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制造方法及图纸

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。常预警能力。常预警能力。

【技术实现步骤摘要】
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


[0001]本申请实施例涉及站台门运营
，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。

技术介绍

[0002]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系统平台和智能化应用。
[0003]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。

技术实现思路

[0004]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。
[0005]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：
[0006]检测站台门各设备运行数据；
[0007]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；
[0008]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；
[0009]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；
[0010]根据决策边界确定异常数据。
[0011]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：
[0012]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；
[0013]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；
[0014]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。
[0015]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。
[0016]进一步的，所述聚类划分算法为K
‑
Means算法；
[0017]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：
[0018]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；
[0019]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。
[0020]进一步的，所述各设备运行数据的检测指标，包括：
[0021]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；
[0022]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；
[0023]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。
[0024]进一步的，所述异常检测算法模型为One
‑
Class_SVM算法模型；
[0025]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：
[0026]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。
[0027]进一步的，所述根据决策边界确定异常数据，具体为：
[0028]判断待检测数据点是否在决策边界内；
[0029]若在决策边界内，则不是异常数据点；
[0030]若在决策边界外，则是异常数据点。
[0031]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：
[0032]检测模块，用于检测站台门各设备运行数据；
[0033]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；
[0034]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；
[0035]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；
[0036]异常数据确定模块，用于根据决策边界确定异常数据。
[0037]在第三方面，本申请实施例提供了一种电子设备，包括：
[0038]存储器以及一个或多个处理器；
[0039]所述存储器，用于存储一个或多个程序；
[0040]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。
[0041]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。
[0042]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
[0043]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；
[0044]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；
[0045]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；
[0046]图4是本本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：刘文凯，李鸿飞，王玥邈，贾建平，
申请(专利权)人：广州华佳软件有限公司佳都科技集团股份有限公司广东华之源信息工程有限公司广州佳都城轨智慧运维服务有限公司，
类型：发明
国别省市：