CN110894038B - 电梯门系统运行状态的预测方法及装置 - Google Patents
电梯门系统运行状态的预测方法及装置 Download PDFInfo
- Publication number
- CN110894038B CN110894038B CN201911143066.5A CN201911143066A CN110894038B CN 110894038 B CN110894038 B CN 110894038B CN 201911143066 A CN201911143066 A CN 201911143066A CN 110894038 B CN110894038 B CN 110894038B
- Authority
- CN
- China
- Prior art keywords
- health value
- door system
- elevator door
- algorithm
- data
- 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
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
- Indicating And Signalling Devices For Elevators (AREA)
- Maintenance And Inspection Apparatuses For Elevators (AREA)
Abstract
本申请公开了一种电梯门系统运行状态的预测方法及装置。根据采集的电梯门系统的运行数据，构建电梯门系统的运行数据矩阵，运行数据包括电梯门系统的控制器局域网络总线的数据和振动数据；对运行数据矩阵进行特征提取，得到特征向量；采用健康评估算法，对特征向量进行健康评估，得到电梯门系统运行的健康值；根据运行的特征数据和所述健康值，对未来时刻的健康值进行预测，得到电梯门系统在预测时间段的运行性能退化信息。该方法实现了对电梯门系统的性能劣化趋势的精准预测，提高了电梯门系统运行的可靠性。
Description
技术领域
本申请涉及电梯性能维护技术领域，尤其涉及一种电梯门系统运行状态的预测方法及装置。
背景技术
中国城镇化进程的不断加快、高层建筑正逐年增长，电梯日益成为人们出行便捷的垂直运输工具。但作为特征设备家族中的重要成员，其安全隐患日益受到大家的关注，尤其是电梯的门系统，一旦发生故障将影响到整机的正常运行，甚至造成乘客伤亡。据统计，80％以上的电梯故障，以及70％以上的电梯事故均因门系统出问题而造成的。由此可见，对电梯门系统进行状态监测非常重要。
目前对电梯研究，主要集中在电梯的故障健康诊断方面：对电梯控制器局域网络(Controller Area Network，CAN)总线上实时的运行数据进行特征提取，建立故障预警与诊断模型，并采用贝叶斯算法，对收集各类故障样本进行训练，判别出不同故障发生的概率。
然而，采用贝叶斯网络建模，需要丰富的先验知识的积累，对行业经验和历史资料要求高，导致建模的准确率具有不确定性，且上述的电梯故障健康诊断方法只是基于电梯CAN总线传输的数据进行故障概率分析，不能预测出电梯门系统的性能劣化趋势，且分析数据不够全面、没有针对性，导致对电梯门系统的性能劣化趋势的预测不准确。
发明内容
本申请实施例提供一种电梯门系统运行状态的预测方法及装置，解决了现有技术存在的上述问题，以实现对电梯门系统的性能劣化趋势的精准预测。
第一方面，提供了一种电梯门系统运行状态的预测方法，该方法可以包括：
根据采集的电梯门系统的运行数据，构建所述电梯门系统的运行数据矩阵，所述运行数据包括所述电梯门系统的控制器局域网络总线的数据和振动数据；
对所述运行数据矩阵进行特征提取，得到特征向量；
采用健康评估算法，对所述特征向量进行健康评估，得到所述电梯门系统运行的健康值，所述健康值用于衡量所述电梯门系统的运行状态；
根据运行的特征数据和所述健康值，对预测时间段中未来时刻的健康值进行预测，得到所述电梯门系统在所述预测时间段的运行性能退化信息，所述运行性能退化信息包括所述电梯门系统的运行性能退化到预设的健康值阈值所需的时间，以及所述电梯门系统的运行性能的退化趋势。
在一个可选的实现中，对所述运行数据矩阵进行特征提取，得到特征向量，包括：
采用主成分分析算法，对所述运行数据矩阵进行主成分分析，得到贡献率大于预设比例阈值的特征向量，所述贡献率表示特征向量的特征值占所述运行数据矩阵的全部特征向量的特征值的比重。
在一个可选的实现中，采用健康评估算法，对所述特征向量进行健康评估，得到所述电梯门系统运行的健康值，包括：
采用高斯混合算法，对所述特征向量进行运算，得到所述特征向量的高斯分布函数；
采用健康值算法，对所述得到的高斯分布函数和预设的基准高斯分布函数进行运算，得到所述电梯门系统运行的健康值，所述基准高斯分布函数为所述电梯门系统正常工作时的运行数据对应的高斯分布函数。
在一个可选的实现中，所述特征向量的高斯分布函数表示为：
其中，μ为均值,σ为方差，x为特征向量；
所述健康值算法的计算公式表示为：
其中，g1(x)为实时获取的特征向量x的高斯分布函数，g2(x')为基准高斯分布函数。
在一个可选的实现中，所述运行的特征数据包括节假日特征数据、季节特征数据和趋势特征数据；
根据运行的特征数据和所述健康值，对预测时间段中未来时刻的健康值进行预测，得到所述电梯门系统在所述预测时间段的运行性能退化信息，包括：
根据所述节假日特征数据、所述季节特征数据、所述趋势特征数据和所述健康值，建立prophet预测模型函数；
采用所述prophet预测模型的预测算法，对所述未来时刻进行健康值的预测，得到所述未来时刻的预测健康值；
若所述未来时刻的预测健康值为所述预设的健康值阈值，则根据所述未来时刻与所述预测时间段的预测开始时刻，获取所述电梯门系统在所述预设时间段的运行性能退化到所述健康值阈值所需的时间，以及所述电梯门系统的运行性能的退化趋势。
在一个可选的实现中，所述prophet预测模型函数表示为；
y(t)＝g(t)+s(t)+h(t)+ε(t)；
其中，g(t)分析时间序列中非周期性的变化。s(t)代表周期性的变化，例如一周或一年的周期性。h(t)代表节假日等偶然一天或几天造成的影响。ε(t)代表本模型没有考虑到的误差；
所述预测算法的计算公式表示为；
y(t)～normal(C(t)/(1+exp(-(k+A*delta)*(t-(m+A*gamma)))) +X*beta,epsilon)；
其中，C(t)表示承载量，X表示所述趋势特征数据、所述季节特征数据、所述节假日特征数据和所述健康值组合的矩阵，矩阵A表示突变点数据，k， m，beta，epsilon为模型参数，且均服从正态分布，delta与gamma为预设参数。
在一个可选的实现中，所述方法还包括：
采用模型效果评估算法，对所述prophet预测模型进行效果评估，确定所述prophet预测模型的评估准确性。
在一个可选的实现中，采用模型效果评估算法，对所述prophet预测模型进行效果评估，确定所述prophet预测模型的评估准确性，包括：
采用所述prophet预测模型的预测算法，对历史时刻进行健康值的预测，得到所述历史时刻的预测健康值；
采用模型效果评估算法，对所述历史时刻的预测健康值与所述历史时刻的健康值进行运算，获取评估效果；
若所述评估效果达到预期的精度要求，则确定所述prophet预测模型的评估具有准确性。
在一个可选的实现中，所述模型效果评估算法包括MAPE评估算法和 RMSE评估算法。
所述MAPE评估算法的公式可以表示为：
所述RMSE评估算法的公式可以表示为：
其中，y为所述历史时刻的健康值，yhat为所述历史时刻的预测健康值，n 为预测数据的数量。
在一个可选的实现中，所述方法还包括：
根据所述预测时间段的时长，确定所述预期的精度要求。
第二方面，提供了一种电梯门系统运行状态的预测装置，该装置可以包括：构建单元、提取单元、评估单元和预测单元；
所述构建单元，用于根据采集的电梯门系统的运行数据，构建所述电梯门系统的运行数据矩阵，所述运行数据包括所述电梯门系统的控制器局域网络总线的数据和振动数据；
所述提取单元，用于对所述运行数据矩阵进行特征提取，得到特征向量；
所述评估单元，用于采用健康评估算法，对所述特征向量进行健康评估，得到所述电梯门系统运行的健康值，所述健康值用于衡量所述电梯门系统的运行状态；
所述预测单元，用于根据运行的特征数据和所述健康值，对预测时间段中未来时刻的健康值进行预测，得到所述电梯门系统在所述预测时间段的运行性能退化信息，所述运行性能退化信息包括所述电梯门系统的运行性能退化到预设的健康值阈值所需的时间，以及所述电梯门系统的运行性能的退化趋势。
在一个可选的实现中，所述提取单元，具体用于采用主成分分析算法，对所述运行数据矩阵进行主成分分析，得到贡献率大于预设比例阈值的特征向量，所述贡献率表示特征向量的特征值占所述运行数据矩阵的全部特征向量的特征值的比重。
在一个可选的实现中，所述评估单元，具体用于采用高斯混合算法，对所述特征向量进行运算，得到所述特征向量的高斯分布函数；
采用健康值算法，对所述得到的高斯分布函数和预设的基准高斯分布函数进行运算，得到所述电梯门系统运行的健康值，所述基准高斯分布函数为所述电梯门系统正常工作时的运行数据对应的高斯分布函数。
在一个可选的实现中，所述特征向量的高斯分布函数表示为：
其中，μ为均值,σ为方差，x为特征向量；
所述健康值算法的计算公式表示为：
其中，g1(x)为实时获取的特征向量x的高斯分布函数，g2(x')为基准高斯分布函数。
在一个可选的实现中，所述运行的特征数据包括节假日特征数据、季节特征数据和趋势特征数据；
所述预测单元，具体用于根据所述节假日特征数据、所述季节特征数据、所述趋势特征数据和所述健康值，建立prophet预测模型函数；
采用所述prophet预测模型的预测算法，对所述未来时刻进行健康值的预测，得到所述未来时刻的预测健康值；
若所述未来时刻的预测健康值为所述预设的健康值阈值，则根据所述未来时刻与所述预测时间段的预测开始时刻，获取所述电梯门系统在所述预测时间段的运行性能退化到所述健康值阈值所需的时间，以及所述电梯门系统的运行性能的退化趋势。
在一个可选的实现中，所述prophet预测模型函数表示为；
y(t)＝g(t)+s(t)+h(t)+ε(t)；
其中，g(t)分析时间序列中非周期性的变化。s(t)代表周期性的变化，例如一周或一年的周期性。h(t)代表节假日等偶然一天或几天造成的影响。ε(t)代表本模型没有考虑到的误差；
所述预测算法的计算公式表示为；
y(t)～normal(C(t)/(1+exp(-(k+A*delta)*(t-(m+A*gamma)))) +X*beta,epsilon)；
其中，C(t)表示承载量，X表示所述趋势特征数据、所述季节特征数据、所述节假日特征数据和所述健康值组合的矩阵，矩阵A表示突变点数据，k，m，beta，epsilon为模型参数，且均服从正态分布，delta与gamma为预设参数。
在一个可选的实现中，所述评估单元，还用于采用模型效果评估算法，对所述prophet预测模型进行效果评估，确定所述prophet预测模型的评估准确性。
在一个可选的实现中，所述评估单元，具体用于采用所述prophet预测模型的预测算法，对历史时刻进行健康值的预测，得到所述历史时刻的预测健康值；
采用模型效果评估算法，对所述历史时刻的预测健康值与所述历史时刻的健康值进行运算，获取评估效果；
若所述评估效果达到预期的精度要求，则确定所述prophet预测模型的评估具有准确性。
在一个可选的实现中，所述模型效果评估算法包括MAPE评估算法和 RMSE评估算法。
所述MAPE评估算法的公式可以表示为：
所述RMSE评估算法的公式可以表示为：
其中，y为所述历史时刻的健康值，yhat为所述历史时刻的预测健康值，n 为预测数据的数量。
在一个可选的实现中，所述装置还包括确定单元；
所述确定单元，用于根据所述预测时间段的时长，确定所述预期的精度要求。
第三方面，提供了一种电子设备，该电子设备包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述第一方面中任一所述的方法步骤。
第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一所述的方法步骤。
本发明实施例提供的电梯门系统运行状态的预测方法根据采集的电梯门系统的运行数据，构建电梯门系统的运行数据矩阵，运行数据包括电梯门系统的控制器局域网络总线的数据和振动数据；对运行数据矩阵进行特征提取，得到特征向量；采用健康评估算法，对特征向量进行健康评估，得到电梯门系统运行的健康值，健康值用于衡量所述电梯门系统的运行状态；根据运行的特征数据和所述健康值，对预测时间段中未来时刻的健康值进行预测，得到电梯门系统在预测时间段的运行性能退化信息，运行性能退化信息包括电梯门系统的运行性能退化到预设的健康值阈值所需的时间，以及电梯门系统的运行性能的退化趋势。与现有技术的故障诊断只能识别故障的类型相比，该方法通过 prophet预测方法可以根据电梯门系统的健康值变化反应的性能退化趋势，预测故障的发生时间，实现了对电梯门系统的性能劣化趋势的精准预测，提高了电梯门系统运行的可靠性。
附图说明
图1为本发明实施例提供的一种电梯门系统运行状态的预测方法的流程示意图；
图2为本发明实施例提供的一种电梯门系统运行状态的预测装置的结构示意图；
图3为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，并不是全部的实施例。基于本申请实施例，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，都属于本申请保护的范围。
随着信息技术与人工智能技术的应用，机械设备正由传统故障诊断向以状态监测、预测性维修和性能退化分析为主的门机智能维护领域的研究。
本申请通过数据挖掘、先进的信息技术和远程网络监控技术，对电梯的门系统进行建模分析，并对潜在的特征数据进行提取、处理，从而实现门系统的健康评估与性能退化预测。基于健康评估的结果，可预测出门系统健康状态退化趋势。
本申请提供的预测方法可以获取城市垂直电梯运行时CAN总线传输的数据和在电梯门系统上加装的振动传感器采集的数据，并对上述数据进行特征提取和数据筛选，建立高斯混合模型，之后计算在历史各个时刻下电梯门系统的健康值CV，健康值用于衡量电梯门系统的运行状态；根据计算的CV和运行的特征数据建立时间序列prophet预测模型，其中，特征数据可以包括节假日特征数据、季节特征数据和趋势特征数据；对未来时刻的CV进行预测，得到电梯门系统在预测时间段的运行性能退化信息。由此，实现了电梯门系统的健康评估与性能退化预测，可提前预知电梯门系统故障的发生，并为电梯门系统的维护预留了维护时间段，降低电梯门系统的故障率。
以下结合说明书附图对本申请的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明，并且在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
图1为本发明实施例提供的一种电梯门系统运行状态的预测方法的流程示意图。如图1所示，该方法可以包括：
步骤110、根据采集的电梯门系统的运行数据，构建电梯门系统的运行数据矩阵。
运行数据可以包括电梯门系统实时运行中CAN总线上的数据和振动数据，以及电梯门系统工作时产生的数据等。
其中，CAN总线上的数据可以包括电梯开关门速度、各工作方向的电流分量，如d轴电流分量，q轴电流分量等、电梯开始位置信息、电梯结束位置信息、电梯产生的机械能信息、电梯门系统中门电机速度误差值等。
振动数据是指在时域和频域分别对实时运行中产生的振动信号进行数据特征提取后得到的时域特征数据和频域特征数据，其中，时域特征数据可以包括从历史时刻到当前时刻的时间段内振动信号的有效值、峰值、峭度、峰度等数据，频域特征数据可以包括振动信号的变频幅值、小波能量值等数据。
可见，与现有技术相比，在数据采集方面，本发明实施例不仅考虑了电梯门系统运行时CAN总线上产生的数据，也考虑了对故障敏感的振动数据，即考虑的数据较全面，提高了对电梯门系统的健康评估与性能退化预测的精准度。
之后，根据采集的电梯门系统的运行数据，构建电梯门系统的运行数据矩阵X，运行数据矩阵X中的行表示数据特征，列表示数据值。
步骤120、对运行数据矩阵进行特征提取，得到特征向量。
为了便于计算，需要对运行数据矩阵X进行降维处理，如采用主成分分析(principal component analysis，PCA)对运行数据矩阵X进行降维。
采用主成分分析算法，对运行数据矩阵进行主成分分析，得到贡献率大于预设比例阈值的特征向量x。
贡献率表示特征向量的特征值占运行数据矩阵的全部特征向量的特征值的比重，即一个特征向量的特征值与所有特征向量的特征值的和的比值。
例如，若预设比例阈值为0.9，则表明要获取贡献率大于0.9的特征向量。
步骤130、采用健康评估算法，对特征向量进行健康评估，得到电梯门系统运行的健康值。
首先，采用高斯混合算法，对特征向量x进行运算，得到特征向量x的高斯分布函数。
特征向量x的高斯分布函数g(x)的计算公式可以表示为：
其中，μ,σ分别为均值和方差。
之后，采用健康值算法，对得到的高斯分布函数和预设的基准高斯分布函数进行运算，得到电梯门系统运行的健康值CV。
其中，健康值CV用于衡量电梯门系统的运行状态，如正常运行状态，异常运行状态、不运行状态。CV∈[0,1]，CV值越大，梯门系统的性能越接近健康状态；反之，CV值越小，梯门系统的性能越接远离健康状态，即性能退化越明显。
健康值算法的计算公式可以表示为：
其中：g1(x)为实时获取的特征向量x的高斯分布函数，g2(x')为基准高斯分布函数，基准高斯分布函数为电梯门系统正常工作时的运行数据对应的高斯分布函数。
步骤140、根据运行的特征数据和健康值，对预测时间段中未来时刻的健康值进行预测，得到电梯门系统在预测时间段的运行性能退化信息。
其中，运行的特征数据可以包括电梯门系统运行过程中的节假日特征数据、季节特征数据和趋势特征数据；运行性能退化信息包括电梯门系统的运行性能退化到预设的健康值阈值所需的时间，以及电梯门系统的运行性能的退化趋势。
在执行该步骤之前，为了提高健康值CV的准确性和真实性，可以对获取的健康值CV进行预处理，包括：获取健康值CV的值变化特征，即健康值CV 的变化曲线，并根据健康值CV的值变化特征，对健康值中的异常值、突变点进行稀疏先验处理，减缓数据的异常趋势变化。
之后，根据节假日特征数据、季节特征数据、趋势特征数据和健康值，建立prophet预测模型函数；
prophet预测模型函数表示为；
y(t)＝g(t)+s(t)+h(t)+ε(t)；
其中，g(t)分析时间序列中非周期性的变化。s(t)代表周期性的变化，例如一周或一年的周期性。h(t)代表节假日等偶然一天或几天造成的影响。ε(t)代表本模型没有考虑到的误差；
(1)趋势函数g(t)：
其中，C(t)是饱和值(承载能力)，其值随时间变化，k是增长率，m是偏置参数。
在时间序列中设置若干个突变点sj，j＝1,...,S，在这些突变点增长率会发生变化，变化量用δj表示在时间tj处的变化量，构建出向量a(t)∈{0,1}S，γ是突变点处的调整量。增长率在时间t的表达式变为：k＝a(tT)δ。
且，当增长率发生变化时，偏置参数m也应该做出相应的调整，来连接时间片段的尾部。在转折点j处对偏置的调整量如下：
(2)周期函数s(t)：
其中，P是时间序列周期(年度数据的P是365.25，周数据的P是7)。
(3)节假日函数h(t)：
对于每个节假日i，让Di设置为过去和未来节假日的集合。添加一个指示函数来表明时间t是否在节假日i中，并对每个节假日设定一个参数κi，来对应出预测中的变化。设置一个回归元的矩阵：Z(t)＝[1(t∈D1),...1(t∈DL)]，并设置节假日函数h(t)＝Z(t)κ。其中，κ～Normal(0,υ2)，即k服从高斯分布。
可见，得到的prophet预测模型是随时间变化的预测函数，电梯门系统运行的节假日、季节性的使用特性，更符合电梯运行的实际工况，提高了预测精度。
进一步的，可以采用L-BFGS对prophet预测模型进行训练，设置初始参数概率分布，基于时间序列交叉验证对模型参数进行自动调参，得到训练完成的prophet预测模型。其中，L-BFGS算法能够快速拟合，有利于用户能够交互地进行模型参数调整。
采用prophet预测模型的预测算法，对预测时间段中的未来时刻进行健康值的预测，得到未来时刻的预测健康值；
该预测算法的计算公式可以表示为；
y(t)～normal(C(t)/(1+exp(-(k+A*delta)*(t-(m+A*gamma)))) +X*beta,epsilon)；
其中，C(t)表示承载量，X表示所述趋势特征数据、所述季节特征数据、所述节假日特征数据和所述健康值组合的矩阵，矩阵A表示突变点数据，k， m，beta，epsilon为模型参数，且均服从正态分布，delta与gamma为预设参数。
若未来时刻的预测健康值为预设的健康值阈值，则根据未来时刻与预测时间的预测开始时刻，获取电梯门系统在预测时间段的运行性能退化到该健康值阈值所需的时间，以及电梯门系统的运行性能的退化趋势，并以向管理人员进行展示。
可见，本申请上述实施例针对电梯门系统的运行数据进行健康评估与性能退化预测，该方法不仅考虑了门控制器中can总线输入数据，而且加入了对早期故障敏感的振动数据进行综合建模。基于prophet性能退化的预测模型，该模型考虑了电梯运行的节假日、季节性的使用特性，更符合电梯运行的实际工况，提高了预测的精度。
可以理解的是，通过Prophet预测模型的预测算法，可以预测未来一段时间的健康值CV。根据训练的数据情况，可以任意的设定预测时间。当预测的健康值CV达到健康值阈值时，可计算此时的时间为T1，并与预测的开始T0 相减，就可以计算健康值CV到达健康值阈值的时间长度。且，对Prophet预测模型的预测的健康值CV，进行描点或者拟合，可以看出电梯门系统未来的健康状态变化趋势，以及发展情况，可以做到防患于未然。
进一步的，还可以对训练的prophet预测模型的效果进行评估。
采用模型效果评估算法，对prophet预测模型进行效果评估，确定prophet 预测模型的评估准确性。
其中，常用的效果评估算法可以包括平均绝对百分比误差(mean absolutepercentage error，MAPE)和均方根误差(root mean square error，RMSE)，其中MAPE用于衡量真实值与预测值之间的相对误差百分比，RMSE用于表示真实值与预测值的均方根误差。MAPE和RMSE的值越小，则表示模型预测的准确度越高。在prophet模型预测中一般都采用MAPE指标进行衡量，可以直观的表现出模型的预测效果。
MAPE评估算法的公式可以表示为：
RMSE评估算法的公式可以表示为：
其中，y为历史时刻的健康值，yhat为历史时刻的预测健康值，n为预测数据的数量。
具体的，采用prophet预测模型的预测算法，对历史时刻进行健康值的预测，得到历史时刻的预测健康值；
采用模型效果评估算法，对历史时刻的预测健康值与历史时刻的健康值进行运算，获取评估效果(或称“预测精度”)；
若获取的评估效果达到预期的精度要求，则确定prophet预测模型的评估具有准确性。
若获取的评估效果未达到预期的精度要求，则重复对prophet预测模型进行模型训练和模型评估，直到评估效果未达到预期的精度要求为止。
其中，可以根据预测时间段的时长，确定所述预期的精度要求，即预期的精度要求可以根据预测时间段的时间范围来确定。以MAPE计算的预测精度为例，一般预测1个月的预期精度需满足MAPE≤10％，预测两个月内的预期精度需满足MAPE≤25％。可见，预测时间段的时长越长，相应的预期的精度要求可适当降低。
为了保证prophet预测模型的预测有效性，预期的精度要求不能低于预设最小精度阈值，如65％，若低于预设最小精度阈值，prophet预测模型的预测效果不明显，即预测有效性较低。
固化训练好的prophet预测模型，可预测性能退化到健康值阈值所需要的时间，并对电梯门系统的健康状态进行评估，同时根据prophet预测模型也可以预测未来性能退化的趋势发展情况。
可见，该预测方法可以预测电梯门系统从当前健康值降低到健康值阈值，即最小健康值所需要的时长，即预测出未来性能退化的趋势发展情况，预防电梯门系统进一步劣化以及故障的发生，提高了电梯门系统运行的可靠性、为设备的维修预留了关键的时间窗口。
本发明实施例提供的电梯门系统运行状态的预测方法根据采集的电梯门系统的运行数据，构建电梯门系统的运行数据矩阵，运行数据包括电梯门系统的控制器局域网络总线的数据和振动数据；对运行数据矩阵进行特征提取，得到特征向量；采用健康评估算法，对特征向量进行健康评估，得到电梯门系统运行的健康值，健康值用于衡量所述电梯门系统的运行状态；根据运行的特征数据和所述健康值，对未来时刻的健康值进行预测，得到电梯门系统在预测时间段的运行性能退化信息，运行性能退化信息包括电梯门系统的运行性能退化到预设的健康值阈值所需的时间，以及电梯门系统的运行性能的退化趋势。与现有技术的故障诊断只能识别故障的类型相比，该方法通过prophet预测方法可以根据电梯门系统的健康值变化反应的性能退化趋势，预测故障的发生时间，实现了对电梯门系统的性能劣化趋势的精准预测，提高了电梯门系统运行的可靠性。
与上述方法对应的，本发明实施例还提供一种电梯门系统运行状态的预测装置，如图2所示，该电梯门系统运行状态的预测装置包括：构建单元210、提取单元220、评估单元230和预测单元240；
构建单元210，用于根据采集的电梯门系统的运行数据，构建所述电梯门系统的运行数据矩阵，所述运行数据包括所述电梯门系统的控制器局域网络总线的数据和振动数据；
提取单元220，用于对所述运行数据矩阵进行特征提取，得到特征向量；
评估单元230，用于采用健康评估算法，对所述特征向量进行健康评估，得到所述电梯门系统运行的健康值，所述健康值用于衡量所述电梯门系统的运行状态；
预测单元240，用于根据运行的特征数据和所述健康值，对预测时间段中未来时刻的健康值进行预测，得到所述电梯门系统在所述预测时间段的运行性能退化信息，所述运行性能退化信息包括所述电梯门系统的运行性能退化到预设的健康值阈值所需的时间，以及所述电梯门系统的运行性能的退化趋势。
在一个可选的实现中，提取单元220，具体用于采用主成分分析算法，对所述运行数据矩阵进行主成分分析，得到贡献率大于预设比例阈值的特征向量，所述贡献率表示特征向量的特征值占所述运行数据矩阵的全部特征向量的特征值的比重。
在一个可选的实现中，评估单元230，具体用于采用高斯混合算法，对所述特征向量进行运算，得到所述特征向量的高斯分布函数；
采用健康值算法，对所述得到的高斯分布函数和预设的基准高斯分布函数进行运算，得到所述电梯门系统运行的健康值，所述基准高斯分布函数为所述电梯门系统正常工作时的运行数据对应的高斯分布函数。
在一个可选的实现中，所述特征向量的高斯分布函数表示为：
其中，μ为均值,σ为方差，x为特征向量；
所述健康值算法的计算公式表示为：
其中，g1(x)为实时获取的特征向量x的高斯分布函数，g2(x')为基准高斯分布函数。
在一个可选的实现中，所述运行的特征数据包括节假日特征数据、季节特征数据和趋势特征数据；
预测单元240，具体用于根据所述节假日特征数据、所述季节特征数据、所述趋势特征数据和所述健康值，建立prophet预测模型函数；
采用所述prophet预测模型的预测算法，对所述未来时刻进行健康值的预测，得到所述未来时刻的预测健康值；
若所述未来时刻的预测健康值为所述预设的健康值阈值，则根据所述未来时刻与所述预测时间段的预测开始时刻，获取所述电梯门系统在所述预测时间段的运行性能退化到所述健康值阈值所需的时间，以及所述电梯门系统的运行性能的退化趋势。
在一个可选的实现中，所述prophet预测模型函数表示为；
y(t)＝g(t)+s(t)+h(t)+ε(t)；
其中，g(t)分析时间序列中非周期性的变化。s(t)代表周期性的变化，例如一周或一年的周期性。h(t)代表节假日等偶然一天或几天造成的影响。ε(t)代表本模型没有考虑到的误差；
所述预测算法的计算公式表示为；
y(t)～normal(C(t)/(1+exp(-(k+A*delta)*(t-(m+A*gamma)))) +X*beta,epsilon)；
其中，C(t)表示承载量，X表示所述趋势特征数据、所述季节特征数据、所述节假日特征数据和所述健康值组合的矩阵，矩阵A表示突变点数据，k， m，beta，epsilon为模型参数，且均服从正态分布，delta与gamma为预设参数。
在一个可选的实现中，评估单元230，还用于采用模型效果评估算法，对所述prophet预测模型进行效果评估，确定所述prophet预测模型的评估准确性。
在一个可选的实现中，评估单元230，具体用于采用所述prophet预测模型的预测算法，对历史时刻进行健康值的预测，得到所述历史时刻的预测健康值；
采用模型效果评估算法，对所述历史时刻的预测健康值与所述历史时刻的健康值进行运算，获取评估效果；
若所述评估效果达到预期的精度要求，则确定所述prophet预测模型的评估具有准确性。
在一个可选的实现中，所述模型效果评估算法包括MAPE评估算法和 RMSE评估算法。
所述MAPE评估算法的公式可以表示为：
所述RMSE评估算法的公式可以表示为：
其中，y为所述历史时刻的健康值，yhat为所述历史时刻的预测健康值，n 为预测数据的数量。
在一个可选的实现中，所述装置还包括确定单元；
所述确定单元，用于根据所述预测时间段的时长，确定所述预期的精度要求。
本发明上述实施例提供的电梯门系统运行状态的预测装置的各功能单元的功能，可以通过上述各方法步骤来实现，因此，本发明实施例提供的电梯门系统运行状态的预测装置中的各个单元的具体工作过程和有益效果，在此不复赘述。
本发明实施例还提供了一种电子设备，如图3所示，包括处理器310、通信接口320、存储器330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。
存储器330，用于存放计算机程序；
处理器310，用于执行存储器330上所存放的程序时，实现如下步骤：
根据采集的电梯门系统的运行数据，构建所述电梯门系统的运行数据矩阵，所述运行数据包括所述电梯门系统的控制器局域网络总线的数据和振动数据；
对所述运行数据矩阵进行特征提取，得到特征向量；
采用健康评估算法，对所述特征向量进行健康评估，得到所述电梯门系统运行的健康值，所述健康值用于衡量所述电梯门系统的运行状态；
根据运行的特征数据和所述健康值，对预测时间段中未来时刻的健康值进行预测，得到所述电梯门系统在所述预测时间段的运行性能退化信息，所述运行性能退化信息包括所述电梯门系统的运行性能退化到预设的健康值阈值所需的时间，以及所述电梯门系统的运行性能的退化趋势。
在一个可选的实现中，对所述运行数据矩阵进行特征提取，得到特征向量，包括：
采用主成分分析算法，对所述运行数据矩阵进行主成分分析，得到贡献率大于预设比例阈值的特征向量，所述贡献率表示特征向量的特征值占所述运行数据矩阵的全部特征向量的特征值的比重。
在一个可选的实现中，采用健康评估算法，对所述特征向量进行健康评估，得到所述电梯门系统运行的健康值，包括：
采用高斯混合算法，对所述特征向量进行运算，得到所述特征向量的高斯分布函数；
采用健康值算法，对所述得到的高斯分布函数和预设的基准高斯分布函数进行运算，得到所述电梯门系统运行的健康值，所述基准高斯分布函数为所述电梯门系统正常工作时的运行数据对应的高斯分布函数。
在一个可选的实现中，所述特征向量的高斯分布函数表示为：
其中，μ为均值,σ为方差，x为特征向量；
所述健康值算法的计算公式表示为：
其中，g1(x)为实时获取的特征向量x的高斯分布函数，g2(x')为基准高斯分布函数。
在一个可选的实现中，所述运行的特征数据包括节假日特征数据、季节特征数据和趋势特征数据；
根据运行的特征数据和所述健康值，对预测时间段中未来时刻的健康值进行预测，得到所述电梯门系统在所述预测时间段的运行性能退化信息，包括：
根据所述节假日特征数据、所述季节特征数据、所述趋势特征数据和所述健康值，建立prophet预测模型函数；
采用所述prophet预测模型的预测算法，对所述未来时刻进行健康值的预测，得到所述未来时刻的预测健康值；
若所述未来时刻的预测健康值为所述预设的健康值阈值，则根据所述未来时刻与所述预测时间段的预测开始时刻，获取所述电梯门系统在所述预设时间段的运行性能退化到所述健康值阈值所需的时间，以及所述电梯门系统的运行性能的退化趋势。
在一个可选的实现中，所述prophet预测模型函数表示为；
y(t)＝g(t)+s(t)+h(t)+ε(t)；
其中，g(t)分析时间序列中非周期性的变化。s(t)代表周期性的变化，例如一周或一年的周期性。h(t)代表节假日等偶然一天或几天造成的影响。ε(t)代表本模型没有考虑到的误差；
所述预测算法的计算公式表示为；
y(t)～normal(C(t)/(1+exp(-(k+A*delta)*(t-(m+A*gamma)))) +X*beta,epsilon)；
其中，C(t)表示承载量，X表示所述趋势特征数据、所述季节特征数据、所述节假日特征数据和所述健康值组合的矩阵，矩阵A表示突变点数据，k， m，beta，epsilon为模型参数，且均服从正态分布，delta与gamma为预设参数。
在一个可选的实现中，所述方法还包括：
采用模型效果评估算法，对所述prophet预测模型进行效果评估，确定所述prophet预测模型的评估准确性。
在一个可选的实现中，采用模型效果评估算法，对所述prophet预测模型进行效果评估，确定所述prophet预测模型的评估准确性，包括：
采用所述prophet预测模型的预测算法，对历史时刻进行健康值的预测，得到所述历史时刻的预测健康值；
采用模型效果评估算法，对所述历史时刻的预测健康值与所述历史时刻的健康值进行运算，获取评估效果；
若所述评估效果达到预期的精度要求，则确定所述prophet预测模型的评估具有准确性。
在一个可选的实现中，所述模型效果评估算法包括MAPE评估算法和 RMSE评估算法。
所述MAPE评估算法的公式可以表示为：
所述RMSE评估算法的公式可以表示为：
其中，y为所述历史时刻的健康值，yhat为所述历史时刻的预测健康值，n 为预测数据的数量。
在一个可选的实现中，所述方法还包括：
根据所述预测时间段的时长，确定所述预期的精度要求。上述提到的通信总线可以是外设部件互连标准(Peripheral Component Interconnect，PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器 (DigitalSignal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
由于上述实施例中电子设备的各器件解决问题的实施方式以及有益效果可以参见图1所示的实施例中的各步骤来实现，因此，本发明实施例提供的电子设备的具体工作过程和有益效果，在此不复赘述。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的电梯门系统运行状态的预测方法。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的电梯门系统运行状态的预测方法。
本领域内的技术人员应明白，本申请实施例中的实施例可提供为方法、系统、或计算机程序产品。因此，本申请实施例中可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例中可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质 (包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例中是参照根据本申请实施例中实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例中的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例中范围的所有变更和修改。
显然，本领域的技术人员可以对本申请实施例中实施例进行各种改动和变型而不脱离本申请实施例中实施例的精神和范围。这样，倘若本申请实施例中实施例的这些修改和变型属于本申请实施例中权利要求及其等同技术的范围之内，则本申请实施例中也意图包含这些改动和变型在内。
Claims (18)
1.一种电梯门系统运行状态的预测方法，其特征在于，所述方法包括：
根据采集的电梯门系统的运行数据，构建所述电梯门系统的运行数据矩阵，所述运行数据包括所述电梯门系统的控制器局域网络总线的数据和振动数据；
对所述运行数据矩阵进行特征提取，得到特征向量；
采用健康评估算法，对所述特征向量进行健康评估，得到所述电梯门系统运行的健康值，所述健康值用于衡量所述电梯门系统的运行状态；
根据运行的特征数据和所述健康值，对预测时间段中未来时刻的健康值进行预测，得到所述电梯门系统在所述预测时间段的运行性能退化信息，所述运行性能退化信息包括所述电梯门系统的运行性能退化到预设的健康值阈值所需的时间，以及所述电梯门系统的运行性能的退化趋势；
其中，所述运行的特征数据包括节假日特征数据、季节特征数据和趋势特征数据；
根据运行的特征数据和所述健康值，对预测时间段中未来时刻的健康值进行预测，得到所述电梯门系统在所述预测时间段的运行性能退化信息，包括：
根据所述节假日特征数据、所述季节特征数据、所述趋势特征数据和所述健康值，建立prophet预测模型函数；
采用所述prophet预测模型的预测算法，对所述未来时刻进行健康值的预测，得到所述未来时刻的预测健康值；
若所述未来时刻的预测健康值为所述预设的健康值阈值，则根据所述未来时刻与所述预测时间段的预测开始时刻，获取所述电梯门系统在所述预设时间段的运行性能退化到所述健康值阈值所需的时间，以及所述电梯门系统的运行性能的退化趋势；
所述prophet预测模型函数表示为；
y(t)＝g(t)+s(t)+h(t)+ε(t)；
其中，g(t)分析时间序列中非周期性的变化；s(t)代表周期性的变化，例如一周或一年的周期性，h(t)代表节假日等偶然一天或几天造成的影响，ε(t)代表本模型没有考虑到的误差；
所述预测算法的计算公式表示为；
y(t)～normal(C(t)/(1+exp(-(k+A*delta)*(t-(m+A*gamma))))+X*beta,epsilon)；
其中，C(t)表示承载量，X表示所述趋势特征数据、所述季节特征数据、所述节假日特征数据和所述健康值组合的矩阵，矩阵A表示突变点数据，k，m，beta，epsilon为模型参数，且均服从正态分布，delta与gamma为预设参数。
2.如权利要求1所述的方法，其特征在于，对所述运行数据矩阵进行特征提取，得到特征向量，包括：
采用主成分分析算法，对所述运行数据矩阵进行主成分分析，得到贡献率大于预设比例阈值的特征向量，所述贡献率表示特征向量的特征值占所述运行数据矩阵的全部特征向量的特征值的比重。
3.如权利要求1所述的方法，其特征在于，采用健康评估算法，对所述特征向量进行健康评估，得到所述电梯门系统运行的健康值，包括：
采用高斯混合算法，对所述特征向量进行运算，得到所述特征向量的高斯分布函数；
采用健康值算法，对所述得到的高斯分布函数和预设的基准高斯分布函数进行运算，得到所述电梯门系统运行的健康值，所述基准高斯分布函数为所述电梯门系统正常工作时的运行数据对应的高斯分布函数。
4.如权利要求3所述的方法，其特征在于，所述特征向量的高斯分布函数表示为：
其中，μ为均值,σ为方差，x为特征向量；
所述健康值算法的计算公式表示为：
其中，g1(x)为实时获取的特征向量x的高斯分布函数，g2(x')为基准高斯分布函数。
5.如权利要求1所述的方法，其特征在于，所述方法还包括：
采用模型效果评估算法，对所述prophet预测模型进行效果评估，确定所述prophet预测模型的评估准确性。
6.如权利要求5所述的方法，其特征在于，采用模型效果评估算法，对所述prophet预测模型进行效果评估，确定所述prophet预测模型的评估准确性，包括：
采用所述prophet预测模型的预测算法，对历史时刻进行健康值的预测，得到所述历史时刻的预测健康值；
采用模型效果评估算法，对所述历史时刻的预测健康值与所述历史时刻的健康值进行运算，获取评估效果；
若所述评估效果达到预期的精度要求，则确定所述prophet预测模型的评估具有准确性。
7.如权利要求6所述的方法，其特征在于，所述模型效果评估算法包括平均绝对百分比误差MAPE评估算法和均方根误差RMSE评估算法；
所述MAPE评估算法的公式可以表示为：
所述RMSE评估算法的公式可以表示为：
其中，y为所述历史时刻的健康值，yhat为所述历史时刻的预测健康值，n为预测数据的数量。
8.如权利要求6所述的方法，其特征在于，所述方法还包括：
根据所述预测时间段的时长，确定所述预期的精度要求。
9.一种电梯门系统运行状态的预测装置，其特征在于，所述装置包括：构建单元、提取单元、评估单元和预测单元；
所述构建单元，用于根据采集的电梯门系统的运行数据，构建所述电梯门系统的运行数据矩阵，所述运行数据包括所述电梯门系统的控制器局域网络总线的数据和振动数据；
所述提取单元，用于对所述运行数据矩阵进行特征提取，得到特征向量；
所述评估单元，用于采用健康评估算法，对所述特征向量进行健康评估，得到所述电梯门系统运行的健康值，所述健康值用于衡量所述电梯门系统的运行状态；
所述预测单元，用于根据运行的特征数据和所述健康值，对预测时间段中未来时刻的健康值进行预测，得到所述电梯门系统在所述预测时间段的运行性能退化信息，所述运行性能退化信息包括所述电梯门系统的运行性能退化到预设的健康值阈值所需的时间，以及所述电梯门系统的运行性能的退化趋势；
其中，所述运行的特征数据包括节假日特征数据、季节特征数据和趋势特征数据；
所述预测单元，具体用于根据所述节假日特征数据、所述季节特征数据、所述趋势特征数据和所述健康值，建立prophet预测模型函数；
采用所述prophet预测模型的预测算法，对所述未来时刻进行健康值的预测，得到所述未来时刻的预测健康值；
若所述未来时刻的预测健康值为所述预设的健康值阈值，则根据所述未来时刻与所述预测时间段的预测开始时刻，获取所述电梯门系统在所述预测时间段的运行性能退化到所述健康值阈值所需的时间，以及所述电梯门系统的运行性能的退化趋势；
所述prophet预测模型函数表示为；
y(t)＝g(t)+s(t)+h(t)+ε(t)；
其中，g(t)分析时间序列中非周期性的变化；s(t)代表周期性的变化，例如一周或一年的周期性，h(t)代表节假日等偶然一天或几天造成的影响，ε(t)代表本模型没有考虑到的误差；
所述预测算法的计算公式表示为；
y(t)～normal(C(t)/(1+exp(-(k+A*delta)*(t-(m+A*gamma))))+X*beta,epsilon)；
其中，C(t)表示承载量，X表示所述趋势特征数据、所述季节特征数据、所述节假日特征数据和所述健康值组合的矩阵，矩阵A表示突变点数据，k，m，beta，epsilon为模型参数，且均服从正态分布，delta与gamma为预设参数。
10.如权利要求9所述的装置，其特征在于，所述提取单元，具体用于采用主成分分析算法，对所述运行数据矩阵进行主成分分析，得到贡献率大于预设比例阈值的特征向量，所述贡献率表示特征向量的特征值占所述运行数据矩阵的全部特征向量的特征值的比重。
11.如权利要求9所述的装置，其特征在于，所述评估单元，具体用于采用高斯混合算法，对所述特征向量进行运算，得到所述特征向量的高斯分布函数；
采用健康值算法，对所述得到的高斯分布函数和预设的基准高斯分布函数进行运算，得到所述电梯门系统运行的健康值，所述基准高斯分布函数为所述电梯门系统正常工作时的运行数据对应的高斯分布函数。
12.如权利要求11所述的装置，其特征在于，所述特征向量的高斯分布函数表示为：
其中，μ为均值,σ为方差，x为特征向量；
所述健康值算法的计算公式表示为：
其中，g1(x)为实时获取的特征向量x的高斯分布函数，g2(x')为基准高斯分布函数。
13.如权利要求9所述的装置，其特征在于，所述评估单元，还用于采用模型效果评估算法，对所述prophet预测模型进行效果评估，确定所述prophet预测模型的评估准确性。
14.如权利要求13所述的装置，其特征在于，所述评估单元，具体用于采用所述prophet预测模型的预测算法，对历史时刻进行健康值的预测，得到所述历史时刻的预测健康值；
采用模型效果评估算法，对所述历史时刻的预测健康值与所述历史时刻的健康值进行运算，获取评估效果；
若所述评估效果达到预期的精度要求，则确定所述prophet预测模型的评估具有准确性。
15.如权利要求14所述的装置，其特征在于，所述模型效果评估算法包括平均绝对百分比误差MAPE评估算法和均方根误差RMSE评估算法；
所述MAPE评估算法的公式可以表示为：
所述RMSE评估算法的公式可以表示为：
其中，y为所述历史时刻的健康值，yhat为所述历史时刻的预测健康值，n为预测数据的数量。
16.如权利要求14所述的装置，其特征在于，所述装置还包括确定单元；
所述确定单元，用于根据所述预测时间段的时长，确定所述预期的精度要求。
17.一种电子设备，其特征在于，所述电子设备包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存储的程序时，实现权利要求1-8任一所述的方法步骤。
18.一种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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-8任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911143066.5A CN110894038B (zh) | 2019-11-20 | 2019-11-20 | 电梯门系统运行状态的预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911143066.5A CN110894038B (zh) | 2019-11-20 | 2019-11-20 | 电梯门系统运行状态的预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110894038A CN110894038A (zh) | 2020-03-20 |
| CN110894038B true CN110894038B (zh) | 2021-06-11 |
Family
ID=69788045
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911143066.5A Active CN110894038B (zh) | 2019-11-20 | 2019-11-20 | 电梯门系统运行状态的预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110894038B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111563229B (zh) * | 2020-05-13 | 2022-03-22 | 浙江大学 | 基于高斯混合模型的直梯超速自动复位故障诊断方法 |
| CN111753875A (zh) * | 2020-05-15 | 2020-10-09 | 国家电网有限公司客户服务中心 | 一种电力信息系统运行趋势分析方法、装置及存储介质 |
| CN113760629A (zh) * | 2020-06-15 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 应用系统运行状态的监控方法、装置及设备 |
| CN111717753A (zh) * | 2020-06-29 | 2020-09-29 | 浙江新再灵科技股份有限公司 | 基于多维故障特征的自适应电梯故障预警系统及方法 |
| CN112700162A (zh) * | 2021-01-12 | 2021-04-23 | 上海电气集团股份有限公司 | 轨道交通空调运行状态的评估方法及装置 |
| CN112938678B (zh) * | 2021-01-29 | 2022-05-03 | 广东卓梅尼技术股份有限公司 | 一种电梯振动故障的诊断算法 |
| CN113581961B (zh) * | 2021-08-10 | 2023-03-28 | 江苏省特种设备安全监督检验研究院 | 一种电梯厅门的故障自动识别方法 |
| CN113945632A (zh) * | 2021-09-08 | 2022-01-18 | 浙江省北大信息技术高等研究院 | 一种钢结构网架的健康监测装置和方法 |
| CN116424979A (zh) * | 2022-01-04 | 2023-07-14 | 奥的斯电梯公司 | 用于检测电梯安全链路的方法和装置 |
| CN117495315A (zh) * | 2024-01-02 | 2024-02-02 | 东亚银行(中国)有限公司 | 一种基于pipeline流程的业务管理方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108205114A (zh) * | 2017-12-29 | 2018-06-26 | 上海电气集团股份有限公司 | 电池寿命的预测方法及系统 |
| CN109264519A (zh) * | 2018-11-09 | 2019-01-25 | 莱茵德尔菲电梯有限公司 | 一种电梯振动信号预处理方法及电梯网关系统 |
| CN109376881A (zh) * | 2018-12-12 | 2019-02-22 | 中国航空工业集团公司上海航空测控技术研究所 | 基于维修成本优化的复杂系统维修决策方法 |
| CN110222980A (zh) * | 2019-06-05 | 2019-09-10 | 上海电气集团股份有限公司 | 轨道交通轴承的健康评估方法及系统 |
| JP2019189416A (ja) * | 2018-04-26 | 2019-10-31 | 株式会社日立ビルシステム | エレベーターの運行監視システム |
-
2019
- 2019-11-20 CN CN201911143066.5A patent/CN110894038B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108205114A (zh) * | 2017-12-29 | 2018-06-26 | 上海电气集团股份有限公司 | 电池寿命的预测方法及系统 |
| JP2019189416A (ja) * | 2018-04-26 | 2019-10-31 | 株式会社日立ビルシステム | エレベーターの運行監視システム |
| CN109264519A (zh) * | 2018-11-09 | 2019-01-25 | 莱茵德尔菲电梯有限公司 | 一种电梯振动信号预处理方法及电梯网关系统 |
| CN109376881A (zh) * | 2018-12-12 | 2019-02-22 | 中国航空工业集团公司上海航空测控技术研究所 | 基于维修成本优化的复杂系统维修决策方法 |
| CN110222980A (zh) * | 2019-06-05 | 2019-09-10 | 上海电气集团股份有限公司 | 轨道交通轴承的健康评估方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110894038A (zh) | 2020-03-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110894038B (zh) | 电梯门系统运行状态的预测方法及装置 | |
| US20190285517A1 (en) | Method for evaluating health status of mechanical equipment | |
| CN111046564B (zh) | 两阶段退化产品的剩余寿命预测方法 | |
| CN112232447B (zh) | 一种电力设备状态监测数据的完整样本集的构建方法 | |
| CN111415492B (zh) | 一种基于模糊综合评价算法的边坡滑坡预警方法及系统 | |
| CN107153874B (zh) | 水质预测方法及系统 | |
| WO2016155241A1 (zh) | 基于Kalman滤波器的容量预测方法、系统和计算机设备 | |
| CN104021430B (zh) | 一种城市轨道交通站点客流不确定性分析方法 | |
| US11003738B2 (en) | Dynamically non-gaussian anomaly identification method for structural monitoring data | |
| JP6845126B2 (ja) | 故障確率算出装置、故障確率算出方法及びプログラム | |
| CN111179591B (zh) | 一种路网交通时序特征数据质量诊断与修复方法 | |
| CN104598734A (zh) | 滚动轴承集成期望最大化和粒子滤波的寿命预测模型 | |
| CN105571645A (zh) | 一种大坝自动化监测方法 | |
| CN110824914B (zh) | 一种基于pca-lstm网络的废水处理智能监控方法 | |
| CN107134170A (zh) | 一种停车场车位信息的处理方法和装置 | |
| CN113537352B (zh) | 传感器异常值监测方法、装置、计算机设备及存储介质 | |
| CN106845826B (zh) | 一种基于PCA-Cpk的冷连轧生产线服役质量状态评估方法 | |
| CN109308343A (zh) | 一种基于随机波动模型的行程时间预测及可靠性度量方法 | |
| CN114742260A (zh) | 一种大体积混凝土温度监控数据预测方法、系统和介质 | |
| CN114333317B (zh) | 一种交通事件的处理方法、装置、电子设备及存储介质 | |
| CN106204324A (zh) | 一种确定电厂复杂设备关键监测参数及各参数权重分配的方法 | |
| CN112700050A (zh) | 一种光伏电站超短期第1点功率预测方法及系统 | |
| CN111885084A (zh) | 一种入侵检测方法、装置及电子设备 | |
| CN109670593B (zh) | 一种评估、以及预测深度学习模型中层计算时间的方法 | |
| CN115077932A (zh) | 一种高机动救援装备综合试验的方法及系统 |
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 |