CN111170108A - 基于多源传感器故障标签样本数据门区外停梯检测方法 - Google Patents

基于多源传感器故障标签样本数据门区外停梯检测方法 Download PDF

Info

Publication number
CN111170108A
CN111170108A CN202010090021.2A CN202010090021A CN111170108A CN 111170108 A CN111170108 A CN 111170108A CN 202010090021 A CN202010090021 A CN 202010090021A CN 111170108 A CN111170108 A CN 111170108A
Authority
CN
China
Prior art keywords
fault label
data
label sample
data information
detecting
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.)
Granted
Application number
CN202010090021.2A
Other languages
English (en)
Other versions
CN111170108B (zh
Inventor
张兴凤
张雷
万敏
蔡巍伟
靳旭哲
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 CN202010090021.2A priority Critical patent/CN111170108B/zh
Publication of CN111170108A publication Critical patent/CN111170108A/zh
Application granted granted Critical
Publication of CN111170108B publication Critical patent/CN111170108B/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
    • B66B5/0031—Devices monitoring the operating condition of the elevator system for safety reasons
    • 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
    • B66B5/0012—Devices monitoring the users of the elevator system
    • 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
    • B66B5/02—Applications of checking, fault-correcting, or safety devices in elevators responsive to abnormal operating conditions

Landscapes

  • Maintenance And Inspection Apparatuses For Elevators (AREA)
  • Indicating And Signalling Devices For Elevators (AREA)

Abstract

本发明涉及一种基于多源传感器故障标签样本数据门区外停梯检测方法，包括：S1、通过数据采集装置进行数据信息采集；S2、建立故障标签样本库，将标定好的故障标签样本放入所述故障标签样本库中，并判断所述故障标签样本的数据量；S3、若所述故障标签样本的数据量小于设定阈值，则将所述步骤S1获得的数据信息通过异常检测模型进行检测，若检测结果判定为电梯门区外停梯，则将所述数据信息作为新故障标签样本放入到所述故障标签样本库中；S4、若所述故障标签样本的数量大于设定阈值，则将所述步骤S1获得的数据信息通过有监督的二分类模型进行检测，再检测精度符合要求的情况下输出检测结果。本发明的方法成本低，检测精度高。

Description

基于多源传感器故障标签样本数据门区外停梯检测方法
技术领域
本发明涉及电梯运行检测技术领域，尤其涉及一种基于多源传感器故障标签样本数据门区外停梯检测方法。
背景技术
目前，因电梯故障造成的电梯安全事故时有发生，常见电梯故障包括电梯以非正常速度运行、电梯冲顶、电梯蹲底以及电梯非平层停梯。这些电梯故障都会给电梯乘坐人员带来很大的安全隐患。
电梯非平层停梯又称为电梯门区外停梯，目前已经存在某些电梯门区外停梯的检测方法，但这些检测方法一方面较为依赖硬件设备，另一方面很依赖经验规则，前者硬件成本高，后者检测效果差。
例如，专利CN109132770A是基于安装多个传感器进行的平层监测来判断电梯是否为门区外停梯。然而涉及的传感器硬件设备种类繁多，用到了磁/光电传感器和加速度传感器等复合式多传感器，并且需要在每个楼层均进行安装，成本高。
再例如，专利CN106698138A中检测方法，在硬件设备上虽然只采用了加速度传感器，使得成本大大降低。然而该专利中基于加速度计算出位移和楼层高度来判断电梯位置，严重依赖楼层高度校正规则以及位移高度比较规则，检测效果不能得到有效保证。
发明内容
本发明的目的在于解决上述问题，提供一种基于多源传感器故障标签样本数据门区外停梯检测方法。
为实现上述目的，本发明提供一种基于多源传感器故障标签样本数据门区外停梯检测方法，包括：
S1、通过数据采集装置进行数据信息采集；
S2、建立故障标签样本库，将标定好的故障标签样本放入所述故障标签样本库中，并判断所述故障标签样本的数据量；
S3、若所述故障标签样本的数据量小于设定阈值，则将所述步骤S1获得的数据信息通过异常检测模型进行检测，若检测结果判定为电梯门区外停梯，则将所述数据信息作为新故障标签样本放入到所述故障标签样本库中；
S4、若所述故障标签样本的数量大于设定阈值，则将所述步骤S1获得的数据信息通过有监督的二分类模型进行检测，再检测精度符合要求的情况下输出检测结果。
根据本发明的一个方面，将所述步骤S1获得的数据信息输入所述异常检测模型或有监督的二分类模型之前，还包括对所述数据信息进行预处理。
根据本发明的一个方面，对所述数据信息进行预处理包括缺失值处理、噪音处理，处理方法包括删除、邻居填充代替。
根据本发明的一个方面，所述步骤S1中获得的数据信息包括加速度、气压、楼层、品牌、电梯类型、场所类型。
根据本发明的一个方面，所述异常检测模型包括特征工程、模型训练、模型测试、模型评估与验证。
根据本发明的一个方面，所述特征工程自适应的频谱分析以及统计特征，包括峰值、方根幅值、裕度指标、脉冲指标、峭度系数、均方根值、均值或标准差。
根据本发明的一个方面，所述异常检测模型对于数据信息的检测方法包括聚类方法、孤立森林方法或one-class单类模型学习。
根据本发明的一个方面，监督的二分类模型对数据信息进行检测包括:
根据加速度曲线进行embedding嵌入学习，将得到的embedding融合到已有的基础特征一起作为分类监督学习的输入，加入分类模型进行检测。
根据本发明的一个方面，所述加速度曲线进行embedding嵌入学习的方法包括：auto-encoder、seq2seq或BiLSTM。
根据本发明的一个方面，所述检测方法还包括检测电梯轿厢内是否有人。
本发明提供一种基于故障标签样本数据自适应地进行门区外停梯的检测方法，一方面不用在各楼层同时安装复合式传感器，另一方面，不依赖于经验规则，能够根据已有的门区外停梯故障标签样本数据量的大小进行自适应线下模型学习，继而线上实现门区外停梯故障的检测。进一步地，还能够根据判断轿厢内是否有人，进行困人告警，安抚乘客的同时，进行救援路径规划，减少救援时间。
附图说明
图1示意性表示根据本发明基于多源传感器故障标签样本数据门区外停梯检测方法的流程图。
具体实施方式
为了更清楚地说明本发明实施方式或现有技术中的技术方案，下面将对实施方式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方式，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
在针对本发明的实施方式进行描述时，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”所表达的方位或位置关系是基于相关附图所示的方位或位置关系，其仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此上述术语不能理解为对本发明的限制。
下面结合附图和具体实施方式对本发明作详细地描述，实施方式不能在此一一赘述，但本发明的实施方式并不因此限定于以下实施方式。
结合图1所示，本发明的基于多源传感器故障标签样本数据门区外停梯检测方法，包括：S1、通过数据采集装置进行数据信息采集；S2、建立故障标签样本库，将标定好的故障标签样本放入所述故障标签样本库中，并判断所述故障标签样本的数据量；S3、若所述故障标签样本的数据量小于设定阈值，则将所述步骤S1获得的数据信息通过异常检测模型进行检测，若检测结果判定为电梯门区外停梯，则将所述数据信息作为新故障标签样本放入到所述故障标签样本库中；S4、若所述故障标签样本的数量大于设定阈值，则将所述步骤S1获得的数据信息通过有监督的二分类模型进行检测，再检测精度符合要求的情况下输出检测结果。
具体来说，根据不同类型的电梯和不同的电梯应用场所等，建立的故障标签样本库有所有不同，通常情况下，表现为故障标签样本库中的故障标签样本的数据量有多有少。本发明的检测方法，就是需要判断当前故障标签样本库中故障标签样本的数据量的多少，进而有针对的进行电梯是否门区外停梯检测。
具体来说，当故障标签样本库中故障标签样本的数据量小于预定阈值时，即故障标签样本库中故障标签样本的数据量较少，则通过异常检测模型对采集的数据信息进行处理，进而判断电梯是否为门区外停梯。若判定是电梯门区外停梯，则将采集的数据信息作为新标签样本放入到故障标签样本库中，此时故障标签样本的数据量就会增加，在进行下一次电梯是否门区外停梯时，需要判断此时故障标签样本库中的故障标签样本的数据量是否小于设定阈值，重复上述步骤。
当故障标签样本库中故障标签样本的数据量大于预定阈值时，即故障标签样本库中故障标签样本的数据量较多，则通过有监督的二分类模型进行检测电梯是否为门区外停梯。
本发明的检测方法，在步骤S1中获得的数据信息包括但不限于加速度、气压、楼层、品牌、电梯类型、场所类型等数据。根据本发明的一种实施方式，通过设置加速度传感器、气压传感器等获取上述信息。将数据信息输入到异常检测模型或有监督的二分类模型之间，还包括对数据信息进行预处理。对数据信息进行预处理包括单不限于缺失值处理、噪音处理，处理方法包括但不限于删除、邻居填充代替。
在本发明的检测方法中，异常检测模型适用于已有的故障标签样本的数据量不足的场景。具体包括特征工程、模型训练、模型测试、模型评估与验证。根据本发明一种实施凡事，异常检测模型根据已有的故障标签样本的数据量的多少，一方面，特征工程自适应的选择频谱分析及统计特征包括但不限于峰值、方根幅值、裕度指标、脉冲指标、峭度系数、均方根值、均值、标准差等等。模型自适应的选择传统的异常检测方法，包括但不局限于聚类方法、孤立森林、one-class单类模型学习等。
在本发明的检测方法中，有监督的二分类模型适用于已有的故障标签样本的数据量丰富的场景，能够随着故障标签样本数据量的增加，自适应选择更深度复杂的模型，提取出更丰富的特征，实现更准确的检测识别效果。
具体地，该模块中的特征工程不局限于简单的特征工程，还包括根据加速度曲线进行embedding的嵌入学习，这样的方法包括但不局限于auto-encoder、seq2seq、BiLSTM等。得到的embedding融合到已有的基础特征一起作为分类监督学习的输入。特别地，除了先得到嵌入表达再加入分类模型外，还可以直接将加速度等数据进行拼接，作为分类模型的输入，进行端到端(end-to-end)的学习，以减少误差累积，但这会增加线上模型检测时长。
另一方面，该模块中的分类模型包括但不局限于简单的数据挖掘模型，如randomforesets、SVM、lightGBM、xgboost等或者多个模型的ensemble，还能够自适应的根据样本量选择深度复杂的模型，如CNN、LSTM、deepFM、wide&deep等等，以达到更好的检测效果。这里的检测效果评估指标包括但不局限于精确率、召回率，或者是二者的加权的f1-score，具体视需求而定。
根据本发明的一种实施方式，本发明的检测方法还能够进一步地根据人感数据或者摄像头数据判断轿厢是否有人，从而检测门区外停梯，且轿厢有人，已对被困人员进行安抚，并及时救援。
本发明提供一种基于故障标签样本数据自适应地进行门区外停梯的检测方法，一方面不用在各楼层同时安装复合式传感器，另一方面，不依赖于经验规则，能够根据已有的门区外停梯故障标签样本数据量的大小进行自适应线下模型学习，继而线上实现门区外停梯故障的检测。进一步地，还能够根据判断轿厢内是否有人，进行困人告警，安抚乘客的同时，进行救援路径规划，减少救援时间。
以上所述仅为本发明的一个方案而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于多源传感器故障标签样本数据门区外停梯检测方法，包括：
S1、通过数据采集装置进行数据信息采集；
S2、建立故障标签样本库，将标定好的故障标签样本放入所述故障标签样本库中，并判断所述故障标签样本的数据量；
S3、若所述故障标签样本的数据量小于设定阈值，则将所述步骤S1获得的数据信息通过异常检测模型进行检测，若检测结果判定为电梯门区外停梯，则将所述数据信息作为新故障标签样本放入到所述故障标签样本库中；
S4、若所述故障标签样本的数量大于设定阈值，则将所述步骤S1获得的数据信息通过有监督的二分类模型进行检测，再检测精度符合要求的情况下输出检测结果。
2.根据权利要求1所述的基于多源传感器故障标签样本数据门区外停梯检测方法，其特征在于，将所述步骤S1获得的数据信息输入所述异常检测模型或有监督的二分类模型之前，还包括对所述数据信息进行预处理。
3.根据权利要求2所述的基于多源传感器故障标签样本数据门区外停梯检测方法，其特征在于，对所述数据信息进行预处理包括缺失值处理、噪音处理，处理方法包括删除、邻居填充代替。
4.根据权利要求1所述的基于多源传感器故障标签样本数据门区外停梯检测方法，其特征在于，所述步骤S1中获得的数据信息包括加速度、气压、楼层、品牌、电梯类型、场所类型。
5.根据权利要求1所述的基于多源传感器故障标签样本数据门区外停梯检测方法，其特征在于，所述异常检测模型包括特征工程、模型训练、模型测试、模型评估与验证。
6.根据权利要求5所述的基于多源传感器故障标签样本数据门区外停梯检测方法，其特征在于，所述特征工程自适应的频谱分析以及统计特征，包括峰值、方根幅值、裕度指标、脉冲指标、峭度系数、均方根值、均值或标准差。
7.根据权利要求6所述的基于多源传感器故障标签样本数据门区外停梯检测方法，其特征在于，所述异常检测模型对于数据信息的检测方法包括聚类方法、孤立森林方法或one-class单类模型学习。
8.根据权利要求1所述的基于多源传感器故障标签样本数据门区外停梯检测方法，其特征在于，监督的二分类模型对数据信息进行检测包括:
根据加速度曲线进行embedding嵌入学习，将得到的embedding融合到已有的基础特征一起作为分类监督学习的输入，加入分类模型进行检测。
9.根据权利要求8所述的基于多源传感器故障标签样本数据门区外停梯检测方法，其特征在于，所述加速度曲线进行embedding嵌入学习的方法包括：auto-encoder、seq2seq或BiLSTM。
10.根据权利要求1所述的基于多源传感器故障标签样本数据门区外停梯检测方法，其特征在于，所述检测方法还包括检测电梯轿厢内是否有人。
CN202010090021.2A 2020-02-13 2020-02-13 基于多源传感器故障标签样本数据门区外停梯检测方法 Active CN111170108B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010090021.2A CN111170108B (zh) 2020-02-13 2020-02-13 基于多源传感器故障标签样本数据门区外停梯检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010090021.2A CN111170108B (zh) 2020-02-13 2020-02-13 基于多源传感器故障标签样本数据门区外停梯检测方法

Publications (2)

Publication Number Publication Date
CN111170108A true CN111170108A (zh) 2020-05-19
CN111170108B CN111170108B (zh) 2021-11-23

Family

ID=70648475

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010090021.2A Active CN111170108B (zh) 2020-02-13 2020-02-13 基于多源传感器故障标签样本数据门区外停梯检测方法

Country Status (1)

Country Link
CN (1) CN111170108B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112926632A (zh) * 2021-02-01 2021-06-08 广州赛特智能科技有限公司 一种检测电梯与楼层高度差异的方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101151201A (zh) * 2005-04-08 2008-03-26 通力股份公司 状况监视系统
CN103699698A (zh) * 2014-01-16 2014-04-02 北京泰乐德信息技术有限公司 一种基于改进贝叶斯的轨道交通故障识别方法及系统
CN106872894A (zh) * 2017-03-03 2017-06-20 南方科技大学 一种三相电机的故障检测方法及装置
CN108322347A (zh) * 2018-02-09 2018-07-24 腾讯科技（深圳）有限公司 数据检测方法、装置、检测服务器及存储介质
CN108483172A (zh) * 2018-02-28 2018-09-04 武汉大学 一种智能化电梯轿厢安全监测与评估系统
CN109766927A (zh) * 2018-12-10 2019-05-17 清华大学 基于混合深度学习的高铁道岔智能故障检测方法
CN110657984A (zh) * 2019-09-27 2020-01-07 重庆大学 一种基于强化胶囊网络的行星齿轮箱故障诊断方法
CN112478975A (zh) * 2020-12-09 2021-03-12 浙江新再灵科技股份有限公司 基于音频特征的电梯门故障检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101151201A (zh) * 2005-04-08 2008-03-26 通力股份公司 状况监视系统
CN103699698A (zh) * 2014-01-16 2014-04-02 北京泰乐德信息技术有限公司 一种基于改进贝叶斯的轨道交通故障识别方法及系统
CN106872894A (zh) * 2017-03-03 2017-06-20 南方科技大学 一种三相电机的故障检测方法及装置
CN108322347A (zh) * 2018-02-09 2018-07-24 腾讯科技（深圳）有限公司 数据检测方法、装置、检测服务器及存储介质
CN108483172A (zh) * 2018-02-28 2018-09-04 武汉大学 一种智能化电梯轿厢安全监测与评估系统
CN109766927A (zh) * 2018-12-10 2019-05-17 清华大学 基于混合深度学习的高铁道岔智能故障检测方法
CN110657984A (zh) * 2019-09-27 2020-01-07 重庆大学 一种基于强化胶囊网络的行星齿轮箱故障诊断方法
CN112478975A (zh) * 2020-12-09 2021-03-12 浙江新再灵科技股份有限公司 基于音频特征的电梯门故障检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
DATAVISOR: "《搜狐网https://www.sohu.com/a/228165039_597034》", 13 April 2018 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112926632A (zh) * 2021-02-01 2021-06-08 广州赛特智能科技有限公司 一种检测电梯与楼层高度差异的方法

Also Published As

Publication number Publication date
CN111170108B (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
CN108460144B (zh) 一种基于机器学习的煤炭设备故障预警系统及方法
CN109019216B (zh) 电梯故障智能诊断系统及方法
CN105947822B (zh) 一种电梯运行状态监测系统及监测方法
CN106672715B (zh) 电梯平层控制方法及应用该方法进行平层控制的电梯
CN109919066B (zh) 一种检测轨道交通车厢内乘客密度异常的方法和装置
CN112938684B (zh) 一种电梯运行轨迹分析系统
CN111170108B (zh) 基于多源传感器故障标签样本数据门区外停梯检测方法
CN112347873A (zh) 梯控方法
CN110589647A (zh) 一种通过监控对电梯门进行实时故障检测及预测的方法
CN111717753A (zh) 基于多维故障特征的自适应电梯故障预警系统及方法
CN109896384B (zh) 基于大数据分析的曳引电梯健康状态特征参数提取方法
CN111731960A (zh) 电梯门开关状态检测方法
CN108382937A (zh) 一种电梯厅门自动检测方法
CN106081768A (zh) 光幕故障检测方法和系统
CN112960503A (zh) 一种电梯轿门运行轨迹建模方法
CN106865367A (zh) 电梯平层控制系统及具有该系统的电梯
CN106379787B (zh) 一种电梯预警救援车
CN113554364A (zh) 灾害应急管理方法、装置、设备及计算机存储介质
CN107187978A (zh) 一种电梯运行状态监测系统及监测方法
CN113371569A (zh) 电梯安全系统
CN107632306A (zh) 一种考虑树木倒伏的导线障碍安全距离检测方法
CN105270955B (zh) 一种自诊断的电梯终端强制减速装置及故障检测方法
CN111960207B (zh) 基于多元分析的电梯运行环境异常检测方法及检测系统
CN114314243A (zh) 基于视频识别技术的升降机超载报警系统及超载报警方法
CN113200425B (zh) 电梯系统以及轿厢位置确定方法

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