CN113581956A - 基于音频信号的电梯噪声等级监测方法及系统 - Google Patents

Abstract

本发明涉及一种基于音频信号的电梯噪声等级监测方法及噪声检测系统，其中监测方法包括：S1、采集视频监控数据，获取电梯运行状态信息；S2、提取电梯处于运行状态的音频数据；S3、对音频数据进行处理；S4、利用噪声检测模型对处理的音频数据进行检测；S5、根据检测结果对电梯运行状态进行评估。本发明的基于音频信号的电梯噪声等级监测方法，极大地降低了噪声监测对于硬件设备的要求，并且能够持续对电梯进行检测，并对电梯运行情况进行打分，若电梯长期出现噪声问题将及时反馈维保，对电梯进行及时维修保养，监测稳定性好，检测精度高。

Description

基于音频信号的电梯噪声等级监测方法及系统

技术领域

本发明属于电梯安全监测技术领域，涉及一种基于音频信号的电梯噪声等级监测方法及系统。

背景技术

在现代生活中，电梯的使用越来越广泛。随着使用年限的增加，电梯的部分零部件会出现老化现象，因此导致电梯运行出现噪声，印象乘客的乘坐环境。甚至在零部件老化严重的情况下会导致严重的安全事故，对乘客的人身安全产生威胁。因此，对电梯内噪声情况进行实时监测对确保电梯的正常运行十分重要，同时能为乘客带来一定的安全保障与舒适的乘坐环境。

目前现有的电梯噪声监测方法，虽然能够在一定程度对噪声情况进行监测，但是现有的电梯噪声监测方法严重依赖他硬件设备。例如专利CN202020810583.5中公开一种噪声检测报警设备，采用安装噪声检测硬件设备的方式实现对噪声的检测，成本高昂，硬件设备依赖性强。

发明内容

本发明的目的在于提供一种基于音频信号的电梯噪声等级监测方法及系统，解决现有电梯噪声监测严重依赖硬件设备，监测稳定性和监测精度差的问题。

为实现上述目的，本发明提供一种基于音频信号的电梯噪声等级监测方法，包括：

S1、采集视频监控数据，获取电梯运行状态信息；

S2、提取电梯处于运行状态的音频数据；

S3、对音频数据进行处理；

S4、利用噪声检测模型对处理的音频数据进行检测；

S5、根据检测结果对电梯运行状态进行评估。

根据本发明的一个方面，在所述步骤S1中采集视频监控数据，对电梯门状态和楼层号进行识别，当门状态发生变化并且楼层号发生变化时，判定电梯产生运行过程。

根据本发明的一个方面，所述门状态发生变化为门由关闭状态到打开状态再到关闭状态。

根据本发明的一个方面，所述步骤S3中对于音频数据的处理包括数据清洗和特征构造。

根据本发明的一个方面，对于所述音频数据进行特征构造包括：

从所述音频数据中提取出时域特征，然后依据所述时域特征计算得到频域特征；

然后将所述时域特征输入LSTM输出再与所述频域特征进行拼接融合获得所述噪声检测模型的输入特征。

根据本发明的一个方面，电梯门状态的识别采用LightGBM模型。

根据本发明的一个方面，所述噪声检测模型为深度神经网络模型，包括Conv卷积神经网络和Dense全连接神经网络。、

本发明还提供一种采用上述基于音频信息的电梯噪声等级监测方法的噪声检测系统，包括：

数据处理模块，用于采集、处理视频监控数据；

运行过程识别模块，用于判断电梯是否产生运行状态；

噪声检测模块，用于利用噪声检测模型进行噪声检测；

评估模块，根据所述噪声检测模块的检测结果对电梯运行状态进行评估。

本发明的基于音频信号的电梯噪声等级监测方法，相比于现有技术中的噪声监测方法，极大地降低了噪声监测对于硬件设备的要求，并且能够持续对电梯进行检测，并对电梯运行情况进行打分，若电梯长期出现噪声问题将及时反馈维保，对电梯进行及时维修保养，监测稳定性好，检测精度高。

附图说明

图1示意性表示根据本发明的基于音频信号的电梯噪声等级监测方法及噪声检测系统的示图；

图2示意性表示根据本发明的音频数据特征构造过程示图；

图3示意性表示根据本发明一种实施方式的噪声检测模型结构示图。

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。

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。

如图1所示，本发明提供一种基于音频信号的电梯噪声等级监测方法及噪声检测系统，噪声检测系统包括数据处理模块，用于采集、处理视频监控数据；运行过程识别模块，用于判断电梯是否产生运行状态；噪声检测模块，用于利用噪声检测模型进行噪声检测；评估模块，根据所述噪声检测模块的检测结果对电梯运行状态进行评估。

参照图1所示，本发明的基于音频信号的电梯噪声等级监测方法流程如下：S1、采集视频监控数据，获取电梯运行状态信息；S2、提取电梯处于运行状态的音频数据；S3、对音频数据进行处理；S4、利用噪声检测模型对处理的音频数据进行检测；S5、根据检测结果对电梯运行状态进行评估。

具体来说，在步骤S1中使用安装在电梯轿厢内的摄像头对电梯运行状态进行记录，步骤S1中还对摄像头拍摄的监控视频数据进行截图，在本实施方式中，截图频率设置为每秒截取一张图片。根据视频监控数据的可以对电梯门状态和楼层号进行识别，具体地，在本发明中，电梯门状态识别和楼层号识门状态识别与楼层识别采用的是LightGBM模型进行识别，由于每日运行数据量较大，因此采用LightGBM模型，LightGBM相对于深度学习模型运算速更快，消耗内存更小。通过对摄像头获取到的电梯门状态图片与电梯层显图片进行识别，获取当前电梯门是处于何种状态(0：关门，1：开门)与电梯停靠楼层。当电梯出现门状态变化与楼层变化时(即{电梯门状态：0->1->0}->{楼层显示发生变化}->{电梯门状态：0->1->0})，则判定电梯产生运行过程。

判定电梯产生运行过程后，可以确定电梯运行的开始时间和结束时间，从而可以提取出电梯运行时间段内的音频数据进行噪声监测。具体地，在进行噪声检测之前，需要对噪声进行数据清洗和特征构造处理，数据清洗是对获得的音频数据进行清洗，以去除脏数据(例如无音频的数据)。

如图2所示，特征构造是针对音频特征进行构造，首先从音频数据中提取出时域，然后依据时域特征计算得到频域特征，根据本发明的一种实施方式，频域特征可以通过对时域特征进行傅里叶变换得到，频域特征包括梅尔频谱、梅尔倒谱系数、能量谱等。获得频谱特征之后，将时域特征输入LSTM(长短记忆循环神经网络)输出再与所述频域特征进行拼接融合获得所述噪声检测模型的输入特征。

接着利用噪声检测模型进行噪声检测，在本实施方式中，噪声检测模型为深度神经网络模型，结构如图3所示，Conv为卷积神经网络，Dense为全连接神经网络，具体的“BILSTM1 64”为第一层循环神经网络，神经元个数为64个，“conv1:3 256Relu”为第一层卷积网络，卷积核大小为3*3，256为滤波器数量,Relu为激活函数，“MaxPool：2,2”为大小为2步长为2的最大值池化，“Dense:128Relu”为隐藏层神经元个数为128的全连接神经网络，其他层结构以此类推。利用噪声检测模型可以识别在电梯运行过程中是否产生噪声，并且区分出人为噪声和电梯运行噪声，人为噪声是指人类活动产生的噪声，例如打闹声，说话声和电梯内置广告声等。

最后根据噪声检测模型的输出进行进行噪声等级确定，噪声等级划分如下(单位分贝)：

0级：[0,30)较为理想的安静环境；

1级：[30,55)符合住宅1类标准和运行轿厢最大噪声；

2级：[55,65)住宅2ˉ3类标准与开关门最大声音；

3级：[65,90)会使人烦躁不安；

4级：90以上，会影响听力；

分贝定义：

其中，A₀是参考幅值，A₁是度量到的幅值；

最后，根据噪声等级划分情况对每一台电梯进行分析，对于长期处于运行噪声情况下的电梯发出维保提醒。对于长期处于人为噪声的电梯，对物业发出提醒，及时维护公寓住宅噪声环境。

本发明的基于音频信号的电梯噪声等级监测方法，相比于现有技术中的噪声监测方法，极大地降低了噪声监测对于硬件设备的要求，并且能够持续对电梯进行检测，并对电梯运行情况进行打分，若电梯长期出现噪声问题将及时反馈维保，对电梯进行及时维修保养，监测稳定性好，检测精度高。

以上所述仅为本发明的一个实施方式而已，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 (8)

1.一种基于音频信号的电梯噪声等级监测方法，包括：

S1、采集视频监控数据，获取电梯运行状态信息；

S2、提取电梯处于运行状态的音频数据；

S3、对音频数据进行处理；

S4、利用噪声检测模型对处理的音频数据进行检测；

S5、根据检测结果对电梯运行状态进行评估。

2.根据权利要求1所述的基于音频信号的电梯噪声等级监测方法，其特征在于，在所述步骤S1中采集视频监控数据，对电梯门状态和楼层号进行识别，当门状态发生变化并且楼层号发生变化时，判定电梯产生运行过程。

3.根据权利要求2所述的基于音频信号的电梯噪声等级监测方法，其特征在于，所述门状态发生变化为门由关闭状态到打开状态再到关闭状态。

4.根据权利要求1所述的基于音频信号的电梯噪声等级监测方法，其特征在于，所述步骤S3中对于音频数据的处理包括数据清洗和特征构造。

5.根据权利要求4所述的基于音频特征的电梯噪声等级监测方法，其特征在于，对于所述音频数据进行特征构造包括：

从所述音频数据中提取出时域特征，然后依据所述时域特征计算得到频域特征；

然后将所述时域特征输入LSTM输出再与所述频域特征进行拼接融合获得所述噪声检测模型的输入特征。

6.根据权利要求3所述的基于音频特征的电梯噪声等级监测方法，其特征在于，电梯门状态的识别采用LightGBM模型。

7.根据权利要求1所述的基于音频特征的电梯噪声等级监测方法，其特征在于，所述噪声检测模型为深度神经网络模型，包括Conv卷积神经网络和Dense全连接神经网络。

8.一种采用权利要求1-7任一项所述基于音频特征的电梯噪声等级监测方法的噪声监测系统，包括：

数据处理模块，用于采集、处理视频监控数据；

运行过程识别模块，用于判断电梯是否产生运行状态；

噪声检测模块，用于利用噪声检测模型进行噪声检测；

评估模块，根据所述噪声检测模块的检测结果对电梯运行状态进行评估。

Images