CN112850408A

CN112850408A - 一种基于多模型融合的电梯急停困人故障检测方法

Info

Publication number: CN112850408A
Application number: CN202110164437.9A
Authority: CN
Inventors: 钟超文; 万敏; 蔡巍伟; 靳旭哲
Original assignee: Zhejiang Xinzailing Technology Co ltd
Current assignee: Zhejiang Xinzailing Technology Co ltd
Priority date: 2021-02-05
Filing date: 2021-02-05
Publication date: 2021-05-28
Anticipated expiration: 2041-02-05
Also published as: CN112850408B

Abstract

本发明涉及一种基于多模型融合的电梯急停困人故障检测方法，包括：S1.分别采集电梯运行过程中的加速度数据、音频数据和电梯轿厢内的图像数据；S2.对所述加速度数据和所述音频数据进行数据预处理，并分别提取所述加速度数据中的加速特征和所述音频数据中的音频特征；S3.基于所述加速特征进行异常加速度检测并获得异常加速度检测结果，以及基于所述音频特征进行异常声音检测并获得异常声音检测结果；S4.对所述异常加速度检测结果和异常声音检测结果进行融合，并基于融合结果判断是否针对所述电梯产生急停故障告警。本发明的方案只需要基于传感器并配合监控摄像头设备即可实现，极大的降低了使用成本和安装难度。

Description

一种基于多模型融合的电梯急停困人故障检测方法

技术领域

本发明涉及电梯运行监测领域，尤其涉及一种基于多模型融合的电梯急停困人故障检测方法。

背景技术

随着社会的发展，电梯的应用也逐渐被普及。但在越来越多的电梯被应用的同时，电梯故障事故发生的次数也越来越多，其主要是因为依靠人工定检电梯和物业或乘客报修，存在漏报、延报和误报等情况，导致故障累积造成的。目前电梯故障诊断采用的方法主要有规则推理，传感器检测，模型计算等。规则推理方法由于知识获取困难和难以实现自学习，推理效率低；传感器检测，模式比较单一，并且需要安装大量传感器；模型计算需要海量数据支撑，收集数据困难。

依据现有的技术，能够在一定程度上对电梯故障进行预测，但是现有的技术严重依赖了硬件设备与专家经验，不仅使用成本高，而且收集数据困难。如专利中国专利CN201710341057.1，不仅需要通过采集各种电梯运行数据，而且还需要构建专家知识实现了两种预测结果的预测以判断电梯的运行故障。可见这种方式不仅需要大量的单片机与复杂的电路构成，还需要收集大量的数据构建专家知识。进而其使用成本高昂，数据收集难度大。

发明内容

本发明的目的在于提供一种基于多模型融合的电梯急停困人故障检测方法。

为实现上述发明目的，本发明提供一种基于多模型融合的电梯急停困人故障检测方法，包括：

S1.分别采集电梯运行过程中的加速度数据、音频数据和电梯轿厢内的图像数据；

S2.对所述加速度数据和所述音频数据进行数据预处理，并分别提取所述加速度数据中的加速特征和所述音频数据中的音频特征；

S3.基于所述加速特征进行异常加速度检测并获得异常加速度检测结果，以及基于所述音频特征进行异常声音检测并获得异常声音检测结果；

S4.对所述异常加速度检测结果和异常声音检测结果进行融合，并基于融合结果判断是否针对所述电梯产生急停故障告警。

根据本发明的一个方面，步骤S4中，基于融合结果判断是否针对所述电梯产生急停故障告警的步骤中，若产生急停故障告警，则进一步包括：

基于所述图像数据进行人体检测，判断所述电梯轿厢内是否存在乘客，若存在，则输出急停故障及困人告警，否则，仅输出急停故障告警。

根据本发明的一个方面，所述加速特征包括：时域特征和频域特征；其中，所述时域特征包括：基于所述加速度数据获得的加速度峭度、加速度峰值和加速度均值；所述频域特征为基于所述加速度数据进行小波包分解后所获得的各节点的能量值。

根据本发明的一个方面，所述音频特征为所述音频数据经傅里叶变换得到的频域特征梅尔倒谱系数。

根据本发明的一个方面，步骤S3中，采用异常加速度检测模型对所述加速特征进行异常加速度检测，采用异常声音状态检测模型对所述音频特征进行异常声音检测；

所述异常加速度检测模型采用XGboost模型，其其输入为基于所述加速度数据获取的所述加速度特征；

所述异常声音状态检测模型采用深度神经网络模型，其输入为所述音频特征。

根据本发明的一个方面，所述异常声音状态检测模型包括：五个依次连接的卷积层和一个全连接层；其中，第一卷积层和第二卷积层的卷积核大小，滤波器数量均是一致的；第三卷积层和第四卷积层的卷积核大小，滤波器数量均是一致的。

根据本发明的一个方面，步骤S4中，对所述异常加速度检测结果和异常声音检测结果进行融合的步骤中，采用D-S证据理论对异常加速度检测模型与异常声音状态检测模型输出的结果进行融合。

根据本发明的一个方面，步骤S4中，对所述异常加速度检测结果和异常声音检测结果进行融合的步骤中，基于D-S证据理论合成规则获得的融合结果表示为：

K＝∑m₁(B)·m₂(C)

其中，A₁为根据D-S证据理论输出的一个互斥的非空完备集合中没有发生急停故障的概率，A₂为根据D-S证据理论输出的一个互斥的非空完备集合中发生急停故障的概率，m₁为根据D-S证据理论针对所述异常加速度检测模型设定的mass函数，m₂为根据D-S证据理论针对所述异常声音状态检测模型设定的mass函数，B为所述异常加速度检测模型根据D-S证据理论输出的互斥的非空完备集合，C为所述异常声音状态检测模型根据D-S证据理论输出的互斥的非空完备集合，P₀为最终没有发生急停故障的概率，P₁为最终发生急停故障的概率。

根据本发明的一个方面，步骤S4中，基于融合结果判断是否针对所述电梯产生急停故障告警的步骤中，若P₀＜P₁则判定为发生急停故障并产生急停故障告警。

根据本发明的一个方面，基于所述图像数据进行人体检测的步骤中，采用人体检测模型对所述图像数据进行检测；

所述人体检测模型采用Fast R-CNN模型。

根据本发明的一个方面，所述第一卷积层和所述第二卷积层的卷积核大小为6*6，滤波器数量为24；

所述第三卷积层和所述第四卷积层的卷积核大小为5*5，滤波器数量为48；

所述第五卷积层的卷积核大小为4*4，滤波器数量为64；

所述全连接层的神经元数量为256。

根据本发明的一个方面，所述异常加速度检测模型采用Symlets小波基函数对输入的所述加速度特征进行提取。

根据本发明的一个方面，所述频域特征为基于所述加速度数据采用sym8小波基函数进行小波包分解后所获得的各个节点的能量值。

根据本发明的一种方案，本发明的方案仅通过简单安装的传感器、摄像设备即可实现对电梯运行安全的实时稳定监测，极大的降低了对硬件设备的要求，并且减少了对经验规则的依赖，能够自适应的学习已有的故障数据，避免过度依赖海量数据的支撑。

根据本发明的一种方案，本发明的方案只需要基于少量传感器并配合监控摄像头设备即可实现，极大的降低了使用成本和安装难度。

根据本发明的一种方案，从多个数据维度出发，使用多个模型融合检测，在一定程度上避免数据量不足导致模型效果不佳的问题

根据本发明的一种方案，通过对采集的加速度数据和音频数据进行预处理，实现了对数据质量的优化，对保证模型的输出结果的准确度有益。

根据本发明的一种方案，本发明的方案通过对采集的加速度数据和音频数据做进一步的特征选择，进而能够基于基本数据构造更多的且符合实际运行状况的额外特征数据，极大的提升模型的训练学习效率和判断准确度。

根据本发明的一种方案，本发明的方案，可以有效避免因收集的数据量不足导致的模型计算不准确的问题，并且不需要安装大量传感器，成本较低。

附图说明

图1示意性表示根据本发明的一种实施方式的基于多模型融合的电梯急停困人故障检测方法的步骤框图；

图2示意性表示根据本发明的一种实施方式的基于多模型融合的电梯急停困人故障检测方法的流程图；

图3示意性表示根据本发明的一种实施方式的异常声音状态检测模型的结构框图。

具体实施方式

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和图2所示，根据本发明的一种实施方式，本发明的一种基于多模型融合的电梯急停困人故障检测方法，包括：

S2.对加速度数据和音频数据进行数据预处理，并分别提取加速度数据中的加速特征和音频数据中的音频特征；

S3.基于加速特征进行异常加速度检测并获得异常加速度检测结果，以及基于音频特征进行异常声音检测并获得异常声音检测结果；

S4.对异常加速度检测结果和异常声音检测结果进行融合，并基于融合结果判断是否针对电梯产生急停故障告警。

根据本发明的一种实施方式，步骤S1中，通过在电梯轿厢上安装加速度传感器采集电梯运行过程中的加速度数据，在电梯轿厢上安装音频接收传感器采集电梯运行过程中的音频数据，以及通过在电梯轿厢内安装图像采集装置采集电梯轿厢内的图像数据。

根据本发明的一种实施方式，步骤S2中，对采集的加速度数据和音频数据进行预处理，从而能够获得质量更优的数据，对保证后续进行模型训练和/或模型判断准确度有益。在本实施方式中，对加速度数据和音频数据进行预处理的方法可以为对数据中的噪声与缺失值进行删除、填充等操作。

在本实施方式中，对完成预处理的加速度数据和音频数据进行特征选择，分别获取相应的加速度特征和音频特征。在本实施方式中，特征选择是根据预处理好的加速度数据和音频数据构造额外的加速度特征和音频特征，进而获取更多特征数据，提升模型的判断精确度。在本实施方式中，加速特征包括：时域特征和频域特征；其中，时域特征包括：基于加速度数据获得的加速度峭度、加速度峰值和加速度均值；频域特征为基于加速度数据进行小波包分解后所获得的各节点(指小波包树上的每个节点，每个节点都有对应的小波包系数)的能量值。在本实施方式中，小波包分解使用的小波基函数为sym8，以该函数对分解得到的各个节点的能量值作为特征，即频域特征为基于加速度数据采用sym8小波基函数进行小波包分解后所获得的各个节点的能量值。根据本发明，其处理精度高、速度快，非常有利于在电梯运行过程中的及时响应，对保证电梯的正常安全运行有益。

在本实施方式中，音频特征为音频数据经傅里叶变换得到的频域特征梅尔倒谱系数。在本实施方式中，梅尔倒谱系数是多维特征，前13维特征代表了语音特征，其他维度的数据与语音信号相关性不高，进而选取前13维系数作为输入。

结合图1和图2所示，根据本发明的一种实施方式，基于加速特征进行异常加速度检测并获得异常加速度检测结果，以及基于音频特征进行异常声音检测并获得异常声音检测结果。在本实施方式中，上述检测步骤主要目的为检测出异常状态的电梯，具体表现为电梯运行异常。在本实施方式中，采用异常加速度检测模型对加速特征进行异常加速度检测，采用异常声音状态检测模型对音频特征进行异常声音检测。在本实施方式中，异常加速度检测模型采用XGboost模型，其输入为基于加速度数据获取的加速度特征(即时域特征与频域特征)。在本实施方式中，异常加速度检测采用Symlets小波基函数(小波滤波器长度为2×N＝16，小波函数消失矩为N＝8，即sym8小波基函数)，提取加速度特征，降低数据维度提高检测速度，Symlets函数相比其他小波函数具有更好对称性并且在对信号进行分析和重构时能减少相位失真，降低误差。异常声音状态检测模型采用深度神经网络模型，其输入为音频特征(即音频数据经傅里叶变换得到的频域特征梅尔倒谱系数)。在本实施方式中，异常加速度检测模型采用Xgboost模型，检测速度相比深度学习算法检测速度更快且支持分布式计算，并且检测效果也比传统机器学习算法更好，对于提高本发明的检测精度有益。此外，在本实施方式中，异常声音状态检测模型采用高维数据进行训练，相比与传统的简单机器学习算法具有更优秀的检测能力和精度。

如图3所示，根据本发明的一种实施方式，异常声音状态检测模型包括：五个依次连接的卷积层和一个全连接层；其中，第一卷积层(Conv1)和第二卷积层(Conv2)的卷积核大小，滤波器数量均是一致的；第三卷积层(Conv3)和第四卷积层(Conv4)的卷积核大小，滤波器数量均是一致的。在本实施方式中，第一卷积层(Conv1)和第二卷积层(Conv2)的卷积核大小为6*6，滤波器数量为24，第三卷积层(Conv3)和第四卷积层(Conv4)的卷积核大小为5*5，滤波器数量为48，第五卷积层(Conv5)的卷积核大小为4*4，滤波器数量为64，全连接层(Fc6)的神经元数量为256。

结合图1和图2所示，根据本发明的一种实施方式，步骤S4中，对异常加速度检测结果和异常声音检测结果进行融合的步骤中，采用D-S证据理论对异常加速度检测模型与异常声音状态检测模型输出的结果进行融合。

结合图1和图2所示，根据本发明的一种实施方式，步骤S4中，对异常加速度检测结果和异常声音检测结果进行融合的步骤中，首先构建基于D-S证据理论的非空完备集合与归一化常数。在本实施方式中，基于根据D-S证据理论假设异常加速度检测模型为mass函数m₁，异常声音状态检测模型为mass函数m₂，进而基于每个mass函数(即m₁或m₂)，均可输出一个互斥的非空模型输出为一个互斥的非空完备集合θ＝{A₁,A₂}，其中A₁为没有发生急停故障的概率，A₂为发生急停故障的概率，因此，将异常加速度检测结果和异常声音检测结果进行融合所需要的归一化常数K则表示为：

K＝∑m₁(B)·m₂(C)

其中，B为异常加速度检测模型根据D-S证据理论输出的互斥的非空完备集合，C为异常声音状态检测模型根据D-S证据理论输出的互斥的非空完备集合；

其次，基于D-S证据理论合成规则将异常加速度检测结果和异常声音检测结果进行融合后，获得的融合结果表示为：

其中，P₀为最终(即融合结果)没有发生急停故障的概率，P₁为最终(即融合结果)发生急停故障的概率。

结合图1和图2所示，根据本发明的一种实施方式，步骤S4中，基于融合结果判断是否针对电梯产生急停故障告警的步骤中，基于前述的融合结果表达式分别输出两个概率值即P₀和P₁，若P₀＜P₁则判定为发生急停故障并产生急停故障告警。

结合图1和图2所示，根据本发明的一种实施方式，步骤S4中，基于融合结果判断是否针对电梯产生急停故障告警的步骤中，若产生急停故障告警，则进一步包括：

基于图像数据进行人体检测，判断电梯轿厢内是否存在乘客，若存在，则输出急停故障及困人告警，否则，仅输出急停故障告警。

根据本发明的一种实施方式，基于图像数据进行人体检测的步骤中，采用人体检测模型对图像数据进行检测；在本实施方式中，人体检测模型采用Fast R-CNN模型。在本实施方式中，采用Fast R-CNN模型对于提高人体检测的精度具有良好的效果，并且检测速度快效率高。

根据本发明，首先，只需要基于加速度传感器并配合监控摄像头设备，极大的降低了使用成本；其次，不依赖经验规则，能够根据已有的故障数据自适应的线下学习每一台电梯特征属性，继而线上实现故障诊断功能；并且，从多个数据维度出发，使用多个模型融合检测，在一定程度上避免数据量不足导致模型效果不佳的问题。

根据本发明的一种实施方式，在发出急停故障告警或急停故障及困人告警后，同时跟踪告警回溯维保记录，并将结果返回至数据库进行保存。

上述内容仅为本发明的具体方案的例子，对于其中未详尽描述的设备和结构，应当理解为采取本领域已有的通用设备及通用方法来予以实施。

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

1.一种基于多模型融合的电梯急停困人故障检测方法，包括：

2.根据权利要求1所述的基于多模型融合的电梯急停困人故障检测方法，其特征在于，步骤S4中，基于融合结果判断是否针对所述电梯产生急停故障告警的步骤中，若产生急停故障告警，则进一步包括：

3.根据权利要求1或2所述的基于多模型融合的电梯急停困人故障检测方法，其特征在于，所述加速特征包括：时域特征和频域特征；其中，所述时域特征包括：基于所述加速度数据获得的加速度峭度、加速度峰值和加速度均值；所述频域特征为基于所述加速度数据进行小波包分解后所获得的各节点的能量值。

4.根据权利要求3所述的基于多模型融合的电梯急停困人故障检测方法，其特征在于，所述音频特征为所述音频数据经傅里叶变换得到的频域特征梅尔倒谱系数。

5.根据权利要求3所述的基于多模型融合的电梯急停困人故障检测方法，其特征在于，步骤S3中，采用异常加速度检测模型对所述加速特征进行异常加速度检测，采用异常声音状态检测模型对所述音频特征进行异常声音检测；

所述异常加速度检测模型采用XGboost模型，其输入为基于所述加速度数据获取的所述加速度特征；

6.根据权利要求5所述的基于多模型融合的电梯急停困人故障检测方法，其特征在于，所述异常声音状态检测模型包括：五个依次连接的卷积层和一个全连接层；其中，第一卷积层和第二卷积层的卷积核大小，滤波器数量均是一致的；第三卷积层和第四卷积层的卷积核大小，滤波器数量均是一致的。

7.根据权利要求6所述的基于多模型融合的电梯急停困人故障检测方法，其特征在于，步骤S4中，对所述异常加速度检测结果和异常声音检测结果进行融合的步骤中，采用D-S证据理论对异常加速度检测模型与异常声音状态检测模型输出的结果进行融合。

8.根据权利要求7所述的基于多模型融合的电梯急停困人故障检测方法，其特征在于，步骤S4中，对所述异常加速度检测结果和异常声音检测结果进行融合的步骤中，基于D-S证据理论合成规则获得的融合结果表示为：

K＝∑m₁(B)·m₂(C)

9.根据权利要求8所述的基于多模型融合的电梯急停困人故障检测方法，其特征在于，步骤S4中，基于融合结果判断是否针对所述电梯产生急停故障告警的步骤中，若P₀＜P₁则判定为发生急停故障并产生急停故障告警。

10.根据权利要求2所述的基于多模型融合的电梯急停困人故障检测方法，其特征在于，基于所述图像数据进行人体检测的步骤中，采用人体检测模型对所述图像数据进行检测；

所述人体检测模型采用Fast R-CNN模型。

11.根据权利要求6所述的基于多模型融合的电梯急停困人故障检测方法，其特征在于，所述第一卷积层和所述第二卷积层的卷积核大小为6*6，滤波器数量为24；

所述第五卷积层的卷积核大小为4*4，滤波器数量为64；

所述全连接层的神经元数量为256。

12.根据权利要求5所述的基于多模型融合的电梯急停困人故障检测方法，其特征在于，所述异常加速度检测模型采用Symlets小波基函数对输入的所述加速度特征进行提取。

13.根据权利要求12所述的基于多模型融合的电梯急停困人故障检测方法，其特征在于，所述频域特征为基于所述加速度数据采用sym8小波基函数进行小波包分解后所获得的各个节点的能量值。