CN116281482A - 一种电梯困人停梯事件的检测及预测方法 - Google Patents

Abstract

本发明公开了一种电梯困人停梯事件的检测及预测方法，涉及电梯安全技术领域，其中，检测方法基于电梯状态数据，通过判断操作模式、故障代码、五方通话状态数据、内呼状态数据和轿门状态数据等来判断电梯是否发生困人事件。预测方法使用神经网络模型，结合电梯状态数据和困人停梯检测结果数据作为训练数据，通过设置概率阈值来预测未来可能发生的困人事件。本发明均可以在云端实现电梯困人停梯事件的检测及预测，并通过短信的方式通知电梯管理人员进行维护，提高了电梯安全性和维护效率。

Description

一种电梯困人停梯事件的检测及预测方法

技术领域

本发明涉及电梯安全技术领域，具体而言，涉及一种电梯困人停梯事件的检测及预测方法。

背景技术

随着电梯数量增长，电梯安全形势越发严峻，如何利用物联网等新兴技术有效降低乘客乘梯的安全隐患，减少对人工的依赖，是如今不可回避的重要课题。

在传统的电梯运行过程中，电梯如果发生了困人停梯，需要由乘客被困后，乘客发起报警，再由值班室确保收到乘客报警进而响应。事件的应急救援时间较长，效率降低，都会延长乘客在轿内的被困时长，乘客可能做出扒电梯门，自行爬越井道等危险行为。现有的一些技术使用物联网或摄像头,尝试缩短应急救援响应时间，但是都有着较强的局限性。

目前基于物联网的电梯检测技术，通过上传采集到的电梯运行的原始数据，供安全人员远程判断电梯是否发生事故。但是这种方案无法直接上报困人停梯，仅上报电梯的故障代码、状态变化等。由于故障代码上报频繁，其中还包含警告信息和故障误报，无法帮助安全人员直接锁定出困人停梯事件，影响安全人员对本次事件的风险判断。

市场上基于摄像头的电梯困人停梯事件的检测方案，需要安装较为昂贵的摄像头，并实时上传高带宽的视频数据供云端算法判断是否困人。此方案设备成本高昂，高带宽需要的宽带或光纤在许多小区的井道等环境难以安装，对井道的光照等条件也有着苛刻的要求。除了较差的普适性，这种方案由于缺乏对电梯本身硬件运行状态的检测，对困人停梯的检测准确度也更低。

而安装摄像头的方案除成本问题外，本身对井道环境要求较高，由于摄像头视频数据内存很大，必须用宽带、光纤的方式上报至平台，而多数小区的公共设施及井道环境，都无法提供安装支持，从而导致安装摄像头的方案无法在市场上广泛推行。且摄像头识别困人方案是根据轿内人员的行为、人员在轿内密闭空间的停留时长判断是否困人，缺失了对电梯本身运行状态的异常监测。

发明内容

本发明在于提供一种电梯困人停梯事件的检测及预测方法，其能够缓解上述问题。

为了缓解上述的问题，本发明采取的技术方案如下：

第一方面，本发明提供了一种电梯困人停梯事件的检测方法，云端远程获取电梯状态数据，根据电梯状态数据对电梯困人停梯事件进行检测，具体包括以下步骤：

S1、根据电梯状态数据中的操作模式字段，判断电梯是否发生了异常停梯，若是，则给电梯异常停梯概率P1赋值P11，继续执行步骤S2，否则将电梯困人停梯检测结果确定为未发生电梯困人停梯事件，跳转至步骤S5；

S2、确认电梯状态数据中是否包含故障代码字段，若是，则给电梯异常停梯概率P1赋值P12，P12大于P11，继续执行步骤S3，否则直接执行步骤S3；

S3、根据电梯状态数据中的五方通话状态数据、内呼状态数据和轿门状态数据，判断电梯轿内是否有人，若是，则给电梯轿内有人概率P2赋值P21，继续执行步骤S4，否则将电梯困人停梯检测结果确定为电梯发生异常停梯的概率为P1，未发生电梯困人事件后，跳转至步骤S5；

S4、若电梯轿内安装有红外监测装置，和/或摄像头，且红外监测装置，和/或摄像头的人员监测结果数据包含于电梯状态数据，则根据红外监测装置，和/或摄像头的人员监测结果数据，判定电梯轿内是否有人，若是，则给电梯轿内有人概率P2赋值P22，P22大于P21，将电梯困人停梯检测结果确定为电梯发生异常停梯的概率为P1，电梯轿内有人概率为P2，跳转至步骤S5，若不是，则直接将电梯困人停梯检测结果确定为电梯发生异常停梯的概率为P1，电梯轿内有人概率为P2，跳转至步骤S5；

S5、输出电梯困人停梯检测结果，并以短信的方式推送至电梯管理人员。

在本发明的一较佳实施方式中，步骤S1中，判断电梯是否发生了异常停梯的方法具体包括以下步骤：

S11、判断操作模式是否为待机/运行/减速/停止/校正，若是，则判定电梯没有发生异常停梯，否则继续执行步骤S12；

S12、判断操作模式是否为紧急停止，若是紧急停止，且紧急停止事件不会导致电梯停用，则操作模式变为校正，电梯进行自我校正，判定电梯没有发生异常停梯，若不是紧急停止，则继续执行步骤S13；

S13、判断操作模式是否为停用，若不是，则判定电梯没有发生异常停梯，否则，判定电梯发生异常停梯。

在本发明的一较佳实施方式中，步骤S2中，根据对应电梯停梯的故障代码库，抓取故障代码字段，故障代码字段包含于故障代码库。

在本发明的一较佳实施方式中，步骤S3中，若五方通话状态为通话中，或者电梯轿内呼灯处于灯亮状态，且电梯轿门处于关闭状态，则判断电梯轿内有人。

在本发明的一较佳实施方式中，若电梯轿内没有安装有红外监测装置和摄像头，则不给电梯轿内有人概率P2另外赋值。

第二方面，本发明提供了一种电梯困人停梯事件的预测方法，包括：

设定概率阈值B_thresh；

云端将(S_t:t-Δt,F)输入训练好的神经网络模型

P(B|S_t:t-Δt,F)，

输出得到的概率若大于概率阈值B_thresh，则认为未来即将发生困人事故，触发报警机制，通知电梯管理人员对电梯进行维护；

其中，神经网络模型P(B|S_t:t-Δt,F)由一个多层神经网络表达，并以权利要求1～5任一项所述电梯困人停梯事件的检测方法中的输入数据和输出数据作为训练数据训练而成，S_t:t-Δt代表从当前时间t到过去一段时间Δt内的原始数据，原始数据指的是权利要求1～5任一项所述电梯困人停梯事件的检测方法中的电梯状态数据和电梯困人停梯检测结果数据，F＝g(S_t:t-Δt)代表从这些原始数据S_t:t-Δt中提取到的相关特征，g代表从原始数据中提取特征所用的非参数化函数，不需要模型拟合。

与现有技术相比，本发明的有益效果是：

云端可远程实时采集电梯运行状态数据(如操作模式，故障代码，内呼状态，轿内五方通话状态)，并根据电梯运行状态数据得到电梯困人停梯检测结果，并及时发送至电梯管理人员，由于电梯困人停梯检测结果是由检测算法判断分析确认，因此能避免大量垃圾数据误导管理，确保电梯管理人员第一时间判断是否发生电梯困人事件，若发生，则能及时营救；

云端以收集的状态和事故数据为基础，搭建困人事故的风险预测模型，预测将来一段时间内电梯是否有较高概率发生困人事故，防患于未然；

云端获取到收电梯运行状态信息，能够比视觉数据更可靠地判断困人事故，减少误报以及对安全人员判断的干扰；

相比于现有的困人事故预测技术，发明提出的预测算法，由检测算法自动生成训练数据，无需专业人员人工干预标注，在节省成本的同时，降低由人工误判导致的对风险预测模型的误导，并能够随着此技术方案的普及获取更多数据，进一步提高风险预测模型的准确性。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举本发明实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。

图1是本发明所述电梯困人停梯事件的检测方法流程图；

图2是本发明判断电梯是否发生了异常停梯的方法流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。

一、如图1所示，本发明公开了一种电梯困人停梯事件的检测方法，云端远程获取电梯状态数据，根据电梯状态数据对电梯困人停梯事件进行检测，具体包括以下步骤：

S1、根据电梯状态数据中的操作模式字段，判断电梯是否发生了异常停梯，若是，则给电梯异常停梯概率P1赋值P11，继续执行步骤S2，否则将电梯困人停梯检测结果确定为未发生电梯困人停梯事件，跳转至步骤S5。

监测电梯困人停梯的前置判断，为监测电梯发生了异常停梯，且轿内有人员，轿门持续未打开。

其中，判断电梯是否发生了异常停梯的方法如图2所示。

用来判断电梯停梯状态的关键数据为操作模式，有以下几个操作模式：待机、运行、减速、停止、紧急停止、校正运行、检修、停用中。

电梯操作模式规律：当电梯正常运行时，操作模式可能会处于待机、运行、减速、停止、校正运行的任一状态。具体反应了电梯由待机、准备加速运行、恒速运行、减速停止的一个完整响应过程。

当电梯在运行时发生故障时，操作模式会立马由上述的几种正常运行状态，变为紧急停止。如果此故障的严重程度不导致电梯停梯停用时，电梯可进行自我校正，操作模式会进入校正运行，随即恢复正常运行状态。

如果电梯发生的故障严重程度足以导致电梯停梯停用，电梯无法自行校正并恢复正常，电梯操作模式将由紧急停止转变为停用中，并一直持续此状态，直至人为恢复电梯故障，此类事件则为异常停梯算法模型中的关键故障。

S2、确认电梯状态数据中是否包含故障代码字段，若是，则给电梯异常停梯概率P1赋值P12，P12大于P11，继续执行步骤S3，否则直接执行步骤S3。

除了电梯状态数据以外，获取电梯故障通道的故障代码，辅助确认实时数据中的操作模式的数据准确率。如果电梯发生了紧急停梯，首先在上报的数据中，可以看到上述提到的操作模式发生变化，由正常的状态，变为紧急停止，随后如果此变化持续，系统上报的故障数据中，会看到对应的故障代码；如果电梯持续不恢复，操作模式会由紧急停止转变为停用中，此状态持续，系统上报的故障数据中，会看到此次故障的真实代码，代码种类很多，即会造成电梯发生故障并持续停用的所有故障，系统会根据实际故障上报对应代码。

根据提前获取的会造成电梯停梯的故障代码库，本发明则可以通过抓取系统上报的故障代码，校正电梯发生了故障并异常停梯的准确性。

S3、根据电梯状态数据中的五方通话状态数据、内呼状态数据和轿门状态数据，判断电梯轿内是否有人，若是，则给电梯轿内有人概率P2赋值P21，继续执行步骤S4，否则将电梯困人停梯检测结果确定为电梯发生异常停梯的概率为P1，未发生电梯困人事件后，跳转至步骤S5。

其中，若五方通话状态为通话中，或者电梯轿内呼灯处于灯亮状态，且电梯轿门处于关闭状态，则判断电梯轿内有人。

S4、若电梯轿内没有安装有红外监测装置和摄像头，则不给电梯轿内有人概率P2另外赋值。若电梯轿内安装有红外监测装置，和/或摄像头，且红外监测装置，和/或摄像头的人员监测结果数据包含于电梯状态数据，则根据红外监测装置，和/或摄像头的人员监测结果数据，判定电梯轿内是否有人，若是，则给电梯轿内有人概率P2赋值P22，P22大于P21，将电梯困人停梯检测结果确定为电梯发生异常停梯的概率为P1，电梯轿内有人概率为P2，跳转至步骤S5，若不是，则直接将电梯困人停梯检测结果确定为电梯发生异常停梯的概率为P1，电梯轿内有人概率为P2，跳转至步骤S5。

S5、输出电梯困人停梯检测结果，并以短信的方式推送至电梯管理人员。

二、本发明还公开了一种电梯困人停梯事件的预测方法，具体如下：

本发明在前述电梯困人停梯事件检测方法的基础上，搭建了预测算法模型，通过物联网设备和物理设备采集到的电梯运行状态，以及上述检测方法模型的检测结果，建模并拟合未来困人事故的联合分布概率模型，从而对未来电梯可能发生困人事故的概率进行预测。

1)预测算法模型：

本预测方法是为预测将来一段时间内，可能发生困人事故的概率，此联合概率模型表达为：

P_θ(S_t:t-Δt,F,B)，

其中，困人事故标签B表示未来一段时间内，是否发生了困人事故，此标签为二进制变量，数值由检测方法中所有数据共享得到。S_t:t-Δt代表从当前时间t到过去一段时间Δt内的原始数据，原始数据指的是电梯困人停梯事件的检测方法中的电梯状态数据和电梯困人停梯检测结果数据，F代表从这些原始数据中提取到的相关特征，可以理解为

F＝g(S_t:t-Δt)，

其中，g代表从原始数据中提取特征所用的非参数化函数，不需要模型拟合，F是基于过去一段时间t到t-Δt的原始数据，提取的数据特征，包括各项原始连续数据u的均值μ_u、方差σ_u、走向

各项原始离散数据v的概率分布/>

各项信号数据m的傅里叶各频率相变ω_k及幅度A_k。

发生困人事故的联合概率分布由一个多层神经网络f_θ表达，其以时序原始数据S_t:t-Δt和相关特征F作为输入，以发生困人事故的概率作为输出，即：

f_θ(S_t:t-Δt,F)＝P(B＝1|S_t:t-Δt,F)

此神经网络以ReLU函数作为中间层激活函数，以Sigmoid函数作为输出层激活函数。

2)预测算法模型训练

模型训练的数据由在实践中的检测算法输入输出组成，在电梯物联网运行过程中，原始数据由前面的检测算法进行准确判断，两者结合作为模型训练的输入与输出标签：

(S_t:t-Δt,B)。

与现有其他基于神经网络的预测算法不同，此模型训练数据的标签不需要人工干预，由本专利提出的检测模块自动生成(即预测方法与前面的检测方法共享所有数据)，可以不断为预测算法模型提供新的训练数据，完善联合分布概率模型。

在训练过程中，先通过预先设计的确定性函数g计算相关特征F＝g(S_t:t-Δt)，再将(S_t:t-Δt,F)输入进入神经网络模型，得到模型预测的未来一段时间内困人事故发生概率

通过预测概率/>

与数据标签概率B，计算得到误差/>

然后从误差反向传播逐层计算误差到各参数的梯度/>

根据此梯度以及提前设定好的学习率λ，模型更新相对应的参数，即：

反向传播更新参数的目标为:

最终通过评判在测试数据上的误差，我们可以评估获得的模型参数是否趋近此目标参数，获得的低误差参数被用作实际使用的模型参数。

3)模型预测

在电梯运行中，实时采集的相关数据S_t，加上过去Δt时间内的数据S_t-1:t-Δt，利用特征提取函数g计算相关特征F。神经网络模型以(S_t:t-Δt,F)作为输入，计算

P(B|S_t:t-Δt,F)

若得到的概率高于预设的阈值B_thresh，则认为在不久的未来有高概率发生困人事故，触发报警机制，以短信方式通知电梯管理人员对电梯进行维护。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (7)

1.一种电梯困人停梯事件的检测方法，其特征在于，云端远程获取电梯状态数据，根据电梯状态数据对电梯困人停梯事件进行检测，具体包括以下步骤：

S1、根据电梯状态数据中的操作模式字段，判断电梯是否发生了异常停梯，若是，则给电梯异常停梯概率P1赋值P11，继续执行步骤S2，否则将电梯困人停梯检测结果确定为未发生电梯困人停梯事件，跳转至步骤S5；

S2、确认电梯状态数据中是否包含故障代码字段，若是，则给电梯异常停梯概率P1赋值P12，P12大于P11，继续执行步骤S3，否则直接执行步骤S3；

S3、根据电梯状态数据中的五方通话状态数据、内呼状态数据和轿门状态数据，判断电梯轿内是否有人，若是，则给电梯轿内有人概率P2赋值P21，继续执行步骤S4，否则将电梯困人停梯检测结果确定为电梯发生异常停梯的概率为P1，未发生电梯困人事件后，跳转至步骤S5；

S4、若电梯轿内安装有红外监测装置，和/或摄像头，且红外监测装置，和/或摄像头的人员监测结果数据包含于电梯状态数据，则根据红外监测装置，和/或摄像头的人员监测结果数据，判定电梯轿内是否有人，若是，则给电梯轿内有人概率P2赋值P22，P22大于P21，将电梯困人停梯检测结果确定为电梯发生异常停梯的概率为P1，电梯轿内有人概率为P2，跳转至步骤S5，若不是，则直接将电梯困人停梯检测结果确定为电梯发生异常停梯的概率为P1，电梯轿内有人概率为P2，跳转至步骤S5；

S5、输出电梯困人停梯检测结果，并以短信的方式推送至电梯管理人员。

2.根据权利要求1所述电梯困人停梯事件的检测方法，其特征在于，步骤S1中，判断电梯是否发生了异常停梯的方法具体包括以下步骤：

S11、判断操作模式是否为待机/运行/减速/停止/校正，若是，则判定电梯没有发生异常停梯，否则继续执行步骤S12；

S12、判断操作模式是否为紧急停止，若是紧急停止，且紧急停止事件不会导致电梯停用，则操作模式变为校正，电梯进行自我校正，判定电梯没有发生异常停梯，若不是紧急停止，则继续执行步骤S13；

S13、判断操作模式是否为停用，若不是，则判定电梯没有发生异常停梯，否则，判定电梯发生异常停梯。

3.根据权利要求1所述电梯困人停梯事件的检测方法，其特征在于，步骤S2中，根据对应电梯停梯的故障代码库，抓取故障代码字段，故障代码字段包含于故障代码库。

4.根据权利要求1所述电梯困人停梯事件的检测方法，其特征在于，步骤S3中，若五方通话状态为通话中，或者电梯轿内呼灯处于灯亮状态，且电梯轿门处于关闭状态，则判断电梯轿内有人。

5.根据权利要求1所述电梯困人停梯事件的检测方法，其特征在于，若电梯轿内没有安装有红外监测装置和摄像头，则不给电梯轿内有人概率P2另外赋值。

6.一种电梯困人停梯事件的预测方法，其特征在于，包括：

设定概率阈值B_thresh；

云端将(S_t:t-Δt,F)输入训练好的神经网络模型

P(B|S_t:t-Δt,F)，

输出得到的概率若大于概率阈值B_thresh，则认为未来即将发生困人事故，触发报警机制，通知电梯管理人员对电梯进行维护；

其中，神经网络模型P(B|S_t:t-Δt,F)由一个多层神经网络表达，并以权利要求1～5任一项所述电梯困人停梯事件的检测方法中的输入数据和输出数据作为训练数据训练而成，S_t:t-Δt代表从当前时间t到过去一段时间Δt内的原始数据，原始数据指的是权利要求1～5任一项所述电梯困人停梯事件的检测方法中的电梯状态数据和电梯困人停梯检测结果数据，F＝g(S_t:t-Δt)代表从这些原始数据S_t:t-Δt中提取到的相关特征，g代表从原始数据中提取特征所用的非参数化函数，不需要模型拟合，B为困人事故标签。

7.根据权利要求6所述电梯困人停梯事件的检测方法，其特征在于，困人事故标签B为二进制变量。

Images