CN116703924B - 一种高速电梯零部件磨损状态实时检测预警方法 - Google Patents

Abstract

本发明涉及电梯技术领域，具体涉及一种高速电梯零部件磨损状态实时检测预警方法，获取曳引轮的轮槽灰度图，获取轮槽灰度图的强边缘点和弱边缘点，获取弱边缘点的拟合曲线，从所有弱边缘点中选取预设个数的距离拟合曲线最近的弱边缘点，得到目标弱边缘点，根据强边缘点和目标弱边缘点得到轮槽边缘图像，获取轮槽边缘图像中各个边缘点的斜率变化值，并获取满足预设条件的斜率变化值所对应的边缘点，结合轮槽边缘图像，得到突变区域，根据突变区域的两个端点以及形状信息得到磨损状况。本发明提供的高速电梯零部件磨损状态实时检测预警方法，不但能够提升边缘信息检测结果的准确性，而且能够提升曳引轮的磨损状态的检测结果的准确性。

Description

一种高速电梯零部件磨损状态实时检测预警方法

技术领域

本发明涉及电梯技术领域，具体涉及一种高速电梯零部件磨损状态实时检测预警方法。

背景技术

现代电梯的种类主要有曳引式电梯、液压电梯、直线电机电梯、螺杆电梯等，但是最常用的还是曳引式电梯，也就是目前市场上常见电梯类型，也就是所谓的“传统电梯”。传统电梯主要是有一个电动机、一个钢丝绳、一个轿厢和一个对重组成。电梯在使用过程中，电梯中的高速电梯零部件作为损耗件，其运行状态与电梯的安全运行密切相关，电梯曳引轮为最常见的损耗件之一。电梯的动力传播是依靠曳引钢丝绳的绳槽和曳引轮边缘之间的相互摩擦。

钢丝绳和曳引轮的绳槽之间由于长时间的摩擦可能会对绳槽造成一定的磨损。当曳引轮出现失效问题的时候，其绳槽会出现凹凸形状。因为曳引绳与曳引轮槽的契合度较好才能产生足够的摩擦力对电梯进行曳引，而钢丝绳和曳引轮槽都是金属制品，在长期的摩擦之中对轮槽肯定会有一定的磨损。如果发生了较为严重的磨损情况，很可能会导致每根钢丝绳的受力不均，电梯就会发生抖动，钢丝绳可能会脱轨，这将会形成较为严重的安全隐患，可能会造成安全事故。而且，钢丝绳与曳引轮之间产生摩擦还可能会造成轮槽的表皮脱落，随着电梯的长时间的使用，会使得表皮脱落的地方越来越大，也就是磨损程度会加剧，这在一定程度上对钢丝绳和轮槽之间的摩擦力产生影响，进而影响电梯的轮槽和钢丝绳的使用寿命，也会严重影响电梯的使用安全风险。因此，对曳引轮的磨损状态的监控以及安全预警对于电梯安全运行至关重要。

目前通常采用的磨损状态实时检测预警方式为：采集曳引轮的图像，对曳引轮图像进行边缘检测，得到边缘图像，与标准边缘图像进行比对，根据两者之间的差异程度确定磨损状态。然而，由于图像中的干扰因素比较多，比如：拍摄环境、油污覆盖在金属表面等等，采用现有的canny边缘检测算法中，非极大值抑制对检测结果可能会造成一定的误差，可能会导致边缘轮廓中的缺陷的细节信息被抑制掉，会将一些边缘的细节信息过滤掉，这些细节信息中可能会包含边缘轮廓的缺陷信息，导致边缘信息检测结果不准确，从而导致曳引轮的磨损状态的检测结果出现一定的误差，无法实现准确预警。

发明内容

有鉴于此，为了解决现有的磨损状态实时检测预警方式无法实现准确检测的技术问题，本发明提供一种高速电梯零部件磨损状态实时检测预警方法。

所采用的技术方案具体如下：

本发明提供一种高速电梯零部件磨损状态实时检测预警方法，包括：

获取曳引轮的轮槽灰度图；

获取所述轮槽灰度图的强边缘点和弱边缘点；

获取所述弱边缘点的拟合曲线，从所有所述弱边缘点中选取预设个数的距离所述拟合曲线最近的弱边缘点，得到目标弱边缘点；

根据所述强边缘点和目标弱边缘点，得到轮槽边缘图像；

获取所述轮槽边缘图像中各个边缘点的斜率变化值，并获取满足预设条件的所述斜率变化值所对应的边缘点，结合所述轮槽边缘图像，得到突变区域；

根据所述突变区域的两个端点以及所述突变区域的形状信息，得到磨损状况。

在一个实施例中，所述获取所述轮槽边缘图像中各个边缘点的斜率变化值，包括：

对于任意一个边缘点，计算该边缘点的斜率与相邻的下一个边缘点的斜率的差值绝对值，作为该边缘点的斜率变化值。

在一个实施例中，所述获取满足预设条件的所述斜率变化值所对应的边缘点，包括：

将各所述斜率变化值按照从小到大的顺序进行排序，得到变化值序列；

从所述变化值序列中获取最大的两个斜率变化值，得到目标斜率变化值，从所述目标斜率变化值中确定参考边缘点。

在一个实施例中，所述从所述目标斜率变化值中确定参考边缘点，包括：

对于任意一个目标斜率变化值，确定该目标斜率变化值对应的两个边缘点中斜率较小的边缘点，得到该目标斜率变化值所对应的参考边缘点。

在一个实施例中，所述结合所述轮槽边缘图像，得到突变区域，包括：

将得到的两个参考边缘点作为所述突变区域的所述两个端点；将所述轮槽边缘图像中，确定得到的两个参考边缘点之间的边缘段构成所述突变区域。

在一个实施例中，所述根据所述突变区域的两个端点以及所述突变区域的形状信息，得到磨损状况，包括：

获取反映所述突变区域的形状特征的边缘点，作为特征边缘点；

获取各个端点与所述特征边缘点之间的连线所形成的夹角，所述夹角小于180°；

获取所述突变区域中除所述特征边缘点之外的其他各个边缘点与所述特征边缘点之间连线的斜率的绝对值，并计算斜率的绝对值的平均值，得到斜率均值；

根据所述夹角与所述斜率均值得到磨损程度指标，其中，所述磨损程度指标与所述夹角呈正相关关系，与所述斜率均值呈负相关关系。

在一个实施例中，所述磨损程度指标的计算公式如下：

其中，H为所述磨损程度指标，θ为所述夹角，A为所述斜率均值。

在一个实施例中，所述获取反映所述突变区域的形状特征的边缘点，作为特征边缘点，包括：

对所述突变区域对应的曲线进行求导，得到曲线的极大值点，并获取各个极大值点中的最大极大值点，所述最大极大值点所对应的边缘点为所述特征边缘点。

在一个实施例中，所述高速电梯零部件磨损状态实时检测预警方法还包括：根据所述磨损状况进行预警。

在一个实施例中，根据所述磨损状况进行预警，包括：

每间隔预设时间获取一次磨损程度指标，获取预设个数的磨损程度指标；

若所述预设个数的磨损程度指标依次增大，则输出预警信号。

本发明实施例至少具有如下有益效果：先获取轮槽灰度图的强边缘点和弱边缘点，对弱边缘点进行曲线拟合，从拟合曲线中所表征的所有弱边缘点中选取预设个数的距离拟合曲线最近的弱边缘点，距离拟合曲线越近，越能够表征边缘信息，因此，通过选取距离拟合曲线最近的多个弱边缘点，能够尽可能的保留边缘信息的细节部分，结合选取到的目标弱边缘点以及强边缘点，就能够获取到更为准确、更能够反映边缘信息细节的轮槽边缘图像，由于斜率变化越剧烈，越反映缺陷所对应的突变区域的信息，因此，获取轮槽边缘图像中任两个相邻边缘点的斜率的差值绝对值，并结合满足预设条件的差值绝对值以及轮槽边缘图像，能够得到准确的突变区域，最后根据突变区域的两个端点以及突变区域的形状信息，能够得到更为准确的磨损状况信息。本发明提供的高速电梯零部件磨损状态实时检测预警方法，不但能够提升边缘信息检测结果的准确性，而且能够提升曳引轮的磨损状态的检测结果的准确性。

附图说明

图1是本发明提供的一种高速电梯零部件磨损状态实时检测预警方法的流程图；

图2是弱边缘点曲线拟合示意图。

具体实施方式

钢丝绳要与轮槽有一定的契合度以及良好的工作状态才能保证电梯可以正常安全的运行，如果发生了较为严重的磨损情况，很可能会导致每根钢丝绳的受力不均，电梯就会发生抖动，钢丝绳可能会脱轨，这将会形成较为严重的安全隐患，可能会造成安全事故，因此对曳引轮的轮槽的磨损状况的实时监测是非常重要的，可以在一定程度上避免安全事故的发生。钢丝绳与曳引轮之间产生摩擦可能会造成轮槽的表皮脱落，随着电梯的长时间的使用，会使得表皮脱落的地方越来越大，也就是磨损程度会加剧，这在一定程度上对钢丝绳和轮槽之间的摩擦力产生影响，进而影响电梯的轮槽和钢丝绳的使用寿命，也会严重影响电梯的使用安全风险。相应地，本实施例提供一种高速电梯零部件磨损状态实时检测预警方法，该方法主要针对电梯曳引轮槽边缘磨损状态的实时监测预警。

如图1所示，该方法包括如下步骤：

步骤S1：获取曳引轮的轮槽灰度图：

曳引式电梯的曳引轮的轮槽与钢丝绳之间的摩擦问题导致的零件磨损会直接导致电梯安全的风险加剧，为了对曳引轮的轮槽的磨损状态进行实时的监测，本实施例中，在电梯井的曳引轮的轮槽的正下方放置一个高清的工业相机，工业相机的图像采集面朝向曳引轮的轮槽设置。应当理解，工业相机的具体选型，以及工业相机与曳引轮之间的距离由实际情况进行设置。

由于电梯井内曳引轮槽的下方光线可能相对较暗，还可以对拍摄环境做一定的补光处理，使得拍摄到的图像具备足够的清晰度，尽量减少因为拍摄环境造成的监测误差。

应当理解，工业相机采集到的曳引轮的轮槽的图像可以为RGB图像，那么，需要将其转换成灰度图，或者，工业相机采集到的曳引轮的轮槽的图像还可以直接为灰度图。

更优地，还可以对获取到的曳引轮的轮槽灰度图进行滤波、去噪等预处理操作，可以进一步提升图像质量。

步骤S2：获取所述轮槽灰度图的强边缘点和弱边缘点：

对轮槽灰度图进行边缘提取，本实施例中，采用canny边缘检测算法对轮槽灰度图进行边缘提取。canny边缘检测算法为最为常用的边缘检测算法，本实施例不再赘述其算法过程。

通过canny边缘检测算法，能够得到轮槽灰度图的强边缘点、弱边缘点和非边缘点，选取其中的强边缘点和弱边缘点。

步骤S3：获取所述弱边缘点的拟合曲线，从所有所述弱边缘点中选取预设个数的距离所述拟合曲线最近的弱边缘点，得到目标弱边缘点：

采用canny边缘检测算法的过程中，sobel算子会将图像中梯度大的像素点都筛选出来，这些像素点中有些像素点被认为是强边缘点，有些像素点是非边缘点，还有些弱边缘点，这些弱边缘像素点在经过非极大值抑制筛选的时候有些像素点可能会被抑制，也就是弱边缘点中保留了一部分的像素点，对另一部分的像素点筛除，因此需要采用如下处理过程，为了保留边缘轮廓中磨损缺陷的边缘像素点。

对获取到的弱边缘点进行曲线拟合，得到弱边缘点的拟合曲线f (x)。应当理解，需要将各个弱边缘点构建在二维坐标系中，根据各个弱边缘点的坐标点位置，进行曲线拟合，得到合曲线f (x)。

由于并非所有的弱边缘点均会处于拟合曲线f (x) 上。那么，计算各个弱边缘点与拟合曲线上f (x)的距离（距离可以为欧氏距离），即各个弱边缘点与拟合曲线上f (x)的最短距离。由于点到曲线的最短距离的计算过程属于现有技术，不再赘述。应当理解，若弱边缘点处于拟合曲线上f (x)上，则对应的距离为0。

预设一个个数，该预设个数由实际需要进行设置，可以为具体数值，也可以为一个百分比，其中，若为百分比，则将该百分比乘以弱边缘点总数量，得到需要的数量。设定预设个数为k。

从所有弱边缘点对应的距离中，选取k个距离拟合曲线f (x)最近的弱边缘点，具体地：将得到的所有的距离从小到大排序，选取前k个距离，进而得到前k个距离对应的弱边缘点，即为目标弱边缘点。目标弱边缘点为曲线拟合效果最好的像素点。如图2所示，曲线为拟合得到的曲线，曲线附近的各个点为弱边缘点，从这些弱边缘点中获取前k个距离拟合曲线f (x)最近的目标弱边缘点。图2中的两个直线表征强边缘点。

根据弱边缘点与拟合曲线的拟合程度，将拟合程度最好的弱边缘点进行标记，作为拟合效果最好的拟合曲线。因此，以最优的效果可以表征非极大抑制的下界阈值，对弱边缘点进行区分，得到轮廓的更为准确的边缘信息。

步骤S4：根据所述强边缘点和目标弱边缘点，得到轮槽边缘图像：

得到强边缘点以及目标弱边缘点之后，就能够得到轮槽边缘图像。其中轮槽边缘图像由得到的强边缘点以及目标弱边缘点构成。

步骤S5：获取所述轮槽边缘图像中各个边缘点的斜率变化值，并获取满足预设条件的所述斜率变化值所对应的边缘点，结合所述轮槽边缘图像，得到突变区域：

因为边缘轮廓中没有缺陷的部分的像素点的分布是比较有规律的，像素点之间的斜率变化量较小，斜率变化剧烈的像素点就是缺陷区域的像素点。

轮槽边缘图像本质上是由多个边缘点构成的边缘点集合。对于任意一个边缘点，就能够获取到该边缘点的斜率，应当理解，在获得斜率之前，需要将轮槽边缘图像等效成一个曲线，通过对曲线进行求导，就可以得到各个边缘点的斜率。由于曲线中各个点的斜率的计算过程为常规技术手段，不再赘述。

首先获取轮槽边缘图像中各个边缘点的斜率变化值，斜率变化值表征相邻的两个边缘点的斜率之间的差别，本实施例中，对于任意一个边缘点，计算该边缘点的斜率与相邻的下一个边缘点的斜率的差值绝对值，作为该边缘点的斜率变化值。应当理解，由于存在边缘点及其下一个边缘点，因此，可以对轮槽边缘图像所对应的曲线进行方向确定，具体地：可以指定轮槽边缘图像的其中一个端点向另一个端点的方向作为设定方向，就可以确定各个边缘点相邻的下一个边缘点。通过上述过程，能够得到各个边缘点的斜率变化值。

然后，获取满足预设条件的斜率变化值所对应的边缘点。由于需要获取突变区域（即磨损区域），突变区域的两端的边缘点斜率变化较大。

若出现了斜率突变的边缘点，就是缺陷区域导致的边缘线发生的凹陷，凹陷进去的部分就是突变区域，在刚开始出现突变区域的时候，突变区域的凹陷程度较小；随着磨损时间的变化，突变区域的凹陷程度可能会变大；因此需要将突变区域的变化进行一个数学模型的量化去预测和评估。

因此，本实施例中，将得到的轮槽边缘图像的各边缘点的斜率变化值按照从小到大的顺序进行排序，得到变化值序列；从变化值序列中获取最大的两个斜率变化值，最大的两个斜率变化值对应斜率变化比较剧烈。最大的两个斜率变化值为目标斜率变化值，从各个目标斜率变化值中确定参考边缘点。参考边缘点用于确定突变区域的两个端点，因此，对于任意一个目标斜率变化值，确定该目标斜率变化值对应的两个边缘点中的斜率较小的边缘点，斜率较小的边缘点为该目标斜率变化值所对应的参考边缘点。应当理解，每一个目标斜率变化值均得到一个参考边缘点。参考边缘点属于强边缘点，而目标斜率变化值中的另外一个边缘点为弱边缘点。而且，这两个参考边缘点通常情况下存在于同一条直线上。

最后根据得到的两个参考边缘点和轮槽边缘图像，得到突变区域，其中，将得到的两个参考边缘点作为突变区域的两个端点；将轮槽边缘图像中，确定得到的两个参考边缘点之间的边缘段构成突变区域。

步骤S6：根据所述突变区域的两个端点以及所述突变区域的形状信息，得到磨损状况：

得到突变区域之后，根据突变区域的两个端点以及突变区域的形状信息，得到磨损状况。本实施例中，先获取反映突变区域的形状特征的边缘点，作为特征边缘点。本实施例中，对突变区域对应的曲线进行求导，得到曲线的各个极大值点，并获取各个极大值点中的最大极大值点，最大极大值点所对应的边缘点为特征边缘点。上述中，是在突变区域对应的是凸出的形状。相同的道理，若突变区域是凹陷的形状，则还可以获取曲线的各个极小值点，并获取各个极小值点中的最小极小值点，最小极小值点所对应的边缘点为特征边缘点。作为其他的实施方式，不管突变区域是凸出还是凹陷，特征边缘点均还可以采用如下方式获取：将突变区域的两个端点相连，构成一条直线，计算突变区域的各个边缘点与该直线的距离，将其中最大的距离所对应的边缘点作为特征边缘点。

然后，获取各个端点与特征边缘点之间的连线所形成的夹角θ，由于形成的夹角θ有两个，其中一个是小于180°，另一个是大于180°，那么，取小于180°的夹角，即夹角θ小于180°，夹角θ为突变区域的张角。获取突变区域中除特征边缘点之外的其他各个边缘点与特征边缘点之间连线的斜率的绝对值，那么，得到与除特征边缘点之外的其他各个边缘点一一对应的斜率的绝对值，计算斜率的绝对值的平均值，得到斜率均值A。应当理解，由于突变区域为磨损区域，具有一定的形状，因此，突变区域中除特征边缘点之外的其他各个边缘点与特征边缘点之间连线的斜率均不为0，则斜率取绝对值之后均大于0，斜率均值A也大于0。

最后，根据夹角θ与斜率均值A得到磨损程度指标H，其中，磨损程度指标H与夹角θ呈正相关关系，与斜率均值A呈负相关关系。作为一个具体实施方式，如下给出磨损程度指标H的一种计算公式：

表示突变区域张角的变化量（可以理解为归一化），张角越大，/>的比值越接近于1，证明边缘轮廓的磨损的情况越严重；而斜率均值A越小，意味着突变区域的边缘变得更加平缓，即突变区域沿着磨损方向进行了延伸，因此，/>的值越大，磨损程度指标H随着时间的推移变得越大，证明边缘轮廓的磨损的情况越严重。

作为其他的实施方式，如下给出磨损程度指标H的另外一种计算公式：

其中，A+1作为分母，可以进一步避免分母为0。

应当理解，上述两个计算公式中，采用相加运算得到磨损程度指标H，作为其他的实施方式，还可以采用相乘运算得到磨损程度指标H，比如：

得到的磨损程度指标H即为磨损状况。

上述模型中张角主要用来衡量突变区域的磨损程度，因为刚开始的突变区域的张开程度较小，随着磨损时间的推移，突变区域的边缘会被磨损的更广，θ的角度会更大；在磨损的过程中，突变区域的边缘像素点的平均斜率会变得更加平缓，也就是磨损的区域会变得更大，这个时候的磨损状态会更为严重。由于突变区域会朝着钢丝绳的运动方向进行磨损，会朝着上下两个方向磨损变化，因此，两个方向上的磨损程度指标H均按照上述过程计算得到，磨损程度指标H变得越大，就证明磨损时间越久，即磨损情况越严重。

本实施例中，高速电梯零部件磨损状态实时检测预警方法还包括：根据磨损状况进行预警。作为一个具体实施方式，每间隔预设时间获取一次磨损程度指标，获取预设个数的磨损程度指标；若预设个数的磨损程度指标依次增大，则输出预警信号。比如：每间隔一个小时获取一次磨损程度指标，总共获取三次磨损程度指标，若根据时间先后顺序，这三个磨损程度指标依次增大，则输出预警信号。作为其他的实施方式，设置一个磨损程度指标阈值，若检测得到的磨损程度指标大于或者等于该磨损程度指标阈值，则输出预警信号。磨损程度指标阈值由实际需要进行设定。

因此，电梯在运行中，曳引钢丝绳与曳引轮槽相互作用引起的轮槽适当的磨损是正常的，但是磨损过快，尤其是各轮槽发生不规律的严重磨损时，随着磨损时间的变化，轮槽边缘轮廓的突变区域的张角会变得更大，并且突变区域的边缘在沿着电梯运动的方向上边缘像素点的平均斜率会变得更小，会使得突变区域的面积增大，这样不但会影响曳引轮寿命，还会造成电梯运行的不平稳，甚至造成安全事故，针对突变区域随着时间的变化程度来对磨损状态进行评估，进而对电梯的安全进行实时的检测和预警。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (9)

1.一种高速电梯零部件磨损状态实时检测预警方法，其特征在于，包括：

获取曳引轮的轮槽灰度图；

获取所述轮槽灰度图的强边缘点和弱边缘点；

获取所述弱边缘点的拟合曲线，从所有所述弱边缘点中选取预设个数的距离所述拟合曲线最近的弱边缘点，得到目标弱边缘点；

根据所述强边缘点和目标弱边缘点，得到轮槽边缘图像；

获取所述轮槽边缘图像中各个边缘点的斜率变化值，并获取满足预设条件的所述斜率变化值所对应的边缘点，结合所述轮槽边缘图像，得到突变区域；

根据所述突变区域的两个端点以及所述突变区域的形状信息，得到磨损状况；

所述根据所述突变区域的两个端点以及所述突变区域的形状信息，得到磨损状况，包括：

获取反映所述突变区域的形状特征的边缘点，作为特征边缘点；

获取各个端点与所述特征边缘点之间的连线所形成的夹角，所述夹角小于180°；

获取所述突变区域中除所述特征边缘点之外的其他各个边缘点与所述特征边缘点之间连线的斜率的绝对值，并计算斜率的绝对值的平均值，得到斜率均值；

根据所述夹角与所述斜率均值得到磨损程度指标，其中，所述磨损程度指标与所述夹角呈正相关关系，与所述斜率均值呈负相关关系。

2.根据权利要求1所述的高速电梯零部件磨损状态实时检测预警方法，其特征在于，所述获取所述轮槽边缘图像中各个边缘点的斜率变化值，包括：

对于任意一个边缘点，计算该边缘点的斜率与相邻的下一个边缘点的斜率的差值绝对值，作为该边缘点的斜率变化值。

3.根据权利要求1所述的高速电梯零部件磨损状态实时检测预警方法，其特征在于，所述获取满足预设条件的所述斜率变化值所对应的边缘点，包括：

将各所述斜率变化值按照从小到大的顺序进行排序，得到变化值序列；

从所述变化值序列中获取最大的两个斜率变化值，得到目标斜率变化值，从所述目标斜率变化值中确定参考边缘点。

4.根据权利要求3所述的高速电梯零部件磨损状态实时检测预警方法，其特征在于，所述从所述目标斜率变化值中确定参考边缘点，包括：

对于任意一个目标斜率变化值，确定该目标斜率变化值对应的两个边缘点中斜率较小的边缘点，得到该目标斜率变化值所对应的参考边缘点。

5.根据权利要求3或4所述的高速电梯零部件磨损状态实时检测预警方法，其特征在于，所述结合所述轮槽边缘图像，得到突变区域，包括：

将得到的两个参考边缘点作为所述突变区域的所述两个端点；将所述轮槽边缘图像中，确定得到的两个参考边缘点之间的边缘段构成所述突变区域。

6.根据权利要求1所述的高速电梯零部件磨损状态实时检测预警方法，其特征在于，所述磨损程度指标的计算公式如下：

其中，H为所述磨损程度指标，θ为所述夹角，A为所述斜率均值。

7.根据权利要求6所述的高速电梯零部件磨损状态实时检测预警方法，其特征在于，所述获取反映所述突变区域的形状特征的边缘点，作为特征边缘点，包括：

对所述突变区域对应的曲线进行求导，得到曲线的极大值点，并获取各个极大值点中的最大极大值点，所述最大极大值点所对应的边缘点为所述特征边缘点。

8.根据权利要求1所述的高速电梯零部件磨损状态实时检测预警方法，其特征在于，所述高速电梯零部件磨损状态实时检测预警方法还包括：根据所述磨损状况进行预警。

9.根据权利要求8所述的高速电梯零部件磨损状态实时检测预警方法，其特征在于，根据所述磨损状况进行预警，包括：

每间隔预设时间获取一次磨损程度指标，获取预设个数的磨损程度指标；

若所述预设个数的磨损程度指标依次增大，则输出预警信号。