[发明专利]振动预测及模型训练方法、装置、计算机设备和存储介质

说明书

本发明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。

技术领域

本发明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。

背景技术

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，从而导致维修的效率较低。

发明内容

本发明实施例提供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，以解决地铁站台闸门与电机之间的皮带维修成本较高、效率较低的问题。

第一方面，本发明实施例提供了一种振动预测方法，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、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。

第二方面，本发明实施例还提供了一种振动预测模型的训练方法，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、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。