一种涡轮电动卷帘门体控制系统的制作方法

本发明属于电动卷帘门，具体而言，涉及一种涡轮电动卷帘门体控制系统。

背景技术：

1、电动卷帘门广泛应用于地铁车站出入口、停车场等场所,作为连接室内外空间的重要通道。通过电机驱动,这类卷帘门可实现自动开启和关闭,为进出场所的人员和车辆提供方便快捷的出入通道。与传统的手动推拉门相比,电动卷帘门具有反应速度快、开闭效率高等优势,大大提高了公共场所的通行效率。

2、为了满足不同使用环境和需求,现有的电动卷帘门系统通常具有全自动、半自动、普通等多种运行模式。在全自动模式下，门体可根据检测到的人员/车辆流量自主进行开启和关闭；在半自动模式下,门体的开启需要人工控制操作，可根据设置的自动关门延时时间使门体开到位后自动关闭；在普通模式下,则完全依赖人工手动操纵开关。这种多样化的操作模式,使得电动卷帘门系统能够适应不同场景的需求。

3、然而,现有的电动卷帘门系统在实际应用中也存在一些亟待解决的问题:

4、1)缺乏智能化管理。现有系统的运行模式切换大多依赖于人工设定或人工操控,难以根据实时的使用环境自主做出最佳决策。这不仅影响了系统的运行效率,也增加了人工管理的成本。

5、2)安全隐患较大。现有系统通常仅依靠简单的安全触边或红外光幕等设备来检测障碍物,一旦人员不小心靠近甚至被卷入门体中,就很难及时采取必要的安全措施,存在较大的人身安全隐患。

6、3)缺乏数据分析支撑。现有系统难以对运行数据进行深入分析和挖掘,无法提供有价值的运营决策依据,导致难以持续优化系统性能。

7、因此,如何实现电动卷帘门系统的智能化管控、提升安全防护水平,并充分利用运行数据优化系统决策,已成为此领域迫切需要解决的技术问题。

技术实现思路

1、有鉴于此，本发明提供一种涡轮电动卷帘门体控制系统，能够解决现有技术存在难以实现电动卷帘门系统的智能化管控、提升安全防护水平的技术问题。

2、本发明是这样实现的：

3、本发明的第一方面提供一种涡轮电动卷帘门体控制系统，用于对地铁车站出入口、停车场的电动卷帘门进行智能化控制和管理；

4、其中，包括以下模块：

5、模式选择模块,用于选择运行模式，包括全自动模式、半自动模式、普通模式；

6、门体位置检测模块,用于通过绝对值编码器检测门体的实时位置；

7、门体运动控制模块,用于根据选定模式控制门体开门、关门、暂停动作,并调节门体运动速度；

8、安全保护模块,用于通过安全触边或红外光幕探测设备监测门体运动过程是否有障碍物,确保安全；

9、人机交互模块,用于在触摸屏上显示门体状态、故障信息、运行数据,并用于控制和参数设置；

10、通信接口模块,用于与上位系统进行数据通信和控制联动；

11、人工智能决策模块，用于结合历史运行记录,自主做出门体运行策略的智能决策,以优化门系统的运行效率、安全性和舒适性；

12、以及门体乘客碰撞预测模块,用于根据乘客的位姿、动作预判乘客是否会与门体发生碰撞,进而提前采取安全措施。

13、其中，所述人工智能决策模块，具体执行以下步骤：

14、s11、获取实时记录数据、历史记录数据以及故障记录和运维记录，所述记录数据包括客流视频、门体位置、门体运行速度、门体开合频率、安全防护设备状态数据、运行模式；

15、s12、对所述实时记录数据、历史记录数据进行预处理，包括去噪和标准化；

16、s13、根据所述历史记录数据中的客流视频，建立客流模型，用于预测未来一段时间的客流量；

17、s14、采用客流量替换所述历史记录数据中的客流视频，并采用历史记录数据训练一个神经网络，得到运行模式模型，用于根据客流量、门体位置、门体运行速度、门体开合频率、安全防护设备状态数据、运行模式来优化决策最合适的运行模式；

18、s15、输入预处理后的实时记录数据到运行模式模型，输出运行模式决策结果。

19、其中,所述步骤s11,具体包括:获取实时记录数据,包括通过门体位置检测模块、门体运动控制模块、安全保护模块等实时监测设备采集的当前时刻的门体位置、运行速度、开合频率、安全防护装置状态等参数,以及利用人机交互模块上的视频监控设备实时记录的客流情况数据。获取历史记录数据,包括从卷帘门控制系统的数据库中提取过往时间段内的客流视频、门体参数、安全状态等数据。获取故障记录和运维记录,包括从系统维护档案中提取历史发生的故障类型、故障原因、维修措施等信息,以及定期的检查保养记录。

20、其中,所述步骤s12,具体包括:对原始数据进行去噪处理,包括采用中值滤波、高斯滤波等技术去除视频数据中的噪点,利用自适应卡尔曼滤波算法平滑传感器数据。对数据进行标准化处理,包括将不同量纲的数据归一化到[0,1]区间,如门体运行速度、客流量等。对不同采样率的时间序列数据进行插值或降采样,使其保持时间同步。

21、其中,所述步骤s13,具体包括:对历史客流视频数据进行统计分析,了解客流量的时间分布特征,如高峰时段、节假日客流等,并分析客流量与门体开闭状态、安全防护状态等的相关性。基于时间序列分析技术,如arima模型、prophet模型等,构建能够预测未来客流量的预测模型。考虑节假日、天气等外部因素的影响,采用多元回归或神经网络等方法提高预测精度。采用交叉验证等方法评估预测模型的泛化性能,并根据实际预测效果对模型进行持续优化。

22、其中,所述步骤s14,具体包括:从历史记录数据中提取客流量、门体位置、运行速度、开闭频率、安全状态等作为模型的输入特征,将实际采用的运行模式(全自动、半自动、普通)作为目标输出。采用监督学习的方法,利用神经网络等机器学习算法对上述特征数据进行建模,学习出一个从当前环境状况映射到最优运行模式的函数关系。在训练过程中,尝试不同的神经网络结构,如多层感知机、卷积神经网络等,并调整超参数如学习率、正则化系数等,以获得最优的模型性能。采用留出法或交叉验证的方式,评估训练好的模型在新的测试数据上的预测准确率,必要时手动调整一些关键阈值参数。

23、其中,所述步骤s15,具体包括:从门体位置检测模块、安全防护模块等实时获取当前的客流量、门体状态、安全状态等数据,作为输入特征。将实时数据输入到训练好的神经网络模型中,进行前向推理计算。模型会根据当前环境状况,输出对应的最优运行模式决策。将模型计算得到的运行模式决策,通过人机交互模块反馈给操作人员,同时通过通信接口发送给门体运动控制模块,实现自动切换运行模式。持续监控运行模式决策的执行效果,必要时手动微调一些决策阈值参数,进一步优化决策策略。

24、其中，所述门体乘客碰撞预测模块具体执行以下步骤:

25、s21、获取乘客位置和动作数据,包括视频流、红外测温数据；

26、s22、对获取的数据进行预处理,包括去噪、图像增强；

27、s23、提取乘客位姿关键点；

28、s24、基于位姿关键点估计乘客当前和未来的运动轨迹；

29、s25、基于门体当前位置及运动状态,计算门体未来运动轨迹；

30、s26、判断乘客轨迹和门体轨迹是否存在交集,若有交集则预测将发生碰撞；

31、s27、若预测发生碰撞,提前触发安全保护模块采取安全措施，包括暂停门体运动、控制减速、门体抬升至开到位位置；若未预测发生碰撞,继续监测新数据,重复上述步骤。

32、其中,所述步骤s21,具体包括:利用人机交互模块上的摄像头,实时采集卷帘门周围区域的视频图像数据。在卷帘门附近布置红外热成像传感器,实时监测乘客的位置和体温信息。将上述视频数据和红外测温数据进行时间同步和坐标系统对齐,形成综合的乘客位置动态信息。

33、其中,所述步骤s22,具体包括:对视频图像数据采用中值滤波、高斯滤波等技术进行去噪处理,消除噪点和杂波。利用直方图均衡化、伽玛校正等技术,提高图像对比度和清晰度,突出目标特征。将视频图像和红外测温数据的坐标系统统一到卷帘门控制系统的参考坐标系,以便后续进行行为分析和轨迹预测。

34、其中,所述步骤s23,具体包括:采用基于深度学习的目标检测算法,如faster r-cnn、yolo等,在视频图像中快速定位乘客所在区域。在检测到的人体区域内,利用基于关键点的人体姿态估计算法,如openpose、hrnet等,精确识别出乘客头部、四肢等的关键位置坐标。将识别得到的关键点坐标,转换到卷帘门控制系统的参考坐标系,与红外测温数据的坐标系统保持一致。

35、其中,所述步骤s24,具体包括:以当前帧中检测到的乘客位姿关键点为起点,初始化乘客的运动轨迹。采用卡尔曼滤波、粒子滤波等动态模型跟踪算法,结合历史位姿变化趋势,预测乘客在未来时刻的位置,可以预测未来5秒内的轨迹。对预测得到的运动轨迹进行卷积平滑、样条插值等方法进行平滑处理,消除由于噪声或遮挡导致的抖动。随着新的视频帧不断到来,持续更新乘客的运动轨迹预测。

36、其中,所述步骤s25,具体包括:利用门体位置检测模块采集的绝对值编码器数据,实时跟踪门体当前的位置坐标。结合门体运动控制模块的控制指令,估算门体当前的运行速度和加速度。基于门体当前的位置和运动状态,采用简单的匀速或匀加速模型,预测门体在未来5秒内的位置变化轨迹。随着新的位置数据不断采集,持续更新门体的运动轨迹预测。

37、其中,所述步骤s26,具体包括:将步骤s24和步骤s25预测得到的乘客和门体未来运动轨迹进行比较分析,采用空间几何计算的方法,检测两条轨迹是否存在交点或重合区域,如预测未来5秒内是否会发生交集。如果检测到乘客和门体的运动轨迹存在交集,则判断为存在碰撞风险,并根据乘客和门体的运动速度预测碰撞发生的时间点,根据碰撞点与门体的相对位置判断碰撞的严重程度。一旦判断存在较大的碰撞风险,立即触发安全保护模块,采取紧急措施如快速停止门体运动或采取速度减缓、门体缓缓关闭等动作,同时通过人机交互模块发出警报,引导乘客注意安全。

38、其中,所述步骤s27,具体包括:持续通过视频监控和红外测温等手段,采集乘客位置和门体状态的实时数据。将新采集的数据输入到步骤s23到s25中的算法模型,不断更新乘客和门体的运动轨迹预测。将更新后的乘客和门体运动轨迹代入步骤s26中的碰撞检测算法,持续监测是否存在新的碰撞风险。如果仍未检测到碰撞风险,则保持安全保护模块处于待命状态,随时准备在发生危险时触发紧急措施。

39、进一步的，所述记录数据包括客流视频、门体位置、门体运行速度、门体开合频率、安全防护设备状态数据、运行模式。

40、进一步的，所述运行模式模型，用于根据客流量、门体位置、门体运行速度、门体开合频率、安全防护设备状态数据、运行模式来优化决策最合适的运行模式。

41、进一步的，所述运行模式模型采用的神经网络为多层感知机或卷积神经网络。

42、进一步的，所述提取乘客位姿关键点的方法，具体是：采用基于深度学习的目标检测算法，在视频图像中快速定位乘客所在区域；在检测到的人体区域内,利用基于关键点的人体姿态估计算法，精确识别出乘客头部、四肢的关键点坐标。

43、进一步的，所述乘客头部、四肢的关键点为人像检测算法中默认的关键点。

44、进一步的，所述基于门体当前位置及运动状态,计算门体未来运动轨迹步骤中，乘客运动轨迹采用卡尔曼滤波算法进行计算。

45、进一步的，所述门体轨迹的预测方法采用简单的匀速或匀加速模型。

46、与现有技术相比较，本发明提供的一种涡轮电动卷帘门体控制系统的有益效果是：首先,本发明的人工智能决策模块,通过对实时和历史运行数据进行预处理和分析,构建了能够智能优选运行模式的决策模型。该模型能够根据当前的客流量、门体状态、安全状况等实时环境因素,自主做出最优的全自动、半自动或普通模式切换决策,从而动态调节门体的开闭策略,提高系统的运行效率、节约人力管理成本。

47、其次,本发明的安全保护模块,不仅采用了传统的安全触边和红外光幕等设备,还结合计算机视觉技术,实现了对乘客运动轨迹的实时监测和预测。一旦检测到乘客即将与门体发生碰撞风险,系统可以提前触发紧急措施,如快速停止门体运动或控制减速,大幅降低碰撞事故的发生概率,确保人员安全。

48、此外,本发明的智能控制系统还能够对累积的运行数据进行深入分析,识别系统潜在的故障模式,为预防性维护提供依据。同时,基于对客流规律的学习,系统还可预测未来的客流量变化趋势,为动态调整运行模式提供重要参考。

49、总之,本发明的人工智能决策模块和安全保护机制,有效解决了现有电动卷帘门系统在智能化管控、安全防护和数据分析等方面的痛点,显著提升了系统的运行效率、安全性和维护性。解决了现有技术存在难以实现电动卷帘门系统的智能化管控、提升安全防护水平的技术问题。