CN116757253B - 一种轨道交通智能自动学习开关门算法 - Google Patents
一种轨道交通智能自动学习开关门算法 Download PDFInfo
- Publication number
- CN116757253B CN116757253B CN202310817264.5A CN202310817264A CN116757253B CN 116757253 B CN116757253 B CN 116757253B CN 202310817264 A CN202310817264 A CN 202310817264A CN 116757253 B CN116757253 B CN 116757253B
- Authority
- CN
- China
- Prior art keywords
- door
- closing
- door opening
- parameters
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000009471 action Effects 0.000 claims abstract description 47
- 230000006870 function Effects 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000006854 communication Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000001125 extrusion Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000005299 abrasion Methods 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
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)
- Power-Operated Mechanisms For Wings (AREA)
Abstract
本发明公开了一种轨道交通智能自动学习开关门算法,属于轨道交通车辆行业技术领域,解决的问题为:车门由于磨损和装配误差等造成每次驱动参数不一,同一参数适用范围局限性大;其技术方案要点是根据本次开关门的实际动作,采集实时参数K1,与预测参数K2作比对,该结果若在算法误差范围内,则认为此次开关门是可靠的、准确的、安全的。之后记录学习,动态生成新的参数K3,新的参数K3会作为下一次预测参数的输入量,以此类推,循环执行。在每次开关门之前生成新的预测参数,再与实际参数作比对,从而完成每次开关门的自适应学习功能,达到了的效果为:能够自动学习,调整电机驱动参数,以实时预估满足适用要求。
Description
技术领域
本发明涉及轨道交通车辆行业技术领域,特别地,涉及一种轨道交通智能自动学习开关门算法。
背景技术
随着轨道交通行业高速发展,越来越多的地铁车辆被制造和使用,车辆运营发车间隔越来越短,日运营时间也同步延长,随之车门日开关次数逐步增加。在长时间的运行和使用中,车门的各个机械部件会出现不同程度的磨损,或因安装时的装配误差,都会使车门在不同时刻进行开关门动作时的开关门时间、电机力矩、电机电流等参数产生差异。从而会在正常开关门过程中出现防挤压功能的误触发,故障的误上报,最终导致列车晚点等严重运营故障的发生。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种轨道交通智能自动学习开关门算法,可以大大缓解因长时间运行后或因不同车门本身机械结构存在的差异而导致的开关门动作偏差。本算法以自动学习模型为架构,每扇门均以自身之前多次正常运行时的参数(开关门时间、电机力矩、电机电流等)为依据作为***输入,然后自动预测下次开关门的最优估算量,从而来消除不同门之间因机械疲劳、安装误差等因素造成开关门动作差异性的一种动态算法。
为实现上述目的及其他相关目的,本发明采用如下技术方案:一种轨道交通智能自动学习开关门算法,
步骤1、数据采集对比:根据获取的上电关门动作指令进行对车门电机的驱动控制,根据本次开关门的实际动作,采集实时的电机驱动参数K1,将电机的实时参数与预测参数K2作比对,该结果若在算法误差范围内,则认为此次开关门是符合标准的;
步骤2、记录学习,根据符合标准的开关门动作的历史电机驱动参数K1动态生成新的参数K3,新的参数K3会作为下一次预测参数的输入量,循环执行;
步骤3、在每次开关门之前生成新的预测参数,再与实际参数作比对,通过神经元网络模型完成输出,对电机的开门动作实现自学习和控制。
优选的,还包括,在控制板卡上电后,先对单片机进行初始化,获取当前软件版本号,再通过与服务器进行通信来比对当前软件版本是否为最新版,若未链接服务或版本号为最高,进行下一步进行车门上电关门动作,否则启动升级程序更新升级。
优选的,当进入主程序时,开启功能进程程序;功能进程程序包括:
数据通信总线进程,用于CAN数据的接收和发送;
中断处理进程,用于采样数据的输入;
门动作进程,用于提供输出参数来控制电机,进行开关门动作、防挤压功能、非零速关门动作;
存储记录进程,通过异步存储功能,用于存储日志,故障,自动学习参数;
自动学习神经元进程,该进程根据神经元网络模型,采用三层结构,根据开门动作,以及电机编码,对相应的电机电流进行自学习和控制。
优选的,先读取以往已经正确开关门之后的动作参数作为对神经元网络模型的输入,来指导下一次实际开关门,并且记录下该次动作的实际参数,经判断处理后,若正确则存入储存器中,作为下一次车门开关门动作时的一部分参数,通过不断循环学习正确参数的方法,来纠正指导下一次开关门动作。
相比于背景技术,本发明技术效果主要体现在以下方面:
机械机构的设计误差、安装误差、以及疲劳磨损等,都有几率会造成开关门动作在同一编码位置时的电机电流不一致。电机电流的不一致映射到力的层面体现为:力矩的差异性。所以,即使是同一批次的车门,同一列车的车门,甚至同一节车厢的车门,开关门的力矩都不会一致。这也就导致在底层代码一致的情况下,每扇车门动作反而会不一致。同时,在预警值一样的情况下,会造成有的车门预警,有的车门没有预警的情况,会给车辆的运行带来安全隐患。在底层单片机上电后,先读取以往已经正确开关门之后的动作参数,来指导下一次实际开关门,并且记录下该次动作的实际参数,经判断处理后,若正确则存入存储器中,作为下一次车门开关门动作时的一部分参数依据,这里会采用不断学习正确参数的方法,来纠正指导下一次开关门动作。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1显示为本发明实施例的软件流程图;
图2显示为本发明实施例的神经元网络模型图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
下面结合附图对本发明具体实施方式作进一步说明。
实施例:
一种轨道交通智能自动学习开关门算法,本算法以自动学习模型为架构,每扇门均以自身之前多次正常运行时的参数(开关门时间、电机力矩、电机电流等)为依据作为***输入,然后自动预测下次开关门的最优估算量,从而来消除不同门之间因机械疲劳、安装误差等因素造成开关门动作差异性的一种动态算法。针对车辆运营的安全性、稳定性等需求,提出开关门运行的预测参数,根据本次开关门的实际动作,采集实时参数K1,与预测参数K2作比对,该结果若在算法误差范围内,则认为此次开关门是可靠的、准确的、安全的。之后记录学习,动态生成新的参数K3,新的参数K3会作为下一次预测参数的输入量,以此类推,循环执行。在每次开关门之前生成新的预测参数,再与实际参数作比对,从而完成每次开关门的自适应学习功能。
步骤1、数据采集对比:根据获取的上电关门动作指令进行对车门电机的驱动控制,根据本次开关门的实际动作,采集实时的电机驱动参数K1,将电机的实时参数与预测参数K2作比对,该结果若在算法误差范围内,则认为此次开关门是符合标准的;
步骤2、记录学习,根据符合标准的开关门动作的历史电机驱动参数K1动态生成新的参数K3,新的参数K3会作为下一次预测参数的输入量,循环执行;
步骤3、在每次开关门之前生成新的预测参数,再与实际参数作比对,通过神经元网络模型完成输出,对电机的开门动作实现自学习和控制。
具体的参考图1和图2,还包括,在控制板卡上电后,先对单片机进行初始化,包括时钟、外设、定时器、输入输出IO,电机驱动等。获取当前软件版本号,再通过与服务器进行通信来比对当前软件版本是否为最新版,若未链接服务或版本号为最高,进行下一步进行车门上电关门动作,否则启动升级程序更新升级。
当进入主程序时,开启功能进程程序;功能进程程序包括:
数据通信总线进程(CAN总线接收发送进程),用于CAN数据的接收和发送;
中断处理进程(INPUT监听进程),用于采样数据的输入,输入量改变,可以触发相应的函数,例如,开关门、零速、紧急解锁、服务按钮等功能函数;
门动作进程(门动作执行函数进程),用于提供输出参数来控制电机,进行开关门动作、防挤压动作、非零速关门动作、紧急解锁开关门动作;
存储记录进程,通过异步存储功能,用于存储日志,故障,自动学习参数;
自动学习神经元进程,该进程根据神经元网络模型,采用三层结构,根据开门动作,以及电机编码,对相应的电机电流进行自学习和控制。先读取以往已经正确开关门之后的动作参数作为对神经元网络模型的输入,来指导下一次实际开关门,并且记录下该次动作的实际参数,经判断处理后,若正确则存入储存器中,作为下一次车门开关门动作时的一部分参数,通过不断循环学习正确参数的方法,来纠正指导下一次开关门动作。在触发和超出对比的误差范围的时候可以进行告警。
在图1中可见,还具有OUTPUT控制进程,用于输出量的控制。故障告警控制进程,用于故障和错误的处理。UART进程,用于单口通信进程工作控制。时钟进程,用于实时时钟的处理。TCPIP进程,用于网络通信的处理。
结合图2,神经元网络模型:最左层用于接受外部的信息,所以被称为输入层,最右层是经过神经网络处理后最终的输出,被称为输出层。中间所有节点组成的一层用于变换计算,但看不到具体计算过程,被称为隐藏层,无法在训练样本集中观测到它们的值。同时也可以看到,本方案中有3个输入单元(维度为3,无偏置单元),3个隐藏单元及一个输出单元(生成输入量)。3个输入单元分别为:电流采样值,电机编码值,输入量IO值。
用Lx来表示网络总共有几层,本实施例中X=3,同时,我们将第1层记为L1,则L1为输入层,L3为输出层。例如神经网络有训练参数(W,b),可以是(W1,b1,W2,b2),其中W1是第1层第j单元与第1+1层的第i单元之间的连接参数,偏置单元是没有输入的,在算法中处理。
神经网络通过我自学习的方式可以获得高度抽象的信息,以及手工无法获取到的特征。该算法为动态算法,在同一版本程序下,每一扇门都会根据自身的机械情况去生成对应的动态参数,降低了门开关动作的差异性,增加了程序的普遍适应性,在轨道交通控制领域中取得了革命性的突破。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (1)
1.一种轨道交通智能自动学习开关门算法,其特征是:
步骤1、数据采集对比:根据获取的上电关门动作指令进行对车门电机的驱动控制,根据本次开关门的实际动作,采集实时的电机驱动参数K1,将电机的实时参数与预测参数K2作比对,该结果若在算法误差范围内,则认为此次开关门是符合标准的;
步骤2、记录学习,根据符合标准的开关门动作的历史电机驱动参数K1动态生成新的参数K3,新的参数K3会作为下一次预测参数的输入量,循环执行;
步骤3、在每次开关门之前生成新的预测参数,再与实际参数作比对,通过神经元网络模型完成输出,对电机的开门动作实现自学习和控制;在控制板卡上电后,先对单片机进行初始化,获取当前软件版本号,再通过与服务器进行通信来比对当前软件版本是否为最新版,若未链接服务或版本号为最高,进行下一步进行车门上电关门动作,否则启动升级程序更新升级;当进入主程序时,开启功能进程程序;功能进程程序包括:
数据通信总线进程,用于CAN数据的接收和发送;
中断处理进程,用于采样数据的输入;
门动作进程,用于提供输出参数来控制电机,进行开关门动作、防挤压功能、非零速关门动作;
存储记录进程,通过异步存储功能,用于存储日志,故障,自动学习参数;
自动学习神经元进程,该进程根据神经元网络模型,采用三层结构,根据开门动作,以及电机编码,对相应的电机电流进行自学习和控制;先读取以往已经正确开关门之后的动作参数作为对神经元网络模型的输入,来指导下一次实际开关门,并且记录下该次动作的实际参数,经判断处理后,若正确则存入储存器中,作为下一次车门开关门动作时的一部分参数,通过不断循环学习正确参数的方法,来纠正指导下一次开关门动作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310817264.5A CN116757253B (zh) | 2023-07-03 | 2023-07-03 | 一种轨道交通智能自动学习开关门算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310817264.5A CN116757253B (zh) | 2023-07-03 | 2023-07-03 | 一种轨道交通智能自动学习开关门算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116757253A CN116757253A (zh) | 2023-09-15 |
CN116757253B true CN116757253B (zh) | 2024-06-11 |
Family
ID=87957030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310817264.5A Active CN116757253B (zh) | 2023-07-03 | 2023-07-03 | 一种轨道交通智能自动学习开关门算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116757253B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101226377A (zh) * | 2008-02-04 | 2008-07-23 | 南京理工大学 | 沥青混凝土搅拌设备配料误差的鲁棒控制方法 |
CN107834912A (zh) * | 2017-11-08 | 2018-03-23 | 郑州精益达汽车零部件有限公司 | 一种电动乘客门控制器及控制方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105068515B (zh) * | 2015-07-16 | 2017-08-25 | 华南理工大学 | 一种基于自学习算法的智能家居设备语音控制方法 |
CN109033993A (zh) * | 2018-06-29 | 2018-12-18 | 南京行者易智能交通科技有限公司 | 一种图像识别检测开关门的方法及装置 |
CN109179171B (zh) * | 2018-10-31 | 2021-11-19 | 苏州汇川控制技术有限公司 | 电梯门机械***自学习方法、设备及存储介质 |
KR102235728B1 (ko) * | 2019-05-28 | 2021-04-05 | 한국철도기술연구원 | 전동차의 전기식 출입문 고장예측 장치 |
CN110688982B (zh) * | 2019-10-14 | 2022-07-01 | 重庆邮电大学 | 基于目标检测技术和aco-bp算法的智能轨道交通时间控制方法 |
US11823057B2 (en) * | 2019-12-30 | 2023-11-21 | Dalian University Of Technology | Intelligent control method for dynamic neural network-based variable cycle engine |
KR102571991B1 (ko) * | 2020-09-16 | 2023-08-30 | 미쓰비시 덴키 빌딩 솔루션즈 가부시키가이샤 | 엘리베이터의 제어 시스템 |
CN113642461A (zh) * | 2021-08-13 | 2021-11-12 | 辽宁华盾安全技术有限责任公司 | 一种基于深度学习的电梯开关门状态识别方法及装置 |
CN116127839A (zh) * | 2023-01-04 | 2023-05-16 | 广东工业大学 | 一种基于强化学习的公交站场服务中断防治方法 |
-
2023
- 2023-07-03 CN CN202310817264.5A patent/CN116757253B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101226377A (zh) * | 2008-02-04 | 2008-07-23 | 南京理工大学 | 沥青混凝土搅拌设备配料误差的鲁棒控制方法 |
CN107834912A (zh) * | 2017-11-08 | 2018-03-23 | 郑州精益达汽车零部件有限公司 | 一种电动乘客门控制器及控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116757253A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110942101B (zh) | 基于深度生成式对抗网络的滚动轴承剩余寿命预测方法 | |
JP3379983B2 (ja) | 人工知能トラフィックのモデル化および予測システム | |
CN114585983B (zh) | 用于检测设备的异常运行状态的方法、装置和*** | |
KR950005875B1 (ko) | 기차자동 운전장치 및 방법 | |
US11531899B2 (en) | Method for estimating a global uncertainty of a neural network | |
CN107153413A (zh) | 一种汽车电动尾门综合诊断*** | |
CN104536435A (zh) | 一种线控***网络在线诊断方法 | |
CN112308336A (zh) | 一种基于多步时序预测的高速铁路大风限速动态处置方法 | |
WO2023082726A1 (zh) | 换道策略生成方法和装置、计算机存储介质、电子设备 | |
JP2021056983A (ja) | 車両can bus信号を利用した機械学習基盤運転者異常感知方法および装置 | |
CN112763967A (zh) | 一种基于BiGRU的智能电表计量模块故障预测与诊断方法 | |
CN116757253B (zh) | 一种轨道交通智能自动学习开关门算法 | |
CN114559959A (zh) | 一种基于驾驶偏好的自动驾驶行为决策***及方法 | |
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 | |
CN116258242A (zh) | 一种自动驾驶车辆反应式轨迹预测方法及*** | |
CN115390455A (zh) | 基于时序逻辑的安全强化学习方法及*** | |
Kwon et al. | Hidden Markov model‐based real‐time transient identifications in nuclear power plants | |
CN112232557B (zh) | 基于长短期记忆网络的转辙机健康度短期预测方法 | |
CN114930287B (zh) | 用于车辆的控制器、***、方法和具有控制器的机动车 | |
Liu et al. | Safe model-based control from signal temporal logic specifications using recurrent neural networks | |
CN114810292A (zh) | 废气后处理***的操纵识别的计算机实现的方法和设备 | |
CN108804771B (zh) | 一种用于分析和设计人机交互逻辑的离散事件***方法 | |
Das | An efficient way to enable prognostics in an onboard system | |
CN113298324B (zh) | 一种基于深度强化学习与神经网络的轨迹预测模型方法、***及装置 | |
Kordes et al. | Automatic Fault Detection using Cause and Effect Rules for In-vehicle Networks. |
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 |