CN115859145A - 一种基于电梯物联网的故障预测的方法及系统 - Google Patents
一种基于电梯物联网的故障预测的方法及系统 Download PDFInfo
- Publication number
- CN115859145A CN115859145A CN202211445379.8A CN202211445379A CN115859145A CN 115859145 A CN115859145 A CN 115859145A CN 202211445379 A CN202211445379 A CN 202211445379A CN 115859145 A CN115859145 A CN 115859145A
- Authority
- CN
- China
- Prior art keywords
- fault
- elevator
- target
- prediction
- factor
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004458 analytical method Methods 0.000 claims abstract description 44
- 238000012544 monitoring process Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims description 39
- 238000013145 classification model Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 15
- 230000001960 triggered effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000007636 ensemble learning method Methods 0.000 claims description 3
- 238000010224 classification analysis Methods 0.000 claims description 2
- 238000004883 computer application Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000010687 lubricating oil Substances 0.000 description 2
- 238000005461 lubrication Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Landscapes
- Maintenance And Inspection Apparatuses For Elevators (AREA)
Abstract
本发明公开了一种基于电梯物联网的故障预测的方法及系统，涉及计算机应用技术领域，所述方法包括：通过采集并提取历史运行记录中的历史故障记录，其中包括多组故障数据；分类分析得到电梯故障数据库，并组建故障因素指标集，其中包括多个因素指标；组建多种电梯故障，提取目标电梯故障并得到目标分析结果，其中包括多组最大公约因素指标；实时监测得到多组指标参数；组建单项预测模型集，并融合得到故障预测模型；将多组指标参数输入故障预测模型，得到故障预测结果。解决了现有技术中对电梯故障预测不全面、精度不高，影响电梯使用安全性的问题。达到了提高电梯故障预测全面性、有效性和准确性，进而将电梯风险控制在最低范围的效果。
Description
技术领域
本发明涉及计算机应用技术领域，尤其涉及一种基于电梯物联网的故障预测的方法及系统。
背景技术
随着经济的快速发展，电梯作为高楼和智能化建设内部的交通运行工具被广泛的应用，成为生活出行不可或缺的部分。进一步，随着电梯的频繁使用，实际工作生活中电梯事故也时有发生，同时由于电梯自身结构系统和运行环境的复杂性、不确定性，且电梯不同部件间的紧密联系，导致了电梯故障的复杂性。在实际使用过程中，定期对电梯进行检修维护，同时通过监测电梯运行情况对电梯质量进行评估，进而提前预测电梯故障，并当预测到故障后根据电梯故障预测情况及时进行针对性检修，从而保证电梯正常运行。现有技术中通过传统单一的故障预测技术难以建立精确的故障预测模型，使得电梯故障预测精度较低，进而无法及时对电梯进行针对性检修，影响电梯安全性和可靠性的技术问题。因此，利用计算机技术对电梯进行实时运行监测，并对监测数据进行分析和智能化处理，全面、及时的进行电梯故障预警，将电梯风险控制在最低范围，具有重要意义。
然而，现有技术中通过单一的故障预测技术无法实现对电梯故障的全面、高效预测，进而无法对电梯突发故障进行及时处理，影响电梯使用安全性的技术问题。
发明内容
本发明的目的是提供一种基于电梯物联网的故障预测的方法及系统，用以解决现有技术中通过单一的故障预测技术无法实现对电梯故障的全面、高效预测，进而无法对电梯突发故障进行及时处理，影响电梯使用安全性的技术问题。
鉴于上述问题，本发明提供了一种基于电梯物联网的故障预测的方法及系统。
第一方面，本发明提供了一种基于电梯物联网的故障预测的方法，所述方法通过一种基于电梯物联网的故障预测的系统实现，其中，所述方法包括：通过采集目标电梯的历史运行记录，并提取所述历史运行记录中的历史故障记录，其中，所述历史故障记录包括多组故障数据；对所述多组故障数据进行分类分析得到电梯故障数据库，并根据所述电梯故障数据库组建故障因素指标集，其中，所述故障因素指标集包括多个因素指标；组建电梯故障集，其中，所述电梯故障集包括多种电梯故障，并提取所述多种电梯故障中的目标电梯故障；基于所述目标电梯故障对所述多个因素指标进行分析，得到目标分析结果，其中，所述目标分析结果包括多组最大公约因素指标；对所述目标电梯的所述多组最大公约因素指标进行实时监测，得到实时监测结果，其中，所述实时监测结果包括多组指标参数；基于算法原理组建单项预测模型集，并利用集成学习方法原理对所述单项预测模型集进行融合分析，得到故障预测模型；将所述多组指标参数输入所述故障预测模型，得到故障预测结果，其中，所述故障预测结果是指对所述目标电梯进行故障预测的结果。
第二方面，本发明还提供了一种基于电梯物联网的故障预测的系统，用于执行如第一方面所述的一种基于电梯物联网的故障预测的方法，其中，所述系统包括：采集模块，所述采集模块用于采集目标电梯的历史运行记录，并提取所述历史运行记录中的历史故障记录，其中，所述历史故障记录包括多组故障数据；组建模块，所述组建模块用于对所述多组故障数据进行分类分析得到电梯故障数据库，并根据所述电梯故障数据库组建故障因素指标集，其中，所述故障因素指标集包括多个因素指标；获得模块，所述获得模块用于组建电梯故障集，其中，所述电梯故障集包括多种电梯故障，并提取所述多种电梯故障中的目标电梯故障；分析模块，所述分析模块用于基于所述目标电梯故障对所述多个因素指标进行分析，得到目标分析结果，其中，所述目标分析结果包括多组最大公约因素指标；监测模块，所述监测模块用于对所述目标电梯的所述多组最大公约因素指标进行实时监测，得到实时监测结果，其中，所述实时监测结果包括多组指标参数；构建模块，所述构建模块用于基于算法原理组建单项预测模型集，并利用集成学习方法原理对所述单项预测模型集进行融合分析，得到故障预测模型；得到模块，所述得到模块用于将所述多组指标参数输入所述故障预测模型，得到故障预测结果，其中，所述故障预测结果是指对所述目标电梯进行故障预测的结果。
本发明中提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过采集目标电梯的历史运行记录，并提取所述历史运行记录中的历史故障记录，其中，所述历史故障记录包括多组故障数据；对所述多组故障数据进行分类分析得到电梯故障数据库，并根据所述电梯故障数据库组建故障因素指标集，其中，所述故障因素指标集包括多个因素指标；组建电梯故障集，其中，所述电梯故障集包括多种电梯故障，并提取所述多种电梯故障中的目标电梯故障；基于所述目标电梯故障对所述多个因素指标进行分析，得到目标分析结果，其中，所述目标分析结果包括多组最大公约因素指标；对所述目标电梯的所述多组最大公约因素指标进行实时监测，得到实时监测结果，其中，所述实时监测结果包括多组指标参数；基于算法原理组建单项预测模型集，并利用集成学习方法原理对所述单项预测模型集进行融合分析，得到故障预测模型；将所述多组指标参数输入所述故障预测模型，得到故障预测结果，其中，所述故障预测结果是指对所述目标电梯进行故障预测的结果。通过集成学习得到的故障预测模型，达到了提高电梯故障预测全面性、有效性和准确性，进而将电梯风险控制在最低范围的技术效果。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图获得其他的附图。
图1为本发明一种基于电梯物联网的故障预测的方法的流程示意图；
图2为本发明一种基于电梯物联网的故障预测的方法中得到所述故障因素指标集的流程示意图；
图3为本发明一种基于电梯物联网的故障预测的方法中将所述第一组最大公约因素指标添加至所述多组最大公约因素指标的流程示意图；
图4为本发明一种基于电梯物联网的故障预测的方法中将所述目标元预测结果作为所述目标集成预测模型的故障预测结果的流程示意图；
图5为本发明一种基于电梯物联网的故障预测的系统的结构示意图。
附图标记说明：
采集模块M100，组建模块M200，获得模块M300，分析模块M400，监测模块M500，构建模块M600，得到模块M700。
具体实施方式
本发明通过提供一种基于电梯物联网的故障预测的方法及系统，解决了现有技术中通过单一的故障预测技术无法实现对电梯故障的全面、高效预测，进而无法对电梯突发故障进行及时处理，影响电梯使用安全性的技术问题。通过集成学习得到的故障预测模型，达到了提高电梯故障预测全面性、有效性和准确性，进而将电梯风险控制在最低范围的技术效果。
本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
下面，将参考附图对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部。
实施例一
请参阅附图1，本发明提供了一种基于电梯物联网的故障预测的方法，其中，所述方法应用于一种基于电梯物联网的故障预测的系统，所述方法具体包括如下步骤：
步骤S100：采集目标电梯的历史运行记录，并提取所述历史运行记录中的历史故障记录，其中，所述历史故障记录包括多组故障数据；
具体而言，所述一种基于电梯物联网的故障预测的方法应用于一种基于电梯物联网的故障预测的系统，可以通过对目标电梯的历史运行记录进行深度数据挖掘和分析，进而对所述目标电梯进行全面有效的故障预测。其中，所述目标电梯是指任意一个通过所述一种基于电梯物联网的故障预测的系统进行电梯运行数据智能处理分析和故障智能预测的电梯，示范性的如某商场中A1号客梯、B3号货梯。对所述目标电梯的历史运行记录进行采集，其中，所述历史运行记录包括所述目标电梯自投入应用之后的所有数据信息，示范性的如电梯运行方向、运行时间、载荷质量、检修运维时间、修理项目、电梯故障时间、故障项目、故障造成的后果等所有电梯使用数据信息。进一步的，从所述历史运行记录中提取所述目标电梯发生故障事件前后的相关数据，形成所述历史故障记录。其中，所述历史故障记录中包括目标电梯自投入实际使用过程中发生的每次故障事件的所有相关数据信息，即包括多组故障数据。所述多组故障数据中的每组故障数据均对应一次故障事件。示范性的如目标电梯于2015年2月14日发生蹲底故障，其间载荷130kg，电梯周围温度为零下15℃，蹲底速度为12米/秒，电梯桥厢振动值为16等。
通过采集目标电梯的历史运行记录，得到目标电梯的实际运行数据信息，并从中提取目标电梯发生故障时的相关数据，实现了为对目标电梯进行针对性故障预测分析提供可靠、有效的数据基础的技术目标。
步骤S200：对所述多组故障数据进行分类分析得到电梯故障数据库，并根据所述电梯故障数据库组建故障因素指标集，其中，所述故障因素指标集包括多个因素指标；
进一步的，如附图2所示，本发明步骤S200还包括：
步骤S210：利用AdaBoost算法训练得到故障分类模型；
进一步的，本发明还包括如下步骤：
步骤S211：基于大数据获得第一训练数据，其中，所述第一训练数据包括多个故障情形；
步骤S212：基于所述多个故障情形，训练得到第一分类器的第一分类结果；
步骤S213：对所述多个故障情形依次进行人工分析，分别得到多个故障类型；
步骤S214：将所述多个故障类型对应标记至所述多个故障情形，得到故障标记结果；
步骤S215：将所述第一分类结果与所述故障标记结果进行对比，生成第一对比结果；
步骤S216：基于所述第一对比结果进行所述第一训练数据的调整，得到第二训练数据；
步骤S217：基于所述第二训练数据，训练得到第二分类器，继续迭代至得到第N分类器；
步骤S218：基于所述第一分类器、所述第二分类器直至所述第N分类器，叠加得到所述故障分类模型。
步骤S220：将所述多组故障数据作为所述故障分类模型的输入信息，得到输出结果，其中，所述输出结果包括机械类故障组、电气类故障组；
步骤S230：提取所述机械类故障组中的机械类故障数据，并对所述机械类故障数据进行分析，得到机械类故障因素指标集；
步骤S240：提取所述电气类故障组中的电气类故障数据，并对所述电气类故障数据进行分析，得到电气类故障因素指标集；
步骤S250：将所述机械类故障因素指标集、所述电气类故障因素指标集合并，得到所述故障因素指标集。
具体而言，在从目标电梯的历史运行记录中提取得到所述多组故障数据之后，根据每次故障事件的故障类型，对所述多组故障数据依次进行分析，并根据分析结构构建所述目标电梯的电梯故障数据库。
首先，利用AdaBoost算法训练得到故障分类模型，其中，所述故障分类模型用于基于每次电梯故障事件的相关数据智能化确定对应故障事件中的电梯故障类型。具体来说，首先基于大数据获得第一训练数据，其中，所述第一训练数据包括多个故障情形，示范性的如电梯多个零部件位置发生偏移，零部件形变甚至受损故障情形，再如电梯中电路周围元器件接触不良的故障情形等。然后，将所述多个故障情形作为训练样本，训练得到第一分类器的第一分类结果。此外，通过对所述多个故障情形依次进行人工分析，分别得到所述多个故障情形的实际故障类型，即所述多个故障类型，并将所述多个故障类型对应标记至所述多个故障情形，得到故障标记结果。示范性的如人工分析确认电梯多个零部件位置发生偏移，零部件形变甚至受损故障情形属于电梯机械类故障，电梯中电路周围元器件接触不良的故障情形属于电梯电气类故障。接着，将所述第一分类结果与所述故障标记结果进行对比，并生成第一分类器与实际人工分类结果之间的第一对比结果，并基于所述第一对比结果进行所述第一训练数据的调整，得到第二训练数据。进一步的，基于所述第二训练数据，训练得到第二分类器的第二分类结果，对比第二分类结果与故障标记结果，从而得到对应的第二对比结果，并根据第二对比结果对第二训练数据进行调整，调整后的训练数据记作第三训练数据，再次迭代训练，直至最终得到第N分类器。最终，基于所述第一分类器、所述第二分类器直至所述第N分类器，叠加得到所述故障分类模型。
进一步的，将所述多组故障数据作为所述故障分类模型的输入信息，进行智能分析得到所述故障分类模型的输出结果。其中，所述输出结果包括机械类故障组、电气类故障组。然后，提取所述机械类故障组中的机械类故障数据，并对所述机械类故障数据进行分析，得到造成所述目标电梯发生各个机械类故障的因素与指标，即组成机械类故障因素指标集。示范性的如电梯零部件间的润滑油不足，导致零部件偏移形变，则润滑油存量即为电梯机械类故障的一个表征指标。接着，提取所述电气类故障组中的电气类故障数据，并对所述电气类故障数据进行分析，得到造成所述目标电梯发生各个电气类故障的因素与指标，即组成电气类故障因素指标集。示范性的如某次电梯故障时电路周围元器件接触不良引起电梯故障，期间电梯振动数据异常，则将电梯振动作为引起电梯电气类故障的一个因素指标。最后，将所述机械类故障因素指标集、所述电气类故障因素指标集合并，即得到所述故障因素指标集。
通过对目标电梯的历史各次故障数据进行分析，实现对电梯故障的分类，并依次确定不同类型电梯故障时的异常指标和项目，为后续建立电梯故障和电梯表征参数间的映射关系提供基础。
步骤S300：组建电梯故障集，其中，所述电梯故障集包括多种电梯故障，并提取所述多种电梯故障中的目标电梯故障；
步骤S400：基于所述目标电梯故障对所述多个因素指标进行分析，得到目标分析结果，其中，所述目标分析结果包括多组最大公约因素指标；
进一步的，如附图3所示，本发明步骤S400还包括：
步骤S410：提取所述多个因素指标中的第一因素指标；
步骤S420：判断，若所述第一因素指标满足第一预设要求，是否触发所述目标电梯故障；
进一步的，本发明还包括如下步骤：
步骤S421：若否，提取所述多个因素指标中的第二因素指标；
步骤S422：判断，若所述第一因素指标和所述第二因素指标满足第二预设要求，是否触发所述目标电梯故障；
步骤S423：若是，将所述第一因素指标和所述第二因素指标合并，得到所述目标电梯故障的第二组最大公约因素指标；
步骤S424：继续迭代判断至得到第M组最大公约因素指标；
步骤S425：将所述第二组最大公约因素指标至所述第M组最大公约因素指标，依次添加至所述多组最大公约因素指标。
步骤S430：若是，将所述第一因素指标作为所述目标电梯故障的第一组最大公约因素指标；
步骤S440：将所述第一组最大公约因素指标添加至所述多组最大公约因素指标。
具体而言，基于大数据采集所有电梯发生故障的情况，并组建所述电梯故障集。其中，所述电梯故障集中包括不同时代、不同品牌、不同使用地区的电梯发生故障的所有故障信息。然后，从所述电梯故障集中随意提取一个电梯故障进行针对性分析，即对目标电梯故障进行分析，从而得到各次电梯发生所述目标电梯故障时，电梯的各项因素指标信息。示范性的如对电梯蹲底故障的各次故障事件进行分析，得到每次电梯蹲底时的电梯指标数据，并确定造成对应蹲底故障的指标因素，每组会对电梯造成蹲底故障的因素指标即形成所述多组最大公约因素指标。具体来说，首先提取所述多个因素指标中的第一因素指标，其中，所述第一因素指标是指所述多个因素指标中的任意一个电梯应用指标，示范性的如电梯载荷、电梯运行温度等。接着，判断当所述第一因素指标满足第一预设要求时，所述目标电梯是否会触发所述目标电梯故障。当所述第一因素指标满足第一预设要求时所述目标电梯会触发所述目标电梯故障，则将所述第一因素指标作为所述目标电梯故障的第一组最大公约因素指标，并将所述第一组最大公约因素指标添加至所述多组最大公约因素指标。
然而，当所述第一因素指标满足第一预设要求时所述目标电梯并没有触发所述目标电梯故障，则再次从所述多个因素指标中提取得到第二因素指标，并判断当所述第一因素指标和所述第二因素指标满足第二预设要求时，所述目标电梯是否会触发所述目标电梯故障。其中，当所述第一因素指标和所述第二因素指标满足第二预设要求时，所述目标电梯会触发所述目标电梯故障时，说明目标电梯在所述第一因素指标和所述第二因素指标满足响应条件后，即会发生所述目标电梯故障，因此，将所述第一因素指标和所述第二因素指标合并，即得到所述目标电梯故障的第二组最大公约因素指标。继续迭代判断至得到第M组最大公约因素指标，并将所述第二组最大公约因素指标至所述第M组最大公约因素指标，依次添加至所述多组最大公约因素指标。示范性的如电梯各零部件的润滑不足导致电梯蹲底故障Y1、电梯严重发热也曾导致电梯蹲底故障Y2、电梯未按时保养且当时载荷过大造成电梯蹲底故障Y3，那么，对电梯蹲底故障Y1分析后，即得到零部件润滑指标为故障的一组最大公约因素指标，对电梯蹲底故障Y2分析后，即得到电梯发热指标为故障的一组最大公约因素指标，对电梯蹲底故障Y3分析后，即得到电梯保养频率和载荷指标为故障的一组最大公约因素指标。
通过对目标电梯的各个故障依次进行分析，从而确定不同电梯故障时的多种异常情形，即得到各个电梯故障的多组最大公约因素指标，实现了为后续训练构建电梯故障预测模型提供全面、准确的预测基础的技术目标，达到了提高电梯故障预测精度的技术效果。
步骤S500：对所述目标电梯的所述多组最大公约因素指标进行实时监测，得到实时监测结果，其中，所述实时监测结果包括多组指标参数；
步骤S600：基于算法原理组建单项预测模型集，并利用集成学习方法原理对所述单项预测模型集进行融合分析，得到故障预测模型；
进一步的，本发明步骤S600还包括：
步骤S610：提取所述单项预测模型集中的多个单项预测模型；
步骤S620：基于集成学习方法原理对所述多个单项预测模型进行模型搭建，得到多个集成预测模型；
步骤S630：将所述多组指标参数依次输入所述多个集成预测模型，得到多个故障预测结果；
进一步的，如附图4所示，本发明步骤S630还包括：
步骤S631：提取所述多个集成预测模型中的目标集成预测模型；
步骤S632：获得所述目标集成预测模型的目标初级学习器、目标元学习器；
步骤S633：将所述多组指标参数输入所述目标初级学习器，得到目标初级预测结果；
步骤S634：将所述目标初级预测结果输入所述目标元学习器，得到目标元预测结果，并将所述目标元预测结果作为所述目标集成预测模型的故障预测结果。
步骤S640：其中，所述多个故障预测结果与所述多个集成预测模型具备对应关系；
步骤S650：筛选所述多个故障预测结果中的最佳故障预测结果，并反向匹配得到所述最佳故障预测结果的集成预测模型，作为所述故障预测模型。
步骤S700：将所述多组指标参数输入所述故障预测模型，得到故障预测结果，其中，所述故障预测结果是指对所述目标电梯进行故障预测的结果。
具体而言，对所述目标电梯的所述多组最大公约因素指标进行实时监测，得到多组指标监测结果，并组成所述实时监测结果。通过基于算法原理依次构建多个对目标电梯的故障进行预测的单项预测模型，示范性的如支持向量机、循环神经网络、梯度提升决策树等预测模型，然后利用集成学习方法原理对所述单项预测模型集进行融合分析，最终确定所述故障预测模型。
在利用集成学习方法原理对所述单项预测模型集进行融合分析时，分别将所述单项预测模型集中每个单项预测模型作为集成融合模型的元学习器，并将剩余的其他单项预测模型作为集成融合模型的初级学习器，从而得到多个不同融合情况的集成融合模型。接着，将所述多组指标参数依次输入所述多个集成预测模型，得到多个故障预测结果，其中，所述多个故障预测结果与所述多个集成预测模型具备对应关系，进一步筛选所述多个故障预测结果中的最佳故障预测结果，并反向匹配得到所述最佳故障预测结果的集成预测模型，作为所述故障预测模型。其中，在将所述多组指标参数依次输入所述多个集成预测模型并得到多个故障预测结果时，随机从所述多个集成预测模型中的提取一个集成预测模型，并将其作为所述目标集成预测模型。然后依次得到所述目标集成预测模型的目标初级学习器、目标元学习器。接着，将所述多组指标参数输入所述目标初级学习器，得到目标初级预测结果，并将所述目标初级预测结果作为所述目标元学习器的输入信息，并输入所述目标元学习器得到目标元预测结果，最后将所述目标元预测结果作为所述目标集成预测模型的故障预测结果。
通过集成学习得到的故障预测模型，实现了集各单项预测模型之长于一体，通过将各单项预测模型的优良性能相结合，降低预测结果随机性的故障预测目标，达到了提高电梯故障预测全面性、有效性和准确性的技术效果。
综上所述，本发明所提供的一种基于电梯物联网的故障预测的方法具有如下技术效果：
通过采集目标电梯的历史运行记录，并提取所述历史运行记录中的历史故障记录，其中，所述历史故障记录包括多组故障数据；对所述多组故障数据进行分类分析得到电梯故障数据库，并根据所述电梯故障数据库组建故障因素指标集，其中，所述故障因素指标集包括多个因素指标；组建电梯故障集，其中，所述电梯故障集包括多种电梯故障，并提取所述多种电梯故障中的目标电梯故障；基于所述目标电梯故障对所述多个因素指标进行分析，得到目标分析结果，其中，所述目标分析结果包括多组最大公约因素指标；对所述目标电梯的所述多组最大公约因素指标进行实时监测，得到实时监测结果，其中，所述实时监测结果包括多组指标参数；基于算法原理组建单项预测模型集，并利用集成学习方法原理对所述单项预测模型集进行融合分析，得到故障预测模型；将所述多组指标参数输入所述故障预测模型，得到故障预测结果，其中，所述故障预测结果是指对所述目标电梯进行故障预测的结果。通过集成学习得到的故障预测模型，达到了提高电梯故障预测全面性、有效性和准确性，进而将电梯风险控制在最低范围的技术效果。
实施例二
基于与前述实施例中一种基于电梯物联网的故障预测的方法，同样发明构思，本发明还提供了一种基于电梯物联网的故障预测的系统，请参阅附图5，所述系统包括：
采集模块M100，所述采集模块M100用于采集目标电梯的历史运行记录，并提取所述历史运行记录中的历史故障记录，其中，所述历史故障记录包括多组故障数据；
组建模块M200，所述组建模块M200用于对所述多组故障数据进行分类分析得到电梯故障数据库，并根据所述电梯故障数据库组建故障因素指标集，其中，所述故障因素指标集包括多个因素指标；
获得模块M300，所述获得模块M300用于组建电梯故障集，其中，所述电梯故障集包括多种电梯故障，并提取所述多种电梯故障中的目标电梯故障；
分析模块M400，所述分析模块M400用于基于所述目标电梯故障对所述多个因素指标进行分析，得到目标分析结果，其中，所述目标分析结果包括多组最大公约因素指标；
监测模块M500，所述监测模块M500用于对所述目标电梯的所述多组最大公约因素指标进行实时监测，得到实时监测结果，其中，所述实时监测结果包括多组指标参数；
构建模块M600，所述构建模块M600用于基于算法原理组建单项预测模型集，并利用集成学习方法原理对所述单项预测模型集进行融合分析，得到故障预测模型；
得到模块M700，所述得到模块M700用于将所述多组指标参数输入所述故障预测模型，得到故障预测结果，其中，所述故障预测结果是指对所述目标电梯进行故障预测的结果。
进一步的，所述系统中的所述组建模块M200还用于：
利用AdaBoost算法训练得到故障分类模型；
将所述多组故障数据作为所述故障分类模型的输入信息，得到输出结果，其中，所述输出结果包括机械类故障组、电气类故障组；
提取所述机械类故障组中的机械类故障数据，并对所述机械类故障数据进行分析，得到机械类故障因素指标集；
提取所述电气类故障组中的电气类故障数据，并对所述电气类故障数据进行分析，得到电气类故障因素指标集；
将所述机械类故障因素指标集、所述电气类故障因素指标集合并，得到所述故障因素指标集。
进一步的，所述系统中的所述组建模块M200还用于：
基于大数据获得第一训练数据，其中，所述第一训练数据包括多个故障情形；
基于所述多个故障情形，训练得到第一分类器的第一分类结果；
对所述多个故障情形依次进行人工分析，分别得到多个故障类型；
将所述多个故障类型对应标记至所述多个故障情形，得到故障标记结果；
将所述第一分类结果与所述故障标记结果进行对比，生成第一对比结果；
基于所述第一对比结果进行所述第一训练数据的调整，得到第二训练数据；
基于所述第二训练数据，训练得到第二分类器，继续迭代至得到第N分类器；
基于所述第一分类器、所述第二分类器直至所述第N分类器，叠加得到所述故障分类模型。
进一步的，所述系统中的所述分析模块M400还用于：
提取所述多个因素指标中的第一因素指标；
判断，若所述第一因素指标满足第一预设要求，是否触发所述目标电梯故障；
若是，将所述第一因素指标作为所述目标电梯故障的第一组最大公约因素指标；
将所述第一组最大公约因素指标添加至所述多组最大公约因素指标。
进一步的，所述系统中的所述分析模块M400还用于：
若否，提取所述多个因素指标中的第二因素指标；
判断，若所述第一因素指标和所述第二因素指标满足第二预设要求，是否触发所述目标电梯故障；
若是，将所述第一因素指标和所述第二因素指标合并，得到所述目标电梯故障的第二组最大公约因素指标；
继续迭代判断至得到第M组最大公约因素指标；
将所述第二组最大公约因素指标至所述第M组最大公约因素指标，依次添加至所述多组最大公约因素指标。
进一步的，所述系统中的所述构建模块M600还用于：
提取所述单项预测模型集中的多个单项预测模型；
基于集成学习方法原理对所述多个单项预测模型进行模型搭建，得到多个集成预测模型；
将所述多组指标参数依次输入所述多个集成预测模型，得到多个故障预测结果；
其中，所述多个故障预测结果与所述多个集成预测模型具备对应关系；
筛选所述多个故障预测结果中的最佳故障预测结果，并反向匹配得到所述最佳故障预测结果的集成预测模型，作为所述故障预测模型。
进一步的，所述系统中的所述构建模块M600还用于：
提取所述多个集成预测模型中的目标集成预测模型；
获得所述目标集成预测模型的目标初级学习器、目标元学习器；
将所述多组指标参数输入所述目标初级学习器，得到目标初级预测结果；
将所述目标初级预测结果输入所述目标元学习器，得到目标元预测结果，并将所述目标元预测结果作为所述目标集成预测模型的故障预测结果。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，前述图1实施例一中的一种基于电梯物联网的故障预测的方法和具体实例同样适用于本实施例的一种基于电梯物联网的故障预测的系统，通过前述对一种基于电梯物联网的故障预测的方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于电梯物联网的故障预测的系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于电梯物联网的故障预测的方法，其特征在于，包括：
采集目标电梯的历史运行记录，并提取所述历史运行记录中的历史故障记录，其中，所述历史故障记录包括多组故障数据；
对所述多组故障数据进行分类分析得到电梯故障数据库，并根据所述电梯故障数据库组建故障因素指标集，其中，所述故障因素指标集包括多个因素指标；
组建电梯故障集，其中，所述电梯故障集包括多种电梯故障，并提取所述多种电梯故障中的目标电梯故障；
基于所述目标电梯故障对所述多个因素指标进行分析，得到目标分析结果，其中，所述目标分析结果包括多组最大公约因素指标；
对所述目标电梯的所述多组最大公约因素指标进行实时监测，得到实时监测结果，其中，所述实时监测结果包括多组指标参数；
基于算法原理组建单项预测模型集，并利用集成学习方法原理对所述单项预测模型集进行融合分析，得到故障预测模型；
将所述多组指标参数输入所述故障预测模型，得到故障预测结果，其中，所述故障预测结果是指对所述目标电梯进行故障预测的结果。
2.根据权利要求1所述的方法，其特征在于，所述对所述多组故障数据进行分类分析得到电梯故障数据库，并根据所述电梯故障数据库组建故障因素指标集，包括：
利用AdaBoost算法训练得到故障分类模型；
将所述多组故障数据作为所述故障分类模型的输入信息，得到输出结果，其中，所述输出结果包括机械类故障组、电气类故障组；
提取所述机械类故障组中的机械类故障数据，并对所述机械类故障数据进行分析，得到机械类故障因素指标集；
提取所述电气类故障组中的电气类故障数据，并对所述电气类故障数据进行分析，得到电气类故障因素指标集；
将所述机械类故障因素指标集、所述电气类故障因素指标集合并，得到所述故障因素指标集。
3.根据权利要求2所述的方法，其特征在于，所述利用AdaBoost算法训练得到故障分类模型，包括：
基于大数据获得第一训练数据，其中，所述第一训练数据包括多个故障情形；
基于所述多个故障情形，训练得到第一分类器的第一分类结果；
对所述多个故障情形依次进行人工分析，分别得到多个故障类型；
将所述多个故障类型对应标记至所述多个故障情形，得到故障标记结果；
将所述第一分类结果与所述故障标记结果进行对比，生成第一对比结果；
基于所述第一对比结果进行所述第一训练数据的调整，得到第二训练数据；
基于所述第二训练数据，训练得到第二分类器，继续迭代至得到第N分类器；
基于所述第一分类器、所述第二分类器直至所述第N分类器，叠加得到所述故障分类模型。
4.根据权利要求1所述的方法，其特征在于，所述基于所述目标电梯故障对所述多个因素指标进行分析，得到目标分析结果，其中，所述目标分析结果包括多组最大公约因素指标，包括：
提取所述多个因素指标中的第一因素指标；
判断，若所述第一因素指标满足第一预设要求，是否触发所述目标电梯故障；
若是，将所述第一因素指标作为所述目标电梯故障的第一组最大公约因素指标；
将所述第一组最大公约因素指标添加至所述多组最大公约因素指标。
5.根据权利要求4所述的方法，其特征在于，还包括：
若否，提取所述多个因素指标中的第二因素指标；
判断，若所述第一因素指标和所述第二因素指标满足第二预设要求，是否触发所述目标电梯故障；
若是，将所述第一因素指标和所述第二因素指标合并，得到所述目标电梯故障的第二组最大公约因素指标；
继续迭代判断至得到第M组最大公约因素指标；
将所述第二组最大公约因素指标至所述第M组最大公约因素指标，依次添加至所述多组最大公约因素指标。
6.根据权利要求1所述的方法，其特征在于，所述基于算法原理组建单项预测模型集，并利用集成学习方法原理对所述单项预测模型集进行融合分析，得到故障预测模型，包括：
提取所述单项预测模型集中的多个单项预测模型；
基于集成学习方法原理对所述多个单项预测模型进行模型搭建，得到多个集成预测模型；
将所述多组指标参数依次输入所述多个集成预测模型，得到多个故障预测结果；
其中，所述多个故障预测结果与所述多个集成预测模型具备对应关系；
筛选所述多个故障预测结果中的最佳故障预测结果，并反向匹配得到所述最佳故障预测结果的集成预测模型，作为所述故障预测模型。
7.根据权利要求6所述的方法，其特征在于，所述将所述多组指标参数依次输入所述多个集成预测模型，得到多个故障预测结果，包括：
提取所述多个集成预测模型中的目标集成预测模型；
获得所述目标集成预测模型的目标初级学习器、目标元学习器；
将所述多组指标参数输入所述目标初级学习器，得到目标初级预测结果；
将所述目标初级预测结果输入所述目标元学习器，得到目标元预测结果，并将所述目标元预测结果作为所述目标集成预测模型的故障预测结果。
8.一种基于电梯物联网的故障预测的系统，其特征在于，所述系统包括：
采集模块，所述采集模块用于采集目标电梯的历史运行记录，并提取所述历史运行记录中的历史故障记录，其中，所述历史故障记录包括多组故障数据；
组建模块，所述组建模块用于对所述多组故障数据进行分类分析得到电梯故障数据库，并根据所述电梯故障数据库组建故障因素指标集，其中，所述故障因素指标集包括多个因素指标；
获得模块，所述获得模块用于组建电梯故障集，其中，所述电梯故障集包括多种电梯故障，并提取所述多种电梯故障中的目标电梯故障；
分析模块，所述分析模块用于基于所述目标电梯故障对所述多个因素指标进行分析，得到目标分析结果，其中，所述目标分析结果包括多组最大公约因素指标；
监测模块，所述监测模块用于对所述目标电梯的所述多组最大公约因素指标进行实时监测，得到实时监测结果，其中，所述实时监测结果包括多组指标参数；
构建模块，所述构建模块用于基于算法原理组建单项预测模型集，并利用集成学习方法原理对所述单项预测模型集进行融合分析，得到故障预测模型；
得到模块，所述得到模块用于将所述多组指标参数输入所述故障预测模型，得到故障预测结果，其中，所述故障预测结果是指对所述目标电梯进行故障预测的结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211445379.8A CN115859145B (zh) | 2022-11-18 | 2022-11-18 | 一种基于电梯物联网的故障预测的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211445379.8A CN115859145B (zh) | 2022-11-18 | 2022-11-18 | 一种基于电梯物联网的故障预测的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115859145A true CN115859145A (zh) | 2023-03-28 |
| CN115859145B CN115859145B (zh) | 2024-02-20 |
Family
ID=85664071
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211445379.8A Active CN115859145B (zh) | 2022-11-18 | 2022-11-18 | 一种基于电梯物联网的故障预测的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115859145B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004127063A (ja) * | 2002-10-04 | 2004-04-22 | Ntt Docomo Inc | 能力算出システム、能力算出方法、能力算出プログラム、情報通信端末、及び記録媒体 |
| CN110703091A (zh) * | 2019-09-12 | 2020-01-17 | 哈尔滨工业大学（威海） | 电动汽车用内置式永磁同步电机静态偏心故障检测方法 |
| CN112446326A (zh) * | 2020-11-26 | 2021-03-05 | 中国核动力研究设计院 | 基于深度复卷积网络的屏蔽泵故障模式识别方法及系统 |
| CN114240262A (zh) * | 2022-02-24 | 2022-03-25 | 加华地学(武汉)数字技术有限公司 | 基于一套单指标数据实现多种围岩质量分级的方法及系统 |
| CN115276006A (zh) * | 2022-09-26 | 2022-11-01 | 江苏永鼎股份有限公司 | 一种用于电力集成系统的负荷预测的方法及系统 |
-
2022
- 2022-11-18 CN CN202211445379.8A patent/CN115859145B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004127063A (ja) * | 2002-10-04 | 2004-04-22 | Ntt Docomo Inc | 能力算出システム、能力算出方法、能力算出プログラム、情報通信端末、及び記録媒体 |
| CN110703091A (zh) * | 2019-09-12 | 2020-01-17 | 哈尔滨工业大学（威海） | 电动汽车用内置式永磁同步电机静态偏心故障检测方法 |
| CN112446326A (zh) * | 2020-11-26 | 2021-03-05 | 中国核动力研究设计院 | 基于深度复卷积网络的屏蔽泵故障模式识别方法及系统 |
| CN114240262A (zh) * | 2022-02-24 | 2022-03-25 | 加华地学(武汉)数字技术有限公司 | 基于一套单指标数据实现多种围岩质量分级的方法及系统 |
| CN115276006A (zh) * | 2022-09-26 | 2022-11-01 | 江苏永鼎股份有限公司 | 一种用于电力集成系统的负荷预测的方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 桂中华, 韩凤琴: "水轮发电机振动的在线监测与动态仿真", 华南理工大学学报(自然科学版), no. 10, 28 October 2003 (2003-10-28) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115859145B (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111650919B (zh) | 多维度监测的自动扶梯故障预测与健康管理方法及系统 | |
| CN111274737A (zh) | 一种机械设备剩余使用寿命预测方法及系统 | |
| CN111207938B (zh) | 一种铁道车辆故障检测方法 | |
| CN111259947A (zh) | 一种基于多模态学习的电力系统故障预警方法和系统 | |
| CN116187027A (zh) | 一种光伏发电故障智能预测预警方法及系统 | |
| CN109767597B (zh) | 一种车辆事故预警方法及系统 | |
| CN116975378B (zh) | 一种基于大数据的设备环境监测方法及系统 | |
| CN115650006B (zh) | 一种基于大数据的电梯安全监测预警方法及系统 | |
| CN110519382A (zh) | 一种汽车智能监控系统 | |
| CN116105802B (zh) | 一种基于物联网的地下设施安全监测预警方法 | |
| CN116934262B (zh) | 一种基于人工智能的施工安全监管系统及方法 | |
| CN111913443A (zh) | 基于相似性的工业设备故障预警方法 | |
| CN115524002B (zh) | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 | |
| CN113071966A (zh) | 电梯故障预测方法、装置、设备及存储介质 | |
| CN112668873A (zh) | 矿山安全态势分析及预测预警方法 | |
| CN116310940A (zh) | 一种机电设备运行状态的风险评估方法及系统 | |
| CN114757557A (zh) | 一种基于电力工作票现场作业风险评估预测方法及装置 | |
| CN115392089A (zh) | 一种智能预警方法 | |
| CN116961215A (zh) | 一种电力系统故障快速反应处理方法 | |
| CN114912678A (zh) | 电网调控异常操作在线自动检测预警方法及系统 | |
| CN113986893A (zh) | 一种基于发电车风险识别主动预警系统及方法 | |
| CN115859145A (zh) | 一种基于电梯物联网的故障预测的方法及系统 | |
| CN112836967A (zh) | 新能源汽车电池安全风险评估系统 | |
| CN112287586A (zh) | 基于中小桥损伤识别结果的快速可靠度评估方法 | |
| 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 |
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 |