension system of maglev trains based on historical health data |
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 |