CN108627326A - 一种基于Bagging-RNN模型的电梯制动性能评价方法 - Google Patents
一种基于Bagging-RNN模型的电梯制动性能评价方法 Download PDFInfo
- Publication number
- CN108627326A CN108627326A CN201810426947.7A CN201810426947A CN108627326A CN 108627326 A CN108627326 A CN 108627326A CN 201810426947 A CN201810426947 A CN 201810426947A CN 108627326 A CN108627326 A CN 108627326A
- Authority
- CN
- China
- Prior art keywords
- bagging
- rnn
- rnn models
- models
- elevator
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于Bagging‑RNN模型的电梯制动性能评价方法,包括:a)获取不同制动性能的电梯在制动过程中的闸皮温度序列数据,作为样本集;b)按照比例将样本集划分为训练集和验证集;c)使用训练集数据训练Bagging‑RNN模型,根据训练误差修正Bagging‑RNN模型参数;d)使用验证集数据验证Bagging‑RNN模型的泛化能力,根据验证结果进一步修正Bagging‑RNN模型参数,将修正后的Bagging‑RNN模型作为电梯制动性能的评价模型;e)将被测电梯在制动过程中的闸皮温度序列数据作为Bagging‑RNN模型的输入,模型输出被测电梯的制动性能评价结果。本发明从电梯制动时电梯闸皮最高温度变化的生成机理出发,获取不同制动性能电梯制动过程中的闸皮温度序列数据,并基于历史数据提出了相应的电梯制动性能的评价方法。
Description
技术领域
本发明涉及Bagging-RNN模型定量、动态地评价电梯制动性能技术领域,特别是涉及一种基于Bagging-RNN模型的电梯制动性能评价方法。
背景技术
随着工业科技的发展,电梯作为一种运输设备,已经成为人们日常生活中频繁使用的交通工具之一。随着电梯的广泛应用,其安全性能也受到了人们的重视,GB7588-2003《电梯制造与安装安全规范》和TSG7001-2009《电梯监督检验与定期检验规则》都对电梯的性能要求进行了规范,也提供了一些性能检测方法。电梯的性能主要包括曳引性能和制动性能两部分,其中电梯的制动性能主要表征在制动器上的闸皮热性能上。电梯制动的过程中,闸皮会抱紧制动轮,电梯闸皮会产生大量的摩擦能量和摩擦热。性能良好的电梯制动时的闸皮表面温度变化和制动性能失效的电梯制动时的闸皮表面温度变化的特征不同。特别的,电梯制动性能在逐渐失效的过程中,电梯制动时闸皮表面的温度变化特征也有所区别。因此,找出电梯制动时闸皮表面的温度变化特征,就能够得知电梯的制动性能情况,对电梯的制动性能进行检测和评价。
神经网络在系统辨识、模式识别、智能控制等领域有着广泛而吸引人的前景,特别在模式识别中,神经网络的基于历史数据的自学习功能能够提取出研究人员所需要的特征,其中,循环神经网络(Recurrent Neural Network)模型是一种专门处理序列数据的神经网络模型。Bagging算法是一种对样本自助采样的算法,可以提高神经网络模型的准确率,降低神经网络模型的评价误差。本发明从电梯制动时电梯闸皮表面温度变化的时序性生成机理出发,采用了一种Bagging-RNN模型对电梯的制动性能进行动态定量的检测与评价。
发明内容
为了解决以上问题,本发明提供一种基于Bagging-RNN模型的电梯制动性能评价方法,本发明从电梯制动时电梯闸皮最高温度变化的生成机理出发,获取不同电梯制动性能下的电梯闸皮在电梯制动持续过程中的温度序列数据,并基于历史数据提出了对应电梯制动性能的评价方法,为达此目的,本发明提供一种基于Bagging-RNN模型的电梯制动性能评价方法,具体步骤如下:
a)获取不同制动性能电梯在制动过程中的闸皮温度序列数据,作为样本集数据;
b)按照1:1的比例将样本集划分为训练集与验证集;
c)使用训练集数据训练Bagging-RNN模型,根据训练误差修正Bagging-RNN模型参数;
d)使用验证集数据验证训练所得Bagging-RNN模型的泛化能力,根据验证结果进一步修正Bagging-RNN模型参数,将修正后的Bagging-RNN模型作为电梯制动性能的评价模型;
e)将被测电梯制动过程中的闸皮温度序列数据作为Bagging-RNN模型的输入,模型输出得到被测电梯的制动性能评价结果。
本发明的进一步改进,所述步骤a)中,获取不同制动性能电梯在制动过程中闸皮温度序列数据的方法如下:使用红外热像仪连续拍摄不同制动性能电梯从刚刚制动开始8秒之间的闸皮及其附近空间的红外热像图像,每0.1秒采集一幅热像图像,共采集到80幅红外热像图像;然后,提取红外热像图像中闸皮边缘处对应像素点位置的像素平均值作为样本中的温度序列数据I=[i1,i2,...ip,...,i80],其中ip表示第p幅闸皮红外热像图像中提取到的闸皮边缘处对应像素点位置的像素平均值,p=1,2,...,80,每个样本数据还包括了制动性能指标数据Y,其中制动性能指标Y表示闸皮温度序列数据I对应的电梯制动性能,Y=[1]表示电梯制动性能良好,Y=[0]表示电梯制动性能失效。
本发明的进一步改进,所述步骤b)中,首先将样本集数据按照样本集中Y的取值分成制动性能良好的样本集(Y=[1])和制动性能失效的样本集(Y=[0])两部分,分别从制动性能良好的样本集和制动性能失效的样本集中各选取50%的数据作为训练集数据,剩下的样本集数据作为验证集数据。
本发明的进一步改进,所述步骤c)中使用训练集数据对Bagging-RNN模型进行训练并根据训练误差修正Bagging-RNN模型的模型参数,具体训练模型方式如下:
首先,确定Bagging-RNN模型中的超参数,包括Bagging-RNN模型的子RNN模型数量N、Bagging-RNN模型的子RNN模型的收敛条件C、Bagging-RNN模型的子RNN模型的学习速率a、Bagging-RNN模型子RNN模型中的激活函数σ(A);
然后,逐一训练Bagging-RNN模型中的子RNN模型,训练Bagging-RNN模型中的子RNN模型步骤如下:
(1)初始化Bagging-RNN模型的子RNN模型中输入层至隐含层的权重矩阵Wj=O、Bagging-RNN模型子RNN模型中隐含层内部的权重矩阵Vj=O、Bagging-RNN模型子RNN模型中隐含层矩阵Hj=O、Bagging-RNN模型子RNN模型中隐含层至输出层的权重矩阵Uj=O,其中j表示Bagging-RNN模型中子RNN模型的序号,j=1,2,…,N,O为零矩阵。
(2)随机抽取训练集中的数据进行训练,抽取的训练集数据包括输入Ik和输出Yk,k表示训练集数据的下标,k为正整数且k的取值不大于训练集的样本数,根据公式(1),计算输入Ik在经过Bagging-RNN模型的子RNN模型之后的输出
其中,σ(A)表示Bagging-RNN模型的子RNN模型中的激活函数,σ(A)=1/(1+e-A),A为任意矩阵;
(3)根据训练误差修改参数:训练误差为当前Bagging-RNN模型的子RNN模型的输出与实际输出Yk之间的差,根据BPTT算法修正Bagging-RNN模型的子RNN模型中输入层至隐含层的权重矩阵Wj、Bagging-RNN模型子RNN模型中隐含层内部的权重矩阵Vj、Bagging-RNN模型子RNN模型中隐含层矩阵Hj、Bagging-RNN模型子RNN模型中隐含层至输出层的权重矩阵Uj的值
(4)判定Bagging-RNN模型中子RNN模型误差是否满足Bagging-RNN模型中子RNN模型的收敛条件C,如果不满足收敛条件C,重复步骤(1)~步骤(3),直至模型误差满足收敛条件C为止,将满足收敛条件的RNN模型作为Bagging-RNN模型中的一个子模型;
(5)建立新的Bagging-RNN模型的子RNN模型,重复步骤(1)~步骤(4)完成子RNN模型的训练,直至Bagging-RNN模型中子RNN模型的数量达到N。
本发明的进一步改进,所述步骤d)中,根据验证集数据验证Bagging-RNN模型的泛化能力,验证Bagging-RNN模型中每一个子RNN模型对于验证集数据的模型误差,如果Bagging-RNN模型中子RNN模型对于验证集数据的评价结果误差不能达到对应模型的收敛条件C,则按照权利要求4所述的方法重新建立Bagging-RNN模型中对应的子RNN模型。
本发明的进一步改进,所述步骤e)中,获取被测电梯在制动过程中闸皮温度序列数据其中表示被测电梯在制动过程中获取到的第p帧闸皮及其附近空间的红外热像图像中提取到的闸皮边缘处对应像素点位置的像素平均值,将It作为Bagging-RNN模型的输入数据,Bagging-RNN模型根据公式(2)输出得到被测电梯的制动性能评价指标Yt:
其中,表示Bagging-RNN模型中第j个子RNN模型对于数据It的预测输出,j=1,2,...,N,N表示Bagging-RNN模型中子RNN模型的数量,Yt的取值范围在[0,1]之间,当Yt∈[0,0.5)时,表示被测电梯的制动性能失效,且Yt越小表示被测电梯的制动性能越差;Yt∈[0.5,1]时,表示被测电梯的制动性能良好,且Yt越大表示被测电梯的制动性能越好。
本发明一种基于Bagging-RNN模型的电梯制动性能评价方法,从电梯制动时电梯闸皮最高温度变化的生成机理出发,获取不同电梯制动性能下的电梯闸皮在电梯制动持续过程中的温度序列数据,采用Bagging-RNN集成神经网络模型,在基于历史数据的基础上提供了一种定量的、动态的对被测电梯制动性能的检测与评价方法,实现了对历史数据的充分利用,评价结果平均误差为0.0285。
附图说明
图1是本发明的一种基于Bagging-RNN模型的电梯制动性能评价方法流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提供一种基于Bagging-RNN模型的电梯制动性能评价方法,本发明从电梯制动时电梯闸皮最高温度变化的生成机理出发,获取不同电梯制动性能下的电梯闸皮在电梯制动持续过程中的温度序列数据,并基于历史数据提出了对应电梯制动性能的评价方法。
如图1所示,本发明一种电梯制动性能的检测与评价方法的具体实施方式如下:
第一步,获取数据集数据:作为优选,获取制动性能良好的电梯闸皮在电梯制动持续过程中的温度序列数据500组,获取制动失效的电梯闸皮在电梯制动持续过程中的温度序列数据500组,共1000组数据作为样本集数据,获取不同制动性能电梯在制动过程中闸皮温度序列数据的方法如下:使用红外热像仪连续拍摄不同制动性能电梯从刚刚制动开始8秒之间的闸皮及其附近空间的红外热像图像,每0.1秒采集一幅热像图像,共采集到80幅红外热像图像;然后,提取红外热像图像中闸皮边缘处对应像素点位置的像素平均值作为样本中的温度序列数据I=[i1,i2,...ip,...,i80],其中ip表示第p幅闸皮红外热像图像中提取到的闸皮边缘处对应像素点位置的像素平均值,p=1,2,...,80,每个样本数据还包括了制动性能指标数据Y,制动性能指标数据Y表示闸皮温度序列数据I对应的电梯制动性能,Y=[1]表示电梯制动性能良好,Y=[0]表示电梯制动性能失效;
第二步,样本集分类:作为优选,首先将样本集数据按照样本集中Y的取值分成制动性能良好的样本集(Y=[1])和制动性能失效的样本集(Y=[0])各500组样本,分别从制动性能良好的样本集和制动性能失效的样本集中各选取250组数据作为训练集数据,剩下的样本集数据共500组作为验证集数据;
第三步:训练Bagging-RNN模型:作为优选,使用训练集数据训练Bagging-RNN模型,根据训练误差修正Bagging-RNN模型的模型参数,具体训练模型方式如下:
首先,确定Bagging-RNN模型中的超参数,包括:Bagging-RNN模型的子RNN模型数量N为13个、Bagging-RNN模型的子RNN模型的收敛条件C为对应的子RNN模型对于训练集数据的评价结果平均误差小于0.1、Bagging-RNN模型的子RNN模型的学习速率a为0.05、Bagging-RNN模型中的激活函数σ(A)=1/(1+e-A),A为任意矩阵;
然后,逐一训练Bagging-RNN模型中的子RNN模型,训练Bagging-RNN模型中的所有子RNN模型步骤如下;(1)初始化Bagging-RNN模型的子RNN模型中输入层至隐含层的权重矩阵Bagging-RNN模型子RNN模型中隐含层内部的权重矩阵Bagging-RNN模型子RNN模型中隐含层矩阵Hj=[h1 h2 ...h25]T=O、Bagging-RNN模型子RNN模型中隐含层至输出层的权重矩阵Uj=[u1 u2 ... u25]T=O,其中j表示Bagging-RNN模型中子RNN模型的序号,j=1,2,…,N,O为零矩阵;(2)随机抽取训练集中的数据进行训练,抽取的训练集数据包括输入Ik和输出Yk,根据公式(1),计算输入Ik在经过Bagging-RNN模型的子RNN模型之后的输出
其中,σ(A)表示Bagging-RNN模型的子RNN模型中的激活函数,σ(A)=1/(1+e-A),A为任意矩阵;(3)根据训练误差修改矩阵值:训练误差为当前Bagging-RNN模型的子RNN模型的输出与实际输出Yk之间的差,根据BPTT算法修正Bagging-RNN模型的子RNN模型中输入层至隐含层的权重矩阵Wj、Bagging-RNN模型子RNN模型中隐含层内部的权重矩阵Vj、Bagging-RNN模型子RNN模型中隐含层矩阵Hj、Bagging-RNN模型子RNN模型中隐含层至输出层的权重矩阵Uj的值(4)判定Bagging-RNN模型中子RNN模型误差是否满足Bagging-RNN模型中子RNN模型的收敛条件C,如果不满足收敛条件C,重复步骤(1)~步骤(3),直至模型误差满足收敛条件C为止,将满足收敛条件的RNN模型作为Bagging-RNN模型中的一个子模型;(5)建立新的Bagging-RNN模型的子RNN模型,重复步骤(1)~步骤(4)完成子RNN模型的训练,直至Bagging-RNN模型中子RNN模型的数量达到13个;
第四步,验证Bagging-RNN模型泛化性:根据验证集数据验证Bagging-RNN模型的泛化能力,验证Bagging-RNN模型中每一个子RNN模型对于验证集数据的准确性,如果Bagging-RNN模型中子RNN模型对于验证集数据的准确性不能达到对应模型的收敛条件,则从Bagging-RNN模型中去除当前子RNN模型,并按照第三步中的方法利用训练集数据重新训练Bagging-RNN模型中对应的子RNN模型,之后再进行泛化能力的验证,直至新的Bagging-RNN模型中对应的子RNN模型对于验证集数据的评价结果平均误差小于等于0.1,将修正之后的Bagging-RNN模型作为电梯闸皮制动性能的评价模型;
第五步,输出被测电梯的制动性能指标:获取被测电梯在制动过程中的闸皮温度序列数据其中表示被测电梯在制动过程中获取到的第p帧闸皮及其附近空间的红外热像图像中提取到的闸皮边缘处对应像素点位置的像素平均值,将It作为Bagging-RNN模型的输入数据,Bagging-RNN模型根据公式(2)输出得到被测电梯的制动性能评价指标Yt:
其中,表示Bagging-RNN模型中第j个子RNN模型对于数据It的预测输出,j=1,2,...,N,N表示Bagging-RNN模型中子RNN模型的数量,Yt的取值范围在[0,1]之间,当Yt∈[0,0.5)时,表示被测电梯的制动性能失效,且Yt越小表示被测电梯的制动性能越差;Yt∈[0.5,1]时,表示被测电梯的制动性能良好,且Yt越大表示被测电梯的制动性能越好。
本发明采用Bagging-RNN集成神经网络模型,在基于历史数据的基础上提供了一种定量的、动态的对被测电梯制动性能的检测与评价方法,实现了对历史数据的充分利用,评价结果平均误差为0.0285。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (6)
1.一种基于Bagging-RNN模型的电梯制动性能评价方法,具体步骤如下,其特征在于:
a)获取不同制动性能电梯在制动过程中的闸皮温度序列数据,作为样本集数据,并对获得的样本集数据进行对应的制动性能的标记;
b)按照1:1的比例将样本集划分为训练集与验证集;
c)使用训练集数据训练Bagging-RNN模型,根据训练误差修正Bagging-RNN模型参数;
d)使用验证集数据验证训练所得Bagging-RNN模型的泛化能力,根据验证结果进一步修正Bagging-RNN模型参数,将修正后的Bagging-RNN模型作为电梯制动性能的评价模型;
e)将被测电梯制动过程中的闸皮温度序列数据作为Bagging-RNN模型的输入,模型输出得到被测电梯的制动性能评价结果。
2.根据权利要求1所述的一种基于Bagging-RNN模型的电梯制动性能评价方法,其特征在于:所述步骤a)中,获取不同制动性能电梯在制动过程中闸皮温度序列数据的方法如下:使用红外热像仪连续拍摄不同制动性能电梯从刚刚制动开始8秒之间的闸皮及其附近空间的红外热像图像,每0.1秒采集一幅热像图像,共采集到80幅红外热像图像;然后,提取红外热像图像中闸皮边缘处对应像素点位置的像素平均值作为样本中的温度序列数据I=[i1,i2,...ip,...,i80],其中ip表示第p幅闸皮红外热像图像中提取到的闸皮边缘处对应像素点位置的像素平均值,p=1,2,...,80,每个样本数据还包括了制动性能指标数据Y,制动性能指标Y表示闸皮温度序列数据I对应电梯的制动性能,Y=[1]表示电梯制动性能良好,Y=[0]表示电梯制动性能失效。
3.根据权利要求1所述的一种基于Bagging-RNN模型的电梯制动性能评价方法,其特征在于:所述步骤b)中,首先将样本集数据按照样本集中Y的取值分成制动性能良好的样本集(Y=[1])和制动性能失效的样本集(Y=[0])两部分,分别从制动性能良好的样本集和制动性能失效的样本集中各选取50%的数据作为训练集数据,剩下的样本集数据作为验证集数据。
4.根据权利要求1所述的一种基于Bagging-RNN模型的电梯制动性能评价方法,其特征在于:所述步骤c)中使用训练集数据对Bagging-RNN模型进行训练并根据训练误差修正Bagging-RNN模型的模型参数,具体训练模型方式如下:
首先,确定Bagging-RNN模型中的超参数,包括Bagging-RNN模型的子RNN模型数量N、Bagging-RNN模型的子RNN模型的收敛条件C、Bagging-RNN模型的子RNN模型的学习速率a、Bagging-RNN模型子RNN模型中的激活函数σ(A);
然后,逐一训练Bagging-RNN模型中的子RNN模型,训练Bagging-RNN模型中的子RNN模型步骤如下:
(1)初始化Bagging-RNN模型的子RNN模型中输入层至隐含层的权重矩阵Wj=O、Bagging-RNN模型子RNN模型中隐含层内部的权重矩阵Vj=O、Bagging-RNN模型子RNN模型中隐含层矩阵Hj=O、Bagging-RNN模型子RNN模型中隐含层至输出层的权重矩阵Uj=O,其中j表示Bagging-RNN模型中子RNN模型的序号,j=1,2,…,N,O为零矩阵。
(2)随机抽取训练集中的数据进行训练,抽取的训练集数据包括输入Ik和输出Yk,k表示训练集数据的下标,k为正整数且k的取值不大于训练集的样本数,根据公式(1),计算输入Ik在经过Bagging-RNN模型的子RNN模型之后的输出
其中,σ(A)表示Bagging-RNN模型的子RNN模型中的激活函数,σ(A)=1/(1+e-A),A为任意矩阵;
(3)根据训练误差修改参数:训练误差为当前Bagging-RNN模型的子RNN模型的输出与实际输出Yk之间的差,根据BPTT算法修正Bagging-RNN模型的子RNN模型中输入层至隐含层的权重矩阵Wj、Bagging-RNN模型子RNN模型中隐含层内部的权重矩阵Vj、Bagging-RNN模型子RNN模型中隐含层矩阵Hj、Bagging-RNN模型子RNN模型中隐含层至输出层的权重矩阵Uj的值;
(4)判定Bagging-RNN模型中子RNN模型误差是否满足Bagging-RNN模型中子RNN模型的收敛条件C,如果不满足收敛条件C,重复步骤(1)~步骤(3),直至模型误差满足收敛条件C为止,将满足收敛条件的RNN模型作为Bagging-RNN模型中的一个子模型;
(5)建立新的Bagging-RNN模型的子RNN模型,重复步骤(1)~步骤(4)完成子RNN模型的训练,直至Bagging-RNN模型中子RNN模型的数量达到N。
5.根据权利要求1所述的一种基于Bagging-RNN模型的电梯制动性能评价方法,其特征在于:所述步骤d)中,根据验证集数据验证Bagging-RNN模型的泛化能力,验证Bagging-RNN模型中每一个子RNN模型对于验证集数据的模型误差,如果Bagging-RNN模型中子RNN模型对于验证集数据的评价结果误差不能达到对应模型的收敛条件C,则按照权利要求4所述的方法重新建立Bagging-RNN模型中对应的子RNN模型。
6.根据权利要求2所述的一种基于Bagging-RNN模型的电梯制动性能评价方法,其特征在于:所述步骤e)中,获取被测电梯在制动过程中闸皮温度序列数据其中表示被测电梯在制动过程中获取到的第p帧闸皮及其附近空间的红外热像图像中提取到的闸皮边缘处对应像素点位置的像素平均值,将It作为Bagging-RNN模型的输入数据,Bagging-RNN模型根据公式(2)输出得到被测电梯的制动性能评价指标Yt:
其中,表示Bagging-RNN模型中第j个子RNN模型对于数据It的预测输出,j=1,2,...,N,N表示Bagging-RNN模型中子RNN模型的数量,Yt的取值范围在[0,1]之间,当Yt∈[0,0.5)时,表示被测电梯的制动性能失效,且Yt越小表示被测电梯的制动性能越差;Yt∈[0.5,1]时,表示被测电梯的制动性能良好,且Yt越大表示被测电梯的制动性能越好。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810426947.7A CN108627326B (zh) | 2018-05-07 | 2018-05-07 | 一种基于Bagging-RNN模型的电梯制动性能评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810426947.7A CN108627326B (zh) | 2018-05-07 | 2018-05-07 | 一种基于Bagging-RNN模型的电梯制动性能评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108627326A true CN108627326A (zh) | 2018-10-09 |
CN108627326B CN108627326B (zh) | 2019-10-18 |
Family
ID=63695658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810426947.7A Active CN108627326B (zh) | 2018-05-07 | 2018-05-07 | 一种基于Bagging-RNN模型的电梯制动性能评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108627326B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1837816A (zh) * | 2006-04-22 | 2006-09-27 | 王致杰 | 基于小波网络的提升机闸瓦间隙预测方法 |
CN101710062A (zh) * | 2009-11-17 | 2010-05-19 | 上海电机学院 | 一种闸瓦摩擦系数的预测方法 |
CN101719193A (zh) * | 2009-11-17 | 2010-06-02 | 上海电机学院 | 一种制动闸寿命的预测方法 |
CN202133538U (zh) * | 2011-06-10 | 2012-02-01 | 中国矿业大学 | 盘式制动器摩擦学性能监测预警装置 |
CN102353528A (zh) * | 2011-06-10 | 2012-02-15 | 中国矿业大学 | 盘式制动器摩擦学性能监测预警装置及方法 |
CN102360180A (zh) * | 2011-09-29 | 2012-02-22 | 华南理工大学 | 机动车安全监测系统制动性能辨识方法 |
CN102502371A (zh) * | 2011-11-07 | 2012-06-20 | 上海市特种设备监督检验技术研究院 | 一种防爆电梯制动器制停温升检测方法 |
CN104085789A (zh) * | 2014-05-06 | 2014-10-08 | 新乡市起重机厂有限公司 | 一种起重机运行状态的智能监测方法 |
CN105025266A (zh) * | 2015-07-20 | 2015-11-04 | 上海热像机电科技股份有限公司 | 基于红外热成像技术的刹车片温度检测系统及方法 |
CN105836560A (zh) * | 2016-03-15 | 2016-08-10 | 江苏通用电梯有限公司 | 电梯舒适度测试系统 |
CN105869408A (zh) * | 2016-04-27 | 2016-08-17 | 长安大学 | 一种轮毂温度异常检测与预警方法及系统 |
CN106485353A (zh) * | 2016-09-30 | 2017-03-08 | 中国科学院遥感与数字地球研究所 | 空气污染物浓度预报方法及系统 |
CN106779063A (zh) * | 2016-11-15 | 2017-05-31 | 河南理工大学 | 一种基于rbf网络的提升机制动系统故障诊断方法 |
-
2018
- 2018-05-07 CN CN201810426947.7A patent/CN108627326B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1837816A (zh) * | 2006-04-22 | 2006-09-27 | 王致杰 | 基于小波网络的提升机闸瓦间隙预测方法 |
CN101710062A (zh) * | 2009-11-17 | 2010-05-19 | 上海电机学院 | 一种闸瓦摩擦系数的预测方法 |
CN101719193A (zh) * | 2009-11-17 | 2010-06-02 | 上海电机学院 | 一种制动闸寿命的预测方法 |
CN202133538U (zh) * | 2011-06-10 | 2012-02-01 | 中国矿业大学 | 盘式制动器摩擦学性能监测预警装置 |
CN102353528A (zh) * | 2011-06-10 | 2012-02-15 | 中国矿业大学 | 盘式制动器摩擦学性能监测预警装置及方法 |
CN102360180A (zh) * | 2011-09-29 | 2012-02-22 | 华南理工大学 | 机动车安全监测系统制动性能辨识方法 |
CN102502371A (zh) * | 2011-11-07 | 2012-06-20 | 上海市特种设备监督检验技术研究院 | 一种防爆电梯制动器制停温升检测方法 |
CN104085789A (zh) * | 2014-05-06 | 2014-10-08 | 新乡市起重机厂有限公司 | 一种起重机运行状态的智能监测方法 |
CN105025266A (zh) * | 2015-07-20 | 2015-11-04 | 上海热像机电科技股份有限公司 | 基于红外热成像技术的刹车片温度检测系统及方法 |
CN105836560A (zh) * | 2016-03-15 | 2016-08-10 | 江苏通用电梯有限公司 | 电梯舒适度测试系统 |
CN105869408A (zh) * | 2016-04-27 | 2016-08-17 | 长安大学 | 一种轮毂温度异常检测与预警方法及系统 |
CN106485353A (zh) * | 2016-09-30 | 2017-03-08 | 中国科学院遥感与数字地球研究所 | 空气污染物浓度预报方法及系统 |
CN106779063A (zh) * | 2016-11-15 | 2017-05-31 | 河南理工大学 | 一种基于rbf网络的提升机制动系统故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
于晓云 等: "多套矿井提升机集中调度与智能控制系统的设计", 《工业控制计算机》 * |
王致杰 等: "闸瓦温升与摩擦因数对提升机安全制动的影响机理研究", 《煤炭学报》 * |
魏建荣: "基于神经网络的提升机盘式制动器摩擦磨损性能预测", 《煤炭工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN108627326B (zh) | 2019-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106650913B (zh) | 一种基于深度卷积神经网络的车流密度估计方法 | |
CN106600581B (zh) | 一种基于双目立体视觉的列车运行故障自动检测系统及方法 | |
Zaurin et al. | Integration of computer imaging and sensor data for structural health monitoring of bridges | |
CN105975931B (zh) | 一种基于多尺度池化的卷积神经网络人脸识别方法 | |
CN110425005B (zh) | 矿井下皮带运输人员人机交互行为安全监控与预警方法 | |
CN103839065B (zh) | 人群动态聚集特征提取方法 | |
CN107220603A (zh) | 基于深度学习的车辆检测方法及装置 | |
CN102332089B (zh) | 一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法 | |
CN110018524A (zh) | 一种基于视觉-属性的x射线安检违禁品识别方法 | |
CN107145842A (zh) | 结合lbp特征图与卷积神经网络的人脸识别方法 | |
CN106250870A (zh) | 一种联合局部和全局相似性度量学习的行人再识别方法 | |
CN103488993B (zh) | 一种基于fast的人群异常行为识别方法 | |
CN107085696A (zh) | 一种基于卡口图像的车辆定位及型号识别方法 | |
CN105844234A (zh) | 一种基于头肩检测的人数统计的方法及设备 | |
CN108764186A (zh) | 基于旋转深度学习的人物遮挡轮廓检测方法 | |
CN102163281B (zh) | 基于AdaBoost框架和头部颜色的实时人体检测方法 | |
CN103208012B (zh) | 一种光照人脸识别方法 | |
CN109241830A (zh) | 基于光照生成对抗网络的课堂听课异常检测方法 | |
CN105374033A (zh) | 基于脊波反卷积网络和稀疏分类的sar图像分割方法 | |
CN110532850B (zh) | 一种基于视频关节点和混合分类器的跌倒检测方法 | |
CN107944416A (zh) | 一种通过视频进行真人验证的方法 | |
CN104240256A (zh) | 一种基于层次化稀疏建模的图像显著性检测方法 | |
CN109214470A (zh) | 一种基于编码网络微调的图像能见度检测方法 | |
CN107967474A (zh) | 一种基于卷积神经网络的海面目标显著性检测方法 | |
CN107273852A (zh) | 基于机器视觉的手扶电梯楼层板物件及乘客行为检测算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |