本發(fā)明涉及軌道交通技術(shù)領(lǐng)域，具體涉及一種基于lstm的列車門防夾算法。
背景技術(shù)：
地鐵、有軌電車等公共軌道交通工具具有客運(yùn)量大、乘客上下車頻繁的特點(diǎn)，列車門作為乘客進(jìn)出車廂的通道，數(shù)量多、開閉動(dòng)作頻繁，是故障發(fā)生較多的車輛部件之一，其可靠性和安全性是大眾關(guān)注的焦點(diǎn)之一。
列車門防夾主要需要考慮的問題在于對(duì)車門位置的判定和是否夾到障礙物，由于列車門自身的結(jié)構(gòu)導(dǎo)致不方便安裝傳感器，所以目前的列車門防夾是根據(jù)電機(jī)的參數(shù)進(jìn)行計(jì)算判斷，主要有以下三種算法：
1.紋波法；紋波即直流電流穩(wěn)壓量上的交流成分，電機(jī)“紋波”的頻率充分體現(xiàn)了電機(jī)速度，根據(jù)濾波后的電流變化，就可以對(duì)車門是否遇到障礙物進(jìn)行判斷，但是紋波存在不易測(cè)量等缺點(diǎn)，其測(cè)量精度直接影響控制精度；
2.速度比較法；將車門遇到障礙物的阻力值進(jìn)行量化，但是該方法對(duì)系統(tǒng)的調(diào)速性能要求比較高，尤其是在最開始的時(shí)候給定速度與實(shí)際速度偏差較大，因此會(huì)降低防擠壓控制精度；
3.電流法；利用電流傳感器獲得電樞電流值，當(dāng)車門擠壓到障礙物時(shí)，電流值突然增大，如果超過閾值便啟動(dòng)防擠壓功能。該方法控制簡(jiǎn)單，成本低，但是由于受外界環(huán)境因素的影響很難控制擠壓力的大小，且容易受到列車供電電壓的影響，因此控制精度低。
總之，現(xiàn)有的列車門防夾算法普遍存在精度低的缺點(diǎn)。
技術(shù)實(shí)現(xiàn)要素：
本發(fā)明要解決的技術(shù)問題是提供一種基于lstm的列車門防夾算法，可以解決現(xiàn)有列車門防夾算法精度低的問題。
本發(fā)明通過以下技術(shù)方案實(shí)現(xiàn)：
一種基于lstm的列車門防夾算法，包括以下步驟：
1)通過霍爾電流傳感器獲取列車門驅(qū)動(dòng)電機(jī)電樞的電流數(shù)據(jù)，運(yùn)算得到霍爾脈沖數(shù)和車門速度；
2)每間隔n個(gè)霍爾脈沖對(duì)電流和車門速度采樣一次，將一次列車門關(guān)閉過程的采樣序列s作為一個(gè)序列樣本，序列樣本中的采樣點(diǎn)表示為：xi＝(pi,ii,vi)，其中pi，ii，vi分別對(duì)應(yīng)第i個(gè)采樣點(diǎn)的霍爾脈沖、電流、車門速度；將各采樣點(diǎn)對(duì)應(yīng)車門是否夾到物體的標(biāo)記順次拼接為y＝(y1，...，yi，...，yn)，當(dāng)且僅當(dāng)?shù)趇個(gè)采樣點(diǎn)夾到物體，其標(biāo)記yi為1，否則為0；重復(fù)采集多次關(guān)門時(shí)的樣本，構(gòu)建樣本集d，并將樣本集d按比例劃分為訓(xùn)練集s和測(cè)試集t；
3)通過lstm對(duì)訓(xùn)練集s中的數(shù)據(jù)建模；
4)采用adagrad算法，通過隨機(jī)梯度下降法最小化交叉熵?fù)p失進(jìn)行參數(shù)估計(jì)，直到模型收斂，然后以測(cè)試集t對(duì)模型進(jìn)行驗(yàn)證；
5)當(dāng)模型的驗(yàn)證結(jié)果為有效時(shí)，將列車實(shí)際運(yùn)行過程中實(shí)時(shí)采集的序列樣本輸入模型，預(yù)測(cè)列車門在每個(gè)霍爾位置夾到障礙物的概率，當(dāng)列車門未能完全關(guān)閉且在某個(gè)位置夾到障礙物的概率大于預(yù)定值時(shí)，判定列車門夾到障礙物。
本發(fā)明的進(jìn)一步方案是，還包括步驟6)：將指定時(shí)間間隔內(nèi)、列車門數(shù)次關(guān)閉過程的序列樣本數(shù)據(jù)集dcur加入樣本集d，并舍棄樣本集d中的前|dcur|個(gè)序列樣本，重新按比例劃分訓(xùn)練集s、測(cè)試集t，用更新后的訓(xùn)練集s更新原模型參數(shù)。
本發(fā)明的進(jìn)一步方案是，所述步驟3)中的模型公式包括：
忘記門ft＝σ(wf[xt,ht-1]+bf)，其中ft∈[0,1]，表示t時(shí)刻的節(jié)點(diǎn)對(duì)t-1時(shí)刻細(xì)胞記憶的選擇權(quán)重，bf為遺忘門的偏置項(xiàng)，ht-1表示t-1節(jié)點(diǎn)的隱層狀態(tài)信息，非線性函數(shù)σ(x)＝1/(1+e-x)；
輸入門it＝σ(wi[xt,ht-1]+bi)，其中it∈[0,1]表示t時(shí)刻的節(jié)點(diǎn)對(duì)當(dāng)前節(jié)點(diǎn)信息的選擇權(quán)重，bi為輸入門的偏置項(xiàng)，非線性函數(shù)σ(x)＝1/(1+e-x)；
當(dāng)前節(jié)點(diǎn)輸入信息
輸出記憶信息
輸出門ot＝σ(wo[xt,ht-1]+bo)，其中ot∈[0,1]表示t時(shí)刻的節(jié)點(diǎn)細(xì)胞記憶信息的選擇權(quán)重，bo為輸出門的偏置項(xiàng)；
t時(shí)刻的隱層狀態(tài)ht＝ot·tanh(ct)；
當(dāng)前霍爾位置列車門夾到物體及未夾到物體的概率p(yt|ht)＝softmax(θht+b)，其中非線性函數(shù)
本發(fā)明的進(jìn)一步方案是，所述步驟4)中隨機(jī)梯度下降法的最小化交叉熵?fù)p失函數(shù)為：
本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點(diǎn)在于：
一、通過lstm對(duì)電流、車門速度進(jìn)行建模，將列車門防夾判斷轉(zhuǎn)化為機(jī)器學(xué)習(xí)的序列標(biāo)注問題，lstm模型的記憶功能夠使得模型在訓(xùn)練時(shí)避免受到序列長(zhǎng)度的影響，因此更容易捕捉到序列內(nèi)各采樣點(diǎn)之間的潛在規(guī)律，精度更高，保證門控系統(tǒng)的可靠性；
二、增量學(xué)習(xí)策略對(duì)訓(xùn)練集進(jìn)行更新，使原模型參數(shù)隨著溫度、摩擦力等外界因素的變化而調(diào)整，降低外界因素的影響，有效地確保防夾門控系統(tǒng)的可靠性。
具體實(shí)施方式
列車門的關(guān)閉過程包括四個(gè)階段：加速、勻高速、減速、勻低速。在加速階段，電機(jī)的轉(zhuǎn)速和轉(zhuǎn)矩都比較小，不會(huì)對(duì)障礙物造成傷害，所以在加速階段可以不考慮防夾，只在后面三個(gè)階段進(jìn)行防夾判斷。
一種基于lstm的列車門防夾算法，包括以下步驟：
1)通過霍爾電流傳感器獲取列車門驅(qū)動(dòng)電機(jī)電樞的電流數(shù)據(jù)，運(yùn)算得到霍爾脈沖數(shù)和車門速度；
2)每間隔n個(gè)霍爾脈沖對(duì)電流和車門速度采樣一次，將一次列車門關(guān)閉過程的采樣序列s作為一個(gè)序列樣本，序列樣本中的采樣點(diǎn)表示為：xi＝(pi,ii,vi)，其中pi，ii，vi分別對(duì)應(yīng)第i個(gè)采樣點(diǎn)的霍爾脈沖、電流、車門速度；將各采樣點(diǎn)對(duì)應(yīng)車門是否夾到物體的標(biāo)記順次拼接為y＝(y1，...，yi，...，yn)，當(dāng)且僅當(dāng)?shù)趇個(gè)采樣點(diǎn)夾到物體，其標(biāo)記yi為1，否則為0；重復(fù)采集多次關(guān)門時(shí)的樣本，構(gòu)建樣本集d，并將樣本集d按7:3的比例劃分為訓(xùn)練集s和測(cè)試集t；
3)通過lstm對(duì)訓(xùn)練集sde霍爾脈沖數(shù)、車門速度、電流數(shù)據(jù)建模，模型公式包括：
忘記門ft＝σ(wf[xt,ht-1]+bf)，其中ft∈[0,1]，表示t時(shí)刻的節(jié)點(diǎn)對(duì)t-1時(shí)刻細(xì)胞記憶的選擇權(quán)重，bf為遺忘門的偏置項(xiàng)，ht-1表示t-1節(jié)點(diǎn)的隱層狀態(tài)信息，非線性函數(shù)σ(x)＝1/(1+e-x)；
輸入門it＝σ(wi[xt,ht-1]+bi)，其中it∈[0,1]表示t時(shí)刻的節(jié)點(diǎn)對(duì)當(dāng)前節(jié)點(diǎn)信息的選擇權(quán)重，bi為輸入門的偏置項(xiàng)，非線性函數(shù)σ(x)＝1/(1+e-x)；
當(dāng)前節(jié)點(diǎn)輸入信息
輸出記憶信息
輸出門ot＝σ(wo[xt,ht-1]+bo)，其中ot∈[0,1]表示t時(shí)刻的節(jié)點(diǎn)細(xì)胞記憶信息的選擇權(quán)重，bo為輸出門的偏置項(xiàng)；
t時(shí)刻的隱層狀態(tài)ht＝ot·tanh(ct)；
隱藏層到輸出層采用全連接方式，經(jīng)過softmax非線性函數(shù)映后射得輸出兩個(gè)概率值，分別對(duì)應(yīng)當(dāng)前霍爾位置列車門夾到物體及未夾到物體的概率p(yt|ht)＝softmax(θht+b)，
其中非線性函數(shù)
4)采用adagrad算法，通過隨機(jī)梯度下降法最小化交叉熵?fù)p失進(jìn)行參數(shù)估計(jì)，最小化交叉熵?fù)p失函數(shù)為：
5)當(dāng)模型的驗(yàn)證結(jié)果為有效時(shí)，將列車實(shí)際運(yùn)行過程中實(shí)時(shí)采集的序列樣本輸入模型，預(yù)測(cè)列車門在每個(gè)霍爾位置夾到障礙物的概率，當(dāng)列車門未能完全關(guān)閉且在某個(gè)位置夾到障礙物的概率大于預(yù)定值50％時(shí)，判定列車門夾到障礙物。6)將指定時(shí)間間隔內(nèi)、列車門數(shù)次關(guān)閉過程的序列樣本數(shù)據(jù)集dcur加入樣本集d，并舍棄樣本集d中的前|dcur|個(gè)序列樣本，重新按比例劃分訓(xùn)練集s、測(cè)試集t，用更新后的訓(xùn)練集s更新原模型參數(shù)。