振动预测及模型训练方法、装置、计算机设备和存储介质制造方法及图纸

本发明专利技术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。

【技术实现步骤摘要】
振动预测及模型训练方法、装置、计算机设备和存储介质
本专利技术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。
技术介绍
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，降低车站空调通风系统的运行能耗，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，从而本文档来自技高网...

【技术保护点】
1.一种振动预测方法，其特征在于，包括：/n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；/n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；/n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；/n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。/n

【技术特征摘要】
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。


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.根据权利要求1-3任一项所述的方法，其特征在于，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，以输出原始保留特征与原始隐含特征。


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，包括：
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。


7.一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。


8.根据权利要求7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...

【专利技术属性】
技术研发人员：李逸帆，刘文凯，秦伟，丁保剑，
申请(专利权)人：佳都新太科技股份有限公司，广州新科佳都科技有限公司，
类型：发明
国别省市：广东;44