塞拉门故障模型训练方法、检测方法、设备及存储介质技术

本发明专利技术公开一种塞拉门故障模型训练方法、检测方法、设备及存储介质，涉及塞拉门故障检测技术领域，方法包括：获取塞拉门的驱动电机的电流信号，电流信号包括开门时间段电流信号和关门时间段电流信号；从开门时间段电流信号和关门时间段电流信号中，提取得到电流信号的时域特征；根据时域特征，构建训练样本集；将训练样本集输入随机森林分类模型，对随机森林分类模型进行训练，得到塞拉门故障模型。本发明专利技术在地铁运行时，通过塞拉门故障模型实时检测塞拉门开门时间段和关门时间段的驱动电机电流信号，对地铁塞拉门V型倒置和V型尺寸正向超标故障进行实时检测，解决了在地铁运行时，人工检测的方式无法实现塞拉门故障实时检测的技术问题。术问题。术问题。

【技术实现步骤摘要】
塞拉门故障模型训练方法、检测方法、设备及存储介质


[0001]本专利技术涉及塞拉门故障检测
，尤其涉及一种塞拉门故障模型训练方法、检测方法、设备及存储介质。

技术介绍

[0002]地铁车门系统中，塞拉门V型倒置和V型尺寸正向超标属于严重故障，一旦发生V型倒置或者V型尺寸正向超标故障，塞拉门的整体状态发生改变，易导致塞拉门下挡销和压轮等关键部件发生干涉。
[0003]目前，为了防止塞拉门下挡销和压轮等关键部件发生干涉，通常在定期的地铁维修保养时，通过人工检测的方式对地铁塞拉门V型倒置和V型尺寸正向超标故障进行检测；但是，在地铁运行时，无法实现塞拉门故障的实时检测。

技术实现思路

[0004]本专利技术的主要目的在于：提供一种塞拉门故障模型训练方法、检测方法、设备及存储介质，旨在解决在地铁运行时，人工检测的方式无法实现塞拉门故障实时检测的技术问题。
[0005]为实现上述目的，本专利技术采用如下技术方案：
[0006]第一方面，本专利技术提供一种塞拉门故障模型训练方法，方法包括：
[0007]获取塞拉门的驱动电机的电流信号，电流信号包括开门时间段电流信号和关门时间段电流信号；
[0008]从开门时间段电流信号和关门时间段电流信号中，提取得到电流信号的时域特征；
[0009]根据时域特征，构建训练样本集；
[0010]将训练样本集输入随机森林分类模型，对随机森林分类模型进行训练，得到塞拉门故障模型。
[0011]可选地，根据时域特征，构建训练样本集，包括：
[0012]对时域特征进行特征筛选，得到目标特征；
[0013]根据目标特征，构建训练样本集。
[0014]可选地，对时域特征进行特征筛选，得到目标特征，包括：
[0015]基于预设的特征权重算法，获得时域特征的特征权重；
[0016]根据特征权重和预设权重阈值，对时域特征进行特征筛选，得到目标特征。
[0017]可选地，目标特征包括极大值、第一局部极小值、第二局部极小值、均方根、波形因子、方差、峰峰值或极小值中的至少一者。
[0018]可选地，将训练样本集输入随机森林分类模型，对随机森林分类模型进行训练，得到塞拉门故障模型之前，方法还包括：
[0019]根据训练样本集中的特征数量，确定预选特征数量；
[0020]根据预选特征数量和预设基分类器数量范围，建立至少两个随机森林分类模型；
[0021]将训练样本集输入随机森林分类模型，对随机森林分类模型进行训练，得到塞拉门故障检测模型，包括：
[0022]将训练样本集输入至少两个随机森林分类模型，对至少两个随机森林分类模型进行训练，并从至少两个随机森林分类模型中确定出目标随机森林分类模型；
[0023]根据训练样本集，对目标随机森林分类模型进行训练，得到塞拉门故障模型。
[0024]可选地，将训练样本集输入至少两个随机森林分类模型，对至少两个随机森林分类模型进行训练，并从至少两个随机森林分类模型中确定出目标随机森林分类模型，包括：
[0025]将训练样本集划分为预设数量的子样本集；
[0026]针对任一随机森林分类模型，利用预设数量的子样本集进行训练和验证，得到至少两个平均验证误差；
[0027]根据至少两个平均验证误差，在至少两个随机森林分类模型中确定出目标随机森林分类模型。
[0028]可选地，获取塞拉门的驱动电机的电流信号之后，方法还包括：
[0029]对电流信号进行去噪处理和归一化处理，得到处理后的电流信号，处理后的电流信号包括处理后的开门时间段电流信号和处理后的关门时间段电流信号；
[0030]从开门时间段电流信号和关门时间段电流信号中，提取得到电流信号的时域特征，包括：
[0031]从处理后的开门时间段电流信号和处理后的关门时间段电流信号中，提取得到处理后的电流信号的时域特征。
[0032]第二方面，本专利技术还提供一种塞拉门故障检测方法，方法包括：
[0033]获取塞拉门的驱动电机的实时电流信号，实时电流信号包括开门时间段实时电流信号和关门时间段实时电流信号；
[0034]从开门时间段实时电流信号和关门时间段实时电流信号中，提取得到实时电流信号的目标时域特征；
[0035]将目标时域特征输入塞拉门故障模型，进行故障检测，得到故障检测结果，其中，塞拉门故障模型通过如上述的塞拉门故障模型训练方法训练得到。
[0036]第三方面，本专利技术还提供一种塞拉门故障检测设备，设备包括：存储器、处理器及存储在存储器上并可在处理器上运行的塞拉门故障检测程序，通过塞拉门故障检测程序配置为实现如上述任一项塞拉门故障模型训练方法或塞拉门故障检测方法的步骤。
[0037]第四方面，本专利技术还提供一种计算机可读存储介质，计算机可读存储介质上存储有塞拉门故障检测程序，塞拉门故障检测程序被处理器执行时实现如上述任一项的塞拉门故障模型训练方法或塞拉门故障检测方法的步骤。
[0038]本专利技术提供一种塞拉门故障模型训练方法、检测方法、设备及存储介质，通过提取塞拉门驱动电机的电流信号中开门时间段和关门时间段的时域特征，构建训练样本集，对随机森林模型进行训练，得到塞拉门故障模型；在地铁运行时，通过塞拉门故障模型实时检测塞拉门开门时间段和关门时间段的驱动电机电流信号，对地铁塞拉门V型倒置和V型尺寸正向超标故障进行实时检测，解决了在地铁运行时，人工检测的方式无法实现塞拉门故障实时检测的技术问题。
附图说明
[0039]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
[0040]图1为本专利技术故障检测设备的结构示意图；
[0041]图2为本专利技术塞拉门故障模型训练方法第一实施例的流程示意图；
[0042]图3为本专利技术塞拉门故障模型训练方法一实施方式的电流信号波形图；
[0043]图4为本专利技术图3中处理后的电流信号波形图；
[0044]图5为图2中步骤S300的细化流程示意图；
[0045]图6为图5中步骤S310的细化流程示意图；
[0046]图7为本专利技术塞拉门故障模型训练方法第二实施例的流程示意图；
[0047]图8为图7中步骤S410细化流程示意图；
[0048]图9为本专利技术塞拉门故障检测方法第一实施例的流程示意图。
[0049]本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0050]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术的一部分实施例，而本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种塞拉门故障模型训练方法，其特征在于，所述方法包括：获取塞拉门的驱动电机的电流信号，所述电流信号包括开门时间段电流信号和关门时间段电流信号；从所述开门时间段电流信号和所述关门时间段电流信号中，提取得到所述电流信号的时域特征；根据所述时域特征，构建训练样本集；将所述训练样本集输入随机森林分类模型，对所述随机森林分类模型进行训练，得到塞拉门故障模型。2.如权利要求1所述的方法，其特征在于，所述根据所述时域特征，构建训练样本集，包括：对所述时域特征进行特征筛选，得到目标特征；根据所述目标特征，构建所述训练样本集。3.如权利要求2所述的方法，其特征在于，所述对所述时域特征进行特征筛选，得到目标特征，包括：基于预设的特征权重算法，获得所述时域特征的特征权重；根据所述特征权重和预设权重阈值，对所述时域特征进行特征筛选，得到所述目标特征。4.如权利要求3所述的方法，其特征在于，所述目标特征包括极大值、第一局部极小值、第二局部极小值、均方根、波形因子、方差、峰峰值或极小值中的至少一者。5.如权利要求1所述的方法，其特征在于，所述将所述训练样本集输入随机森林分类模型，对所述随机森林分类模型进行训练，得到塞拉门故障模型之前，所述方法还包括：根据所述训练样本集中的特征数量，确定预选特征数量；根据所述预选特征数量和预设基分类器数量范围，建立至少两个随机森林分类模型；所述将所述训练样本集输入随机森林分类模型，对所述随机森林分类模型进行训练，得到塞拉门故障检测模型，包括：将所述训练样本集输入至少两个所述随机森林分类模型，对至少两个所述随机森林分类模型进行训练，并从至少两个所述随机森林分类模型中确定出目标随机森林分类模型；根据所述训练样本集，对所述目标随机森林分类模型进行训练，得到所述塞拉门故障模型。6.如权利要求5所述的方法，其特征在于，所述将所述训练样本集输入至少两个所述随机森林分类模型，对至少两个所述随机森林分类模型进行...

【专利技术属性】
技术研发人员：林川，王琳，刘东，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：