CN114787061A - 用于升降机自适应智能状态监控的非侵入式数据分析系统 - Google Patents

Abstract

一种升降机操作安全分析系统，具有控制器(600)，其被配置为：接收升降机(10)的操作数据；以及使用基于人工智能的处理模型处理操作数据，以确定升降机(10)的潜在故障状态存在或不存在。操作数据处理系统(300)还可以与数据库可操作地连接，以用于在数据库(400)中存储数据和/或从数据库(400)中检索数据。

Description

用于升降机自适应智能状态监控的非侵入式数据分析系统

技术领域

本发明一般涉及升降机(lift)操作安全分析系统和相关的方法。更具体地但非排他地，本发明涉及一种非侵入式升降机操作安全分析系统和相关方法。

背景技术

升降机(也称为电梯)一般用于建筑物、船舶或其他结构中，以在不同楼层或水平之间移动人员或货物。升降机是一种相对复杂的设备。它包括具有可移动的机械部件和相协作的电气部件的各种相互连接的系统，其中许多部件在升降机的正常操作期间是隐藏在用户的视线之外的。

不同年龄、品牌、型号等的升降机可能具有不同的结构和特性。例如，较旧式的升降机一般没有内置的状态监控系统；较新式的升降机可能具有内置的状态监控系统，但这些系统不容易被访问(accessible)并且它们的性能不会随着时间的推移而提高。

升降机的操作安全一直是建筑物业主、升降机维修承包商、升降机制造商、升降机用户和监管机构的首要关注点。目前，在行业中，预防性维护是维护升降机的主要方式。持牌或注册的升降机技工会定期到升降机安装现场对升降机进行维护和保养，以确保升降机处于安全和正常的操作状态。

只要定期(足够)进行维护，就可以减少升降机操作故障及相关事故的发生。然而，问题在于，最佳维护频率一般难以确定，因为它可能取决于各种因素，例如升降机的年龄、升降机的类型、升降机的使用情况、升降机的安装环境、升降机所服务的高度或楼层数等。如果维护工作进行得不够频繁，可能会导致升降机操作故障和相关事故的风险。另一方面，如果维护工作进行得过于频繁，则会浪费资源(例如劳动力、成本等)。

发明内容

在第一方面，提供了一种用于升降机自适应智能状态监控的非侵入式数据分析系统。该非侵入式数据分析系统包括：非侵入式电流传感器，其被配置为获取升降机的牵引电机、制动线圈和安全电路的实时电流信号；非侵入式速度传感器，其被配置为获取升降机的升降机轿厢的实时速度信号；以及微控制器。微控制器被配置为接收来自非侵入式电流传感器的电流信号，接收来自非侵入式速度传感器的速度信号，将接收到的电流信号和接收到的速度信号转换为信号数据，以及将信号数据传输到服务器系统，服务器系统被配置为存储信号数据并基于深度学习分析信号数据以自适应地监控升降机的操作状态。可选地，服务器系统可以提供关于即将发生的异常升降机操作状态的警告或警报，例如，向负责维护升降机的维护机构提供，以便进行必要的维修，从而防止升降机的意外故障。

在一些实施方式中，由非侵入式电流和速度传感器获取的信号是连续的时间序列数据，其形成在线监控(在升降机操作期间连续地监控)的基础。这使得能够自适应地确定升降机是否正常操作或升降机是否偏离最佳或正常操作状态。该布置几乎不需要或不需要对升降机装置的现有硬件和软件进行干预。使用基于人工智能的深度学习模型来学习和分析升降机的操作特性可以及早发现异常情况。

在第一方面的一个实施方式中，电流传感器包括钳式电流传感器。

在第一方面的一个实施方式中，微控制器包括内部存储单元。可选地，微控制器还被配置为：通过一系列的采样和量化过程读取电流信号和速度信号，将电流和速度数据存储在内部存储单元中，基于“先进先出”的原则管理内部存储单元的存储空间，以及将电流和速度数据实时传输到服务器系统。

在第一方面的一个实施方式中，微控制器安装有数据发送器，该数据发送器使用双调制解调器连接到两种不同类型的移动通信网络。数据发送器可以被配置为使用具有更高信号强度或更好性能的其中一个网络来将获取的数据传输到服务器系统。

在第一方面的一个实施方式中，非侵入式数据分析系统还包括服务器系统。服务器系统包括：数据存储服务器，其被配置为存储获取的信号数据；以及数据分析服务器，其被配置为使用经训练的深度学习模型对信号进行分析，以自适应地监控升降机的操作状态。数据分析服务器安装有包括算法的软件，该算法连续扫描获取的电流和速度信号，然后使用经训练的深度学习模型对数据进行分析，从而自适应地监控升降机的操作状态。

在第一方面的一个实施方式中，数据分析服务器被配置为执行特征提取、分类器构建和故障识别、状态监控结果的可视化。经训练的深度学习模型被配置为至少执行以下操作：输入在指定的窗口长度内获取的数据；执行数据预处理；使用经训练的基于深度学习的网络分析经处理的数据；监控升降机是否正常地操作；在确定升降机的操作正常后，将窗口滑动一步，然后返回该过程以分析另一组经处理的数据；在确定升降机的操作异常后，识别潜在故障的标签并发出警告。

在第一方面的一个实施方式中，分类器构建具有两个选项，第一个选项是执行特征提取然后分类以给出故障标签，而第二个选项是基于分类器执行深度学习以给出故障标签。可以同时使用这两个选项来识别不同的潜在故障的标签。

在第一方面的一个实施方式中，第一个选项提取原始获取的数据中涉及的重要特征，然后将提取的特征作为输入馈送到分类器以建立与指示操作状态的输出的映射关系，其中基于来自各种传感器的输入的数据流，经训练的分类器检测升降机的操作状态是否正常并在异常时给出潜在故障的标签。

在第一方面的一个实施方式中，第二个选项使用基于深度学习的分类器来学习获取的数据和基于期望的性能指标的输出之间的关系，以给出潜在故障的标签。

在第二方面，提供了一种用于升降机自适应智能状态监控的方法。该方法包括非侵入式地获取升降机的牵引电机、制动线圈和安全电路的实时电流信号和非侵入式地获取升降机轿厢的实时速度信号；将电流和速度信号数据传输至远程服务器，以基于深度学习分析数据，从而自适应地监控升降机的操作状态；以及在确定可能的异常升降机操作状态时提供警告或警报，例如向升降机的维护机构提供警告或警报，以便对升降机进行必要的维修，以防止升降机的意外故障。

第三方面，提供了一种升降机操作安全分析系统，其包括控制器，其被配置为：接收升降机的操作数据；使用基于人工智能的处理模型处理操作数据，以确定升降机的潜在故障状态存在或不存在。在一个实施方式中，控制器被配置为在升降机操作期间接收和处理升降机的操作数据，以便提供升降机的操作安全的实时分析。

该系统还可以包括与控制器可操作地连接的数据库。数据库被配置为存储要由控制器检索的数据和/或存储从控制器接收的数据。

控制器可以布置在远离升降机处(例如，在与升降机无线通信的远程计算设备或系统上)或在升降机本地(例如，作为升降机控制器的一部分)或两者(部分地远程和部分地本地)。

在第三方面的一个实施方式中，控制器还被配置为使用基于人工智能的处理模型来处理操作数据，以从多个预定的故障状态中识别存在于升降机中的一个或多个潜在故障状态。

在第三方面的一个实施方式中，升降机的操作数据包括以下一个或多个(例如全部)：与升降机的牵引装置中的电流相关联的数据；与升降机的制动线圈中的电流相关联的数据；与升降机的安全连接电路中的电流相关联的数据；与升降机的门控制电路中的电流相关联的数据；以及与升降机的升降机轿厢的运动(例如，位移、速度、加速度)相关联的数据。

在第三方面的一个实施方式中，升降机操作安全分析系统还包括一个或多个传感器，其与控制器连接并且被配置为获取升降机的操作数据。传感器可以是非侵入式传感器。例如，传感器可以包括：电流传感器，其用于检测升降机的牵引装置中的电流；电流传感器，其用于检测升降机的制动线圈中的电流；电流传感器，其用于检测升降机的安全连接电路中的电流；电流传感器，其用于检测升降机的门控制电路中的电流；和/或运动(例如，位移、速度、加速度)传感器，其用于检测升降机的升降机轿厢的运动(例如，位移、速度、加速度)。运动传感器可以包括激光测距仪、光学/激光反射带转速计组件等。

在第三方面的一个实施方式中，基于人工智能的处理模型包括基于专家系统的处理模型、经训练的基于机器学习的处理模型或两者。基于人工智能的处理模型可以仅使用一个模型或使用多个模型。

在第三方面的一个实施方式中，经训练的基于机器学习的处理模型包括经训练的基于深度学习的处理模型。经训练的基于深度学习的处理模型可以包括经训练的循环神经网络，例如具有全卷积网络的多变量长短期记忆(MLSTM-FCN)模型。

在第三方面的一个实施方式中，控制器还被配置为：在使用基于人工智能的处理模型进行处理之前，对操作数据进行预处理。控制器可以被配置为通过将操作数据划分为大体上同质的数据段来预处理操作数据，其中每个数据段对应于一个预定的升降机操作周期。预定升降机操作周期可以包括或大体由以下组成：制动器释放事件、升降机启动事件、升降机移动事件、升降机停止事件、制动器闭合事件、门打开事件和门关闭事件(可选地以任何顺序)。一个操作周期可能包括丢失的数据，使得这些事件中的一个或多个不存在。

在第三方面的一个实施方式中，控制器还被配置为通过以下方式来预处理操作数据：识别具有数据丢失的数据段，以防止使用基于人工智能的处理模型来处理所识别的数据段。所识别的数据段可以被丢弃、删除或在后续处理中被忽略。

在第三方面的一个实施方式中，基于专家系统的处理模型包括预定的规则；并且控制器被配置为基于预定的规则确定每个数据段的统计特征并基于统计特征确定潜在故障状态存在或不存在。在一些示例中，升降机操作安全分析系统被配置为处理来自不同升降机或升降机模型的操作数据，并且每个升降机或升降机模型可以具有相应的(例如，不同的)一组预定的规则。

在第三方面的一个实施方式中，控制器还被配置为在确定升降机的潜在故障状态存在时输出信号以提供或触发响应。在一个示例中，控制器可以与听觉、触觉和/或视觉警报可操作地连接，并且该信号用于触发警报(播放声音、振动和/或发光)。在另一示例中，该信号可以包括升降机操作暂停命令，该升降机操作暂停命令被配置为被发送到升降机以暂停升降机的操作。在又一示例中，该信号可以是消息生成信号，该消息生成信号被配置为被发送到服务器以向电子设备(例如，计算机、电话、手表、平板电脑等)发送电子通知。

在第三方面的一个实施方式中，升降机操作安全分析系统还包括显示器，该显示器可操作地与控制器连接并且被配置为显示与所识别的升降机的潜在故障状态相关联的信息。与所识别的升降机的潜在故障状态相关联的信息包括故障存在或不存在的指示、所识别的故障的具体类型或两者。

在第四方面，提供了一种操作升降机操作安全分析系统(例如在第三方面中的系统)的方法。该方法包括接收升降机的操作数据；以及使用基于人工智能的处理模型处理操作数据以确定升降机的潜在故障状态存在或不存在。在升降机操作期间，操作数据的接收和处理可以是大体实时的。

在第四方面的一个实施方式中，使用基于人工智能的处理模型对操作数据的处理还被配置为从多个预定故障状态中识别升降机中存在的一个或多个潜在故障状态。

在第四方面的一个实施方式中，升降机的操作数据包括以下一个或多个(例如全部)：与升降机的牵引装置中的电流相关联的数据；与升降机的制动线圈中的电流相关联的数据；与升降机的安全连接电路中的电流相关联的数据；与升降机的门控制电路中的电流相关联的数据；以及与升降机的升降机轿厢的运动(例如，位移、速度、加速度)相关联的数据。

在第四方面的一个实施方式中，该方法还包括使用一个或多个传感器来检测升降机的操作数据。传感器可以是非侵入式传感器。例如，传感器可以包括：电流传感器，其用于检测升降机的牵引装置中的电流；电流传感器，其用于检测升降机的制动线圈中的电流；电流传感器，其用于检测升降机的安全连接电路中的电流；电流传感器，其用于检测升降机的门控制电路中的电流；和/或运动(例如，位移、速度、加速度)传感器，其用于检测升降机的升降机轿厢的运动(例如，位移、速度、加速度)。运动传感器可以包括激光测距仪、光学/激光反射带转速计组件等。

在第四方面的一个实施方式中，基于人工智能的处理模型包括基于专家系统的处理模型、经训练的基于机器学习的处理模型或两者。使用基于人工智能的处理模型对操作数据的处理可以包括仅使用一个模型来处理操作数据，或者可以包括使用多个模型来处理操作数据。

在第四方面的一个实施方式中，经训练的基于机器学习的处理模型包括经训练的基于深度学习的处理模型。经训练的基于深度学习的处理模型可以包括经训练的循环神经网络，例如具有全卷积网络的多变量长短期记忆(MLSTM-FCN)模型。

在第四方面的一个实施方式中，该方法还包括：在使用基于人工智能的处理模型处理操作数据之前，对操作数据进行预处理。预处理可以包括将操作数据划分为大体上同质的数据段，其中每个数据段对应于一个预定的升降机操作周期。预定的升降机操作周期可以包括或大体上由以下组成：制动器释放事件、升降机启动事件、升降机移动事件、升降机停止事件、制动器闭合事件、门打开事件和门关闭事件(可选地以任何顺序)。一个操作周期可能包括丢失的数据，使得这些事件中的一个或多个不存在。预处理可以进一步包括识别具有数据丢失的数据段以防止使用基于人工智能的处理模型来处理所识别的数据段。所识别的数据段可以被丢弃、删除或在后续处理中被忽略。

在第四方面的一个实施方式中，基于专家系统的处理模型包括预定的规则；并且操作数据的处理包括根据预定的规则确定每个数据段的统计特征，以及根据统计特征确定潜在故障状态的存在。在一些示例中，每个升降机或升降机模型可以具有相应的(例如，不同的)一组预定的规则。

在第四方面的一个实施方式中，该方法还包括在确定存在升降机的潜在故障状态时输出信号以提供或触发响应。在一个示例中，该信号是触发警报(播放声音、振动和/或点亮灯光)。在另一示例中，该信号可以包括升降机操作暂停命令，该升降机操作暂停命令被配置为被发送到升降机以暂停升降机的操作。在又一示例中，该信号可以是消息生成信号，该消息生成信号被配置为被发送到服务器以向电子设备(例如，计算机、电话、手表、平板电脑等)发送电子通知。

在第四方面的一个实施方式中，该方法还包括显示与所识别的升降机的潜在故障状态相关联的信息。与所识别的升降机潜在故障状态相关联的信息包括故障的存在或不存在的指示、或所识别的故障的具体类型或两者。

在第五方面，提供了一种升降机操作安全分析系统，其包括控制器，其被配置为：接收升降机操作数据；基于升降机的特性，从多个基于人工智能的处理模型中选择一个基于人工智能的处理模型以用于处理操作数据；以及使用所选择的基于人工智能的处理模型来处理操作数据以确定升降机的潜在故障状态存在或不存在。

通过考虑详细描述和附图，本发明的其他特征和方面将变得显而易见。在适当和适用的情况下，在本文描述的关于一个方面或实施方式的任何特征可以与在本文描述的关于任何其他方面或实施方式的任何其他特征组合。

附图说明

现在将参考附图以示例的方式描述本发明的实施方式，其中：

图1示出了本发明一个实施方式中用于升降机的自适应智能状态监控的系统；

图2是本发明一个实施方式的升降机自适应智能状态监控操作的示意图；

图3是本发明一个实施方式的升降机故障预测操作的示意图；

图4是本发明一个实施方式的基于深度学习的数据分析方法的流程图；

图5是本发明一个实施方式的包括升降机和相关联的升降机操作数据收集和处理系统的操作环境的示意图；

图6A是本发明一个实施方式的图5的升降机操作数据处理系统中的控制器的框图；

图6B是本发明另一个实施方式的图5的升降机操作数据处理系统中的控制器的框图；

图6C是本发明又一个实施方式的图5的升降机操作数据处理系统中的控制器的框图；

图7是本发明一个实施方式的图5的升降机操作数据收集系统的框图；

图8是本发明一个实施方式的可用作升降机操作数据处理系统的信息处理系统的框图；

图9是本发明一个实施方式的升降机操作数据处理系统的框图；

图10是示出了使用专家系统处理升降机操作数据的示意图；

图11是示出了使用基于机器学习的方法处理升降机操作数据的示意图；

图12是示出了使用升降机操作数据收集系统获得的示例性升降机操作数据的图表；

图13是示出了使用升降机操作数据收集系统获得的示例性升降机操作数据的图表；

图14是本发明一个实施方式的使用基于专家系统的处理模型确定升降机操作安全性的方法的流程图；

图15是示出了本发明一个实施方式的用于创建或修改可用于处理升降机操作数据的基于机器学习的处理模型的方法的流程图；

图16是示出了本发明一个实施方式的用于创建或修改可用于处理升降机操作数据的基于机器学习的处理模型的方法的流程图；

图17是示出了本发明一个实施方式的使用经训练的基于机器学习的处理模型来确定升降机操作安全性的方法的流程图；

图18是本发明一个实施方式的使用具有全卷积网络的多变量长短期记忆(MLSTM-FCN)模型确定升降机操作安全性的方法的示意图；

图19是示出了本发明一个实施方式的使用经训练的基于机器学习的处理模型和基于专家系统的处理模型来确定升降机操作安全性的方法的流程图；

图20是本发明一个实施方式的包括多个升降机、多个相关联的升降机操作数据收集系统和升降机操作数据处理系统的操作环境的示意图；以及

图21是本发明一个实施方式的包括升降机和相关联的升降机操作数据收集和处理系统的操作环境的示意图；以及

图22是示出本发明一个实施方式的用于升降机的自适应智能状态监控的系统的示意图。

具体实施方式

在下文中，除非上下文另有要求，否则“升降机”一词一般用于指升降机装置，其不仅包括升降机轿厢，还包括与升降机轿厢可操作地连接的各种机械和电气部件。

图1示出了用于升降机的数据分析系统。该数据分析系统包括：非侵入式电流传感器，其被配置为获取升降机的牵引电机、制动线圈和安全电路的实时电流信号；非侵入式速度传感器，其被配置为获取升降机的升降机轿厢的实时速度信号；微控制器，其被配置接收或获取来自非侵入式电流传感器的电流信号和来自非侵入式速度传感器的速度信号，将电流信号和速度信号转换为信号数据，以及将信号数据传输至服务器系统。服务器系统可以包括被配置为存储获取的信号数据的数据存储服务器和被配置为基于深度学习分析信号以自适应地监控升降机的操作状态的数据分析服务器。

在本实施方式中，非侵入式电流传感器为钳式电流传感器。这些传感器用于监控升降机的牵引电机、制动线圈和安全电路的操作状态。因此，可以获取和记录与牵引电机的操作状态、制动线圈的操作以及通过启动安全电路上的安全装置而使升降机操作的跳闸有关的电流信号。此外，非侵入式速度传感器获取与升降机轿厢的速度相关信号。钳式电流传感器和非侵入式速度传感器使电流信号和速度信号能够同时被实时获取。

微控制器被配置为接收或获取来自非侵入式电流传感器的电流信号和来自非侵入式传感器的速度信号。微控制器通过一系列的采样和量化过程接收或获取电流和速度信号，将信号转换为信号数据，并将信号数据存储在微控制器的内部存储单元中。在一个实施方式中，存储单元包括SD卡。微控制器被配置为利用“先进先出”的原则来适当地管理存储单元的存储空间。微控制器被配置为将信号数据实时传输到服务器。

参考图1，微控制器安装有数据传输模块(DTM)，其被配置为将信号数据传输到服务器。在本实施方式中，DTM使用利用两个用户身份模块(SIM)卡的双调制解调器。在本实施方式中，DTM使用双调制解调器并且能够连接到两个蜂窝通信网络(例如，3G、4G、5G或新一代通信网络)。当确定其中一个移动通信网络的信号强度较弱时，微控制器被配置为切换到另一个移动通信网络来传输信号数据。通过使用多个移动通信网络，可以大大降低因微控制器位于“盲点”而导致数据传输失败的可能性。蜂窝通信网络的使用实现了微控制器和服务器之间的低成本和有效的通信。在一些实施方式中，可以利用多个DTM进行数据传输。

在本实施方式中，服务器包括用于存储信号数据的数据存储服务器和用于分析信号数据的数据分析服务器。可以设置操作员工作站(例如计算机)，以使操作员(例如本地工作站)能够分析、搜索、查看和管理存储在数据存储服务器中的实时数据和历史数据。升降机的维护机构可以对信息进行监控和分析，以通过早期故障检测来提高升降机的可靠性和安全性。在其他实施方式中，可以仅使用一个或使用多于两个服务器进行数据存储和分析。

定制软件在数据分析服务器中运行，以分析从不同地点获取的升降机操作数据。该软件包括算法，其被配置为处理接收到的数据、检测异常的升降机操作状态和预测潜在的故障。在一个实施方式中，使用接收到的实时信号数据与理想的信号数据(在软件中预设或由软件学习的)之间的相关性的分类算法来检测异常的升降机操作状态。

分类算法可以如下的操作。首先，理想的信号数据经由训练自相关以产生理想的相关特征。相关特征的结果显示在第一个图表中。然后，获得的信号数据与理想的信号数据相关以生成新的特征。相关特征的结果显示在第二个图表中。接下来，算法评估在第一个图表(理想操作)和第二个图表(实际操作)中识别的特征。如果两个图表之间的特征差异大于预设的阈值，则算法将产生警告信号以指示异常操作。

此外，可以利用深度学习技术构建人工智能模型，以便于学习和区分具有不同配置的升降机的不同类型的操作特性和异常。当从正常操作和异常操作中收集到足够多的数据时，这些数据可以用来训练人工智能模型，以自学习正常操作和异常操作(即，当升降机电机的电流异常地下降或上升时)的特征。人工智能模型可以随着时间的推移进行训练和再训练，以提高检测的精度。一般来说，检测的精度随着记录的故障类型的数量而增加。当大量的上述设备被部署时，它们将形成一个大规模的物联网(IoT)网络，其不断产生大量的用于分析的数据。

在一个实施方式中，在升降机装置的测试和调试期间以及在计划的维护/检查期间记录各种操作状态可产生各种参考曲线。服务器中操作的算法计算、分析和监控实时操作状态与参考曲线之间的差异，并在检测到异常时提供警告信号。

在一个实施方式中，非侵入式电流传感器用于获取主要部件和关键电路的电流信号，并且非侵入式速度传感器用于获取升降机轿厢的速度信号。使用数据传输模块(例如双调制解调器)来将数据传输到远程服务器可以提高数据传输的稳定性。在接收到信号数据后，数据存储服务器对信号数据进行存储，然后由数据分析服务器基于深度学习对信号数据进行分析(包括对信号进行预处理、执行特征提取、故障识别和分类器构建)，从而预测升降机可能出现的异常操作状态，以通知维护机构。上述实施方式可用于对使用不同专有软件程序的不同类型(例如，品牌)的升降机的异常情况进行监控并预先发出异常警告，而无需干预升降机装置的现有硬件和软件。

图2示出了在一个实施方式中使用非侵入式数据分析系统(例如但不限于图1的系统)对升降机进行自适应智能状态监控的方法。如图2所示，在接收到升降机的电流和速度信号后，远程服务器存储该信号并执行高性能计算以分析数据。具体地，服务器被配置为使用经训练的基于深度学习的模型来处理数据，并实现状态监控结果的可视化，从而使用自适应分类器预测潜在的故障。自适应分类器的一个实施方式在图3中示出。

在一个实施方式中，牵引电机、制动线圈和安全电路的电流信号以及升降机轿厢的速度信号的监控是使用非侵入式传感器来执行的。因此，对升降机装置的现有硬件和软件的干预是有限的或者没有这种干预。在一个实施方式中，仅需要几个具有成本效益的传感器就可以获取监控升降机所需的特征。

本发明的一些实施方式利用自适应分类器来获得用于检测升降机故障的高学习能力。图3示出了基于分类器的故障检测(包括两个选项)的一个实施方式。

第一个选项是执行特征提取，然后进行分类，以给出潜在故障的标签。具体地，从获取的数据中提取重要的特征，然后将提取的特征作为输入馈送到分类器，以与指示操作状态的输出建立映射关系。通过来自各种传感器的输入数据流，经训练的分类器能够检测升降机当前/未来的操作状态是否正常，并在异常时给出潜在故障的标签。

第二个选项是利用深度学习框架直接学习输入(各种传感信号)和输出之间的复杂关系。该模型在无需任何额外的特征提取工作的情况下可有效地预测升降机当前/未来的操作状态。在一个实施方式中，卷积神经网络(CNN)学习模型被训练，其中输入数据通过一系列卷积层、池化层和全连接层，以基于空间特征学习进行分类并给出故障标签。在另一个实施方式中，循环神经网络(RNN)的网络节点(在类似于树状的层次结构中)根据其连接顺序对输入数据进行递归，以基于时间序列特征学习进行分类和提供潜在故障的标签。

在一个实施方式中，同时采用这两个选项来识别不同潜在故障的标签。根据潜在故障的标签，可以将升降机的异常情况告知维护机构。

图4示出了一个实施方式的一种基于深度学习的数据分析方法。本实施方式被配置为提取升降机装置的信息特征并减少维度。需要注意的是，任何能够实现该目的的基于深度学习的模型都可以在图4的方法中使用。该方法从步骤S401开始，其中输入在指定窗口长度内获取的电流和速度信号。然后，在步骤S402，进行数据预处理，并在步骤S403，使用经训练的基于深度学习的网络对经处理的时序数据进行分析。在步骤S404中，该方法包括监控升降机是否正常地操作。如果是，则该方法进行到S405。如果否，则该方法进行到S406。在步骤S405中，将窗口滑动一步，并且方法返回到步骤S404。在步骤S406中，识别潜在故障的标签。最后，在步骤S407中，在识别或检测到潜在故障的标签时，向升降机维护机构提供警告。

图5示出了本发明一个实施方式的操作环境1。环境1包括升降机10、升降机操作数据收集系统200、升降机操作数据处理系统300和数据库400。升降机操作数据收集系统200经由通信链路与升降机10可操作地连接，以在升降机10操作期间获得升降机10的操作数据。升降机操作数据收集系统200包括被配置为检测升降机10的操作数据的传感器。该通信链路可以包括有线连接链路(例如，电缆)、无线连接链路或两者。在本实施方式中，传感器是被配置为以非侵入方式检测升降机10的操作数据的非侵入式传感器。非侵入式传感器可以与升降机10可移除地连接，以根据需要获得升降机10的操作数据，即，其不需要预先安装(例如，硬接线)在升降机10中或在升降机10处。升降机操作数据处理系统300经由通信链路与升降机操作数据收集系统200可操作地连接，该通信链路可以包括有线连接链路、无线连接链路或两者。操作数据处理系统300具有控制器600并且被配置为接收和处理(在升降机10的操作期间在线实时地或离线)来自升降机操作数据收集系统200的升降机操作数据，以确定存在(或不存在)升降机10的潜在故障状态，并且可选地识别升降机10中存在的一个或多个潜在故障状态。在本实施方式中，控制器600被配置为使用一个或多个基于人工智能的处理模型以及基于人工智能的处理来处理操作数据，如下文将进一步描述的。基于人工智能的处理模型可以包括一个或多个基于专家系统的处理模型、一个或多个经训练的基于机器学习的处理模型、或它们的任何组合。操作数据处理系统300还经由通信链路与数据库400可操作地连接，该通信链路可以包括有线连接链路、无线连接链路或两者，其用于将数据(例如，处理结果)存储在数据库400或从数据库400检索数据(例如，数据处理模型)。

图6A至图6C示出了图5的升降机操作数据处理系统300中的一些示例性控制器600A、600B、600C。图6A至图6C中的控制器600A、600B、600C中的每一个都包括相应的处理器602A、602B、602C和相应的存储器604A、604B、604C。处理器602A、602B、602C中的每一个可以分别包括以下一个或多个：CPU、MCU、控制器、逻辑电路、树莓派芯片、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或被配置为解释和/或执行程序指令和/或处理信息和/或数据的任何其他数字或模拟电路。存储器604A、604B、604C中的每一个可以分别包括：一个或多个易失性存储单元(例如RAM、DRAM、SRAM)、一个或多个非易失性存储单元(例如ROM、PROM、EPROM、EEPROM、FRAM、MRAM、FLASH、SSD、NAND和NVDIMM)或它们的任何组合。

图6A中的控制器600A被配置为使用存储在存储器604A中的基于专家系统的处理模型和经训练的基于机器学习的处理模型来处理升降机操作数据。每个基于专家系统的处理模型可以适用于处理相应类型或型号的升降机的操作数据；每个经训练的基于机器学习的处理模型可以适用于处理相应类型或型号的升降机操作数据。控制器600A被配置为使用经训练的基于机器学习的处理模型来处理升降机操作数据，以确定升降机中是否存在任何潜在故障状态，并且在一些实施方式中，还从预定的故障状态中识别特定的故障状态。控制器600A还被配置为使用基于专家系统的处理模型(其包括预定的事实和规则)以处理升降机操作数据(例如，作出推断)，以确定升降机中是否存在任何潜在故障状态，并且在一些实施方式中，还从预定的故障状态中识别特定的故障状态。在一个实施方式中，控制器600A使用一个或多个基于专家系统的处理模型和一个或多个经训练的基于机器学习的处理模型来处理每组操作数据。在同一数据集上使用多个模型可能会提高确定的准确性(以牺牲计算资源和速度作为代价)。

控制器600A可以被配置为基于监督学习或非监督学习来初始化、构建、训练和/或更新基于机器学习的处理模型。作为示例，在监督学习中，可以向控制器600A提供例如由示例输入及其实际输出形成的示例输入输出对，以基于所提供的示例输入输出对学习将输入映射到输出的一般规则或模型。基于机器学习的处理模型优选地是循环模型。示例性模型包括例如递归神经网络、长短期记忆模型(例如MLSTM-FCN模型)、马尔科夫过程、强化学习、门控递归单元模型、深度神经网络、卷积神经网络、支持向量机、主成分分析、逻辑回归、决策树/森林、集成方法(组合模型)、回归(贝叶斯/多项式/回归)、随机梯度下降、线性判别分析、最近邻分类或回归、朴素贝叶斯等。

可以训练每个基于机器学习的处理模型，以针对特定类型、类别、品牌或型号的升降机执行频谱信号处理或分类任务。例如，可以训练基于机器学习的处理模型以基于升降机操作数据确定升降机是正常还是异常，并且可选地，识别特定的异常(例如，门电机故障、电网电压骤降、制动器未完全打开等)。不同机器学习处理模型的训练可以不同。例如，用于训练不同基于机器学习的处理模型的训练示例/数据可以包括不同的信息并且可能具有不同的维度。

在一个实施方式中，将训练示例提供给控制器600A并且控制器600A使用它们来生成或训练模型(例如，规则、一组方程等)，即基于机器学习的处理模型，其有助于基于新的输入数据对输出进行分类。控制器600A可以对不同的训练示例进行不同的加权以例如对不同的状态或输出进行优先级排序。在一个示例中，基于机器学习的处理模型包括人工神经网络，其包括可操作地相互连接的输入层、多个隐藏层或节点以及输出层。输入的数量可能基于特定的任务而有所不同。因此，不同的人工神经网络的输入层可能基于控制器的特定任务而具有不同数量的节点。隐藏层的数量会有所不同并且可能取决于模型的特定任务。每个隐藏层可能具有不同数量的节点并且可能以不同的方式连接到相邻的层。例如，输入层的每个节点可以连接到第一隐藏层的每个节点，并且每个连接可以被分配相应的权重参数。在一个示例中，神经网络的每个节点也可以被分配偏差值。第一隐藏层的节点可能不连接到第二隐藏层的每个节点，并且再次，每个连接都被分配了相应的权重参数。隐藏层的每个节点都可以与激活函数相关联，该激活函数定义隐藏层如何处理从输入层或前一个隐藏层(上游)接收到的输入。这些激活函数可能会有所不同。每个隐藏层可以执行不同的功能。例如，一些隐藏层可以是用于降低输入的维度的卷积隐藏层而其他隐藏层可以执行更多的统计功能(例如取平均、最大池化等)。最后一个隐藏层连接到输出层，输出层通常具有与可能的输出相同数量的节点。在训练期间，人工神经网络接收训练示例的输入，并使用每个节点的偏差以及每个节点之间的连接和相应的权重生成输出。然后，人工神经网络将生成的输出与训练示例的实际输出进行比较。基于生成的输出和训练示例的实际输出，神经网络改变与每个节点连接相关联的权重。在一些实施方式中，神经网络还在训练期间改变与每个节点相关联的权重。训练一直持续到例如使用了预定数量的训练示例，在训练和验证期间达到准确度阈值，完成预定数量的验证迭代等。超参数可以被调整以进一步优化模型。

每个基于专家系统的处理模型都可以应用于针对特定类型、类别、品牌或型号的升降机执行频谱信号处理或分类任务。例如，基于专家系统的处理模型可以基于事实和规则的知识库对数据进行推断，以得到数据的统计度量或特征，其然后可用于确定升降机是否正常或异常，以及可选地，识别特定的异常(例如，开门时间过长、关门时间过长、电机和制动器重新启动异常、开门时制动器未正确打开等)。

可以根据需要更新存储在存储器604A中的基于专家系统的处理模型和经训练的基于机器学习的处理模型。例如，可以将基于专家系统的处理模型的新的事实和规则提供给控制器以更新或覆盖与该模型相关联的现有事实和规则。经训练的基于机器学习的处理模型可以在控制器600A本地更新或重新训练，或在外部设备或系统远程更新或重新训练然后加载到控制器600A。

图6B中的控制器600B类似于图6A中的控制器600A，除了控制器600B仅被配置为使用基于机器学习的处理模型来处理升降机操作数据。图6A中与基于机器学习的处理模型相关的描述适用于图6B。控制器600B可以使用一个或多个基于机器学习的处理模型来处理相同的数据集。

图6C中的控制器600C类似于图6A中的控制器600A，除了控制器600C仅被配置为使用基于专家系统的处理模型来处理升降机操作数据。图6A中与基于专家系统的处理模型相关的描述适用于图6C。控制器600C可以使用一个或多个基于专家系统的处理模型来处理相同的数据集。

图7示出了本发明一个实施方式的升降机操作数据收集系统700。系统700可以用作图5中的升降机操作数据收集系统200。系统700包括牵引装置(例如，牵引马达)电流传感器702、制动线圈电流传感器704、安全连接电路电流传感器706、门控制电路电流传感器(例如，在PCB上)708和升降机轿厢运动传感器710。这些传感器优选地是非侵入式传感器并且优选地可以改装(retrofitted)到现有的升降机装置以收集这些装置的操作数据。牵引装置电流传感器702被配置为在升降机操作期间检测流入或流过牵引装置(例如电机)的电流。制动线圈电流传感器704被配置为检测在升降机操作期间流入或流过制动线圈电路的电流。安全连接电路电流传感器706被配置为在升降机操作期间检测流入或流过安全连接电路的电流。门控制电路电流传感器708被配置为检测在升降机操作期间流入或流过门控制电路(其控制升降机轿厢的门的打开和关闭)的电流。升降机轿厢运动传感器710被配置为在升降机操作期间检测升降机的运动(在本实施方式中为速度)。在升降机操作期间，这些传感器702-710同时收集测量数据，以提供升降机的时间性操作数据，该数据用于随后的处理以确定潜在故障状态。在一些实施方式中，在升降机操作期间仅使用传感器702-710中的一个，或在升降机操作期间同时使用传感器702-710中的一些传感器，以提供升降机的时间性操作数据，该数据随后被处理以确定和/或识别潜在故障。

图8示出了本发明一个实施方式的示例性信息处理系统800，其可以用作服务器、数据库(例如图5、图20和图21中的那些)、升降机操作数据处理系统(例如图5、图9、图20和图21中的那些)，或另一种类型的信息处理系统或用户设备(例如图21中的设备)。信息处理系统800一般包括接收、存储和执行适当的计算机指令、命令或代码所需的适当部件。信息处理系统800的主要部件是处理器802和存储器(储存器)804。处理器802可以包括以下一个或多个：CPU、MCU、控制器、逻辑电路、树莓派芯片、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或被配置为解释和/或执行程序指令和/或处理信号和/或信息和/或数据的任何其他数字或模拟电路。存储器804可以包括一个或多个易失性存储器(例如RAM、DRAM、SRAM)、一个或多个非易失性存储器(例如ROM、PROM、EPROM、EEPROM、FRAM、MRAM、FLASH、SSD、NAND和NVDIMM)，或它们的任何组合。适当的计算机指令、命令、代码、模型、规则、事实、信息和/或数据可以存储在存储器804中。可选地，信息处理系统800还包括一个或多个输入装置806。该输入装置806的示例包括以下中的一个或多个：键盘、鼠标、手写笔、图像扫描仪(例如，标识符(条形码、二维码等)扫描仪)、麦克风、触觉/触摸输入装置(例如，触敏屏幕)、图像/视频输入装置(例如，相机)、生物特征数据输入装置(例如，指纹检测器、面部检测器等)等。可选地，信息处理系统800还包括一个或多个输出装置808。该输出装置808的示例包括以下中的一个或多个：显示器(例如，监视器、屏幕、投影仪等)、扬声器、磁盘驱动器、耳机、耳麦、打印机、增材制造机器(例如，3D打印机)等。显示器可以包括LCD显示器、LED/OLED显示器或任何其他合适的显示器(可能是或可能不是触敏的)。信息处理系统800可以进一步包括一个或多个磁盘驱动器812，其可以包括以下中的一个或多个：固态驱动器、硬盘驱动器、光驱、闪存驱动器、磁带驱动器等。合适的操作系统可以安装在信息处理系统800中，例如，在磁盘驱动器812或存储器804中。存储器804和磁盘驱动器812可以由处理器802操作。可选地，信息处理系统800还包括通信装置810，其用于与一个或多个其他计算设备(诸如服务器、个人计算机、终端、平板电脑、电话、手表、物联网设备或其他无线或手持计算设备)建立一个或多个通信链路(未示出)。通信装置810可以包括以下中的一个或多个：调制解调器、网络接口卡(NIC)、集成网络接口、NFC收发器、ZigBee收发器、Wi-Fi收发器、

收发器、射频收发器、光学端口、红外端口、USB连接或其他有线或无线通信接口。收发器可以由一个或多个设备(集成的发射器和接收器、独立的发射器和接收器等)实现。通信链路可以是有线的或无线的，其用于传送命令、指令、信息和/或数据。在一个示例中，处理器802、存储器804以及可选的输入装置806、输出装置808、通信装置810和磁盘驱动器812通过以下的一个或多个相互连接：总线、外围组件互连(PCI)(例如PCI Express)、通用串行总线(USB)、光学总线或其他类似的总线结构。在一个实施方式中，这些部件中的一些可以通过诸如互联网或云计算网络的网络连接。本领域技术人员将理解，图8中所示的信息处理系统800仅仅是示例性的，并且在其他实施方式中信息处理系统800可以具有不同的配置(例如，更多部件、更少部件等)。

图9示出了本发明一个实施方式的升降机操作数据处理系统900的功能块。升降机操作数据处理系统可以在单个设备中实现，也可以在多个设备之间以分布式的方式实现。升降机操作数据处理系统900可以是但不一定是图5中的升降机操作数据处理系统300。应当理解，图9所示的块是功能块，其不限定结构并且可以通过硬件部件和/或软件部件的任何组合来实现。还应当理解，一个或多个功能块可以被移除并且可以添加一个或多个附加的功能块，以提供不同的升降机操作数据处理系统实施方式。

如图9所示，升降机操作数据处理系统900具有处理模块902、存储模块904、机器学习处理模型训练模块906、专家知识更新模块908、输入输出模块910和通信模块912。

处理模块902包括基于机器学习的处理模块，其被配置为使用一个或多个基于机器学习的处理方法来处理(和可选地预处理)升降机的操作数据。处理模块902还包括基于专家系统的处理模块，其被配置为使用一个或多个基于专家系统的处理模型来处理升降机的操作数据，其中每个处理模型具有相应的知识(规则和事实)集。基于机器学习的处理模块和基于专家系统的处理模块负责对升降机操作数据进行基于人工智能的处理。处理模块902还包括被配置为处理升降机操作数据的基于非人工智能的处理模块。基于非人工智能的处理模块可以被配置为对升降机操作数据执行以下信号处理中的一个或多个：过滤、分段、阈值化、平均化、归一化、平滑化、填充、变换、平移、旋转、缩放等。优选地，在由基于人工智能的处理模块处理之前，首先在基于非人工智能的处理模块处处理操作数据。

存储器模块904存储一个或多个机器学习处理模型。基于机器学习的处理模块可以使用存储的机器学习处理模型来处理数据。在一个实施方式中，存储了多个机器学习处理模型，并且基于机器学习的处理模块被配置为选择合适的模型来处理数据。该选择可以基于例如经由输入输出模块910接收的用户选择，或者基于对数据的特征(例如，该数据所属的升降机的类型、品牌、型号等)的检测。

存储器模块904还存储一组或多组专家知识，每组专家知识都包含相应的事实和规则。基于专家系统的处理模块可以使用存储的专家知识来处理数据。在一个实施方式中，存储了多组专家知识，并且基于专家系统的处理模块被配置为选择合适的专家知识组来处理数据。该选择可以基于例如经由输入输出模块910接收的用户选择，或者基于对数据的特征(例如，该数据所属的升降机的类型、品牌、型号等)的检测。

存储器模块904还存储升降机操作数据，其包括从升降机操作数据收集系统(例如图5或图7中的那个)接收的数据，以及由处理模块902确定的中间或最终处理结果。存储器模块904还存储用于训练机器学习处理模型的训练数据。可以存储不同的训练数据集以用于不同的机器学习处理模型。

存储在存储器模块904中的数据、模型、知识等可以被更新、替换、删除和/或经由输入输出模块传输到外部设备(例如服务器)以进行存储。可以将新的数据、模型、知识等添加到存储器模块904。

机器学习处理模型训练模块906被配置为选择或使用适当的训练数据(可选地具有适当的权重和超参数)以用于训练存储器模块904中的机器学习处理模型。专家知识更新模块908被配置为管理存储模块904中的专家知识、更新规则和/或事实。

输入输出模块910提供使用户能够与系统900交互的用户界面。系统900可以通过输入输出模块910接收用户输入、命令或任何其他用户提供的信息或数据。这些用户输入、命令、信息、数据可以由系统900在数据处理、模型训练、知识更新等中使用。该系统还可以经由输入输出模块910向用户呈现或以其他方式提供处理结果或指示。

通信模块912用于实现系统900与外部设备(在系统的外部，例如计算机、服务器、电话等)的通信。用于处理的升降机操作数据、用户输入/命令(例如，添加、编辑、删除数据等)等可以经由通信模块912在系统900处接收。处理输出、结果、响应等可以经由通信模块912提供给外部设备，以进行存储，用于触发响应或动作等。

图10示出了使用基于专家系统的处理对升降机操作数据的处理，其可以在升降机操作数据处理系统(例如但不限于本文所述的那些)中实现。升降机操作数据在应用于专家系统推理引擎(例如，基于专家系统的处理模块的一部分)之前进行预处理。预处理包括将原始时间性升降机操作数据(例如，电流信号和/或运动信号)划分为同质的多变量段，其中每个段代表一个操作周期。该划分可以基于基于人工智能的方法或基于非人工智能的方法。在一个实施方式中，操作周期包括以下事件顺序：制动器释放、升降机启动、升降机移动、升降机停止、制动器闭合、门打开和门关闭。在其他实施方式中，操作周期可以不同方式定义。在一个示例中，预处理还包括识别具有不完整数据的数据段以从后续处理中删除或以其他方式丢弃它们。识别可以基于基于人工智能的方法或基于非人工智能的方法。其他预处理技术可以在使用专家系统进行处理之前应用于数据。在对操作数据进行预处理后，数据段被应用到专家系统推理引擎。专家系统推理引擎基于包括规则和事实在内的专家知识分析数据，以从数据(每个操作周期)推断升降机是否存在任何潜在故障状态。在一个示例中，规则和事实可能涉及：(i)门操作(例如，升降机启动前打开/关闭门的次数；门打开/关闭操作时间间隔(门速度)；制动电流应为零(重新平层除外)；门电流范围；门打开时间过长；当升降机移动时，门的电机电流仍然启动以保持门关闭)；(ii)牵引装置(例如电机)操作：(例如，移动时间(整个范围/取决于距离)；加速时间(取决于距离)；减速时间(取决于距离)；启动电流范围(取决于负载/上升或下降)；稳定电流范围(取决于负载/上升或下降)；减速电流范围(取决于负载/上升或下降)；电机启动和制动器打开之间的时间间隔)；(iii)制动器操作(双制动器)(例如，当一个制动器闭合或两个制动器都闭合时，牵引电机必须关闭；两个制动器应同时操作(自检模式除外)；两个制动器应在牵引电机操作前打开；牵引电机停止后制动器应闭合；当制动器打开时，门电机必须关闭(重新平层除外)；制动器启动电流；制动器稳定电流；制动器启动和制动器稳定电流之间的时间间隔；(可选的每天自动进行自检模式)当升降机停止时制动器每次操作一个)；(iv)安全电路操作(例如，安全电路应仅在任何安全开关、装置接合，在未知时间出现电流峰值时打开)等。专家系统推理引擎对数据段进行分析，以获取上述一个或多个测量的特征统计，并基于规则和事实对特征统计进行比较，从而确定升降机是否存在潜在故障状态或存在哪些潜在故障状态。特征统计可以包括对每个操作周期或(多个操作周期的)每个数据集计算平均值、标准偏差、最大值、最小值。潜在故障状态可能包括门故障、制动器故障等(例如，门以奇数周期打开/关闭、门打开持续时间过长、门关闭持续时间过长、在操作周期期间电机/制动器异常重新启动、当门打开时制动器打开等)。在一个示例中，如果异常或统计度量的数量超过每周期的预定数量，或超过每数据集的预定数量，则升降机被识别为处于潜在故障状态。作为另一示例，如果异常或统计度量的数量低于每周期的预定数量，或低于每数据集的预定数量，则升降机被识别为处于潜在故障状态。可以考虑多种统计度量(可选地给予不同的权重)，以确定故障状态。在一些实施方式中，该过程可以识别升降机具有的多于一种类型的故障。

图11示出了使用基于机器学习的处理对升降机操作数据的处理，其可以在升降机操作数据处理系统(例如但不限于本文所述的那些)中实现。在这个过程中使用的升降机操作数据也优选地基于关于图10描述的预处理进行预处理。在操作数据被预处理之后，数据段然后被应用于经训练的基于机器学习的处理模型，其使用分类、回归、聚类或它们的任何组合来确定升降机是否包括任何潜在故障状态或存在哪些潜在故障状态。在一种实施方式中，应用了基于深度学习的模型(例如多变量LSTM-FCN)。在一些实施方式中，该过程可以识别升降机具有的多于一种类型的故障。

图12示出了操作数据图表，其包括升降机的门、升降机的制动线圈、升降机的安全连接电路和升降机的牵引装置中的电流测量。所示的操作数据包括多个数据段1200A、1200B。图13是操作数据段的图表，其具有数据丢失或不完整的数据，该操作数据段可能被丢弃或从进一步处理中删除。

图14是本发明一个实施方式的使用基于专家系统的处理模型来确定升降机操作安全性的计算机实现方法1400，其中可以使用升降机操作数据处理系统(例如但不限于使用本文描述的那些升降机操作数据处理系统)来实现。方法1400开始于步骤1402，其中获得升降机操作信号/数据。然后，在步骤1404中，升降机操作信号/数据被划分为同质段(例如同质多变量段)，其每个对应于升降机的一个操作周期。操作周期是预定义的，并且它可以包括或包含以上关于图10描述的事件顺序。一旦完成分段，则在步骤1406中，识别具有不完整数据或数据丢失的段并将其移除或以其他方式阻止其被进一步处理。在步骤1408中，对剩余的信号段使用专家系统推理引擎以预定的规则和事实进行处理，以确定数据段的特征统计。可以单独分析每个数据段的特征统计；或者可以将多个数据段的特征统计结合起来进行分析。基于获得的特征统计，在步骤1410，专家系统推理引擎确定升降机是否具有任何潜在异常状态，如果是，则确定升降机具有哪些潜在异常情况。在确定具有任何潜在异常时，在步骤1412中，提供或触发响应。响应可以是启动警报、向用户设备(例如，移动电话、计算机)发送电子消息以提醒用户采取行动(在任何潜在的危险事件发生之前)。

图15示出了本发明一个实施方式的用于创建、训练或修改可用于处理升降机操作数据的基于机器学习的处理模型的计算机实施方法1500。方法1500包括：在步骤1502中，使用训练数据集(包括升降机的正常操作数据和故障数据)训练基于机器学习的处理模型；在步骤1504中，使用验证数据集(包括升降机的正常操作数据和故障数据)验证经训练的机器学习模型；在步骤1056中，使用测试数据集测试或评估经训练的基于学习的处理模型。训练可以离线进行。在验证过程中，可以调整超参数以优化模型。在测试中，可以获得准确度、灵敏度、特异性、F-度量等性能特征。也可以进行与基准模型的比较。经训练的模型可以定期或以其他方式更新，以考虑新的数据、场景、故障等，从而提高分类性能。

图16示出了本发明一个实施方式的用于创建或修改可用于处理升降机操作数据的基于机器学习的处理模型的计算机实施方法1600。方法1600可以被视为图15的方法1500的具体示例。方法1600开始于步骤1602，其中获得包括已知的正常和异常(故障)升降机操作状态的升降机操作信号/数据的数据集。异常(故障)升降机操作状态的升降机操作信号/数据可以是真实的或模拟的。然后在步骤1604中，该方法使用诸如滤波、去噪、平滑、异常去除、阈值化等信号处理技术来处理数据集。之后，在步骤1606中，升降机操作信号被划分为同质的(优选地多变量的)数据段。然后，在步骤1608中使用这些数据段利用监督或非监督学习来建立、创建或训练基于深度学习的处理模型(例如，多变量LSTM-FCN模型)。在步骤1610，基于深度学习的模型然后被验证。验证包括使用调整超参数、执行交叉验证等。然后，在步骤1612中，评估或测试经验证的模型的性能。如果测试结果不令人满意，该方法可以返回到步骤1608或步骤1610，以重新进行训练和/或验证。可以替代地或附加地使用其他数据集来实现此效果。如果测试结果令人满意，则方法1600继续到步骤1614，在该步骤中部署经正确地训练、验证和测试的基于深度学习的模型。

图17示出了本发明一个实施方式的使用经训练的基于机器学习的处理模型来确定升降机操作安全性的计算机实施方法1700。方法1700开始于步骤1702，其中获得升降机操作数据。然后，在步骤1704中，升降机操作数据/信号被划分为同质的(优选地多变量的)段，其中每个段对应于一个如上定义的升降机操作周期。在步骤1706，具有不完整数据或数据丢失的段被识别并且不被进一步处理。在步骤1708中，使用经训练的基于机器学习的处理模型来处理数据段或信号段。经训练的基于机器学习的处理模型被训练为基于升降机的操作数据识别升降机是否具有任何潜在故障，并且优选地识别升降机具有的特定潜在故障状态。该确定在步骤1710中作出，之后，如果检测到任何异常，则在步骤1712中提供或触发响应。该响应可以是启动警报、向用户设备(例如，移动电话、计算机)发送电子消息以提醒用户采取行动(在任何潜在的危险事件发生之前)。

图18是图17的方法1700的具体实现方式1800，其中使用具有全卷积网络的多变量长短期记忆全卷积神经网络(MLSTM-FCN)模型作为经训练的基于机器学习的处理模型来处理升降机操作数据段。如图18所示，具有全卷积网络的多变量长短期记忆(MLSTM-FCN)模型包括序列网络1802和全卷积网络1804，它们并行作用以处理升降机操作数据从而确定升降机的潜在故障或异常状态。

图19示出了本发明一个实施方式的使用经训练的基于机器学习的处理模型和基于专家系统的处理模型来确定升降机操作安全性的计算机实现的方法。在方法1900中，步骤1902至步骤1906一般对应于图17中的步骤1702至步骤1706以及图14中的步骤1402至步骤1406，因此在此不再赘述。步骤1908和步骤1910一般对应于图14中的步骤1408和步骤1410，因此在此不再赘述。步骤1909和步骤1911一般对应于图17中的步骤1708和步骤1710，因此在此不再赘述。在步骤1912中，方法1900基于从经训练的基于机器学习的处理模型和基于专家系统的处理模型获得的确定的异常结果来确定升降机的异常。可以对从经训练的基于机器学习的处理模型获得的结果和从基于专家系统的处理模型获得的结果赋予相同的权重或不同的权重。在一个示例中，如果一个模型指示存在故障而另一模型指示不存在故障，则方法1900可以确定仍然存在故障，或者可以基于模型生成的结果的似真性(例如，权重)确定是否实际上存在故障。在一种实现方式中，当一个模型确定存在故障或存在特定类型的故障时，则可以认为存在故障或特定类型的故障，而不管另一个模型的确定结果。

图20示出了本发明一个实施方式的操作环境1'，其包括多个升降机10A1、10A2、10B1、10B2、多个相关联的升降机操作数据收集系统200A1、200A2、200B1、200B2、升降机操作数据处理系统300'和数据库400'。环境1'类似于图5中的环境1。升降机10A1、10A2、10B1、10B2类似于图5中的升降机10；升降机操作数据收集系统200A1、200A2、200B1、200B2类似于图5中的升降机操作数据收集系统200；升降机操作数据处理系统300'(和控制器600')类似于图5中的升降机操作数据处理系统300(和控制器600)；数据库400'类似于图5中的数据库400。在环境1'中，升降机10A、10A2与升降机10B1、10B2具有不同的类型、品牌、型号等。升降机操作数据处理系统300'被配置为接收和处理来自不同类型、品牌、型号等的升降机的数据(使用优选地特定于该升降机的类型、品牌、型号等的相应的基于人工智能的处理模型)。另外，升降机操作数据处理系统300'可以随着时间的推移从相同类型、品牌、型号等的不同升降机中学习(例如，被训练)。因此，升降机操作数据处理系统300'的准确性和鲁棒性可以随着时间的推移更快地提高。

图21示出了操作环境3，其为在图5的环境1的基础上修改的。操作环境3与环境1相同，包括升降机10、升降机操作数据收集系统200和数据库400。操作环境图3还包括类似于图5中的升降机操作数据处理系统300的升降机操作数据处理系统300”(具有控制器600”)。升降机操作数据处理系统300”可以在线操作(在升降机运行时连续操作)，以在线监控升降机的操作数据。然而，升降机操作数据处理系统300”是在云计算设备或网络中实现的。操作环境3还包括与升降机操作数据处理系统300”通信的一个或多个用户设备500A、500B，以使得在确定异常时升降机操作数据处理系统300”可以向这些设备500A、500B发送命令或电子消息。

在一种实现方式中，升降机操作数据处理系统300”被配置为处理升降机操作数据并将数据和/或结果传输到用户设备500A、500B以供显示、存储和/或进一步处理。

图22示出了用于升降机的自适应智能状态监控的示例性系统。该系统包括钳式电流传感器(电机传感器、制动器传感器、安全电路传感器、门传感器)，其用于检测与升降机的牵引电机、升降机的制动线圈、升降机的安全连接电路和升降机的门控制电路相关联的电流，以及用于检测升降机运动的运动测量部件或传感器。这些传感器连接到控制器，该控制器连接到服务器系统，该服务器系统被配置为处理数据并存储收集到的和/或经处理的数据。数据的处理基于上述的处理方法。可操作地连接到服务器系统的电子设备提供图形用户界面，以用于显示数据的处理结果并接收用户输入。系统的具体操作与上述类似，在此不再赘述。

上述实施方式尤其提供了一种用于确定升降机中的潜在故障状态的升降机操作安全分析系统和相关方法。在一些实施方式中，该系统是非侵入式的并且可以补充地应用于现有的升降机以监控安全性。在一些实施方式中，提供了一种用于升降机装置的自适应智能状态监控的数据分析系统。升降机的牵引电机、制动线圈和安全电路的电流信号以及可选地升降机轿厢的速度信号用于分析升降机的操作状态。数据分析系统特别适用于监控具有关键电磁驱动器、安全电路、紧急联锁装置或制动线圈的升降机的机械/设备，并在实际发生任何危险或其他不期望的故障事件之前检测升降机的潜在故障。通过升降机操作安全分析系统，系统的操作员或用户可以判断升降机是否存在隐患以及确定升降机何时需要维修(并能及时做到以减少或消除风险被实现的机会)。

尽管不是必需的，但是参考附图描述的实施方式可以实现为应用程序接口(API)或由开发者使用的一系列库，或者可以包括在另一个软件应用程序中，例如终端或计算机操作系统或便携式计算设备操作系统。通常，由于程序模块包括有助于执行特定功能的例程、程序、对象、部件和数据文件，本领域技术人员将理解，软件应用程序的功能可以分布在多个例程、对象和/或部件上以实现本文所期望的相同功能。

还应当理解，在本发明的方法和系统完全地由计算系统实现或部分地由计算系统实现的情况下，可以使用任何适当的计算系统架构。这将包括独立计算机、网络计算机、专用或非专用硬件设备。在使用术语“计算系统”和“计算设备”时，这些术语旨在包括(但不限于)能够实现所述功能的计算机或信息处理硬件的任何适当布置。

本领域技术人员将理解，可以对如特定实施方式中所示的本发明进行多种变化和/或修改以提供本发明的其他实施方式。本文中的不同方法/系统可以选择性地组合以形成新的方法/系统。因此，本发明的描述的实施方式在所有方面都应该被认为是说明性的而不是限制性的。

例如，升降机数据分析系统可以集成为升降机的一部分，或者它可以布置在服务器上(例如，在云计算网络上)。可以使用任意数量的传感器来检测操作数据。在某些情况下，只使用一个传感器来检测升降机的一种操作数据；在其他一些情况下，使用多个传感器来检测升降机的不同类型的操作数据。在一些实施方式中，用于检测升降机操作数据的传感器可以是侵入式传感器。传感器(无论它们是侵入式还是非侵入式)可以包括电流传感器、电压传感器、电容传感器、电感传感器、运动传感器，或其任意组合。可以修改基于人工智能的处理模型，例如基于专家系统的处理模型或经训练的基于机器学习的处理模型。可以使用各种类型的经训练的基于机器学习的处理模型，特别是基于深度学习的处理模型，其适用于处理时间性升降机操作数据。数据的预处理可以基于基于人工智能的方法或基于非人工智能的方法(或两者)。

Claims (20)

1.一种用于升降机自适应智能状态监控的非侵入式数据分析系统，所述非侵入式数据分析系统包括：

非侵入式电流传感器，其被配置为获取所述升降机的牵引电机、制动线圈和安全电路的实时电流信号；

非侵入式速度传感器，其被配置为获取所述升降机的升降机轿厢的实时速度信号；以及

微控制器，其被配置为

接收来自所述非侵入式电流传感器的所述电流信号，

接收来自所述非侵入式速度传感器的所述速度信号，

将接收到的所述电流信号和接收到的所述速度信号转换成信号数据，以及

将所述信号数据传输至服务器系统，所述服务器系统被配置为存储所述信号数据并基于深度学习分析所述信号数据以自适应地监控所述升降机的操作状态。

2.根据权利要求1所述的非侵入式数据分析系统，其中，所述电流传感器包括钳式电流传感器。

3.根据权利要求1或2所述的非侵入式数据分析系统，其中，所述微控制器包括内部存储单元并且还被配置为

通过一系列的采样和量化过程读取所述电流信号和所述速度信号，

将电流和速度数据存储在所述内部存储单元中，

根据先进先出原则管理所述内部存储单元的存储空间，以及

将所述电流和速度数据实时传输到所述服务器系统。

4.根据权利要求3所述的非侵入式数据分析系统，

其中，所述微控制器安装有数据发送器，所述数据发送器使用被配置为连接到两个移动通信网络的双调制解调器；以及

其中，所述数据发送器被配置为使用具有更高信号强度的所述网络来将获取的数据传输到所述服务器系统。

5.根据权利要求1至4中任一项所述的非侵入式数据分析系统，还包括所述服务器系统，并且其中所述服务器系统包括：

数据存储服务器，其被配置为存储获取的信号数据，以及

数据分析服务器，其被配置为使用经训练的深度学习模型分析所述信号，以自适应地监控所述升降机的所述操作状态；

其中，所述数据分析服务器安装有软件，所述软件具有算法，所述算法连续扫描获取的电流和速度信号，然后使用所述经训练的深度学习模型对所述数据进行分析，从而自适应地监控所述升降机的所述操作状态。

6.根据权利要求5所述的非侵入式数据分析系统，其中，所述数据分析服务器被配置为进行特征提取、分类器构建和故障识别、状态监控结果的可视化；

其中，所述经训练的深度学习模型被配置为至少执行以下操作：

输入在指定的窗口长度内获得的数据；

执行数据预处理；

使用所述经训练的基于深度学习的网络分析经处理的数据；

监控所述升降机是否正常地操作；

在确定所述升降机的操作正常后，将所述窗口滑动一步，然后返回所述过程以分析另一组经处理的数据；

在确定所述升降机的操作异常后，识别潜在故障的标签并发出警告。

7.一种升降机操作安全分析系统，包括：

控制器，其被配置为：

接收升降机的操作数据；以及

使用基于人工智能的处理模型来处理所述操作数据以确定所述升降机的潜在故障状态存在或不存在。

8.根据权利要求7所述的升降机操作安全分析系统，其中，所述控制器还被配置为使用所述基于人工智能的处理模型来处理所述操作数据，以从多个预定的故障状态中识别存在于所述升降机中的一个或多个潜在故障状态。

9.根据权利要求7或8所述的升降机操作安全分析系统，其中，所述升降机的所述操作数据包括以下一个或多个：

与所述升降机的牵引装置中的电流相关联的数据；

与所述升降机的制动线圈中的电流相关联的数据；

与所述升降机的安全连接电路中的电流相关联的数据；

与所述升降机的门控制电路中的电流相关联的数据；以及

与所述升降机的升降机轿厢的运动相关联的数据。

10.根据权利要求7至9中任一项所述的升降机操作安全分析系统，其中，所述基于人工智能的处理模型包括以下一个或两个：

基于专家系统的处理模型；以及

经训练的基于机器学习的处理模型。

11.根据权利要求10所述的升降机操作安全分析系统，其中，所述经训练的基于机器学习的处理模型包括经训练的循环神经网络。

12.根据权利要求11所述的升降机操作安全分析系统，其中，所述经训练的循环神经网络包括具有全卷积网络的多变量长短期记忆(MLSTM-FCN)模型。

13.根据权利要求10所述的升降机操作安全分析系统，其中，所述控制器还被配置为：

在使用所述基于人工智能的处理模型进行所述处理之前对所述操作数据进行预处理。

14.根据权利要求13所述的升降机操作安全分析系统，其中，所述控制器被配置为通过以下方式预处理所述操作数据：

将所述操作数据划分为大体上同质的数据段，其中每个数据段对应于一个预定的升降机操作周期。

15.根据权利要求14所述的升降机操作安全分析系统，其中，所述预定升降机操作周期大体由以下组成：制动器释放事件、升降机启动事件、升降机移动事件、升降机停止事件、制动器闭合事件、门打开事件和门关闭事件。

16.根据权利要求7至15中任一项所述的升降机操作安全分析系统，还包括与所述控制器可操作地连接的数据库，所述数据库被配置为存储将要由所述控制器检索的数据和/或存储从所述控制器接收的数据。

17.根据权利要求14所述的升降机操作安全分析系统，

其中，所述基于专家系统的处理模型包括预定的规则；以及

其中，所述控制器被配置为基于所述预定的规则确定每个数据段的统计特征，并基于所述统计特征确定潜在故障状态的存在。

18.根据权利要求7至17中任一项所述的升降机操作安全分析系统，其中，所述控制器还被配置为：

在确定所述升降机的潜在故障状态存在时，输出信号以触发响应。

19.根据权利要求7至18中任一项所述的升降机操作安全分析系统，还包括以下一个或多个：

一个或多个非侵入式传感器，其与所述控制器连接并且被配置为获取所述升降机的所述操作数据；以及

显示器，其与所述控制器可操作地连接并且被配置为显示与所识别的所述升降机的潜在故障状态相关联的信息。

20.一种升降机操作安全分析系统，包括：

控制器，其被配置为：

接收升降机的操作数据；

基于所述升降机的特性，从多个基于人工智能的处理模型中选择一个基于人工智能的处理模型以用于处理所述操作数据；以及

使用所选择的基于人工智能的处理模型来处理所述操作数据以确定所述升降机的潜在故障状态存在或不存在。

Images