CN113086799B - 一种基于图像识别的电梯故障检测及预警方法 - Google Patents

Abstract

本发明公开了一种基于图像识别的电梯故障检测及预警方法，包括：利用工业摄像机连续不间断采集电梯曳引机实时运行状态图像信息；对所述实时运行状态图像信息进行数据预处理，分解出图像的声音信息，并对所述声音信息进行分类；将声音分解后的图像信息及分类后的声音信息转变为数字信号；利用特征选择机制对所述数字信号进行特征提取，基于判别分析策略分析提取出的特征，得到电梯曳引机实时运行状态，判断电梯是否发生故障；若发生故障，将预警信号发送至电脑终端进行预警。本发明能针对多种故障进行检测、检测目标多样化、检测效率及检测精度高，能够及时发现故障信息，降低事故的发生率。

Description

一种基于图像识别的电梯故障检测及预警方法

技术领域

本发明涉及图像处理、电梯故障检测的技术领域，尤其涉及一种基于图像识别的电梯故障检测及预警方法。

背景技术

近年来，随着互联网技术的不断发展，信息的传递更为方便、快速和广泛。电梯，作为现代建筑内部的唯一交通工具，也在不断的进行信息化升级，如硬件的电子化、系统的集成化、轿厢及外召的电子化和互联网化等等。

而随着国内房地产的发展，电梯在使用量和增长量上都有了长足的增加，而在使用者越来越多的同时，引来的关注也越来越多，同样的，电梯在使用过程中出现故障的概率也越来越大。因此，对电梯运行状况的快速获取甚至实时掌握成了电梯运营商所需要具备的一项功能。

在电梯的日常运行过程中，随着时间的推移，电梯的零部件逐渐老化，导致零部件出现故障，进而影响电梯的正常运行。或者，因为不可预知的因素导致零部件出现故障，进而影响电梯的正常运行，因此，人们越来越重视对电梯零部件故障的有效检测。

随着我国电梯数量日益增加，电梯维护检测人员日显不足,只有曳引机出现故障时候才会派人检测和维修，受到维修人员技术水平和操作方式的限制，传统检测方法只能对部分故障进行检测、检测目标单一、检测过程繁琐、故障位置不容易确定、漏检现象时常发生。由于检测的不及时，很难及早发现新出现的电梯故障，不能预测出潜在的危险。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：传统检测方法只能对部分故障进行检测、检测目标单一、检测过程繁琐、故障位置不容易确定、漏检现象时常发生。

为解决上述技术问题，本发明提供如下技术方案：利用工业摄像机连续不间断采集电梯曳引机实时运行状态图像信息；对所述实时运行状态图像信息进行数据预处理，分解出图像的声音信息，并对所述声音信息进行分类；将声音分解后的图像信息及分类后的声音信息转变为数字信号；利用特征选择机制对所述数字信号进行特征提取，基于判别分析策略分析提取出的特征，得到电梯曳引机实时运行状态，判断电梯是否发生故障；若发生故障，将预警信号发送至电脑终端进行预警。所述特征选择机制的建立包括，图像信号特征选择机制和声音信号特征选择机制；若发生故障，将预警信号发送至电脑终端进行预警；所述声音信号特征选择机制包括，调用audioread，处理得到一个保存所述声音信号音频数据的数组，和一个采样频率；确定相关参数：窗函数、窗长、重叠点数，重叠长度，傅里叶点数；采用spectrogram函数，做短时傅里叶变换：将输入信号做STFT处理后得到的二维含时间、频率序列的数组数据；根据处理后的时频矩阵，绘制语谱图；所述判别分析策略包括，利用深度学习算法构建判别分析模型；基于专家库信息对所述判别分析模型进行训练，得到训练优化后的判别分析模型；输入所提取出的特征向量及时频矩阵进行测试，输出测试结果，根据所述测试结果判断电梯是否发生故障；所述判别分析模型包括，目标函数：

其中，

表示特征向量，

表示时频矩阵的共轭矩阵，A₁、A₂分别表示类间方差、类内方差，L(v)表示输出偏差值，v表示权重系数，

表示权重；所述

A₁、A₂包括，

其中，M₁、M₂分别表示向量系数、矩阵系数，v^t表示特征优化向量，t表示常数系数；判断所述电梯是否发生故障包括，当所述目标函数值L(v)∈(0，1)，判断所述电梯发生故障，并将预警信号发送至电脑终端进行预警。

作为本发明所述的基于图像识别的电梯故障检测及预警方法的一种优选方案，其中：所述数据预处理包括，对所述图像信息进行灰度化处理；利用高斯滤波策略分解出灰度化处理后图像信息的声音信息；对所述声音信息进行分类，存储所述灰度化处理后的图像信息以及所述声音信息。

作为本发明所述的基于图像识别的电梯故障检测及预警方法的一种优选方案，其中：包括，利用A/D转换器将所述图像信息及所述声音信息转变为数字信号。

作为本发明所述的基于图像识别的电梯故障检测及预警方法的一种优选方案，其中：所述图像信号特征选择机制包括，将图像划分为16×16的小区域；将所述小区域划分为3*3的9个像素点，将相邻的8个像素点的灰度值与中心像素点进行比较，若周围像素值大于中心像素值，则像素点的位置被标记为1，否则为0；3*3邻域内的8个点经比较可产生8位二进制数，即得到小区域的LBP值；计算所述每个小区域的直方图，即每个数字出现的频率，并对所述直方图进行归一化处理；将得到的所述每个小区域的统计直方图进行连接成为一个特征向量，即所述图像的LBP纹理特征向量；利用支持向量机对所述特征向量进行分类。

本发明的有益效果：本发明能针对多种故障进行检测、检测目标多样化、检测效率及检测精度高，能够及时发现故障信息，降低事故的发生率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明一个实施例提供的一种基于图像识别的电梯故障检测及预警方法的基本流程示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”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，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，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也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发明中的具体含义。

实施例1

参照图1，为本发明的一个实施例，提供了一种基于图像识别的电梯故障检测及预警方法，包括：

S1：利用工业摄像机连续不间断采集电梯曳引机实时运行状态图像信息；需要说明的是，选用CMOS工业摄像机进行图像信息采集。

S2：对实时运行状态图像信息进行数据预处理，分解出图像的声音信息，并对声音信息进行分类；需要说明的是，

数据预处理包括，

对图像信息进行灰度化处理；

利用高斯滤波策略分解出灰度化处理后图像信息的声音信息；

对声音信息进行分类，存储灰度化处理后的图像信息以及声音信息。

S3：将声音分解后的图像信息及分类后的声音信息转变为数字信号；需要说明的是，

利用A/D转换器将图像信息及声音信息转变为数字信号。

S4：利用特征选择机制对数字信号进行特征提取，基于判别分析策略分析提取出的特征，得到电梯曳引机实时运行状态，判断电梯是否发生故障；需要说明的是，

特征选择机制的建立包括，图像信号特征选择机制和声音信号特征选择机制。

具体的，图像信号特征选择机制包括，

将图像划分为16×16的小区域；

将所述小区域划分为3*3的9个像素点，将相邻的8个像素点的灰度值与中心像素点进行比较，若周围像素值大于中心像素值，则像素点的位置被标记为1，否则为0；

3*3邻域内的8个点经比较可产生8位二进制数，即得到小区域的LBP值；

计算每个小区域的直方图，即每个数字出现的频率，并对直方图进行归一化处理；

将得到的每个小区域的统计直方图进行连接成为一个特征向量，即图像的LBP纹理特征向量；

利用支持向量机对特征向量进行分类。

进一步的，声音信号特征选择机制包括，

调用audioread，处理得到一个保存声音信号音频数据的数组，和一个采样频率；

确定相关参数：窗函数、窗长、重叠点数，重叠长度，傅里叶点数；

采用spectrogram函数，做短时傅里叶变换：将输入信号做STFT处理后得到的二维含时间、频率序列的数组数据；

根据处理后的时频矩阵，绘制语谱图。

更进一步的，判别分析策略包括，

利用深度学习算法构建判别分析模型；

基于专家库信息对判别分析模型进行训练，得到训练优化后的判别分析模型；

其中，专家库信息为事先收集存储的在电梯运行状态最优情况下的数据信息；

输入所提取出的特征向量及时频矩阵进行测试，输出测试结果，根据测试结果判断电梯是否发生故障。

具体的，判别分析模型包括，

目标函数：

其中，

表示特征向量，

表示时频矩阵的共轭矩阵，A₁、A₂分别表示类间方差、类内方差，L(v)表示输出偏差值，v表示权重系数，

表示权重。

其中，

A₁、A₂包括，

其中，M₁、M₂分别表示向量系数、矩阵系数，v^t表示特征优化向量，t表示常数系数。

S5：若发生故障，将预警信号发送至电脑终端进行预警；需要说明的是，

基于图像信息的曳引机故障包括，曳引机水平方向振动超差，且振动频率与电机转速相吻合；蜗轮齿面磨损过快或胶合破坏；油箱温度过高，接近或超过85℃；蜗杆伸出端漏油超过标准合格品要求150c㎡/h；曳引机启动时制动器松闸迟缓或松不开；

基于声音信息的曳引机故障包括，电机发出有节奏的敲鼓声，频率与电机转速相吻合；曳引机制动器制动时轿厢内有明显的冲击感，即顿一下；整机噪声大，机房噪声超过80dB(A)；电梯由高速换入低速时曳引轮发生抖动，且箱体内发出冲击声，在轿厢内有较强的悬浮感。

判断电梯是否发生故障包括，

当目标函数值L(v)∈(0，1)，判断电梯发生故障，并将预警信号发送至电脑终端进行预警。

本发明采用双重故障检测机制，对电梯曳引机进行全面的实时监测及故障诊断，能针对多种故障进行检测，检测目标多样化，提高了检测效率及检测精度，并能够及时发现故障信息，降低事故的发生率。

实施例2

为对本方法中采用的技术效果加以验证说明，本实施例采用传统技术方案与本发明方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。

传统的技术方案：只能对部分故障进行检测、检测目标单一、检测效率及准确度低、漏检现象时常发生，为验证本方法相对传统方法具有较高检测效率、检测精度以及多样化故障检测。本实施例中将采用传统图像检测方法和本方法分别对仿真电梯曳引机的故障检测效率、准确度以及检测目标进行实时测量对比。测试环境：将电梯运行在仿真平台模拟运行并模拟曳引机故障发生场景，采用故障数据值为测试样本，分别利用传统方法及本方法，开启自动化测试设备并运用MATLB软件编程实现两种方法的仿真测试，根据实验结果得到仿真数据。每种方法各测试50组数据，计算获得每组数据的故障是否发生的检测结果以及检测到预警的时间，与仿真模拟输入的实际故障数据进行对比计算误差，结果如下表所示。

表1：实验结果对比表。

从上表可以看出本发明方法在双重检测机制下检测准确率及检测效率均高于传统方法，体现了本发明方法的有效性。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (3)

1.一种基于图像识别的电梯故障检测及预警方法，其特性在于，包括：

利用工业摄像机连续不间断采集电梯曳引机实时运行状态图像信息；

对所述实时运行状态图像信息进行数据预处理，分解出图像的声音信息，并对所述声音信息进行分类；

将声音分解后的图像信息及分类后的声音信息转变为数字信号；

利用特征选择机制对所述数字信号进行特征提取，基于判别分析策略分析提取出的特征，得到电梯曳引机实时运行状态，判断电梯是否发生故障；

所述特征选择机制的建立包括，

图像信号特征选择机制和声音信号特征选择机制；

若发生故障，将预警信号发送至电脑终端进行预警；

所述声音信号特征选择机制包括，

调用audioread，处理得到一个保存所述声音信号音频数据的数组，和一个采样频率；

确定相关参数：窗函数、窗长、重叠点数，重叠长度，傅里叶点数；

采用spectrogram函数，做短时傅里叶变换：将输入信号做STFT处理后得到的二维含时间、频率序列的数组数据；

根据处理后的时频矩阵，绘制语谱图；

所述判别分析策略包括，

利用深度学习算法构建判别分析模型；

基于专家库信息对所述判别分析模型进行训练，得到训练优化后的判别分析模型；

输入所提取出的特征向量及时频矩阵进行测试，输出测试结果，根据所述测试结果判断电梯是否发生故障；

所述判别分析模型包括，

目标函数：

其中，

表示特征向量，

表示时频矩阵的共轭矩阵，A₁、A₂分别表示类间方差、类内方差，L(v)表示输出偏差值，v表示权重系数，

表示权重；

所述

A₁、A₂包括，

其中，M₁、M₂分别表示向量系数、矩阵系数，v^t表示特征优化向量，t表示常数系数；

判断所述电梯是否发生故障包括，

当所述目标函数值L(v)∈(0，1)，判断所述电梯发生故障，并将预警信号发送至电脑终端进行预警；

所述图像信号特征选择机制包括，

将图像划分为16×16的小区域；

将所述小区域划分为3*3的9个像素点，将相邻的8个像素点的灰度值与中心像素点进行比较，若周围像素值大于中心像素值，则像素点的位置被标记为1，否则为0；

3*3邻域内的8个点经比较可产生8位二进制数，即得到小区域的LBP值；

计算所述每个小区域的直方图，即每个数字出现的频率，并对所述直方图进行归一化处理；

将得到的所述每个小区域的统计直方图进行连接成为一个特征向量，即所述图像的LBP纹理特征向量；

利用支持向量机对所述特征向量进行分类。

2.如权利要求1所述的基于图像识别的电梯故障检测及预警方法，其特征在于：所述数据预处理包括，

对所述图像信息进行灰度化处理；

利用高斯滤波策略分解出灰度化处理后图像信息的声音信息；

对所述声音信息进行分类，存储所述灰度化处理后的图像信息以及所述声音信息。

3.如权利要求1所述的基于图像识别的电梯故障检测及预警方法，其特征在于：包括，利用A/D转换器将所述图像信息及所述声音信息转变为数字信号。

Images