CN110647837A - 电梯曳引机特征数据收集分析方法和电梯曳引机 - Google Patents

Abstract

本发明提出了一种电梯曳引机特征数据收集分析方法，包括：S1，视频摄像头发送视频采集信号，读取摄像头数据是否收到视频图像，从而确定是否启动视频采集步骤，如果收到视频图像则启动多线程接收过程，通过在电梯曳引机中不同的视频摄像头采集的视频图像进行视频收集，从而执行视频图像获取筛选的运算过程，S2，将电流传感器采集的过载电流数据进行收集，并剔除显著异常电流数据，从而对电流数据进行阈值判断分析。

Description

电梯曳引机特征数据收集分析方法和电梯曳引机

技术领域

本发明涉及计算机领域，尤其涉及一种电梯曳引机特征数据收集分析方法和电梯曳引机。

背景技术

与高层建筑相匹配的升降式电梯需求量也大大增加。电梯为人们带来出行方便的同时也隐藏着安全风险，传统的电梯视频采集多数是采用厢体内部采集方式，即通过线缆将轿厢内的摄像头和控制中心连接起来，产生区域监视局限性、费用较高，而且由于电梯在井道中会不断上下来回运行，常常造成线缆断裂而导致监控信号的中断等问题，

相对于方差、颜色直方图等全局特征来说，局部特征对遮挡和背景干扰有较高的适应度，因此被广泛应用在图像匹配、目标识别等领域。局部不变描述可以获得局部特征对各种条件变化的不变性，并将图像匹配或特征匹配问题转化为特征向量的相似性度量问题。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种电梯曳引机特征数据收集分析方法。

为了实现本发明的上述目的，本发明提供了一种电梯曳引机特征数据收集分析方法，包括如下步骤：

S1，视频摄像头发送视频采集信号，读取摄像头数据是否收到视频图像，从而确定是否启动视频采集步骤，如果收到视频图像则启动多线程接收过程，通过在电梯曳引机中不同的视频摄像头采集的视频图像进行视频收集，从而执行视频图像获取筛选的运算过程，

S2，将电流传感器采集的过载电流数据进行收集，并剔除显著异常电流数据，从而对电流数据进行阈值判断分析。

优选的，所述S1包括：

将整个曳引机钢索视频图像数据划分为若干视频片段，每个视频片段包含N张图片；获得视频片段的图片数据集S₁,S₂,...,S_n和记录输入的视频片段图片数据集序列对(S₁,S₂),(S₂,S₃),...,(S_n-1,S_n)；定位曳引机钢索起始点和终点，从视频片段头部的图片数据集序列对(S₁,S₂)开始，曳引机铺满钢索作为钢索头部的特征；容视频片段尾部的图片数据集序列对(S_n-1,S_n)对曳引机钢索的尾部进行判断，确定即将到达曳引机钢索尾部的特征。

优选的，所述S1还包括：

将每一组图片序列对转化成灰度图G，即：

其中s₁为红色像素点转换数量，s₂为绿色像素点转换数量，s₃为蓝色像素点转换数量，W为灰度图转换阈值；R，G，B分别是三基色的色彩空间三个通道。

选的，所述S1还包括：

灰度共生矩阵GLCM测量定义为：

其中，

表示距离γ和方向

集合中图片数据集的第一灰度级i和第二灰度级j的展示次数；α表示灰度级的量化因子；β表示灰度级的调节因子；将灰度级降到低像素；γ为3、5、7距离；

选取角度坐标为0度、90度、180度270度。

优选的，所述S1还包括：

对于图片数据集的每个像素点进行维度描述计算：

在均匀分布在曳引机钢索图像半径为R的圆上的N个像素点中，m_i和m_i+N指图片数据集中心对称像素点的第一灰度级数据对，u为第一灰度级像素点获取参数，v为第二灰度级像素点获取参数，m_j和m_j+N指图片数据集中心对称像素点的第二灰度级数据对，LBP的维度为2ⁱ·2^j，h[*]为第一灰度级和第二灰度级的计算函数，s为第一灰度级数据对计算函数，k为第二灰度级数据对计算函数；

其中

D为[0,1]的判断阈值。

优选的，所述S1还包括：

利用图片数据集中灰度图横向角度计算

其中q_i,j为第一灰度级和第二灰度级的像素点采集个数，随着i和j的增加而变化，

利用图片数据集中灰度图纵向角度计算

rx为横向角度灰度级的获取半径，ry为纵向角度灰度级的获取半径，

设置第一灰度级和第二灰度级能够对视频图像中的不同灰度级别进行更加准确的判断，从而确定曳引机钢索是否存在潜在风险。

优选的，所述S1还包括：

曳引机钢索图片数据集对比度的纹理特征进行因子计算：

其中，L_i,j为第一灰度级和第二灰度级图片纹理特征获取量；ψ_i,j为第一灰度级和第二灰度级图片有效利用量，H为图片数据集图片获取总量，e_i为第一灰度级图片损失量系数，z_i,j第一灰度级和第二灰度级图片差异系数，Q_i,j为图片数据集中过滤的第一灰度级和第二灰度级图片量，Z为第一灰度级和第二灰度级图片优质图片获取因子；

曳引机钢索图片数据集相关性的纹理特征进行因子计算：

其中，ε₁为权重向量，ε₂为偏置阈值；

根据曳引机钢索图片数据集的对比度和相关性因子运算之后，以视频图像帧特征点为中心划定16:9或者4:3比例像素区域，对曳引机钢索图片数据集每个像素点进行维度描述计算；然后用直方图来统计图片比例，每个像素点对直方图的贡献率由加权之后决定；最终得到曳引机图片数据集的灰度特征点引导检测图片，并完成坐标轴定位；根据收敛之后的图片数据，完成对特征点的提炼收集，对提炼收集后的图片数据进行一次归一化处理以去除线性光照变化的影响，从而消除非线性光照变化的影响。

优选的，所述S2还包括：处理器进行电流的裕度、峭度、峰值指标、脉冲指标、峰值、均方根值的分析，进行功率谱、功率密度谱、小波变换、倒谱或包络分析；而且对于温度的曲线变化以及尖峰和波谷进行数据判断，从而判断曳引机电机是否存在安全风险。对于其进一步的数据获取以及降噪处理需要通过深度神经网络学习后，进行安全风险判断。

优选的，还包括：S3，温度传感器获取曳引机温度数据，并同时收集张力传感器关于曳引机钢索张力数据，将收集的全部温度数据与待录入的温度数据、电流数据和张力数据进行约束关系判断，从而形成曳引机在工作过程中的安全运行收敛函数；

S4，将安全运行收敛阈值传输到智能终端，智能终端同时收集在线实时获取的其它曳引机的视频、电流、温度和张力数据，并更新相应的计算数据，从而更新曳引机安全运行收敛函数。

本发明还公开一种电梯曳引机，其特征在于，包括权利要求1所述方法的电梯曳引机数据收集系统。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

通过上述数据收集系统获取曳引机的特征数据，并将全部曳引机的特征数据进行收集整理，通过数据挖掘方式数据收集和分析，从而提前预判曳引机的工作状态，排除故障险情，从而提高电梯使用者的体验效果，增强电梯安全性提供了一定的技术支持。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明电路示意图；

图2是本发明工作方法示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

如图1所示，电梯曳引机数据收集系统，包括视频摄像头信号采集端连接处理器视频信号接收端，温度传感器信号发送端连接处理器温度信号采集端，电流传感器信号发送端连接处理器电流信号采集端，张力传感器信号发送端连接处理器张力信号采集端，处理器数据发送端连接数据传输单元信号接收端，数据传输单元信号发送端连接智能终端信号接收端。其中采用多个视频摄像头对电梯曳引机部分进行实时监控，包括曳引机本体，曳引机线缆和曳引机电机等，对于温度传感器获取曳引机线缆以及曳引机电机等设备进行温度收集，通过电流传感器进行电机电流采集，以及张力传感器进行曳引机电缆张力数据采集。从而收集曳引机综合数据。

若干收集系统获取电梯曳引机相应数据进行数据学习和提炼分析，并通过智能终端进行汇总处理和计算分析。

如图2所示，本发明提出了一种电梯曳引机特征数据收集分析方法，包括：

S1，视频摄像头发送视频采集信号，读取摄像头数据是否收到视频图像，从而确定是否启动视频采集步骤，如果收到视频图像则启动多线程接收过程，通过在电梯曳引机中不同的视频摄像头采集的视频图像进行视频收集，从而执行视频图像获取筛选的运算过程，

S2，将电流传感器采集的过载电流数据进行收集，并剔除显著异常电流数据，从而对电流数据进行阈值判断分析；

S3，温度传感器获取曳引机温度数据，并同时收集张力传感器关于曳引机钢索张力数据，将收集的全部温度数据与待录入的温度数据、电流数据和张力数据进行约束关系判断，从而形成曳引机在工作过程中的安全运行收敛函数；

S4，将安全运行收敛阈值传输到智能终端，智能终端同时收集在线实时获取的其它曳引机的视频、电流、温度和张力数据，并更新相应的计算数据，从而更新曳引机安全运行收敛函数。

所述S1还包括：将整个曳引机钢索视频图像数据划分为若干视频片段，每个视频片段包含N张图片；获得视频片段的图片数据集S₁,S₂,...,S_n和记录输入的视频片段图片数据集序列对(S₁,S₂),(S₂,S₃),...,(S_n-1,S_n)；定位曳引机钢索起始点和终点，从视频片段头部的图片数据集序列对(S₁,S₂)开始，曳引机铺满钢索作为钢索头部的特征；容视频片段尾部的图片数据集序列对(S_n-1,S_n)对曳引机钢索的尾部进行判断，确定即将到达曳引机钢索尾部的特征；

将每一组图片序列对转化成灰度图G，即：

其中s₁为红色像素点转换数量，s₂为绿色像素点转换数量，s₃为蓝色像素点转换数量，W为灰度图转换阈值；R，G，B分别是三基色的色彩空间三个通道；

灰度共生矩阵GLCM测量定义为：

其中，表示距离γ和方向

集合中图片数据集的第一灰度级i和第二灰度级j的展示次数；α表示灰度级的量化因子；β表示灰度级的调节因子；将灰度级降到低像素；γ为3、5、7距离；选取角度坐标为0度、90度、180度270度；

对于图片数据集的每个像素点进行维度描述计算：

在均匀分布在曳引机钢索图像半径为R的圆上的N个像素点中，m_i和m_i+N指图片数据集中心对称像素点的第一灰度级数据对，u为第一灰度级像素点获取参数，v为第二灰度级像素点获取参数，m_j和m_j+N指图片数据集中心对称像素点的第二灰度级数据对，LBP的维度为2ⁱ·2^j，h[*]为第一灰度级和第二灰度级的计算函数，s为第一灰度级数据对计算函数，k为第二灰度级数据对计算函数；

其中

D为[0,1]的判断阈值，

利用图片数据集中灰度图横向角度计算

其中q_i,j为第一灰度级和第二灰度级的像素点采集个数，随着i和j的增加而变化，

利用图片数据集中灰度图纵向角度计算

rx为横向角度灰度级的获取半径，ry为纵向角度灰度级的获取半径，

设置第一灰度级和第二灰度级能够对视频图像中的不同灰度级别进行更加准确的判断，从而确定曳引机钢索是否存在潜在风险。

曳引机钢索图片数据集对比度的纹理特征进行因子计算：

其中，L_i,j为第一灰度级和第二灰度级图片纹理特征获取量；ψ_i,j为第一灰度级和第二灰度级图片有效利用量，H为图片数据集图片获取总量，e_i为第一灰度级图片损失量系数，z_i,j第一灰度级和第二灰度级图片差异系数，Q_i,j为图片数据集中过滤的第一灰度级和第二灰度级图片量，Z为第一灰度级和第二灰度级图片优质图片获取因子；

曳引机钢索图片数据集相关性的纹理特征进行因子计算：

其中，ε₁为权重向量，ε₂为偏置阈值，128为图片像素数量；

根据曳引机钢索图片数据集的对比度和相关性因子运算之后，以视频图像帧特征点为中心划定16:9或者4:3比例像素区域，对曳引机钢索图片数据集每个像素点进行维度描述计算；然后用直方图来统计图片比例，每个像素点对直方图的贡献率由加权之后决定；最终得到曳引机图片数据集的灰度特征点引导检测图片，并完成坐标轴定位；根据收敛之后的图片数据，完成对特征点的提炼收集，对提炼收集后的图片数据进行一次归一化处理以去除线性光照变化的影响，从而消除非线性光照变化的影响。

处理器进行电流的裕度、峭度、峰值指标、脉冲指标、峰值、均方根值的分析，进行功率谱、功率密度谱、小波变换、倒谱或包络分析；而且对于温度的曲线变化以及尖峰和波谷进行数据判断，从而判断曳引机电机是否存在安全风险。对于其进一步的数据获取以及降噪处理需要通过深度神经网络学习后，进行安全风险判断。

在运行过程中检测到运行图片数据曲线的某个范围出现一个微小的脉冲，该脉冲超出允许的运行速度误差范围，则判断可能存在曳引机钢索在质量完整性、张力范围阈值判断，从而避免损坏的风险。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (10)

1.一种电梯曳引机特征数据收集分析方法，其特征在于，包括如下步骤：

S1，视频摄像头发送视频采集信号，读取摄像头数据是否收到视频图像，从而确定是否启动视频采集步骤，如果收到视频图像则启动多线程接收过程，通过在电梯曳引机中不同的视频摄像头采集的视频图像进行视频收集，从而执行视频图像获取筛选的运算过程，

S2，将电流传感器采集的过载电流数据进行收集，并剔除显著异常电流数据，从而对电流数据进行阈值判断分析。

2.根据权利要求1所述的电梯曳引机特征数据收集分析方法，其特征在于，所述S1包括：

将整个曳引机钢索视频图像数据划分为若干视频片段，每个视频片段包含N张图片；获得视频片段的图片数据集S₁,S₂,...,S_n和记录输入的视频片段图片数据集序列对(S₁,S₂),(S₂,S₃),...,(S_n-1,S_n)；定位曳引机钢索起始点和终点，从视频片段头部的图片数据集序列对(S₁,S₂)开始，曳引机铺满钢索作为钢索头部的特征；容视频片段尾部的图片数据集序列对(S_n-1,S_n)对曳引机钢索的尾部进行判断，确定即将到达曳引机钢索尾部的特征。

3.根据权利要求2所述的电梯曳引机特征数据收集分析方法，其特征在于，所述S1还包括：

将每一组图片序列对转化成灰度图G，即：

其中s₁为红色像素点转换数量，s₂为绿色像素点转换数量，s₃为蓝色像素点转换数量，W为灰度图转换阈值；R，G，B分别是三基色的色彩空间三个通道。

4.根据权利要求1所述的电梯曳引机特征数据收集分析方法，其特征在于，所述S1还包括：

灰度共生矩阵GLCM测量定义为：

其中，

表示距离γ和方向集合中图片数据集的第一灰度级i和第二灰度级j的展示次数；α表示灰度级的量化因子；β表示灰度级的调节因子；将灰度级降到低像素；γ为3、5、7距离；

选取角度坐标为0度、90度、180度270度。

5.根据权利要求4所述的电梯曳引机特征数据收集分析方法，其特征在于，所述S1还包括：

对于图片数据集的每个像素点进行维度描述计算：

在均匀分布在曳引机钢索图像半径为R的圆上的N个像素点中，m_i和m_i+N指图片数据集中心对称像素点的第一灰度级数据对，u为第一灰度级像素点获取参数，v为第二灰度级像素点获取参数，m_j和m_j+N指图片数据集中心对称像素点的第二灰度级数据对，LBP的维度为2ⁱ·2^j，h[*]为第一灰度级和第二灰度级的计算函数，s为第一灰度级数据对计算函数，k为第二灰度级数据对计算函数；

其中

D为[0,1]的判断阈值。

6.根据权利要求5所述的电梯曳引机特征数据收集分析方法，其特征在于，所述S1还包括：

利用图片数据集中灰度图横向角度计算

其中q_i,j为第一灰度级和第二灰度级的像素点采集个数，随着i和j的增加而变化，

利用图片数据集中灰度图纵向角度计算

rx为横向角度灰度级的获取半径，ry为纵向角度灰度级的获取半径，

设置第一灰度级和第二灰度级能够对视频图像中的不同灰度级别进行更加准确的判断，从而确定曳引机钢索是否存在潜在风险。

7.根据权利要求6所述的电梯曳引机特征数据收集分析方法，其特征在于，所述S1还包括：

曳引机钢索图片数据集对比度的纹理特征进行因子计算：

其中，L_i,j为第一灰度级和第二灰度级图片纹理特征获取量；ψ_i,j为第一灰度级和第二灰度级图片有效利用量，H为图片数据集图片获取总量，e_i为第一灰度级图片损失量系数，z_i,j第一灰度级和第二灰度级图片差异系数，Q_i,j为图片数据集中过滤的第一灰度级和第二灰度级图片量，Z为第一灰度级和第二灰度级图片优质图片获取因子；

曳引机钢索图片数据集相关性的纹理特征进行因子计算：

其中，ε₁为权重向量，ε₂为偏置阈值；

根据曳引机钢索图片数据集的对比度和相关性因子运算之后，以视频图像帧特征点为中心划定16:9或者4:3比例像素区域，对曳引机钢索图片数据集每个像素点进行维度描述计算；然后用直方图来统计图片比例，每个像素点对直方图的贡献率由加权之后决定；最终得到曳引机图片数据集的灰度特征点引导检测图片，并完成坐标轴定位；根据收敛之后的图片数据，完成对特征点的提炼收集，对提炼收集后的图片数据进行一次归一化处理以去除线性光照变化的影响，从而消除非线性光照变化的影响。

8.根据权利要求7所述的电梯曳引机特征数据收集分析方法，其特征在于，所述S2还包括：处理器进行电流的裕度、峭度、峰值指标、脉冲指标、峰值、均方根值的分析，进行功率谱、功率密度谱、小波变换、倒谱或包络分析；而且对于温度的曲线变化以及尖峰和波谷进行数据判断，从而判断曳引机电机是否存在安全风险。对于其进一步的数据获取以及降噪处理需要通过深度神经网络学习后，进行安全风险判断。

9.根据权利要求1所述的电梯曳引机特征数据收集分析方法，其特征在于，还包括：S3，温度传感器获取曳引机温度数据，并同时收集张力传感器关于曳引机钢索张力数据，将收集的全部温度数据与待录入的温度数据、电流数据和张力数据进行约束关系判断，从而形成曳引机在工作过程中的安全运行收敛函数；

S4，将安全运行收敛阈值传输到智能终端，智能终端同时收集在线实时获取的其它曳引机的视频、电流、温度和张力数据，并更新相应的计算数据，从而更新曳引机安全运行收敛函数。

10.一种电梯曳引机，其特征在于，包括权利要求1所述方法的电梯曳引机数据收集系统。

Images