CN109978026B - 一种基于lstm网络的电梯位置检测方法及系统 - Google Patents

一种基于lstm网络的电梯位置检测方法及系统 Download PDF

Info

Publication number
CN109978026B
CN109978026B CN201910182568.2A CN201910182568A CN109978026B CN 109978026 B CN109978026 B CN 109978026B CN 201910182568 A CN201910182568 A CN 201910182568A CN 109978026 B CN109978026 B CN 109978026B
Authority
CN
China
Prior art keywords
elevator
lstm network
height
data
time
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
Application number
CN201910182568.2A
Other languages
English (en)
Other versions
CN109978026A (zh
Inventor
朱鲲
施行
王超
蔡巍伟
吴磊磊
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.)
Zhejiang Xinzailing Technology Co ltd
Original Assignee
Zhejiang Xinzailing Technology 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 Zhejiang Xinzailing Technology Co ltd filed Critical Zhejiang Xinzailing Technology Co ltd
Priority to CN201910182568.2A priority Critical patent/CN109978026B/zh
Publication of CN109978026A publication Critical patent/CN109978026A/zh
Application granted granted Critical
Publication of CN109978026B publication Critical patent/CN109978026B/zh
Active 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
    • B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
    • B66B5/0006—Monitoring devices or performance analysers
    • B66B5/0018—Devices monitoring the operating condition of the elevator system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Indicating And Signalling Devices For Elevators (AREA)
  • Elevator Control (AREA)

Abstract

本发明公开了一种基于LSTM网络的电梯位置检测方法及系统，其中基于LSTM网络的电梯位置检测方法包括：采集并解析电梯的运行数据，并对各段数据进行标记归类，形成样本集；选取电梯运行的时序数据的特征来训练LSTM网络，构建预测模型；根据电梯运行的时序数据特征，利用已训练的LSTM网络预测电梯位置，重构位置信息，从而确定其楼层位置。本发明使用LSTM进行识别，可获得更精确的电梯位置估计结果，并有效判断是否存在异位停梯现象。

Description

一种基于LSTM网络的电梯位置检测方法及系统
技术领域
本发明属于深度学习领域，具体涉及一种基于LSTM网络的电梯位置检测方法及系统。
背景技术
电梯是当前一款重要的楼宇交通工具，因而电梯在运行时在选定楼层的精确停靠和对电梯轿厢停靠时的精确位置显得尤其重要。现有电梯状态检测方式，一般仅仅定期进行人工检测，无法给出电梯运行时刻的精确位置，精确判断停靠时电梯轿厢所在位置。
现有技术中的申请号为201810140150.0的中国专利申请，其名称为一种基于长短时记忆网络LSTM(长短期记忆网络，Long Short-Term Memory)的GPS数据重构方法，涉及定位技术领域。其包括以下步骤：(1)搭建基于Android系统的GPS数据采集平台，读取蓝牙GPS传感器的数据并解析；(2)驾驶车辆上路，采集实测数据，并将数据整理归类；(3)选取GPS时序数据的特征来训练LSTM网络，构建预测模型；(4)根据GPS的时序数据特征，利用已训练的LSTM网络预测经纬度，重构GPS数据。本发明综合考虑了GPS定位中的速度，方向，加速度等因素，准确的预测经纬度，从而更加准确的重构GPS数据。但是该技术方案主要根据获取的GPS序列运行数据，进行解析归类，并送入LSTM进行数据训练，然后使用该LSTM网络对GPS序列数据进行经纬度预测，最终重构GPS数据。而在电梯场景实际应用时，实际计算基于电梯基准的运行为上下行运行，故电梯的经纬度变化差异较小，实际数据信息几乎不存在差异经纬度，故此方案不能适用于解决电梯精确定位。
发明内容
本发明要解决的技术问题是提供一种基于LSTM网络的电梯位置检测方法及系统，用于使用LSTM进行识别，可获得更精确的电梯位置估计结果，并有效判断是否存在异位停梯现象。
为解决上述技术问题，本发明采用如下的技术方案：
本发明的一方面在于提供一种基于LSTM网络的电梯位置检测方法，包括以下步骤：
采集并解析电梯的运行数据，并对各段数据进行标记归类，形成样本集；
选取电梯运行的时序数据的特征来训练LSTM网络，构建预测模型；
根据电梯运行的时序数据特征，利用已训练的LSTM网络预测电梯位置，重构位置信息，从而确定其楼层位置。
优选地，所述各段数据包括高度、速度、加速度、方向信息。
优选地，所述选取电梯运行的时序数据的特征来训练LSTM网络，构建预测模型具体为：
选取运行数据中连续三个时刻t1、t2、t3，每个时刻的高度Hi，速度Vi，加速度Ai，方向Thetai，其中i表示第i个时刻，作为单个样本的特征输入LSTM网络，来进行参数训练，假设选取N个样本，则第n个单个样本的特征矩阵Sn表示为：
Figure GDA0002890838790000021
其中时刻i输入为xi＝[Hi Vi Ai Thetai]T
ft＝σ(Wf·[ht-1，xt]+bf)
it＝σ(Wi·[ht-1，xt]+bi)
Figure GDA0002890838790000022
Figure GDA0002890838790000031
ot＝σ(Wo·[ht-1，xt]+b0)
ht＝ot*tanh(Ct)
其中ft表示遗忘门限，it表示输入门限，Ct表示cell状态，ot表示输出门限，ht表示当前单元的输出，ht-1表示前一时刻单元的输出；
定义样本的损失函数为
Figure GDA0002890838790000032
其中Hn为第n个样品LSTM网络预测得到的高度，而Hn0为第n个样本实际精确高度，选定损失函数误差门限值，最终训练得到在误差范围内的精确高度位置估计。
优选地，进一步地，根据对应位置信息进行判断，若此时估计高度与楼层录入高度偏差较大，则说明当前停梯位置与楼层停梯设定位置有较大偏差，识别异位停梯，则产生报警。
本发明的另一方面在于提供一种基于LSTM网络的电梯位置检测系统，包括：
实时采集和分析单元，用于采集并解析电梯的运行数据，并对各段数据进行标记归类，形成样本集；
实时处理单元，用于选取电梯运行的时序数据的特征来训练LSTM网络，构建预测模型；根据电梯运行的时序数据特征，利用已训练的LSTM网络预测电梯位置，重构位置信息，从而确定其楼层位置。
优选地，实时采集和分析单元进一步包括安装在电梯轿厢的电梯运动信息采集设备，包括气压计、加速度计、陀螺仪，用于采集电梯的实时运动信息。
优选地，系统进一步包括告警单元，用于根据对应位置信息进行判断，若此时估计高度与楼层录入高度偏差较大，则说明当前停梯位置与楼层停梯设定位置有较大偏差，识别异位停梯，则产生报警。
优选地，所述选取电梯运行的时序数据的特征来训练LSTM网络，构建预测模型具体为：
选取运行数据中连续三个时刻t1、t2、t3，每个时刻的高度Hi，速度Vi，加速度Ai，方向Thetai，其中i表示第i个时刻，作为单个样本的特征输入LSTM网络，来进行参数训练，假设选取N个样本，则第n个单个样本的特征矩阵Sn表示为：
Figure GDA0002890838790000041
其中时刻i输入为xi＝[Hi Vi Ai Thetai]T
ft＝σ(Wf·[ht-1，xt]+bf)
it＝σ(Wi·[ht-1，xt]+bi)
Figure GDA0002890838790000042
Figure GDA0002890838790000043
ot＝σ(Wo·[ht-1，xt]+b0)
ht＝ot*tanh(Ct)
其中ft表示遗忘门限，it表示输入门限，Ct表示cell状态，ot表示输出门限，ht表示当前单元的输出，ht-1表示前一时刻单元的输出；
定义样本的损失函数为
Figure GDA0002890838790000044
其中Hn为第n个样品LSTM网络预测得到的高度，而Hn0为第n个样本实际精确高度，选定损失函数误差门限值，最终训练得到在误差范围内的精确高度位置估计。
采用本发明具有如下的有益效果：本发明技术方案实现了快速、准确的电梯运行位置检测，对于异位停梯状态能有效识别，且易于平台实现。综合考虑了电梯运行中的气压，速度，方向，加速度等因素，准确的预测电梯位置，从而更加准确的重构电梯位置信息，准确识别电梯运行楼层，并能有效识别异位停梯。
附图说明
图1为本发明实施例的一种基于LSTM网络的电梯位置检测方法的步骤流程图；
图2为本发明实施例的一种基于LSTM网络的电梯位置检测系统的原理框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
参照图1，所示为本发明实施例的一种基于LSTM网络的电梯位置检测方法，包括以下步骤：
S10，采集并解析电梯的运行数据，并对各段数据进行标记归类，形成样本集；
采集电梯的运行数据采用包括气压计、加速度计、陀螺仪等等安装在电梯轿厢的电梯运动信息采集设备，用于采集电梯的实时运动信息。
解析电梯的运行数据包括但不限于CPU，ARM，GPU，DSP，GPU，FPGA，ASIC等通用处理设备，主要根据实时采集单元传入的电梯运动信息进行技术分析，分别得到包含高度、速度、加速度、方向等的电梯运行数据序列，形成样本集。
S20，选取电梯运行的时序数据的特征来训练LSTM网络，构建预测模型；
具体地，其过程如下：
选取运行数据中连续三个时刻t1、t2、t3，每个时刻的高度Hi，速度Vi，加速度Ai，方向Thetai，其中i表示第i个时刻，作为单个样本的特征输入LSTM网络，来进行参数训练，假设选取N个样本，则第n个单个样本的特征矩阵Sn表示为：
Figure GDA0002890838790000061
其中时刻i输入为xi＝[Hi Vi Ai Thetai]T
ft＝σ(Wf·[ht-1，xt]+bf)
it＝σ(Wi·[ht-1，xt]+bi)
Figure GDA0002890838790000062
Figure GDA0002890838790000063
ot＝σ(Wo·[ht-1，xt]+b0)
ht＝ot*tanh(Ct)
其中ft表示遗忘门限，it表示输入门限，
Figure GDA0002890838790000064
表示前一时刻历史信息状态、Ct表示cell状态，ot表示输出门限，ht表示当前单元的输出，ht-1表示前一时刻单元的输出；
定义样本的损失函数为
Figure GDA0002890838790000065
其中Hn为第n个样品LSTM网络预测得到的高度，而Hn0为第n个样本实际精确高度，选定损失函数误差门限值，最终训练得到在误差范围内的精确高度位置估计。
S30，根据电梯运行的时序数据特征，利用已训练的LSTM网络预测电梯位置，重构位置信息，从而确定其楼层位置。
在上一实施例的基础上，本发明实施例提供的一种基于LSTM网络的电梯位置检测方法包括以下步骤：
S10，采集并解析电梯的运行数据，并对各段数据进行标记归类，形成样本集；
S20，选取电梯运行的时序数据的特征来训练LSTM网络，构建预测模型；
S30，根据电梯运行的时序数据特征，利用已训练的LSTM网络预测电梯位置，重构位置信息，从而确定其楼层位置；
S40，根据对应位置信息进行判断，若此时估计高度与楼层录入高度偏差较大，则说明当前停梯位置与楼层停梯设定位置有较大偏差，识别异位停梯，则产生报警。
在收到报警信息的基础上，可进一步同时通知报警中心与相应维保部门，提高电梯运行安全指标。
与本发明方法实施例对应的，本发明提供了一种基于LSTM网络的电梯位置检测系统，包括：实时采集和分析单元，用于采集并解析电梯的运行数据，并对各段数据进行标记归类，形成样本集；实时处理单元，用于选取电梯运行的时序数据的特征来训练LSTM网络，构建预测模型；根据电梯运行的时序数据特征，利用已训练的LSTM网络预测电梯位置，重构位置信息，从而确定其楼层位置。
具体应用实例中，其中，实时采集和分析单元中采集电梯的运行数据采用包括气压计、加速度计、陀螺仪等等安装在电梯轿厢的电梯运动信息采集设备，用于采集电梯的实时运动信息。实时采集和分析单元中解析电梯的运行数据包括但不限于CPU，ARM，GPU，DSP，GPU，FPGA，ASIC等通用处理设备，主要根据实时采集单元传入的电梯运动信息进行技术分析，分别得到包含高度、速度、加速度、方向等的电梯运行数据序列，形成样本集。
实时处理单元的数据处理过程如下：
选取运行数据中连续三个时刻t1、t2、t3，每个时刻的高度Hi，速度Vi，加速度Ai，方向Thetai，其中i表示第i个时刻，作为单个样本的特征输入LSTM网络，来进行参数训练，假设选取N个样本，则第n个单个样本的特征矩阵Sn表示为：
Figure GDA0002890838790000071
其中时刻i输入为xi＝[Hi Vi Ai Theati]T
ft＝σ(Wf·[ht-1，xt]+bf)
it＝σ(Wi·[ht-1，xt]+bi)
Figure GDA0002890838790000081
Figure GDA0002890838790000082
ot＝σ(Wo·[ht-1，xt]+b0)
ht＝ot*tanh(Ct)
其中ft表示遗忘门限，it表示输入门限，
Figure GDA0002890838790000083
表示前一时刻历史信息状态，Ct表示cell状态，ot表示输出门限，ht表示当前单元的输出，ht-1表示前一时刻单元的输出；
定义样本的损失函数为
Figure GDA0002890838790000084
其中Hn为第n个样品LSTM网络预测得到的高度，而Hn0为第n个样本实际精确高度，选定损失函数误差门限值，最终训练得到在误差范围内的精确高度位置估计。
在上一实施例的基础上，本发明提供了一种基于LSTM网络的电梯位置检测系统，包括：实时采集和分析单元，用于采集并解析电梯的运行数据，并对各段数据进行标记归类，形成样本集；实时处理单元，用于选取电梯运行的时序数据的特征来训练LSTM网络，构建预测模型；根据电梯运行的时序数据特征，利用已训练的LSTM网络预测电梯位置，重构位置信息，从而确定其楼层位置。告警单元，用于根据对应位置信息进行判断，若此时估计高度与楼层录入高度偏差较大，则说明当前停梯位置与楼层停梯设定位置有较大偏差，识别异位停梯，则产生报警。
通过以上提供的基于LSTM网络的电梯位置检测方法及系统，本发明实现了快速、准确的电梯运行位置检测，对于异位停梯状态能有效识别，且易于平台实现。综合考虑了电梯运行中的气压，速度，方向，加速度等因素，准确的预测电梯位置，从而更加准确的重构电梯位置信息，准确识别电梯运行楼层，并能有效识别异位停梯。
应当理解，本文所述的示例性实施例是说明性的而非限制性的。尽管结合附图描述了本发明的一个或多个实施例，本领域普通技术人员应当理解，在不脱离通过所附权利要求所限定的本发明的精神和范围的情况下，可以做出各种形式和细节的改变。

Claims (6)

1.一种基于LSTM网络的电梯位置检测方法，其特征在于，包括以下步骤：
采集并解析电梯的运行数据，并对各段数据进行标记归类，形成样本集；
选取电梯运行的时序数据的特征来训练LSTM网络，构建预测模型；
根据电梯运行的时序数据特征，利用已训练的LSTM网络预测电梯位置，重构位置信息，从而确定其楼层位置，
所述选取电梯运行的时序数据的特征来训练LSTM网络，构建预测模型具体为：
选取运行数据中连续三个时刻t1、t2、t3，每个时刻的高度Hi，速度Vi，加速度Ai，方向Thetai，其中i表示第i个时刻，作为单个样本的特征输入LSTM网络，来进行参数训练，假设选取N个样本，则第n个单个样本的特征矩阵Sn表示为：
Figure FDA0002890838780000011
其中时刻i输入为xi＝[Hi Vi Ai Thetai]T
ft＝σ(Wf·[ht-1，xt]+bf)
it＝σ(Wi·[ht-1，xt]+bi)
Figure FDA0002890838780000012
Figure FDA0002890838780000013
ot＝σ(Wo·[ht-1，xt]+b0)
ht＝ot*tanh(Ct)
其中ft表示遗忘门限，it表示输入门限，Ct表示cell状态，ot表示输出门限，ht表示当前单元的输出，ht-1表示前一时刻单元的输出；
定义样本的损失函数为
Figure FDA0002890838780000014
其中Hn为第n个样品LSTM网络预测得到的高度，而Hn0为第n个样本实际精确高度，选定损失函数误差门限值，最终训练得到在误差范围内的精确高度位置估计。
2.如权利要求1所述的基于LSTM网络的电梯位置检测方法，其特征在于，所述各段数据包括高度、速度、加速度、方向信息。
3.如权利要求1所述的基于LSTM网络的电梯位置检测方法，其特征在于，进一步地，根据对应位置信息进行判断，若此时估计高度与楼层录入高度偏差较大，则说明当前停梯位置与楼层停梯设定位置有较大偏差，识别异位停梯，则产生报警。
4.一种基于LSTM网络的电梯位置检测系统，其特征在于，包括：
实时采集和分析单元，用于采集并解析电梯的运行数据，并对各段数据进行标记归类，形成样本集；
实时处理单元，用于选取电梯运行的时序数据的特征来训练LSTM网络，构建预测模型；根据电梯运行的时序数据特征，利用已训练的LSTM网络预测电梯位置，重构位置信息，从而确定其楼层位置，
所述选取电梯运行的时序数据的特征来训练LSTM网络，构建预测模型具体为：
选取运行数据中连续三个时刻t1、t2、t3，每个时刻的高度Hi，速度Vi，加速度Ai，方向Thetai，其中i表示第i个时刻，作为单个样本的特征输入LSTM网络，来进行参数训练，假设选取N个样本，则第n个单个样本的特征矩阵Sn表示为：
Figure FDA0002890838780000021
其中时刻i输入为xi＝[Hi Vi Ai Thetai]T
ft＝σ(Wf·[ht-1，xt]+bf)
it＝σ(Wi·[ht-1，xt]+bi)
Figure FDA0002890838780000031
Figure FDA0002890838780000032
ot＝σ(Wo·[ht-1，xt]+b0)
ht＝ot*tanh(Ct)
其中ft表示遗忘门限，it表示输入门限，Ct表示cell状态，ot表示输出门限，ht表示当前单元的输出，ht-1表示前一时刻单元的输出；
定义样本的损失函数为
Figure FDA0002890838780000033
其中Hn为第n个样品LSTM网络预测得到的高度，而Hn0为第n个样本实际精确高度，选定损失函数误差门限值，最终训练得到在误差范围内的精确高度位置估计。
5.如权利要求4所述的基于LSTM网络的电梯位置检测系统，其特征在于，实时采集和分析单元进一步包括安装在电梯轿厢的电梯运动信息采集设备，包括气压计、加速度计、陀螺仪，用于采集电梯的实时运动信息。
6.如权利要求4或5所述的基于LSTM网络的电梯位置检测系统，其特征在于，系统进一步包括告警单元，用于根据对应位置信息进行判断，若此时估计高度与楼层录入高度偏差较大，则说明当前停梯位置与楼层停梯设定位置有较大偏差，识别异位停梯，则产生报警。
CN201910182568.2A 2019-03-11 2019-03-11 一种基于lstm网络的电梯位置检测方法及系统 Active CN109978026B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910182568.2A CN109978026B (zh) 2019-03-11 2019-03-11 一种基于lstm网络的电梯位置检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910182568.2A CN109978026B (zh) 2019-03-11 2019-03-11 一种基于lstm网络的电梯位置检测方法及系统

Publications (2)

Publication Number Publication Date
CN109978026A CN109978026A (zh) 2019-07-05
CN109978026B true CN109978026B (zh) 2021-03-09

Family

ID=67078385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910182568.2A Active CN109978026B (zh) 2019-03-11 2019-03-11 一种基于lstm网络的电梯位置检测方法及系统

Country Status (1)

Country Link
CN (1) CN109978026B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110944295B (zh) * 2019-11-27 2021-09-21 恒安嘉新（北京）科技股份公司 位置预测方法、装置、存储介质及终端
CN111709517B (zh) * 2020-06-12 2022-07-29 武汉中海庭数据技术有限公司 一种基于置信度预测系统的冗余融合定位增强的方法和装置
CN112047209B (zh) * 2020-09-09 2022-09-13 上海有个机器人有限公司 一种电梯楼层的自动标定方法、介质、终端和装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5923004A (en) * 1997-12-30 1999-07-13 Otis Elevator Company Method for continuous learning by a neural network used in an elevator dispatching system
CN108178037A (zh) * 2017-12-30 2018-06-19 武汉大学 一种基于卷积神经网络的电梯故障识别方法
CN108584592A (zh) * 2018-05-11 2018-09-28 浙江工业大学 一种基于时间序列预测模型的电梯轿厢振动异常预警方法
CN108750856A (zh) * 2017-12-13 2018-11-06 浙江新再灵科技股份有限公司 一种基于振动分析的电梯平台检测系统及方法
CN109033450A (zh) * 2018-08-22 2018-12-18 太原理工大学 基于深度学习的电梯设备故障预测方法
CN109211233A (zh) * 2018-09-25 2019-01-15 常熟理工学院 基于加速度传感器的电梯运动检测及异常位置停车判断
CN109205426A (zh) * 2017-07-07 2019-01-15 奥的斯电梯公司 电梯健康监测系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105731209A (zh) * 2016-03-17 2016-07-06 天津大学 基于物联网的电梯故障智能预测与诊断及维护方法
CN105752787A (zh) * 2016-03-22 2016-07-13 天津西尔特电梯部件有限公司 一种基于机器学习的电梯安全预警方法
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
CN108303172A (zh) * 2017-12-13 2018-07-20 浙江新再灵科技股份有限公司 一种基于电机状态分析的电梯检测系统及方法
CN108275530A (zh) * 2018-01-18 2018-07-13 柯钢 一种基于机器学习的电梯安全预警方法
CN108545556B (zh) * 2018-05-02 2019-10-01 中国科学院计算技术研究所 基于神经网络的信息处理装置及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5923004A (en) * 1997-12-30 1999-07-13 Otis Elevator Company Method for continuous learning by a neural network used in an elevator dispatching system
CN109205426A (zh) * 2017-07-07 2019-01-15 奥的斯电梯公司 电梯健康监测系统
CN108750856A (zh) * 2017-12-13 2018-11-06 浙江新再灵科技股份有限公司 一种基于振动分析的电梯平台检测系统及方法
CN108178037A (zh) * 2017-12-30 2018-06-19 武汉大学 一种基于卷积神经网络的电梯故障识别方法
CN108584592A (zh) * 2018-05-11 2018-09-28 浙江工业大学 一种基于时间序列预测模型的电梯轿厢振动异常预警方法
CN109033450A (zh) * 2018-08-22 2018-12-18 太原理工大学 基于深度学习的电梯设备故障预测方法
CN109211233A (zh) * 2018-09-25 2019-01-15 常熟理工学院 基于加速度传感器的电梯运动检测及异常位置停车判断

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Bayesian elevator fault classifications network based on Stigmergy Strategy;zhao liming 等;《2012 IEEE international conference on computer science and automation engineering（CSAE）》;20120527;382-386 *
电梯零速停靠的RBF神经网络预测算法;丁宝 等;《哈尔滨工业大学学报》;20090731;第41卷(第7期);64-67 *

Also Published As

Publication number Publication date
CN109978026A (zh) 2019-07-05

Similar Documents

Publication Publication Date Title
CN109978026B (zh) 一种基于lstm网络的电梯位置检测方法及系统
JP6842574B2 (ja) 自律車両運転イベントに応答して乗車者フィードバックを取得するシステムおよび方法
Silva et al. Anomaly detection in roads with a data mining approach
US20190354838A1 (en) Automobile Accident Detection Using Machine Learned Model
EP3926582A1 (en) Model generating apparatus, method, and program, and prediction apparatus
CN104164829B (zh) 基于移动终端的路面平整度检测方法和智能路面信息实时监测系统
WO2018122803A1 (zh) 一种智能化道路交通异常检测方法
EP3367062B1 (en) System and method for driver profiling corresponding to an automobile trip
CN111325437B (zh) 异常行驶行为的识别方法、装置以及电子设备
EP3812218A1 (en) Indication diagnosis device and method
CN115050214B (zh) 一种基于ais数据的船舶碰撞风险预测方法
EP3382570A1 (en) Method for characterizing driving events of a vehicle based on an accelerometer sensor
JP2017194872A (ja) 判定プログラム、判定方法および情報処理装置
CN112749210B (zh) 基于深度学习的车辆碰撞识别方法和系统
CN112287801A (zh) 车载数据处理方法、装置、服务器和可读存储介质
CN115964905B (zh) 高原山地道路的排放测试工况构建方法和介质
CN112835790A (zh) 自动驾驶软件的测试方法、装置、设备及介质
CN111707476B (zh) 一种面向自动驾驶汽车的纵向驾驶能力检测方法
CN115100819B (zh) 基于大数据分析的滑坡灾害预警方法、装置及电子设备
CN111038476B (zh) 车辆行驶的控制方法、装置和自动驾驶设备
CN112509352A (zh) 水淹检知装置、系统及方法以及水淹检知程序存储介质
CN110160781B (zh) 一种旋转机械故障分类的测试集重构和预测方法
Hamad et al. A new approach for varied speed weigh-in-motion vehicle based on smartphone inertial sensors
CN117509462A (zh) 一种对塔吊安全预测的方法及装置
JP2000322682A (ja) 交通流予測システム、交通流予測装置及び交通流予測方法

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