CN114492517B - 电梯检测方法、电梯检测装置、电子设备及存储介质 - Google Patents
电梯检测方法、电梯检测装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114492517B CN114492517B CN202210023094.9A CN202210023094A CN114492517B CN 114492517 B CN114492517 B CN 114492517B CN 202210023094 A CN202210023094 A CN 202210023094A CN 114492517 B CN114492517 B CN 114492517B
- Authority
- CN
- China
- Prior art keywords
- elevator
- matrix
- target
- sample
- detected
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Abstract
本申请公开了一种电梯检测方法、电梯检测装置、电子设备及存储介质。该方法包括:获取待测电梯的多个样本序列;计算所述样本序列之间的相似度,得到多个距离矩阵;根据预设的映射算法对所述多个距离矩阵进行映射处理,得到多个目标样本点;将多个所述目标样本点进行聚类分析,得到所述待测电梯的检测类别。本申请实施例的技术方案,能够在电梯运行期间实现对电梯故障的自动检测,保证了电梯检测的时效性,实现了电梯故障发生前的故障检测,提高了电梯的运行安全。
Description
技术领域
本申请涉及检测技术领域,尤其涉及一种电梯检测方法、电梯检测装置、电子设备及存储介质。
背景技术
随着经济和科技的迅速发展,各种电梯进入我们的生活中,电梯总量持续增多,电梯安全和日常维护问题日益凸显。
相关技术中,通过现场排查来进行电梯故障的识别与诊断,但这种方法需要让电梯停机运行,才能进行排查,并且这种排查往往是电梯发生故障后才进行的,难以检测到电梯发生故障前的隐患信息。
发明内容
本申请旨在至少解决现有技术中存在的技术问题之一。为此,本申请提出一种电梯检测方法,能够在电梯运行期间实现对电梯故障的自动检测,保证了电梯检测的时效性,实现了电梯故障发生前的故障检测,提高了电梯的运行安全。
本申请还提出一种电梯检测装置。
本申请还提出一种电子设备。
本申请还提出一种存储介质。
根据本申请的第一方面实施例的电梯检测方法,包括:
获取待测电梯的多个样本序列;
计算所述样本序列之间的相似度,得到多个距离矩阵;
根据预设的映射算法对所述多个距离矩阵进行映射处理,得到多个目标样本点;
将多个所述目标样本点进行聚类分析,得到所述待测电梯的检测类别。
根据本申请实施例的电梯检测方法,至少具有如下有益效果:通过获取待测电梯的多个样本序列,然后对样本序列进行相似度计算,得到多个距离矩阵,然后通过对多个距离矩阵进行映射处理,得到多个目标样本点,最后对多个目标样本点进行聚类分析,得到待测电梯的类别,这样设置,能够在电梯运行期间实现对电梯的故障检测,不需要电梯停止运行,从而保证了电梯检测的时效性,实现了电梯故障发生前的故障检测,提高了电梯的运行安全。
根据本申请的一些实施例,所述获取待测电梯的多个样本序列,包括:
采集所述待测电梯的原始信号;
获取所述待测电梯的运行周期;
基于所述运行周期对所述原始信号进行切片处理,得到多个所述样本序列。
根据本申请的一些实施例,所述原始信号包括:制动系统信号、动力系统信号、安全系统信号、控制系统信号。
根据本申请的一些实施例,所述计算所述样本序列之间的相似度,得到多个距离矩阵,包括:
对每一所述样本序列进行奇异值分解,得到对应的特征向量矩阵;
基于多个所述特征向量矩阵进行相似度计算,得到多个所述距离矩阵。
根据本申请的一些实施例,所述映射算法包括拉普拉斯特征映射。
根据本申请的一些实施例,所述根据预设的映射算法对所述多个距离矩阵进行映射处理,得到多个目标样本点,包括:
基于所述多个距离矩阵构建结构矩阵;
根据所述结构矩阵构建度矩阵;
根据所述度矩阵和所述结构矩阵,得到拉普拉斯矩阵;
根据所述度矩阵的逆矩阵和所述拉普拉斯矩阵得到目标矩阵;
对所述目标矩阵进行降维处理,得到多个所述目标样本点。
根据本申请的一些实施例,所述检测类别包括:故障电梯和正常电梯;
所述将多个所述目标样本点进行聚类分析,得到所述待测电梯的检测类别,包括:
根据预设的聚类算法对多个所述目标样本点进行聚类分析,得多个目标聚类簇;其中,所述目标聚类簇包括正常样本簇和异常样本簇;
若所述目标聚类簇为所述异常样本簇,则所述待测电梯为所述故障电梯;
若所述目标聚类簇为所述正常样本簇,则所述待测电梯为所述正常电梯。
根据本申请的第二方面实施例的电梯检测装置,包括:
获取模块,用于获取待测电梯的多个样本序列;
计算模块,用于计算所述样本序列之间的相似度,得到多个距离矩阵;
映射模块,用于根据预设的映射算法对所述多个距离矩阵进行映射处理,得到目标样本点;
聚类模块,用于将多个所述目标样本点进行聚类分析,得到所述待测电梯的检测类别。
根据本申请实施例的检测装置,至少具有如下有益效果:通过获取待测电梯的多个样本序列,然后对样本序列进行相似度计算,得到多个距离矩阵,然后通过对多个距离矩阵进行映射处理,得到多个目标样本点,最后对多个目标样本点进行聚类分析,得到待测电梯的类别,这样设置,能够在电梯运行期间实现对电梯的故障检测,不需要电梯停止运行,从而保证了电梯检测的时效性,实现了电梯故障发生前的故障检测,提高了电梯的运行安全。
根据本申请的第三方面实施例的电子设备,包括:
至少一个存储器;
至少一个处理器;
至少一个程序;
所述程序被存储在所述存储器中,处理器执行所述至少一个程序以实现:
如第一方面实施例所述的方法。
根据本申请的第四方面实施例的一种存储介质,所述存储介质为计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行:
第一方面实施例所述的方法。
本申请的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
下面结合附图和实施例对本申请做进一步的说明,其中:
图1为本申请实施例提供的电梯检测方法的流程图;
图2为图1中步骤S100的具体方法的流程图;
图3为图1中步骤S200的具体方法的流程图;
图4为图1中步骤S300的具体方法的流程图;
图5为图1中步骤S400的具体方法的流程图;
图6为本申请实施例提供的电梯检测装置的模块框图;
图7为本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
下面详细描述本申请的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。
在本申请的描述中,需要理解的是,涉及到方位描述,例如上、下、前、后、左、右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申请和简化描述,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申请的限制。
在本申请的描述中,若干的含义是一个以上,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本申请的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本申请中的具体含义。
本申请的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
首先,对本申请中涉及的若干名词进行解析:
人工智能(artificial intelligence,AI):是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学;人工智能是计算机科学的一个分支,人工智能企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
DBSCAN(Density-Based Spatial Clustering of Applications with Noise,基于密度的噪声应用空间聚类):DBSCAN是一个比较有代表性的基于密度的聚类算法。与划分和层次聚类方法不同,它将簇定义为密度相连的点的最大集合,能够把具有足够高密度的区域划分为簇,并可在噪声的空间数据库中发现任意形状的聚类。
奇异值分解(Singular Value Decomposition,SVD)是在机器学习领域广泛应用的算法,它不光可以用于降维算法中的特征分解,还可以用于推荐系统,以及自然语言处理等领域。是很多机器学习算法的基石。
欧氏距离(euclidean distance,ED):是一个通常采用的距离定义,指在m维空间中两个点之间的真实距离,或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离。
动态时间弯曲距离(Dynamic time warping,DTW):当两个时间序列等长时,使用欧氏距离来度量两者的相似性。但是当两个时间序列不等长时,欧氏距离就难以度量两者的相似性了。因此,提出了动态时间弯曲距离(Dynamic time warping,DTW)作为一种新的相似性度量方法,通过调节时间点之间的对应关系,能够寻找两个任意长时间序列中数据之间的最佳匹配路径,对噪声有很强的鲁棒性,可以更有效地度量时间序列的相似性。由于DTW距离不要求两个时间序列中的点一一对应,因此具有更广的适用范围。但不可否认的是,DTW时间复杂度更高,计算代价较为昂贵。
拉普拉斯特征映射(Laplacian Eigenmaps):拉普拉斯特征映射是一种基于图的降维方法,从局部的角度去构建数据之间的关系,其目的是使在高维空间中相近的点在降维后的低维空间仍然能保持原有的数据结构。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
本申请实施例提供的电梯检测方法可应用于人工智能之中。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
随着电梯总量的持续增多,电梯安全和日常维护的问题也日益凸显。目前,通常通过现场排查或者电梯机械系统信号的检测来进行电梯故障的识别与诊断。然而,这种方式往往需要停机检查,并且难以检测到电梯发生故障前的隐患信息。因此,通过采集大量的电梯电力系统数据,并通过分析高维时间序列,对其进行聚类以达到异常检测的目的是一项新颖而具有实际意义的工作。
高维时间序列具有无效信息多、干扰信息多、难以进行特征提取、不同序列之间可能存在较为复杂的耦合关系等特点,导致对于高维时间序列的聚类难度较大。由于维度升高带来的“维数灾难”以及时间增长带来的“信息膨胀”,相关技术中多使用降维-聚类的方式来进行处理。
相关技术中,主要采取基于原始数据聚类、基于特征聚类以及基于模型聚类对高维时间序列进行聚类处理。基于原始数据即直接用某种方式进行原始数据之间的相似性度量,再通过传统方法进行聚类;基于特征即通过提取原始数据的某个或某一类信息(如统计特征、时域特征、频域特征),并联合传统聚类方法进行;基于模型的方法是基于对数据的大量研究和假设推理,总结出时间序列的变化规律,并将其使用抽象数学公式进行表达。然而,这些方式存在精度较低、时间复杂度高、过于依赖参数选取等缺陷。
基于此,本申请实施例提供了一种电梯检测方法、电梯检测装置、电子设备及存储介质,能够衡量序列之间的相似性、降低了算法的时间复杂度,并且,能够在电梯运行期间实现对电梯的故障检测,不需要电梯停止运行,从而保证了电梯检测的时效性,实现了电梯故障发生前的故障检测,提高了电梯的运行安全。
本公开实施例提供的电梯检测方法、电梯检测装置、电子设备及存储介质,具体通过如下实施例进行说明,首先描述本公开实施例中的电梯检测方法。
本申请实施例提供的电梯检测方法,涉及人工智能技术领域。本申请实施例提供的电梯检测方法可应用于终端中,也可应用于服务器端中,还可以是运行于终端或服务器端中的软件。在一些实施例中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机或者智能手表等;服务器端可以配置成独立的物理服务器,也可以配置成多个物理服务器构成的服务器集群或者分布式系统,还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)以及大数据和人工智能平台等基础云计算服务的云服务器;软件可以是实现电梯检测方法的应用等,但并不局限于以上形式。
本公开实施例可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费计算机设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
请参照图1,第一方面,本申请的一些实施例提供了一种电梯检测方法,包括步骤S100、步骤S200、步骤S300和步骤S400,应理解,本申请实施例的电梯检测方法,包括但不限于步骤S100至步骤S400,下面结合图1对这四个步骤进行详细解释。
步骤S100,获取待测电梯的多个样本序列;
在步骤S100中,样本序列为待测电梯的电流信号,属于高维时间序列。
步骤S200,计算样本序列之间的相似度,得到多个距离矩阵;
步骤S300,根据预设的映射算法对多个距离矩阵进行映射处理,得到多个目标样本点;
步骤S400,将多个目标样本点进行聚类分析,得到待测电梯的检测类别。
本申请实施例的电梯检测方法,通过获取待测电梯的多个样本序列,然后对样本序列进行相似度计算,得到多个距离矩阵,然后通过对多个距离矩阵进行映射处理,得到多个目标样本点,最后对多个目标样本点进行聚类分析,得到待测电梯的类别,这样设置,能够在电梯运行期间实现对电梯的故障检测,不需要电梯停止运行,从而保证了电梯检测的时效性,实现了电梯故障发生前的故障检测,提高了电梯的运行安全。
需要说明的是,本申请实施例的电梯检测方法,只需要获取待测电梯运行过程中的电流信号,然后将电流信号发送给具有本申请实施例电梯检测方法的终端,就能够实现对待测电梯的故障检测,得到待测电梯的检测类别。
参照图2,在一些实施例中,步骤S100包括但不限于步骤S110、步骤S120、步骤S130和步骤S140。下面对这四个步骤进行详细描述。
步骤S110,采集待测电梯的原始信号;
在一些实施例的步骤S110中,原始信号包括:制动系统信号、动力系统信号、安全系统信号、控制系统信号。采取非侵入式检测装置对电梯内部的原始信号进行采集。其中,控制系统信号主要为电梯开关门的控制信号。
步骤S120,获取待测电梯的运行周期;
在一些实施例的步骤S120中,将待测电梯的一次完整运行时间作为待测电梯的运行周期。以电梯的一次启动,到电梯运行,再到电梯停止运行,然后到电梯开关门作为一次完整运行时间。即电梯从开始启动,到电梯运行,再到电梯停止运行,然后到电梯开关门作为待测电梯的一个运行周期。
步骤S130,基于运行周期对原始信号进行切片处理,得到多个样本序列。
请参照图3,在一些实施例中,步骤S200包括但不限于步骤S210和步骤S220。
步骤S210,对每一样本序列进行奇异值分解,得到对应的特征向量矩阵;
步骤S220,基于多个特征向量矩阵进行相似度计算,得到多个距离矩阵。
具体地,在本实施例中,通过扩展的Frobenius范数距离(Eros)对样本序列之间的相似度进行衡量,样本序列A和样本序列B之间的Eros如公式(1)所示,公式(1)为:
在公式(1)中,ai来源于样本序列A经奇异值分解后的右特征向量矩阵VA,bi来源于样本序列B经奇异值分解后的右特征向量矩阵VB。其中,VA=[a1,a2,a3,...,an],VB=[b1,b2,b3,...,bn]。
奇异值分解的具体过程为:
SVD也是对矩阵进行分解,但是和特征分解不同,SVD并不要求要分解的矩阵为方阵。假设矩阵A是一个m×n的矩阵,那么我们定义矩阵A的SVD为:
A=UΣVT (2)
在公式(2)中,U是一个m×m的矩阵,Σ是一个m×n的矩阵,除了主对角线上的元素以外全为0,主对角线上的每个元素都称为奇异值,V是一个n×n的矩阵,U和V都是酉矩阵,即满足公式(3)和公式(4)。
UTU=I (3)
VTV=I (4)
在公式(3)和公式(4)中I表示单位矩阵。
将矩阵A和矩阵A的转置做矩阵乘法,得到n×n的方阵ATA,然后对方阵ATA进行特征分解,得到的特征值和特征向量满足公式(5),公式(5)为:
(ATA)νi=λνi (5)
通过特征值、特征向量的解法以及公式(5),可以得到矩阵ATA的n个特征值和对应的n个特征向量ν,将ATA的所有特征向量张成一个n×n的矩阵V,即可得到SVD中的V矩阵,其中V中的每个特征向量叫做矩阵A的右奇异向量。
这样,即可得到本申请实施例中的右特征向量矩阵VA。类似的,可以得到右特征向量矩阵VB等等。
本申请实施例计算得到的Eros距离相较于传统的ED距离以及DTW距离,不仅能在二维向量之间进行,还可以针对不同维度矩阵之间的距离进行度量,在多维时间序列相似性度量方面有着良好的应用;而且Eros距离复杂性低,相比于DTW可极大减少时间复杂度。
在本申请的一些实施例中,预设的映射算法包括拉普拉斯特征映射。
请参照图4,在本申请的一些实施例中,步骤S300包括但不限于步骤S310、步骤S320、步骤S330、步骤S340和步骤S350,下面结合图4对这五个步骤进行详细介绍。
步骤S310,基于多个距离矩阵构建结构矩阵;
步骤S320,根据结构矩阵构建度矩阵;
步骤S330,根据度矩阵和结构矩阵,得到拉普拉斯矩阵;
步骤S340,根据度矩阵的逆矩阵和拉普拉斯矩阵得到目标矩阵;
步骤S350,对目标矩阵进行降维处理,得到多个目标样本点。
具体地,在一些实施例中,采取拉普拉斯特征映射进行映射处理。一般而言,拉普拉斯特征映射多使用欧氏距离,用于同维向量之间的比较,而对于高维时间序列,欧式距离不再使用。因此,通过前述步骤S210和步骤S220计算得到的Eros距离(距离矩阵)引入拉普拉斯特征映射,即通过样本序列之间的Eros距离构建拉普拉斯矩阵。具体步骤为:
根据步骤S210和步骤S220计算所有样本序列之间的Eros距离(距离矩阵),构建结构矩阵W,结构矩阵W具体可以通过公式(6)表示,公式(6)为:
Wi,j=exp[-Eros(xi,xj)/t] (6)
然后根据得到的结构矩阵W构建度矩阵D,度矩阵D具体可以通过公式(7)表示,公式(7)为:
Di,j=∑Wi,j (7)
然后在根据得到的结构矩阵W和度矩阵D构建拉普拉斯矩阵L,拉普拉斯矩阵L具体可以通过公式(8)得到,公式(8)为:
L=D-W (8)
再依据度矩阵D,得到度矩阵的逆矩阵D-1,因此,目标矩阵为D-1L。
求目标矩阵为D-1L前2、3、4最小的特征值对应特征向量,从而将每个样本序列降维成三维点,得到多个目标样本点。
在本申请中,原始信号是待测电梯的时间序列,属于高维空间的样本点,原始信号含有大量的冗余信息,在进行电梯的异常检测时,只需要最关键的部分特征信息。因此采取主成分分析(Principal Component Analysis,PCA)进行降维。高维空间中往往呈现复杂多流态,直接用PCA则会造成较为严重的特征损失,所以在本实施例中使用流形映射(本申请实施例的拉普拉斯特征映射为一种流形映射)的方法,在降维的同时,尽可能多的保留时序的特征信息。并且,降维得到的结构也能够实现可视化,起到类似于T-SNE算法的效果。
请参照图5,在本申请的一些实施例中,检测类别包括:故障电梯和正常电梯。步骤S400包括但不限于步骤S410、步骤S420和步骤S430。
步骤S410,根据预设的聚类算法对多个目标样本点进行聚类分析,得多个目标聚类簇;其中,目标聚类簇包括正常样本簇和异常样本簇;
具体地,在本申请的一些实施例的步骤S410中,采取DBSCAN作为聚类算法。DBSCAN是一种基于密度的聚类算法,即给定某空间中一个点集合,将邻近的点分成一组,其特征是以图为信息进行聚类,可以形成任意形状的簇,且对于噪声点有很好的鲁棒性。
DBSCAN聚类的步骤如下:
步骤1,扫描整个数据集,找到任意一个核心点,对该核心点进行扩充。扩充的方法是寻找从该核心点出发的所有密度相连的数据点(注意是密度相连)。遍历该核心点的邻域内的所有核心点(因为边界点是无法扩充的),寻找与这些数据点密度相连的点,直到没有可以扩充的数据点为止。最后聚类成的簇的边界节点都是非核心数据点。
步骤2,重新扫描数据集(不包括之前寻找到的簇中的任何数据点),寻找没有被聚类的核心点,再重复上面的步骤,对该核心点进行扩充。
步骤3,直到数据集中没有新的核心点为止。
步骤S420,若目标聚类簇为异常样本簇,则待测电梯为故障电梯;
步骤S430,若目标聚类簇为正常样本簇,则待测电梯为正常电梯。
可以理解的是,在本申请的实施例中,正常信号远大于故障信号,所以最后的聚类结果,是有一个簇为主簇,包含了大部分数据,该簇为正常样本簇。其他簇中的样本点虽然也为核心点,但远离主簇,故视为异常点,称为异常样本簇。
噪音点是指离群数据,该样本序列可能是因为电梯内部设备故障而产生的新的异常情况,也可能是由外部原因导致的(比如不完整序列,或者由于传感器波动产生的不明信号),根据实验数据,后者居多。
因此,故障定位可视为:除主簇内目标样本点之外的所有目标样本点。
即,如果对低维的目标样本点使用DBSCAN算法进行聚类分析,得到多个目标聚类簇,如果存在异常样本簇,便能够确定待测电梯为故障电梯;如果所有目标样本点聚集为正常样本簇,则待测电梯为正常电梯。进一步分析异常样本簇,确定除主簇内目标样本点之外的所有目标样本点,从而实现对待测电梯的故障定位。
请参照图6,第二方面,本申请的一些实施例还提供了一种电梯检测装置,包括:获取模块500、计算模块600、映射模块700和聚类模块800。
获取模块500用于获取待测电梯的多个样本序列。
计算模块600用于计算样本序列之间的相似度,得到多个距离矩阵。
映射模块700用于根据预设的映射算法对多个距离矩阵进行映射处理,得到多个目标样本点。
聚类模块800用于将多个目标样本点进行聚类分析,得到待测电梯的检测类别。
本申请实施例的电梯检测装置,通过获取待测电梯的多个样本序列,然后对样本序列进行相似度计算,得到多个距离矩阵,然后通过对多个距离矩阵进行映射处理,得到多个目标样本点,最后对多个目标样本点进行聚类分析,得到待测电梯的类别,这样设置,能够在电梯运行期间实现对电梯的故障检测,不需要电梯停止运行,从而保证了电梯检测的时效性,实现了电梯故障发生前的故障检测,提高了电梯的运行安全。
需要说明的是,本申请实施例的电梯检测装置与前述的电梯检测方法相对应,具体地检测方法请参照前述的电梯检测方法,在此不一一赘述。
本申请实施例还提供了一种电子设备,包括:
至少一个存储器;
至少一个处理器;
至少一个程序;
程序被存储在存储器中,处理器执行至少一个程序以实现本公开实施上述的电梯检测方法。该电子设备可以为包括手机、平板电脑、个人数字助理(Personal DigitalAssistant,PDA)、车载电脑等任意智能终端。
本申请实施例的电子设备,用于执行上述的电梯检测方法,通过获取待测电梯的多个样本序列,然后对样本序列进行相似度计算,得到多个距离矩阵,然后通过对多个距离矩阵进行映射处理,得到多个目标样本点,最后对多个目标样本点进行聚类分析,得到待测电梯的类别,这样设置,能够在电梯运行期间实现对电梯的故障检测,不需要电梯停止运行,从而保证了电梯检测的时效性,实现了电梯故障发生前的故障检测,提高了电梯的运行安全。
下面结合图7对本申请实施例的电子设备进行详细介绍。
如图7,图7示意了另一实施例的电子设备的硬件结构,电子设备包括:
处理器900,可以采用通用的中央处理器(Central Processing Unit,CPU)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本公开实施例所提供的技术方案;
存储器1000,可以采用只读存储器(Read Only Memory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory,RAM)等形式实现。存储器1000可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1000中,并由处理器900来调用执行本公开实施例的电梯检测方法;
输入/输出接口1100,用于实现信息输入及输出;
通信接口1200,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信;
总线1300,在设备的各个组件(例如处理器900、存储器1000、输入/输出接口1100和通信接口1200)之间传输信息;
其中处理器900、存储器1000、输入/输出接口1100和通信接口1200通过总线1300实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种存储介质,该存储介质是计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令用于使计算机执行上述电梯检测方法。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例提供的电梯检测方法、电梯检测装置、电子设备及存储介质,通过获取待测电梯的多个样本序列,然后对样本序列进行相似度计算,得到多个距离矩阵,然后通过对多个距离矩阵进行映射处理,得到多个目标样本点,最后对多个目标样本点进行聚类分析,得到待测电梯的类别,这样设置,能够在电梯运行期间实现对电梯的故障检测,不需要电梯停止运行,从而保证了电梯检测的时效性,实现了电梯故障发生前的故障检测,提高了电梯的运行安全。
本公开实施例描述的实施例是为了更加清楚的说明本公开实施例的技术方案,并不构成对于本公开实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本公开实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图中示出的技术方案并不构成对本公开实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元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。
集成的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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括多指令用以使得一台电子设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序的介质。
上面结合附图对本申请实施例作了详细说明,但是本申请不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本申请宗旨的前提下作出各种变化。此外,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
Claims (8)
1.一种电梯检测方法,其特征在于,包括:
获取待测电梯的多个样本序列;
计算所述样本序列之间的相似度,得到多个距离矩阵;
根据预设的映射算法对所述多个距离矩阵进行映射处理,得到多个目标样本点;其中,所述映射算法包括拉普拉斯特征映射;
将多个所述目标样本点进行聚类分析,得到所述待测电梯的检测类别;
所述根据预设的映射算法对所述多个距离矩阵进行映射处理,得到多个目标样本点,包括:
基于所述多个距离矩阵构建结构矩阵;
根据所述结构矩阵构建度矩阵;
根据所述度矩阵和所述结构矩阵,得到拉普拉斯矩阵;
根据所述度矩阵的逆矩阵和所述拉普拉斯矩阵得到目标矩阵;
对所述目标矩阵进行降维处理,得到多个所述目标样本点。
2.根据权利要求1所述的方法,其特征在于,所述获取待测电梯的多个样本序列,包括:
采集所述待测电梯的原始信号;
获取所述待测电梯的运行周期;
基于所述运行周期对所述原始信号进行切片处理,得到多个所述样本序列。
3.根据权利要求2所述的方法,其特征在于,所述原始信号包括:制动系统信号、动力系统信号、安全系统信号、控制系统信号。
4.根据权利要求1所述的方法,其特征在于,所述计算所述样本序列之间的相似度,得到多个距离矩阵,包括:
对每一所述样本序列进行奇异值分解,得到对应的特征向量矩阵;
基于多个所述特征向量矩阵进行相似度计算,得到多个所述距离矩阵。
5.根据权利要求1至4任意一项所述的方法,其特征在于,所述检测类别包括:故障电梯和正常电梯;
所述将多个所述目标样本点进行聚类分析,得到所述待测电梯的检测类别,包括:
根据预设的聚类算法对多个所述目标样本点进行聚类分析,得多个目标聚类簇;其中,所述目标聚类簇包括正常样本簇和异常样本簇;
若所述目标聚类簇为所述异常样本簇,则所述待测电梯为所述故障电梯;
若所述目标聚类簇为所述正常样本簇,则所述待测电梯为所述正常电梯。
6.一种电梯检测装置,其特征在于,包括:
获取模块,用于获取待测电梯的多个样本序列;
计算模块,用于计算所述样本序列之间的相似度,得到多个距离矩阵;
映射模块,用于根据预设的映射算法对所述多个距离矩阵进行映射处理,得到多个目标样本点;其中,所述映射算法包括拉普拉斯特征映射;
聚类模块,用于将多个所述目标样本点进行聚类分析,得到所述待测电梯的检测类别;
所述根据预设的映射算法对所述多个距离矩阵进行映射处理,得到多个目标样本点,包括:
基于所述多个距离矩阵构建结构矩阵;
根据所述结构矩阵构建度矩阵;
根据所述度矩阵和所述结构矩阵,得到拉普拉斯矩阵;
根据所述度矩阵的逆矩阵和所述拉普拉斯矩阵得到目标矩阵;
对所述目标矩阵进行降维处理,得到多个所述目标样本点。
7.一种电子设备,其特征在于,包括:
至少一个存储器;
至少一个处理器;
至少一个程序;
所述程序被存储在所述存储器中,处理器执行所述至少一个程序以实现:
如权利要求1至5任意一项所述的方法。
8.一种存储介质,所述存储介质为计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行:
如权利要求1至5任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210023094.9A CN114492517B (zh) | 2022-01-10 | 2022-01-10 | 电梯检测方法、电梯检测装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210023094.9A CN114492517B (zh) | 2022-01-10 | 2022-01-10 | 电梯检测方法、电梯检测装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114492517A CN114492517A (zh) | 2022-05-13 |
CN114492517B true CN114492517B (zh) | 2022-11-25 |
Family
ID=81509481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210023094.9A Active CN114492517B (zh) | 2022-01-10 | 2022-01-10 | 电梯检测方法、电梯检测装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114492517B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115959552B (zh) * | 2023-03-15 | 2023-07-14 | 北京博华信智科技股份有限公司 | 扶梯故障的预测方法、装置、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139031A (zh) * | 2015-08-21 | 2015-12-09 | 天津中科智能识别产业技术研究院有限公司 | 一种基于子空间聚类的数据处理方法 |
CN108304941A (zh) * | 2017-12-18 | 2018-07-20 | 中国软件与技术服务股份有限公司 | 一种基于机器学习的故障预测方法 |
CN111178378A (zh) * | 2019-11-07 | 2020-05-19 | 腾讯科技(深圳)有限公司 | 一种设备的故障预测方法、装置、电子设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013181222A2 (en) * | 2012-05-29 | 2013-12-05 | Battelle Memorial Institute | Method of analyzing a graph with a covariance-based clustering algorithm using a modified laplacian pseudo-inverse matrix |
JP2013257251A (ja) * | 2012-06-14 | 2013-12-26 | Internatl Business Mach Corp <Ibm> | 異常検知方法、プログラム及びシステム |
US20150199636A1 (en) * | 2014-01-13 | 2015-07-16 | Xerox Corporation | Method and system for performance metric anomaly detection in transportation systems |
US11048727B2 (en) * | 2018-09-10 | 2021-06-29 | Ciena Corporation | Systems and methods for automated feature selection and pattern discovery of multi-variate time-series |
CN111860692B (zh) * | 2020-07-31 | 2022-05-31 | 国网重庆市电力公司电力科学研究院 | 一种基于K-mediod的物联网环境下的异常数据检测方法 |
CN113344134B (zh) * | 2021-06-30 | 2024-04-19 | 广东电网有限责任公司 | 一种低压配电监控终端数据采集异常检测方法及系统 |
-
2022
- 2022-01-10 CN CN202210023094.9A patent/CN114492517B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139031A (zh) * | 2015-08-21 | 2015-12-09 | 天津中科智能识别产业技术研究院有限公司 | 一种基于子空间聚类的数据处理方法 |
CN108304941A (zh) * | 2017-12-18 | 2018-07-20 | 中国软件与技术服务股份有限公司 | 一种基于机器学习的故障预测方法 |
CN111178378A (zh) * | 2019-11-07 | 2020-05-19 | 腾讯科技(深圳)有限公司 | 一种设备的故障预测方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
A Spectral Clustering Based Outlier Detection Technique;Yuan Wang et al;《International Conference on Machine Learning and Data Mining in Pattern Recognition》;20160628;全文 * |
基于谱聚类算法的信息资产行为异常检测方法;孟庆杰等;《南京理工大学学报》;20210430;全文 * |
多元时间序列相似度分析与应用研究;甘斌斌;《万方学位论文库》;20210422;第1.2.3节、第3章 * |
Also Published As
Publication number | Publication date |
---|---|
CN114492517A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021004154A1 (zh) | 一种数控机床刀具剩余寿命预测方法 | |
US8620853B2 (en) | Monitoring method using kernel regression modeling with pattern sequences | |
US9250625B2 (en) | System of sequential kernel regression modeling for forecasting and prognostics | |
US20090132626A1 (en) | Method and system for detecting difference between plural observed results | |
EP3767551A1 (en) | Inspection system, image recognition system, recognition system, discriminator generation system, and learning data generation device | |
CN116776273B (zh) | 物联网设备的运行状态监测方法及系统 | |
CN114492517B (zh) | 电梯检测方法、电梯检测装置、电子设备及存储介质 | |
US20230066703A1 (en) | Method for estimating structural vibration in real time | |
CN114330713A (zh) | 卷积神经网络模型剪枝方法和装置、电子设备、存储介质 | |
CN113095370A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN114997393A (zh) | 利用空间表示学习和对抗生成的对可移动对象的功能测试 | |
CN110533184B (zh) | 一种网络模型的训练方法及装置 | |
CN115374950A (zh) | 样本检测方法、样本检测装置、电子设备及存储介质 | |
CN114298997B (zh) | 一种伪造图片检测方法、装置及存储介质 | |
CN114612671A (zh) | 一种多视图子空间聚类方法、装置、设备及存储介质 | |
CN117030129A (zh) | 纸杯在线检漏方法及其系统 | |
EP3467677A1 (en) | Image screening method and device | |
CN117110794A (zh) | 一种电缆故障智能诊断系统及方法 | |
CN112800217A (zh) | 基于向量关联性矩阵的政务事务处理报告的智能评估方法 | |
CN115762558B (zh) | 自动扶梯生产用性能检测系统及其方法 | |
CN116702005A (zh) | 一种基于神经网络的数据异常诊断方法和电子设备 | |
CN109558771B (zh) | 海上船舶的行为状态识别方法、装置、设备及存储介质 | |
CN114708613A (zh) | 行为识别方法、行为识别装置、计算机设备和存储介质 | |
CN113569070A (zh) | 图像检测方法和装置、电子设备、存储介质 | |
CN110738248A (zh) | 状态感知数据特征提取方法及装置、系统性能评估方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |