CN109969895B - 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 PDF

Info

Publication number
CN109969895B
CN109969895B CN201910297745.1A CN201910297745A CN109969895B CN 109969895 B CN109969895 B CN 109969895B CN 201910297745 A CN201910297745 A CN 201910297745A CN 109969895 B CN109969895 B CN 109969895B
Authority
CN
China
Prior art keywords
elevator
parameters
parameter
fault
fault prediction
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.)
Expired - Fee Related
Application number
CN201910297745.1A
Other languages
English (en)
Other versions
CN109969895A (zh
Inventor
郭贝
陈全彬
李欣朔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zibo Dongsheng Elevator Engineering Co ltd
Original Assignee
Zibo Dongsheng Elevator Engineering Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zibo Dongsheng Elevator Engineering Co ltd filed Critical Zibo Dongsheng Elevator Engineering Co ltd
Priority to CN201910297745.1A priority Critical patent/CN109969895B/zh
Publication of CN109969895A publication Critical patent/CN109969895A/zh
Application granted granted Critical
Publication of CN109969895B publication Critical patent/CN109969895B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

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
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：
Figure BDA0002027179720000021
配置电梯参数权重矩阵U与偏离矩阵L；
Figure BDA0002027179720000022
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：
Figure BDA0002027179720000061
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：
Figure BDA0002027179720000062
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：
Figure BDA0002027179720000071
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：
Figure BDA0002027179720000072
配置电梯参数权重矩阵U与偏离矩阵L。
Figure BDA0002027179720000073
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：
Figure BDA0002027179720000091
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：
Figure BDA0002027179720000092
步骤五：根据如下模型，对电梯参数进行故障预测；
Figure BDA0002027179720000093
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 (3)

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；
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；
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；
电梯每个机构数据的偏离度指标Y定义方式为：
Figure 69677DEST_PATH_IMAGE001
W1，W2，Wn分别为每个机构数据的修正系数；
电梯每个机构数据的平均偏离度指标V定义方式为：
Figure 770916DEST_PATH_IMAGE002
B1，B2，Bn分别为每个机构平均数据的修正系数；
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Di，邻域为：
Figure 3
△（D，D i）表示的是电梯参数偏离度函数，对于任意的三个电梯参数D 1, 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：
Figure 197929DEST_PATH_IMAGE004
（1/ P（D））为电梯参数阈值；
定义电梯参数平均偏离程度为：
Figure 549276DEST_PATH_IMAGE005
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：
Figure 636181DEST_PATH_IMAGE006
则该训练数据集应当为
Figure 47570DEST_PATH_IMAGE007
的矩阵形式；具体形式如下：
Figure 219926DEST_PATH_IMAGE008
配置电梯参数权重矩阵U与偏离矩阵L；
Figure 109384DEST_PATH_IMAGE009
（5）
其中，
Figure 50795DEST_PATH_IMAGE010
为第k维的电梯参数权重矩阵，
Figure 633087DEST_PATH_IMAGE011
值服从均值为0，且标准差为0.1的正态分布；
Figure 292738DEST_PATH_IMAGE012
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
Figure 484423DEST_PATH_IMAGE013
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
Figure 280340DEST_PATH_IMAGE014
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；
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哪一故障类别的属性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：
Figure 33533DEST_PATH_IMAGE015
（7）
其中，
Figure 914901DEST_PATH_IMAGE016
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：
Figure 677321DEST_PATH_IMAGE017
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：
Figure 327745DEST_PATH_IMAGE018
步骤五：对电梯参数进行故障预测；
根据如下模型，对电梯参数进行故障预测；
Figure 986259DEST_PATH_IMAGE019
Figure 620503DEST_PATH_IMAGE020
其中U，L均是训练得到的模型参数。
2.一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所述基于电梯运行参数的故障预测方法的步骤。
3.一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基于电梯运行参数的故障预测方法的步骤。
CN201910297745.1A 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 Expired - Fee Related CN109969895B (zh)

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 CN109969895A (zh) 2019-07-05
CN109969895B true 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)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111056395B (zh) * 2019-12-25 2021-09-03 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
CN114671314B (zh) * 2022-05-30 2022-08-16 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
CN115959552B (zh) * 2023-03-15 2023-07-14 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)

* Cited by examiner, † Cited by third party
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
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

Also Published As

Publication number Publication date
CN109969895A (zh) 2019-07-05

Similar Documents

Publication Publication Date Title
CN109969895B (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
US10692018B2 (en) Machine learning device and machine learning method for learning optimal object grasp route
US20190285517A1 (en) Method for evaluating health status of mechanical equipment
US20180307198A1 (en) Machined surface quality evaluation device
US10739736B2 (en) Apparatus and method for event detection and duration determination
US20180307203A1 (en) Machining defect factor estimation device
CN111178553A (zh) 一种基于arima和lstm算法的工业设备健康趋势分析方法及系统
US20170300041A1 (en) Production system for executing production plan
JPWO2019106875A1 (ja) 異常判定システム、モータ制御装置、及び異常判定装置
JP2013186899A (ja) 構造物を監視するための方法及びシステム
CN112132394B (zh) 一种电厂循环水泵预测性状态评估方法及系统
US20200156680A1 (en) Railway vehicle major component and system diagnosis apparatus
CN116976857B (zh) 一种基于深度学习的铁路电力设备预测性维护方法及系统
CN113247041A (zh) 一种基于数字孪生模型的轮对轴箱装置状态监测方法
CN113158362B (zh) 一种物理失效和数据驱动融合的电梯剩余寿命预测方法
Zurita et al. Distributed neuro-fuzzy feature forecasting approach for condition monitoring
CN111144606B (zh) 一种电动车辆的安全失效风险预测方法以及电动车辆
CN116822652A (zh) 地铁故障预测方法、装置、电子设备、系统及存储介质
CN109858573B (zh) 基于神经网络的集卡防吊起方法
CN113424119A (zh) 作业效率评价方法、作业效率评价装置以及程序
CN113936193A (zh) 货车载重量图像识别模型生成方法及货车载重量识别方法
CN113987905A (zh) 一种基于深度信念网络的自动扶梯制动力智能诊断系统
Raveendran et al. Intelligent fault diagnosis of air brake system in heavy commercial road vehicles
Lipiec et al. Towards a health-aware fault tolerant control of complex systems: A vehicle fleet case
CN113800352B (zh) 一种电梯制动力矩检测方法及装置

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

Granted publication date: 20210723

CF01 Termination of patent right due to non-payment of annual fee