CN109969895A - 一种基于电梯运行参数的故障预测方法，终端及可读存储介质 - Google Patents
一种基于电梯运行参数的故障预测方法，终端及可读存储介质 Download PDFInfo
- Publication number
- CN109969895A CN109969895A CN201910297745.1A CN201910297745A CN109969895A CN 109969895 A CN109969895 A CN 109969895A CN 201910297745 A CN201910297745 A CN 201910297745A CN 109969895 A CN109969895 A CN 109969895A
- Authority
- CN
- China
- Prior art keywords
- elevator
- parameter
- elevator parameter
- parameters
- prediction method
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000007246 mechanism Effects 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000005856 abnormality Effects 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 4
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 229910000831 Steel Inorganic materials 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 238000012886 linear function Methods 0.000 claims description 2
- 230000008520 organization Effects 0.000 claims description 2
- 230000008447 perception Effects 0.000 claims description 2
- 239000010959 steel Substances 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims 1
- 239000004744 fabric Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B3/00—Applications of devices for indicating or signalling operating conditions of elevators
-
- 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
- Maintenance And Inspection Apparatuses For Elevators (AREA)
Abstract
发明提供一种基于电梯运行参数的故障预测方法，终端及可读存储介质，获取电梯数据中对引起电梯故障敏感的电梯参数,形成电梯参数集；对电梯参数集进行数据处理，将电梯参数集中的参数进行异常值剔除、采用内插法对电梯参数进行缺失数据填补；调取M个时间点的电梯参数集Q，作为训练数据集，则将M时刻电梯的同一机构作为一N维的电梯参数向量，对电梯参数进行处理。构建多层卷积神经网络的模型；对电梯参数进行故障预测。基于电梯运行参数的故障预测，可以利用当前获取的电梯参数，也可以基于以往的电梯参数进行预测，建立完善的电梯故障预测模型，进行故障预测。
Description
技术领域
本发明涉及电梯技术领域，尤其涉及一种基于电梯运行参数的故障预测方法，终端及可读存储介质。
背景技术
随着高层建筑的增多，电梯使用量较大，电梯一般安装在建筑物内，电梯轿厢能够供人员搭载，或者装货。一般电梯轿厢运行垂直于水平面上，或与铅垂线倾斜角小于15°的刚性轨道上下移动，这样给人们带来了上下楼的便捷。
目前电梯也担负着人员安全的问题。所以电梯每运行一段时间则需要进行维护保护，判断是否存在故障隐患，尽量避免事故发生。目前采用的方式是可以由一些终端机，或者由运维人员记录数据，然后在基于记录的数据判断电梯当前的状态。有时需要由有经验的工作人员判断是否存在故障，这样需要工作人员具有深厚的专业知识和大量的实际经验，对电梯所处环境，运行状况都有深入的了解。但是通常电梯的运行环境复杂，依靠工作人员的经验是无法精确判定电梯运行状况以，进而还是存在因人员疏漏导致隐患发生。也无法对电梯的多个指标进行综合判断。
目前还有一种方式就是基于电梯单一运行数据的比对，与阈值进行比对。就是在电梯的运行过程中与对应的阈值比对如果超出阈值则进行报警。这种方式无法进行数据综合的预判电梯的风险及隐患。不能基于当前未超阈值状态，而具有故障趋势的判断，导致只有故障发生时，才能得到故障信息，有一定的滞后性。
发明内容
为了能够对电梯进行故障预测，本发明提供一种基于电梯运行参数的故障预测方法，方法包括：
步骤一，获取电梯数据中对引起电梯故障敏感的电梯参数,形成电梯参数集；
步骤二，对电梯参数集进行数据处理，将电梯参数集中的参数进行异常值剔除、采用内插法对电梯参数进行缺失数据填补；
步骤三，调取M个时间点的电梯参数集Q，作为训练数据集，则将M时刻电梯的同一机构作为一N维的电梯参数向量，可表示为：
Dm＝[Dm1,Dm2,Dm3,...,DmN]
则该训练数据集应当为M×N的矩阵形式；具体形式如下：
配置电梯参数权重矩阵U与偏离矩阵L；
其中，Uk为第k维的电梯参数权重矩阵，Uk值服从均值为0，且标准差为0.1的正态分布；
Lk＝[L1,L2,L3,...,Ln]
为第k维的偏置，初始化为常数值0.1；
预设电梯参数权重矩阵Uk服从均值为0，且方差为0.1的正态分布；
电梯参数权重矩阵Uk的分布是一个接近于0的数，使得神经元处于非饱和的状态；基于ReLU的非线性，将电梯参数偏置值预设为常数值0.1，使ReLU单元在初始状态激活触发，实现获得和传播梯度值；
步骤四：构建多层卷积神经网络的模型；
步骤五：对电梯参数进行故障预测。
本发明还提一种实现基于电梯运行参数的故障预测方法的终端，包括：
存储器，用于存储计算机程序及基于电梯运行参数的故障预测方法；
处理器，用于执行所述计算机程序及基于电梯运行参数的故障预测方法，以实现基于电梯运行参数的故障预测方法的步骤。
本发明还提一种具有基于电梯运行参数的故障预测方法的计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现基于电梯运行参数的故障预测方法的步骤。
从以上技术方案可以看出，本发明具有以下优点：
本发明对电梯参数进行建模，基于电梯运行参数的故障预测，可以利用当前获取的电梯参数，也可以基于以往的电梯参数进行预测，建立完善的电梯故障预测模型，进行故障预测。
本发明可以不需要有经验的工作人员判断是否存在故障，有系统来完成判断。当然也可以由有经验的工作人员对数据本发明的判断预测进行修正完善。本发明避免了因人员疏漏导致隐患发生。
本方法建立的电梯故障预测模型，利用了多个电梯参数信息进行比对，分析，基于参数之间的偏离度来进行判断分析。还实现了对电梯各个机构的判断分析，对每个机构内部的数据进行偏离分析，进而进行故障预测。使得预测结果能够相对合理和准确。
附图说明
为了更清楚地说明本发明的技术方案，下面将对描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为基于电梯运行参数的故障预测方法流程图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将运用具体的实施例及附图，对本发明保护的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本专利中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利保护的范围。
本发明提供一种基于电梯运行参数的故障预测方法，如图1所示，方法包括：
步骤一，获取电梯数据中对引起电梯故障敏感的电梯参数,形成电梯参数集；
将电梯分为曳引机机构，电梯门机构，电梯轿厢机构以及电力拖动机构，当然不局限于上述这些机构还可以基于需要进行扩充。对于每个机构的数据也不做限定，可以基于实际需要进行扩充判断。
曳引机机构是电梯升降的动力源，曳引机机构的电梯参数包括：曳引机温度、曳引机三相电压、曳引机三相电流、曳引机噪声以及轴承振动烈度；轴承振动烈度为在轴承处沿垂向和横向三个方向上所测得的最大有效值。
电梯门机构的电梯参数包括：关门速度，门间隙，开关门噪声以及平层精度；
电梯轿厢机构是乘客，货物使用的，为箱形结构，可以包括：轿厢架、轿厢体和相关零部件。电梯轿厢机构的电梯参数包括：垂直方向振动加速度，水平方向振动加速度，运行时轿厢噪声以及轿厢水平度；
电力拖动机构的电梯参数包括：加速度、减速度，平衡系数，平稳运行时速度以及钢丝磨损程度。
上述电梯数据可以由传感器，或设备自动获取，也可以由人工在预设时间点进行获取，并输入至系统中，由系统来进行使用。
步骤二，对电梯参数集进行数据处理，将电梯参数集中的参数进行异常值剔除、采用内插法对电梯参数进行缺失数据填补；
构建异常值剔除模型JS＝[Q，C]；Q为电梯参数集，C为预设属性集，D为电梯参数；
对于任意的电梯参数DQ，邻域为：
η(D)＝{Di|DiQ，Δ(D，Di)≤η}，η≥0
Δ(D，Di)表示的是电梯参数偏离度函数，对于任意的三个电梯参数D1，D2，D3，有如下成立条件：
Δ(D1，D2)＝Δ(D2，D1)；
Δ(D1，D2)≥0成立，当Δ(D1，D2)＝0时，有且仅有D1＝D2；
Δ(D1，D2)≤Δ(D1，D2)+Δ(D2，D3)；
定义电梯参数偏离度：
P(D)为电梯参数偏离度，(1/P(D))为电梯参数阈值；
电梯参数偏离度P(D)越大存在偏离电梯参数阈值(1/P(D))的可能越大。上述可以反映一个电梯参数的偏离度，为了能够全面评价电梯参数整体的异常程度，获取电梯参数平均偏离程度。
定义电梯参数平均偏离程度为：
电梯参数的平均偏离度越大时，电梯参数在电梯参数集中分布的越密集的，电梯参数的成为异常值，或者超阈值的概率更小。
电梯参数的平均偏离度越大时，说明当前获取的电梯参数整体已经超出阈值，不用基于本方法后续步骤既可认定当前机构或当前电梯部件存在故障隐患，需要及时处理。
本发明还可以定义电梯参数的邻域异常指标是电梯参数邻域大小与电梯参数平均邻域密度的加权和，且该指标衡量的是当前电梯参数与其邻域内其他电梯参数的相异程度。也就是有的电梯参数偏离其他电梯参数，或偏离后一时间点获取的电梯参数的偏离度较大。如果持续存在每一个电梯参数均存在偏离在先的电梯参数预设的偏离度范围时，不用基于本方法后续步骤既可认定当前机构或当前电梯部件存在故障隐患，需要及时处理。
电梯每个机构数据的偏离度指标Y定义方式为：
电梯每个机构平均数据的偏离度指标V定义方式为：
V(D)＝B1 A1(D)+B2 A2(D)……+Bn An(D)。
这里基于电梯每个机构作为一个评价整体来评价电梯参数的偏离度。如果机构数据的偏离度超出阈值，且经过一个时间范围持续超出时，不用基于本方法后续步骤既可认定当前机构或当前电梯部件存在故障隐患，需要及时处理。同样机构的平均数据的偏离度也是基于上述判断，来获取整个机构的故障状态。
步骤三，调取M个时间点的电梯参数集Q，作为训练数据集，则将M时刻电梯的同一机构作为一N维的电梯参数向量，可表示为：
Dm＝[Dm1,Dm2,Dm3,...,DmN]
则该训练数据集应当为M×N的矩阵形式。具体形式如下：
配置电梯参数权重矩阵U与偏离矩阵L。
其中，Uk为第k维的电梯参数权重矩阵，Uk值服从均值为0，且标准差为0.1的正态分布。
Lk＝[L1,L2,L3,...,Ln]
为第k维的偏置，初始化为常数值0.1；
预设电梯参数权重矩阵Uk服从均值为0，且方差为0.1的正态分布；
电梯参数权重矩阵Uk的分布是一个接近于0的数，使得神经元处于不太饱和的状态；基于ReLU的非线性，将电梯参数偏置值预设为常数值0.1，使ReLU单元在初始状态激活触发，实现获得和传播梯度值；
步骤四：构建多层卷积神经网络的模型；
构建神经网络卷积层和池化层，卷积层与池化层将电梯参数特征缩小，且特征抽取器连接电梯参数分类器，分类器包括：多层感知机构；
在电梯参数特征抽取器末端，系统将电梯参数特征展开，形成一个特征向量，将所述特征向量输入至分类器；
分类器使用softmax逻辑回归模型给不同的电梯参数对象分配概率；
softmax逻辑回归模型分配方式包括：
为了获取每个电梯参数属于那一故障类别的属性Z，对电梯参数进行加权求和；
如果电梯参数不属于当前所属类别，则所述电梯参数权值为负数；
如果电梯参数不属于当前所属类别，则所述电梯参数权值为正数；
对于获取的电梯参数D代表故障类型的属性Z表示为：
其中，Li代表故障类型i的偏置，j代表给定数据电梯参数D的指标索引用于指标求和；
用softmax逻辑回归模型将证据转换成概率G：
G＝softmax(Z)
softmax逻辑回归模型定义的线性函数的输出转换成预设格式，即为关于多个故障类别的概率分布；系统获取一电梯参数集或电梯参数，对于每一类故障的吻合度可以被softmax逻辑回归模型转换成为一个概率值；
softmax逻辑回归模型定义如下：
步骤五：根据如下模型，对电梯参数进行故障预测；
G＝softmax(UD+L)
其中U，L均是训练得到的模型参数。
本发明对电梯运行参数的故障预测可有效预测电梯的健康状况，如出现较大的偏离状态可以及时的报警提示，如果出现数据偏离，或者数据平均数据偏离可以报警提示，还可以对电梯数据的预判，综合评价电梯的多个参数，来对电梯的状态进行预测。
Claims (9)
1.一种基于电梯运行参数的故障预测方法，其特征在于，方法包括：
步骤一，获取电梯数据中对引起电梯故障敏感的电梯参数,形成电梯参数集；
步骤二，对电梯参数集进行数据处理，将电梯参数集中的参数进行异常值剔除、采用内插法对电梯参数进行缺失数据填补；
步骤三，调取M个时间点的电梯参数集Q，作为训练数据集，则将M时刻电梯的同一机构作为一N维的电梯参数向量，可表示为：
Dm＝[Dm1,Dm2,Dm3,...,DmN]
则该训练数据集应当为M×N的矩阵形式；具体形式如下：
配置电梯参数权重矩阵U与偏离矩阵L；
其中，Uk为第k维的电梯参数权重矩阵，Uk值服从均值为0，且标准差为0.1的正态分布；
Lk＝[L1,L2,L3,...,Ln]
为第k维的偏置，初始化为常数值0.1；
预设电梯参数权重矩阵Uk服从均值为0，且方差为0.1的正态分布；
电梯参数权重矩阵Uk的分布是一个接近于0的数，使得神经元处于非饱和的状态；基于ReLU的非线性，将电梯参数偏置值预设为常数值0.1，使ReLU单元在初始状态激活触发，实现获得和传播梯度值；
步骤四：构建多层卷积神经网络的模型；
步骤五：对电梯参数进行故障预测。
2.根据权利要求1所述的基于电梯运行参数的故障预测方法，其特征在于，步骤一还包括：将电梯分为曳引机机构，电梯门机构，电梯轿厢机构以及电力拖动机构；
曳引机机构的电梯参数包括:曳引机温度、曳引机三相电压、曳引机三相电流、曳引机噪声以及轴承振动烈度；
电梯门机构的电梯参数包括:关门速度,门间隙,开关门噪声以及平层精度；
电梯轿厢机构的电梯参数包括:垂直方向振动加速度,水平方向振动加速度,运行时轿厢噪声以及轿厢水平度；
电力拖动机构的电梯参数包括:加速度、减速度,平衡系数,平稳运行时速度以及钢丝磨损程度。
3.根据权利要求1或2所述的基于电梯运行参数的故障预测方法，其特征在于，步骤二还包括：
构建异常值剔除模型JS＝[Q,C]；Q为电梯参数集，C为预设属性集，D为电梯参数；
对于任意的电梯参数DQ，邻域为：
η(D)＝{Di丨DiQ，△(D，Di)≤η}，η≥0
△(D，Di)表示的是电梯参数偏离度函数，对于任意的三个电梯参数D1,D2,D3，有如下成立条件：
△(D1，D2)＝△(D2，D1)；
△(D1，D2)≥0成立，当△(D1，D2)＝0时，有且仅有D1＝D2；
△(D1，D2)≤△(D1，D2)+△(D2，D3)；
定义电梯参数偏离度：
P(D)为电梯参数偏离度，(1/P(D))为电梯参数阈值。
4.根据权利要求3所述的基于电梯运行参数的故障预测方法，其特征在于，步骤二还包括：
定义电梯参数平均偏离程度为：
5.根据权利要求4所述的基于电梯运行参数的故障预测方法，其特征在于，步骤二还包括：
电梯每个机构数据的偏离度指标Y定义方式为：
电梯每个机构平均数据的偏离度指标V定义方式为：
V(D)＝B1A1(D)+B2A2(D)……+BnAn(D)。
6.根据权利要求1或2所述的基于电梯运行参数的故障预测方法，其特征在于，步骤四还包括：
构建神经网络卷积层和池化层，卷积层与池化层将电梯参数特征缩小，且特征抽取器连接电梯参数分类器，分类器包括：多层感知机构；
在电梯参数特征抽取器末端，系统将电梯参数特征展开，形成一个特征向量，将所述特征向量输入至分类器；
分类器使用softmax逻辑回归模型给不同的电梯参数对象分配概率；
softmax逻辑回归模型分配方式包括：
为了获取每个电梯参数属于那一故障类别的属性Z，对电梯参数进行加权求和；
如果电梯参数不属于当前所属类别，则所述电梯参数权值为负数；
如果电梯参数不属于当前所属类别，则所述电梯参数权值为正数；
对于获取的电梯参数D代表故障类型的属性Z表示为：
其中，Li代表故障类型i的偏置，j代表给定数据电梯参数D的指标索引用于指标求和；
用softmax逻辑回归模型将证据转换成概率G：
G＝softmax(Z)
softmax逻辑回归模型定义的线性函数的输出转换成预设格式，即为关于多个故障类别的概率分布；系统获取一电梯参数集或电梯参数，对于每一类故障的吻合度可以被softmax逻辑回归模型转换成为一个概率值；
softmax逻辑回归模型定义如下：
7.根据权利要求1或2所述的基于电梯运行参数的故障预测方法，其特征在于，步骤五还包括：
根据如下模型，对电梯参数进行故障预测；
G＝softmax(UD+L)
其中U，L均是训练得到的模型参数。
8.一种实现基于电梯运行参数的故障预测方法的终端，其特征在于，包括：
存储器，用于存储计算机程序及基于电梯运行参数的故障预测方法；
处理器，用于执行所述计算机程序及基于电梯运行参数的故障预测方法，以实现如权利要求1至7任意一项所述基于电梯运行参数的故障预测方法的步骤。
9.一种具有基于电梯运行参数的故障预测方法的计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现如权利要求1至7任意一项所述基于电梯运行参数的故障预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910297745.1A CN109969895B (zh) | 2019-04-15 | 2019-04-15 | 一种基于电梯运行参数的故障预测方法，终端及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910297745.1A CN109969895B (zh) | 2019-04-15 | 2019-04-15 | 一种基于电梯运行参数的故障预测方法，终端及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109969895A true CN109969895A (zh) | 2019-07-05 |
| CN109969895B CN109969895B (zh) | 2021-07-23 |
Family
ID=67084544
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910297745.1A Expired - Fee Related CN109969895B (zh) | 2019-04-15 | 2019-04-15 | 一种基于电梯运行参数的故障预测方法，终端及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109969895B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111056395A (zh) * | 2019-12-25 | 2020-04-24 | 武汉科技大学 | 一种基于多点压力传感器的抱闸故障诊断方法 |
| CN111392538A (zh) * | 2020-03-17 | 2020-07-10 | 浙江新再灵科技股份有限公司 | 一种基于多维物联网图谱大数据的电梯综合故障预警方法 |
| CN111680806A (zh) * | 2020-06-11 | 2020-09-18 | 河南财政金融学院 | 一种建筑设备管理系统 |
| CN112960497A (zh) * | 2021-01-29 | 2021-06-15 | 湖南海龙国际智能科技股份有限公司 | 一种基于5g的智慧园区电梯控制方法及控制系统 |
| CN114671314A (zh) * | 2022-05-30 | 2022-06-28 | 凯尔菱电（山东）电梯有限公司 | 一种用于电梯的安全监控方法 |
| CN114955770A (zh) * | 2022-05-13 | 2022-08-30 | 江苏省特种设备安全监督检验研究院 | 一种电梯轿厢系统故障预警方法 |
| CN115959552A (zh) * | 2023-03-15 | 2023-04-14 | 北京博华信智科技股份有限公司 | 扶梯故障的预测方法、装置、设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106598791A (zh) * | 2016-09-12 | 2017-04-26 | 湖南微软创新中心有限公司 | 一种基于机器学习的工业设备故障预防性识别方法 |
| CN107271925A (zh) * | 2017-06-26 | 2017-10-20 | 湘潭大学 | 基于深度卷积网络的模块化五电平换流器故障定位方法 |
| CN108304960A (zh) * | 2017-12-29 | 2018-07-20 | 中车工业研究院有限公司 | 一种轨道交通设备故障诊断方法 |
| CN109110608A (zh) * | 2018-10-25 | 2019-01-01 | 歌拉瑞电梯股份有限公司 | 一种基于大数据学习的电梯故障预测方法 |
| CN109179118A (zh) * | 2018-09-11 | 2019-01-11 | 广州创维平面显示科技有限公司 | 电梯监控方法、装置、设备以及计算机可读存储介质 |
-
2019
- 2019-04-15 CN CN201910297745.1A patent/CN109969895B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106598791A (zh) * | 2016-09-12 | 2017-04-26 | 湖南微软创新中心有限公司 | 一种基于机器学习的工业设备故障预防性识别方法 |
| CN107271925A (zh) * | 2017-06-26 | 2017-10-20 | 湘潭大学 | 基于深度卷积网络的模块化五电平换流器故障定位方法 |
| CN108304960A (zh) * | 2017-12-29 | 2018-07-20 | 中车工业研究院有限公司 | 一种轨道交通设备故障诊断方法 |
| CN109179118A (zh) * | 2018-09-11 | 2019-01-11 | 广州创维平面显示科技有限公司 | 电梯监控方法、装置、设备以及计算机可读存储介质 |
| CN109110608A (zh) * | 2018-10-25 | 2019-01-01 | 歌拉瑞电梯股份有限公司 | 一种基于大数据学习的电梯故障预测方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111056395A (zh) * | 2019-12-25 | 2020-04-24 | 武汉科技大学 | 一种基于多点压力传感器的抱闸故障诊断方法 |
| CN111392538A (zh) * | 2020-03-17 | 2020-07-10 | 浙江新再灵科技股份有限公司 | 一种基于多维物联网图谱大数据的电梯综合故障预警方法 |
| CN111680806A (zh) * | 2020-06-11 | 2020-09-18 | 河南财政金融学院 | 一种建筑设备管理系统 |
| CN112960497A (zh) * | 2021-01-29 | 2021-06-15 | 湖南海龙国际智能科技股份有限公司 | 一种基于5g的智慧园区电梯控制方法及控制系统 |
| CN114955770A (zh) * | 2022-05-13 | 2022-08-30 | 江苏省特种设备安全监督检验研究院 | 一种电梯轿厢系统故障预警方法 |
| CN114671314A (zh) * | 2022-05-30 | 2022-06-28 | 凯尔菱电（山东）电梯有限公司 | 一种用于电梯的安全监控方法 |
| CN115959552A (zh) * | 2023-03-15 | 2023-04-14 | 北京博华信智科技股份有限公司 | 扶梯故障的预测方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109969895B (zh) | 2021-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109969895A (zh) | 一种基于电梯运行参数的故障预测方法，终端及可读存储介质 | |
| US8401833B2 (en) | Method for predicting power usage effectiveness and data center infrastructure efficiency within a real-time monitoring system | |
| US7024335B1 (en) | Condition assessment and life expectancy prediction for devices | |
| CN109186813A (zh) | 一种温度传感器自检装置及方法 | |
| CN106503813A (zh) | 基于起重装备工作状态的预测性维修决策方法及系统 | |
| KR101944070B1 (ko) | 빅데이터를 활용한 승강장안전문 관리시스템 및 방법 | |
| CN109697570B (zh) | 变电站二次设备状态评估方法、系统及设备 | |
| CN108928744B (zh) | 一种基于大数据的集装箱起重机在线诊断及维护系统 | |
| CN110457786A (zh) | 基于深度置信网络的卸船机关联规则故障预测模型方法 | |
| KR102235728B1 (ko) | 전동차의 전기식 출입문 고장예측 장치 | |
| JP7308717B2 (ja) | ホームドア診断装置、ホームドアシステム、及びホームドア診断プログラム | |
| CN108357997A (zh) | 生命周期检测方法、装置、系统及电梯 | |
| CN114821852B (zh) | 基于特征金字塔的电网缺陷深度识别巡查机器人控制系统 | |
| CN113962253B (zh) | 基于深度小波极限学习机的轴承剩余寿命预测方法及系统 | |
| CN116428124A (zh) | 一种基于同型号设备数量较多的故障诊断方法 | |
| EP3637121B1 (en) | System and method of adaptive remaining useful life estimation using constraint convex regression from degradation measurement | |
| KR100795967B1 (ko) | 극치통계분석을 이용한 교량의 점검 및 유지관리 시스템 및방법 | |
| Gregori et al. | Assessment of catenary condition monitoring by means of pantograph head acceleration and Artificial Neural Networks | |
| CN115829536A (zh) | 电力网中逐渐发展的故障 | |
| Xin et al. | Run-time probabilistic model checking for failure prediction: A smart lift case study | |
| Winkel et al. | Run-to-failure relay dataset for predictive maintenance research with machine learning | |
| CN117937768B (zh) | 智能电气柜远程监控系统 | |
| CN109726029B (zh) | 利用图形转换时间数据的交通工具故障检测系统及方法 | |
| CN115314401B (zh) | 接触网状态监测方法、装置、电子设备及存储介质 | |
| Nwadinobi et al. | Development of Simulation for Condition Monitoring and Evaluation of Manufacturing Systems |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210723 |