CN114803763B - 基于神经网络的变速货梯异常检测方法 - Google Patents
基于神经网络的变速货梯异常检测方法 Download PDFInfo
- Publication number
- CN114803763B CN114803763B CN202210753995.3A CN202210753995A CN114803763B CN 114803763 B CN114803763 B CN 114803763B CN 202210753995 A CN202210753995 A CN 202210753995A CN 114803763 B CN114803763 B CN 114803763B
- Authority
- CN
- China
- Prior art keywords
- current
- resistance
- sequence
- elevator
- index
- 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
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
本发明涉及人工智能技术领域,具体涉及一种基于神经网络的变速货梯异常检测方法。根据电梯在设定时间段内的累计运行高度、电流序列、电阻序列和信号传输稳定指标将状态相似的电梯聚为一个类别,将类别中所有的电流序列和所有的电阻序列分别作为TCN神经网络的输入来预测该类别中的电梯在未来时间段的电流预测序列和电阻预测序列;通过分析每个电梯的电流序列和电阻序列与其所属类别的电流预测序列和电阻预测序列之间的相似性,以对该电梯进行异常预警。利用TCN神经网络预测电梯的后续电流电阻数据,根据预测值的变化进行异常预警,避免出现危险事故。计算每个电梯的基于神经网络的变速货梯异常检测方法可以配置为采用神经网络模型的计算机系统。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于神经网络的变速货梯异常检测方法。
背景技术
电梯在运行过程中,电梯的随行电缆起着重要的作用,该电缆传输着照明、监控、控制等等各方面的信号,但是电梯在运行过程中,随行电缆会随着运行发生弯曲,这样就会造成电缆中的电气参数发生变化,造成信号传输的不稳定,使得电梯在使用过程中的可靠性大大降低。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于神经网络变速货梯异常检测方法,所采用的技术方案具体如下:
统计电梯每次运行的高度,得到设定时间段内电梯的累计运行高度;设定采样频率得到每个时刻的电缆电流和电缆电阻,进而获取在所述设定时间段内所述电缆电流构成的电流序列和所述电缆电阻构成的电阻序列;结合所述电流序列和所述电阻序列获取所述设定时间段电梯的信号传输稳定指标;将所述累计运行高度、所述电流序列、所述电阻序列和所述信号传输稳定指标组成电梯在所述设定时间段内的特征向量;
获取多个电梯的所述特征向量,基于所述特征向量之间的相似程度将状态相似的电梯所对应的所述特征向量分为一个类别;将所述类别中每个所述特征向量的所述电流序列和所述电阻序列分别构成电流特征序列和电阻特征序列,将所述电流特征序列和所述电阻特征序列分别输入TCN神经网络以预测该类别对应电梯在未来时间段的电流预测序列和电阻预测序列;
分别将每个电梯的所述电流序列和所述电阻序列与其所属所述类别的所述电流预测序列和所述电阻预测序列进行数据差异分析以得到数据相似指标,基于所述数据相似指标对相对应的电梯进行异常预警。
进一步地,所述电缆电流为照明电缆电流、所述电缆电阻为视频线电缆电阻。
进一步地,所述异常预警的方法,还包括:
计算所述类别中每个所述特征向量的所述信号传输稳定指标之间的平均值,根据该类别内每个电梯的所述信号传输稳定指标与平均值之间的差值得到对应电梯的稳定偏离指标;设定稳定偏离阈值,当所述稳定偏离指标小于所述稳定偏离阈值时,对该电梯进行异常预警。
进一步地,所述结合所述电流序列和所述电阻序列获取所述设定时间段电梯的信号传输稳定指标的方法,包括:
根据每个时刻之间的电流变化获取所述电流序列所对应的电流稳定指标;根据每个时刻之间的电阻变化获取所述电阻序列所对应的电阻稳定指标;结合所述电流稳定指标和所述电阻稳定指标得到电梯的所述信号传输稳定指标。
进一步地,所述根据每个时刻之间的电流变化获取所述电流序列所对应的电流稳定指标的方法,包括:
从所述电流序列中第二个时刻的电流开始,分别计算每个时刻的电流与其之前所有电流之间的电流均值;
依次计算两个相邻时刻之间所述电流均值的均值差值和这两个时刻对应电流之间的电流差值,结合所述均值差值和所述电流差值依次得到对应两个时刻之间的电流波动指标;
由所述电流波动指标和所述电流序列的长度计算平均电流波动指标,将所述平均电流波动指标作为所述电流序列的所述电流稳定指标。
进一步地,所述根据每个时刻之间的电阻变化获取所述电阻序列所对应的电阻稳定指标的方法,包括:
从所述电阻序列中第二个时刻的电阻开始,分别计算每个时刻的电阻与其之前所有电阻之间的电阻均值;
依次计算两个相邻时刻之间所述电阻均值的均值差值和这两个时刻对应电阻之间的电阻差值,结合所述均值差值和所述电阻差值依次得到对应两个时刻之间的电阻波动指标;
由所述电阻波动指标和所述电阻序列的长度计算平均电阻波动指标,将所述平均电阻波动指标作为所述电阻序列的所述电阻稳定指标。
进一步地,所述基于所述特征向量之间相似程度将状态相似的电梯所对应的所述特征向量分为一个类别的方法,包括:
根据不同电梯对应的所述特征向量,分别计算所述累计运行高度之间的第一差值、所述信号传输稳定指标之间的第二差值、所述电流序列之间的电流相似性和所述电阻序列之间的电阻相似性;
结合所述第一差值、所述第二差值、所述电流相似性和所述电阻相似性得到两个不同电梯之间的所述相似程度;基于所述相似程度通过DBSCAN聚类算法对所述特征向量进行聚类,得到多个类别。
进一步地,所述数据相似性指标的获取方法,包括:
利用DTW算法分别计算所述电流序列与所述电流预测序列之间的第一相似性、所述电阻序列与所述电阻预测序列之间的第二相似性;根据所述第一相似性和所述第二相似性之间的乘积得到所述数据相似指标。
进一步地,所述基于所述数据相似指标对相对应的电梯进行异常预警的方法,包括:
设置相似指标阈值,当所述数据相似指标小于所述相似指标阈值时,对相应的电梯进行异常预警。
本发明实施例至少具有如下有益效果:将运行状态相似的多个电梯的电流序列和电阻序列作为TCN神经网络的输入,以预测这些电梯在未来时间的电流预测序列和电阻预测序列,通过对比预测值和实际采集值之间的数据相似性,能够准确对每个电梯进行及时异常预警,避免出现危险事故,且计算每个电梯的基于神经网络的变速货梯异常检测方法可以配置为采用神经网络模型的计算机系统。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,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它附图。
图1为本发明一个实施例提供的一种基于神经网络的变速货梯的异常检测方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于神经网络的变速货梯异常检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于神经网络的变速货梯异常检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于神经网络的变速货梯的异常检测方法的步骤流程图,该方法包括以下步骤:
步骤S001,统计电梯每次运行的高度,得到设定时间段内电梯的累计运行高度;设定采样频率得到每个时刻的电缆电流和电缆电阻,进而获取在设定时间段内电缆电流构成的电流序列和电缆电阻构成的电阻序列;结合电流序列和电阻序列获取设定时间段电梯的信号传输稳定指标;将累计运行高度、电流序列、电阻序列和信号传输稳定指标组成电梯在设定时间段内的特征向量。
具体的,由于电梯的运行高度和每天的运行次数会对电梯随行电缆的使用年限有很大的影响,即每天使用次数较少的电梯随行电缆的磨损较小,而经常运行的电梯会造成电梯随行电缆的多次弯曲,使得损耗增加,从而导致电梯随行电缆中的各项电气参数偏离正常值,影响电梯信号的正常传输,因此,统计电梯上下运行中的上升高度和下降高度,本发明实施例中以一天为设定时间段,对一天中电梯上下运行高度进行累加得到一天之内电梯的累计运行高度H。
在电梯上下运行过程中,电梯随行电缆的弯曲半径是不断变化的,因此随着运行时间的增加,电梯随行电缆弯曲带来的损耗越严重,从而造成了电梯随行电缆的各项电气参数发生改变。由于电梯随行电缆是多种电缆排列在一起的,且比较重要的电缆有照明电缆、与监控用的视频线电缆,因此本发明实施例以照明电缆电流和视频线电缆电阻为例,在电梯运行过程中,每0.2秒为采样频率记录一次照明电缆电流I和视频线电缆电阻R,在电梯停止运行的时候停止记录直到下次电梯启动继续记录,进而获取一天内由不同时刻的照明电缆电流所构成的电流序列和视频线电缆电阻所构成的电阻序列。
(1)根据每个时刻之间的电流变化获取电流序列所对应的电流稳定指标。
具体的,从电流序列中第二个时刻的电流开始,分别计算每个时刻的电流与其之前所有电流之间的电流均值;依次计算两个相邻时刻之间电流均值的均值差值和这两个时刻对应电流之间的电流差值,结合均值差值和电流差值依次得到对应两个时刻之间的电流波动指标;由电流波动指标和电流序列的长度计算平均电流波动指标,将平均电流波动指标作为电流序列的电流稳定指标,则电流稳定指标的计算公式为:
其中,为电流稳定指标;为电流序列中电流的总数量,也即是电流序列的长度;为第个时刻的电流;为第个时刻的电流;为第个时刻的电流与与其之间所有电流之间的电流均值;为第个时刻电流与与其之间所有电流之间的电流均值。
(2)根据每个时刻之间的电阻变化获取电阻序列所对应的电阻稳定指标。
具体的,从电阻序列中第二个时刻的电阻开始,分别计算每个时刻的电阻与其之前所有电阻之间的电阻均值;依次计算两个相邻时刻之间电阻均值的均值差值和这两个时刻对应电阻之间的电阻差值,结合均值差值和电阻差值依次得到对应两个时刻之间的电阻波动指标;由电阻波动指标和电阻序列的长度计算平均电阻波动指标,将平均电阻波动指标作为电阻序列的电阻稳定指标,则电阻稳定指标的计算公式为:
其中,为电阻稳定指标;为电阻序列中电阻的总数量,也即是电阻序列的长度;为第个时刻的电阻;为第个时刻的电阻;为第个时刻的电阻与与其之间所有电阻之间的电阻均值;为第个时刻电阻与与其之间所有电阻之间的电阻均值。
(3)结合电流稳定指标和电阻稳定指标得到电梯的信号传输稳定指标。
步骤S002,获取多个电梯的特征向量,基于特征向量之间的相似程度将状态相似的电梯所对应的特征向量分为一个类别;将类别中每个特征向量的电流序列和电阻序列分别构成电流特征序列和电阻特征序列,将电流特征序列和电阻特征序列分别输入TCN神经网络以预测该类别对应电梯在未来时间段的电流预测序列和电阻预测序列。
具体的,利用步骤S001的方法,获取多个电梯在一天之间的特征向量,根据不同电梯对应的特征向量,分别计算累计运行高度之间的第一差值、信号传输稳定指标之间的第二差值、电流序列之间的电流相似性和电阻序列之间的电阻相似性;结合第一差值、第二差值、电流相似性和电阻相似性得到两个不同电梯之间的相似程度,则相似程度的计算公式为:
其中,为电梯A和电梯B之间的相似程度;为电梯A和电梯B对应信号传输稳定指标之间第二差值的绝对值;为电梯A和电梯B对应累计运行高度之间的第一差值的绝对值;为电梯A和电梯B对应电流序列之间的电流相似性;为电梯A和电梯B对应电阻序列之间的电阻相似性。
进一步地,基于相似程度通过DBSCAN聚类算法对多个特征向量进行聚类,得到多个类别,具体为:将相似程度转化为聚类所需的样本距离,即;基于样本距离利用DBSCAN聚类算法对特征向量进行聚类以得到多个类别,其中每一个类别所包含的特征向量所对应的电梯状态最为相似。
需要说明的是,DBSCAN聚类算法的聚类半径可以根据实施者的实际情况进行设定。
将每一个类别中每个特征向量的电流序列和电阻序列分别构成电流特征序列和电阻特征序列,也即是一个类别对应一个电流特征序列和一个电阻特征序列。将每个类别的电流特征序列和电阻特征序列分别作为TCN神经网络的输入,以预测未来时间段内该类别对应的电流预测序列和电阻预测序列,则每个类别对应一个电阻预测序列和一个电流预测序列。
步骤S003,分别将每个电梯的电流序列和电阻序列与其所属类别的电流预测序列和电阻预测序列进行数据差异分析以得到数据相似指标,基于数据相似指标对相对应的电梯进行异常预警。
具体的,基于每个类别所对应的电流预测序列和电阻预测序列,分别计算该类别中每个电梯的特征向量中的电流序列和电阻序列之间的相似性,以根据相似性对电梯进行异常预警,则其具体过程为:
(1)利用DTW算法分别计算电流序列与电流预测序列之间的第一相似性、电阻序列与电阻预测序列之间的第二相似性;根据第一相似性和第二相似性之间的乘积得到数据相似指标。
具体的,数据相似指标的计算公式为:
需要说明的是,当预测的电流序列和电阻序列与实时采集的电流序列和电阻序列之间的数据相似指标越大时,越表示电流和电阻在时序上都是稳定变化的,也说明电梯的后续运行是处于正常运行范围内,反之,当数据相似指标越小时,越表示电流和电阻在时序上出现了较大的差异,也说明电梯的后续运行可能会出现异常。
(2)设置相似指标阈值,当数据相似指标小于相似指标阈值时,对相应的电梯进行异常预警,需要提醒电梯检修人员对该电梯的随行电缆进行维护排查。
(3)利用步骤(1)至步骤(2)的方法对每个电梯进行异常预警。
进一步地,电梯的异常预警方法,还包括:计算类别中每个特征向量的信号传输稳定指标之间的平均值,根据该类别内每个电梯的信号传输稳定指标与平均值之间的差值得到对应电梯的稳定偏离指标;设定稳定偏离阈值,当稳定偏离指标小于稳定偏离阈值时,对该电梯进行异常预警,需要提醒电梯检修人员对该电梯的随行电缆进行维护排查,其中,稳定偏离指标的计算公式为:
综上所述,本发明实施例提供了一种基于神经网络的变速货梯异常检测方法,该方法根据电梯在设定时间段内的累计运行高度、电流序列、电阻序列和信号传输稳定指标将状态相似的电梯聚为一个类别,将类别中所有的电流序列和所有的电阻序列作为TCN神经网络的输入预测该类别中的电梯在未来时间段的电流预测序列和电阻预测序列;通过分析每个电梯的电流序列和电阻序列与其所属类别的电流预测序列和电阻预测序列之间的相似性,以对该电梯进行异常预警。利用TCN神经网络预测电梯的后续电流电阻数据,根据预测值进行实时异常预警,避免出现危险事故。计算每个电梯的基于神经网络的变速货梯异常检测方法可以配置为采用神经网络模型的计算机系统。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于神经网络的变速货梯异常检测方法,其特征在于,该方法包括:
统计电梯每次运行的高度,得到设定时间段内电梯的累计运行高度;设定采样频率得到每个时刻的电缆电流和电缆电阻,进而获取在所述设定时间段内所述电缆电流构成的电流序列和所述电缆电阻构成的电阻序列;结合所述电流序列和所述电阻序列获取所述设定时间段电梯的信号传输稳定指标;将所述累计运行高度、所述电流序列、所述电阻序列和所述信号传输稳定指标组成电梯在所述设定时间段内的特征向量;
获取多个电梯的所述特征向量,基于所述特征向量之间的相似程度将状态相似的电梯所对应的所述特征向量分为一个类别;将所述类别中每个所述特征向量的所述电流序列和所述电阻序列分别构成电流特征序列和电阻特征序列,将所述电流特征序列和所述电阻特征序列分别输入TCN神经网络以预测该类别对应电梯在未来时间段的电流预测序列和电阻预测序列;
分别将每个电梯的所述电流序列和所述电阻序列与其所属所述类别的所述电流预测序列和所述电阻预测序列进行数据差异分析以得到数据相似指标,基于所述数据相似指标对相对应的电梯进行异常预警;
所述异常预警的方法,还包括:
计算所述类别中每个所述特征向量的所述信号传输稳定指标之间的平均值,根据该类别内每个电梯的所述信号传输稳定指标与平均值之间的差值得到对应电梯的稳定偏离指标;设定稳定偏离阈值,当所述稳定偏离指标小于所述稳定偏离阈值时,对该电梯进行异常预警;
所述结合所述电流序列和所述电阻序列获取所述设定时间段电梯的信号传输稳定指标的方法,包括:
根据每个时刻之间的电流变化获取所述电流序列所对应的电流稳定指标;根据每个时刻之间的电阻变化获取所述电阻序列所对应的电阻稳定指标;结合所述电流稳定指标和所述电阻稳定指标得到电梯的所述信号传输稳定指标;
所述根据每个时刻之间的电流变化获取所述电流序列所对应的电流稳定指标的方法,包括:
从所述电流序列中第二个时刻的电流开始,分别计算每个时刻的电流与其之前所有电流之间的电流均值;
依次计算两个相邻时刻之间所述电流均值的均值差值和这两个时刻对应电流之间的电流差值,结合所述均值差值和所述电流差值依次得到对应两个时刻之间的电流波动指标;
由所述电流波动指标和所述电流序列的长度计算平均电流波动指标,将所述平均电流波动指标作为所述电流序列的所述电流稳定指标。
2.如权利要求1所述的方法,其特征在于,所述电缆电流为照明电缆电流、所述电缆电阻为视频线电缆电阻。
3.如权利要求1所述的方法,其特征在于,所述根据每个时刻之间的电阻变化获取所述电阻序列所对应的电阻稳定指标的方法,包括:
从所述电阻序列中第二个时刻的电阻开始,分别计算每个时刻的电阻与其之前所有电阻之间的电阻均值;
依次计算两个相邻时刻之间所述电阻均值的均值差值和这两个时刻对应电阻之间的电阻差值,结合所述均值差值和所述电阻差值依次得到对应两个时刻之间的电阻波动指标;
由所述电阻波动指标和所述电阻序列的长度计算平均电阻波动指标,将所述平均电阻波动指标作为所述电阻序列的所述电阻稳定指标。
4.如权利要求1所述的方法,其特征在于,所述基于所述特征向量之间相似程度将状态相似的电梯所对应的所述特征向量分为一个类别的方法,包括:
根据不同电梯对应的所述特征向量,分别计算所述累计运行高度之间的第一差值、所述信号传输稳定指标之间的第二差值、所述电流序列之间的电流相似性和所述电阻序列之间的电阻相似性;
结合所述第一差值、所述第二差值、所述电流相似性和所述电阻相似性得到两个不同电梯之间的所述相似程度;基于所述相似程度通过DBSCAN聚类算法对所述特征向量进行聚类,得到多个类别。
5.如权利要求1所述的方法,其特征在于,所述数据相似性指标的获取方法,包括:
利用DTW算法分别计算所述电流序列与所述电流预测序列之间的第一相似性、所述电阻序列与所述电阻预测序列之间的第二相似性;根据所述第一相似性和所述第二相似性之间的乘积得到所述数据相似指标。
6.如权利要求1所述的方法,其特征在于,所述基于所述数据相似指标对相对应的电梯进行异常预警的方法,包括:
设置相似指标阈值,当所述数据相似指标小于所述相似指标阈值时,对相应的电梯进行异常预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210753995.3A CN114803763B (zh) | 2022-06-30 | 2022-06-30 | 基于神经网络的变速货梯异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210753995.3A CN114803763B (zh) | 2022-06-30 | 2022-06-30 | 基于神经网络的变速货梯异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114803763A CN114803763A (zh) | 2022-07-29 |
CN114803763B true CN114803763B (zh) | 2022-09-09 |
Family
ID=82522214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210753995.3A Active CN114803763B (zh) | 2022-06-30 | 2022-06-30 | 基于神经网络的变速货梯异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114803763B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115310880B (zh) * | 2022-10-11 | 2022-12-20 | 南京中车浦镇工业物流有限公司 | 一种用于库存盘亏情况的ar交互方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106348119A (zh) * | 2016-09-20 | 2017-01-25 | 广州特种机电设备检测研究院 | 一种基于物联网的隔离型电梯运行安全监测系统和方法 |
CN108584592A (zh) * | 2018-05-11 | 2018-09-28 | 浙江工业大学 | 一种基于时间序列预测模型的电梯轿厢振动异常预警方法 |
CN109230952A (zh) * | 2018-09-30 | 2019-01-18 | 哈尔滨工业大学(深圳) | 电梯曳引钢带张力及性能退化监测方法及系统 |
CN111847169A (zh) * | 2020-07-31 | 2020-10-30 | 河池学院 | 基于算法模型的电梯曳引钢丝绳状态监测预警系统及方法 |
CN112010132A (zh) * | 2020-07-30 | 2020-12-01 | 猫岐智能科技(上海)有限公司 | 一种通过光幕识别电动车的方法 |
CN113998555A (zh) * | 2021-09-18 | 2022-02-01 | 特斯联科技集团有限公司 | 一种无感电梯按钮与移动电话互动的方法和系统 |
-
2022
- 2022-06-30 CN CN202210753995.3A patent/CN114803763B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106348119A (zh) * | 2016-09-20 | 2017-01-25 | 广州特种机电设备检测研究院 | 一种基于物联网的隔离型电梯运行安全监测系统和方法 |
CN108584592A (zh) * | 2018-05-11 | 2018-09-28 | 浙江工业大学 | 一种基于时间序列预测模型的电梯轿厢振动异常预警方法 |
CN109230952A (zh) * | 2018-09-30 | 2019-01-18 | 哈尔滨工业大学(深圳) | 电梯曳引钢带张力及性能退化监测方法及系统 |
CN112010132A (zh) * | 2020-07-30 | 2020-12-01 | 猫岐智能科技(上海)有限公司 | 一种通过光幕识别电动车的方法 |
CN111847169A (zh) * | 2020-07-31 | 2020-10-30 | 河池学院 | 基于算法模型的电梯曳引钢丝绳状态监测预警系统及方法 |
CN113998555A (zh) * | 2021-09-18 | 2022-02-01 | 特斯联科技集团有限公司 | 一种无感电梯按钮与移动电话互动的方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114803763A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263846B (zh) | 基于故障数据深度挖掘及学习的故障诊断方法 | |
CN111353482A (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
CN114803763B (zh) | 基于神经网络的变速货梯异常检测方法 | |
CN108762228A (zh) | 一种基于分布式pca的多工况故障监测方法 | |
CN116383450A (zh) | 一种铁路公路物流运输信息综合管理系统 | |
CN112286991B (zh) | 一种基于多源海上目标数据的智能挖掘模型建立方法 | |
CN113567159B (zh) | 一种基于边云协同的刮板输送机状态监测及故障诊断方法 | |
CN114298175A (zh) | 基于边缘计算的电力设备状态监测与故障预警方法及系统 | |
CN115238752A (zh) | 一种基于人工智能的充电桩故障预测系统 | |
CN115876258A (zh) | 基于多源数据的畜禽养殖环境异常监测及报警系统 | |
CN113095443A (zh) | 基于lstm-dnn网络模型的实时天气预测算法 | |
CN111723617B (zh) | 动作识别的方法、装置、设备及存储介质 | |
CN110689140A (zh) | 一种通过大数据进行轨交报警数据智能管理的方法 | |
CN116610105A (zh) | 一种基于数据融合的轧机机械运行故障监测方法及系统 | |
Zhou et al. | Online abnormal interval detection and classification of industrial time series data based on multi-scale deep learning | |
KR20190041836A (ko) | 설비 상태 평가 장치 및 방법 | |
CN111652393A (zh) | 基于大数据技术的电力设备异常预警方法 | |
CN116779156A (zh) | 术后指标异常预测系统构建方法、术后风险预测设备 | |
CN115901004A (zh) | 一种热镀锌生产线锌锅感应加热器健康监测系统及方法 | |
CN110705780A (zh) | 一种基于智能算法的it性能指标预测方法 | |
CN113435794A (zh) | 一种基于图像处理的喷嘴铸件后处理智能监测方法 | |
CN116756619B (zh) | 一种基于大数据的设备智能诊断方法及系统 | |
CN111338892B (zh) | 一种针对极端运行条件下的时间序列上升异常识别方法 | |
CN117992810B (zh) | 一种道路桥梁强度检测装置 | |
CN116049640B (zh) | 一种用于液液非均相反应热行为判别的概率映射识别方法 |
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 |