CN112093612A - 一种直梯故障预测方法及系统 - Google Patents
一种直梯故障预测方法及系统 Download PDFInfo
- Publication number
- CN112093612A CN112093612A CN202010738939.3A CN202010738939A CN112093612A CN 112093612 A CN112093612 A CN 112093612A CN 202010738939 A CN202010738939 A CN 202010738939A CN 112093612 A CN112093612 A CN 112093612A
- Authority
- CN
- China
- Prior art keywords
- parameter information
- state parameter
- prediction model
- day
- straight
- 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.)
- Pending
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
- B66B5/02—Applications of checking, fault-correcting, or safety devices in elevators responsive to abnormal operating conditions
-
- 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
-
- 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
- Ladders (AREA)
Abstract
本申请提供了一种直梯故障预测方法及系统,该方法通过实时对直梯进行数据采样,获取直梯的状态参数信息,通过记录连续一段时间的直梯状态参数信息,构建灰色预测模型,应用该灰色预测模型对直梯的状态参数进行预测,进而获取直梯的健康状态情况;首先本方案能够实现对直梯的多种类型的参数进行预测,进而使对直梯健康状态的判断更加准确,能够有效避免极大多数的直梯故障导致的事故;其次本方案的灰色预测模型能够根据实际采样的结果,以天为单元进行持续不断的更新,保证了预测的延续性,同时也保证了直梯状态参数信息预测的准确性,进而进一步提高对直梯健康状态判断的准确性;该系统应用该方法实现对直梯故障的预测。
Description
技术领域
本申请涉及电梯故障检测技术领域,具体而言,涉及一种直梯故障预测方法及系统。
背景技术
电梯作为一种比较复杂的机电一体的设备,在人民的日常生活得以广泛的使用,直接关系到大众的生命安全,所以在设计过程中已经充分考虑了电梯安全性,并且由于电梯是一种使用频率相对较高的机电设备,在电梯使用过程也制定了严格的保养制度。但是由于每台成品设备安装环境的不同,设备自身故障发生的类型又有其特异性,所以虽然执行了严格规范的保养制度,电梯也会出现各种故障,为使用者带来很多不便。因此如果能对电梯的故障进行提前预测,并在故障到来前进行预警和提前维保维修,将会大大减小电梯故障的发生率。
在对多个小区电梯使用情况进行统计后发现,电梯平层不准确现象是电梯使用过程中的典型且常见现象。电梯发生平层不准确的原因很多,主要有曳引轮有打滑现象,终端减速或限位开关动作不可靠,编码器信号受干扰,导致脉冲计数不准确,电梯错层,对于其它控制系统,电梯运行过程中,平层信号误动作、平层信号受到干扰或闪动会导致楼层数据错乱等。由此可见对直梯平层数据进行检测和预测,对提升电梯整机运行质量作用很大。
如申请号为201710666494.0、名称为电梯平层故障的检测方法和系统的中国发明专利,通过在电梯轿门开启时,获取电梯轿内地坎与电梯所在楼层的层门地坎所在区域的目标图像,计算目标图像中电梯轿内地坎和层门地坎之间的视角差值,在视角差值大于或小于预设值时,判定电梯平层故障。在此方案中,通过对电梯轿内地坎与电梯所在楼层的层门地坎所在区域的目标图像进行分析计算,可以获取电梯轿内地坎和层门地坎之间的视角差值,根据视角差值判断是否发生电梯平层故障,避免通过用户申诉告知电梯运维人员的滞后性,而且在发现故障以后可以通知电梯运维人员进行维修,充分合理利用运维资源,从而提高电梯平层故障的检测效率。
然而在实际情况中,电梯安全参考因素还包括制动器间隙、井道噪声、钢丝绳振动差等。
又如申请号为201910039415.2、名称为电梯拖闸故障检测系统、方法、装置、设备及存储介质的中国发明专利,通过获取电梯轿厢运行时曳引轮与各制动器的刹车片摩擦发出的音频信号(即制动器噪音),获取电梯轿厢运行时电机的工作电流信号,根据音频信号所对应的音频特性与工作电流信号所对应的目标电流有效值,识别出电梯拖闸故障,以实现电梯轻微拖闸故障的准确检测,避免电梯长期在轻微拖闸状态下运行加快制动器的耗损,降低电梯使用寿命的风险。
可见,对于现有技术对于电梯的故障检测所参考的因素较为单一,且缺乏对电梯状态的预测;仅仅只有检测的数据时,仅能实现对已发生故障的原因探索,从而尽快解决已发生的电梯故障,但是不能有效降低事故的发生率,因此对电梯故障的预测是十分需要的。
本发明通过对电梯中直梯的平层数据、制动器间隙数据、井道噪声数据、钢丝绳振动差(张力差)数据的采集与预测,以期能够做到防范于未然,预测电梯可能发生的故障提前进行维保,从而减小电梯故障的发生。
申请内容
本申请的目的在于提供一种直梯故障预测方法及系统,其能够准确预测直梯的状态参数信息,进而根据直梯的状态参数信息判断直梯的监控状态,使得对直梯的维护具有前瞻性,从而避免直梯发生故障而引起安全事故。
本申请通过以下技术方案实现:
第一方面,一种直梯故障预测方法,所述方法包括:
对直梯状态参数信息进行持续采样,并记录一时间周期内每天所采样的状态参数信息,所述时间周期记为第一周期;
根据所采样第一周期时间段内的的直梯状态参数信息,获取直梯状态参数信息发展灰数a和内生控制灰数b,进而构建直梯灰色预测模型和累加值预测模型,所述直梯灰色预测模型和累加值预测模型可周期性的更新,所述更新的周期记为第二周期;
应用所述直梯灰色预测模型和累加值预测模型计算出当前所述直梯灰色预测模型和累加值预测模型构建或更新后的一第一周期中每天的直梯状态参数信息预测值,对比预测值与阈值,当预测值大于阈值时,触发报警。
进一步的,所述状态参数信息的采样间隔为15-30分钟,每日采样的平均值作为当日所记录的状态参数信息;且所述状态参数信息包括但不限于平层状态数据、制动器间隙数据、井道噪声数据和钢索振动差数据。
进一步的,所述第一周期为7-15天。
进一步的,将所述第一周期内每天所记录的所述状态参数信息逐天累加,获取每一天的状态参数信息累加值;根据所述状态参数信息累加值获取每一天的状态参数信息均值。
进一步的,通过所述第一周期内每一天的状态参数信息、状态参数信息累加值以及状态参数信息均值,计算得到第一周期时间段内的发展灰数a和内生控制灰数b,进而构建直梯灰色预测模型和累加值预测模型。
进一步的,所述直梯灰色预测模型和累加值预测模型的更新包括,在构建或更新所述直梯灰色预测模型和累加值预测模型时采集直梯状态参数信息所用的第一时间段上增加第二周期,构成第二时间段,根据第二时间段内每天所记录的所述状态参数信息获取状态参数信息累加值和状态参数信息均值,进而计算得到第二时间段内的发展灰数a1和内生控制灰数b1,进而更新所述直梯灰色预测模型和累加值预测模型。
进一步的,所述第二周期为1天。
进一步的,所述报警触发后,相关直梯立即停止使用,并通知维护人员开展检查维护工作。
第二方面,一种直梯故障预测系统,包括:
直梯状态参数信息采样装置,用于对直梯状态参数信息进行周期性采样,其采样周期为15-30分钟,并获取当日采样的平均值作为当日所记录的状态参数信息;
预测模型构建模块,用于根据直梯状态参数信息构建与更新灰色预测模型和累加值预测模型并预测直梯状态参数信息;
运维平台,用于根据预测的直梯状态参数信息获取直梯健康状态;
移动终端,用于实现远程获取所述运维平台中的直梯健康状态。
进一步的,所述运维平台包括通信模块,所述通信模块用于将直梯健康状态发送至所述移动终端。
本申请实施例的技术方案至少具有如下优点和有益效果:通过实时对直梯进行数据采样,获取直梯的状态参数信息,通过记录连续一段时间的直梯状态参数信息,构建灰色预测模型,应用该灰色预测模型对直梯的状态参数进行预测,进而获取直梯的健康状态情况;尤其需要指出的是,首先本方案能够实现对直梯的多种类型的参数进行预测,进而使对直梯健康状态的判断更加准确,能够有效避免极大多数的直梯故障导致的事故;其次本方案的灰色预测模型能够根据实际采样的结果,以天为单元进行持续不断的更新,保证了预测的延续性,同时也保证了直梯状态参数信息预测的准确性,进而进一步提高对直梯健康状态判断的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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获得其他相关的附图。
图1为本申请直梯故障预测方法的流程示意图;
图2为本申请直梯故障预测系统示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中,需要说明的是,若出现术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该申请产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本申请和简化描述,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,因此不能理解为对本申请的限制。
在本申请的描述中,还需要说明的是,除非另有明确的规定和限定,若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;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。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
本实施例提供一种直梯故障预测方法,所述方法包括:
步骤S1,对直梯状态参数信息进行持续采样,并记录一时间周期内每天所采样的状态参数信息,所述时间周期记为第一周期。
其中,所述状态参数信息的采样间隔为15-30分钟,每日采样的平均值作为当日所记录的状态参数信息;且所述状态参数信息包括平层状态数据、制动器间隙数据、井道噪声数据、钢索振动差数据、重量平衡状态数据以及驱动电机状态数据等。
需要说明的是,由于直梯的常用时段主要集中在6-23点时间段,在常用时段,可以采用更短的采样间隔,如以15分钟作为一个采样的周期;在不常用时段可以采用稍长的采样间隔,如以30分钟作为一个采样的周期;若在直梯采样周期节点时,直梯未运行,可以通过使直梯主动运行获得采样数据,也可以顺延至直梯再次运行的时间节点。
可以理解的是,由于直梯的不常用时段主要集中在凌晨时段,直梯多数处于停运状态,为节约电能以及避免直梯不必要的运行,在不常用时间段可以停止对直梯状态参数信息的采样。
记录一个时间周期内每日所记录的状态参数信息,该时间周期记为第一周期,其中第一周期为7-15天;由于大多数的直梯的维护检查周期为一个月,所述将第一周期设置为7-15天。
优选的,第一周期设置为10天,为使预测结果更为准确,可以将第一周期设置为15天。
步骤S2,根据所采样第一周期时间段内的直梯状态参数信息,获取直梯状态参数信息发展灰数a和内生控制灰数b,进而构建直梯灰色预测模型和累加值预测模型,所述直梯灰色预测模型和累加值预测模型可周期性的更新,所述更新的周期记为第二周期。
并且通过所述第一周期内每一天的状态参数信息、状态参数信息累加值以及状态参数信息均值,计算得到第一周期时间段内的发展灰数a和内生控制灰数b,进而构建直梯灰色预测模型和累加值预测模型。
以直梯状态参数信息中的平层状态数据为例:
将所述第一周期内每天所记录的平层状态数据逐天累加,获取每一天的平层状态数据累加值;根据平层状态数据累加值获取每一天的平层状态数据均值;具体过程如下:
通过步骤S1获取的平层状态数据X0(n),其中X0(n)表示表1中平层状态数据中的第n天的平层误差,将平层误差进行累加,获取平层误差累加值X1(n),其中X1(n)表示第n天的平层误差累加值,根据平层误差累加值获取平层误差累加值均值Z1(n),其中Z1(n)表示第n天的平层误差累加值均值。
根据平层误差数据以及平层误差累加值均值获取发展灰数a与内生控制灰数b的值。
其中制动器间隙数据、井道噪声数据、钢索振动差数据、重量平衡状态数据以及驱动电机状态数据的灰色预测模型的获取与平层状态数据灰色预测模型的获取方式相同。
构建好的直梯灰色预测模型和累加值预测模型,在有新的直梯状态参数信息采样数据时能够持续进行更新。
直梯灰色预测模型和累加值预测模型的更新包括,在构建或更新所述直梯灰色预测模型和累加值预测模型时采集直梯状态参数信息所用的第一时间段上增加第二周期,构成第二时间段,根据第二时间段内每天所记录的所述状态参数信息获取状态参数信息累加值和状态参数信息均值,进而计算得到第二时间段内的发展灰数a1和内生控制灰数b1,进而更新所述直梯灰色预测模型和累加值预测模型。
其中第二周期为1天,即在直梯灰色预测模型和累加值预测模型初次构建后,每天采样到新的直梯状态参数信息时都会对直梯灰色预测模型和累加值预测模型进行更新。
直梯灰色预测模型和累加值预测模型的持续更新保证了预测的延续性,同时也保证了直梯状态参数信息预测的准确性,进而进一步提高对直梯健康状态判断的准确性。
步骤S3,应用所述直梯灰色预测模型和累加值预测模型计算出当前所述直梯灰色预测模型和累加值预测模型构建或更新后的一第一周期中每天的直梯状态参数信息预测值,对比预测值与阈值,当预测值大于阈值时,触发报警。
其中,将预测的累加值代入直梯灰色预测模型中即可获得直梯状态参数信息的预测值。
其中,平层误差阈值为20,制动器间隙阈值为0.7,井道噪声阈值为105,钢索振动差阈值为0.05。
当直梯状态参数信息中的各项状态的预测值大于阈值时,报警触发,相关直梯立即停止使用,并通知维护人员开展检查维护工作。
可以理解的是,报警触发后,相关固定维护人员的可以通过移动终端在第一时间获取到直梯需要维护的信息。
具体实施例:
以直梯状态参数信息中的平层状态数据为例:
通过步骤S1获取的平层状态数据如表1所示。
表1平层状态数据
X0(n)表示表1中平层状态数据中的第n天的平层误差,将平层误差进行累加,获取平层误差累加值X1(n),得到平层误差累加数列表如表2所示。
表2平层误差累加数列表
序号 | 平层误差 | 序号 | 平层误差 |
X<sup>1</sup>(1) | 10.01 | X<sup>1</sup>(6) | 55.82 |
X<sup>1</sup>(2) | 20.10 | X<sup>1</sup>(7) | 67.81 |
X<sup>1</sup>(3) | 30.31 | X<sup>1</sup>(8) | 79.90 |
X<sup>1</sup>(4) | 31.44 | X<sup>1</sup>(9) | 92.02 |
X<sup>1</sup>(5) | 43.99 | X<sup>1</sup>(10) | 104.37 |
根据平层误差累加数列表获取平层误差累加值均值数列表,如表3所示。
表3平层误差累加值均值数列表
根据平层误差数据以及平层误差累加值均值获取发展灰数a与内生控制灰数b的值,其中a=-0.258,b=10.1473,将a,b的值带入X0(k1)+aX1(k1)=b和中,进而获得平层误差累加值的预测值,将平层误差累加值的预测值代入X0(k1)+aX1(k1)=b中获得平层误差预测值,本实施例中平层误差的预测值与实测值如表4所示。
表4平层误差的预测值与实测值
时间 | 预测值 | 实测值 | 时间 | 预测值 | 实测值 |
11 | 12.378 | 12.235 | 16 | 13.222 | 13.124 |
12 | 12.453 | 12.326 | 17 | 13.756 | 13.652 |
13 | 12.462 | 12.411 | 18 | 14.236 | 14.011 |
14 | 12.533 | 12.489 | 19 | 15.011 | 14.989 |
15 | 13.012 | 12.899 | 20 | 15.689 | 15.589 |
由表4可见该方法所预测的直梯状态参数信息准确性非常的高。
本实施例还提供一种直梯故障预测系统,包括:
直梯状态参数信息采样装置,用于对直梯状态参数信息进行周期性采样,其采样周期为15-30分钟,并获取当日采样的平均值作为当日所记录的状态参数信息;
预测模型构建模块,用于根据直梯状态参数信息构建与更新灰色预测模型和累加值预测模型并预测直梯状态参数信息;
运维平台,用于根据预测的直梯状态参数信息获取直梯健康状态;
移动终端,用于实现远程获取所述运维平台中的直梯健康状态。
其中,运维平台包括通信模块,所述通信模块用于将直梯健康状态发送至所述移动终端。
以上仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种直梯故障预测方法,其特征在于,所述方法包括:
对直梯状态参数信息进行持续采样,并记录一时间周期内每天所采样的状态参数信息,所述时间周期记为第一周期;
根据所采样第一周期时间段内的直梯状态参数信息,获取直梯状态参数信息发展灰数a和内生控制灰数b,进而构建直梯灰色预测模型和累加值预测模型,所述直梯灰色预测模型和累加值预测模型可周期性的更新,所述更新的周期记为第二周期;
应用所述直梯灰色预测模型和累加值预测模型计算出当前所述直梯灰色预测模型和累加值预测模型构建或更新后的一第一周期中每天的直梯状态参数信息预测值,对比预测值与阈值,当预测值大于阈值时,触发报警。
2.根据权利要求1所述的直梯故障预测方法,其特征在于,所述状态参数信息的采样间隔为15-30分钟,每日采样的平均值作为当日所记录的状态参数信息;且所述状态参数信息包括但不限于平层状态数据、制动器间隙数据、井道噪声数据和钢索振动差数据。
3.根据权利要求2所述的直梯故障预测方法,其特征在于,所述第一周期为7-15天。
4.根据权利要求2或3所述的直梯故障预测方法,其特征在于,将所述第一周期内每天所记录的所述状态参数信息逐天累加,获取每一天的状态参数信息累加值;根据所述状态参数信息累加值获取每一天的状态参数信息均值。
5.根据权利要求4所述的直梯故障预测方法,其特征在于,通过所述第一周期内每一天的状态参数信息、状态参数信息累加值以及状态参数信息均值,计算得到第一周期时间段内的发展灰数a和内生控制灰数b,进而构建直梯灰色预测模型和累加值预测模型。
6.根据权利要求5所述的直梯故障预测方法,其特征在于,所述直梯灰色预测模型和累加值预测模型的更新包括,在构建或更新所述直梯灰色预测模型和累加值预测模型时采集直梯状态参数信息所用的第一时间段上增加第二周期,构成第二时间段,根据第二时间段内每天所记录的所述状态参数信息获取状态参数信息累加值和状态参数信息均值,进而计算得到第二时间段内的发展灰数a1和内生控制灰数b1,进而更新所述直梯灰色预测模型和累加值预测模型。
7.根据权利要求6所述的直梯故障预测方法,其特征在于,所述第二周期为1天。
8.根据权利要求1所述的直梯故障预测方法,其特征在于,所述报警触发后,相关直梯立即停止使用,并通知维护人员开展检查维护工作。
9.一种直梯故障预测系统,其特征在于,包括:
直梯状态参数信息采样装置,用于对直梯状态参数信息进行周期性采样,其采样周期为15-30分钟,并获取当日采样的平均值作为当日所记录的状态参数信息;
预测模型构建模块,用于根据直梯状态参数信息构建与更新灰色预测模型和累加值预测模型并预测直梯状态参数信息;
运维平台,用于根据预测的直梯状态参数信息获取直梯健康状态;
移动终端,用于实现远程获取所述运维平台中的直梯健康状态。
10.根据权利要求9所述的直梯故障预测系统,其特征在于,所述运维平台包括通信模块,所述通信模块用于将直梯健康状态发送至所述移动终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010738939.3A CN112093612A (zh) | 2020-07-28 | 2020-07-28 | 一种直梯故障预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010738939.3A CN112093612A (zh) | 2020-07-28 | 2020-07-28 | 一种直梯故障预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112093612A true CN112093612A (zh) | 2020-12-18 |
Family
ID=73749716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010738939.3A Pending CN112093612A (zh) | 2020-07-28 | 2020-07-28 | 一种直梯故障预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112093612A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114572787A (zh) * | 2022-03-04 | 2022-06-03 | 陈小平 | 一种基于计算机视觉的电梯非平层开门故障识别装置及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB712206A (en) * | 1952-01-11 | 1954-07-21 | British Thomson Houston Co Ltd | Improvements in or relating to position control servo systems for lifts and the like |
CN108178037A (zh) * | 2017-12-30 | 2018-06-19 | 武汉大学 | 一种基于卷积神经网络的电梯故障识别方法 |
CN109189834A (zh) * | 2018-09-04 | 2019-01-11 | 温州大学 | 基于无偏灰色模糊马尔科夫链模型的电梯可靠性预测方法 |
CN110589647A (zh) * | 2019-08-13 | 2019-12-20 | 福建工程学院 | 一种通过监控对电梯门进行实时故障检测及预测的方法 |
-
2020
- 2020-07-28 CN CN202010738939.3A patent/CN112093612A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB712206A (en) * | 1952-01-11 | 1954-07-21 | British Thomson Houston Co Ltd | Improvements in or relating to position control servo systems for lifts and the like |
CN108178037A (zh) * | 2017-12-30 | 2018-06-19 | 武汉大学 | 一种基于卷积神经网络的电梯故障识别方法 |
CN109189834A (zh) * | 2018-09-04 | 2019-01-11 | 温州大学 | 基于无偏灰色模糊马尔科夫链模型的电梯可靠性预测方法 |
CN110589647A (zh) * | 2019-08-13 | 2019-12-20 | 福建工程学院 | 一种通过监控对电梯门进行实时故障检测及预测的方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114572787A (zh) * | 2022-03-04 | 2022-06-03 | 陈小平 | 一种基于计算机视觉的电梯非平层开门故障识别装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105173943B (zh) | 一种电梯体检系统 | |
JP6370187B2 (ja) | エレベーターの点検装置 | |
US12012307B2 (en) | Elevator safety system | |
CN101269767B (zh) | 电梯的维护管理系统 | |
CN104925613A (zh) | 一种电梯在线安全检测预警装置及其检测预警方法 | |
WO2020147711A1 (zh) | 电梯运行状态监测方法和装置 | |
KR20190049602A (ko) | 엘리베이터 사물 인터넷 기반 부지중 자율 안내 시스템 및 방법 | |
CN110294398B (zh) | 电扶梯远程监测控制系统及方法 | |
CN113277396B (zh) | 一种电梯健康状态监测方法、装置及预警系统 | |
EP3674242A2 (en) | Enhancing elevator sensor operation for improved maintenance | |
US20210261383A1 (en) | Elevator monitoring system | |
CN111650918A (zh) | 一种垂直电梯全寿命周期运行安全监测系统 | |
CN112093612A (zh) | 一种直梯故障预测方法及系统 | |
CN106379787B (zh) | 一种电梯预警救援车 | |
JP3016933B2 (ja) | エレベーターの管理システム | |
CN111137773B (zh) | 用于检测电梯系统的故障的方法和系统 | |
CN108928703A (zh) | 一种电梯运行安全集中监测系统 | |
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 | |
JP4929730B2 (ja) | エレベータ制御ケーブルの異常検出装置及びそれを用いたエレベータの地震時復旧診断システム | |
CN114206760A (zh) | 电梯信息显示装置以及电梯信息显示方法 | |
CN115724314A (zh) | 一种电梯故障检测预警系统及方法 | |
JP2020029314A (ja) | エレベーター診断システム、および、エレベーターの診断方法 | |
CN212174161U (zh) | 一种电梯监测系统 | |
CN112499420A (zh) | 电梯钢丝绳破断预警系统及预警方法 | |
JP3996492B2 (ja) | 駐車装置の遠隔保守システム |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201218 |