CN113807678A - 站台安全门能效管理方法、装置、计算机设备和存储介质 - Google Patents
站台安全门能效管理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113807678A CN113807678A CN202111021462.8A CN202111021462A CN113807678A CN 113807678 A CN113807678 A CN 113807678A CN 202111021462 A CN202111021462 A CN 202111021462A CN 113807678 A CN113807678 A CN 113807678A
- Authority
- CN
- China
- Prior art keywords
- information
- sample
- safety door
- fault
- operation information
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 87
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000006073 displacement reaction Methods 0.000 claims description 40
- 238000000034 method Methods 0.000 claims description 35
- 238000012423 maintenance Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 10
- 230000000875 corresponding effect Effects 0.000 description 100
- 238000010586 diagram Methods 0.000 description 15
- 238000012549 training Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Power-Operated Mechanisms For Wings (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本申请涉及一种站台安全门能效管理方法、装置、计算机设备和存储介质。通过在检测到站台安全门的开关门信息时,根据站台安全门的运行信息获取与特征样本库中对应类型的样本运行信息的统计信息误差值,并根据统计信息误差值与预设故障阈值的比较结果以及特征故障曲线,获取待管理站台安全门的预测故障信息,从而基于预测故障信息确定该站台安全门的管理策略。相较于传统的安全门控制***对安全门的能效管理,本方案通过利用安全门的统计误差信息与安全门的特征运行信息对安全门的能效进行管理,提高了安全门能效管理的便利性,降低了安全门的故障发生率。
Description
技术领域
本申请涉及轨道交通技术领域,特别是涉及一种站台安全门能效管理方法、装置、计算机设备和存储介质。
背景技术
轨道交通工具已成为目前人们出行的主要交通工具之一,目前轨道交通发展不断要求更智能化、更高效化,对轨道交通设备设计制造企业、运营企业都提出更高的要求。站台安全门控制***作为城市轨道交通的重要一部分,随着智慧城市、智慧交通、节能环保概念的不断实践和发展,对站台安全门控制***也提出更安全、更智能、更高效的要求。传统的站台安全门控制***及设备,因为复杂的机电设备,导致故障排查困难,进而导致故障发生频繁,不利于站台安全门需更高效、更安全的要求。
因此,目前的站台安全门管理方法存在故障发生率高的缺陷。
发明内容
基于此,有必要针对上述技术问题,提供一种能够降低故障发生率的站台安全门能效管理方法、装置、计算机设备和存储介质。
一种站台安全门能效管理方法,所述方法包括:
检测到待管理站台安全门的开关门信息,获取所述待管理站台安全门对应的运行信息;
根据所述运行信息,获取与特征样本库中对应类型的样本运行信息的统计信息误差值;所述特征样本库基于多个样本运行信息、以及所述多个样本运行信息的统计信息得到;
根据所述统计信息误差值与预设故障阈值的比较结果以及特征故障曲线,获取所述待管理站台安全门的预测故障信息,并根据所述预测故障信息确定所述待管理站台安全门的管理策略;所述特征故障曲线基于所述待管理站台安全门的样本运行信息和历史故障信息得到。
在其中一个实施例中,所述获取待管理站台安全门对应的运行信息,包括:
检测到所述待管理站台安全门的开关门信息,按照所述待管理站台安全门的位移信息,等位移采集获取所述待管理站台安全门在开关门时对应的多个运行速度、多个驱动电流、多个驱动输出信号以及多个运行时间,得到所述站台安全门的运行信息。
在其中一个实施例中,所述方法还包括:
获取所述待管理站台安全门对应的多组样本开关门信息,基于等位移采样获取每组所述样本开关门信息对应的多个相同类型的样本运行信息;
针对每组样本开关门信息,根据该组样本开关门信息对应的多个样本运行信息以及每个样本运行信息对应的样本运行位移位置,得到该组样本开关门信息对应的样本运行信息曲线;
根据多组所述样本运行信息曲线,拟合得到对应的目标样本运行信息曲线,并获取所述多组样本运行信息曲线与所述目标样本运行信息曲线的标准差值;
若所述标准差值小于预设标准差阈值,根据所述目标样本运行信息曲线中的多个样本运行信息获取对应的样本均方根值,得到所述特征样本库;
其中,所述样本运行信息包括样本运行速度信息、样本驱动电流以及样本驱动输出信号中的至少一种。
在其中一个实施例中,所述方法还包括:
获取所述待管理站台安全门对应的多组历史故障信息;所述历史故障信息中包括历史故障类型、所述历史故障类型对应的样本开关门信息以及历史故障位移位置;
针对每组历史故障信息,获取该组历史故障信息中的样本开关门信息与该组历史故障信息中的历史故障位移位置对应的相同类型的样本运行信息,并与该组历史故障信息中的历史故障类型关联;
根据样本运行信息与历史故障类型的多组关联关系得到所述特征故障曲线。
在其中一个实施例中,所述根据所述运行信息,获取与特征样本库中对应类型的样本运行信息的统计信息误差值,包括:
获取所述运行信息中的多个运行信息与所述样本均方根值对应的多个样本运行信息的差值的平方和,并根据所述平方和与所述多个运行信息个数的比值的平方根得到所述运行信息对应的均方根误差值。
在其中一个实施例中,所述根据所述统计信息误差值与预设故障阈值的比较结果以及特征故障曲线,获取所述待管理站台安全门的预测故障信息,包括:
若所述均方根误差值大于所述运行信息对应的故障阈值,根据所述特征故障曲线获取所述待管理站台安全门对应的预测故障信息。
在其中一个实施例中,所述根据所述预测故障信息确定所述待管理站台安全门的管理策略,包括:
根据所述预测故障信息,调整所述待管理站台安全门的运行参数并生成对应的维修策略,以使所述待管理站台安全门恢复正常运行状态。
一种站台安全门能效管理装置,所述装置包括:
第一获取模块,用于检测到待管理站台安全门的开关门信息,获取所述待管理站台安全门对应的运行信息;
第二获取模块,用于根据所述运行信息,获取与特征样本库中对应类型的样本运行信息的统计信息误差值;所述特征样本库基于多个样本运行信息、以及所述多个样本运行信息的统计信息得到;
预测模块,用于根据所述统计信息误差值与预设故障阈值的比较结果以及特征故障曲线,获取所述待管理站台安全门的预测故障信息,并根据所述预测故障信息确定所述待管理站台安全门的管理策略;所述特征故障曲线基于所述待管理站台安全门的样本运行信息和历史故障信息得到。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
上述站台安全门能效管理方法、装置、计算机设备和存储介质,通过在检测到站台安全门的开关门信息时,根据站台安全门的运行信息获取与特征样本库中对应类型的样本运行信息的统计信息误差值,并根据统计信息误差值与预设故障阈值的比较结果以及特征故障曲线,获取待管理站台安全门的预测故障信息,从而基于预测故障信息确定该站台安全门的管理策略。相较于传统的安全门控制***对安全门的能效管理,本方案通过利用安全门的统计误差信息与安全门的特征运行信息对安全门的能效进行管理,提高了安全门能效管理的便利性,降低了安全门的故障发生率。
附图说明
图1为一个实施例中站台安全门能效管理方法的应用环境图;
图2为一个实施例中站台安全门能效管理方法的流程示意图;
图3为一个实施例中站台安全门运行速度曲线特征样本的示意图;
图4为一个实施例中站台安全门运行速度曲线学习的示意图;
图5为一个实施例中站台安全门驱动电流和驱动输出曲线学习的示意图;
图6为另一个实施例中站台安全门能效管理方法的流程示意图;
图7为一个实施例中站台安全门能效管理***的结构示意图;
图8另一个实施例中站台安全门能效管理***的结构示意图;
图9为一个实施例中站台安全门能效管理装置的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的站台安全门能效管理方法,可以应用于如图1所示的应用环境中。终端102可以和站台安全门连接,从而终端102可以通过检测站台安全门的运行信息对站台安全门进行能效管理。另外,在一些实施例中,还可以包括服务器104。其中,终端102通过网络与服务器104进行通信。终端102可以在对站台安全门能效管理检测完成后,将管理的结果发送至服务器104进行存储。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种站台安全门能效管理方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤S202,检测到待管理站台安全门的开关门信息,获取待管理站台安全门对应的运行信息。
其中,站台安全门可以是轨道交通中用于分隔站台和轨行区的门,可以保障乘客和列车的安全。终端102可以通过收集站台安全门的运行信息来对站台安全门进行能效管理。对于站台安全门的能效管理,可以是对站台安全门开关门过程的能效管理。因此终端102可以在检测到待管理站台安全门的开关门信息时,获取待管理站台安全门对应的运行信息。例如,在一个实施例中,获取待管理站台安全门对应的运行信息,包括:检测到待管理站台安全门的开关门信息,按照待管理站台安全门的位移信息,等位移采集获取待管理站台安全门在开关门时对应的多个运行速度、多个驱动电流以及多个驱动输出信号,得到站台安全门的运行信息,另外,在一些实施例中,站台安全门的运行信息还可以包括运行时间。本实施例中,终端102可以在检测到待管理站台安全门的开关门信息时,按照待管理站台安全门的位移信息,等位移采集获取待管理站台安全门在开关门时对应的多个运行速度、多个驱动电流、多个驱动输出信号以及多个运行时间,得到站台安全门的运行信息。例如终端102可以在待管理站台安全门从开门到关门的过程中以等位移采集顺序依次获取开门到关门这一过程中多个位移位置节点站台安全门的运行速度、驱动电流、驱动输出信号和运行时间等,从而得到上述运行信息。具体地,上述数据采集过程中采集的数据包括但不限于:站台安全门开门曲线数据、关门曲线数据、门控单元控制器的工作电压及电流值、关键部件工作温度值、门控单元故障报警及维保记录数据。其中开门和关门曲线数据包含:***关键设置参数、门运动速度值、门电机驱动电流值、PWM驱动输出值,开门完成时间、关门完成时间等。门控单元故障报警包含但不仅限于:遇障、电机堵转、关门超时、开门超时、门锁故障、开门失败、关门失败、超速、电机过电流、驱动器过温等。终端102可以基于上述采集的运行信息对待管理站台安全门进行能效管理。
步骤S204,根据运行信息,获取与特征样本库中对应类型的样本运行信息的统计信息误差值;特征样本库基于多个样本运行信息、以及多个样本运行信息的统计信息得到。
其中,终端102可以根据收集到的待管理站台安全门的运行信息,对站台安全门进行能效管理。例如,终端102可以将获取到的运行信息形成统计信息与特征样本库中对应类型的样本运行信息的统计信息进行比较,得到统计信息误差值。其中,特征样本库可以是终端预先基于站台安全门的样本运行信息和样本运行信息的统计信息构建的数据库,特征样本库中的各个数据可以表征站台安全门在正常运行时对应的运行数据。统计信息可以是基于多个上述运行信息进行预设形式的统计计算得到的信息,例如可以是基于多个运行信息得到的均方根值,统计误差信息可以是终端获取到的站台安全门运行信息的统计信息与样本运行信息的统计信息之间的误差值。其中,由于运行信息可以包括多种,则上述统计误差信息可以是同种类型的统计信息对比后得到的误差信息。
步骤S206,根据统计信息误差值与预设故障阈值的比较结果以及特征故障曲线,获取待管理站台安全门的预测故障信息,并根据预测故障信息确定待管理站台安全门的管理策略;特征故障曲线基于待管理站台安全门的样本运行信息和历史故障信息得到。
其中,统计信息误差值可以是终端102将采集的统计信息与特征样本库中的得到的统计信息比较后得到的误差值。终端102可以将统计信息误差值与预设故障阈值进行比较,得到比较结果,并根据比较结果确定是否需要对站台安全门进行能效管理,例如,若统计信息误差值小于或等于预设故障阈值,则终端102确定不需对站台安全门进行能效管理;若统计信息误差值大于预设故障阈值,则终端102确定需要对站台安全门进行能效管理。其中,终端102可以基于预先训练好的特征故障曲线对待管理站台安全门进行故障信息的预测。例如,终端102可以基于上述统计信息误差值以及特征故障曲线对站台安全门已经发生或即将发生的故障类型进行预测,具体地,终端102可以根据站台安全门的运行信息与该运行信息对应的特征故障曲线进行比对,得到发生概率最大的故障类型,从而实现对待管理站台安全门的故障信息的预测。其中,上述特征故障曲线可以基于待管理站台安全门的样本运行信息和对应的历史故障信息得到。终端102得到上述预设故障信息后,还可以根据预测故障信息确定待管理站台安全门的管理策略,例如基于预测故障信息对待管理站台安全门的运行参数进行调整等,从而使得站台安全门可以恢复到按照与运行信息对应的特征样本曲线运行。
上述站台安全门能效管理方法中,通过在检测到站台安全门的开关门信息时,根据站台安全门的运行信息获取与特征样本库中对应类型的样本运行信息的统计信息误差值,并根据统计信息误差值与预设故障阈值的比较结果以及特征故障曲线,获取待管理站台安全门的预测故障信息,从而基于预测故障信息确定该站台安全门的管理策略。相较于传统的安全门控制***对安全门的能效管理,本方案通过利用安全门的统计误差信息与安全门的特征运行信息对安全门的能效进行管理,提高了安全门能效管理的便利性,降低了安全门的故障发生率。
在一个实施例中,还包括:获取待管理站台安全门对应的多组样本开关门信息,基于等位移采样获取每组样本开关门信息对应的多个相同类型的样本运行信息;针对每组样本开关门信息,根据该组样本开关门信息对应的多个样本运行信息以及每个样本运行信息对应的样本运行位移位置,得到该组样本开关门信息对应的样本运行信息曲线;根据多组样本运行信息曲线,拟合得到对应的目标样本运行信息曲线,并获取多组样本运行信息曲线与目标样本运行信息曲线的标准差值;若标准差值小于预设标准差阈值,根据目标样本运行信息曲线中的多个样本运行信息获取对应的样本均方根值,得到特征样本库;其中,样本运行信息包括样本运行速度信息、样本驱动电流以及样本驱动输出信号中的至少一种。
本实施例中,终端102可以预先训练得到待管理站台安全门的运行信息对应的特征样本库。特征样本库中可以包括多种类型的运行信息对应的样本运行信息曲线。终端102可以对待管理站台安全门进行数据采样,例如终端102可以采集待管理站台安全门对应的多组样本开关门信息,每组开关门信息中可以包含有待管理站台安全门在开门到关门过程中的多种样本运行信息,每种样本运行信息可以基于待管理站台安全门从开门到关门的等位移顺序进行记录和排序。则终端102可以基于等位移采样方式获取每组样本开关门信息中的多个相同类型的样本运行信息。针对每组样本开关门信息,终端102可以根据该组样本开关门信息对应的多个样本运行信息以及每个样本运行信息的样本运行位移位置,得到该组样本开关门信息对应的样本运行信息曲线,例如,终端102可以以样本运行位移为横轴,以相同类型的样本运行信息的数值为纵轴,将一种类型的样本运行信息添加到图表中,得到该类型的样本运行信息对应的样本运行信息曲线。由于上述样本开关门信息有多组,则终端102得到的每种类型的样本运行信息曲线可以有多组,终端102可以根据多组样本运行信息曲线,拟合得到该种类型的样本运行信息对应的目标样本运行信息曲线,并且终端102可以获取多组样本运行信息曲线与目标样本运行信息曲线的标准差值,例如终端102可以基于样本运行信息曲线中的数值以及目标样本运行信息曲线中的数值得到标准差值,当终端102确定得到的标准差值小于预设标准差阈值时,则可以确定目标样本运行信息曲线完善度高,则终端102可以根据目标样本运行信息曲线中的多个样本运行信息获取对应的样本均方根值,从而终端102可以基于均方根值得到特征样本库。其中,预设标准差阈值可以根据实际情况设定。
其中,上述样本运行信息可以包括站台安全门在开关门时对应的样本运行速度、样本驱动电流、样本驱动输出信号以及运行时间中的至少一种,则终端102得到的特征样本库中至多可以包括四种类型的样本运行信息对应的样本运行信息曲线和均方根值。具体地,终端102构建上述特征样本库可以是数据运算分析的过程,终端102可以根据收集到的数据,分别基于门运动速度曲线图、驱动电流及PWM(Pulse Width Modulation,脉冲宽度调制)驱动输出曲线图、故障走势图、开门和关门用时图等因素进行建模分析。其中,门运动速度曲线是指开门、关门的速度曲线图,也是站台安全门主要的控制曲线,在开门、关门过程的不同阶段,按照预设定的曲线进行加减速控制,实际速度偏差越小,能效越高,如图3所示,图3为一个实施例中站台安全门运行速度曲线特征样本的示意图。曲线300表示标准能效的开门速度曲线图,曲线302表示终端102经过学***均有效值越小,能效越高。例如,如图5所示,图5为一个实施例中站台安全门驱动电流和驱动输出曲线学习的示意图。其中,曲线500为驱动电流的样本驱动电流曲线,曲线502为驱动输出的样本驱动输出曲线。终端102可以基于多组样本开关门信息中的样本驱动电流和驱动输出信息对样本驱动电流曲线以及样本驱动输出曲线进行学习,最终基于多组样本驱动电流曲线和多组样本驱动输出曲线得到目标样本驱动电流曲线以及目标样本驱动输出曲线。
具体地,上述样本运行信息可以有多种类型。终端102可以基于等位移采样分类统计采样数据,按照分类求均方根值,自主学习和建立站台安全门运行曲线的特征样本数据库和特征故障曲线,并保存特征样本。其中,特征故障曲线,是指基于对站台安全门运行速度曲线和驱动电流、PWM驱动输出等变化因素结合实际的故障记录及维保结果综合评估出来并且持续完善的数据库或图表。对于每种样本运行信息,上述均方根值(RMS,Root MeanSquare)计算公式可以如下所示:
其中,Xrms表示均方根值,xi表示一组开关门信息中的第i个运行信息,N表示一组开关门信息中一种相同类型的运行信息的个数。
需要说明的是,终端102可以在多组样本运行信息与目标样本运行信息的标准差小于预设标准差阈值时才获取该种类型的样本运行信息的均方根值形成特征样本库。例如,对于每种样本运行信息,终端102可以基于等位移采样分类统计采样数据,求各分类的标准差值,分析采样数据的离散程度,理论上离散程度越小,***故障率越低,***能效越高,特征样本库完善的越好。标准差的计算公式可以如下所示:
通过本实施例,终端102可以基于多种类型的样本运行信息对应的样本运行信息曲线求得对应的均方根值,从而构建特征样本库用于对站台安全门进行能效管理,降低了站台安全门的管理难度。
在一个实施例中,还包括:获取待管理站台安全门对应的多组历史故障信息;历史故障信息中包括历史故障类型、历史故障类型对应的样本开关门信息以及历史故障位移位置;针对每组历史故障信息,获取该组历史故障信息中的样本开关门信息与该组历史故障信息中的历史故障位移位置对应的相同类型的样本运行信息,并与该组历史故障信息中的历史故障类型关联;根据样本运行信息与历史故障类型的多组关联关系得到特征故障曲线。
本实施例中,终端102可以预先对特征故障曲线进行训练学习,特征故障曲线可以是一种故障走势图,是指站台安全门的门控单元各类故障的统计图,结合上述的速度曲线和驱动电流曲线,终端102可以预判门控单元故障发生的类型及时间范围,及时进行设备保养,避免故障发生,提升能源利用率。例如终端102可以基于等位移原则进行数据的对比,在相同的开门位移或者关门位移位置上的数据进行比较。终端102可以获取待管理站台安全门对应的多组历史故障信息,包括历史故障类型、历史故障类型对应的样本开关门信息、历史故障位移位置,还可以包括故障发生的次数及间隔时间等。由于故障信息为站台安全门在开关门时产生的故障,因此对于每组历史故障信息,终端102都可以获取该组历史故障信息中的样本开关门信息,并从该样本开关门信息中获取与该组历史故障信息中的历史故障位移位置对应的相同类型的样本运行信息,例如终端102可以记录当该历史故障发生时,站台安全门的运行信息此时的数值。从而终端102可以将该样本运行信息与该组历史故障信息中的历史故障类型关联,得到一组关联关系。由于历史故障信息有多组,则终端102可以基于上述流程得到多组样本运行信息与历史故障类型的关联关系,终端102可以基于得到的样本运行信息与历史故障类型的多组关联关系得到上述特征故障曲线。具体地,上述样本运行信息可以有多种类型,包括样本运行速度、样本驱动电流、样本驱动输出和运行时间等,特征故障曲线可以根据样本运行信息的种类分为多种类型的特征故障曲线,例如,对于每种类型的样本运行信息,终端102可以以位移位置为横轴,样本运行信息与历史故障类型的关联关系为纵轴,得到该类型的样本运行信息对应的特征故障曲线,从而终端102可以基于特征故障曲线得知站台安全门开关门过程中每个位移位置节点可能发生的故障类型以及发生时对应的样本运行信息的数值。
通过本实施例,终端102可以基于多组历史故障信息与样本运行信息的关联关系得到特征故障曲线,从而终端102可以基于特征故障曲线对站台安全门进行能效管理,降低了站台安全门的能效管理的管理难度。
在一个实施例中,根据运行信息,获取与特征样本库中对应类型的样本运行信息的统计信息误差值,包括:获取运行信息中的多个运行信息与样本均方根值对应的多个样本运行信息的差值的平方和,并根据平方和与多个运行信息个数的比值的平方根得到运行信息对应的均方根误差值。
本实施例中,终端102可以基于采集得到的运行信息,获取与特征样本库中对应类型的样本运行信息的统计信息误差值。其中统计信息误差值可以是均方根差值,由于上述运行信息的种类可以有多种,例如可以包括运行速度、驱动电流、驱动输出和运行时间等。则终端102获取的统计信息误差值也可以有多种。对于每种类型的运行信息,终端102可以获取通过采集得到的该种类型的多个运行信息与该类型的样本均方根值对应的多个样本运行信息的差值的平方和,并且终端102还可以获取该平方和与上述多个运行信息的个数的比值的平方根,得到类型的运行信息对应的均方根误差值。
例如,终端102可以基于等位移采样分类统计采样数据,求各分类与特征样本库的均方根误差,所得均方根误差值作为采样值与特征样本的偏差距离,并与预设的阈值进行比较。均方根误差(RMSE,Root Mean Squared Error)计算公式可以如下所示:
其中,Xrmse表示均方根误差值,xobs,i表示第i个实时采集的运行信息,xmodel,i表示该类型的运行信息对应的目标运行信息曲线中第i个样本运行信息,N表示实时采集的开关门数据中一种相同类型的运行信息的个数。
通过本实施例,终端102可以基于运行信息和求得样本均方根值对应的多个样本运行信息得到均方根误差值,从而终端102可以基于均方根误差值对站台安全门进行能效管理,降低了站台安全门的管理难度。
在一个实施例中,根据统计信息误差值与预设故障阈值的比较结果以及特征故障曲线,获取待管理站台安全门的预测故障信息,包括:若均方根误差值大于运行信息对应的故障阈值,根据特征故障曲线获取待管理站台安全门对应的预测故障信息。
本实施例中,终端102可以将上述获得的均方根误差值与预设故障阈值进行比较,从而确定是否需要对待管理站台安全门进行能效管理。由于上述运行信息可以有多种类型,包括运行速度、驱动电流、驱动输出和运行时间等。则终端102得到的比较结果也可以有多种。对于每种类型的运行信息,终端102可以将该种类型的均方根误差值与对应的故障阈值进行比较,若该种类型的均方根误差值大于本运行信息对应的故障阈值,则终端102可以根据该种类型的特征故障曲线,获取待管理站台安全门对应的预测故障信息。即终端102可以在不同类型的运行信息对应的比较结果大于故障阈值时确定不同的预测故障信息,从而终端102可以进行不同的能效管理。例如,若终端102确定采样数据的偏差值大于预设的故障阈值,则终端102可以根据特征故障曲线输出可能已经发生或者即将发生的故障类别,***的能效也将降低。
通过本实施例,终端102可以基于运行信息与对应的故障阈值的比较结果确定是否需要对待管理安全门进行能效管理,降低了站台安全门的管理难度。
在一个实施例中,根据预测故障信息确定待管理站台安全门的管理策略,包括:根据预测故障信息,调整待管理站台安全门的运行参数并生成对应的维修策略,以使待管理站台安全门恢复正常运行状态。
本实施例中,终端102在确定了待管理站台安全门的预测故障信息后,可以基于预测故障信息调整待管理站台安全门的运行参数并生成对应的维修策略,从而可以使得待管理站台安全门恢复正常运行状态,即按照特征样本库中相应类型的目标样本运行信息曲线运行。例如,当终端102确定了待管理站台安全门的预测故障信息时,终端102可以采取重新设定站台安全门运行参数、制定维保计划,及时对设备设施进行维修保养,排除故障及可能的风险,从而让站台安全门的***重新恢复尽量按照特征样本曲线运行,从而提升***能效。
另外,终端102还可以通过统计采样数据的标准差对站台安全门进行能效管理,终端102可以统计实时采集的运行信息数据的标准差,分析采样数据的离散程度将是一个持续的过程,若采样数据标准差增大,例如标准差大于预设数值,又不足以发生故障,但***的能效将降低,此时终端102可以采取调整优化站台安全门控制策略、重新设定站台安全门运行参数,甚至制定维保计划对设备设施进行维修保养,从而降低***故障发生率,提升站台安全门***的能效水平。
其中,上述对站台安全门的控制策略调整可以是终端102通过及时修正及重新设定***运行参数或进行设备设施维修保养,让站台安全门的速度曲线、驱动电流曲线尽可能按照预定的特征样本曲线运行,将运行偏差值控制在最小范围内。终端102还可以结合故障走势图,让***具备状态感知、故障预判的能力,及时进行设备保养及故障排除工作,让***故障率降低,提升***能效水平。并且,终端102还可以通过能效分析,根据站台安全门运行状态制定最优的设备保养、设备修理、部件更换计划、人员配备计划,缩短故障时的对应时间,维持和提高对客户的服务品质。
通过本实施例,终端102可以在确定了待管理站台安全门的预测故障信息时,基于预测故障信息对待管理站台安全门进行相应的参数调整和策略制定,从而提高了站台安全门的运行安全。
在一个实施例中,如图6所示,图6为另一个实施例中站台安全门能效管理方法的流程示意图。该站台安全门可以设置在站台安全门能效管理***中,如图7和图8所示,图7为一个实施例中站台安全门能效管理***的结构示意图。图8另一个实施例中站台安全门能效管理***的结构示意图。其中,终端102对待管理站台安全门的能效管理可以包含对运行状态的可视化,终端102可以通过大规模数据汇聚,运算分析整理后,运营中心可以实现远程查询或通过图表形式展示一个车站站点或者一个门单元的准实时运行状态,实现站台安全门运行状态可视化,更加高效便捷。同时更加方便地支援车站站务管理的业务、减轻车站业务压力。并且,终端102还可以通过跟踪管理维保中心、运营中心工作计划的制定和执行,并运用微信企业号等工具,实现对各相关部门、人员考勤及作业实绩管理,提升企业业务水平。另外,终端102还可以与企业单位的监管部门通信,并提供政府部门监管中心接口及服务,以实现对城市轨道交通的安全监督、节能环保、发展规划评估及决策。
上述对站台安全门的能效管理可以包括以下流程:终端102可以基于等位移采样采集站台安全门运行速度和电机驱动电流数据、PEM驱动输出曲线以及故障记录曲线数据;终端102可以分类统计采样数据,并求取每一类的均方根值,建立站台安全门运行曲线的特征样本数据库和特征故障曲线;终端102可以分类统计采集数据标准差,并分析采样数据集的离散程度,当标准差小于预设阈值时,终端102可以将采样到的数据与特征样本数据的均方根误差值与预设的阈值进行比较,若终端102基于均方根误差值确定采样数据的偏差值大于预设的阈值,则终端102可以根据特征故障曲线输出可能已经发生或即将发生的故障类型,从而终端102可以基于该故障类型重新设定站台安全门的运行参数并制定维修计划。
另外,终端102还可以统计采样数据的标准差,当标准差大于预设数值时,终端102可以确定站台安全门的***能效将降低,则终端102可以调整优化控制策略,重新设定站台安全门的运行参数,并制定维修计划,从而可以降低故障发生率,提升站台安全门的能效。
通过上述实施例,终端102可以利用安全门的统计误差信息与安全门的特征运行信息对安全门的能效进行管理,提高了安全门能效管理的便利性,降低了安全门的故障发生率。
应该理解的是,虽然图2及图6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2及图6中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图9所示,提供了一种站台安全门能效管理装置,包括:第一获取模块500、第二获取模块502和预测模块504,其中:
第一获取模块500,用于检测到待管理站台安全门的开关门信息,获取待管理站台安全门对应的运行信息。
第二获取模块502,用于根据运行信息,获取与特征样本库中对应类型的样本运行信息的统计信息误差值;特征样本库基于多个样本运行信息、以及多个样本运行信息的统计信息得到。
预测模块504,用于根据统计信息误差值与预设故障阈值的比较结果以及特征故障曲线,获取待管理站台安全门的预测故障信息,并根据预测故障信息确定待管理站台安全门的管理策略;特征故障曲线基于待管理站台安全门的样本运行信息和历史故障信息得到。
在一个实施例中,上述第一获取模块500,具体用于检测到待管理站台安全门的开关门信息,按照待管理站台安全门的位移信息,等位移采集顺序获取待管理站台安全门在开关门时对应的多个运行速度、多个驱动电流、多个驱动输出信号以及多个运行时间,得到站台安全门的运行信息。
在一个实施例中,上述装置还包括:第一训练模块,用于获取待管理站台安全门对应的多组样本开关门信息,基于等位移采样获取每组样本开关门信息对应的多个相同类型的样本运行信息;针对每组样本开关门信息,根据该组样本开关门信息对应的多个样本运行信息以及每个样本运行信息对应的样本运行位移位置,得到该组样本开关门信息对应的样本运行信息曲线;根据多组样本运行信息曲线,拟合得到对应的目标样本运行信息曲线,并获取多组样本运行信息曲线与目标样本运行信息曲线的标准差值;若标准差值小于预设标准差阈值,根据目标样本运行信息曲线中的多个样本运行信息获取对应的样本均方根值,得到特征样本库;其中,样本运行信息包括样本运行速度信息、样本驱动电流以及样本驱动输出信号中的至少一种。
在一个实施例中,上述装置还包括:第二训练模块,用于获取待管理站台安全门对应的多组历史故障信息;历史故障信息中包括历史故障类型、历史故障类型对应的样本开关门信息以及历史故障位移位置;针对每组历史故障信息,获取该组历史故障信息中的样本开关门信息与该组历史故障信息中的历史故障位移位置对应的相同类型的样本运行信息,并与该组历史故障信息中的历史故障类型关联;根据样本运行信息与历史故障类型的多组关联关系得到特征故障曲线。
在一个实施例中,上述第二获取模块502,具体用于获取运行信息中的多个运行信息与样本均方根值对应的多个样本运行信息的差值的平方和,并根据平方和与多个运行信息个数的比值的平方根得到运行信息对应的均方根误差值。
在一个实施例中,上述预测模块504,具体用于若均方根误差值大于运行信息对应的故障阈值,根据特征故障曲线获取待管理站台安全门对应的预测故障信息。
在一个实施例中,上述预测模块504,具体用于根据预测故障信息,调整待管理站台安全门的运行参数并生成对应的维修策略,以使待管理站台安全门恢复正常运行状态。
关于站台安全门能效管理装置的具体限定可以参见上文中对于站台安全门能效管理方法的限定,在此不再赘述。上述站台安全门能效管理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图10所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种站台安全门能效管理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述的站台安全门能效管理方法。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述的站台安全门能效管理方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种站台安全门能效管理方法,其特征在于,所述方法包括:
检测到待管理站台安全门的开关门信息,获取所述待管理站台安全门对应的运行信息;
根据所述运行信息,获取与特征样本库中对应类型的样本运行信息的统计信息误差值;所述特征样本库基于多个样本运行信息、以及所述多个样本运行信息的统计信息得到;
根据所述统计信息误差值与预设故障阈值的比较结果以及特征故障曲线,获取所述待管理站台安全门的预测故障信息,并根据所述预测故障信息确定所述待管理站台安全门的管理策略;所述特征故障曲线基于所述待管理站台安全门的样本运行信息和历史故障信息得到。
2.根据权利要求1所述的方法,其特征在于,所述获取待管理站台安全门对应的运行信息,包括:
检测到所述待管理站台安全门的开关门信息,按照所述待管理站台安全门的位移信息,等位移采集获取所述待管理站台安全门在开关门时对应的多个运行速度、多个驱动电流、多个驱动输出信号以及多个运行时间,得到所述站台安全门的运行信息。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述待管理站台安全门对应的多组样本开关门信息,基于等位移采样获取每组所述样本开关门信息对应的多个相同类型的样本运行信息;
针对每组样本开关门信息,根据该组样本开关门信息对应的多个样本运行信息以及每个样本运行信息对应的样本运行位移位置,得到该组样本开关门信息对应的样本运行信息曲线;
根据多组所述样本运行信息曲线,拟合得到对应的目标样本运行信息曲线,并获取所述多组样本运行信息曲线与所述目标样本运行信息曲线的标准差值;
若所述标准差值小于预设标准差阈值,根据所述目标样本运行信息曲线中的多个样本运行信息获取对应的样本均方根值,得到所述特征样本库;
其中,所述样本运行信息包括样本运行速度信息、样本驱动电流以及样本驱动输出信号中的至少一种。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
获取所述待管理站台安全门对应的多组历史故障信息;所述历史故障信息中包括历史故障类型、所述历史故障类型对应的样本开关门信息以及历史故障位移位置;
针对每组历史故障信息,获取该组历史故障信息中的样本开关门信息与该组历史故障信息中的历史故障位移位置对应的相同类型的样本运行信息,并与该组历史故障信息中的历史故障类型关联;
根据样本运行信息与历史故障类型的多组关联关系得到所述特征故障曲线。
5.根据权利要求3所述的方法,其特征在于,所述根据所述运行信息,获取与特征样本库中对应类型的样本运行信息的统计信息误差值,包括:
获取所述运行信息中的多个运行信息与所述样本均方根值对应的多个样本运行信息的差值的平方和,并根据所述平方和与所述多个运行信息个数的比值的平方根得到所述运行信息对应的均方根误差值。
6.根据权利要求5所述的方法,其特征在于,所述根据所述统计信息误差值与预设故障阈值的比较结果以及特征故障曲线,获取所述待管理站台安全门的预测故障信息,包括:
若所述均方根误差值大于所述运行信息对应的故障阈值,根据所述特征故障曲线获取所述待管理站台安全门对应的预测故障信息。
7.根据权利要求1所述的方法,其特征在于,所述根据所述预测故障信息确定所述待管理站台安全门的管理策略,包括:
根据所述预测故障信息,调整所述待管理站台安全门的运行参数并生成对应的维修策略,以使所述待管理站台安全门恢复正常运行状态。
8.一种站台安全门能效管理装置,其特征在于,所述装置包括:
第一获取模块,用于检测到待管理站台安全门的开关门信息,获取所述待管理站台安全门对应的运行信息;
第二获取模块,用于根据所述运行信息,获取与特征样本库中对应类型的样本运行信息的统计信息误差值;所述特征样本库基于多个样本运行信息、以及所述多个样本运行信息的统计信息得到;
预测模块,用于根据所述统计信息误差值与预设故障阈值的比较结果以及特征故障曲线,获取所述待管理站台安全门的预测故障信息,并根据所述预测故障信息确定所述待管理站台安全门的管理策略;所述特征故障曲线基于所述待管理站台安全门的样本运行信息和历史故障信息得到。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111021462.8A CN113807678B (zh) | 2021-09-01 | 2021-09-01 | 站台安全门能效管理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111021462.8A CN113807678B (zh) | 2021-09-01 | 2021-09-01 | 站台安全门能效管理方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113807678A true CN113807678A (zh) | 2021-12-17 |
CN113807678B CN113807678B (zh) | 2024-03-22 |
Family
ID=78942138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111021462.8A Active CN113807678B (zh) | 2021-09-01 | 2021-09-01 | 站台安全门能效管理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113807678B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114030490A (zh) * | 2022-01-12 | 2022-02-11 | 深圳市永达电子信息股份有限公司 | 可移动式站台门运行中的碰撞判定方法和计算机存储介质 |
CN114295403A (zh) * | 2021-12-31 | 2022-04-08 | 北京市地铁运营有限公司地铁运营技术研发中心 | 一种站台门远程故障检测方法、***、装置及存储介质 |
CN115905886A (zh) * | 2023-01-09 | 2023-04-04 | 北京和利时***集成有限公司 | 站台屏蔽门的故障诊断方法、装置以及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101539490A (zh) * | 2008-03-21 | 2009-09-23 | 方大集团股份有限公司 | 基于采集屏蔽门运行曲线识别屏蔽门故障的方法及*** |
CA2721794A1 (en) * | 2010-11-09 | 2012-05-09 | Imris Inc. | Mri safety system |
CN108268023A (zh) * | 2016-12-30 | 2018-07-10 | 上海嘉成轨道交通安全保障***股份公司 | 一种轨道交通站台门远程故障诊断方法及*** |
CN109025645A (zh) * | 2018-09-17 | 2018-12-18 | 北京市地铁运营有限公司 | 一种地铁屏蔽门的安全控制方法及*** |
CN109087474A (zh) * | 2018-09-28 | 2018-12-25 | 广州市盟果科技有限公司 | 一种基于大数据的轨道交通安全维护方法 |
CN109636068A (zh) * | 2019-01-23 | 2019-04-16 | 北京博得交通设备有限公司 | 一种列车门电机故障预测方法 |
CN109782739A (zh) * | 2019-01-29 | 2019-05-21 | 中国能源建设集团广东省电力设计研究院有限公司 | 设备故障的检修方法、装置、计算机设备和存储介质 |
CN110816553A (zh) * | 2019-11-19 | 2020-02-21 | 日立楼宇技术(广州)有限公司 | 站台屏蔽门控制方法及控制*** |
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 |
CN112016435A (zh) * | 2020-08-25 | 2020-12-01 | 中移(杭州)信息技术有限公司 | 异常行为的检测方法、装置、电子设备和存储介质 |
CN112127718A (zh) * | 2020-09-25 | 2020-12-25 | 牛玉涛 | 站台门***滑动门门锁运行状态检测方法 |
WO2021120469A1 (zh) * | 2019-12-20 | 2021-06-24 | 今创集团股份有限公司 | 一种门机构电机驱动*** |
WO2023000482A1 (zh) * | 2021-07-23 | 2023-01-26 | 广州新科佳都科技有限公司 | 一种基于机理分析的站台门异常检测方法及装置 |
-
2021
- 2021-09-01 CN CN202111021462.8A patent/CN113807678B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101539490A (zh) * | 2008-03-21 | 2009-09-23 | 方大集团股份有限公司 | 基于采集屏蔽门运行曲线识别屏蔽门故障的方法及*** |
CA2721794A1 (en) * | 2010-11-09 | 2012-05-09 | Imris Inc. | Mri safety system |
CN108268023A (zh) * | 2016-12-30 | 2018-07-10 | 上海嘉成轨道交通安全保障***股份公司 | 一种轨道交通站台门远程故障诊断方法及*** |
CN109025645A (zh) * | 2018-09-17 | 2018-12-18 | 北京市地铁运营有限公司 | 一种地铁屏蔽门的安全控制方法及*** |
CN109087474A (zh) * | 2018-09-28 | 2018-12-25 | 广州市盟果科技有限公司 | 一种基于大数据的轨道交通安全维护方法 |
CN109636068A (zh) * | 2019-01-23 | 2019-04-16 | 北京博得交通设备有限公司 | 一种列车门电机故障预测方法 |
CN109782739A (zh) * | 2019-01-29 | 2019-05-21 | 中国能源建设集团广东省电力设计研究院有限公司 | 设备故障的检修方法、装置、计算机设备和存储介质 |
CN110816553A (zh) * | 2019-11-19 | 2020-02-21 | 日立楼宇技术(广州)有限公司 | 站台屏蔽门控制方法及控制*** |
WO2021120469A1 (zh) * | 2019-12-20 | 2021-06-24 | 今创集团股份有限公司 | 一种门机构电机驱动*** |
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 |
CN112016435A (zh) * | 2020-08-25 | 2020-12-01 | 中移(杭州)信息技术有限公司 | 异常行为的检测方法、装置、电子设备和存储介质 |
CN112127718A (zh) * | 2020-09-25 | 2020-12-25 | 牛玉涛 | 站台门***滑动门门锁运行状态检测方法 |
WO2023000482A1 (zh) * | 2021-07-23 | 2023-01-26 | 广州新科佳都科技有限公司 | 一种基于机理分析的站台门异常检测方法及装置 |
Non-Patent Citations (3)
Title |
---|
张艺铭: "城轨门***承载传动机构健康状态评估研究", 《交通信息与安全》, vol. 39, no. 3, 15 June 2021 (2021-06-15), pages 85 - 92 * |
胡启正: "轨道交通站台安全门***控制策略研究", 《计算机仿真》, vol. 36, no. 4, 15 April 2019 (2019-04-15), pages 89 - 93 * |
高振天: "站台门与信号***接口故障在线监测***设计", 《工业仪表与自动化装置》, no. 2, 15 April 2021 (2021-04-15), pages 41 - 44 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114295403A (zh) * | 2021-12-31 | 2022-04-08 | 北京市地铁运营有限公司地铁运营技术研发中心 | 一种站台门远程故障检测方法、***、装置及存储介质 |
CN114295403B (zh) * | 2021-12-31 | 2024-04-09 | 北京市地铁运营有限公司地铁运营技术研发中心 | 一种站台门远程故障检测方法、***、装置及存储介质 |
CN114030490A (zh) * | 2022-01-12 | 2022-02-11 | 深圳市永达电子信息股份有限公司 | 可移动式站台门运行中的碰撞判定方法和计算机存储介质 |
CN115905886A (zh) * | 2023-01-09 | 2023-04-04 | 北京和利时***集成有限公司 | 站台屏蔽门的故障诊断方法、装置以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113807678B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113807678B (zh) | 站台安全门能效管理方法、装置、计算机设备和存储介质 | |
AU2021107643A4 (en) | Method, system, device, computer device and storage medium for elevator fault prediction | |
CN112202736B (zh) | 基于统计学习和深度学习的通信网络异常分类方法 | |
Habtemichael et al. | Short-term traffic flow rate forecasting based on identifying similar traffic patterns | |
CN107480440A (zh) | 一种基于两阶段随机退化建模的剩余寿命预测方法 | |
TWI721693B (zh) | 基於行動物聯網之網路行為異常偵測系統及方法 | |
CN108398934B (zh) | 一种用于轨道交通的设备故障监控的*** | |
CN110428109B (zh) | 地铁屏蔽门故障间隔时间预测模型建立及预测方法 | |
CN112766618B (zh) | 异常预测方法及装置 | |
CN112363896A (zh) | 日志异常检测*** | |
CN114493201B (zh) | 一种基于城市轨道交通网络服务韧性测度方法 | |
CN111046940A (zh) | 一种基于决策树与神经网络的车门故障诊断方法 | |
Chen et al. | A review on traffic prediction methods for intelligent transportation system in smart cities | |
CN117806355A (zh) | 一种电力巡线无人机控制方法及*** | |
CN108376293A (zh) | 一种基于模糊数学改进的层次分析法的zj17卷烟设备维修智能预测方法 | |
CN116863723B (zh) | 一种数字孪生基座的使用方法 | |
CN111984514A (zh) | 基于Prophet-bLSTM-DTW的日志异常检测方法 | |
Soualhi et al. | Dealing with prognostics uncertainties: Combination of direct and recursive remaining useful life estimations | |
CN117034129A (zh) | 基于svm分类算法的区域电量异常检测方法 | |
CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及*** | |
CN108282360B (zh) | 一种长短期预测融合的故障检测方法 | |
CN115756922A (zh) | 一种故障预测诊断方法、装置、电子设备及存储介质 | |
CN112131069B (zh) | 基于聚类的设备运行监测方法及*** | |
CN111144696A (zh) | 一种基于大数据的轨道交通数据分析方法 | |
Meng et al. | Fault prediction method of the on-board equipment of train control system based on grey-ENN |
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 |