CN110540118B - 一种用于检测轿厢运动状态的智能检测装置 - Google Patents
一种用于检测轿厢运动状态的智能检测装置 Download PDFInfo
- Publication number
- CN110540118B CN110540118B CN201910542107.1A CN201910542107A CN110540118B CN 110540118 B CN110540118 B CN 110540118B CN 201910542107 A CN201910542107 A CN 201910542107A CN 110540118 B CN110540118 B CN 110540118B
- Authority
- CN
- China
- Prior art keywords
- acceleration
- car
- state
- accelerometer
- speed
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 230000001133 acceleration Effects 0.000 claims abstract description 104
- 238000001914 filtration Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000010354 integration Effects 0.000 claims abstract description 22
- 238000006073 displacement reaction Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 59
- 238000012937 correction Methods 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 230000005484 gravity Effects 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 2
- 230000001174 ascending effect Effects 0.000 abstract description 5
- 238000009434 installation Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 7
- 230000036544 posture Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000004927 fusion Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 102000002274 Matrix Metalloproteinases Human genes 0.000 description 1
- 108010000684 Matrix Metalloproteinases Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- B66B5/0031—Devices monitoring the operating condition of the elevator system for safety reasons
Landscapes
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明提供一种用于检测轿厢运动状态的智能检测装置。该装置安装在轿门外侧，通过加速度计及气压计采集轿厢门某位置的加速度与气压值，并传到MCU中进行数据处理。所述MCU对加速度计气压值修正后，根据所述加速度计垂直方向加速度与所述气压计读取的气压值，进行三阶卡尔曼滤波，得到当前轿厢高度、速度及加速度，并判断出轿厢上行、下行、停梯状态；所述加速度计水平方向加速度经过修正与卡尔曼滤波后，再使用频域二次积分法得到轿门的速度与位移，并判断出轿门开门、关门、开门到位、关门到位状态。该装置安装位置隐蔽，其得到的检测结果精确度高。
Description
技术领域
本发明涉及一种电梯运动状态检测技术，尤其设计一种用于检测轿厢运动状态的智能检测装置。
背景技术
随着电梯在楼宇中的普遍应用，其安全隐患造成的事故也逐渐增多，近年来电梯的安全运行问题受到了广泛关注。虽然投入运营的电梯产品均已符合国家标准，其安 全性有一定的保障，但随着时间的推移，电梯出现故障的概率也会增加，存在诸多安 全隐患。电梯维保行业以及部分物业公司逐渐开始采用原电梯系统之外的运行状态监 测系统，提供第三方的监测信息，在主系统发生意外故障时监测系统仍能够获取足够 的电梯运行信息从而实现减少误报，面对事故及时进行响应，与此同时第三方的监测 信息可以一定程度上减少人工运维检测的成本，提升工作效率。
一般轿厢及轿门运行状态不能直接获取，现阶段用于电梯运行状态检测的系统均采用直接接入方式，将原有电梯控制系统的传感器信号、主板输入输出信号、电机驱 动信号直接连接至监测系统的采集装置，这种方法的优点在于通过直接采集原有电梯 控制系统的信息，实施简单、成本低。然而这种方式也造成了一些弊端，采样电路直 接接入原有电梯控制回路不可避免地会对原有系统造成影响，严重时会干扰电梯的正 常运行，造成电梯故障。
目前在不接入电梯原有系统的情况下，获取轿厢及轿门状态的方式往往采用多传感器结合的方式。若传感器数量太多，一方面会增加系统的复杂度，另一方面也提高 了生产成本与安装难度；而传感器数量太少时，由于传感器本身测量误差或其他环境 因素引起的测量误差很容易造成最后计算偏差或判断得到的轿厢及轿门状态不准确甚 至出现严重偏差。因此如何选择传感器并将多个传感器的数据融合得到精准的结果是 当前亟待解决的问题之一。
发明内容
本发明针对现有技术的不足，提出了一种用于检测轿厢运动状态的智能检测装置。
本发明一种用于检测轿厢运动状态的智能检测装置，包括：
一加速度计，所述加速度计需要能采集两轴或两轴以上的加速度，用于获取 所述轿厢运动时加速度；
一气压计，所述气压计与用于获取所述轿厢当前位置的气压值或气压与环境 温度；
一MCU，所述MCU用于接收所述加速度计及所述气压计采集到的所述轿厢及 运动数据，然后使用三阶卡尔曼算法对运动数据进行处理最终得到所述轿厢的状 态并输出。
所述三阶卡尔曼算法具体为：，所述MCU能够以所述加速度计得到的加速度 以及所述气压计得到的气压值作为为观测值，进行三阶卡尔曼滤波得到所述轿厢 当前加速度、速度以及高度，其中测量输入为垂直方向加速度以及当前位置的气 压值，状态输出为加速度、速度以及高度。所述三阶卡尔曼状态方程为：
Y(k)＝HX(k)+V
其中
其中h(k)、v(k)、a(k)为轿厢当前的高度、速 度、加速度，h(k+1)、v(k+1)、a(k+1)为通过状态方程预测得到的下一时 刻轿厢的高度、速度、加速度，T为采样周期，Pre(k)为轿厢当前位置气压观测 值，acc(k)为当前垂直方向加速度观测值，K为气压高度系数，Preref为参考平 面气压值，气压高度系数K与参考平面气压值Preref通过外部信号实时校正。
卡尔曼滤波可分为以下五个步骤：
第一步：计算本次状态预测
将上一步得到的系统状态最优估计X(k-1)(即轿厢高度、速度、加速度)代入状态方程得到本次状态预测
初 始状态X(0)为零矩阵；
第二步：计算本次协方差矩阵预测
协方差矩阵P为三阶矩阵，P(k-1)为上次协方差矩阵，初始协方差矩阵P(0)为对角阵，对角上每个 p值为三个变量对应的初始协方差，取1-10。本系统中，Γ为单位矩阵，环境噪声矩阵 Q为3阶对角阵，对角上的每个q值为三个变量对应的过程误差；
第三步：计算滤波增益矩阵
由上一步得到的
输出矩阵H以及初始化时设定好的观测噪声矩阵R计算得到本次滤波增益矩阵 K(k)；
第四步：计算本次状态最优估计
对第一步得到预测状态进行修正得到本次最优估计。其中Y(k)为本次传感器得到的实际测 量值。此时的状态X(k)即为卡尔曼滤波并数据融合得到的轿厢高度、速度和加速度；
第五步：更新协方差矩阵
根据第三步得到的增益矩阵 K(k)与第二步得到的协方差矩阵
得到本次协方差矩阵P(k)。
作为优选，安装位置为任意一扇轿门外侧的任意位置，开关轿门时所述检测 装置位于厅门及轿门中间，且随轿门运动而运动。
作为优选，所述MCU由所述加速度计与所述气压计获取的数据，能够通过最 小二乘法对所述加速度计采集的三轴加速度值进行修正，所述最小二乘法的拟合 曲面为：
(k1x+b1)2+(k2y+b2)2+(k3z+b3)2＝G2
其中x、y、z分别为加速度计在固定姿态且保持静止时采集到的三轴原始加速度数据，k1、k2、k3为线性校正系数，b1、b2、b3为线性校正偏移，G为重力加速度。
记采集到所有姿态加速度为
线性校正系数矩阵为
线性校正偏移矩阵为
则校正后加速度为
计算得到的重力加 速度为
最优化问题可表示为：
上式展开可以得到：
令
则上式可以简化为：
对
进行求导，并令其等于0，则
化简可得
其中
若
可逆，那么
由此可以得到加速度计的校正系数。采集的姿态越多，加速度值校正越准确；另外，线性校正偏移矩阵B可进一步通过外部信号实时校正。
作为优选，所述MCU能够以水平方向的加速度作为时域数组，经过傅里叶变 换后转为频域，在频域中分别进行一次积分与二次积分，使用窗函数对通带外的 频率分量衰减或去除后，再使用傅里叶逆变换转回时域从而得到所述轿厢的轿门 的速度以及位移。所述频域一次、二次积分公式为：
其中为τ采样时间点，f(τ)为加速度时域数组，ω为频率点F(ω)为加速度频域 数组，δ(ω)为单位脉冲信号，j为虚数单位。当输入的水平方向的加速度作为时 域数组经过最小二乘法校正时，得到更高精度的轿门状态数据；具体为：
对原有水平方向加速度时域数组进行FFT运算转到频域，通过上述公式在频域中对加速度进行积分后，滤除低频高频分量后返回时域得到轿门速度与位移。共分为六 个步骤：
第一步：计算频域数组。记采样频率为sf，记录1秒内的水平加速度值作为时域 数组，对其进行快速傅里叶变换得到频域数组，设长度为nfft，则频率间隔 df＝sf/nfft；
第二步：计算ω数组。由频率间隔df得到角频率间隔dω＝2π×df，则ω数组为
第三步：积分相位变换。根据频域积分公式，每次积分顺时针旋转90度。一次积分：Fi＝-imag(Fi)+j×real(Fi)，二次积分Fi＝-real(Fi)+j×imag(Fi)，其中 real(Fi)为Fi的实部，imag(Fi)为Fi的虚部；
第四步：积分频域变换。第二步中FFT的结果依次除以ω数组
第五步：滤波。将第四步得到的积分后的频域数组进行滤波(即相关频率分量置零或根据窗口函数做相应衰减)，低通与高通频率点计算公式分别为
其中Fmin为低通截止频率，Fmax为高通截止频率。
第六步：返回时域得到积分。把第五步得到的频域数组通过快速傅里叶逆变换返回时域，得到最终积分结果。
经过以上六步的计算得到的积分结果基本无频域积分产生的累计误差，且得到的积分结果基本比较准确。
作为优选，所述MCU与所述加速度计及气压计的通信方式包括UART、I2C、 SPI，所述MCU轿厢状态输出方式包括UART、蓝牙、WIFI、RS485/232/422、以 太网。
作为优选，所述MCU能根据加速度计及气压计采集的数据处理得到的所述轿 厢当前加速度、速度、高度及其轿门的加速度、速度、位移判断所述轿厢处于上 行、下行或静止状态以及所述轿门开门、关门、开门到位及关门到位状态，并能 将轿厢当前加速度、速度、高度、上行、下行及静止状态和所述轿门的加速度、 速度、位置、开门、关门、开门到位及关门到位状态作为轿厢及轿门状态通过通 信接口输出。
优选的，本发明提供的轿厢及轿门运动状态检测装置外部通信接口采用RS485，通信距离远、干扰小，适用于电梯井道中复杂的电气环境；MCU采用STM32F407ZG，其 内部携带FPU，浮点运算速度是常规MCU的4倍，该芯片还具有对应的DSP库，能高 效进行FFT运算，另外芯片内部RAM有196KB，提供了足够大的空间存放采集到的数 据以及运算产生的中间变量；加速度计采用MPU6050，该加速度计应用广泛且十分常 见，具有较高的性价比；气压计采用DPS310，该气压计精度可达0.2m远超常规气压 计的精度，由此计算到的高度信息更加准确。
本发明相对有现有技术所具有的效果：采用本发明可对已有较高精度传感器的数据进一步滤波与数据融合，从而得到高精度的电梯运行状态。
附图说明
图1是本发明提供的轿厢及轿门运动状态智能检测装置的安装位置示意图；
图2是本发明提供的轿厢及轿门运动状态智能检测装置的硬件结构图；
图3是本发明提供的轿厢及轿门运动状态智能检测装置的数据处理流程图；
图4为最小二乘法校正前的重力加速度离散图；
图5为三阶卡尔曼滤波前竖直方向的原始加速度波形和卡尔曼滤波后的加速度波形图；
图6为加速度计直接积分、经过卡尔曼数据融合、引入平层信号对加速度及速度校正后的曲线对比图；
图7为通过气压直接计算得到的高度和通过卡尔曼算法滤波后的高度对比图；
图8为水平方向加速度波形和水平方向速度波形图。
具体实施例
下面结合附图对本发明所提供的一种轿厢及轿门运动状态智能检测装置作进一步 说明，需要指出的是，下面仅以一种最优化的技术方案对本发明的技术方案以及设计原理进行详细阐述。
参阅图1，本发明提供的轿厢及轿门运动状态智能检测装置4安装在轿门2与厅 门3中间的空隙中，固定在轿门2的外侧，电梯正常开关门时，无法被观察到，安装 位置隐蔽。另外轿厢及轿门运动状态智能检测装置4体积小、重量轻，易于固定，对 轿门及厅门的开关无影响。
参阅图2，本发明提供的轿厢及轿门运动状态智能检测装置4，主要包括用于外部通信的接口41，用于数据处理的MCU42，用于加速度采集的加速度计43以及用于气压 采集的气压计44。外部通信的接口41常规采用RS485通信，但其他通信方式如UART、 RS232、以太网等也同样视为外部通信接口，本发明中MCU采用STM32F407，加速度计 43采用MPU6050，气压计44采用DPS310。
参阅图3，本发明提供的轿厢及轿门运动状态智能检测装置两个数据来源分别为加速度计与气压计，加速度计采集的数据通过I2C接口以1KHz的数据频率传输到MCU 中，气压计采集的数据通过I2C接口以100Hz的数据频率传输到MCU中。MCU中的加 速度数据首先经过最小二乘法进行校正，然后对校正后的垂直方向加速度数据与气压 数据进行三阶卡尔曼滤波，得到轿厢当前高度、速度及加速度，由轿厢速度可以得到 轿厢当前上行、下行和停梯状态。校正后的水平方向加速度数据使用频域积分法得到 轿门的位移和速度，根据轿门速度方向可以判断轿门的开门或关门动作，根据事先输 入的轿门位移距离即可判断轿门是否开门到位或者关门到位。
参阅图4，图中离散的点为进行最小二乘法校正前的重力加速度，可以看出当加速度计以不同姿态静止时测得的重力加速度差别很大，这是由于加速度计本身自带的 出厂线性误差导致的，因此需要进行线性校正，图中实线为采用最小二乘法校正后得 到的重力加速度，很明显校正后的重力加速度基本保持在9.8g/s2左右，各个姿态间 差别不大，较好得解决了加速度的线性失真问题。最小二乘法最小二乘法校正的具体 操作如下：
本发明提供的轿厢运动状态的智能检测装置有一init键，按住init键上电后进入最小二乘法校正程序。
第一步，获得最小二乘法数组。将检测装置以某一姿态(如正面朝上)静止时， 在按住init键1～2秒，程序将计算出该时间段内的平均加速度
采用若干 种不同姿态重复以上操作，即可得到用于最小二乘法的姿态数组X，假设重复n次操作， 则姿态数组X＝[X1,X2,…,Xn]，其中
第二步，计算线性校正系数矩阵K与线性校正偏移矩阵B。将第一步得到的姿态数组X扩展为增广矩阵
后代入推导得到的方程中
可得到线性校正矩阵
将线性校正矩阵
储存到非易失性存储单元中供后续步骤使用；
第三步，加速度数据实时校正。重启模块，从非易失性存储单元中读取上一步存储的线性校正矩阵
后进入主程序，记主程序中由加速度计采集到的加速度原始数据 为
则校正后的加速度数据为
在主程序中，加速度计和气压计实时采集轿厢x、y、z三轴方向的加速度以及当 前所在位置的气压值。假设本发明提供的检测装置以y轴为竖直方向，x轴为水平方 向安装，则y轴的加速度可视为重力加速度与轿厢竖直方向运动的加速度的叠加，而 x轴的加速度可视为轿厢的轿门开关门时的加速度。现通过上面介绍的最小二乘法已 得到校正后的三轴加速度，为得到轿厢竖直方向运动的加速度，y轴加速度需要减去 当地重力加速度，即aver＝ay-G，然后根据得到的电梯轿厢竖直方向加速度aver和 气压计采集到的当前位置气压Pre进行卡尔曼滤波与数据融合。
参阅图5，细实线为进行三阶卡尔曼滤波前竖直方向的原始加速度波形，可以看出原始加速度的噪声非常大，抖动很剧烈，这不利于后续其他量的计算以及状态判断。 粗实线为卡尔曼滤波后的加速度波形，相比滤波前的波形，滤波后噪声明显减小，波 形光滑且跟随性好。
参阅图6，最细的实线为加速度计直接积分得到的速度，通过这种方法得到的速度具有明显的累积误差，中等粗细的实线为经过卡尔曼数据融合得到的速度，可以看 到该速度波形没有明显累积误差，但由于其值同时受到加速度计和气压计的影响，而 气压计在轿门开关门时气压变化较大，因此得到的速度不够平滑与准确，最粗的实线 为引入平层信号对加速度及速度校正后的曲线，可以看到该曲线十分平滑，累积误差 可以忽略，是理想的速度曲线。
参阅图7，细实线为气压直接计算得到的高度，粗实线为通过卡尔曼算法滤波后的高度，由于采用的气压计精度比较高，因此滤波效果没有那么明显，但对高度波形 仍有较大的改善。卡尔曼滤波与数据融合具体步骤如下：
第一步，参数初始化。卡尔曼需要初始化的参数有测量误差方差矩阵R，过程误差方差矩阵Q，转移矩阵φ，输出矩阵H，初始协方差矩阵P0，初始状态向量X0，偏移矩 阵V及采样时间T。由加速度、速度、位移间的关系 
可得转移矩阵
假设轿厢 初始状态为静止状态则
由于观测输出向量
根据压高公式 h＝(Preref-Pre)×k可得
因此输出矩阵
便宜 矩阵
一般在低空中k＝0.09，Preref为某一轿厢平层位置气压，初始协 方差矩阵P0仅影响滤波初始效果，取较小值即可，如
测量误差R是 反映传感器得到信息质量的优劣，传感器得到信号质量越差，则R应越大，从而有更强 的滤波效果。虽然R越大滤波效果更强，但是响应速度会变慢，因此R不宜过大。而过 程误差Q反映的是在测量过程中受到别的环境因素影响的大小，如气压计易受到风、 温度的干扰之类的，当Q为0时，得到的滤波效果会非常平滑，但是会存在累积误差 之类的缺点，当Q较大时，滤波效果会变差，一般Q取一个较小值比较合适，此处取
第二步，计算本次状态预测
将上一步得到的系统状态最优估计X(k-1)(即轿厢高度、速度、加速度)代入状态方程得到本次状态预测
初 始状态X(0)为零矩阵；
第三步，计算本次协方差矩阵预测
协方差矩阵P为三阶矩阵，P(k-1)为上次协方差矩阵，初始协方差矩阵P(0)为对角阵，对角上每个 p值为三个变量对应的初始协方差，取1-10。本系统中，Γ为单位矩阵，环境噪声矩阵 Q为3阶对角阵，对角上的每个q值为三个变量对应的过程误差；
第四步，计算滤波增益矩阵
由上一步得到的
输出矩阵H以及初始化时设定好的观测噪声矩阵R计算得到本次滤波增益矩阵 K(k)；
第五步，计算本次状态最优估计
对第一步得到预测状态进行修正得到本次最优估计。其中Y(k)为经过最小二乘法校正并去 除重力加速度的竖直加速度aver与气压计读取到的当前位置气压值Pre；
第六步，更新协方差矩阵
根据第三步得到的增益矩阵K(k)与第二步得到的协方差矩阵
得到本次协方差矩阵P(k)。
在第五步中得到的状态X(k)即为卡尔曼滤波并数据融合得到的轿厢高度、速度和加速度，根据轿厢的速度可判断出轿厢运行的方向为上行下行还是停梯，根据轿厢高 度并结合已有的楼层高度课判断出轿厢当前的位置。
与轿厢状态判断同时进行的还有轿门状态判断。由于轿门一次开关时间较短，且位移较短，其状态可通过对加速度计水平方向的加速度进行频域积分得到。
参阅图8，上面的波形为水平方向加速度波形，下面的波形为水平方向速度波， 形经过频域滤波后速度基本没有累积误差，判断准确，频域积分可分为以下几个步骤：
第一步，计算频域数组。以采样频率sf＝1kHz，记录1秒内的水平加速度值作为 时域数组，对其进行快速傅里叶变换得到频域数组，为FFT计算方便起见，频域数组 长度nfft取2的幂次个采样点如1024个点，则频率间隔
使用FFT 算法将加速度时域数组转到频域后得到关于500Hz对称的频域数组；
第二步，计算ω数组。由频率间隔df得到角频率间隔dω＝2π×df＝6.139，则ω数组为
第三步，积分相位变换。根据频域积分公式，每次积分顺时针旋转90度。一次积分：Fi＝-imag(Fi)+j×real(Fi)，二次积分Fi＝-real(Fi)+j×imag(Fi)，其中 real(Fi)为Fi的实部，imag(Fi)为Fi的虚部；
第四步，积分频域变换。第三步相位变换后的结果依次除以ω数组
第五步，滤波。将第四步得到的积分后的频域数组进行滤波(即相关频率分量置零或根据窗口函数做相应衰减)，此处滤波采用的窗函数为矩形窗，低通与高通频率 点计算公式分别为
其中Fmin为低通截止频率，Fmax为高通截止频率。
第六步，返回时域得到积分。把第五步得到的频域数组通过快速傅里叶逆变换返回时域，得到最终积分结果。
另外，检测装置可根据由外部通信接口得到的平层信号对竖直方向加速度进一步校正，具体方法为：
当接收到平层信号后，延迟两秒，开始记录竖直方向上的加速度，记录约3秒的 加速度取其平均值，作为加速度偏移的补偿。
以上仅是本发明的优选实施方式，应当指出的是，上述优选实施方式不应视为对本发明的限制，本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领 域的普通技术人员来说，在不脱离本发明的精神和范围内，还可以做出若干改进和润 饰，这些改进和润饰也应视为本发明的保护范围。
Claims (3)
1.一种用于检测轿厢运动状态的智能检测装置，其特征在于，其包括：
一加速度计，所述加速度计需要能采集两轴或两轴以上的加速度，用于获取所述轿厢运动时加速度；
一气压计，所述气压计用于获取所述轿厢当前位置的气压值；
一MCU，所述MCU用于接收所述加速度计采集到的所述轿厢的运动数据及所述气压计采集到的所述气压值，然后使用三阶卡尔曼算法对运动数据进行处理最终得到所述轿厢的状态并输出；
所述三阶卡尔曼算法具体为：所述MCU能够以所述加速度计得到的加速度以及所述气压计得到的气压值作为观测值，进行三阶卡尔曼滤波得到所述轿厢当前加速度、速度以及高度，其中测量输入为垂直方向加速度以及当前位置的气压值，状态输出为加速度、速度以及高度；所述三阶卡尔曼算法中的三阶卡尔曼状态方程为：
Y(k)＝HX(k)+V
其中
ΓW＝0，
其中h(k)、v(k)、a(k)为轿厢当前的高度、速度、加速度，h(k+1)、v(k+1)、a(k+1)为通过状态方程预测得到的下一时刻轿厢的高度、速度、加速度，T为采样周期，Pre(k)为轿厢当前位置气压观测值，acc(k)为当前垂直方向加速度观测值，K为气压高度系数，Preref为参考平面气压值，气压高度系数K与参考平面气压值Preref通过外部信号实时校正；
所述MCU由所述加速度计与所述气压计获取的数据，能够通过最小二乘法对所述加速度计采集的三轴加速度值进行修正，所述最小二乘法的拟合曲面为：
(k1x+b1)2+(k2y+b2)2+(k3z+b3)2＝G2
其中x、y、z分别为加速度计在固定姿态且保持静止时采集到的三轴原始加速度数据，k1、k2、k3为线性校正系数，b1、b2、b3为线性校正偏移，G为重力加速度；
最优化方程为：
其中G为重力加速度，K为线性校正系数矩阵
B为线性校正偏移矩阵
Xi为原始三轴加速度
线性校正计算公式为：
其中
为1×n矩阵，每个元素为G2；
另外，线性校正偏移矩阵B能进一步通过外部信号实时校正；
所述MCU能够以水平方向的加速度作为时域数组，经过傅里叶变换后转为频域，在频域中分别进行一次积分与二次积分，使用窗函数对通带外的频率分量衰减或去除后，再使用傅里叶逆变换转回时域从而得到所述轿厢的轿门的速度以及位移；所述频域一次、二次积分公式为：
其中为τ采样时间点，f(τ)为加速度时域数组，ω为频率点F(ω)为加速度频域数组，δ(ω)为单位脉冲信号，j为虚数单位；当输入的水平方向的加速度作为时域数组经过最小二乘法校正时，得到更高精度的轿门状态数据。
2.根据权利要求1所述一种用于检测轿厢运动状态的智能检测装置，其特征在于，智能检测装置安装位置为任意一扇轿门外侧的任意位置，开关轿门时所述检测装置位于厅门及轿门中间，且随轿门运动而运动；所述MCU与所述加速度计及气压计的通信方式包括UART、I2C或SPI，所述MCU输出轿厢的状态的方式包括UART、蓝牙、WIFI、RS485、RS232、RS422或以太网。
3.根据权利要求1所述一种用于检测轿厢运动状态的智能检测装置，其特征在于，所述MCU能根据加速度计及气压计采集的数据处理得到的所述轿厢当前加速度、速度、高度及其轿门的加速度、速度、位移判断所述轿厢处于上行、下行或静止状态以及所述轿门开门、关门、开门到位及关门到位状态，并能将轿厢当前加速度、速度、高度、上行、下行及静止状态和所述轿门的加速度、速度、位置、开门、关门、开门到位及关门到位状态作为轿厢及轿门状态通过通信接口输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910542107.1A CN110540118B (zh) | 2019-06-21 | 2019-06-21 | 一种用于检测轿厢运动状态的智能检测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910542107.1A CN110540118B (zh) | 2019-06-21 | 2019-06-21 | 一种用于检测轿厢运动状态的智能检测装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110540118A CN110540118A (zh) | 2019-12-06 |
| CN110540118B true CN110540118B (zh) | 2021-04-09 |
Family
ID=68709655
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910542107.1A Active CN110540118B (zh) | 2019-06-21 | 2019-06-21 | 一种用于检测轿厢运动状态的智能检测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110540118B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111397551B (zh) * | 2020-03-11 | 2021-07-20 | 支付宝(杭州)信息技术有限公司 | 基于气压的位移识别方法以及装置 |
| CN111776904B (zh) * | 2020-07-16 | 2023-03-28 | 广州独角鲸信息科技有限公司 | 一种电梯运行数据采集器及其数据采集方法 |
| CN111896052A (zh) * | 2020-07-28 | 2020-11-06 | 广州中科智巡科技有限公司 | 用于监测高空作业安全的实现方法、监测高空作业安全的佩戴装置 |
| US20220033217A1 (en) * | 2020-07-30 | 2022-02-03 | Otis Elevator Company | Multi-car elevator system with autonomous car movers configured for collision avoidance |
| EP3960675B1 (en) * | 2020-08-24 | 2024-10-02 | KONE Corporation | Monitoring of a door of an elevator with a pressure sensor |
| CN112693985B (zh) * | 2020-12-10 | 2022-06-21 | 太原理工大学 | 一种融合传感器数据的非侵入式电梯状态监测方法 |
| CN113264430B (zh) * | 2021-06-22 | 2023-02-03 | 浙江新再灵科技股份有限公司 | 融合多传感器数据的开门走梯实时检测方法 |
| CN114809856B (zh) * | 2022-04-29 | 2024-08-23 | 上海思岚科技有限公司 | 一种用于确定电控门开关时运动状态的方法与设备 |
| CN117735352B (zh) * | 2024-01-26 | 2024-07-26 | 广州励心物联科技有限公司 | 一种电梯运行方向判断方法、系统及设备 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104197927B (zh) * | 2014-08-20 | 2017-06-23 | 江苏科技大学 | 水下结构检测机器人实时导航系统及方法 |
| US10407275B2 (en) * | 2016-06-10 | 2019-09-10 | Otis Elevator Company | Detection and control system for elevator operations |
| CN107337041B (zh) * | 2017-01-23 | 2019-04-09 | 大连奥远电子股份有限公司 | 一种采集电梯轿厢运动信息的系统 |
| CN107651516B (zh) * | 2017-09-27 | 2019-06-21 | 宁夏电通物联网科技股份有限公司 | 基于三轴气压霍尔的电梯楼层检测装置及检测系统及方法 |
| CN108903929B (zh) * | 2018-03-30 | 2021-02-26 | 广东思派康电子科技有限公司 | 心率检测修正的方法、装置、存储介质和系统 |
| CN109704163B (zh) * | 2019-01-18 | 2020-05-12 | 西人马帝言(北京)科技有限公司 | 电梯运行状态监测方法和装置 |
-
2019
- 2019-06-21 CN CN201910542107.1A patent/CN110540118B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110540118A (zh) | 2019-12-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110540118B (zh) | 一种用于检测轿厢运动状态的智能检测装置 | |
| CN103425146B (zh) | 一种基于角加速度的惯性稳定平台干扰观测器设计方法 | |
| CN104567799B (zh) | 基于多传感器信息融合的小型旋翼无人机高度测量方法 | |
| CA2381196C (en) | Vibration compensation for sensors | |
| CN110017837B (zh) | 一种姿态抗磁干扰的组合导航方法 | |
| CN106500693B (zh) | 一种基于自适应扩展卡尔曼滤波的ahrs算法 | |
| US20190277655A1 (en) | Self-calibrating inertial measurement system and method | |
| CN101105126B (zh) | 基于微石英角速率传感器的随钻方位测量误差补偿方法 | |
| CN102914308B (zh) | 一种基于新息正交性的抗野值联邦滤波方法 | |
| CN111076748A (zh) | 基于mems加速度计的水平倾角仪误差补偿方法及系统 | |
| CN111561930A (zh) | 一种车载mems陀螺仪随机漂移误差的抑制方法 | |
| Suh et al. | Attitude estimation adaptively compensating external acceleration | |
| US8371165B2 (en) | MEMS gyroscope | |
| CN109612665A (zh) | 辨识整星挠性振动模态参数的方法与系统 | |
| Yongpan et al. | Real-time zero phase filtering for heave measurement | |
| CN116499696B (zh) | 一种提高风洞模型试验模型姿态角动态精度的方法 | |
| CN114370930A (zh) | 利用mhd微角振动传感器测量卫星结构微角振动的方法 | |
| CN112254742B (zh) | Mems惯性器件温度补偿参数在线拟合方法 | |
| CN114964214A (zh) | 一种航姿参考系统的扩展卡尔曼滤波姿态解算方法 | |
| CN114527520A (zh) | 一种用于修正原子干涉重力仪干涉条纹的振动补偿方法 | |
| CN110108301B (zh) | 模值检测动基座鲁棒对准方法 | |
| Zhuoyang et al. | A fusion algorithm of underwater dual-sensor gravimeter | |
| CN115265528B (zh) | 基于未知输入观测器的组合导航系统鲁棒抗扰滤波方法 | |
| Wang et al. | Data processing and experiment of barometric altimeter based on recursive least squares filtering | |
| CN111854728B (zh) | 一种基于广义相对熵的容错滤波方法 |
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 |