CN116040427A - 电梯异常检测系统和方法 - Google Patents

Abstract

公开了电梯异常检测系统和方法。根据本发明的电梯异常检测系统用于精密地检测电梯的异常状况和故障发生的前兆状况以提供预见性维修保养服务，其包括测量与故障相关的电梯的物理参数的传感器部、收集通过传感器部测量的传感数据的数据收集部、对于传感数据判定是否超过预设定临界值，从而检测从正常模式脱离的异常模式的异常模式检测部、对于异常模式将相邻地发生的异常模式之间的发生时间差算出为间隔时间值的间隔算出部、以及以在预定周期内检测到的异常模式之间的间隔时间值为基础来决定异常模式的发生密集程度，并且基于发生密集程度来算出异常分数的异常分数计算器。

Description

电梯异常检测系统和方法

技术领域

本发明涉及电梯异常检测系统和方法，更详细地涉及利用在电梯的操作中从正常模式脱离的异常模式的发生密集程度来精密地检测电梯的异常状况和故障发生的前兆状况从而能够提供预见性维修保养服务的电梯异常检测系统和方法。

背景技术

通常，建筑成居住用、业务用或商业用等的多种类型的高层建筑物中设置有电梯以实现进出该建筑物的乘客的顺利的层间移动。

电梯配置成包括在内部搭乘有乘客的状态下沿着竖直地形成在建筑物内部的井道上下移动的电梯轿厢、发生用于使电梯轿厢升降的动力的电机部、由绕线机等构成的机械部、以及进行与电梯的运行相关的控制的控制部等。

另外，传统地，在大多数情况下，电梯的维修保养通过以预定周期计划的定期检查来实现，或者在发生错误代码(error code)的情况下派遣维修保养技师根据该错误代码确认手册来采取措施。

然而，在定期检查日程之前发生电梯故障等，发生意外的电梯故障的情况下，会发生在维修保养技师派遣到现场完成电梯的维修保养为止乘客无法利用电梯的巨大不便。

因此，最近，通过预先预测电梯故障可能性，从而在实际发生故障之前实施维修保养的预见性维修保养(Predictive maintenance)的重要性受到瞩目，并且作为与此相关的传统技术，已知有在电梯上设置传感器并检测(计数)超过临界值的事件的次数，从而预测电梯故障并且实施维修保养的技术。

已知的传统技术在通过设置在电梯上的传感器检测到的信号中根据脱离正常模式的异常模式的发生次数来估计电梯的操作上是否有异常，而根据这种传统技术，存在着发生电梯的对于故障预测的误判的顾虑。

具体地，即使是在正常操作中的电梯，可能因搭乘的乘客的行为或周边环境而发生非正常信号，而在传统技术中，甚至是还收集处于正常状态的电梯中也可能发生的非正常信号来实施电梯的状态诊断，因此经常会发生错误地预测电梯故障可能性并且错误派遣维修保养技师的事件。

为了在实施电梯的预见性维修保养时减少对于故障预测的误判并且最小化维修保养技师的错误派遣，需要能够准确地诊断电梯的状态并且精密地预测故障可能性的更加改善的技术。

发明内容

要解决的技术问题

本发明要实现的目的在于利用机器学习或深度学习技术来检测电梯的许多异常状况和故障发生的前兆状况并基于此来提供电梯的预见性维修保养服务。

更具体地，本发明将提供准确地诊断电梯的状态并且更精密地预测故障可能性，从而能够在实施电梯的预见性维修保养时减少对于故障预测的误判并且最小化维修保养技师的错误派遣的电梯异常检测系统和方法。

本发明的技术问题并不限制于上面提及的技术问题，并且所属技术领域的普通技术人员可通过下面的记载明确地理解未提及的其它技术问题。

解决问题的手段

根据用于实现上述目的的本发明的一方面，可提供电梯异常检测系统，其包括测量与故障相关的电梯的物理参数的传感器部、收集通过所述传感器部测量的传感数据的数据收集部、通过判定是否超过对所述传感数据预设定的临界值来检测从正常模式脱离的异常模式的异常模式检测部、将对所述异常模式相邻地发生的异常模式之间的发生时间差算出为间隔时间值的间隔算出部、以及以在预定周期内检测到的所述异常模式之间的间隔时间值为基础来决定所述异常模式的发生密集程度并且基于所述发生密集程度来算出异常分数的异常分数计算器。

所述异常模式检测部可按照从所述临界值脱离的程度而将所述异常模式分类为一个以上的级别并且按照级别水平来赋予异常检测分类值，并且随着所述异常检测分类值越高，所述异常分数计算器可在所述异常分数算出时用权重值进行校正。

所述间隔算出部可按照以所述异常检测分类值分类的各个类别来算出所述异常模式之间的间隔时间值。

根据本发明的一方面的电梯异常检测系统还可包括聚类部，所述聚类部将所述异常检测分类值作为Y轴并且将所述间隔时间值作为X轴来进行二维绘图以示出为图表，并且对所述图表执行基于密度的聚类(DBSCAN)，从而根据密切程度来对按照所述异常检测分类值算出的所述间隔时间值进行集群，所述异常分数计算器将对于集群的异常模式的间隔时间值的群集从正常状态的群集中心远离的距离可利用为异常分数算出的权重值系数。

所述异常模式检测部还可生成关于在所述预定周期内检测到的所述异常模式的发生次数的信息，并且随着所述发生次数越多，所述异常分数计算器可在所述异常分数算出时用权重值进行校正。

根据本发明的一方面的电梯异常检测系统还可包括学习部，所述学习部执行对于所述异常检测分类值、所述间隔时间值、所述间隔时间值的基于密度的聚类，并且将关于估计的异常模式的发生密集程度和所述发生次数的信息利用为反馈数据来执行机器学习或深度学习，从而从实时收集到的所述电梯的运行数据自动算出异常分数并且建立预测所述电梯故障概率的模型。

另外，根据用于实现上述目的的本发明的另一方面，可提供电梯异常检测系统，所述电梯异常检测系统从与故障关联地收集到的电梯的运行数据检测超过预设定临界值的异常模式，并且对于在预定周期内检测到的异常模式基于相邻地发生的异常模式之间的发生时间间隔来算出异常分数，从而估计所述电梯故障概率。

另外，根据用于实现上述目的的本发明的又一方面，可提供电梯异常检测方法，所述电梯异常检测方法包括：收集与故障相关的电梯的运行数据的运行数据收集步骤；对于在所述运行数据收集步骤中收集到的所述电梯的运行数据，判定是否超过预设定临界值，从而检测从正常模式脱离的异常模式的异常模式检测步骤；对于在所述异常模式检测步骤中检测到的异常模式，将相邻地发生的异常模式之间的发生时间差算出为间隔时间值的间隔算出步骤；执行基于密度的聚类(DBSCAN)并且根据密切程度来对在所述间隔算出步骤中算出的所述间隔时间值进行集群的聚类步骤；以及执行对于所述间隔时间值的基于密度的聚类并且基于估计的异常模式的发生密集程度来算出所述电梯的异常分数的异常分数算出步骤。

在所述异常模式检测步骤中，可按照从所述临界值脱离的程度而将所述异常模式分类为一个以上的级别并且按照级别水平来赋予异常检测分类值，并且在所述异常分数算出步骤中，可随着所述异常检测分类值越高，在所述异常分数算出时用权重值进行校正。

在所述间隔算出步骤中，可按照以所述异常检测分类值分类的各个类别来算出所述异常模式之间的间隔时间值。

在所述异常模式检测步骤中，还可生成关于在所述预定周期内检测到的所述异常模式的发生次数的信息，并且在所述异常分数算出步骤中，可随着所述发生次数越多，在所述异常分数算出时用权重值进行校正。

根据本发明的又一方面的电梯异常检测方法还可包括：执行对于所述异常检测分类值、所述间隔时间值、所述间隔时间值的基于密度的聚类，并且将关于估计的异常模式的发生密集程度和所述发生次数的信息利用为反馈数据来执行机器学习或深度学习，从而从实时收集到的所述电梯的运行数据自动算出异常分数并且建立预测所述电梯故障概率的模型的学习步骤。

在所述异常分数算出步骤中，可执行对于所述异常检测分类值、所述间隔时间值的基于密度的聚类，接收关于估计的异常模式的发生密集程度和所述发生次数的信息，并且根据所述模型的估计结果来算出所述异常分数。

发明效果

根据本发明，可提供利用机器学习或深度学习技术来检测电梯的许多异常状况和故障发生的前兆状况，并且基于此在实际发生电梯故障之前提前采取预防性措施的预见性维修保养服务。

此外，本发明基于电梯的运行中发生的异常模式之间的发生时间间隔(即，异常模式的发生密集程度)来诊断电梯的当前状态，从而与仅依赖于异常模式的发生次数的传统技术相比，可更精密地预测电梯故障可能性，并因此，具有不仅可减少对于故障预测的误判并且最小化维修保养技师的错误派遣，而且对于通过现有的错误代码可能无法说明的原因不明的故障或者电梯的部件之间相关的故障，也放大了对于故障发生的预测范围的效果。

本发明的效果并不限制于上面提及的效果，并且所属技术领域的普通技术人员可通过下面的记载明确地理解未提及的其它效果。

附图说明

图1是根据本发明的电梯异常检测系统功能块图。

图2是用于说明包括在根据本发明的电梯的异常分数算出过程中的一工序的图。

图3是示出根据本发明的电梯异常检测方法的流程图。

附图标记说明

10：传感器部

20：数据收集部

30：异常模式检测部

40：间隔算出部

50：聚类部

60：学习部

70：异常分数计算器

具体实施方式

通过依据本发明的说明书中的附图进行的详细说明，更加明确地理解与本发明的目的和技术构成以及根据其的作用和效果相关的详细事项。

在本说明书中使用的术语仅仅是为了说明特定实施例而使用的，而不是旨在限定本发明。例如，在本说明书中使用的“构成”或“包括”等的措辞不应解释为必须包括发明中记载的各种构成元件或各种步骤中的所有，而是应理解为可不包括其中的部分构成元件或部分步骤或者还可包括附加构成元件或步骤。此外，除非上下文中另有明确不同的含义，否则在本说明书中使用的单数表述包括复数表述。

以下，参照附图对本发明的优选实施例进行了说明，从而对本发明进行详细说明。以下说明的实施例被提供以便所属技术领域的技术人员能够容易理解本发明的技术思想，其不应解释为本发明受其限定，并且本发明的实施例对所属技术领域的普通技术人员而言可具有多种应用。

图1是根据本发明的电梯异常检测系统功能块图，图2是用于说明包括在根据本发明的电梯的异常分数算出过程中的一工序的图，并且图3是示出根据本发明的电梯异常检测方法的流程图。

根据本发明的电梯异常检测系统和方法实现为利用通过设置在电梯的内/外部处的传感器获得的数据来检测电梯的异常状况和故障发生的前兆状况，向实时地收集到的电梯的各种运行信息应用机器学习或深度学习技术以提前预测以后可能发生的电梯故障可能性并且可进行应对。

为此，如图1中所示，根据本发明的电梯异常检测系统配置成包括传感器部10、数据收集部20、异常模式检测部30、间隔算出部40、聚类部50、学习部60和异常分数计算器70。

传感器部10用于获取电梯的与故障相关的各种运行信息，其可测量在故障可能性的预测中利用的电梯的多种物理参数。

传感器部10可包括设置在电梯轿厢的自身或自身周边的振动传感器、噪声传感器、用于测量电梯轿厢的加速度的加速度传感器、用于检测电梯轿厢的位置的位置传感器、测量与电梯门的开闭相关的参数的运动传感器等，从而由监视电梯装置或部件的操作状态并且测量与电梯的操作相关的物理参数的一个以上的传感器构成。

传感器部10可设置在待获得电梯的运行信息的多种位置处，并且不仅是电梯轿厢，只要是与井道、平台、机房的卷扬机、调速器等的电梯的运行相关地预测故障可能性的地点，即可应用于电梯的所有构成元件上。

数据收集部20收集在传感器部10中获取的与电梯故障相关的数据。数据收集部20可通过无线网络从传感器部10接收数据。

异常模式检测部30判定在数据收集部20中收集到的数据是否超过预设定临界值，从而检测从正常模式脱离的异常模式。

此时，异常模式检测部30可根据脱离临界值的程度来设定区分为至少一个以上的级别的基准级别，并且根据级别水平来对检测到的异常模式进行分类，从而生成“异常检测分类值”。

即，异常模式检测部30不仅可区分正常模式与异常模式，而且可根据脱离临界值的程度而将异常模式再次分类为一个以上的级别并且赋予表示该水准的指标值(异常检测分类值)，这是为了根据异常模式脱离临界值的程度来决定严重级别，并且根据异常模式的严重级别而在以后执行的异常分数(Anormaly score)的算出时赋予不同的权重值，从而实现更加精密的电梯故障预测。

异常模式检测部30可根据基准级别用异常检测分类值对经分类的数据进行标记(labeling)，并且生成根据其的时间序列模式。

作为一实施例，参照在图2的上端示出的图表，随着时间的流逝画出了与电梯的操作相关的传感数据。该数据通过传感器部10测量并通过数据收集部20收集。

异常模式检测部30可根据基准级别来将通过数据收集部20收集到的数据分类为多个类别。在该实施例中，将基准级别定为0至3，而此处，基准级别1表示临界值，基准级别2和3为将异常模式再次分类为一个以上的级别的基准。

在该实施例中，进入到基准级别0与1之间的传感数据，即，临界值以下的传感数据可看作正常模式。相反，超过基准级别1的传感数据可看作异常模式，并且此时，异常模式可通过设置得更高的基准级别而再次分类为一个以上的级别。

异常模式检测部30可对正常模式赋予“对正作为异常检测分类值，可对在基准级别1与2之间检测到的异常模式赋予“间检作为异常检测分类值，并且可对在基准级别2与3之间检测到的异常模式赋予“2”作为异常检测分类值。虽未在图中所示，但是可对超过基准级别3的异常模式赋予更高的“异常作为异常检测分类值。

随着异常检测分类值变大，意味着异常模式从临界值脱离的程度大，并且随后，在通过异常分数计算器70的异常分数算出时可作用为权重要素。即，随着异常模式脱离临界值的程度越严重，可向异常分数算出赋予更多的权重值。

另外，图2中所示的实施例仅仅是为了帮助本发明的理解而示例出的，并且本发明并不必须限制或限定于此。根据需要，基准级别可被细化，或者相反地可整合多个级别来简化基准。

间隔算出部40从异常模式检测部30接收对于检测到的异常模式的信息并将异常模式与相邻地发生的另一异常模式之间的发生时间差算出为“间隔时间值”。

此外，间隔算出部40也可一同算出正常模式之间的间隔时间值，而这旨在明确地确认电梯是否处于正常操作状态，并且考虑到本发明的目的为基于异常模式的发生密集程度来预测电梯故障可能性的这一点，算出正常模式之间的间隔时间值的功能并不是必需的。

在本发明中，间隔算出部40可执行按照异常检测分类值间隔时间值的算出。即，在异常模式检测部30中检测到的异常模式为分类成称为异常检测分类值的类别的状态，而间隔算出部40可按照各个类别来算出对于异常模式的间隔时间值。

当参照图2中所示的实施例进行说明时，间隔算出部40可对赋予0作为异常检测分类值的正常模式和赋予1作为异常检测分类值的异常模式、以及赋予2作为异常检测分类值的异常模式按照各个类别来算出间隔时间值。

聚类部50将在异常模式检测部30中生成的“异常检测分类值”作为Y轴以及将在间隔算出部40中算出的“间隔时间值”作为X轴来二维绘图(plotting)以示出为图表，并且对于异常检测分类值(Y)-间隔时间值(X)图表执行基于密度的聚类(DBSCAN：Density-BasedSpatial Clustering of Applications with Noise)，从而根据密切程度对按照异常检测分类值算出的间隔时间值进行集群(grouping)。由此，可将根据异常检测分类值的间隔时间值数据分类为相似的群集，并且可在以后执行的异常分数算出时将距正常状态的群集中心的距离利用为权重值系数。

在图2的下端处示出了将“异常检测分类值”作为Y轴并且将“间隔时间值”作为X轴来二维绘图以示出为图表，而如前所述，异常模式之间的间隔时间值按照根据异常检测分类值的类别来执行计算，因此导出如图2所示的形态的图表。

学习部60将对于预定周期内的异常检测分类值的时间序列模式数据、间隔时间值、对于异常模式的间隔时间值的群集从正常状态的群集中心远离的距离(在基于密度的聚类中，将其称为“ε(epsilon)半径”)等利用为反馈数据来执行机器学习或深度学习，从而可从实时收集和生成的数据自动算出异常分数并且建立预测电梯故障概率的模型。

异常分数计算器70可通过前述的数据收集部20、异常模式检测部30、间隔算出部40和聚类部50按照根据将实时收集和生成的数据作为输入变量的时间序列模式的学习模型的估计结果来算出电梯的异常分数，并且从算出的异常分数预测电梯故障概率。

更具体地，随着在异常模式检测部30中生成的异常检测分类值越高，并且随着通过间隔算出部40算出的间隔时间值越小(即，随着异常模式的发生得频繁)，异常分数计算器70可向异常分数算出赋予权重值。此时，间隔时间值可通过由聚类部50执行的基于密度的聚类来使多个数据群集化，并且对于异常模式的间隔时间值的群集从正常状态的群集中心远离的距离可利用为异常分数算出的权重值系数。

在以图2的下端处示出的图表为基准来观察时，Y轴的随着异常检测分类值越高(严重级别越高)以及X轴的异常模式之间的发生时间间隔越小(发生密集程度越高)，故障发生概率越大，因此异常分数可增加。

如上所述地，根据本发明的电梯异常检测系统实现为根据脱离临界值的程度来对在电梯的运行中收集到的传感数据进行类别的分类，从而将异常模式的严重级别反映到异常分数算出上，并且将按照经分类的类别执行基于间隔时间值和对其的密度的聚类并且估计的异常模式的发生密集程度反映到异常分数算出上，从而精密地检测电梯的异常。

此外，除了上述数据以外，如现有的那样，异常分数计算器70也可将异常模式的“发生次数”作为异常分数算出的附加输入变量来进行综合考虑。关于异常模式的发生次数的信息可通过异常模式检测部30来生成，并且在预定周期内，随着异常模式的发生次数越高，可赋予异常分数算出的权重值。

如上所述，在异常分数算出时考虑的数据和通过异常分数计算器70估计的结果(异常分数)可被累积并存储，并且累积的信息可利用为前述的学习部60的反馈数据并被反复学习。

与传统技术仅用异常模式的发生次数来诊断或预测电梯故障的情况不同，本发明不仅是考虑异常模式的发生次数，而且还综合地考虑异常模式的严重级别或发生密集程度等，从而可期待更加精密的电梯故障预测。

即，在传统中仅利用一个数据来诊断或预测电梯故障，而本发明综合地考虑多种数据来算出异常分数，从而具有与现有相比电梯故障预测的精密度被显著提高的效果，并且随着学习被累积多次，学习模型的精密度提高，从而可更加准确且精密地执行电梯的状态诊断。

根据本发明的电梯异常检测系统可将根据在异常分数计算器70中算出的异常分数和异常分数的故障危险度(故障发生概率)传输到云平台的仪表板或移动设备以向维修保养负责人提供通知，并且维修保养负责人可基于该信息来计划并提供预见性维修保养服务。

以下，继续参照图1至图3对根据本发明的电梯异常检测方法进行说明。

根据本发明的电梯异常检测方法为利用前述的根据本发明的电梯异常检测系统执行的，其可包括：收集与故障相关的电梯的运行数据的步骤(S10)；在收集到的电梯的运行数据中检测脱离正常模式的异常模式的步骤(S20)；算出作为相邻地发生的异常模式之间的发生时间差的间隔的步骤(S30)；执行基于密度的聚类并且根据密切程度对算出的间隔进行集群的步骤(S40)；以及在预定周期内检测到的异常模式的基于发生密集程度来算出异常分数的步骤(S50)。

在步骤(S10)中，与故障相关的电梯的运行数据可通过设置在待预测电梯故障的部位处的传感器部10来获取并且通过数据收集部20来收集。

步骤(S20)可通过异常模式检测部30来执行。此时，异常模式检测部30在区分正常模式与异常模式的基础上，可进一步根据脱离临界值的程度而将异常模式再次分类为一个以上的级别并且生成将该级别示出为指标值的“异常检测分类值”。此处，异常检测分类值可视为示出异常模式的严重级别，并且随着异常检测分类值越高，可在以后执行的异常分数算出时赋予更多的权重值。

此外，在步骤(S20)中，异常模式检测部30可根据基准级别用异常检测分类值标记经分类的数据，并且生成根据其的时间序列模式。

步骤(S30)可通过间隔算出部40来执行。此时，间隔算出部40可按照在步骤(S20)中分类的异常检测分类值来算出异常模式的“间隔(时间值)”。

步骤(S40)可通过聚类部50来执行。聚类部50将在步骤(S20)中分类的异常检测分类值作为Y轴以及将在步骤(S30)中算出的间隔作为X轴来二维绘图以示出为图表(参照图2)，并且执行对于异常检测分类值(Y)-间隔(X)图表的基于密度的聚类(DBSCAN)，从而可按照异常检测分类值根据密切程度对算出的间隔进行集群，并且在异常分数算出时将对于异常模式的间隔时间值的群集从正常状态的群集中心远离的距离利用为权重值系数。

步骤(S50)可通过异常分数计算器70来执行。在步骤(S30)中算出的间隔越小，异常分数计算器70可向异常分数的算出赋予权重值。此时，间隔数据可通过基于密度的聚类来使多个数据群集化，并且可将对于异常模式的间隔的群集从正常状态的群集中心远离的距离利用为异常分数算出的权重值系数。

此外，在步骤(S20)中将异常模式分类为多个类别的情况下，随着异常检测分类值越高，异常分数计算器70可向异常分数的算出赋予权重值。

另外，在步骤(S10)中收集到的电梯的运行信息、在步骤(S20)中生成的异常检测分类值、在步骤(S30)中算出的间隔(时间值)、在步骤(S40)中执行对于间隔数据的基于密度的聚类并且估计的关于异常模式的发生密集程度的信息以及在步骤(S50)中算出的关于异常分数等的信息可被累积并存储，并且可利用为从实时收集和生成的数据自动算出异常分数并且建立预测电梯故障概率的模型的学习数据。

在步骤(S50)中，异常分数计算器70可按照根据将实时收集和生成的数据作为输入变量的时间序列模式的学习模型的估计结果来算出电梯的异常分数，并且从算出的异常分数预测电梯故障概率。

在以上的实施例中，将根据本发明的电梯异常检测方法分为多个步骤来进行说明，但是某一个步骤可与其它步骤结合在一起执行或者被省略，或者可分为详细步骤来执行，或者以上未说明的一个以上的步骤可被附加地执行。

如以上说明的，本发明的基本技术思想在于在电梯的运行中测量到的参数中检测超过临界值的异常模式发生周期有多紧贴，作为该间隔(间隔)来检测电梯故障或故障的前兆，并且仅在预定的时间内发生相似的超过值信号的情况下判断为故障预测的有意义的信号。

如上所述的根据本发明，可提供利用机器学习或深度学习技术来检测电梯的许多异常状况和故障发生的前兆状况，并且基于此在实际发生电梯故障之前提前采取预防性措施的预见性维修保养服务。

此外，本发明基于电梯的运行中发生的异常模式之间的发生时间间隔(即，异常模式的发生密集程度)来诊断电梯的当前状态，从而与仅依赖于异常模式的发生次数的传统技术相比，可更精密地预测电梯故障可能性，并因此，具有不仅可减少对于故障预测的误判并且最小化维修保养技师的错误派遣，而且对于通过现有的错误代码可能无法说明的原因不明的故障或者电梯的部件之间相关的故障，也放大了对于故障发生的预测范围的效果。

根据本发明的电梯异常检测方法可通过设置有一个以上的处理器和存储有通过一个以上的处理器执行的一个以上的程序的存储器的计算机装置来执行。为此，根据本发明的电梯异常检测系统可实现为包括一个以上的计算机可执行指令的程序乃至软件形态并存储在存储器上。

前述的数据收集部20、异常模式检测部30、间隔算出部40、聚类部50、学习部60和异常分数计算器70可实现为用于程序的执行的汇编器、编译器、分析程序等的可由计算机读取的代码或程序形态，并且可构成为系统以便能够通过有线或无线网络彼此通信。

本发明并不限定于所记载的实施例，并且所属技术领域的普通技术人员将明确，在不背离本发明的思想和范围的情况下能够进行多种修改和变形。因此，这种修改例或变形例应属于本发明的权利要求书范围内。

Claims (13)

1.一种电梯异常检测系统，包括：

传感器部，所述传感器部测量与故障相关的电梯的物理参数；

数据收集部，所述数据收集部收集通过所述传感器部测量的传感数据；

异常模式检测部，所述异常模式检测部通过判定是否超过对所述传感数据预设定的临界值来检测从正常模式脱离的异常模式；

间隔算出部，所述间隔算出部将对所述异常模式相邻地发生的异常模式之间的发生时间差算出为间隔时间值；以及

异常分数计算器，所述异常分数计算器以在预定周期内检测到的所述异常模式之间的间隔时间值为基础来决定所述异常模式的发生密集程度并且基于所述发生密集程度来算出异常分数。

2.如权利要求1所述的电梯异常检测系统，其中，所述异常模式检测部按照从所述临界值脱离的程度而将所述异常模式分类为一个以上的级别并且按照级别水平来赋予异常检测分类值，以及

随着所述异常检测分类值越高，所述异常分数计算器在所述异常分数算出时用权重值进行校正。

3.如权利要求2所述的电梯异常检测系统，其中，所述间隔算出部按照以所述异常检测分类值分类的各个类别来算出所述异常模式之间的间隔时间值。

4.如权利要求3所述的电梯异常检测系统，其中，还包括：

聚类部，所述聚类部将所述异常检测分类值作为Y轴并且将所述间隔时间值作为X轴来进行二维绘图以示出为图表，并且对所述图表执行基于密度的聚类，从而根据密切程度来对按照所述异常检测分类值算出的所述间隔时间值进行集群，

其中，所述异常分数计算器将对于集群的异常模式的间隔时间值的群集从正常状态的群集中心远离的距离利用为异常分数算出的权重值系数。

5.如权利要求4所述的电梯异常检测系统，其中，所述异常模式检测部还生成关于在所述预定周期内检测到的所述异常模式的发生次数的信息，以及

随着所述发生次数越多，所述异常分数计算器在所述异常分数算出时用权重值进行校正。

6.如权利要求5所述的电梯异常检测系统，其中，还包括：

学习部，所述学习部执行对于所述异常检测分类值、所述间隔时间值、所述间隔时间值的基于密度的聚类，并且将关于估计的异常模式的发生密集程度和所述发生次数的信息利用为反馈数据来执行机器学习或深度学习，从而从实时收集到的所述电梯的运行数据自动算出异常分数并且建立预测所述电梯故障概率的模型。

7.一种电梯异常检测系统，所述电梯异常检测系统从与故障关联地收集到的电梯的运行数据检测超过预设定临界值的异常模式，并且对于在预定周期内检测到的异常模式基于相邻地发生的异常模式之间的发生时间间隔来算出异常分数，从而估计所述电梯故障概率。

8.一种电梯异常检测方法，包括：

收集与故障相关的电梯的运行数据的运行数据收集步骤；

对于在所述运行数据收集步骤中收集到的所述电梯的运行数据，判定是否超过预设定临界值，从而检测从正常模式脱离的异常模式的异常模式检测步骤；

对于在所述异常模式检测步骤中检测到的异常模式，将相邻地发生的异常模式之间的发生时间差算出为间隔时间值的间隔算出步骤；

执行基于密度的聚类并且根据密切程度来对在所述间隔算出步骤中算出的所述间隔时间值进行集群的聚类步骤；以及

执行对于所述间隔时间值的基于密度的聚类并且基于估计的异常模式的发生密集程度来算出所述电梯的异常分数的异常分数算出步骤。

9.如权利要求8所述的电梯异常检测方法，其中，在所述异常模式检测步骤中，按照从所述临界值脱离的程度而将所述异常模式分类为一个以上的级别并且按照级别水平来赋予异常检测分类值，以及

在所述异常分数算出步骤中，随着所述异常检测分类值越高，在所述异常分数算出时用权重值进行校正。

10.如权利要求9所述的电梯异常检测方法，其中，在所述间隔算出步骤中，按照以所述异常检测分类值分类的各个类别来算出所述异常模式之间的间隔时间值。

11.如权利要求10所述的电梯异常检测方法，其中，在所述异常模式检测步骤中，还生成关于在所述预定周期内检测到的所述异常模式的发生次数的信息，以及

在所述异常分数算出步骤中，随着所述发生次数越多，在所述异常分数算出时用权重值进行校正。

12.如权利要求11所述的电梯异常检测方法，还包括：

执行对于所述异常检测分类值、所述间隔时间值、所述间隔时间值的基于密度的聚类，并且将关于估计的异常模式的发生密集程度和所述发生次数的信息利用为反馈数据来执行机器学习或深度学习，从而从实时收集到的所述电梯的运行数据自动算出异常分数并且建立预测所述电梯故障概率的模型的学习步骤。

13.如权利要求12所述的电梯异常检测方法，其中，在所述异常分数算出步骤中，执行对于所述异常检测分类值、所述间隔时间值的基于密度的聚类，接收关于估计的异常模式的发生密集程度和所述发生次数的信息，并且根据所述模型的估计结果来算出所述异常分数。

Images