CN113928964B - 一种自动扶梯扶手带松紧程度检测方法 - Google Patents
一种自动扶梯扶手带松紧程度检测方法 Download PDFInfo
- Publication number
- CN113928964B CN113928964B CN202111162491.6A CN202111162491A CN113928964B CN 113928964 B CN113928964 B CN 113928964B CN 202111162491 A CN202111162491 A CN 202111162491A CN 113928964 B CN113928964 B CN 113928964B
- Authority
- CN
- China
- Prior art keywords
- temperature
- data
- handrail
- model
- sample
- 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
- B66B29/00—Safety devices of escalators or moving walkways
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B23/00—Component parts of escalators or moving walkways
- B66B23/16—Means allowing tensioning of the endless member
- B66B23/20—Means allowing tensioning of the endless member for handrails
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B50/00—Energy efficient technologies in elevators, escalators and moving walkways, e.g. energy saving or recuperation technologies
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Escalators And Moving Walkways (AREA)
Abstract
本发明公开了一种自动扶梯扶手带松紧程度检测方法,包括:对扶手带摩擦力最大的部位的前后两端的温度变化数据进行采集;在前期训练模型的时候整理出过紧和正常的扶手带温度数据模型;采用区间极值统计量的方法来计算温度统计特征;计算温度比值;对得到的温度比值数据T分段计算统计量;结合提取的特征来构建分类模型,在构建模型之前首先进行训练样本和测试样本的划分,对采集得到的正常和过紧的温度数据进行划分;用随机森林算法进行分类识别,判断扶手带的松紧程度;用测试数据来测试所构建模型的准确率;本方法不受环境温度变化的影响,有效地避免了干扰,可以对实时运行的自动扶梯的扶手带的松紧程度进行检测判别。
Description
技术领域
本发明涉及故障诊断领域,具体涉及一种自动扶梯扶手带松紧程度检测方法。
背景技术
自动扶梯作为一种大型运输机械,在铁路、城市轨道交通、商场、机场等有着广泛的应用,扶手带位于扶手装置的顶面,与梯级、踏板或胶带同步运行,供乘客扶握的带状部件,其作为自动扶梯这种大型回转装置的一个重要组成部分,扶手带的状态与旅客的安全有着直接的关系。扶手带作为自动扶梯的易损件,其结构主要由橡胶层、帘子布层、钢丝层、摩擦层构成。扶手带的驱动方式主要有1)摩擦轮驱动,2)压轮驱动,都是利用机械滚轮的摩擦力带动扶手带运行。扶手带与机械滚轮的松紧程度会直接影响扶手带的正常运行,过松则会造成扶手带失速,从而引发安全事故,过紧则会造成扶手带的异常磨损,加速扶手带的老化过程,造成扶手带的断裂,引发安全事故。
现有的扶手带检测主要是通过扶手带的运行速度来进行检测,只能反应扶手带的运行速度,而不能准确地判断扶手带的松紧程度,无法及时地指导维修保养人员做出及时调整。
发明内容
为解决现有技术的不足,本发明的目的在于,提供一种通过温度算法来自动检测扶手带松紧程度的检测方法,能够自动对扶手带的松紧程度做出判断,及时指导维修保养人员做出调整。
为了实现上述目的,本发明提供一种自动扶梯扶手带松紧程度检测方法,包括如下步骤:
步骤1:在自动扶梯扶手带与驱动轮及扶手带导轨的摩擦部位的前后各安装一个温度传感器,对扶手带摩擦力最大的部位的前后两端的温度变化数据进行采集;
步骤2:对于传感器采集到的批量数据,将每一个温度传感器采集到的数据进行分类整合,在前期训练模型的时候整理出过紧和正常的扶手带温度数据模型;
步骤3:采用区间极值统计量的方法来计算温度统计特征,区间极值统计量通过截取数据区间,然后在每一个区间内的样本计算相关的统计量,将这些统计量作为识别样本的特征;
步骤4:通过温度传感器测量张紧轮前面的温度T1,测量得到张紧轮后面的温度T2;则张紧轮前后的温度比值为:T=T2/T1;计算温度比值可以反映扶手带在张紧前后的温度变化速率,为后面更好的提取统计特征做准备;
步骤5:对得到的温度比值数据T分段计算统计量,每一段选取的数据量为N,统计量包括均值、均方差、方差、峰度、偏度、裕度、脉冲及峰峰值;
步骤6:结合提取的特征来构建一个分类模型,在构建模型之前首先进行训练样本和测试样本的划分,然后根据划分的训练样本和测试样本;对采集得到的正常和过紧的温度数据进行划分,对整合得到的数据随机抽样选取80%的数据作为训练集,剩下的20%的数据作为测试集;
步骤7:用随机森林(Random Forest,RF)算法进行分类识别,判断扶手带的松紧程度;RF是一种组成式的有监督学习方法,在随机森林的算法中,同时生成多个预测模型,并将模型的结果汇总以提升分类准确率;随机森林的算法涉及到两部分的随机抽样,分别是对样本单元抽样和对变量因子抽样,以此来生成大量决策树;对每一个样本单元来说,所有决策树依次对该样本单元进行分类,所有决策树预测类别中的众数即为随机森林所预测的这一样本单元的类别;
步骤8:通过用训练数据训练随机森林模型的参数,然后用测试数据来测试所构建模型的准确率。
进一步的,所述驱动轮为压带轮或摩擦轮。
进一步的,温度传感器采用采用工装支架的方式安装在自动扶梯前后张紧轮的两端。
进一步的,温度传感器采样频率为1Hz,即1秒钟采样1个数据。
进一步的,所述步骤8具体为:
步骤8.1.准备训练样本和待检测样本,其中训练样本的特征是由区间极值统计量提取出来的,按照每一个区间长度来构造训练样本的特征;待检测样本(测试样本)的特征同理可得;
步骤8.2.使用训练样本来训练随机森林模型,得到随机森林分类器模型;
步骤8.3.将测试样本放入到已经训练好的随机森林分类器模型中,得到测试样本的识别结果;预测得到的分类结果和真实的分类结果进行对比,查看准确率,检验模型的准确性和鲁棒性。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)本发明的自动扶梯扶手带松紧程度检测方法,在布设传感器时基于扶手带摩擦受力的重点部位的前后温差变化进行监测,通过扶手带温度数据建立形成扶手带不同松紧程度的温度变化模型,该方法不受环境温度变化的影响,有效地避免了干扰,可以对实时运行的自动扶梯的扶手带的松紧程度进行检测判别。
附图说明:
图1是本发明较佳实施例左扶手带温度正常和过紧1cm对比的另一种安装结构图;
图2是本发明较佳实施例左扶手带原始温度正常和过紧2cm对比;
图3是本发明较佳实施例左边扶手带部分时域特征对比;
图4是本发明较佳实施例的右边扶手带部分时域特征对比;
图5随机森林分类流程图;
具体实施方式:
为了使本发明的目的、方案及优点更加清楚明白,以下结合附图及实施例,对本发明的进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明的,并不用于限定本发明的。此外,下面所描述的本发明的各个实施方式中所涉及到的特征只要彼此之间未构成冲突就可以相互组合。
作为一种实施例,该实施例提供了一种自动扶梯扶手带松紧程度检测方法,包括如下步骤:
步骤1:在自动扶梯扶手带与驱动轮及扶手带导轨的摩擦部位的前后各安装一个温度传感器,对扶手带摩擦力最大的部位的前后两端的温度变化数据进行采集;
步骤2:对于传感器采集到的批量数据,将每一个温度传感器采集到的数据进行分类整合,在前期训练模型的时候整理出过紧和正常的扶手带温度数据模型;
步骤3:采用区间极值统计量的方法来计算温度统计特征,区间极值统计量通过截取数据区间,然后在每一个区间内的样本计算相关的统计量,将这些统计量作为识别样本的特征;
步骤4:通过温度传感器测量张紧轮前面的温度T1,测量得到张紧轮后面的温度T2;则张紧轮前后的温度比值为:T=T2/T1;计算温度比值可以反映扶手带在张紧前后的温度变化速率,为后面更好的提取统计特征做准备;
步骤5:对得到的温度比值数据T分段计算统计量,每一段选取的数据量为N,统计量包括均值、均方差、方差、峰度、偏度、裕度、脉冲及峰峰值;
步骤6:结合提取的特征来构建一个分类模型,在构建模型之前首先进行训练样本和测试样本的划分,然后根据划分的训练样本和测试样本;对采集得到的正常和过紧的温度数据进行划分,对整合得到的数据随机抽样选取80%的数据作为训练集,剩下的20%的数据作为测试集;
步骤7:用随机森林(Random Forest,RF)算法进行分类识别,判断扶手带的松紧程度;RF是一种组成式的有监督学习方法,在随机森林的算法中,同时生成多个预测模型,并将模型的结果汇总以提升分类准确率;随机森林的算法涉及到两部分的随机抽样,分别是对样本单元抽样和对变量因子抽样,以此来生成大量决策树;对每一个样本单元来说,所有决策树依次对该样本单元进行分类,所有决策树预测类别中的众数即为随机森林所预测的这一样本单元的类别;
步骤8:通过用训练数据训练随机森林模型的参数,然后用测试数据来测试所构建模型的准确率。
所述驱动轮为压带轮或摩擦轮。
所述温度传感器采用采用工装支架的方式安装在自动扶梯前后张紧轮的两端。
所述温度传感器采样频率为1Hz,即1秒钟采样1个数据。
所述步骤8具体为:
步骤8.1.准备训练样本和待检测样本,其中训练样本的特征是由区间极值统计量提取出来的,按照每一个区间长度来构造训练样本的特征;待检测样本(测试样本)的特征同理可得;
步骤8.2.使用训练样本来训练随机森林模型,得到随机森林分类器模型;
步骤8.3.将测试样本放入到已经训练好的随机森林分类器模型中,得到测试样本的识别结果;预测得到的分类结果和真实的分类结果进行对比,查看准确率,检验模型的准确性和鲁棒性。
本方法是基于对扶手带与驱动装置(压带轮、摩擦轮等)及扶手带导轨的主要摩擦部位的前后温度的监测,测量出扶手带经过主要摩擦部件后产生的温度变化,构建出扶手带松紧程度的数学模型,实现扶手带松紧程度的判断算法,将实时采集的数据通过算法的自动比对,从而自动判断出扶手带的松紧程度。该方法将温度传感器安装于扶手带摩擦力最大的部位的前后两端,通过测量扶手带经过该部位的前后温度的变化值,可以有效地避免环境温度的干扰(如阳光直射、气候变化,环境温度的变化等等)。经过在南京地铁、深圳地铁、多个高铁站的实际应用,可以准确对判断扶手带的松紧程度,判断精度可以以每1厘米为单位来指导维保人员调节扶手带涨紧压带螺杆。
对于采样得到的温度数据,采用区间极值统计量的方法来计算温度统计特征;
下面的算法步骤以一边扶手带为例,另一边扶手带的算法步骤也是类似的,算法的具体实验步骤如下:
(1)温度传感器测量张紧轮前面的温度T1,测量得到张紧轮后面的温度T2;则张紧轮前后的温度比值为:T=T2/T1;计算温度比值可以反映扶手带在张紧前后的温度变化速率,为后面更好的提取统计特征做准备。
(2)对得到的温度比值数据T分段计算统计量,每一段选取的数据量为N,主要计算以下几个统计量,如表1所示:
表1是温度时域统计指标表;
表1中:Ti表示时刻i的温度值;μ代表温度值均值;σ表示温度值标准差;
N表示这一段时间的温度样本数;max(),min()表示最大值、最小值函数;考虑到温度的变化是一个缓慢变化的过程,所以传感器的采样频率比较低 (1Hz),从时域的角度出发来提取特征是一个比较好的选择,部分提取的温度时域统计特征的对比如图3和图4所示,可以看出提取的特征能够比较明显的反映扶手带过紧和正常的运行状态,能够比较好的揭示扶手带过紧时的状态特征。
从图3和图4中可以看出,以左边扶手带的数据为例,过紧扶手带的温度的均值、均方差以及峰值都要高于正常扶手带的特征,显然从时域提取的特征具有比较明显的层次感,能够很好的区分扶手带过紧和正常时的运行状态。
(3)结合提取的特征来构建一个分类模型,在构建模型之前首先进行训练样本和测试样本的划分,然后根据划分的训练样本和测试样本。对采集得到的正常和过紧的温度数据进行整合划分;对整合得到的数据随机抽样选取80%的数据作为训练集,剩下的20%的数据作为测试集;
(4)如图5,最后用随机森林(RandomForest,RF)算法进行分类识别。RF是一种组成式的有监督学习方法,在随机森林的算法中,同时生成多个预测模型,并将模型的结果汇总以提升分类准确率。随机森林的算法涉及到两部分的随机抽样,分别是对样本单元抽样和对变量因子抽样,以此来生成大量决策树。对每一个样本单元来说,所有决策树依次对该样本单元进行分类,所有决策树预测类别中的众数即为随机森林所预测的这一样本单元的类别。通过对选取的区间统计量作为输入特征,然后自动扶梯松紧程度作为输入标签,以此来训练随机森林模型。
随机森林模型训练识别的步骤如下:
a.准备训练样本和待检测样本,其中训练样本的特征是由区间极值统计量提取出来的,按照每一个区间长度来构造训练样本的特征。待检测样本(测试样本)的特征同理可得。
b.使用训练样本来训练随机森林模型,得到随机森林分类器模型;
c.将测试样本放入到已经训练好的随机森林分类器模型中,得到测试样本的识别结果。预测得到的分类结果和真实的分类结果进行对比,查看准确率,检验模型的准确性和鲁棒性。
(5)随机森林是通过集成学习的思想将多棵树集成的一种算法,它的基本单元是决策树,而它的本质属于机器学习的一个分支——集成学习方法。从直观的角度来讲,每棵决策树就是一个分类器,那么对于1个输入样本,N棵数就会有N个分类结果。而随机森林集成了所有的分类投票结果,将投票次数最多的类别指定为最终的输出,这就是一种最简单的Bagging 思想。
随机森林通过信息增益的方式来选择最优分类特征。选择最优分裂属性,分别计算每一个属性的信息增益,选择信息增益最大的属性进行分裂。信息增益的计算公式如下:
Info_Gain=Entropy-∑i∈Ipi×Entropyi
其中:Entropy表示父节点的熵,Entropyi表示第i个节点的熵,熵越大,节点的信息量越多。Info_Gain越大,表示分裂后的熵越小,分类效果越好,因此选择Info_Gain最大的属性作为分裂属性。
通过用训练数据训练随机森林模型的参数,然后用测试数据来测试所构建模型的准确率。实验结果表明:该方法可以有效的识别扶手带过紧和正常的运行状态。
最后通过测试集的结果可知,提出即基于区间极值统计量的扶手带温度检测算法可以有效的检测出扶手带的过紧程度,对后续的维修决策具有一定的指导意义。
该方法在布设传感器时只基于扶手带摩擦受力的重点部位的前后温差变化进行监测,通过扶手带温度算法形成扶手带不同松紧程度的温度变化模型,该算法不受环境温度变化的影响,有效地避免了干扰,可以对实时运行的自动扶梯的扶手带的松紧程度进行检测判别。通过在地铁及高铁车站的广泛应用,该算法识别速度比较快,算法灵敏性较高。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种自动扶梯扶手带松紧程度检测方法,其特征在于,包括如下步骤:
步骤1:在自动扶梯扶手带与驱动轮及扶手带导轨的摩擦部位的前后各安装一个温度传感器,对扶手带摩擦力最大的部位的前后两端的温度变化数据进行采集;
步骤2:对于传感器采集到的批量数据,将每一个温度传感器采集到的数据进行分类整合,在前期训练模型的时候整理出过紧和正常的扶手带温度数据模型;
步骤3:采用区间极值统计量的方法来计算温度统计特征;
步骤4:通过温度传感器测量张紧轮前面的温度T1,测量得到张紧轮后面的温度T2;则张紧轮前后的温度比值为:T = T2/T1;
步骤5:对得到的温度比值数据T分段计算统计量,每一段选取的数据量为N,统计量包括均值、均方差、方差、峰度、偏度、裕度、脉冲及峰峰值;
步骤6:结合提取的特征来构建一个分类模型,在构建模型之前首先进行训练样本和测试样本的划分,然后根据划分的训练样本和测试样本;对采集得到的正常和过紧的温度数据进行划分,对整合得到的数据随机抽样选取80%的数据作为训练集,剩下的20%的数据作为测试集;
步骤7:用随机森林算法进行分类识别,判断扶手带的松紧程度;
步骤8:通过用训练数据训练随机森林模型的参数,然后用测试数据来测试所构建模型的准确率;所述步骤8具体为:
步骤8.1.准备训练样本和待检测样本,其中训练样本的特征是由区间极值统计量提取出来的,按照每一个区间长度来构造训练样本的特征;待检测样本的特征同理可得;
步骤8.2.使用训练样本来训练随机森林模型,得到随机森林分类器模型;
步骤8.3.将测试样本放入到已经训练好的随机森林分类器模型中,得到测试样本的识别结果;预测得到的分类结果和真实的分类结果进行对比,查看准确率,检验模型的准确性和鲁棒性。
2.根据权利要求1所述的自动扶梯扶手带松紧程度检测方法,其特征在于,所述驱动轮为压带轮或摩擦轮。
3.根据权利要求1所述的自动扶梯扶手带松紧程度检测方法,其特征在于: 所述温度传感器采用采用工装支架的方式安装在自动扶梯前后张紧轮的两端。
4.根据权利要求2所述的自动扶梯扶手带松紧程度检测方法,其特征在于,所述温度传感器采样频率为1Hz,即1秒钟采样1个数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111162491.6A CN113928964B (zh) | 2021-09-30 | 2021-09-30 | 一种自动扶梯扶手带松紧程度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111162491.6A CN113928964B (zh) | 2021-09-30 | 2021-09-30 | 一种自动扶梯扶手带松紧程度检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113928964A CN113928964A (zh) | 2022-01-14 |
CN113928964B true CN113928964B (zh) | 2023-06-20 |
Family
ID=79277792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111162491.6A Active CN113928964B (zh) | 2021-09-30 | 2021-09-30 | 一种自动扶梯扶手带松紧程度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113928964B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012020864A (ja) * | 2010-07-16 | 2012-02-02 | Toshiba Elevator Co Ltd | エスカレータ、エスカレータの安全装置及びその調整治具 |
JP2014223967A (ja) * | 2013-05-16 | 2014-12-04 | 三菱電機株式会社 | 移動手摺の異常検出装置及び乗客コンベア |
JP2015227219A (ja) * | 2014-05-30 | 2015-12-17 | 三菱電機ビルテクノサービス株式会社 | 乗客コンベアの移動手摺加温装置および移動手摺加温方法 |
CN107986146A (zh) * | 2017-12-29 | 2018-05-04 | 通力电梯有限公司 | 在线监控设备、自动扶梯及在线监控自动扶梯的方法 |
WO2019127359A1 (en) * | 2017-12-29 | 2019-07-04 | Kone Elevators Co., Ltd. | Escalator monitoring system, method, sound data collection device and fixture therefor |
CN209906170U (zh) * | 2019-04-26 | 2020-01-07 | 北京长城华瑞科技有限公司 | 自动扶梯安全运行在线监测和预警系统 |
CN110921478A (zh) * | 2018-09-19 | 2020-03-27 | 奥的斯电梯公司 | 扶手带自动张紧系统和调节扶手带的张紧程度的方法 |
CN111222422A (zh) * | 2019-12-26 | 2020-06-02 | 武汉思恒达科技有限公司 | 一种能自动识别人员数量的地铁智能识别系统 |
AU2020101854A4 (en) * | 2020-08-17 | 2020-09-24 | China Communications Construction Co., Ltd. | A method for predicting concrete durability based on data mining and artificial intelligence algorithm |
CN112456293A (zh) * | 2020-12-14 | 2021-03-09 | 中铁第四勘察设计院集团有限公司 | 可实时标记的自动扶梯扶手带内嵌钢丝监测系统及方法 |
CN112479000A (zh) * | 2020-12-14 | 2021-03-12 | 中铁第四勘察设计院集团有限公司 | 无线传输耦合接触式自动扶梯扶手带温度监测系统及方法 |
CN112607570A (zh) * | 2020-12-12 | 2021-04-06 | 南京地铁建设有限责任公司 | 一种适用于自动扶梯的多维传感数据感知系统 |
CN113011089A (zh) * | 2021-03-05 | 2021-06-22 | 中国石油大学(华东) | 一种基于深度学习的机采井系统效率优化方法与装置 |
-
2021
- 2021-09-30 CN CN202111162491.6A patent/CN113928964B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012020864A (ja) * | 2010-07-16 | 2012-02-02 | Toshiba Elevator Co Ltd | エスカレータ、エスカレータの安全装置及びその調整治具 |
JP2014223967A (ja) * | 2013-05-16 | 2014-12-04 | 三菱電機株式会社 | 移動手摺の異常検出装置及び乗客コンベア |
JP2015227219A (ja) * | 2014-05-30 | 2015-12-17 | 三菱電機ビルテクノサービス株式会社 | 乗客コンベアの移動手摺加温装置および移動手摺加温方法 |
CN107986146A (zh) * | 2017-12-29 | 2018-05-04 | 通力电梯有限公司 | 在线监控设备、自动扶梯及在线监控自动扶梯的方法 |
WO2019127359A1 (en) * | 2017-12-29 | 2019-07-04 | Kone Elevators Co., Ltd. | Escalator monitoring system, method, sound data collection device and fixture therefor |
CN110921478A (zh) * | 2018-09-19 | 2020-03-27 | 奥的斯电梯公司 | 扶手带自动张紧系统和调节扶手带的张紧程度的方法 |
CN209906170U (zh) * | 2019-04-26 | 2020-01-07 | 北京长城华瑞科技有限公司 | 自动扶梯安全运行在线监测和预警系统 |
CN111222422A (zh) * | 2019-12-26 | 2020-06-02 | 武汉思恒达科技有限公司 | 一种能自动识别人员数量的地铁智能识别系统 |
AU2020101854A4 (en) * | 2020-08-17 | 2020-09-24 | China Communications Construction Co., Ltd. | A method for predicting concrete durability based on data mining and artificial intelligence algorithm |
CN112607570A (zh) * | 2020-12-12 | 2021-04-06 | 南京地铁建设有限责任公司 | 一种适用于自动扶梯的多维传感数据感知系统 |
CN112456293A (zh) * | 2020-12-14 | 2021-03-09 | 中铁第四勘察设计院集团有限公司 | 可实时标记的自动扶梯扶手带内嵌钢丝监测系统及方法 |
CN112479000A (zh) * | 2020-12-14 | 2021-03-12 | 中铁第四勘察设计院集团有限公司 | 无线传输耦合接触式自动扶梯扶手带温度监测系统及方法 |
CN113011089A (zh) * | 2021-03-05 | 2021-06-22 | 中国石油大学(华东) | 一种基于深度学习的机采井系统效率优化方法与装置 |
Non-Patent Citations (2)
Title |
---|
自动扶梯安全扶手带预警装置的设计;叶敬坡;陈先行;窦岩;姜楠;蔡龙喜;崔兆文;;科技创新导报(第15期);全文 * |
阶梯形温度计套管的工程应用设计方法;孙吉人;;炼油技术与工程(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113928964A (zh) | 2022-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108569607B (zh) | 基于双向门控循环神经网络的电梯故障预警方法 | |
CN107844067B (zh) | 一种水电站闸门在线状态监测控制方法及监测系统 | |
CN105489019B (zh) | 一种基于双音频信号采集的分车型的交通流量监测系统 | |
CN112660745B (zh) | 托辊故障智能诊断方法、系统及可读存储介质 | |
CN112504673B (zh) | 基于机器学习的托辊故障诊断方法、系统及存储介质 | |
CN111721209A (zh) | 一种基于大数据的道路隧道工程安全实时监测管理系统 | |
CN114386451B (zh) | 基于传感器信息感知的接触网吊弦故障诊断报警方法 | |
CN111721324B (zh) | 一种基于加速度信号的接触网吊弦断裂检测方法 | |
CN104596780A (zh) | 一种动车组制动系统传感器故障的诊断方法 | |
CN116382217A (zh) | 一种生产线智能运维监管系统 | |
CN113222187B (zh) | 一种共享助力车刹车健康度智能监测方法 | |
CN111717753A (zh) | 基于多维故障特征的自适应电梯故障预警系统及方法 | |
CN107688820B (zh) | 一种基于bcsa优化支持向量机的电梯故障诊断方法 | |
CN108334902A (zh) | 一种基于深度学习的轨道列车设备间烟雾防火监测方法 | |
CN111444471A (zh) | 一种基于多元高斯分布的电缆生产质量异常检测方法和系统 | |
CN113928964B (zh) | 一种自动扶梯扶手带松紧程度检测方法 | |
CN113177646A (zh) | 一种基于自适应边缘代理的配电设备在线监测方法及系统 | |
CN115112763A (zh) | 一种基于das的高铁声屏障健康状况实时监测方法 | |
CN207992717U (zh) | 一种水电站闸门在线状态监测系统 | |
CN112362214A (zh) | 一种皮带张力在线识别的方法和系统 | |
CN112660746B (zh) | 基于大数据技术的托辊故障诊断方法、系统及存储介质 | |
CN112132088B (zh) | 一种巡检点位漏巡识别方法 | |
CN111307753B (zh) | 一种基于太赫兹技术的纤维材料检测系统及方法 | |
CN114660378A (zh) | 一种基于多源检测参数的接触网综合诊断方法 | |
Zhang et al. | Robust vehicle detection and identification with single magnetic sensor |
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 |