CN113734928A - 一种基于神经网络的在用电梯故障预测方法 - Google Patents

一种基于神经网络的在用电梯故障预测方法 Download PDF

Info

Publication number
CN113734928A
CN113734928A CN202110977026.1A CN202110977026A CN113734928A CN 113734928 A CN113734928 A CN 113734928A CN 202110977026 A CN202110977026 A CN 202110977026A CN 113734928 A CN113734928 A CN 113734928A
Authority
CN
China
Prior art keywords
elevator
value
fault
data
neural network
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
Application number
CN202110977026.1A
Other languages
English (en)
Inventor
刘庆福
曹志峰
王秀民
燕晓艳
王岩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongying Special Equipment Inspection And Research Institute
Original Assignee
Dongying Special Equipment Inspection And Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dongying Special Equipment Inspection And Research Institute filed Critical Dongying Special Equipment Inspection And Research Institute
Priority to CN202110977026.1A priority Critical patent/CN113734928A/zh
Publication of CN113734928A publication Critical patent/CN113734928A/zh
Pending legal-status Critical Current

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
    • 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
    • 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

Landscapes

  • Elevator Control (AREA)
  • Maintenance And Inspection Apparatuses For Elevators (AREA)

Abstract

本发明公开一种基于神经网络的在用电梯故障预测方法，属于电梯故障检测技术领域，利用传感器采集电梯的运行数据，针对采集数据建立电梯故障预测模型；传感器采集信号后通过采集装置内的4G模块传输给后台处理系统。后台数据处理装置利用神经网络模型根据电梯运行状态参数对电梯往后一段时间可能发生的故障类型进行有效预测。提前预知电梯可能发生的故障，方便工作人员采取相应的措施，增加电梯的安全性能，解决了现有技术中存在的问题。

Description

一种基于神经网络的在用电梯故障预测方法
技术领域
本发明涉及一种基于神经网络的在用电梯故障预测方法，属于电梯故障检测技术领域。
背景技术
随着城市经济的迅猛发展，电梯也随着城市中高层建筑物的不断增加而增加，作为一种常用的垂直交通工具，它的应用日益广泛。为了更好的预防电梯故障的发生，避免诸如电梯困人、蹲底、冲顶、溜梯等事故，各地纷纷建立了智慧电梯或电梯应急救援平台，平台的建设主要利用传感器，发生事故后才报警，具有滞后性。本专利利用RBF神经网络可以快速逼近任意非线性函数及良好分类能力的特点，进行多电梯运行系统故障的预测，能更好的预防事故的发生。
发明内容
针对现有技术的不足，本发明的目的在于提供一种基于神经网络的在用电梯故障预测方法，解决了现有技术中出现的问题。
本发明所述的一种基于神经网络的在用电梯故障预测方法，包括以下步骤：
步骤一：利用传感器采集电梯的运行数据；
步骤二：针对步骤一中采集到的运行数据进行故障特征量提取，针对采集数据建立电梯故障预测模型；
步骤三：针对不同参数的数量级和取值范围相差较大，容易造成预测偏差，采用最大最小值标准化，将提取到的故障特征量训练数据的取值范围进行计算统一归为[0,1]
Figure BDA0003227708790000011
上面公式是进行数据归一化处理，对原始数据的线性变换，使结果值映射到[0-1]之间，Xij：样本数据，Xminj：每一列数据中的最小值，样本数据中有多个样本，每个样本中有多个属性，i表示样本数，j表示属性值，Xmaxj：每一列数据中的最大值；
步骤四：将特征参数的训练数据，经RBF神经网络的第一层输入网络，利用K-means算法划分训练样本，获取RBF函数中心值c；
步骤五：通过训练的数据进入网络模型的第二层隐含层，利用高斯函数作为激活函数对训练数据进行非线性变换；
步骤六：通过连接权值对隐含层输出结果进行线性组合：
Figure BDA0003227708790000021
式中：wi：神经网络连接权值，也就是隐藏层到输出层的权值，
Figure BDA0003227708790000022
隐含层的输出结果；
其中：权值向量ω用OLS计算公式计算：
Figure BDA0003227708790000023
其中：cmax：所选取中心点之间的最大距离，利用k-means聚类划分数据样本，选取了h个中心点，xp：样本数据向量；
步骤七：利用步骤六中的OLS计算公式计算权值向量ω，最后通过连接权值ω对隐含层输出结果
Figure BDA0003227708790000024
进行线性组合得出可能出现故障类型的预测概率，根据选取的概率评价标准得出最终可能会出现的电梯故障类型。
利用RBF网络进行电梯故障模型预测，通过传感器采集电梯运行数据，采集到的运行数据进行故障特征量提取，再把提取的数据经过最大最小值公式进行统一标准化，将特征参数的训练数据，经RBF神经网络的第一层输入网络，利用K-means算法划分训练样本，获取RBF函数中心值c；通过训练的数据进入网络模型的第二层隐含层，利用高斯函数作为激活函数对训练数据进行非线性变换得到隐藏层输出结果
Figure BDA0003227708790000025
利用OLS计算公式计算权值向量ω，最后通过连接权值ω对隐含层输出结果
Figure BDA0003227708790000026
进行线性组合得出可能出现故障类型的预测概率，根据选取的概率评价标准得出最终可能会出现的电梯故障类型。
进一步的，步骤六中获取RBF函数中心值c具体包括以下步骤：
①随机选择l个输入训练样本作初始中心值ci＝(i＝1,2,...,l)；
②将每个输入样本xp(p＝1,2,...,p)指派到距离最近的聚类中心ci，距离标准为欧几里德距离，把所有输入样本分为h个子聚类集合θ；
③计算每个子聚类θ中样本均值，设为新的中心点ci，如果新ci与旧的相同，代表该ci已达到最佳，否则返回②，连续迭代。
进一步的，步骤一中利用传感器采集电梯的运行数据包括：机房噪音值、井道噪音值、环境温度值、曳引机温度值、控制柜温度值、曳引机X、Y、Z轴振动值、轿厢X、Y、Z轴振动值、当前梯速、当前楼层、是否停止、运行方向、轿门开关、是否有人、是否门区、累计运行时间、累计运行次数。
进一步的，步骤二中电梯故障类型包括：电梯非平层停梯故障、电梯超速故障、电梯蹲底故障、电梯关门故障、电梯运行时间超长故障预测模型。
本发明与现有技术相比，具有如下有益效果：
本发明所述的一种基于神经网络的在用电梯故障预测方法，利用传感器采集电梯的运行数据，针对采集数据建立电梯故障预测模型；传感器采集信号后通过采集装置内的4G模块传输给后台处理系统。后台数据处理装置利用神经网络模型根据电梯运行状态参数对电梯往后一段时间可能发生的故障类型进行有效预测。提前预知电梯可能发生的故障，方便工作人员采取相应的措施，增加电梯的安全性能，解决了现有技术中存在的问题。
附图说明
图1为本发明实施例的流程图；
图2为本发明实施例中神经网络模型图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明：
实施例1：
如图1-2所示，本发明所述的一种基于神经网络的在用电梯故障预测方法，包括以下步骤：
步骤一：利用传感器采集电梯的运行数据；
步骤二：针对步骤一中采集到的运行数据进行故障特征量提取，针对采集数据建立电梯故障预测模型；
步骤三：针对不同参数的数量级和取值范围相差较大，容易造成预测偏差，采用最大最小值标准化，将提取到的故障特征量训练数据的取值范围进行计算统一归为[0,1]
Figure BDA0003227708790000031
上面公式是进行数据归一化处理，对原始数据的线性变换，使结果值映射到[0-1]之间，Xij：样本数据，Xminj：每一列数据中的最小值，样本数据中有多个样本，每个样本中有多个属性，i表示样本数，j表示属性值，Xmaxj：每一列数据中的最大值；
步骤四：将特征参数的训练数据，经RBF神经网络的第一层输入网络，利用K-means算法划分训练样本，获取RBF函数中心值c；
步骤五：通过训练的数据进入网络模型的第二层隐含层，利用高斯函数作为激活函数对训练数据进行非线性变换；
步骤六：通过连接权值对隐含层输出结果进行线性组合：
Figure BDA0003227708790000041
式中：wi：神经网络连接权值，也就是隐藏层到输出层的权值，
Figure BDA0003227708790000042
隐含层的输出结果；
其中：权值向量ω用OLS计算公式计算：
Figure BDA0003227708790000043
其中：cmax：所选取中心点之间的最大距离，利用k-means聚类划分数据样本，选取了h个中心点，xp：样本数据向量；
步骤七：利用步骤六中的OLS计算公式计算权值向量ω，最后通过连接权值ω对隐含层输出结果
Figure BDA0003227708790000044
进行线性组合得出可能出现故障类型的预测概率，根据选取的概率评价标准得出最终可能会出现的电梯故障类型。
步骤六中获取RBF函数中心值c具体包括以下步骤：
①随机选择l个输入训练样本作初始中心值ci＝(i＝1,2,...,l)；
②将每个输入样本xp(p＝1,2,...,p)指派到距离最近的聚类中心ci，距离标准为欧几里德距离，把所有输入样本分为h个子聚类集合θ；
③计算每个子聚类θ中样本均值，设为新的中心点ci，如果新ci与旧的相同，代表该ci已达到最佳，否则返回②，连续迭代。
步骤一中利用传感器采集电梯的运行数据包括：机房噪音值、井道噪音值、环境温度值、曳引机温度值、控制柜温度值、曳引机X、Y、Z轴振动值、轿厢X、Y、Z轴振动值、当前梯速、当前楼层、是否停止、运行方向、轿门开关、是否有人、是否门区、累计运行时间、累计运行次数。
电梯故障预测模型包括：电梯非平层停梯故障、电梯超速故障、电梯蹲底故障、电梯关门故障、电梯运行时间超长故障预测模型。
本实施例的工作原理为：学习样本取自输入传感器信号8个(x1～x8)，建立故障模型分别对应故障原因为门机传动打滑、控制电路熔断器过松、门机电阻断丝不通、门锁开关触头粘连、门锁继电器常吸不放、门滑轮磨损严重、门导轨变形或轻度倾斜、地坎中滑槽积尘，输出元素有3个(y1～y3),分别表示故障为门未关、电梯能启动选层，开关门时门扇振动大，无故障。当y为1.00时，即出现故障。
表1样本数据
Figure BDA0003227708790000051
输入信号8个，网络隐层的神经元取20个，输出信号有3个，输出层的神经元取3个。网络中间层传递函数采用高斯函数，函数的输出位于区间[0,1]中，电梯门系统的故障发生概率为0～1之间，满足网络输出的要求。训练次数200，训练结束后，经过校验符合要求。
经实际运行，神经网络得到3个时刻门系统故障特征预测表，如表2所示，T1表明故障为“门未关，电梯能启动选层”、T2为“开关门时门扇振动大”、T3为无故障状态。预测结果与实际故障相符。
表2电梯门系统工作状态及预测数据
Figure BDA0003227708790000061
训练数据经RBF神经网络的第一层输入网络，该层神经元节点的个数取决于网络模型训练数据的维度，图2中有n层输入，代表该模型的输入空间有n维，输入的训练数据表达形式为X＝(x1,x2,...,xn)T。
训练数据通过输入层之后，进入网络模型的第二层隐含层，该层利用激活函数对训练数据进行非线性变换。图2中L代表隐含层神经元个数，可根据需要解决的问题对L进行人工调整设定，或利用算法进行模型参数的自我调节。隐含层的RBF函数采用高斯函数：
Figure BDA0003227708790000062
式中，σi表示为隐含层神经元基函数的扩展常数(方差)，值越小，基函数局部响应性就越好。对应的神经网络第i个隐层节点输出响应为：
Figure BDA0003227708790000063
式中，
Figure BDA0003227708790000064
表示RBF神经网络第k维变量经第i层隐含层转换的输出值，隐含层神经元总个数为L，xk表示第k个输入变量，ci表示第i个隐含层神经元的中心值，||xk-ci||表示xk到ci的欧氏距离。
输出层的映射函数是一个线性函数，通过连接权值对隐含层各层输出结果进行线性组合。表达式如下：
Figure BDA0003227708790000065
其中，wi代表第i个隐含层节点与网络输出的连接权值；通过RBF径向基神经网络结构模型可知，径向基神经网络需要调节的参数包括：隐含层节点个数、中心值ci，扩展常数(方差或宽度)σi和连接权值wi。
根据电梯运行状态参数利用神经网络模型对电梯往后一段时间可能发生的故障类型进行有效预测，通过训练好的网络模型预测出发生某种故障类型的可能性，这里采用的是RBF神经网络进行训练，该RBF网络的基本思想是：用RBF作为隐单元的“基”构成隐含层空间，这样就可以将输入矢量直接映射到隐空间，而不需要通过权连接。当RBF的中心点确定以后，这种映射关系也就确定了。而隐含层空间到输出空间的映射是线性的，即网络的输出是隐单元输出的线性加权和，此处的权即为网络可调参数。也就是说RBF第一层输入网络，该层神经元节点的个数取决于网络模型训练数据的维度，输入空间有n维，则代表有n层输入，这里的数据已经利用上面的最大最小值标准化公式进行预处理。利用训练数据通过输入层之后，用K-means算法划分训练样本，获取RBF函数中心值，进入网络模型的第二层隐含层，该层利用激活函数对训练数据进行非线性变换，隐含层计算输出结果值
Figure BDA0003227708790000071
隐含层的激活函数采用高斯函数，最后通过与权重向量相乘得出预测的概率值，权重向量通过OLS计算公式得到。这里我们通过采取8个传感器的样本数据进行学习，故障原因分别是门机传动打滑、控制电路熔断器过松、门机电阻断丝不通、门锁开关触头粘连、门锁继电器常吸不放、门滑轮磨损严重、门导轨变形或轻度倾斜、地坎中滑槽积尘，输出元素有3个(y1～y3),分别表示故障为门未关、电梯能启动选层，开关门时门扇振动大，无故障。当y为1.00时，即出现故障，样本数据见表一。经实际运行，神经网络得到3个时刻门系统故障特征预测表，如表2所示，T1表明故障为“门未关，电梯能启动选层”、T2为“开关门时门扇振动大”、T3为无故障状态。预测结果与实际故障相符。
采用以上结合附图描述的本发明的实施例的一种基于神经网络的在用电梯故障预测方法，后台数据处理装置利用神经网络模型根据电梯运行状态参数对电梯往后一段时间可能发生的故障类型进行有效预测。解决了现有技术中出现的问题。但本发明不局限于所描述的实施方式，在不脱离本发明的原理和精神的情况下这些对实施方式进行的变化、修改、替换和变形仍落入本发明的保护范围内。

Claims (4)

1.一种基于神经网络的在用电梯故障预测方法，其特征在于：所述的方法包括以下步骤：
步骤一：利用传感器采集电梯的运行数据；
步骤二：针对步骤一中采集到的运行数据进行故障特征量提取，针对采集数据建立电梯故障预测模型；
步骤三：针对不同参数的数量级和取值范围相差较大，容易造成预测偏差，采用最大最小值标准化，将提取到的故障特征量训练数据的取值范围进行计算统一归为[0,1]
Figure FDA0003227708780000011
上面公式是进行数据归一化处理，对原始数据的线性变换，使结果值映射到[0-1]之间，Xij：样本数据，Xminj：每一列数据中的最小值，样本数据中有多个样本，每个样本中有多个属性，i表示样本数，j表示属性值，Xmaxj：每一列数据中的最大值；
步骤四：将特征参数的训练数据，经RBF神经网络的第一层输入网络，利用K-means算法划分训练样本，获取RBF函数中心值c；
步骤五：通过训练的数据进入网络模型的第二层隐含层，利用高斯函数作为激活函数对训练数据进行非线性变换；
步骤六：通过连接权值对隐含层输出结果进行线性组合：
Figure FDA0003227708780000012
式中：wi：神经网络连接权值，也就是隐藏层到输出层的权值，
Figure FDA0003227708780000013
隐含层的输出结果；
其中：权值向量ω用OLS计算公式计算：
Figure FDA0003227708780000014
其中：cmax：所选取中心点之间的最大距离，利用k-means聚类划分数据样本，选取了h个中心点，xp：样本数据向量；
步骤七：利用步骤六中的OLS计算公式计算权值向量ω，最后通过连接权值ω对隐含层输出结果
Figure FDA0003227708780000021
进行线性组合得出可能出现故障类型的预测概率，根据选取的概率评价标准得出最终可能会出现的电梯故障类型。
2.根据权利要求1所述的一种基于神经网络的在用电梯故障预测方法，其特征在于：所述的步骤六中获取RBF函数中心值c具体包括以下步骤：
①随机选择l个输入训练样本作初始中心值ci＝(i＝1,2,...,l)；
②将每个输入样本xp(p＝1,2,...,p)指派到距离最近的聚类中心ci，距离标准为欧几里德距离，把所有输入样本分为h个子聚类集合θ；
③计算每个子聚类θ中样本均值，设为新的中心点ci，如果新ci与旧的相同，代表该ci已达到最佳，否则返回②，连续迭代。
3.根据权利要求1所述的一种基于神经网络的在用电梯故障预测方法，其特征在于：所述的步骤一中利用传感器采集电梯的运行数据包括：机房噪音值、井道噪音值、环境温度值、曳引机温度值、控制柜温度值、曳引机X、Y、Z轴振动值、轿厢X、Y、Z轴振动值、当前梯速、当前楼层、是否停止、运行方向、轿门开关、是否有人、是否门区、累计运行时间、累计运行次数。
4.根据权利要求1所述的一种基于神经网络的在用电梯故障预测方法，其特征在于：所述的步骤二中的电梯故障类型包括：电梯非平层停梯故障、电梯超速故障、电梯蹲底故障、电梯运行时间超长故障预测模型。
CN202110977026.1A 2021-08-24 2021-08-24 一种基于神经网络的在用电梯故障预测方法 Pending CN113734928A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110977026.1A CN113734928A (zh) 2021-08-24 2021-08-24 一种基于神经网络的在用电梯故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110977026.1A CN113734928A (zh) 2021-08-24 2021-08-24 一种基于神经网络的在用电梯故障预测方法

Publications (1)

Publication Number Publication Date
CN113734928A true CN113734928A (zh) 2021-12-03

Family

ID=78732619

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110977026.1A Pending CN113734928A (zh) 2021-08-24 2021-08-24 一种基于神经网络的在用电梯故障预测方法

Country Status (1)

Country Link
CN (1) CN113734928A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115152381A (zh) * 2022-08-15 2022-10-11 农业农村部南京农业机械化研究所 一种智能化电动精量开沟施肥机
CN115159288A (zh) * 2022-07-07 2022-10-11 浙江省特种设备科学研究院 一种电梯故障识别方法
CN116873689A (zh) * 2023-09-06 2023-10-13 江苏省特种设备安全监督检验研究院 电梯检验数据分析方法、装置、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105071771A (zh) * 2015-09-08 2015-11-18 河海大学常州校区 一种基于神经网络的分布式光伏系统故障诊断方法
CN105844334A (zh) * 2016-03-22 2016-08-10 南京信息工程大学 一种基于径向基神经网络的温度插值算法
CN107886168A (zh) * 2017-11-07 2018-04-06 歌拉瑞电梯股份有限公司 一种使用多层感知器神经网络进行电梯故障识别的方法
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
CN109179133A (zh) * 2018-11-05 2019-01-11 常熟理工学院 用于预判故障的电梯智能维保预测方法及系统
CN109292567A (zh) * 2018-02-28 2019-02-01 武汉大学 一种基于bp神经网络的电梯故障预测方法
CN109375994A (zh) * 2018-09-10 2019-02-22 西安交通大学 基于rbf神经网络的数据中心任务温度预测及调度方法
CN109607344A (zh) * 2018-12-20 2019-04-12 华北水利水电大学 一种基于神经网络垂直电梯故障预测系统及方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105071771A (zh) * 2015-09-08 2015-11-18 河海大学常州校区 一种基于神经网络的分布式光伏系统故障诊断方法
CN105844334A (zh) * 2016-03-22 2016-08-10 南京信息工程大学 一种基于径向基神经网络的温度插值算法
CN107886168A (zh) * 2017-11-07 2018-04-06 歌拉瑞电梯股份有限公司 一种使用多层感知器神经网络进行电梯故障识别的方法
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
CN109292567A (zh) * 2018-02-28 2019-02-01 武汉大学 一种基于bp神经网络的电梯故障预测方法
CN109375994A (zh) * 2018-09-10 2019-02-22 西安交通大学 基于rbf神经网络的数据中心任务温度预测及调度方法
CN109179133A (zh) * 2018-11-05 2019-01-11 常熟理工学院 用于预判故障的电梯智能维保预测方法及系统
CN109607344A (zh) * 2018-12-20 2019-04-12 华北水利水电大学 一种基于神经网络垂直电梯故障预测系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘载文等: "<污水处理过程优化控制系统>", 30 April 2014 *
焦明连等: "<GNSS在数字城市建设中的应用研究>", 31 December 2014 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115159288A (zh) * 2022-07-07 2022-10-11 浙江省特种设备科学研究院 一种电梯故障识别方法
CN115159288B (zh) * 2022-07-07 2024-04-02 浙江省特种设备科学研究院 一种电梯故障识别方法
CN115152381A (zh) * 2022-08-15 2022-10-11 农业农村部南京农业机械化研究所 一种智能化电动精量开沟施肥机
CN116873689A (zh) * 2023-09-06 2023-10-13 江苏省特种设备安全监督检验研究院 电梯检验数据分析方法、装置、设备及存储介质
CN116873689B (zh) * 2023-09-06 2024-01-02 江苏省特种设备安全监督检验研究院 电梯检验数据分析方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN113734928A (zh) 一种基于神经网络的在用电梯故障预测方法
CN109607344B (zh) 一种基于神经网络垂直电梯故障预测系统及方法
CN110262463B (zh) 一种基于深度学习的轨道交通站台门故障诊断系统
WO2021098634A1 (en) Non-intrusive data analytics system for adaptive intelligent condition monitoring of lifts
Lee et al. Fault diagnosis of an air-handling unit using artificial neural networks
CN112365066A (zh) 电梯故障预测方法、系统、装置、计算机设备和存储介质
US20190285517A1 (en) Method for evaluating health status of mechanical equipment
CN105095963B (zh) 一种精确诊断与预测风洞设备故障的方法
CN109573772A (zh) 一种通用电梯健康度评估系统
CN111311869B (zh) 一种基于区域报警模型的消防安全监控方法、系统、云平台
CN110209999A (zh) 一种车载设备故障趋势预测方法
CN109670584A (zh) 一种基于大数据的故障诊断方法及系统
CN112000015A (zh) 一种基于lstm和生物激励神经网络的重型燃机控制系统控制器模块智能bit设计方法
CN114330138A (zh) 故障诊断方法、其装置及电子设备
CN108053052A (zh) 一种油罐车油气泄漏速度智能监测系统
CN115180470B (zh) 一种基于自学习的楼宇电梯管控系统
CN112027841A (zh) 一种电梯系统
AU658776B2 (en) Using fuzzy logic to determine elevator car assignment utility
CN109626163A (zh) 电梯开门运行故障的监测方法与装置
CN113987905A (zh) 一种基于深度信念网络的自动扶梯制动力智能诊断系统
CN110065867A (zh) 基于音视频的电梯舒适度评价的方法和系统
CN111797944A (zh) 一种车门异常诊断方法及装置
CN114634071B (zh) 基于电梯调度神经网络训练的人工智能优化操作系统
CN115520741A (zh) 基于神经网络的电梯运行监控预警方法、系统及存储介质
CN114841063A (zh) 一种基于深度学习的航空发动机剩余寿命预测方法

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: 20211203