CN113526282B - 一种电梯中长期老化故障诊断方法、装置、介质和设备 - Google Patents
一种电梯中长期老化故障诊断方法、装置、介质和设备 Download PDFInfo
- Publication number
- CN113526282B CN113526282B CN202110719570.6A CN202110719570A CN113526282B CN 113526282 B CN113526282 B CN 113526282B CN 202110719570 A CN202110719570 A CN 202110719570A CN 113526282 B CN113526282 B CN 113526282B
- Authority
- CN
- China
- Prior art keywords
- elevator
- time sequence
- active power
- identification result
- medium
- 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.)
- Active
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
-
- 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
- B66B5/0087—Devices facilitating maintenance, repair or inspection tasks
-
- 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
Abstract
本发明实施例提供一种电梯中长期老化故障诊断方法、装置、介质和设备,该方法包括:输入电梯曳引机的电流时间序列和有功功率时间序列;将电流时间序列和有功功率时间序列分别转变成灰度二值图像;利用改进的二维卷积神经网络对电流时间序列对应的灰度二值图像进行分析,获得表征电梯运行过程的第一识别结果;根据数据描述性分析的预设多个指标对有功功率时间序列对应的灰度二值图像进行分析,获得表征电梯运行过程的第二识别结果;根据第一识别结果、第二识别结果和电梯运行状态的采样结果,诊断电梯是否发生中长期老化故障。本发明利用电流和有功功率双变量同步描述电梯工况,根据两个变量定位同一处故障,识别准确率高。
Description
技术领域
本发明涉及电梯领域、时间序列预测领域,更具体地说,涉及一种电梯中长期老化故障诊断方法、装置、介质和设备。
背景技术
伴随着房地产发展和轨道交通建设,电梯产业得到快速的发展。电梯是一种快捷便利的楼宇交通工具,它的使用改善了人民的生活品质。目前,我国已是全球电梯保有量第一的国家,占全球电梯总量的三分之一以上。伴随着电梯保有量的逐年递增,电梯维修保养需求也随之增长。截至2020年电梯维修保养的潜在经济效益达到500多亿元,未来五年预测将保持逐年增长60亿元左右。2020年江苏省全省平均每天处理电梯困人故障达到110起,月均困人率达到0.55%。目前,电梯定期维保采取的是半月检查、月度检查和年度检查等方式,定期维保是一种较为可靠的维保方式,但是耗费的维保经济成本较大,迫切需要一种电梯智能故障预警算法来替代人工定期维保。电梯维修保养采取的主要方式是依靠维保工人的经验知识进行维保,维保工人的水平参差不齐,不能很好地排除电梯潜在故障。此外,不同品牌电梯的兼容性不好,电梯生产厂家对自家电梯产品更新升级速度较快。电梯维保人员需要对不同品牌的电梯进行学习更新,维保人员对电梯认识呈现不同层次的水平,这阻碍了维保的进程和可靠性。现存的定期维保绝大部分还是依赖维保人员的自觉性,维保公司对维保人员和维保电梯信息的更新管理也具有滞后性。开发远程实时监控电梯的系统,结合大数据分析技术,可以提高电梯维修保险的效率和促进电梯制造产业的逐步完善,为电梯用户提供更加安全可靠的运输工具。综上所述,通过对电梯工况识别方法的研究,实现电梯故障诊断和预测技术的不断探索改进,不仅可以带来巨大的经济效益,帮助电梯生产和维保公司节约经济成本,保障乘梯人员的人身安全,也具有很好的社会意义,可以推动电梯行业的发展进步和相关监管部门对电梯行业相关标准的制定。
稳定持续的数据采集设备和大量可用的时间序列为电梯长期运行状态监测提供了巨大的机遇。但是,采集的大部分数据仍没有被标记,主要是由于无法控制实时采集的设置和人工专家离线标记的繁琐,因此,严重依赖标签的传统监督数据分析模型变得十分不利。近年来,针对正常数据的稀疏标记和异常数据的实时检测问题,无监督学习方法受到研究者们的广泛关注。然而,对于即将发生故障的早期预测并没有得到很好的解决。故障事件可能在它发生之前就已对正常的事件产生微妙和渐近的变化,对正常数据进行无监督分析并发现这些变化可以对故障进行有效预防。
针对电机电流特征分析(motor Current Signature Analysis,MCSA)常用的故障诊断方法有离散傅里叶变换,小波变换等,但是这些方法易受干扰;基于机器学习的方法虽然在故障诊断上有了令人满意的精度,但是电机电流信号易受载重的干扰,尤其是启动最大电流和制动最大电流的数值,此外时序长度不同,这让构建故障监控模型是很难的,原因包括循环卷积网络较难训练,一些研究难以应用。
Hojin Lee提出一个使用一维卷积神经网络(1DCNN)的方法来诊断室内永磁同步电机的匝间短路故障(ISCF)和退磁故障(DF),成功从三相电流时间序列中定位电机的故障,因为电流依旧饱受背景噪声的困扰。电梯的不同运行过程产生的时序数据的长度是不一样的,采样间隔和电梯载重的差异使得相同的运行过程产生的数据量的大小也不一样,即电流时间序列是不等长的,直接填充零进行时间序列补齐,再运用一维卷积网路进行识别的方法并不可取。
发明内容
有鉴于此,本发明实施例的目的在于提供一种电梯中长期老化故障诊断方法、装置、介质和设备,以提高识别准确率。
第一方面,本发明实施例提供了一种电梯中长期老化故障诊断方法,其包括:
输入电梯曳引机的电流时间序列和有功功率时间序列;
将所述电流时间序列和所述有功功率时间序列分别转变成灰度二值图像;
利用改进的二维卷积神经网络对所述电流时间序列对应的灰度二值图像进行分析,获得表征电梯运行过程的第一识别结果;
根据数据描述性分析的预设多个指标对所述有功功率时间序列对应的灰度二值图像进行分析,获得表征电梯运行过程的第二识别结果;
根据所述第一识别结果、所述第二识别结果和电梯运行状态的采样结果,诊断电梯是否发生中长期老化故障。
在可能的实施方式中,所述的将所述电流时间序列和所述有功功率时间序列分别转变成灰度二值图像,具体包括:
对所述电流时间序列和所述有功功率时间序列分别进行插值处理;
对插值处理后的电流时间序列和插值处理后的有功功率时间序列分别进行灰度二值化处理,获得所述电流时间序列和所述有功功率时间序列分别对应的灰度二值图像。
在可能的实施方式中,所述改进的二维卷积神经网络包括:
第一卷积层,其包括24个特征图,卷积核的大小为3×3,采用整流线型单元函数ReLU作为激活函数,并且采用的卷积方式是有效卷积;
第二卷积层,其包括24个特征图,卷积核的大小为3×3,采用整流线型单元函数ReLU作为激活函数;
下采样层,其池化区域的大小是2×2,采用的池化方法是最大值池化法;
第一全连接层,其包含128个神经元,采用整流线型单元函数ReLU作为激活函数,并且采用正则化方法Dropout;
第二全连接层,其24个神经元分别对应24个电梯工况类别,并且采用softmax函数作为激活函数。
在可能的实施方式中,所述改进的二维卷积神经网络的卷积核的数量是10个至25个;和/或,所述Dropout的比例设置为0.25。
在可能的实施方式中,所述第一识别结果或者所述第二识别结果包括:
指示电梯上行或下行的识别结果;
指示电梯移动的楼层数的识别结果,和/或,指示电梯运行的起点楼层和终点楼层的识别结果;以及,
指示电梯的载重是否超过预设重量值的识别结果。
在可能的实施方式中,所述预设多个指标包括:偏度、变异系数、分位数、以及震荡性。
在可能的实施方式中,在诊断出电梯发生中长期老化故障之后,还可以包括:确定电梯中长期老化故障的具体类型;所述电梯中长期老化故障的具体类型包括如下中的任意一种或多种:加速过电流、减速过电流、恒速过电流、逆变单元保护、加速过电压、编码器故障。
第二方面,提供一种电梯中长期老化故障诊断装置,其包括:
数据输入模块,用于输入电梯曳引机的电流时间序列和有功功率时间序列;
二值化处理模块,用于将所述电流时间序列和所述有功功率时间序列分别转变成灰度二值图像;
第一识别模块,用于利用改进的二维卷积神经网络对所述电流时间序列对应的灰度二值图像进行分析,获得表征电梯运行过程的第一识别结果;
第二识别模块,用于根据数据描述性分析的预设多个指标对所述有功功率时间序列对应的灰度二值图像进行分析,获得表征电梯运行过程的第二识别结果;
故障诊断模块,用于根据所述第一识别结果、所述第二识别结果和电梯运行状态的采样结果,诊断电梯是否发生中长期老化故障。
第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的任意一种电梯中长期老化故障诊断方法。
第四方面,提供一种计算机设备,其包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上所述的任意一种电梯中长期老化故障诊断方法。
上述技术方案具有如下有益效果:本发明实施例的方法基于改进的二维卷积神经网络2DCNN来对电梯健康状况的监控与分析,采集电梯曳引机的电流和有效功率时序信号,分别生成灰度二值图像,然后利用2DCNN提取图像深层特征进行分类,进行电梯工况的识别,利用电流和有功功率双变量同步描述电梯工况,在一定程度上解释了电梯数据的共现状态和潜在关系,提高了电梯中长期故障的识别准确率。
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获得其他的附图。
图1是本发明实施例的一种电梯中长期老化故障诊断方法的流程图;
图2是本发明实施例的2DCNN网络结构;
图3本发明实施例的改进的2DCNN网络的输入图像示例;
图4(a)是有功功率数据的描述性聚类分析中的有功功率振荡的聚类分析;
图4(b)是有功功率数据的描述性聚类分析中的有功功率变异系数的聚类分析;
图4(c)是有功功率数据的描述性聚类分析中的有功功率偏度的聚类分析;
图4(d)是有功功率数据的描述性聚类分析中的有功功率0.1分位数的聚类分析;
图5是本发明实施例的一种电梯中长期老化故障诊断装置的功能框图;
图6是本发明实施例的一种计算机设备的功能框图。
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做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。
本发明实施例的技术方案将时间序列转成图像,充分利用目前机器视觉上的优势。具体地,先对时间序列进行插值然后再将时间序列转换成二维图像,这样降低补零填充带来的误差干扰。针对这种数据不等长且具有振荡性的时间序列,2DCNN因为卷积核处理的顺序和前进的方向不同于1DCNN,能够很好的捕捉局部细微变化。
实际中,为了实现对多台电梯的实时监控,通常会设置较大的采样间隔,单变量时间序列在某种程度上无法解释数据的共现和潜在状态,本发明实施例的目标是找到替代的和更丰富的表示。有功功率与电流同步产生,同种电梯运行过程也会产生相似的包络,也适合做图像分类。
本发明实施例要解决的技术问题在于,提出一种新的电梯中长期老化故障诊断方法,该方法使用一种改进的二维卷积神经网络2DCNN,先对电梯的曳引机的实时电流和有功功率分别进行定位和划分,转换成二维图像,再进行灰度化、二值化等预处理,然后在2DCNN网络基础上结合模型匹配法实现对电流图像的识别。
本发明实施例分析在不同参数组合下(即不同卷积核个数)的识别效果,调整算法模型参数有效的提升模型对于实际电梯电流对象和有功功率对象的性能,优化调整参数,得到使模型实现最佳效果的训练参数。
本发明实施例针对有功功率低层数据无倾向性,提出数据性描述方法进行分层分析,提高了分类精度。
本发明实施例的方法的工作原理在于,基于改进的二维卷积神经网络2DCNN来对电梯健康状况的监控与分析。采集电梯曳引机的电流和有效功率信号,分别生成灰度二值图像,然后利用2DCNN提取图像深层特征进行分类,进行电梯工况的识别。此外,提出振荡性这一标准,来描述性分析有功功率的振荡情况。利用电流和有功功率双变量同步描述电梯工况,在一定程度上解释了电梯数据的共现状态和潜在关系。将诊断结果上传至云平台,同时将电梯的相关信息,如电梯对应的编号ID、维保信息等均存储在数据库中,由数据库进行管理。
本发明实施例设计并实现了一种电梯中长期老化故障诊断方法,该方法以电梯时序数据在二维图像上的分布特性为依据,提出一种改进的二维卷积神经网络2DCNN来对电梯健康状况的监控与分析。采集电梯曳引机的电流和有效功率信号,分别生成灰度二值图像,然后利用2DCNN提取图像深层特征进行分类(此处特征指的是图像在进行卷积或者池化后过程中提取的特征。在训练网络的时候本发明实施例给图片设置标签了,通过标签进行学习。例如一共24类,依据上下行、电梯移动楼层和载重进行制作标签。通过二维卷积网络分别测试电流图像和有功功率的图像。实际实验电流图像即可完成故障诊断。因为有功功率是与电流有联系的,本发明实施例希望通过电流定位的故障,利用有功功率的角度也能定位到同一处的故障,因此将有功功率也制作图片输入网络进行学习),进行电梯工况的识别。此外,提出振荡性这一标准,来描述性分析有功功率的振荡情况。利用电流和有功功率双变量同步描述电梯工况,在一定程度上解释了电梯数据的共现状态和潜在关系(因为有功功率是与电流有联系的,本发明实施例通过电流定位的故障,利用有功功率的角度也能定位到同一处的故障)。
实施例一
如图1所示,一种电梯中长期老化故障诊断方法,其包括如下步骤:
S110、输入电梯曳引机的电流时间序列和有功功率时间序列;
S120、将电流时间序列和有功功率时间序列分别转变成灰度二值图像;
S130、利用改进的二维卷积神经网络对电流时间序列对应的灰度二值图像进行分析,获得表征电梯运行过程的第一识别结果;
S140、根据数据描述性分析的预设多个指标对有功功率时间序列对应的灰度二值图像进行分析,获得表征电梯运行过程的第二识别结果;
S150、根据第一识别结果、第二识别结果和电梯运行状态的采样结果,诊断电梯是否发生中长期老化故障。
本发明实施例的方法采用了长短时记忆自动编码器模型作为基础模型,其实现方案包括如下步骤:(1)输入曳引机电流时间序列;(2)将电流或者有功功率时间序列转变成灰度二值图像;(3)利用改进的2DCNN网络对电流或者有功功率图像进行学习(直接将图片和标签输入网络进行训练即可);(4)针对有功功率分类较差,提出数据描述性分析指标,电流采用图像就能很好识别电梯故障,但是有功功率图像因为波形的振荡性,二维图像不好分类,本发明实施例还是希望通过有功功率这一特征定位故障,希望通过有功功率验证之前电流特征定位的故障就是真实的故障。从两个变量的角度,定位同一处故障,彼此验证。但是,有功功率套用电流二维图像识别方法效果不佳,因此本发明实施例提出数据描述性方法来重新处理有功功率。(5)根据识别结果和采样结果对比诊断电梯故障。本发明实施例通过数据采集可以获得电流的波形和移动楼层。通过2DCNN对需要判别的电流波形识别出电梯的运行过程,识别结果比如是电梯从3层到6层,那本发明实施例的数据采集也是3层到6层,则确定电梯没有故障。但是,如果识别结果是3层到8层,那与采集结果相悖,则确定电梯可能发生故障,需要人工检修。
将采样间隔为70ms的电流时间序列,以每个采样点的时间为X轴,电流幅值为Y轴,并且将所有采样点拟合成波形,生成28×28固定尺寸大小的二维图像。由于只对波形的图像进行分析,所以不显示坐标轴。接着将二维图像灰度二值化处理,如图3所示,图3是本发明实施例的改进的2DCNN网络的输入图像示例。
参阅图2,C1是包含24个特征图的卷积层,卷积核滤波器大小为3×3,采用的是ReLU激活函数。设置较多数量的特征图是为了从输入图像中提取更多的初级特征,希望得到对于输入图像的多角度的描述。卷积核3×3,感受野变小,小的卷积核尺寸可以捕捉图像的细节。采用的卷积方式是有效卷积,即不对输入图像进行零填充,这样得到的图像大小是26×26的。
激活函数选择整流线型单元函数(Rectified Linear Units,ReLU),它的数学表达式是
f(x)=max(0,x) (1)
其中x代表输入自变量。ReLU函数在其自变量为负数时输出为零,其他区域与单位线型函数相同。这样的性质使得只要ReLU处于激活状态,神经网络梯度计算的梯度都能保持较大且一致。此外,ReLU使得一部分神经元的输出为零,使得网络更加稀疏,减少了参数之间的相互依赖关系,缓解了过拟合问题。类似sigmoid或者tanh这样的激活函数本身具有梯度的包含区,在使用梯度下降法时,容易导致梯度消失,造成信息丢失。因此,采用ReLU不仅可以缓解梯度消失的问题,还能加速训练过程。
C2依旧是一个卷积层,该层有24个特征图,卷积核的大小是3×3,并且依旧采用ReLU激活函数。考虑到电流和有效功率的灰度图像复杂度较低,因此没有采用更多的特征图数量。
S3是一个下采样层,池化区域的大小是2×2,采用的池化方法是最大值池化。池化的主要目的是降维。对于一个2×2的区域,一共是4个单元。池化之后,特征图的大小变成前一层的四分之一。对于图像识别问题,通常关心的是在这个局部区域中是否出现了特征。采用最大值池化法而不是平均池化法的理由有两点:一方面,最大值池化筛选出输入区域中最大的响应,而平均值池化方法将该区域的4个单元的值取平均,输出的结果要小于最大值池化的输出值。另一方面,一个特征在单个小区域内出现两次以上的概率很小,最大值池化并不会遗漏特征。
F4是一个全连接层,包含128个神经元,采用ReLU激活函数和Dropout。Dropout是一种正则化方法,它强迫一个神经元随机的和其他神经元共同协作,削弱了神经元之间的联合适应性,增加了网络的泛化能力。每次进行权值更新时,隐层神经元都以一定的概率随机出现,因此不能保证每两个隐层神经元每次都同时出现。所以降低了神经元之间固定组合对网络权值更新的影响。Dropout的比例设置为0.25。
F5拥有24节点,也是一个全连接层,24个神经元分别对应24个电梯工况类别。F5起到分类器的作用。前面的卷积层和池化层将原始图像的数据从输入空间映射到隐层的特征空间,全连接层F5将学到的分布式特征表示从隐层特征空间映射到样本标记空间,与之前的层不同的是,F5采用的是softmax激活函数。其中,分布式特征是指从上一层不同神经元传过来的特征。softmax激活函数是logistic sigmoid函数的一种推广,它使得函数输出的每一个元素都落在[0,1]区间内,所有元素的和为1,输出的值就是该样本属于该类别的概率。标签XYZ,“X”表示电梯升降,即“0”表示电梯下降,“1”表示电梯上升;“Y”表示电梯移动楼层数的变化,“3”表示电梯移动三层;“Z”表示电梯载重标签,“H”表示超过200kg,“L”表示低于200kg。
softmax函数的形式如下:
其中,总类别数为K,σ(z)j是样本属于第j类的概率。
损失函数采用交叉熵损失函数而非均方差损失函数。交叉熵损失函数的形式如下:
其中,y是样本标签,即期望输出值,a为网络的实际输出值,N表示样本的数目,C为损失函数的值。交叉熵损失函数具有非负性,并且在a与y接近时,C接近于0。此外,相比于均方差损失函数,交叉熵损失函数在反向传播过程中,具有更快的权值更新过程。
普通的小批量梯度下降法需要人为设定学习速率。如果学习率太小,那么收敛过程会非常慢;如果学习速率太大,那么损失函数会在最小值附近震荡甚至发散。这种方法也不能根据具体的数据集的特征作出调整,并且很难逃逸出鞍点。在网络模型的参数更新过程中,希望对出现频率不同的参数采取不同的更新策略。因此,考虑采用自适应调整学习速率的优化方法。在实验编程阶段只需要选择优化器为Adam即可。
Adam(Adaptive Moment Estimation,Adam)是一种学习速率计算方法。Adam优化器实现方式简单,适合参数量大的场景,而且参数更新不受梯度变换的影响,是一种高效的优化方式。
偏度(skewness):
计算数据样本的偏度,是统计数据分布偏斜方向和程度的度量,是统计数据分布非对称程度的数字特征。样本偏斜度被计算为Fisher-Pearson的偏斜系数,即:
变异系数(coefficient of variation,CV):
在概率论和统计学中,变异系数,又称离散系数,是概率分布离散程度的一个归一化量度。变异系数既可以消除单位的影响,又可以消除均值大小不同的影响。其定义为标准差与平均值之比。
其中,σ为标准差,μ为均值。
分位数(quantile):
分位数是中位数的推广,将数据按从小到大排列后,对于0≤p≤1,它的p分位点定义为:
其中,[np]表示np的整数部分。给定长度为N的向量X,X的第q个分位数是从小到大的方式的值。如果归一化排名与q的位置完全不匹配,则两个最近邻居的值和距离以及内插参数将确定分位数。如果q=0.5分位数(第50百分位数)就是中位数。如果q=0.0,分位数与最小值相同;如果q=1.0,则与最大值相同。
振荡性(oscillation):
针对有功功率数据分布特性,提出振荡性这一数据描述性分析。无论是电梯的电流还是有功功率在整个电梯过程的三分之一到三分之二达到稳定。
其中,max和min时间序列数据在三分之一到三分之二时序中的最大和最小值。
指定规则计算振荡点个数,通过振荡点个数描述电梯该运行过程有功功率的振荡性。设定时间序列{x1 x2 … xN},规则如下:
偏度、变异系数、分位数、震荡性这四个指标是对有功功率进行分析,对有功功率的特征进行提取,再对这四个特征进行分析。这四个指标只针对2DCNN识别效果不佳的有功功率,对其进行特征提取。
以下通过一个具体的案例对本发明实施例的上述技术方案进行说明:
本发明实验选择某小区正常投入使用的一台层高为6层的电梯,对其进行为期三天的数据监控。实验数据的采集来自实验室开发出的基于电梯物联网的数据采集系统,采集的数据包括:电梯的瞬时电压、瞬时电流、有功功率、楼层变化、载重情况和电梯状态。数据采样周期为70ms。在数据采集过程中已经进行数据清理,剔除了明显的数据错误。
电梯电流数据主要信息分布在启动和制动处,选择合适的卷积核个数,获取更多细节信息,如表1所示,最终确定卷积核个数为24。因为电流采样周期短,电流信号不是平滑的信号,具有很多波形细节信息。不同电梯运行过程表现的波形是不一样的。卷积核的数量在24达到最佳,卷积核个数增加会带来参数计算量增加,实验结果最佳的就是24个。表1中第一列中的参数是指卷积核的数量。
表1部分不同卷积核数量的精确率
相同工况的电梯运行过程所产生的电流图像具有相似性,有利于卷积网络的训练和识别。通过图像的方式,避免了长时间序列的定位和划分,移动层数会影响时间序列的长度,具有倾向性,方便图像的分类。除此之外,因为形状的偏差主要受电梯载重的影响,由实验结果可知,二维图像分类方法相较于一维度,无论是电梯的下行和上行过程,它很好的规避了载重的对电梯电流的影响,提高了分类精度。通过2DCNN网络识别电梯电流图像的准确率达到98.78%。
标签XYZ,“X”表示电梯升降,即“0”表示电梯下降,“1”表示电梯上升;“Y”表示电梯移动楼层数的变化,“3”表示电梯移动三层;“Z”表示电梯载重标签,“H”表示超过200kg,“L”表示低于200kg。
实验对电流同步产生的有功功率也嵌套同样的方法,即生成二维图形,接着进行灰度化处理,通过2DCNN网络进行学习,但是实验结果并不是很好。电梯移动层数越大,就越能看出有效功率的倾向性,但是移动层数越小,倾向性就越不明显,找到适合底层移动(1层、2层)的元素进行分层扫描,才能提高分类准确度。由于有功功率包络的特点,本发明实施例提出用偏度、变异系数、分位数和振荡性数据特征来描述它。
对采集到的871个电梯运行过程的有功功率分别计算振荡性、变异系数、偏度和分位数。因为有功功率采集会有延时,但实际上它是和瞬时电流一起出现和消失的,所以这里用瞬时电流的时序长度来做数据描述更为准确。
分别对应振荡性、变异系数、偏度和分位数的分类实验结果。有功功率的特征是提出的数据描述性分析的四个指标,用这几个参数可以对电梯运行过程进行识别,有没有故障。对有功功率进行聚类是因为提出的数据描述性分析就是针对有功功率的,2DCNN对电流已经识别效果很好了,不需要数据描述性分析。
其中,本发明实施例选择针对电流时序进行训练获取模型的原因在于:选择电流是因为电流信号分类效果好,而有功功率有震荡。
图4(a)是有功功率数据的描述性聚类分析中的有功功率振荡的聚类分析;图4(b)是有功功率数据的描述性聚类分析中的有功功率变异系数的聚类分析;图4(c)是有功功率数据的描述性聚类分析中的有功功率偏态的聚类分析;图4(d)是有功功率数据的描述性聚类分析中的有功功率0.1分位数的聚类分析。从上图4(a)、(b)和(c)可以看出,底层(1、2层)分类效果并不是很好。针对有功功率的低层无倾向性,不利于2DCNN图像识别,有功功率对重量并不敏感,所以简化成对其底层数据进行分层分析,移动楼层为1、2的上行和下行数据进行分层分析,即对“01L”、“01H”、“02L”、“02H”、“11L”、“11H”、“12L”和“12H”,一共有190个电梯运行过程。
本发明实施例设定下降过程且振荡点个数大于11、上升过程且振荡点个数小于11为错误点,本实施例统计错误点个数为14,正确率为92.64%,即一共190个电梯运行过程,错误14个则正确率为:(1-14/190)*100%=92.64%。
本发明实施例设定下降过程且大于等于0.4、上升过程小于0.4为错误点,统计错误点个数为5,正确率为97.37%。
本发明实施例设定下降过程且振荡点个数大于0、上升过程且振荡点个数小于0为错误点,统计错误点个数为13,正确率为93.16%。
本发明实施例是针对有有功功率和电流这两个数据进行的分析,并依据这两个数据判断电梯故障。2DCNN对电流已经识别效果很好了,不需要对电流数据进行描述性聚类分析。
由上述可知,变异系数相较于其他,能很好的实现低层有功功率的数据分类。本发明实施例采集新的827个电梯运行过程,计算它们的变异系数并通过K均值聚类,得到最终准确率为97.48%,这个结果与同步的电流数据的识别结果相近,是可靠且有用的。本发明实施例先对电流数据进行分析,然后对功率数据进行分析,二者加权或者求交来判断结果是否准确。具体地,电流用2DCNN进行分析,有功功率用数据描述性分析,两者相交来判断结果是否正确。
综合电流和有功功率两种特征的二维图像识别结果,通过电流二维图像识别电梯工况精确度更高,达到98.78%,计算方式更为简便。电流在二维卷积网络表现更优。为了保证识别结果准确性,用有功功率的数据描述性分析结果验证故障诊断的准确性。利用训练好的网络识别实时电梯运行过程产生的电流二维图像,将识别结果与运行状态采集信息对比,分类错误的电流图像即为电梯潜在中长期故障。例如,依据电流波形二维图像识别电梯运行过程的上下行、移动楼层数、载重大小,这些信息与采集的信息对比,得出有无故障。举例,识别出电流的波形是电梯上行运行3层到6层的结果,跟采集3层到8层的信息不一致,那这个就是分类错误,电梯虽然正常运行产生电流波形,但是这个波形与正常电梯产生的波形不一致,不能识别出来,那么此台电梯可能存在潜在故障需要人工检修。如表2所示,电梯部分中长期故障诊断的准确率。
表2电梯部分中长期故障诊断准确率
前面本发明实施例依据2DCNN对电流图像识别定位到电梯故障,再通过数据描述性分析有功功率验证这处故障。对已有的故障类型的电流波形图像经过2DCNN进行训练学习,本发明实施例可以直接给出对故障识别的准确率,如表2。
实施例二
图5是本发明实施例的一种电梯中长期老化故障诊断装置的功能框图。如图5所示,电梯中长期老化故障诊断装置200包括:
数据输入模块210,用于输入电梯曳引机的电流时间序列和有功功率时间序列;
二值化处理模块220,用于将所述电流时间序列和所述有功功率时间序列分别转变成灰度二值图像;
第一识别模块230,用于利用改进的二维卷积神经网络对所述电流时间序列对应的灰度二值图像进行分析,获得表征电梯运行过程的第一识别结果;
第二识别模块240,用于根据数据描述性分析的预设多个指标对所述有功功率时间序列对应的灰度二值图像进行分析,获得表征电梯运行过程的第二识别结果;
故障诊断模块250,用于根据所述第一识别结果、所述第二识别结果和电梯运行状态的采样结果,诊断电梯是否发生中长期老化故障。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
实施例三
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质内存储有计算机程序,计算机程序被处理器执行时实现:
输入电梯曳引机的电流时间序列和有功功率时间序列;
将所述电流时间序列和所述有功功率时间序列分别转变成灰度二值图像;
利用改进的二维卷积神经网络对所述电流时间序列对应的灰度二值图像进行分析,获得表征电梯运行过程的第一识别结果;
根据数据描述性分析的预设多个指标对所述有功功率时间序列对应的灰度二值图像进行分析,获得表征电梯运行过程的第二识别结果;
根据所述第一识别结果、所述第二识别结果和电梯运行状态的采样结果,诊断电梯是否发生中长期老化故障。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。当然,还有其他方式的可读存储介质,例如量子存储器、石墨烯存储器等等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
实施例四
本发明实施例还提供了一种电子设备,如图6所示,包括一个或多个处理器301、通信接口302、存储器303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信。
存储器303,用于存放计算机程序;
处理器301,用于执行存储器303上所存放的程序时,实现上述方法的各步骤。
一种可能的设计中,处理器301执行的处理中,所述,包括:
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信接口用于上述电子设备与其他设备之间的通信。
总线304包括硬件、软件或两者,用于将上述部件彼此耦接在一起。举例来说,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线,但本发明考虑任何合适的总线或互连。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
存储器303可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器303可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器303可包括可移除或不可移除(或固定)的介质。在特定实施例中,存储器303是非易失性固态存储器。在特定实施例中,存储器303包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
虽然本申请提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或终端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备及可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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,均包含在本发明的保护范围内。
Claims (10)
1.一种电梯中长期老化故障诊断方法,其特征在于,包括:
输入电梯曳引机的电流时间序列和有功功率时间序列;
将所述电流时间序列和所述有功功率时间序列分别转变成灰度二值图像;
利用改进的二维卷积神经网络对所述电流时间序列对应的灰度二值图像进行分析,获得表征电梯运行过程的第一识别结果;
根据数据描述性分析的预设多个指标对所述有功功率时间序列对应的灰度二值图像进行分析,获得表征电梯运行过程的第二识别结果;
根据所述第一识别结果、所述第二识别结果和电梯运行状态的采样结果,诊断电梯是否发生中长期老化故障。
2.根据权利要求1所述的方法,其特征在于,所述的将所述电流时间序列和所述有功功率时间序列分别转变成灰度二值图像,具体包括:
对所述电流时间序列和所述有功功率时间序列分别进行插值处理;
对插值处理后的电流时间序列和插值处理后的有功功率时间序列分别进行灰度二值化处理,获得所述电流时间序列和所述有功功率时间序列分别对应的灰度二值图像。
3.根据权利要求2所述的方法,其特征在于,所述改进的二维卷积神经网络包括:
第一卷积层(C1),其包括24个特征图,卷积核的大小为3×3,采用整流线型单元函数ReLU作为激活函数,并且采用的卷积方式是有效卷积;
第二卷积层(C2),其包括24个特征图,卷积核的大小为3×3,采用整流线型单元函数ReLU作为激活函数;
下采样层(C3),其池化区域的大小是2×2,采用的池化方法是最大值池化法;
第一全连接层(F4),其包含128个神经元,采用整流线型单元函数ReLU作为激活函数,并且采用正则化方法Dropout;
第二全连接层(F5),其24个神经元分别对应24个电梯工况类别,并且采用softmax函数作为激活函数。
4.根据权利要求3所述的方法,其特征在于,所述改进的二维卷积神经网络的卷积核的数量是10个至25个;和/或,所述Dropout的比例设置为0.25。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述第一识别结果或者所述第二识别结果包括:
指示电梯上行或下行的识别结果;
指示电梯移动的楼层数的识别结果,和/或,指示电梯运行的起点楼层和终点楼层的识别结果;以及,
指示电梯的载重是否超过预设重量值的识别结果。
6.根据权利要求1-4中任一项所述的方法,其特征在于,所述预设多个指标包括:偏度、变异系数、分位数、以及震荡性。
7.根据权利要求1-4中任一项所述的方法,其特征在于,在诊断出电梯发生中长期老化故障之后,还包括:确定电梯中长期老化故障的具体类型;所述电梯中长期老化故障的具体类型包括如下中的任意一种或多种:加速过电流、减速过电流、恒速过电流、逆变单元保护、加速过电压、编码器故障。
8.一种电梯中长期老化故障诊断装置,其特征在于,包括:
数据输入模块,用于输入电梯曳引机的电流时间序列和有功功率时间序列;
二值化处理模块,用于将所述电流时间序列和所述有功功率时间序列分别转变成灰度二值图像;
第一识别模块,用于利用改进的二维卷积神经网络对所述电流时间序列对应的灰度二值图像进行分析,获得表征电梯运行过程的第一识别结果;
第二识别模块,用于根据数据描述性分析的预设多个指标对所述有功功率时间序列对应的灰度二值图像进行分析,获得表征电梯运行过程的第二识别结果;
故障诊断模块,用于根据所述第一识别结果、所述第二识别结果和电梯运行状态的采样结果,诊断电梯是否发生中长期老化故障。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任意一项所述的电梯中长期老化故障诊断方法。
10.一种计算机设备,其特征在于,其包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-7中任一所述的电梯中长期老化故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110719570.6A CN113526282B (zh) | 2021-06-28 | 2021-06-28 | 一种电梯中长期老化故障诊断方法、装置、介质和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110719570.6A CN113526282B (zh) | 2021-06-28 | 2021-06-28 | 一种电梯中长期老化故障诊断方法、装置、介质和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113526282A CN113526282A (zh) | 2021-10-22 |
CN113526282B true CN113526282B (zh) | 2022-09-06 |
Family
ID=78097020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110719570.6A Active CN113526282B (zh) | 2021-06-28 | 2021-06-28 | 一种电梯中长期老化故障诊断方法、装置、介质和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113526282B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114400940B (zh) * | 2021-12-16 | 2023-06-13 | 湖南大学 | 电动汽车用永磁驱动电机退磁故障诊断方法及电动汽车 |
CN114715752B (zh) * | 2022-06-08 | 2022-08-23 | 凯尔菱电(山东)电梯有限公司 | 用于电梯的异常检测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101259930A (zh) * | 2008-04-10 | 2008-09-10 | 上海交通大学 | 电梯门系统状态监测和故障预警系统 |
CN101551658A (zh) * | 2008-04-02 | 2009-10-07 | 北京安控科技股份有限公司 | 一种电梯能耗监控方法及装置 |
CN104401835A (zh) * | 2014-11-25 | 2015-03-11 | 沈阳建筑大学 | 一种电梯曳引机温升故障实时检测方法 |
CN105354581A (zh) * | 2015-11-10 | 2016-02-24 | 西安电子科技大学 | 融合颜色特征与卷积神经网络的彩色图像特征提取方法 |
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 |
CN111626497A (zh) * | 2020-05-25 | 2020-09-04 | 日立楼宇技术(广州)有限公司 | 人流量预测方法、装置、设备和存储介质 |
CN112444758A (zh) * | 2020-11-18 | 2021-03-05 | 合肥工业大学 | 一种智能配电网线路故障诊断及分类评估方法 |
-
2021
- 2021-06-28 CN CN202110719570.6A patent/CN113526282B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551658A (zh) * | 2008-04-02 | 2009-10-07 | 北京安控科技股份有限公司 | 一种电梯能耗监控方法及装置 |
CN101259930A (zh) * | 2008-04-10 | 2008-09-10 | 上海交通大学 | 电梯门系统状态监测和故障预警系统 |
CN104401835A (zh) * | 2014-11-25 | 2015-03-11 | 沈阳建筑大学 | 一种电梯曳引机温升故障实时检测方法 |
CN105354581A (zh) * | 2015-11-10 | 2016-02-24 | 西安电子科技大学 | 融合颜色特征与卷积神经网络的彩色图像特征提取方法 |
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 |
CN111626497A (zh) * | 2020-05-25 | 2020-09-04 | 日立楼宇技术(广州)有限公司 | 人流量预测方法、装置、设备和存储介质 |
CN112444758A (zh) * | 2020-11-18 | 2021-03-05 | 合肥工业大学 | 一种智能配电网线路故障诊断及分类评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113526282A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263846B (zh) | 基于故障数据深度挖掘及学习的故障诊断方法 | |
CN111353482B (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
CN113526282B (zh) | 一种电梯中长期老化故障诊断方法、装置、介质和设备 | |
WO2021238455A1 (zh) | 数据处理方法、设备及计算机可读存储介质 | |
CN111161814A (zh) | 一种基于卷积神经网络的DRGs自动分组方法 | |
CN112633412A (zh) | 异常用电检测方法、设备及存储介质 | |
CN114676742A (zh) | 一种基于注意力机制和残差网络的电网异常用电检测方法 | |
CN112529638B (zh) | 基于用户分类和深度学习的服务需求动态预测方法及系统 | |
CN110362907A (zh) | 基于ssd神经网络输电线路目标缺陷识别与诊断方法 | |
EP3422222A1 (en) | Method and state machine system for detecting an operation status for a sensor | |
CN112037925A (zh) | 一种基于lstm算法的新发重大传染病预警方法 | |
CN115876258A (zh) | 基于多源数据的畜禽养殖环境异常监测及报警系统 | |
CN112180471B (zh) | 天气预报方法、装置、设备及存储介质 | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
CN114863170A (zh) | 一种基于深度学习的新能源车电池自燃预警方法及装置 | |
CN110689140A (zh) | 一种通过大数据进行轨交报警数据智能管理的方法 | |
CN113487223A (zh) | 一种基于信息融合的风险评估方法和评估系统 | |
CN114997342B (zh) | 一种scr故障诊断方法、装置、设备及存储介质 | |
CN116186633A (zh) | 一种基于小样本学习的用电异常诊断方法和系统 | |
CN116383645A (zh) | 一种基于异常检测的系统健康度智能监测评估方法 | |
CN113722239B (zh) | 机载嵌入式软件质量检测方法、装置、介质及电子设备 | |
CN111860441B (zh) | 基于无偏深度迁移学习的视频目标识别方法 | |
CN113526283A (zh) | 一种电梯短期突发性故障的诊断方法、介质和设备 | |
CN116956197B (zh) | 基于深度学习的能源设施故障预测方法、装置及电子设备 | |
CN117671393B (zh) | 一种电气机械设备的故障监测方法及系统 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method, device, medium, and equipment for diagnosing long-term aging faults in elevators Effective date of registration: 20230807 Granted publication date: 20220906 Pledgee: Haian Xinyuan rural small loan Co.,Ltd. Pledgor: JIANGSU WELM TECHNOLOGY Co.,Ltd. Registration number: Y2023980051195 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |