CN109436980B - 电梯部件的状态检测方法和系统 - Google Patents
电梯部件的状态检测方法和系统 Download PDFInfo
- Publication number
- CN109436980B CN109436980B CN201811297262.3A CN201811297262A CN109436980B CN 109436980 B CN109436980 B CN 109436980B CN 201811297262 A CN201811297262 A CN 201811297262A CN 109436980 B CN109436980 B CN 109436980B
- Authority
- CN
- China
- Prior art keywords
- standard deviation
- component
- item
- state
- entry
- 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.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
- B66B5/0006—Monitoring devices or performance analysers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B1/00—Control systems of elevators in general
- B66B1/34—Details, e.g. call counting devices, data transmission from car to control system, devices giving information to the control system
- B66B1/3415—Control system configuration and the data transmission or communication within the control system
- B66B1/3423—Control system configuration, i.e. lay-out
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
- B66B5/0006—Monitoring devices or performance analysers
- B66B5/0037—Performance analysers
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
本发明涉及一种电梯部件的状态检测方法和系统、计算机设备、计算机存储介质。上述电梯部件的状态检测方法包括:获取待测部件各条目的实测参数序列,分别根据任意一个条目的实测参数序列计算该条目的条目标准差,确定包括待测部件各条目标准差的条目标准差序列;将所述条目标准差序列输入预先训练确定的状态检测模型检测所述待测部件的状态;其中,所述状态检测模型用于依据所述条目标准差序列运算获取所述待测部件的状态。本发明使所检测的待测部件状态以相应待测部件各条目的实测参数序列为依据,有效提高了所检测的部件状态的准确性。
Description
技术领域
本发明涉及电梯检测技术领域,特别是涉及一种电梯部件的状态检测方法和系统、计算机设备、计算机存储介质。
背景技术
目前很多电梯公司都部署了大数据平台,大数据平台能够收集并保存电梯部件的状态数据,并对其收集的电梯部件状态数据进行分析诊断以识别电梯部件所处的状态。然而,目前针对电梯部件的诊断功能只限于对电梯部件的单条数据的分析诊断,诊断方式具体包括将电梯部件的某条数据值与相应阈值进行比较,以识别该条数据所表征的电梯部件状态,这种诊断方式所指示的电梯部件状态存在片面性,并不能反映电梯部件全面的工作状态,因而所检测的电梯部件状态准确性低。
发明内容
基于此,有必要针对传统方案所检测的电梯部件状态准确性低的技术问题,提供一种电梯部件的状态检测方法和系统、计算机设备、计算机存储介质。
一种电梯部件的状态检测方法,包括:
获取待测部件各条目的实测参数序列,分别根据任意一个条目的实测参数序列计算该条目的条目标准差,确定包括待测部件各条目标准差的条目标准差序列;
将所述条目标准差序列输入预先训练确定的状态检测模型检测所述待测部件的状态;其中,所述状态检测模型用于依据所述条目标准差序列运算获取所述待测部件的状态。
上述电梯部件的状态检测方法,可以获取待测部件当前各条目的实测参数序列,分别根据任意一个条目的实测参数序列计算该条目的条目标准差,确定包括待测部件各条目标准差的条目标准差序列,将上述条目标准差序列输入预先训练确定的状态检测模型检测所述待测部件的状态,使所检测的待测部件状态以相应待测部件各条目的实测参数序列为依据,有效提高了所检测的部件状态的准确性。
在其中一个实施例中,所述分别根据任意一个条目的实测参数序列计算该条目的条目标准差的过程包括:
分别根据任意一个条目的实测参数序列计算该条目的平均参数,根据该条目的实测参数序列、平均参数和标准差计算公式计算该条目的初始标准差;
根据所述初始标准差进行归一化处理,确定该条目的条目标准差。
本实施例将初始标准差进行归一化处理为相应条目的条目标准差,有利于统一状态检测过程中采用的状态检测标准,更加合理地设定部件状态种类以及模型训练时样本数据范围统一。
作为一个实施例,所述根据所述初始标准差进行归一化处理,确定该条目的条目标准差的过程包括:
将所述初始标准差代入尺度统一公式,计算该条目的条目标准差;所述尺度统一公式包括:
式中,δ表示条目标准差,rlow表示归一化下限值,rhigh表示归一化上限值,σ表示初始标准差,σmin表示标准差最小值,σmax表示标准差最大值,符号*表示相乘。
本实施例所确定的条目标准差具有较高的准确性。
作为一个实施例,所述标准差计算公式包括:
式中,σ表示初始标准差,N表示实测参数序列中实测参数的个数,xi表示实测参数序列中第i个实测参数,x表示平均参数。
本实施例可以准确确定待测部件各条目的初始标准差,进而提高了所确定的条目标准差的准确性。
在其中一个实施例中,所述将所述条目标准差序列输入预先训练确定的状态检测模型检测所述待测部件的状态的过程之前,还包括:
获取多个电梯部件在设定时段的条目标准差序列;
将类别相同的电梯部件的条目标准差序列确定为该类电梯部件的训练样本数据,设置所述训练样本数据中各个条目标准差序列的状态标签参数;
分别根据任意一类电梯部件的训练样本数据和状态标签参数进行机器学习,得到该类电梯部件的状态检测模型。
作为一个实施例,所述获取多个电梯部件在设定时段的条目标准差序列的过程包括:
分别获取任意一个电梯部件各条目分别在设定时段产生的实测参数序列;
分别根据任意一个条目的实测参数序列计算该条目的条目标准差;
分别根据任意一个电梯部件的所有条目标准差确定该电梯部件的条目标准差序列。
在其中一个实施例中,所述将所述条目标准差序列输入预先训练确定的状态检测模型检测所述待测部件的状态的过程包括:
根据所述条目标准差序列计算状态检测模型的隐含层神经元值;
根据所述隐含层神经元值计算状态检测模型的输出层神经元值;
对所述输出层神经元值进行反归一化处理,确定部件状态值,根据所述部件状态值确定待测部件的状态。
一种电梯部件的状态检测系统,包括:
第一获取模块,用于获取待测部件各条目的实测参数序列,分别根据任意一个条目的实测参数序列计算该条目的条目标准差,确定包括待测部件各条目标准差的条目标准差序列;
检测模块,用于将所述条目标准差序列输入预先训练确定的状态检测模型检测所述待测部件的状态;其中,所述状态检测模型用于依据所述条目标准差序列运算获取所述待测部件的状态。
上述电梯部件的状态检测系统,可以获取待测部件当前各条目的实测参数序列,分别根据任意一个条目的实测参数序列计算该条目的条目标准差,确定包括待测部件各条目标准差的条目标准差序列,将上述条目标准差序列输入预先训练确定的状态检测模型检测所述待测部件的状态,使所检测的待测部件状态以相应待测部件各条目的实测参数序列为依据,有效提高了所检测的部件状态的准确性。
一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一实施例提供的电梯部件的状态检测方法。
一种计算机存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现上述任一实施例提供的电梯部件的状态检测方法。
根据本发明的电梯部件的状态检测方法,本发明还提供一种计算机设备和计算机存储介质,用于通过程序实现上述电梯部件的状态检测方法。上述计算机设备和计算机存储介质能够提高所检测的部件状态的准确性。
附图说明
图1为一个实施例的电梯部件的状态检测方法流程图;
图2为一个实施例的状态检测模型的检测过程图;
图3为一个实施例的状态检测模型的神经网络结构示意图;
图4为一个实施例的电梯部件的状态检测系统结构示意图;
图5为一个实施例的计算机系统模块图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
需要说明的是,本发明实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
本发明实施例的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块,而是可选地还包括没有列出的步骤或模块,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
在本文中提及的“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
参考图1所示,图1为一个实施例的电梯部件的状态检测方法流程图,包括:
S10,获取待测部件各条目的实测参数序列,分别根据任意一个条目的实测参数序列计算该条目的条目标准差,确定包括待测部件各条目标准差的条目标准差序列;
电梯运行过程中,各个部件会产生若干个条目的参数,比如,继电器可以产生吸合时间、继电器释放时间、门机可以产生关门导通时间差、开门时间、关门时间、开门电流、关门电流这些条目的参数;某条目的参数可以表征相应部件在该条目所表征方向的状态,难以对电梯部件全面的工作状态进行表征。
上述实测参数序列可以包括电梯当前运行时段(如以当前时刻为终止时间的10分钟等时段)中待测部件所产生的多个实测参数,电梯待测部件各条目的实测参数序列可以从电梯大数据平台采集的数据中读取。待测部件在电梯当前运行时段中某条目的实测参数序列可以表征待测部件在该条目对应方向的状态。上述条目标准差可以为相应实测参数序列的标准差归一化处理后的结果,以保证后续状态检测过程中采用标准的统一性。当某条目参数的归一化标准差(条目标准差)很大时,表示相应部件该条目长期的工作状态极不稳定,也就表明该部件该条目的工作状态极差,可以获取该部件所有条目的归一化标准差,依据上述所有条目的归一化标准差全面地对部件工作状态进行评估。
各条目的实测参数序列可以以设定格式进行整理获取,如可以将实测参数序列整理成以“电梯ID_部件ID_条目ID”为Key(关键字),以条目值(实测参数)为Value的KeyValue键值对,以便于后续电梯大数据平台的数据归并。在电梯大数据平台的数据归并过程中,可以以“电梯ID_部件ID_条目ID”为Key将所有相同电梯相同部件条目的值归并成值列表(如待测部件各条目的实测参数序列)。
S20,将所述条目标准差序列输入预先训练确定的状态检测模型检测所述待测部件的状态;其中,所述状态检测模型用于依据所述条目标准差序列运算获取所述待测部件的状态。
上述状态检测模型可以依据与待测部件类别相同的大量电梯部件在设定时段内的条目标准差序列作为样本参数训练确定,将待测部件的条目标准差序列输入待测部件对应的状态检测模型,便可以确定上述待测部件当前所处的状态。状态检测模型所预测的状态种类可以依据待测部件具体特征设定,如状态检测模型可以预测待测部件的稳定状态和异常状态这两种状态,以及上述两种状态分别对应的规则或参数;状态检测模型也可以预测待测部件的稳定状态、次稳定状态(良好状态)、偏差状态和极差状态这四种状态,以及上述四种状态分别对应的规则或参数。将部件条目标准差序列输入上述状态检测模型后,状态检测模型可以根据其中的相关规则或参数预测待测部件所属状态。
上述部件条目标准差序列可以全面表征待测部件所处的状态,将部件条目标准差序列输入状态检测模型检测所确定的待测部件状态可以准确且全面地表征待测部件在电梯当前运行时段的状态。在确定待测部件在电梯当前运行时段的状态后,还可以通过图表方式对上述待测部件在电梯当前运行时段的状态进行展示,以使用户更为直观地对待测部件状态进行获取。
本实施例提供的电梯部件的状态检测方法,可以获取待测部件当前各条目的实测参数序列,分别根据任意一个条目的实测参数序列计算该条目的条目标准差,确定包括待测部件各条目标准差的条目标准差序列,将上述条目标准差序列输入预先训练确定的状态检测模型检测所述待测部件的状态,使所检测的待测部件状态以相应待测部件各条目的实测参数序列为依据,有效提高了所检测的部件状态的准确性。
在一个实施例中,所述分别根据任意一个条目的实测参数序列计算该条目的条目标准差的过程包括:
分别根据任意一个条目的实测参数序列计算该条目的平均参数,根据该条目的实测参数序列、平均参数和标准差计算公式计算该条目的初始标准差;
根据所述初始标准差进行归一化处理,确定该条目的条目标准差。
上述平均参数可以为依据实测参数序列中各个实测参数确定的平均值。
本实施例将初始标准差进行归一化处理为相应条目的条目标准差,有利于统一状态检测过程中采用的状态检测标准,更加合理地设定部件状态种类以及模型训练时样本数据范围统一。
作为一个实施例,所述根据所述初始标准差进行归一化处理,确定该条目的条目标准差的过程包括:
将所述初始标准差代入尺度统一公式,计算该条目的条目标准差;所述尺度统一公式包括:
式中,δ表示条目标准差,rlow表示归一化下限值,rhigh表示归一化上限值,σ表示初始标准差,σmin表示标准差最小值,σmax表示标准差最大值,符号*表示相乘。
归一化处理后的条目标准差δ在[0,1]之间,条目标准差δ越小表明待测部件在相应条目方向的状态越稳定,条目标准差δ越大表明待测部件在相应条目方向的状态越不稳定。根据上述条目标准差δ的取值特征,待测部件条目状态可以包括如下状态类型:稳定状态、次稳定状态、偏差状态和极差状态。上述归一化下限值rlow是归一化范围的最小值,可以设置为0,归一化上限值rhigh是归一化范围的最大值,可以设置为1,此时归一化范围[rlow,rhigh]为[0,1]。标准差最小值σmin可以依据待测部件在设定时段内的样本参数中相应条目对应的标准差最小值确定,标准差最大值σmax可以依据待测部件在设定时段内的样本参数中相应条目对应的标准差最大值确定。
在具体的待测部件状态检测过程中,上述标准差最小值σmin和标准差最大值σmax可以进行相应更新。可选地,若待测部件某条目参数的σmax=σmin,可以将条目标准差δ置为归一化下限值rlow。
本实施例所确定的条目标准差具有较高的准确性。
作为一个实施例,所述标准差计算公式包括:
式中,σ表示初始标准差,N表示实测参数序列中实测参数的个数,xi表示实测参数序列中第i个实测参数,x表示平均参数。
本实施例可以准确确定待测部件各条目的初始标准差,进而提高了所确定的条目标准差的准确性。
在一个实施例中,所述将所述条目标准差序列输入预先训练确定的状态检测模型检测所述待测部件的状态的过程之前,还包括:
获取多个电梯部件在设定时段的条目标准差序列;
将类别相同的电梯部件的条目标准差序列确定为该类电梯部件的训练样本数据,设置所述训练样本数据中各个条目标准差序列的状态标签参数;
分别根据任意一类电梯部件的训练样本数据和状态标签参数进行机器学习,得到该类电梯部件的状态检测模型。
上述设定时段为电梯当前运行时段之前的一个时段,如电梯当前运行时段之前的一个月等时段。电梯部件所包括的状态类型可以依据部件特征设置,如可以包括如下四种类型的状态:稳定状态、次稳定状态、偏差状态和极差状态。上述状态标签参数为具有相应条目标准差序列的电梯部件的状态值(如0表示稳定状态、1表示次稳定状态、2表示偏差状态、3表示极差状态),可以表征具有相应条目标准差序列的电梯部件所处的状态。状态标签参数可以先通过专业人员依据相应电梯部件特征设置。
上述训练样本数据可以包括设定时段的多组样本,各组样本分别由不同电梯产生,即某组样本为某台电梯的电梯部件在设定时段产生的一个条目标准差序列。可以分别针对各组样本(相应的条目标准差序列)标注电梯部件在产生该组样本时所处的状态(即状态标签参数),依据上述各组样本以及各组样本对应的状态标签参数确定训练样本数据。这样将上述训练样本数据和状态标签参数输入机器学习算法进行模型训练(即根据所述训练样本数据和状态标签参数进行机器学习),可以得到更为准确的状态检测模型。上述机器学习算法可以包括决策树、SVM(支持向量机)、神经网络等算法,以保证所确定的状态检测模型的准确性。
作为一个实施例,为了提高机器学习过程中的效率,采用综合标准差对条目标准差序列进行标注;上述综合标准差的计算公式可以包括:
式中,δ'表示综合标准差,Ai表示第i个条目的加权因子,δi表示第i个条目的条目标准差,k表示待测部件的条目数,符号*表示相乘。
上述加权因子可以依据相应条目的参数对待测部件状态的影响程度设置,如可以通过专业人员针对各条目参数对待测部件状态影响程度进行评估确定,待测部件各条目的加权因子之和为1,即A1+A2+…+Ak=1。在待测部件的条目出现增加或者减少等情形时,待测部件各条目的加权因子可以进行相应调整。
上述综合标准差依据各条目的加权因子和条目标准差计算确定,可以准确表征待测部件各条目方向的整体状态,提高状态检测模型的构建效率。
作为一个实施例,所述获取多个电梯部件在设定时段的条目标准差序列的过程包括:
分别获取任意一个电梯部件各条目分别在设定时段产生的实测参数序列;
分别根据任意一个条目的实测参数序列计算该条目的条目标准差;
分别根据任意一个电梯部件的所有条目标准差确定该电梯部件的条目标准差序列。
在一个实施例中,若状态检测模型采用决策树这一机器学习算法训练而成,上述决策树为二叉树,决策树对输入数据进行预测(或分类)时是从顶节点(根节点)开始根据相应的数据对整棵树进行前向遍历直到遇到不可前进的叶子为止,此时,该叶子所代表的即是该输入数据序列所对应的预测值(即分类)。向上述状态检测模型输入条目标准差序列[δ1,δ2,δ3,δ4]为[0,0.2,0.15,0.1],则上述状态检测模型针对待测部件的检测过程可以参考图2所示,包括如下过程:
根节点为δ2,使用δ2的值0.2进行比较,依据0.2大于0.1,进入右子树δ4;
使用δ4的值0.1进行比较,依据0.1小于0.2,进入左子树δ3;
使用δ3的值0.15进行比较,依据0.15大于0.1,进入右子树;
右子树只有叶子2(偏差这一状态的状态值),则所检测的待测部件状态为2偏差。
在一个实施例中,所述将所述条目标准差序列输入预先训练确定的状态检测模型检测所述待测部件的状态的过程包括:
根据所述条目标准差序列计算状态检测模型的隐含层神经元值;
根据所述隐含层神经元值计算状态检测模型的输出层神经元值;
对所述输出层神经元值进行反归一化处理,确定部件状态值,根据所述部件状态值确定待测部件的状态。
作为一个实施例,上述隐含层神经元值可以依据隐含层神经元值计算公式计算确定,上述计算公式包括:
式中,Active()表示激活函数,可以采用sigmoid函数,Ii表示条目标准差序列中第i个条目标准差,表示Ii与Hj之间的连接权重,可以根据训练样本数据的特征设置,符号*表示相乘,Hj表示第j层隐含层神经元值,M表示条目标准差序列中的条目标准差数,N表示隐含层的神经元个数。
上述输出层神经元值可以依据输出层神经元值计算公式计算确定,上述输出层神经元值计算公式包括:
式中,Hi表示第i层隐含层神经元值,WHi,Q表示Hi与Q之间的连接权重,可以根据训练样本数据的特征设置,符号*表示相乘,Q表示输出层神经元值,N表示隐含层的神经元个数。上述Active()表示激活函数,可以采用sigmoid函数,采用sigmoid函数时,输出层的神经元个数为一个。
上述对所述输出层神经元值进行反归一化处理,确定部件状态值的过程可以包括:
将输出层神经元值代入反归一化公式计算部件状态值;上述反归一化公式包括:
式中,S表示部件状态值,Q表示输出层神经元值,llow表示状态标签参数中的最小值(即部件状态值的最小值),lmax表示状态标签参数中的最大值(即部件状态值的最大值),γlow表示归一化下限值,可以设置为0,γhigh表示归一化上限值,可以设置为1,此时归一化范围为[0,1],round()表示四舍五入取整。
具体地,本实施例的状态检测模型采用神经网络这一机器学习算法训练而成,神经网络模型(基于神经网络的状态检测模型)包括通过权值相互连接的神经元层,权值可以调节某些输入相对于其他输入的重要性,神经网络每层都会有激活函数用于计算神经元的输出值。神经网络预测时将输入数据应用于网络的输入层,然后对神经网络进行前向计算,分别计算每层中每个神经元的输出,最后在输出层得到预测结果。
上述状态检测模型的神经网络结构可以参考图3所示,向上述状态检测模型输入条目标准差序列[δ1,δ2,δ3,δ4],在神经网络模型(状态检测模型)中,保存了神经网络结构,如整个网络层数,每层神经元数,每层激活函数,各神经元之间的连接权重,BIAS值等。图3所示的神经网络中,有3层,分别为输入层、隐含层、输出层,输入层有4个神经元(与部件条目数相对应),隐含层有6个神经元,输出层有1个神经元。相邻层之间全连接,神经元之间有连接权重,如Ii与Hj之间的连接权重记为上述连接权重可以在模型训练时确定。
本实施例检测得到的待测部件状态具有较高的准确性。
参考图4,图4所示为一个实施例的电梯部件的状态检测系统结构示意图,包括:
第一获取模块10,获取待测部件各条目的实测参数序列,分别根据任意一个条目的实测参数序列计算该条目的条目标准差,确定包括待测部件各条目标准差的条目标准差序列;
检测模块20,用于将所述条目标准差序列输入预先训练确定的状态检测模型检测所述待测部件的状态;其中,所述状态检测模型用于依据所述条目标准差序列运算获取所述待测部件的状态。
在一个实施例中,上述第一获取模块进一步用于:
分别根据任意一个条目的实测参数序列计算该条目的平均参数,根据该条目的实测参数序列、平均参数和标准差计算公式计算该条目的初始标准差;
根据所述初始标准差进行归一化处理,确定该条目的条目标准差。
作为一个实施例,所述第一获取模块进一步用于:
将所述初始标准差代入尺度统一公式,计算该条目的条目标准差;所述尺度统一公式包括:
式中,δ表示条目标准差,rlow表示归一化下限值,rhigh表示归一化上限值,σ表示初始标准差,σmin表示标准差最小值,σmax表示标准差最大值,符号*表示相乘。
作为一个实施例,所述标准差计算公式包括:
在一个实施例中,所述电梯部件的状态检测系统,还包括:
第二获取模块,用于获取多个电梯部件在设定时段的条目标准差序列;
确定模块,用于将类别相同的电梯部件的条目标准差序列确定为该类电梯部件的训练样本数据,设置所述训练样本数据中各个条目标准差序列的状态标签参数;
学习模块,用于分别根据任意一类电梯部件的训练样本数据和状态标签参数进行机器学习,得到该类电梯部件的状态检测模型。
作为一个实施例,所述第二获取模块进一步用于:
分别获取任意一个电梯部件各条目分别在设定时段产生的实测参数序列;
分别根据任意一个条目的实测参数序列计算该条目的条目标准差;
分别根据任意一个电梯部件的所有条目标准差确定该电梯部件的条目标准差序列。
在一个实施例中,上述检测模块进一步用于:
根据所述条目标准差序列计算状态检测模型的隐含层神经元值;
根据所述隐含层神经元值计算状态检测模型的输出层神经元值;
对所述输出层神经元值进行反归一化处理,确定部件状态值,根据所述部件状态值确定待测部件的状态。
图5为能实现本发明实施例的一个计算机系统1000的模块图。该计算机系统1000只是一个适用于本发明的计算机环境的示例,不能认为是提出了对本发明的使用范围的任何限制。计算机系统1000也不能解释为需要依赖于或具有图示的示例性的计算机系统1000中的一个或多个部件的组合。
图5中示出的计算机系统1000是一个适合用于本发明的计算机系统的例子。具有不同子系统配置的其它架构也可以使用。例如有大众所熟知的台式计算机、笔记本等类似设备可以适用于本发明的一些实施例。但不限于以上所列举的设备。
如图5所示,计算机系统1000包括处理器1010、存储器1020和系统总线1022。包括存储器1020和处理器1010在内的各种系统组件连接到系统总线1022上。处理器1010是一个用来通过计算机系统中基本的算术和逻辑运算来执行计算机程序指令的硬件。存储器1020是一个用于临时或永久性存储计算程序或数据(例如,程序状态信息)的物理设备。系统总线1020可以为以下几种类型的总线结构中的任意一种,包括存储器总线或存储控制器、外设总线和局部总线。处理器1010和存储器1020可以通过系统总线1022进行数据通信。其中存储器1020包括只读存储器(ROM)或闪存(图中都未示出),以及随机存取存储器(RAM),RAM通常是指加载了操作系统和应用程序的主存储器。
计算机系统1000还包括显示接口1030(例如,图形处理单元)、显示设备1040(例如,液晶显示器)、音频接口1050(例如,声卡)以及音频设备1060(例如,扬声器)。显示设备1040可以用于相关部件状态的显示。
计算机系统1000一般包括一个存储设备1070。存储设备1070可以从多种计算机可读介质中选择,计算机可读介质是指可以通过计算机系统1000访问的任何可利用的介质,包括移动的和固定的两种介质。例如,计算机可读介质包括但不限于,闪速存储器(微型SD卡),CD-ROM,数字通用光盘(DVD)或其它光盘存储、磁带盒、磁带、磁盘存储或其它磁存储设备,或者可用于存储所需信息并可由计算机系统1000访问的任何其它介质。
计算机系统1000还包括输入装置1080和输入接口1090(例如,IO控制器)。用户可以通过输入装置1080,如键盘、鼠标、显示装置1040上的触摸面板设备,输入指令和信息到计算机系统1000中。输入装置1080通常是通过输入接口1090连接到系统总线1022上的,但也可以通过其它接口或总线结构相连接,如通用串行总线(USB)。
计算机系统1000可在网络环境中与一个或者多个网络设备进行逻辑连接。网络设备可以是个人电脑、服务器、路由器、平板电脑或者其它公共网络节点。计算机系统1000通过局域网(LAN)接口1100或者移动通信单元1110与网络设备相连接。局域网(LAN)是指在有限区域内,例如家庭、学校、计算机实验室、或者使用网络媒体的办公楼,互联组成的计算机网络。WiFi和双绞线布线以太网是最常用的构建局域网的两种技术。WiFi是一种能使计算机系统1000间交换数据或通过无线电波连接到无线网络的技术。移动通信单元1110能在一个广阔的地理区域内移动的同时通过无线电通信线路接听和拨打电话。除了通话以外,移动通信单元1110也支持在提供移动数据服务的2G,3G或4G蜂窝通信系统中进行互联网访问。
应当指出的是,其它包括比计算机系统1000更多或更少的子系统的计算机系统也能适用于发明。如上面详细描述的,适用于本发明的计算机系统1000能执行电梯部件的状态检测方法的指定操作。计算机系统1000通过处理器1010运行在计算机可读介质中的软件指令的形式来执行这些操作。这些软件指令可以从存储设备1070或者通过局域网接口1100从另一设备读入到存储器1020中。存储在存储器1020中的软件指令使得处理器1010执行上述的电梯部件的状态检测方法。此外,通过硬件电路或者硬件电路结合软件指令也能同样实现本发明。因此,实现本发明并不限于任何特定硬件电路和软件的组合。
本发明的电梯部件的状态检测系统与本发明的电梯部件的状态检测方法一一对应,在上述电梯部件的状态检测方法的实施例阐述的技术特征及其有益效果均适用于电梯部件的状态检测系统的实施例中。
基于如上所述的示例,在一个实施例中还提供一种计算机设备,该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,处理器执行所述程序时实现如上述各实施例中的任意一种电梯部件的状态检测方法。
上述计算机设备,通过所述处理器上运行的计算机程序,实现了电梯部件状态检测准确性的提升。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性的计算机可读取存储介质中,如本发明实施例中,该程序可存储于计算机系统的存储介质中,并被该计算机系统中的至少一个处理器执行,以实现包括如上述电梯部件的状态检测方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
据此,在一个实施例中还提供一种计算机存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如上述各实施例中的任意一种电梯部件的状态检测方法。
上述计算机存储介质,通过其存储的计算机程序,能够使所检测的待测部件状态更为全面,有效提高了所检测的部件状态的准确性。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种电梯部件的状态检测方法,其特征在于,包括:
获取待测部件各条目的实测参数序列,分别根据任意一个条目的实测参数序列计算该条目的条目标准差,确定包括待测部件各条目标准差的条目标准差序列;
将所述条目标准差序列输入预先训练确定的状态检测模型检测所述待测部件的状态;其中,所述状态检测模型用于依据所述条目标准差序列运算获取所述待测部件的状态;
其中,所述将所述条目标准差序列输入预先训练确定的状态检测模型检测所述待测部件的状态的过程包括:
根据所述条目标准差序列计算状态检测模型的隐含层神经元值;
根据所述隐含层神经元值计算状态检测模型的输出层神经元值;
对所述输出层神经元值进行反归一化处理,确定部件状态值,根据所述部件状态值确定待测部件的状态。
2.根据权利要求1所述的电梯部件的状态检测方法,其特征在于,所述分别根据任意一个条目的实测参数序列计算该条目的条目标准差的过程包括:
分别根据任意一个条目的实测参数序列计算该条目的平均参数,根据该条目的实测参数序列、平均参数和标准差计算公式计算该条目的初始标准差;
根据所述初始标准差进行归一化处理,确定该条目的条目标准差。
5.根据权利要求1至4任一项所述的电梯部件的状态检测方法,其特征在于,所述将所述条目标准差序列输入预先训练确定的状态检测模型检测所述待测部件的状态的过程之前,还包括:
获取多个电梯部件在设定时段的条目标准差序列;
将类别相同的电梯部件的条目标准差序列确定为该类别电梯部件的训练样本数据,设置所述训练样本数据中各个条目标准差序列的状态标签参数;
分别根据任意一类电梯部件的训练样本数据和状态标签参数进行机器学习,得到该类电梯部件的状态检测模型。
6.根据权利要求5所述的电梯部件的状态检测方法,其特征在于,所述获取多个电梯部件在设定时段的条目标准差序列的过程包括:
分别获取任意一个电梯部件各条目分别在设定时段产生的实测参数序列;
分别根据任意一个条目的实测参数序列计算该条目的条目标准差;
分别根据任意一个电梯部件的所有条目标准差确定该电梯部件的条目标准差序列。
7.根据权利要求5所述的电梯部件的状态检测方法,其特征在于,所述机器学习的算法包括决策树、支持向量机SVM、神经网络中至少一个。
8.一种电梯部件的状态检测系统,其特征在于,包括:
第一获取模块,用于获取待测部件各条目的实测参数序列,分别根据任意一个条目的实测参数序列计算该条目的条目标准差,确定包括待测部件各条目标准差的条目标准差序列;
检测模块,用于将所述条目标准差序列输入预先训练确定的状态检测模型检测所述待测部件的状态;其中,所述状态检测模型用于依据所述条目标准差序列运算获取所述待测部件的状态;
其中,所述将所述条目标准差序列输入预先训练确定的状态检测模型检测所述待测部件的状态的过程包括:
根据所述条目标准差序列计算状态检测模型的隐含层神经元值;
根据所述隐含层神经元值计算状态检测模型的输出层神经元值;
对所述输出层神经元值进行反归一化处理,确定部件状态值,根据所述部件状态值确定待测部件的状态。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述的电梯部件的状态检测方法。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至7任意一项所述的电梯部件的状态检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811297262.3A CN109436980B (zh) | 2018-11-01 | 2018-11-01 | 电梯部件的状态检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811297262.3A CN109436980B (zh) | 2018-11-01 | 2018-11-01 | 电梯部件的状态检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109436980A CN109436980A (zh) | 2019-03-08 |
CN109436980B true CN109436980B (zh) | 2020-06-26 |
Family
ID=65550584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811297262.3A Active CN109436980B (zh) | 2018-11-01 | 2018-11-01 | 电梯部件的状态检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109436980B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112340556B (zh) * | 2020-10-27 | 2023-04-11 | 日立楼宇技术(广州)有限公司 | 一种电梯运行数据采集系统及方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102491140A (zh) * | 2011-12-27 | 2012-06-13 | 阳西县电梯配件有限公司 | 基于特征信号的电梯安全检测装置及电梯安全检测方法 |
CN102765643B (zh) * | 2012-05-31 | 2015-06-17 | 天津大学 | 基于数据驱动的电梯故障诊断与预警方法 |
CN105502115A (zh) * | 2014-09-26 | 2016-04-20 | 刘一 | 一种基于电梯的维保质量在线评估方法、装置及系统 |
CN105883517B (zh) * | 2016-06-14 | 2018-10-30 | 中国科学院自动化研究所 | 电梯故障在线实时检测装置和检测方法 |
CN107886168B (zh) * | 2017-11-07 | 2018-11-09 | 歌拉瑞电梯股份有限公司 | 一种使用多层感知器神经网络进行电梯故障识别的方法 |
CN108069308B (zh) * | 2017-12-05 | 2019-11-19 | 暨南大学 | 一种基于序贯概率的电扶梯故障诊断方法 |
CN108529372B (zh) * | 2018-03-23 | 2019-12-03 | 南京航空航天大学 | 基于云模型和证据理论的电梯运行状态评估方法 |
-
2018
- 2018-11-01 CN CN201811297262.3A patent/CN109436980B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109436980A (zh) | 2019-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9684634B2 (en) | Method and apparatus for evaluating predictive model | |
EP3438887A1 (en) | Information processing device and information processing method | |
KR100911316B1 (ko) | 배터리의 장기 특성 예측 시스템 및 방법 | |
JP2020501238A (ja) | 顔検出トレーニング方法、装置及び電子機器 | |
US8412658B2 (en) | System and method for estimating long term characteristics of battery | |
US9613319B1 (en) | Method and system for information retrieval effectiveness estimation in e-discovery | |
US20170140273A1 (en) | System and method for automatic selection of deep learning architecture | |
EP3671441A1 (en) | Application management method and apparatus, storage medium, and electronic device | |
CN109891508A (zh) | 单细胞类型检测方法、装置、设备和存储介质 | |
US20220036178A1 (en) | Dynamic gradient aggregation for training neural networks | |
CN107885545B (zh) | 应用管理方法、装置、存储介质及电子设备 | |
US11527259B2 (en) | Learning device, voice activity detector, and method for detecting voice activity | |
JP2013206016A (ja) | 情報処理装置および方法、並びにプログラム | |
CN114596497B (zh) | 目标检测模型的训练方法、目标检测方法、装置及设备 | |
CN110717509A (zh) | 基于树分裂算法的数据样本分析方法及装置 | |
CN112884569A (zh) | 一种信用评估模型的训练方法、装置及设备 | |
CN111522736A (zh) | 一种软件缺陷预测方法、装置、电子设备及计算机存储介质 | |
CN109436980B (zh) | 电梯部件的状态检测方法和系统 | |
JP2019105871A (ja) | 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置 | |
CN113806501B (zh) | 意图识别模型的训练方法、意图识别方法和设备 | |
EP3499429A1 (en) | Behavior inference model building apparatus and method | |
CN113822144A (zh) | 一种目标检测方法、装置、计算机设备和存储介质 | |
KR102152081B1 (ko) | 딥러닝 기반의 가치 평가 방법 및 그 장치 | |
CN110704614B (zh) | 对应用中的用户群类型进行预测的信息处理方法及装置 | |
CN116797973A (zh) | 应用于环卫智慧管理平台的数据挖掘方法及系统 |
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 |