CN116873689A - 电梯检验数据分析方法、装置、设备及存储介质 - Google Patents
电梯检验数据分析方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116873689A CN116873689A CN202311140694.4A CN202311140694A CN116873689A CN 116873689 A CN116873689 A CN 116873689A CN 202311140694 A CN202311140694 A CN 202311140694A CN 116873689 A CN116873689 A CN 116873689A
- Authority
- CN
- China
- Prior art keywords
- data
- analysis
- elevator
- inspection data
- elevator inspection
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000007405 data analysis Methods 0.000 title claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 134
- 230000004044 response Effects 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 16
- 238000012544 monitoring process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 6
- 230000006855 networking Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 241001584775 Tunga penetrans Species 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- B66B5/0006—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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B1/00—Control systems of elevators in general
- B66B1/02—Control systems without regulation, i.e. without retroactive action
- B66B1/06—Control systems without regulation, i.e. without retroactive action electric
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B1/00—Control systems of elevators in general
- B66B1/34—Details, e.g. call counting devices, data transmission from car to control system, devices giving information to the control system
- B66B1/3415—Control system configuration and the data transmission or communication within the control system
- B66B1/3423—Control system configuration, i.e. lay-out
-
- 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
-
- 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)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
- Maintenance And Inspection Apparatuses For Elevators (AREA)
Abstract
本申请公开了电梯检验数据分析方法、装置、电子设备和存储介质,其中,方法包括:响应于对一个电梯终端的电梯检验数据的分析请求,查询该电梯终端已上传的历史电梯检验数据;根据针对该电梯终端的前次分析请求以及本次分析请求,选定历史电梯检验数据中的一部分作为输入数据;将输入数据输入至一个智能分析模型以使智能分析模型输出分析结果;电梯检验数据包括曳引机的振动信号数据、噪音信号数据、温度信号数据、电流信号数据或/和转速信号数据。本申请的有益之处在于提供一种根据数据变化的程度智能化的选定数据从而使数据更适合输入智能分析模型的电梯检验数据分析方法、装置、设备及存储介质。
Description
技术领域
本申请涉及电梯检验监测技术,具体而言,涉及一种电梯检验数据分析方法、装置、设备及存储介质。
背景技术
预测性维护是工业大数据和人工智能方面的一个重要的应用场景。它针对设备、设施的故障和失效,由被动故障维护到定期检修(人工巡检)再到主动预防最终到事先预测和综合规划管理的演进中,不断提升、发展。
现有的电梯检验数据往往采用人工数据分析的方式分析电梯是否可能存在故障,这不仅效率较低而且对人员经验要求较高。
发明内容
本申请的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本申请的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本申请的一些实施例提出了一种电梯检验数据分析方法、装置、电子设备和存储介质,来解决以上背景技术部分提到的技术问题。
作为本申请的第一方面,本申请的一些实施例提供了一种电梯检验数据分析方法,包括:响应于对一个电梯终端的电梯检验数据的分析请求,查询该电梯终端已上传的历史电梯检验数据;根据针对该电梯终端的前次分析请求以及本次分析请求,选定历史电梯检验数据中的一部分作为输入数据;将所述输入数据输入至一个智能分析模型以使所述智能分析模型输出分析结果;其中,所述电梯检验数据包括曳引机的振动信号数据、噪音信号数据、温度信号数据、电流信号数据或/和转速信号数据。
进一步的,所述智能分析模型被构造为一个机器学习模型。
进一步的,所述智能分析模型被构造为一个神经网络模型。
进一步的,其中,所述响应于对一个电梯终端的电梯检验数据的分析请求,查询该电梯终端已上传的历史电梯检验数据,包括:
根据所述分析请求中分析项目选定所述电梯检测数据的类型。
进一步的,其中,所述根据针对该电梯终端的前次分析请求的请求时间和分析结果以及本次分析请求的请求时间,选定历史电梯检验数据中的一部分作为输入数据,包括:
根据所述分析请求中分析范围选定所述历史电梯检测数据范围;
根据针对该电梯终端的前次分析请求的所述历史电梯检测数据范围,获取本次所述分析请求的所述历史电梯检测数据范围和前次获取本次所述分析请求的所述历史电梯检测数据范围的差集;
将所述差集按照设定的单位时长划分为单位差集数据,将单位差集数据输入至一个差异分析模型以使所述差异分析模型输出代表数据是否差异是否满足设定条件的差异分类参数;
统计所有单位差集数据的差异分类参数并计算代表数据满足设定条件的差异分类参数占所有差异分类参数的比例;
如果所述比例大于等于设定的比例阈值,则获取前次分析请求的分析结果;
如果前次分析结果为检验无故障则将代表数据满足设定条件的差异分类参数的若干所述单位差集数据作为所述输入数据;
如果前次分析结果为检测有故障则将代表数据不满足设定条件的差异分类参数的若干所述单位差集数据作为所述输入数据。
进一步的,其中,所述将所述输入数据输入至一个智能分析模型以使所述智能分析模型输出分析结果,包括:
将历史电梯检测数据按照单位时长划分为单位差集数据的序列;
采用所述单位差集数据的序列构成训练集以训练所述智能分析模型以使所述智能分析模型能根据上一次输入数据序列输出一个等长的数据序列。
进一步的,所述智能分析模型被构造为BP神经网络模型。
作为本申请的第二方面,本申请的一些实施例提供了一种电梯检验数据分析装置,包括:查询模块,用于响应于对一个电梯终端的电梯检验数据的分析请求,查询该电梯终端已上传的历史电梯检验数据;选定模块,用于根据针对该电梯终端的前次分析请求以及本次分析请求,选定历史电梯检验数据中的一部分作为输入数据;分析模块,用于将所述输入数据输入至一个智能分析模型以使所述智能分析模型输出分析结果。
作为本申请的第三方面,本申请的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
作为本申请的第四方面,本申请的一些实施例提供了一种存储介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本申请的有益效果在于:提供一种能够根据数据变化的程度智能化的选定数据从而使数据更适合输入智能分析模型的电梯检验数据分析方法、装置、设备及存储介质。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请,并不构成对本申请的不当限定。
另外,贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
在附图中:
图1是根据本申请一种实施例的电梯检验数据分析系统的架构示意图
图2是根据本申请一种实施例的云平台的架构示意图;
图3是根据本申请一种实施例的电梯检验数据分析系统通讯架构的示意图;
图4是根据本申请一种实施例的电梯检验数据分析方法的主要步骤示意图;
图5是根据本申请一种实施例的电梯检验数据分析方法中部分步骤示意图;
图6是根据本申请一种实施例的电梯检验数据分析装置的结构示意图;
图7是根据本申请一种实施例的电子设备的结构示意图。
实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现, 而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“ 第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
参照图1所示,本申请的电梯检验数据分析系统包括:若干电梯终端和一个云平台。
其中,电梯终端用于采集和上传电梯的电梯检验数据。具体而言,电梯终端通过无线通讯网络发送电梯的电梯检验数据。
更具体而言,电梯一般包括曳引机、曳引钢丝绳和轿厢。其中,曳引机是电梯的动力设备,又称电梯主机。功能是输送与传递动力使电梯运行。它由电动机、制动器、联轴器、减速箱、曳引轮、机架和导向轮及附属盘车手轮等组成。导向轮一般装在机架或机架下的承重梁上。盘车手轮有的固定在电机轴上,也有平时挂在附近墙上,使用时再套在电机轴上。而曳引钢丝绳则连接在曳引机和轿厢之间用于传递拉力从而提升或降落轿厢。
为了对电梯的运行进行安全监测,可以对曳引机、曳引钢丝绳和轿厢的相关参数进行检测。一般而言,如图3所示,可以采用振动传感器、噪音传感器对曳引机、曳引钢丝绳以及轿厢的振动和噪声进行检测,同时又可以采用温度传感器对曳引机的温度进行检测从而获知曳引机是否过热。并且将曳引机自身控制所需检测的电流和转速也作为检测项目。
另外,为了更好监控轿厢,可以采用一个或多个陀螺仪对轿厢的姿态进行检测,从而获得能够反应轿厢姿态的数据。
由以上可知,这些传感器设置在整个电梯的不同位置,作为一种优选方案,本申请的电梯终端包括若干个物联网通讯模块(图中未示出),它们可以进行近程通讯从而将各个传感器上传的数据进行汇总,如图3所示,该物联网通讯模块可以选用Smartmesh网络模块进行通讯组网,并对应曳引机、曳引钢丝绳和轿厢分别设置一个Smartmesh网络模块。
另外,电梯终端配置有一个总的远程无线通讯模块(图中未示出)将各个物联网通讯模块收集的数据再次汇总发送至云平台。如图3所示,该远程无线通讯模块可以采用一个5G模块。
具体而言,每个电梯配置的电梯终端相当于该电梯的“黑匣子”。
如图3所示,电梯终端包括用于获取关键部件状态的传感器,传感器组网模块,5G通讯模块等,图3中的上层服务应用主要指计算机端的云平台等部分。传感器主要有监测振动的振动传感器,拾取噪声信号的噪声传感器,温度传感器,由三轴加速度和三轴陀螺仪组合成的姿态传感器,这些传感器需要独立设置在关键部件的适当位置。另外,电流信号和转速信号利用曳引机自带的电流传感器和转速传感器获取。将上述传感器进行自组网,形成本地网关,并将信号发送给5G模块,且各个电梯终端间形成区块,通过搭建区块链并经由5G模块上传到以太网,云平台从以太网获取信息并进行交互处理。
更具体而言,在电梯中的关键部件如曳引机、曳引绳、轿厢等上的合适位置布置测点。
电梯终端的各类传感器用于采集曳引机的振动信号、噪声信号、温度信号、电流信号和转速信号,其中对振动、噪声和温度信号提取并分析特征量实现健康监测、故障预测及应急救援;根据电流信号和转速信号及曳引机相关参数计算曳引机输出转矩,进而估算制动器的制动力矩,实现制动器的健康监测和故障预测及应急救援;采集并分析曳引绳的振动信号和噪声信号,对曳引绳和曳引轮的状态进行监测和故障预测及应急救援;采集并分析轿厢的姿态信号、轿厢外的噪声信号,对轿厢的状态进行监测和故障预测及应急救援。
电梯井内传感器的组网方式。每部电梯内的各个测点的传感器通过Smartmesh协议进行组网,形成本地网关。本地网关接入5G模块,将传感器数据通过5G网络接入云平台。
作为具体方案,本申请中的电梯检验数据包括:曳引机振动数据、曳引机噪声数据、曳引机温度数据、曳引机电流数据和曳引机转速数据、曳引钢丝绳振动数据、曳引钢丝绳噪声数据、轿厢振动数据、轿厢噪声数据和轿厢姿态数据。
其中,作为具体方案,轿厢姿态数据包括两组具体数据:X轴倾角和Y轴倾角。也即轿厢在水平面两个方向上的倾角角度。
其中,如图3所示,云平台包括:信号处理模块、故障预测模块和维护管理模块。其中,信号处理模块主要对传输过来的传感器信号进行处理、提取并分析特征量,实现健康监测;故障预测模块主要是在大数据的分析和评估基础上,聚焦在对相关部件或设备的故障及剩余寿命的预测;维护管理模块是通过使用故障预测结果,构建预测性维护和按需维护所需的资源类型,包括人员、备件、工具和时间等,实现计划、实施、检查、分析(PDCA)的闭环控制。
本申请的电梯检验数据分析方法主要由上述云平台执行。
具体而言,参照图4所示,本申请的电梯检验数据的步骤包括:
S1:响应于对一个电梯终端的电梯检验数据的分析请求,查询该电梯终端已上传的历史电梯检验数据。这个分析请求可以来自于与云平台进行数据交互的智能手机、PDA或者PC计算机。
S2:根据针对该电梯终端的前次分析请求以及本次分析请求,选定历史电梯检验数据中的一部分作为输入数据。
S3:将所述输入数据输入至一个智能分析模型以使所述智能分析模型输出分析结果;其中,所述电梯检验数据包括曳引机的振动信号数据、噪音信号数据、温度信号数据、电流信号数据或/和转速信号数据。
具体而言,智能分析模型被构造为一个机器学习模型。
作为优选方案,智能分析模型被构造为一个神经网络模型,尤其是一种卷积神经网络模型,该模型即可以用来实现预测也可以用来实现分类。
具体而言,步骤S1可以具体包括:根据分析请求中分析项目选定电梯检测数据的类型。比如可以选择振动分析、噪音分析等。
如图5所示,具体而言,步骤S2具体包括:
S21:根据分析请求中分析范围选定历史电梯检测数据范围。
S22:根据针对该电梯终端的前次分析请求的历史电梯检测数据范围,获取本次分析请求的历史电梯检测数据范围和前次获取本次分析请求的历史电梯检测数据范围的差集。
S23:将差集按照设定的单位时长划分为单位差集数据,将单位差集数据输入至一个差异分析模型以使差异分析模型输出代表数据是否满足设定条件的差异分类参数。
具体而言,单位时长为采样频率的间隔时长或者其整数倍,当然为了分析具有社会价值,单位时长也可以设置为分钟、小时、天以它们的整数倍。
S24:统计所有单位差集数据的差异分类参数并计算代表数据满足设定条件的差异分类参数占所有差异分类参数的比例。
S25:如果比例大于等于设定的比例阈值,则获取前次分析请求的分析结果。
S26:如果前次分析结果为检验无故障则将代表数据满足设定条件的差异分类参数的若干单位差集数据作为输入数据。
S27:如果前次分析结果为检测有故障则将代表数据不满足设定条件的差异分类参数的若干单位差集数据作为输入数据。
这样好处在于,可以将数据颗粒化,将有用的数据纳入到分析的序列,而将数据差异不明显的数据过滤掉,避免后期智能模型分析收到干扰。
作为具体方案,差异分析模型将单位差集数据和与之相邻N个单位差集数据作为输入数据,以0和1代表不满足和满足作为输出数据训练差异分析模型。
具体而言,步骤S3具体包括:
S31:将历史电梯检测数据按照单位时长划分为单位差集数据的序列;
S32:采用单位差集数据的序列构成训练集以训练智能分析模型以使智能分析模型能根据上一次输入数据序列输出一个等长的数据序列。
具体而言,智能分析模型被构造为BP神经网络模型。这样智能分析模型输出的序列中最后一个元素为预测的单位差集数据,如果该单位差数据不符合安全标准,则系统发出警报。
针对不同类的电梯检测数据可以训练不同智能分析模型。上述方法即可以用于训练智能分析模型,也能用于使用智能分析模型进行分析。
如图6所示,本申请的电梯检验数据分析装置,包括:查询模块,用于响应于对一个电梯终端的电梯检验数据的分析请求,查询该电梯终端已上传的历史电梯检验数据;选定模块,用于根据针对该电梯终端的前次分析请求以及本次分析请求,选定历史电梯检验数据中的一部分作为输入数据;分析模块,用于将所述输入数据输入至一个智能分析模型以使所述智能分析模型输出分析结果。
如图7所示,电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM803中,还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常,以下装置可以连接至I/O接口805:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806:包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807;包括例如磁带、硬盘等的存储装置808:以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备800,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置809从网络上被下载和安装,或者从存储装置808被安装,或者从ROM802被安装。在该计算机程序被处理装置801执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是(但不限于)电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何存储介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,adhoc端对端网络),以及任何当前已知或未来研发的网络。
上述存储介质可以是上述电子设备中所包含的:也可以是单独存在,而未装配入该电子设备中。上述存储介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:响应于对一个电梯终端的电梯检验数据的分析请求,查询该电梯终端已上传的历史电梯检验数据;根据针对该电梯终端的前次分析请求以及本次分析请求,选定历史电梯检验数据中的一部分作为输入数据;将所述输入数据输入至一个智能分析模型以使所述智能分析模型输出分析结果;其中,所述电梯检验数据包括曳引机的振动信号数据、噪音信号数据、温度信号数据、电流信号数据或/和转速信号数据。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言―诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言:诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。
也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。
例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种电梯检验数据分析方法,包括:
响应于对一个电梯终端的电梯检验数据的分析请求,查询该电梯终端已上传的历史电梯检验数据;
根据针对该电梯终端的前次分析请求以及本次分析请求,选定历史电梯检验数据中的一部分作为输入数据;
将所述输入数据输入至一个智能分析模型以使所述智能分析模型输出分析结果;
其中,所述电梯检验数据包括曳引机的振动信号数据、噪音信号数据、温度信号数据、电流信号数据或/和转速信号数据。
2.根据权利要求1所述的电梯检验数据分析方法,其特征在于:
所述智能分析模型被构造为一个机器学习模型。
3.根据权利要求1所述的电梯检验数据分析方法,其特征在于:
所述智能分析模型被构造为一个神经网络模型。
4.根据权利要求1所述的电梯检验数据分析方法,其特征在于:
其中,所述响应于对一个电梯终端的电梯检验数据的分析请求,查询该电梯终端已上传的历史电梯检验数据,包括:
根据所述分析请求中分析项目选定所述电梯检测数据的类型。
5.根据权利要求1所述的电梯检验数据分析方法,其特征在于:
其中,所述根据针对该电梯终端的前次分析请求的请求时间和分析结果以及本次分析请求的请求时间,选定历史电梯检验数据中的一部分作为输入数据,包括:
根据所述分析请求中分析范围选定所述历史电梯检测数据范围;
根据针对该电梯终端的前次分析请求的所述历史电梯检测数据范围,获取本次所述分析请求的所述历史电梯检测数据范围和前次获取本次所述分析请求的所述历史电梯检测数据范围的差集;
将所述差集按照设定的单位时长划分为单位差集数据,将单位差集数据输入至一个差异分析模型以使所述差异分析模型输出代表数据是否差异是否满足设定条件的差异分类参数;
统计所有单位差集数据的差异分类参数并计算代表数据满足设定条件的差异分类参数占所有差异分类参数的比例;
如果所述比例大于等于设定的比例阈值,则获取前次分析请求的分析结果;
如果前次分析结果为检验无故障则将代表数据满足设定条件的差异分类参数的若干所述单位差集数据作为所述输入数据;
如果前次分析结果为检测有故障则将代表数据不满足设定条件的差异分类参数的若干所述单位差集数据作为所述输入数据。
6.根据权利要求1所述的电梯检验数据分析方法,其特征在于:
其中,所述将所述输入数据输入至一个智能分析模型以使所述智能分析模型输出分析结果,包括:
将历史电梯检测数据按照单位时长划分为单位差集数据的序列;
采用所述单位差集数据的序列构成训练集以训练所述智能分析模型以使所述智能分析模型能根据上一次输入数据序列输出一个等长的数据序列。
7.根据权利要求6所述的电梯检验数据分析方法,其特征在于:
所述智能分析模型被构造为BP神经网络模型。
8.一种电梯检验数据分析装置,包括:
查询模块,用于响应于对一个电梯终端的电梯检验数据的分析请求,查询该电梯终端已上传的历史电梯检验数据;
选定模块,用于根据针对该电梯终端的前次分析请求以及本次分析请求,选定历史电梯检验数据中的一部分作为输入数据;
分析模块,用于将所述输入数据输入至一个智能分析模型以使所述智能分析模型输出分析结果。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述处理器实现如权利要求1至7任意一项所述的方法。
10.一种存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311140694.4A CN116873689B (zh) | 2023-09-06 | 2023-09-06 | 电梯检验数据分析方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311140694.4A CN116873689B (zh) | 2023-09-06 | 2023-09-06 | 电梯检验数据分析方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116873689A true CN116873689A (zh) | 2023-10-13 |
CN116873689B CN116873689B (zh) | 2024-01-02 |
Family
ID=88271893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311140694.4A Active CN116873689B (zh) | 2023-09-06 | 2023-09-06 | 电梯检验数据分析方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116873689B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109292567A (zh) * | 2018-02-28 | 2019-02-01 | 武汉大学 | 一种基于bp神经网络的电梯故障预测方法 |
CN110413848A (zh) * | 2019-07-19 | 2019-11-05 | 上海赜睿信息科技有限公司 | 一种数据检索方法、电子设备和计算机可读存储介质 |
CN111680740A (zh) * | 2020-06-04 | 2020-09-18 | 京东方科技集团股份有限公司 | 神经网络的训练方法、装置及用电负荷的判别方法、装置 |
CN112241748A (zh) * | 2019-07-16 | 2021-01-19 | 广州汽车集团股份有限公司 | 一种基于多源信息熵差异性的数据降维方法及装置 |
CN113734928A (zh) * | 2021-08-24 | 2021-12-03 | 东营市特种设备检验研究院 | 一种基于神经网络的在用电梯故障预测方法 |
JP2023003103A (ja) * | 2021-06-23 | 2023-01-11 | 株式会社日立ビルシステム | 昇降機の保守作業を支援する方法 |
WO2023066484A1 (en) * | 2021-10-21 | 2023-04-27 | Kone Corporation | Maintenance of elevator system |
-
2023
- 2023-09-06 CN CN202311140694.4A patent/CN116873689B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109292567A (zh) * | 2018-02-28 | 2019-02-01 | 武汉大学 | 一种基于bp神经网络的电梯故障预测方法 |
CN112241748A (zh) * | 2019-07-16 | 2021-01-19 | 广州汽车集团股份有限公司 | 一种基于多源信息熵差异性的数据降维方法及装置 |
CN110413848A (zh) * | 2019-07-19 | 2019-11-05 | 上海赜睿信息科技有限公司 | 一种数据检索方法、电子设备和计算机可读存储介质 |
CN111680740A (zh) * | 2020-06-04 | 2020-09-18 | 京东方科技集团股份有限公司 | 神经网络的训练方法、装置及用电负荷的判别方法、装置 |
JP2023003103A (ja) * | 2021-06-23 | 2023-01-11 | 株式会社日立ビルシステム | 昇降機の保守作業を支援する方法 |
CN113734928A (zh) * | 2021-08-24 | 2021-12-03 | 东营市特种设备检验研究院 | 一种基于神经网络的在用电梯故障预测方法 |
WO2023066484A1 (en) * | 2021-10-21 | 2023-04-27 | Kone Corporation | Maintenance of elevator system |
Also Published As
Publication number | Publication date |
---|---|
CN116873689B (zh) | 2024-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6942833B2 (ja) | クロスドメイン時系列データ変換装置、方法、およびシステム | |
CN111650917B (zh) | 一种设备的多维度状态在线监测方法及系统 | |
CN112061988B (zh) | 起重机分布式网络监测、单机监测管理系统及方法 | |
CN112836404A (zh) | 智能挖掘机的结构性能数字孪生体构建方法 | |
Van Khoa et al. | Wireless sensor network in landslide monitoring system with remote data management | |
CN113642946A (zh) | 一种基于城市重要基础设施的感知信息集成接入系统 | |
Greco et al. | IoT and semantic web technologies for event detection in natural disasters | |
Andersson et al. | Heterogeneous wireless sensor networks for flood prediction decision support systems | |
CN111668927A (zh) | 一种基于泛在电力物联网的变电站智能巡检系统及其控制方法 | |
CN212505894U (zh) | 基于4g物联网的桥梁顶推施工监控系统 | |
CN111400114A (zh) | 基于深度递归网络大数据计算机系统故障检测方法及系统 | |
CN116873689B (zh) | 电梯检验数据分析方法、装置、设备及存储介质 | |
CN113868803A (zh) | 机理模型和动态数据联合驱动的“云-边”结合数字孪生方法 | |
KR102104559B1 (ko) | 데이터 처리 기능이 포함된 사물인터넷 기반의 시설물에 대한 원격 통합 관제 및 제어용 게이트웨이 단말장치 | |
CN118062687A (zh) | 适于电梯检验的运行模拟方法、装置、设备及存储介质 | |
CN116986426A (zh) | 电梯检验数据管理系统及方法 | |
Lei et al. | Fiber Bragg grating smart material and structural health monitoring system based on digital twin drive | |
CN112526945B (zh) | 具备反馈与闭环控制功能的全流程监控与预警系统 | |
CN108345994A (zh) | 一种结构化的施工过程安全知识获取、表达与过程监控方法 | |
CN118145444A (zh) | 基于区块链的电梯调度数据管理系统 | |
CN118101329A (zh) | 电梯检验数据加密方法、装置、设备及存储介质 | |
CN116873690B (zh) | 电梯安全监控数据处理系统 | |
CN117509342A (zh) | 电梯检验数据管理系统及方法 | |
CN115012460B (zh) | 高压旋喷桩压力数据处理方法、装置、设备及可读介质 | |
CN113885418B (zh) | 多机仓环境参数的远程监控系统和方法 |
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 |