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，就可以對車門是否遇到障礙物進(jìn)行判斷，但是紋波存在不易測量等缺點(diǎn)，其測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，但是該方法對系統(tǒng)的調(diào)速性能要求比較高，尤其是在最開始的時候給定速度與實(shí)際速度偏差較大，因此會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，電流值突然增大，如果超過閾值便啟動防擠壓功能。該方法控制簡單，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個霍爾脈沖對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分別對應(yīng)第i個采樣點(diǎn)的霍爾脈沖、電流、車門速度；將各采樣點(diǎn)對應(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和測試集t；
3)通過lstm對訓(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，然后以測試集t對模型進(jìn)行驗(yàn)證；
5)當(dāng)模型的驗(yàn)證結(jié)果為有效時，將列車實(shí)際運(yùn)行過程中實(shí)時采集的序列樣本輸入模型，預(yù)測列車門在每個霍爾位置夾到障礙物的概率，當(dāng)列車門未能完全關(guān)閉且在某個位置夾到障礙物的概率大于預(yù)定值時，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|個序列樣本，重新按比例劃分訓(xùn)練集s、測試集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時刻的節(jié)點(diǎn)對t-1時刻細(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時刻的節(jié)點(diǎn)對當(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)練時避免受到序列長度的影響，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，不會對障礙物造成傷害，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個霍爾脈沖對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分別對應(yīng)第i個采樣點(diǎn)的霍爾脈沖、電流、車門速度；將各采樣點(diǎn)對應(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和測試集t；
3)通過lstm對訓(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時刻的節(jié)點(diǎn)對t-1時刻細(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時刻的節(jié)點(diǎn)對當(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)映后射得輸出兩個概率值，分別對應(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，將列車實(shí)際運(yùn)行過程中實(shí)時采集的序列樣本輸入模型，預(yù)測列車門在每個霍爾位置夾到障礙物的概率，當(dāng)列車門未能完全關(guān)閉且在某個位置夾到障礙物的概率大于預(yù)定值50％時，判定列車門夾到障礙物。6)將指定時間間隔內(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|個序列樣本，重新按比例劃分訓(xùn)練集s、測試集t，用更新后的訓(xùn)練集s更新原模型參數(shù)。