CN111017667A - 电梯抱闸异常检测方法、装置、设备及可读存储介质 - Google Patents

Abstract

本发明公开了一种电梯抱闸异常检测方法、装置、设备及可读存储介质，靠近所述电梯抱闸位置设置温度传感器，所述检测方法包括：通过所述温度传感器收集温度数据；获取所述温度数据，判断所述温度数据是否属于异常数据；依据对所述温度数据的判断结果，结合预置的数据学习库，判断所述电梯抱闸的状态。本发明能够有效的时时掌握电梯抱闸状态，减少电梯的安全隐患。

Description

电梯抱闸异常检测方法、装置、设备及可读存储介质

技术领域

本发明涉及电梯检测技术领域，尤其涉及一种电梯抱闸异常检测方法、装置、设备及可读存储介质。

背景技术

电梯给人们上下楼带来了极大的便利，但是电梯在运行的过程中难免有故障发生，而电梯发生故障时，电梯抱闸是一种有效应对电梯故障的方式，所述电梯抱闸是指，当电梯处于静止且马达处于失电状态下防止电梯再次移动的机电装置。

但是目前，对电梯抱闸系统的检测是通过人为定期的维护来完成的，而人为检测不具备实时性，难以有效的时时掌握电梯抱闸状态，给电梯的安全使用带来了隐患。

上述内容仅用于辅助理解本申请的技术方案，并不代表承认上述内容是现有技术。

发明内容

基于此，针对人为检测电梯抱闸不具备实时性，难以有效的时时掌握电梯抱闸状态，给电梯的安全使用带来了隐患的问题，有必要提供一种电梯抱闸异常检测方法、装置、设备及可读存储介质，能够有效的时时掌握电梯抱闸状态，减少电梯的安全隐患。

为实现上述目的，本发明提出的一种电梯抱闸异常检测方法，靠近所述电梯抱闸位置设置温度传感器，所述方法包括：

通过所述温度传感器收集温度数据；

获取所述温度数据，判断所述温度数据是否属于异常数据；

依据对所述温度数据的判断结果，结合预置的数据学习库，判断所述电梯抱闸的状态。

可选地，所述通过所述温度传感器收集温度数据的步骤包括：

通过所述温度传感器探测所述电梯抱闸位置的温度，获取温度数据；

将所述温度数据传输给云平台，以对所述温度数据的异常进行判定。

可选地，所述获取所述温度数据，判断所述温度数据是否属于异常数据的步骤包括：

获取所述温度数据；

依据预置的公式计算得到计算数据；

对比所述温度数据和所述计算数据，获得比例值；

若所述比例值小于80％，则判定所述温度数据属于异常数据；

若所述比例值大于90％，则判定所述温度数据属于正常数据；

若所述比例值处于80％-90％之间，则对所述温度数据进行二次判定。

可选地，所述比例值处于80％-90％之间，则对所述温度数据进行二次判定的步骤包括：

连接电梯运行监测的实时数据库，提取所述实时数据库中的电梯运行实时数据；

将所述实时数据输入预置决策树模型中，判定得出所述温度数据的异常结果。

可选地，所述数据学习库包括异常数据库和正常数据库，所述依据对所述温度数据的判断结果，结合预置的数据学习库，判断所述电梯抱闸的状态的步骤包括：

若所述温度数据属于异常数据，则将所述温度数据和所述异常数据库中的异常数据对比，判断所述电梯抱闸处于何种异常状态，并通过告警装置进行警示提醒；

若所述温度数据属于正常数据，则将所述温度数据和所述正常数据库中的正常数据对比，判断所述电梯抱闸处于何种正常状态，并保持电梯的正常运行。

可选地，所述依据对所述温度数据的判断结果，结合预置的数据学习库，判断所述电梯抱闸的状态的步骤之后包括：

若所述温度数据属于异常数据，则将所述温度数据更新至所述异常数据库；

若所述温度数据属于正常数据，则将所述温度数据更新至所述正常数据库。

此外，为了实现上述目的，本发明提供一种电梯抱闸异常检测装置，靠近所述电梯抱闸位置设置温度传感器，所述电梯抱闸异常检测装置包括：

收集模块，用于通过所述温度传感器收集温度数据；

判断模块，用于获取所述温度数据，判断所述温度数据是否属于异常数据；

对比模块，用于依据对所述温度数据的判断结果，结合预置的数据学习库，判断所述电梯抱闸的状态。

可选地，所述收集模块还用于通过所述温度传感器探测所述电梯抱闸位置的温度，获取温度数据；将所述温度数据传输给云平台，以对所述温度数据的异常进行判定。

此外，为了实现上述目的，本发明提供一种电梯抱闸异常检测设备，所述电梯抱闸异常检测设备包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行的电梯抱闸异常检测程序；所述电梯抱闸异常检测程序被所述处理器执行时实现如上文所述的电梯抱闸异常检测方法的步骤。

此外，为了实现上述目的，本发明提供一种可读存储介质，所述可读存储介质上存储有电梯抱闸异常检测程序，所述电梯抱闸异常检测程序被处理器执行时实现如上文所述的电梯抱闸异常检测方法的步骤。

本发明提出的技术方案中，电梯抱闸位置的闸片和电梯的导轨摩擦，导致电梯抱闸位置的温度产生一定变化，通过靠近电梯抱闸位置设置温度传感器，能够检测得到电梯抱闸位置的温度，对检测得到的温度数据进行异常判断，其中预置的数据学习库中包含了各种情况下的异常数据或正常数据，通过温度数据与异常数据或正常数据对比，依据所述数据学习库能够及时判断得出电梯抱闸的所处状态，由于温度传感器获得温度数据是一个持续的过程，每获得一个温度数据，都能及时通过数据学习库对比判断得出相应结果，如此时时掌握电梯抱闸状态，减少给电梯的安全使用带来了隐患。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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示出的结构获得其他的附图。

图1为本发明电梯抱闸异常检测方法第一实施例的流程示意图；

图2为本发明电梯抱闸异常检测方法第二实施例的流程示意图；

图3为本发明电梯抱闸异常检测方法第三实施例的流程示意图；

图4为本发明电梯抱闸异常检测方法第四实施例的流程示意图；

图5为本发明电梯抱闸异常检测方法中决策树模型原理的流程示意图

图6为本发明电梯抱闸异常检测方法第五实施例的流程示意图；

图7为本发明电梯抱闸异常检测方法第六实施例的流程示意图；

图8为本发明电梯抱闸异常检测装置的结构示意图。

附图标号说明：

标号	名称	标号	名称
				100	收集模块	300	对比模块
200	判断模块	400	更新模块

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

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，所描述的实施例仅仅是本发明的一部分实施例，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作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。

需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

参阅图1所示，本发明提出的第一实施例，电梯抱闸异常检测方法，靠近电梯抱闸位置设置温度传感器，所述方法包括：

步骤S10，通过温度传感器收集温度数据；

具体地，在电梯抱闸位置，闸片和电梯导轨摩擦时产生热量，随着热量的释放，电梯抱闸位置的周边的温度升高，在不同的电梯故障情况下，闸片和电梯导轨的摩擦不同，由此产生的热量不同，进而可知温度不同，在利用温度传感器检测到温度数据后，将温度数据整理收集，便于后续判定。

步骤S20，获取所述温度数据，判断所述温度数据是否属于异常数据；

具体地，将温度传感器检测得到的温度数据进行整理保存，其中温度数据包括了电梯在各种情况下的数据，例如电梯失速下滑，或者电梯正常运行滑动，这两种情况下闸片和导轨摩擦产生的热量也是不同的，同样探测得到的温度数据是不同的，通过对温度数据进行对比分析，判断得出所述温度数据是否属于异常数据。

步骤S30，依据对所述温度数据的判断结果，结合预置的数据学习库，判断电梯抱闸的状态。

具体地，由于在数据学习库中，保存有电梯各种运行情况下的温度数据，由此可知，依据数据学习库，将所述温度数据和数据学习库中的数据进行对比分析，能够准确的判断得出电梯抱闸所处的状态。其中数据处理的核心是采用Python大数据处理技术，Python是一种计算机程序设计语言。是一种面向对象的动态类型语言，可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效-附带多种运算库，结合数据库技术、云计算技术、机器学习技术可实现复杂数据全时快速运算及自动化机器学习。通过使用Python大数据技术结合算法对异常数据组进行处理分析和比对。收集大量异常数据导入系统，进行训练数据处理和分类，形成不异常数据学习库，通过学习库的扩充，能够对不同程度的钢丝绳异常进行归类报警，最终达到对钢丝绳异常进行自动化检测、预警、报警的效果。

本实施例提出的技术方案中，电梯抱闸位置的闸片和电梯的导轨摩擦，导致电梯抱闸位置的温度产生一定变化，通过靠近电梯抱闸位置设置温度传感器，能够检测得到电梯抱闸位置的温度，对检测得到的温度数据进行异常判断，其中预置的数据学习库中包含了各种情况下的异常数据或正常数据，通过温度数据与异常数据或正常数据对比，依据所述数据学习库能够及时判断得出电梯抱闸的所处状态，由于温度传感器获得温度数据是一个持续的过程，每获得一个温度数据，都能及时通过数据学习库对比判断得出相应结果，如此时时掌握电梯抱闸状态，减少给电梯的安全使用带来了隐患。

参阅图2所示，在本发明第一实施例的基础上，提出本发明的第二实施例，通过温度传感器收集温度数据的步骤S10包括：

步骤S110，通过温度传感器探测电梯抱闸位置的温度，获取温度数据；

其中，在电梯抱闸位置，闸片和电梯导轨摩擦时产生热量，随着热量的释放，电梯抱闸位置的周边的温度升高，由此通过温度传感器能够有效探测电梯抱闸位置的温度，获取到相应的温度数据。

步骤S120，将温度数据传输给云平台，以对温度数据的异常进行判定。

具体地，温度传感器将检测得到温度数据通过无线网络传递给云平台或者后台服务器，例如通过4G或5G通信网络传递数据，其中云平台或者后台服务器均设置有存储单元，云平台或者后台服务器将接收到的温度数据存储至存储单元中，通过提取温度数据和数据学习库中的数据对比，以此能够对实时检测得到电梯抱闸的温度数据进行判断和分类，得出目前电梯处于何种运行状态下。

参阅图3所示，在本发明第一实施例的基础上，提出本发明的第三实施例，获取温度数据，判断温度数据是否属于异常数据的步骤S210包括：

步骤S210，获取温度数据，温度数据通过无线网络传递，云平台或者后台服务器接收到温度数据后，对所述温度数据进行分析判断，以此来确定温度数据是否异常，其中所述温度数据属于温度传感器实时测量得到的数据。

步骤S220，依据预置的公式计算得到计算数据；

具体地，一次函数

f(x)＝wx+b

其中x表示时间数值，f(x)表示计算得出的随时间变化而变化的抱闸温度因变量，w代表斜率，b代表常数。

其中，x_i代表时间数值，y_i代表随时间变化而变化的抱闸温度数值，n代表构建决策树的样本数量，m代表选取样本。

另外

由此可以计算得出f(x_i)的数值。

步骤S230，对比温度数据和计算数据，获得比例值，其中，温度数据为y_i，计算数据为f(x_i)，通过温度数据和计算数据对比，能够得出比例值的大小，通过对比例值进行分析判定能够得出温度数据的异常属性。

步骤S240，若比例值小于80％，则判定温度数据属于异常数据，比例值小于80％则说明，温度数据和计算数据差异较大，以此来判定温度数据属于异常数据。

步骤S250，若比例值大于90％，则判定温度数据属于正常数据，比例值大于90％则说明温度数据和计算数据比较接近，以此判定温度数据属于正常数据，除此之外，需要指出的是，比例值一般不会超出100％的，如果超出100％，则判定温度数据属于异常数据。

步骤S260，若比例值处于80％-90％之间，则对温度数据进行二次判定，比例值处于80％-90％之间，难以通过初次判断得出温度数据的异常属性，因此可以将温度数据保存至待判定数据库中，再提取待判定数据库中的温度数据，进行二次判定。由此通过步骤S210-步骤S260能够对接收到的温度数据进行初次有效的判定，对于无法再初次判定中得出判定结果的温度数据，可进行保存便于二次判定。

此外，判定比例值是否异常的数值点不限于80％或90％，可以根据需要进行设定，例如，小于70％属于异常，大于95％属于正常，70％-95％之间需要进行二次判定。

参阅图4所示，在本发明第三实施例的基础上，提出本发明的第四实施例，比例值处于80％-90％之间，则对温度数据进行二次判定的步骤S260包括：

步骤S261，连接电梯运行监测的实时数据库，提取实时数据库中的电梯运行实时数据；

具体地，所述实时数据库中保存有电梯运行的其它实时数据，例如抱闸温度、机房温度、电梯运行速度以及电梯震动等数据，将这些实时数据部分或者全部提取出来，便于进一步的依据所述实时数据进行二次判定。

步骤S262，将实时数据输入预置决策树模型中，判定得出温度数据的异常结果。

其中，参阅图5所示，所述决策树模型是一种类似树形的判断图形，通过将温度数据输入决策树模型中，经过层层筛选判定得出温度数据的异常结果，所述决策树模型，是通过电梯运行监测获取多种数据(包括正常、异常情况)，如机房温度、运行速度、电梯震动等，并将其格式化表达，构成样本集D，在样本集D的基础上，计算各项属性a的信息增益Gain(D,a)，设定中离散属性a有V个取值，使用a来对样本集D进行划分，则会产生V个分支节点，其中v个分支节点包含了D中所有在属性a上取值为a^v的样本，记为D^v，则

其中当前样本集合D中第k类样本所占比例为p_k，则D的Ent(D)定义为：

通过Gain(D,a)值决定决策树属性根节点，通过根节点属性对第二节点进行信息增益Gain(D¹,a)，如此循环操作至所有属性分支均计算构建完毕。后根据样本集D生成决策树分支。

举例说明，决策树的执行过程，以抱闸温度作为第一层筛选判定，设定属于正常抱闸温度的范围，超出正常抱闸温度范围的属于异常数据，正常抱闸温度范围以内的进行第二层筛选，设定属于正常机房温度的范围，超出正常机房温度范围的属于异常数据，正常机房温度范围以内的进行第三层筛选，设定属于正常电梯运行速度的范围，超出正常电梯运行速度范围的属于异常数据，正常电梯运行速度以内的属于正常数据，由此能够依据决策树模型完成对温度数据的二次判定。其中进行的层次筛选不限于三个层次，在进行三个层次分析判定无法确定温度数据类型后，可扩大实时数据的提取范围，并增加筛选判定层次，比如，增加至第四层电梯震动判定。

除此之外，决策树模型还可设定为另外一种判定过程，比如以抱闸温度作为第一层筛选判定，设定属于正常抱闸温度的范围，正常抱闸温度范围以内属于正常数据，超出正常抱闸温度范围的进行第二层筛选，设定属于正常机房温度的范围，正常机房温度范围以内属于正常数据，超出正常机房温度范围的进行第三层筛选，设定属于正常电梯运行速度的范围，正常电梯运行速度以内的属于正常数据，超出正常电梯运行速度范围的属于异常数据。

再者，决策树模型还可设定为另外一种判定过程，以抱闸温度作为第一层筛选判定，设定属于异常抱闸温度的范围，超出异常抱闸温度范围的属于正常数据，异常抱闸温度范围以内的进行第二层筛选，设定属于异常机房温度的范围，超出异常机房温度范围的属于正常数据，异常机房温度范围以内的进行第三层筛选，设定属于异常电梯运行速度的范围，超出异常电梯运行速度范围的属于正常数据，异常电梯运行速度以内的属于异常数据，同样由此能够依据决策树模型完成对温度数据的二次判定。

参阅图6所示，在本发明第一实施例的基础上，提出本发明的第五实施例，所述数据学习库包括异常数据库和正常数据库，依据对温度数据的判断结果，结合预置的数据学习库，判断电梯抱闸的状态的步骤S30包括：

步骤S310，若温度数据属于异常数据，则将所述温度数据和所述异常数据库中的异常数据对比，判断电梯抱闸处于何种异常状态，并通过告警装置进行警示提醒；

其中，所述告警装置可以采用声光其中一种原理的告警装置，也可两者结合，例如急促的声音警示，外加红色显示灯光闪烁方式，提示维护人员进行维护修理。

步骤S320，若温度数据属于正常数据，则将温度数据和正常数据库中的正常数据对比，判断电梯抱闸处于何种正常状态，并保持电梯的正常运行，也就是在判断电梯没有发出故障的情况下，控制电梯保持现有的工作状态，由此可以做到时时掌握电梯抱闸状态，减少给电梯的安全使用带来了隐患。

参阅图7所示，在本发明第五实施例的基础上，提出本发明的第六实施例，依据对温度数据的判断结果，结合预置的数据学习库，判断所述电梯抱闸的状态的步骤S30之后包括：

步骤S40，若温度数据属于异常数据，则将温度数据更新至异常数据库；

具体地，得出温度数据是否属于异常数据后，将温度数据保存至异常数据库，以更新异常数据库，其中更新异常数据库，是通过对比查看已有的异常数据是否和温度数据相同，如果有相同则直接覆盖掉原有数据，或者重新命名保存，如果没有相同数据，则直接将该温度数据保存至异常数据库，通过对异常数据库的实时更新，能够保证对电梯抱闸状态提供精确判断，完善电梯各种情况的归类分析。

步骤S50，若温度数据属于正常数据，则将温度数据更新至正常数据库。

具体地，得出温度数据是否属于正常数据后，将温度数据保存至正常数据库，以更新正常数据库，其中更新正常数据库，是通过对比查看已有的正常数据是否和温度数据相同，如果有相同则直接覆盖掉原有数据，或者重新命名保存，如果没有相同数据，则直接将该温度数据保存至正常数据库，通过对正常数据库的实时更新，能够保证对电梯抱闸状态提供精确判断，完善电梯各种情况的归类分析。

本发明提供一种电梯抱闸异常检测装置，靠近所述电梯抱闸位置设置温度传感器，所述电梯抱闸异常检测装置包括：收集模块100、判断模块200和对比模块300。

收集模块100，用于通过所述温度传感器收集温度数据；

具体地，在电梯抱闸位置，闸片和电梯导轨摩擦时产生热量，随着热量的释放，电梯抱闸位置的周边的温度升高，在不同的电梯故障情况下，闸片和电梯导轨的摩擦不同，由此产生的热量不同，进而可知温度不同，在利用温度传感器检测到温度数据后，将温度数据整理收集，便于后续建立数据学习库。

判断模块200，用于获取所述温度数据，判断所述温度数据是否属于异常数据；

具体地，将温度传感器检测得到的温度数据进行整理保存，其中温度数据包括了电梯在各种情况下的数据，例如电梯失速下滑，或者电梯正常运行滑动，这两种情况下闸片和导轨摩擦产生的热量也是不同的，同样探测得到的温度数据是不同的，通过对温度数据进行对比分析，判断得出所述温度数据是否属于异常数据。

对比模块300，用于依据对所述温度数据的判断结果，结合预置的数据学习库，判断所述电梯抱闸的状态。

具体地，由于在数据学习库中，保存有电梯各种运行情况下的温度数据，由此可知，依据数据学习库，将所述温度数据和数据学习库中的数据进行对比分析，能够准确的判断得出电梯抱闸所处的状态。其中数据处理的核心是采用Python大数据处理技术，Python是一种计算机程序设计语言。是一种面向对象的动态类型语言，可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效——附带多种运算库，结合数据库技术、云计算技术、机器学习技术可实现复杂数据全时快速运算及自动化机器学习。通过使用Python大数据技术结合算法对异常数据组进行处理分析和比对。收集大量异常数据导入系统，进行训练数据处理和分类，形成不异常数据学习库，通过学习库的扩充，能够对不同程度的钢丝绳异常进行归类报警，最终达到对钢丝绳异常进行自动化检测、预警、报警的效果。

本实施方案提出的技术方案中，电梯抱闸位置的闸片和电梯的导轨摩擦，导致电梯抱闸位置的温度产生一定变化，通过靠近电梯抱闸位置设置温度传感器，能够检测得到电梯抱闸位置的温度，对检测得到的温度数据进行异常判断，其中预置的数据学习库中包含了各种情况下的异常数据或正常数据，通过温度数据与异常数据或正常数据对比，依据所述数据学习库能够及时判断得出电梯抱闸的所处状态，由于温度传感器获得温度数据是一个持续的过程，每获得一个温度数据，都能及时通过数据学习库对比判断得出相应结果，如此时时掌握电梯抱闸状态，减少给电梯的安全使用带来了隐患。

进一步地，所述收集模块100还用于通过所述温度传感器探测所述电梯抱闸位置的温度，获取温度数据，其中，在电梯抱闸位置，闸片和电梯导轨摩擦时产生热量，随着热量的释放，电梯抱闸位置的周边的温度升高，由此通过温度传感器能够有效探测电梯抱闸位置的温度，获取到相应的温度数据。将所述温度数据传输给云平台，以建立数据学习库，度传感器将检测得到温度数据通过无线网络传递给云平台或者后台服务器，例如通过4G或5G通信网络传递数据，其中云平台或者后台服务器均设置有存储单元，云平台或者后台服务器将接收到的温度数据存储至存储单元中，通过提取温度数据和数据学习库中的数据对比，以此能够对实时检测得到电梯抱闸的温度数据进行判断和分类，得出目前电梯处于何种运行状态下。

进一步地，判断模块200还用于获取温度数据，温度数据通过无线网络传递，云平台或者后台服务器接收到温度数据后，对所述温度数据进行分析判断，以此来确定温度数据是否异常，其中所述温度数据属于温度传感器实时测量得到的数据。

依据预置的公式计算得到计算数据；

具体地，一次函数

f(x)＝wx+b

其中x表示时间数值，f(x)表示计算得出的随时间变化而变化的抱闸温度因变量，w代表斜率，b代表常数。

其中，x_i代表时间数值，y_i代表随时间变化而变化的抱闸温度数值，n代表构建决策树的样本数量，m代表选取样本。

另外

由此可以计算得出f(x_i)的数值。

对比温度数据和计算数据，获得比例值，其中，温度数据为y_i，计算数据为f(x_i)，通过温度数据和计算数据对比，能够得出比例值的大小，通过对比例值进行分析判定能够得出温度数据的异常属性。

若比例值小于80％，则判定温度数据属于异常数据，比例值小于80％则说明，温度数据和计算数据差异较大，以此来判定温度数据属于异常数据。

若比例值大于90％，则判定温度数据属于正常数据，比例值大于90％则说明温度数据和计算数据比较接近，以此判定温度数据属于正常数据，除此之外，需要指出的是，比例值一般不会超出100％的，如果超出100％，则判定温度数据属于异常数据。

若比例值处于80％-90％之间，则对温度数据进行二次判定，比例值处于80％-90％之间，难以通过初次判断得出温度数据的异常属性，因此可以将温度数据保存至待判定数据库中，再提取待判定数据库中的温度数据，进行二次判定。由此通过步骤S211-步骤S216能够对接收到的温度数据进行初次有效的判定，对于无法再初次判定中得出判定结果的温度数据，可进行保存便于二次判定。

此外，判定比例值是否异常的数值点不限于80％或90％，可以根据需要进行设定，例如，小于70％属于异常，大于95％属于正常，70％-95％之间需要进行二次判定。

进一步地，所述判断模块200还用于连接电梯运行监测的实时数据库，提取实时数据库中的电梯运行实时数据；具体地，所述实时数据库中保存有电梯运行的其它实时数据，例如抱闸温度、机房温度、电梯运行速度以及电梯震动等数据，将这些实时数据部分或者全部提取出来，便于进一步的依据所述实时数据进行二次判定。

以及，将实时数据输入预置决策树模型中，判定得出温度数据的异常结果。其中，所述决策树模型是一种类似树形的判断图形，通过将温度数据输入决策树模型中，经过层层筛选判定得出温度数据的异常结果，所述决策树模型，是通过电梯运行监测获取多种数据(包括正常、异常情况)，如机房温度、运行速度、电梯震动等，并将其格式化表达，构成样本集D，在样本集D的基础上，计算各项属性a的信息增益Gain(D,a)，设定中离散属性a有V个取值，使用a来对样本集D进行划分，则会产生V个分支节点，其中v个分支节点包含了D中所有在属性a上取值为a^v的样本，记为D^v，则

其中当前样本集合D中第k类样本所占比例为p_k，则D的Ent(D)定义为：

通过Gain(D,a)值决定决策树属性根节点，通过根节点属性对第二节点进行信息增益Gain(D¹,a)，如此循环操作至所有属性分支均计算构建完毕。后根据样本集D生成决策树分支。

举例说明，决策树的执行过程，以抱闸温度作为第一层筛选判定，设定属于正常抱闸温度的范围，超出正常抱闸温度范围的属于异常数据，正常抱闸温度范围以内的进行第二层筛选，设定属于正常机房温度的范围，超出正常机房温度范围的属于异常数据，正常机房温度范围以内的进行第三层筛选，设定属于正常电梯运行速度的范围，超出正常电梯运行速度范围的属于异常数据，正常电梯运行速度以内的属于正常数据，由此能够依据决策树模型完成对温度数据的二次判定。其中进行的层次筛选不限于三个层次，在进行三个层次分析判定无法确定温度数据类型后，可扩大实时数据的提取范围，并增加筛选判定层次，比如，增加至第四层电梯震动判定。

除此之外，决策树模型还可设定为另外一种判定过程，比如以抱闸温度作为第一层筛选判定，设定属于正常抱闸温度的范围，正常抱闸温度范围以内属于正常数据，超出正常抱闸温度范围的进行第二层筛选，设定属于正常机房温度的范围，正常机房温度范围以内属于正常数据，超出正常机房温度范围的进行第三层筛选，设定属于正常电梯运行速度的范围，正常电梯运行速度以内的属于正常数据，超出正常电梯运行速度范围的属于异常数据。

再者，决策树模型还可设定为另外一种判定过程，以抱闸温度作为第一层筛选判定，设定属于异常抱闸温度的范围，超出异常抱闸温度范围的属于正常数据，异常抱闸温度范围以内的进行第二层筛选，设定属于异常机房温度的范围，超出异常机房温度范围的属于正常数据，异常机房温度范围以内的进行第三层筛选，设定属于异常电梯运行速度的范围，超出异常电梯运行速度范围的属于正常数据，异常电梯运行速度以内的属于异常数据，同样由此能够依据决策树模型完成对温度数据的二次判定。

进一步地，所述数据学习库包括异常数据库和正常数据库，对比模块300还用于判断若温度数据属于异常数据，则将所述温度数据和所述异常数据库中的异常数据对比，判断电梯抱闸处于何种异常状态，并通过告警装置进行警示提醒；

其中，所述告警装置可以采用声光其中一种原理的告警装置，也可两者结合，例如急促的声音警示，外加红色显示灯光闪烁方式，提示维护人员进行维护修理。

若温度数据属于正常数据，则将温度数据和正常数据库中的正常数据对比，判断电梯抱闸处于何种正常状态，并保持电梯的正常运行，也就是在判断电梯没有发出故障的情况下，控制电梯保持现有的工作状态，由此可以做到时时掌握电梯抱闸状态，减少给电梯的安全使用带来了隐患。

进一步地，电梯抱闸异常检测装置包括：更新模块400。

更新模块400用于若温度数据属于异常数据，则将温度数据更新至异常数据库；

具体地，得出温度数据是否属于异常数据后，将温度数据保存至异常数据库，以更新异常数据库，其中更新异常数据库，是通过对比查看已有的异常数据是否和温度数据相同，如果有相同则直接覆盖掉原有数据，或者重新命名保存，如果没有相同数据，则直接将该温度数据保存至异常数据库，通过对异常数据库的实时更新，能够保证对电梯抱闸状态提供精确判断，完善电梯各种情况的归类分析。

更新模块400还用于若温度数据属于正常数据，则将温度数据更新至正常数据库。

具体地，得出温度数据是否属于正常数据后，将温度数据保存至正常数据库，以更新正常数据库，其中更新正常数据库，是通过对比查看已有的正常数据是否和温度数据相同，如果有相同则直接覆盖掉原有数据，或者重新命名保存，如果没有相同数据，则直接将该温度数据保存至正常数据库，通过对正常数据库的实时更新，能够保证对电梯抱闸状态提供精确判断，完善电梯各种情况的归类分析。

本发明提供一种电梯抱闸异常检测设备，所述电梯抱闸异常检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的电梯抱闸异常检测程序；所述电梯抱闸异常检测程序被所述处理器执行时实现如上文所述的电梯抱闸异常检测方法的步骤。

本发明电梯抱闸异常检测设备具体实施方式可以参照上述电梯抱闸异常检测方法各实施例，在此不再赘述。

本发明提供一种可读存储介质，所述可读存储介质上存储有电梯抱闸异常检测程序，所述电梯抱闸异常检测程序被处理器执行时实现如上文所述的电梯抱闸异常检测方法的步骤。

本发明可读存储介质具体实施方式可以参照上述电梯抱闸异常检测方法各实施例，在此不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (10)

1.一种电梯抱闸异常检测方法，其特征在于，靠近所述电梯抱闸位置设置温度传感器，所述方法包括：

通过所述温度传感器收集温度数据；

获取所述温度数据，判断所述温度数据是否属于异常数据；

依据对所述温度数据的判断结果，结合预置的数据学习库，判断所述电梯抱闸的状态。

2.如权利要求1所述的电梯抱闸异常检测方法，其特征在于，所述通过所述温度传感器收集温度数据的步骤包括：

通过所述温度传感器探测所述电梯抱闸位置的温度，获取温度数据；

将所述温度数据传输给云平台，以对所述温度数据的异常进行判定。

3.如权利要求1所述的电梯抱闸异常检测方法，其特征在于，所述获取所述温度数据，判断所述温度数据是否属于异常数据的步骤包括：

获取所述温度数据；

依据预置的公式计算得到计算数据；

对比所述温度数据和所述计算数据，获得比例值；

若所述比例值小于80％，则判定所述温度数据属于异常数据；

若所述比例值大于90％，则判定所述温度数据属于正常数据；

若所述比例值处于80％-90％之间，则对所述温度数据进行二次判定。

4.如权利要求3所述的电梯抱闸异常检测方法，其特征在于，所述比例值处于80％-90％之间，则对所述温度数据进行二次判定的步骤包括：

连接电梯运行监测的实时数据库，提取所述实时数据库中的电梯运行实时数据；

将所述实时数据输入预置决策树模型中，判定得出所述温度数据的异常结果。

5.如权利要求1所述的电梯抱闸异常检测方法，其特征在于，所述数据学习库包括异常数据库和正常数据库，所述依据对所述温度数据的判断结果，结合预置的数据学习库，判断所述电梯抱闸的状态的步骤包括：

若所述温度数据属于异常数据，则将所述温度数据和所述异常数据库中的异常数据对比，判断所述电梯抱闸处于何种异常状态，并通过告警装置进行警示提醒；

若所述温度数据属于正常数据，则将所述温度数据和所述正常数据库中的正常数据对比，判断所述电梯抱闸处于何种正常状态，并保持电梯的正常运行。

6.如权利要求5所述的电梯抱闸异常检测方法，其特征在于，所述依据对所述温度数据的判断结果，结合预置的数据学习库，判断所述电梯抱闸的状态的步骤之后包括：

若所述温度数据属于异常数据，则将所述温度数据更新至所述异常数据库；

若所述温度数据属于正常数据，则将所述温度数据更新至所述正常数据库。

7.一种电梯抱闸异常检测装置，其特征在于，靠近所述电梯抱闸位置设置温度传感器，所述电梯抱闸异常检测装置包括：

收集模块，用于通过所述温度传感器收集温度数据；

判断模块，用于依据所述温度数据，判断所述温度数据是否属于异常数据；

对比模块，用于依据对所述温度数据的判断结果，结合预置的数据学习库，判断所述电梯抱闸的状态。

8.如权利要求7所述的电梯抱闸异常检测装置，其特征在于，所述收集模块还用于通过所述温度传感器探测所述电梯抱闸位置的温度，获取温度数据；将所述温度数据传输给云平台，以对所述温度数据的异常进行判定。

9.一种电梯抱闸异常检测设备，其特征在于，所述电梯抱闸异常检测设备包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行的电梯抱闸异常检测程序；所述电梯抱闸异常检测程序被所述处理器执行时实现如权利要求1-6中任一项所述的电梯抱闸异常检测方法的步骤。

10.一种可读存储介质，其特征在于，所述可读存储介质上存储有电梯抱闸异常检测程序，所述电梯抱闸异常检测程序被处理器执行时实现如权利要求1-6中任一项所述的电梯抱闸异常检测方法的步骤。

Images