CN117326420A - 一种基于图像识别的联动电梯故障识别、诊断方法 - Google Patents
一种基于图像识别的联动电梯故障识别、诊断方法 Download PDFInfo
- Publication number
- CN117326420A CN117326420A CN202311299745.8A CN202311299745A CN117326420A CN 117326420 A CN117326420 A CN 117326420A CN 202311299745 A CN202311299745 A CN 202311299745A CN 117326420 A CN117326420 A CN 117326420A
- Authority
- CN
- China
- Prior art keywords
- elevator
- image information
- fault
- data
- image
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000003745 diagnosis Methods 0.000 title claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 30
- 230000004927 fusion Effects 0.000 claims abstract description 26
- 239000008186 active pharmaceutical agent Substances 0.000 claims abstract description 21
- 230000000007 visual effect Effects 0.000 claims abstract description 17
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 238000003860 storage Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000004891 communication Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000012512 characterization method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000010168 coupling process Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000005111 flow chemistry technique Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 230000008878 coupling Effects 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000011217 control strategy Methods 0.000 abstract description 4
- 230000004044 response Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012733 comparative method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction 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
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Maintenance And Inspection Apparatuses For Elevators (AREA)
Abstract
本发明公开了一种基于图像识别的联动电梯故障识别、诊断方法，涉及故障识别和诊断领域，首先通过视觉传感器组获取电梯内部和外部多角度图像信息，然后通过云服务器对多角度电梯图像信息进行平滑滤波、增强和标准化处理，然后对多角度电梯图像信息特征提取和融合，然后通过改进式FCM聚类算法模型进行电梯故障识别，并采用SVM‑DS融合决策算法进行电梯故障诊断，在检测到电梯存在故障时进行联动控制与处理，最后通过Snowflake云端数据仓库对电梯故障事件、时间戳、位置信息、图像特征和地磁特征进行储存，以便相似情况发生的快速响应；本发明引入多角度图像信息、改进式聚类算法和联动控制策略，并通过云平台实现实时处理、存储和分析。
Description
技术领域
本发明涉及故障识别和诊断领域，且更具体地涉及一种基于图像识别的联动电梯故障识别、诊断方法。
背景技术
电梯作为现代城市中不可或缺的交通工具，其安全性和可靠性一直备受关注。由于长时间的使用、设备老化、外部因素等原因，电梯可能会发生各种故障，导致安全隐患和运行问题，然而，由于电梯设备复杂，故障种类繁多，传统的故障诊断方法往往需要专业技术人员进行手动检测和分析，耗时耗力且容易出错因此需要一个有效的自动电梯故障识别、诊断方法。
但是，现有的自动电梯故障识别、诊断方法仅采用传感器进行电梯故障识别和诊断，具有局限性传感器数据采集需要对电梯进行改装或添加额外设备，增加了成本和维护复杂性；特征提取方法无法充分捕捉到关键特征，并且电梯故障图像中可能存在噪声、遮挡或其他干扰因素，导致分类准确度下降；电梯故障种类繁多，针对不同类型的故障需要设计的特征提取方法和分类器。
因此，本发明公开了一种基于图像识别的联动电梯故障识别、诊断方法，引入了多角度图像信息、改进的聚类算法和联动控制策略，并通过云平台实现了实时处理、存储和分析。
发明内容
针对现有技术的不足，本发明公开了一种基于图像识别的联动电梯故障识别、诊断方法，引入了多角度图像信息、改进的聚类算法和联动控制策略，并通过云平台实现了实时处理、存储和分析；通过视觉传感器组获取电梯内部和外部多角度的图像信息，提高了对电梯状态的全面感知能力；在云服务器上对多角度电梯图像信息进行平滑滤波、增强和标准化处理处理，消除噪声、增强关键特征，以提高特征提取的准确性；使用自监督视觉表征学习方法从多角度电梯图像中提取特征，并进行融合，综合利用不同角度的图像信息，增强了电梯故障识别能力；通过实时流处理引擎构建改进式FCM聚类算法模型，准确地将不同类别的图像进行聚类，提高了故障识别的准确性；采用SVM-DS融合决策算法，将多个二分类SVM模型进行组合，实现对多类别电梯故障的诊断，通过融合多个分类器的结果，可以提高电梯故障诊断的准确性和鲁棒性；通过Snowflake云端数据仓库对异常事件、时间戳、位置信息、图像特征和地磁特征等进行存储，方便后续快速响应相似情况；自动化、智能化程度高。
本发明采用以下技术方案：
一种基于图像识别的联动电梯故障识别、诊断方法，包括以下步骤：
步骤一、电梯图像信息采集，通过视觉传感器组获取电梯内部和外部多角度图像信息，并通过高速无线通讯网络将图像信息从传感器节点发送到云平台进行实时储存和处理；
步骤二、电梯图像信息预处理，通过云服务器对多角度电梯图像信息进行平滑滤波、增强和标准化处理，以提高特征提取的准确性；
步骤三、多角度电梯图像信息特征提取和融合，通过自监督视觉表征学习方法提取多角度电梯图像信息特征，并进行融合，以增强电梯故障识别能力；
步骤四、电梯故障识别，通过实时流处理引擎构建改进式FCM聚类算法模型，所述改进式FCM聚类算法模型将融合后的图像特征作为输入标签，异常图像特征作为输出标签，并通过训练算法模型实现电梯故障自动识别；
步骤五、电梯故障诊断，采用SVM-DS融合决策算法进行电梯故障诊断；
步骤六、联动控制与处理，检测到电梯存在故障时，云平台发送停止指令至电梯控制系统，使电梯立即停止运行，并自动触发应急机制，所述应急机制通过手机短信、邮件和APP推送方式向理人员和维修人员发送报警信息和故障诊断信息，并通过紧急通道门和备用电源快速疏散乘客；
步骤七、记忆电梯故障特征，通过Snowflake云端数据仓库对电梯故障事件、时间戳、位置信息和图像特征进行储存，以便相似情况发生的快速响应。
作为本发明进一步的技术方案，所述高速无线通讯网络通过三层TCP/UDP传输协议、七层HTTP/HTTPS缓存协议和服务器负载均衡逻辑将数据分布式部署至数据缓存服务器，以减少数据通讯时间，并采用低电压调制通讯标准LVM-hscs实现数据信号的抗干扰通讯，所述低电压调制通讯标准LVM-hscs通过对数据信号进行差分曼彻斯特编码实现数据信号的差分耦合，以提高数据信号通讯的抗干扰能力。
作为本发明进一步的技术方案，所述云服务器对电梯图像信息进行平滑滤波、增强和标准化处理，现场数据表示为：
D＝{D1,...,Di,...,Dh} (1)
在公式(1)中，D表示采集的电梯图像信息集合，Di表示第i个采集电梯图像信息，1≤i≤h，对电梯图像信息进行平滑处理表示为：
在公式(2)中，PX表示电梯图像信息的滤波数值，xq为电梯图像信息数据邻域的第q个更新参数，根据电梯图像信息的时间状态，离散得到平滑数据为：
在公式(3)中，zk+1表示k+1时刻电梯图像信息的数据状态参数，Fk+1表示k+1时刻电梯图像信息的增强变换矩阵，Gk+1表示k+1时刻更新输入的电梯图像信息，通过滤波迭代处理离散过程，电梯图像信息增益的计算公式为：
在公式(4)中，Kgk+1表示k+1时刻电梯图像信息增益，Z′表示电梯图像信息数据状态量的测量值，R表示滤波偏差，电梯图像信息的标准化处理公式为：
在公式(5)中，Dmean-i表示Di的各维均值列向量；In表示n维全列向量；Dvar-i＝dig(σ1 2,σ2 2,...,σj 2,...,σm 2)，σj 2为第j个视觉传感器的测量值的方差。
作为本发明进一步的技术方案，所述自监督视觉表征学习方法通过自编码器将输入图像编码转化为低维特征向量表示，并将所述低维特征向量映射至原始图像空间，以重构原始图像，所述自编码器通过最小化重构误差学习有效电梯图像特征，并通过使用预训练卷积神经网络作为特征提取器，以获取多角度电梯图像特征向量，所述多角度电梯图像特征向量通过BP神经网络进行特征融合，以提高电梯故障识别的准确性和全局性。
作为本发明进一步的技术方案，所述改进式FCM聚类算法模型的工作步骤包括：
步骤1、确定聚类数，所述改进式FCM聚类算法模型采用分割指标法和轮廓系数确定聚类数，并采用自适应聚类中心点算法自动选择最佳初始聚类中心点，以避免局部最优情况，所述分割指标法通过计算不同聚类数对应的分割指标确定最优聚类数，所述轮廓系数基于每个数据点的聚类内部相似度和其他聚类之间的相异度确定最优聚类数，所述改进式FCM聚类算法通过添加数据点权重因子增强电梯图像点在聚类过程中清晰度；
步骤2、初始化矩阵，所述改进式FCM聚类算法采用先验领域信息实现样本初始分类，并对矩阵进行赋值，所述改进式FCM聚类算法根据原始数据样本特征赋予电梯图像点不同权重，并通过迭代优化法优化聚类效果，所述迭代优化法与自适应学习率法结合基于迭代次数和预设参数值自动调整学习率，以提高所述改进式FCM聚类算法的收敛速度和稳定性；
步骤3、计算聚类中心，所述改进式FCM聚类算法采用软加权平均法计算聚类中心，以提高聚类的鲁棒性和稳健性，并通过约束条件限制聚类中心数量和位置，以避免聚类中心过多或过少情况，所述软加权平均法采用指数函数计算样本加权后平均值，以减少异常点的影响；
步骤4、更新矩阵，所述改进式FCM聚类算法根据聚类中心计算数据点到聚类中心的距离，并将距离转化为隶属度值，以更新矩阵；
步骤5、判断收敛，设置最大迭代次数和收敛域值，迭代次数或矩阵变化量达到最大值判断矩阵收敛，迭代次数或矩阵变化量未达到最大值判断矩阵不收敛，则执行步骤5操作；
步骤6、输出数据聚类结果，将每个数据点的隶属度值与聚类中心进行比较，划分至相应类别，并输出结果。
作为本发明进一步的技术方案，所述SVM-DS融合决策算法将向量机分类器SVM与数据融合DS结合诊断电梯故障类型，所述SVM-DS融合决策算法采用逐对耦合法和一对一多分类SVM方法实现二分类SVM到多分类概率型的转换，输出公式为：
在公式(6)中，l,r＝1,2,...,o，且l≠r，o表示电梯故障的类别数，l,r分别为电梯故障类别；ylr表示第l类和第r类电梯故障类别配对，al为配对时电梯故障属于l类的后验概率，ar为配对时电梯故障属于i类的后验概率；构造DS融合决策BPA证据理论的模型，多分类SVM的混淆矩阵表示为：
在公式(7)中，SVMi表示多分类SVM的混淆矩阵，cnm表示第m种故障的数目占n类故障样本总数的百分比；多分类SVM的分类平均正确率为：
在公式(8)中，表示分类器SVM判决结果的全局可信度，Nm表示第m种故障的样本数，cm为第m种故障的占比，N表示训练样本总数；多分类SVM的局部可信度为：
在公式(9)中，ωm表示第m种故障多分类SVM的局部可信度，cn.表示混淆行向量，c.m表示混淆列向量；
将概率型判决输出统一化为：
在公式(10)中，pm表示第m种故障多分类SVM的概率型判决输出。
作为本发明进一步的技术方案，所述Snowflake云端数据仓库通过访问计数器记录缓存信息项被调用的次数，并采用定时器触发清除操作，所述定时器基于LRU缓存策略清除缓存信息项，以提高调用速度，所述LRU缓存策略根据缓存信息项被调用的次数和调用时间进行缓存信息项权重由大至小排序，并按照倒序清除。
积极有益效果：
本发明公开了一种基于图像识别的联动电梯故障识别、诊断方法，引入了多角度图像信息、改进的聚类算法和联动控制策略，并通过云平台实现了实时处理、存储和分析；通过视觉传感器组获取电梯内部和外部多角度的图像信息，提高了对电梯状态的全面感知能力；在云服务器上对多角度电梯图像信息进行平滑滤波、增强和标准化处理处理，消除噪声、增强关键特征，以提高特征提取的准确性；使用自监督视觉表征学习方法从多角度电梯图像中提取特征，并进行融合，综合利用不同角度的图像信息，增强了电梯故障识别能力；通过实时流处理引擎构建改进式FCM聚类算法模型，准确地将不同类别的图像进行聚类，提高了故障识别的准确性；采用SVM-DS融合决策算法，将多个二分类SVM模型进行组合，实现对多类别电梯故障的诊断，通过融合多个分类器的结果，可以提高电梯故障诊断的准确性和鲁棒性；通过Snowflake云端数据仓库对异常事件、时间戳、位置信息、图像特征和地磁特征等进行存储，方便后续快速响应相似情况；自动化、智能化程度高。
附图说明
图1为本发明一种基于图像识别的联动电梯故障识别、诊断方法的整体流程示意图；
图2为本发明一种基于图像识别的联动电梯故障识别、诊断方法中SVM-DS融合决策算法模型示意图；
图3为本发明一种基于图像识别的联动电梯故障识别、诊断方法中自监督视觉表征学习方法的模型架构；
图4为本发明一种基于图像识别的联动电梯故障识别、诊断方法中电梯故障识别识别的电路示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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。
一种基于图像识别的联动电梯故障识别、诊断方法，包括以下步骤：
步骤一、电梯图像信息采集，通过视觉传感器组获取电梯内部和外部多角度图像信息，并通过高速无线通讯网络将图像信息从传感器节点发送到云平台进行实时储存和处理；
步骤二、电梯图像信息预处理，通过云服务器对多角度电梯图像信息进行平滑滤波、增强和标准化处理，以提高特征提取的准确性；
步骤三、多角度电梯图像信息特征提取和融合，通过自监督视觉表征学习方法提取多角度电梯图像信息特征，并进行融合，以增强电梯故障识别能力；
步骤四、电梯故障识别，通过实时流处理引擎构建改进式FCM聚类算法模型，所述改进式FCM聚类算法模型将融合后的图像特征作为输入标签，异常图像特征作为输出标签，并通过训练算法模型实现电梯故障自动识别；
步骤五、电梯故障诊断，采用SVM-DS融合决策算法进行电梯故障诊断；
步骤六、联动控制与处理，检测到电梯存在故障时，云平台发送停止指令至电梯控制系统，使电梯立即停止运行，并自动触发应急机制，所述应急机制通过手机短信、邮件和APP推送方式向理人员和维修人员发送报警信息和故障诊断信息，并通过紧急通道门和备用电源快速疏散乘客；
步骤七、记忆电梯故障特征，通过Snowflake云端数据仓库对电梯故障事件、时间戳、位置信息和图像特征进行储存，以便相似情况发生的快速响应。
在上述实施例中，所述高速无线通讯网络通过三层TCP/UDP传输协议、七层HTTP/HTTPS缓存协议和服务器负载均衡逻辑将数据分布式部署至数据缓存服务器，以减少数据通讯时间，并采用低电压调制通讯标准LVM-hscs实现数据信号的抗干扰通讯，所述低电压调制通讯标准LVM-hscs通过对数据信号进行差分曼彻斯特编码实现数据信号的差分耦合，以提高数据信号通讯的抗干扰能力。
在具体实施例中，在传感器节点和云平台之间建立TCP或UDP连接，使用IP地址和端口号进行通信。TCP协议提供可靠的数据传输，适用于对数据完整性要求较高的场景；UDP协议则提供更快速的数据传输，适用于实时性要求较高的场景。在云平台上建立HTTP或HTTPS服务，通过URL地址和请求方式对图像数据进行传输。HTTP协议可以使用缓存机制来减少重复数据的传输，并提供简单易用的接口；HTTPS协议则通过加密保护数据安全。为了提高系统的可扩展性和负载均衡能力，在云平台上配置负载均衡设备或软件，将接收到的图像数据分发至多个数据缓存服务器。负载均衡可以基于轮询、权重、哈希等算法进行请求分发，以确保每个服务器都能得到合理的资源利用。LVM-hscs是一种低电压调制通讯标准，通过对数据信号进行差分曼彻斯特编码，实现数据信号的差分耦合。这种通信方式可以提高数据信号的抗干扰能力，减少传输过程中的误码率。
在上述实施例中，所述云服务器对电梯图像信息进行平滑滤波、增强和标准化处理，现场数据表示为：
D＝{D1,...,Di,...,Dh} (1)
在公式(1)中，D表示采集的电梯图像信息集合，Di表示第i个采集电梯图像信息，1≤i≤h，对电梯图像信息进行平滑处理表示为：
在公式(2)中，PX表示电梯图像信息的滤波数值，xq为电梯图像信息数据邻域的第q个更新参数，根据电梯图像信息的时间状态，离散得到平滑数据为：
在公式(3)中，zk+1表示k+1时刻电梯图像信息的数据状态参数，Fk+1表示k+1时刻电梯图像信息的增强变换矩阵，Gk+1表示k+1时刻更新输入的电梯图像信息，通过滤波迭代处理离散过程，电梯图像信息增益的计算公式为：
在公式(4)中，Kgk+1表示k+1时刻电梯图像信息增益，Z′表示电梯图像信息数据状态量的测量值，R表示滤波偏差，电梯图像信息的标准化处理公式为：
在公式(5)中，Dmean-i表示Di的各维均值列向量；In表示n维全列向量；Dvar-i＝dig(σ1 2,σ2 2,...,σj 2,...,σm 2)，σj 2为第j个视觉传感器的测量值的方差。
在具体实施例中，通过对电梯图像信息进行去噪、增强和标准化，可以提高数据的质量和可用性，为后续的数据分析和应用提供更好的基础。利用matlab2018a对数据进行仿真，分别采用本预处理方法和对比方法A、B进行实验，效果如表1所示。
表1预处理效果统计
如表1所示，利用matlab2018a对数据进行仿真，分别采用本预处理方法和对比方法A、B进行实验，实验内容分别为20min内处理相似复杂程度数据对比预处理信息总量和处理8100MB的相似复杂程度数据对比预处理时间，并对本预处理方法和对比方法A、B处理准确度进行统计，分别将实验结果记录在表1内，对比发现本预处理方法的处理数据总量、处理速度和处理准确度远大于对比方法A、B，证明经过改进和优化，本算法在预处理数据方面具有较好的应用效果和实用价值。
在上述实施例中，所述自监督视觉表征学习方法通过自编码器将输入图像编码转化为低维特征向量表示，并将所述低维特征向量映射至原始图像空间，以重构原始图像，所述自编码器通过最小化重构误差学习有效电梯图像特征，并通过使用预训练卷积神经网络作为特征提取器，以获取多角度电梯图像特征向量，所述多角度电梯图像特征向量通过BP神经网络进行特征融合，以提高电梯故障识别的准确性和全局性。
在具体实施例中，自编码器是一种无监督学习方法，通过将输入图像编码为低维特征向量表示，并将其解码映射回原始图像空间来实现重构。自编码器在训练过程中通过最小化重构误差来学习有效的图像特征。可以使用多层神经网络结构作为自编码器，其中编码器将输入图像映射到低维特征向量，解码器将低维特征向量映射回原始图像。预训练卷积神经网络是一种用于特征提取的深度学习模型。通过在大规模数据集上进行预训练，CNN可以学习到丰富、抽象的图像特征。在自监督视觉表征学习中，可以使用预训练的CNN作为特征提取器，提取多个角度的电梯图像特征向量。通过BP神经网络(BackpropagationNeural Network)对多个角度的电梯图像特征向量进行融合。BP神经网络是一种常用的有监督学习方法，可以通过反向传播算法来训练网络参数。在特征融合过程中，可以使用BP神经网络将多个角度的电梯图像特征向量进行组合和整合，以提高电梯故障识别的准确性和全局性。
通过以上实施方法，可以利用自监督视觉表征学习方法对电梯图像进行特征学习和提取。首先使用自编码器将输入图像编码为低维特征向量，并通过重构误差最小化来学习有效的图像特征。然后，使用预训练的卷积神经网络作为特征提取器，获取多个角度的电梯图像特征向量。最后，通过BP神经网络对多个角度的电梯图像特征进行融合，以提高电梯故障识别的准确性和全局性。
在上述实施例中，所述改进式FCM聚类算法模型的工作步骤包括：
步骤1、确定聚类数，所述改进式FCM聚类算法模型采用分割指标法和轮廓系数确定聚类数，并采用自适应聚类中心点算法自动选择最佳初始聚类中心点，以避免局部最优情况，所述分割指标法通过计算不同聚类数对应的分割指标确定最优聚类数，所述轮廓系数基于每个数据点的聚类内部相似度和其他聚类之间的相异度确定最优聚类数，所述改进式FCM聚类算法通过添加数据点权重因子增强电梯图像点在聚类过程中清晰度；
步骤2、初始化矩阵，所述改进式FCM聚类算法采用先验领域信息实现样本初始分类，并对矩阵进行赋值，所述改进式FCM聚类算法根据原始数据样本特征赋予电梯图像点不同权重，并通过迭代优化法优化聚类效果，所述迭代优化法与自适应学习率法结合基于迭代次数和预设参数值自动调整学习率，以提高所述改进式FCM聚类算法的收敛速度和稳定性；
步骤3、计算聚类中心，所述改进式FCM聚类算法采用软加权平均法计算聚类中心，以提高聚类的鲁棒性和稳健性，并通过约束条件限制聚类中心数量和位置，以避免聚类中心过多或过少情况，所述软加权平均法采用指数函数计算样本加权后平均值，以减少异常点的影响；
步骤4、更新矩阵，所述改进式FCM聚类算法根据聚类中心计算数据点到聚类中心的距离，并将距离转化为隶属度值，以更新矩阵；
步骤5、判断收敛，设置最大迭代次数和收敛域值，迭代次数或矩阵变化量达到最大值判断矩阵收敛，迭代次数或矩阵变化量未达到最大值判断矩阵不收敛，则执行步骤5操作；
步骤6、输出数据聚类结果，将每个数据点的隶属度值与聚类中心进行比较，划分至相应类别，并输出结果。
在具体实施例中，采用增量计算方式和时间窗口机制对改进式FCM聚类算法模型进行实时更新迭代，步骤包括：
S1、基于初始数据集D对改进式FCM聚类算法模型进行训练，得到初始聚类中心和隶属度矩阵参数；
S2、设置时间窗口的大小为T，将新增数据点X添加到时间窗口内的数据集D中，新增数据点X的大小为T，并对新增数据点进行聚类，得到新增数据点的隶属度向量；
S3、采用增量计算方式更新原聚类中心和隶属度矩阵参数，以适应新增数据点，所述增量计算方式的计算对象为新增数据点X；
S4、根据时间窗口内的数据集D对聚类模型进行实时更新迭代，满足最大迭代次数、误差下降阈值或聚类中心变化量，则直接输出最终聚类结果，不满足最大迭代次数、误差下降阈值或聚类中心变化量，则执行S2操作；
S5、输出最终的聚类结果和更新后的模型参数，并继续加入新的数据点进行聚类迭代。
采用MATLAB对算法的有效性进行验证，自适应参数选择方式设置迭代次数10次，得到问题的优解。数据分析效果如表2所示。
表2故障识别效果
通过试验对比表可以看出，采用传统FCM聚类算法进行电梯故障识别时，平均时间大于50秒，采用改进式FCM聚类算法进行电梯故障识别时，平均时间小于50秒，因此，通过优化和改进提高了传统的FCM聚类算法模型的效率和准确性，具有较好的应用效果和实用价值。
在上述实施例中，所述SVM-DS融合决策算法将向量机分类器SVM与数据融合DS结合诊断电梯故障类型，所述SVM-DS融合决策算法采用逐对耦合法和一对一多分类SVM方法实现二分类SVM到多分类概率型的转换，输出公式为：
在公式(6)中，l,r＝1,2,...,o，且l≠r，o表示电梯故障的类别数，l,r分别为电梯故障类别；ylr表示第l类和第r类电梯故障类别配对，al为配对时电梯故障属于l类的后验概率，ar为配对时电梯故障属于i类的后验概率；构造DS融合决策BPA证据理论的模型，多分类SVM的混淆矩阵表示为：
在公式(7)中，SVMi表示多分类SVM的混淆矩阵，cnm表示第m种故障的数目占n类故障样本总数的百分比；多分类SVM的分类平均正确率为：
在公式(8)中，表示分类器SVM判决结果的全局可信度，Nm表示第m种故障的样本数，cm为第m种故障的占比，N表示训练样本总数；多分类SVM的局部可信度为：
在公式(9)中，ωm表示第m种故障多分类SVM的局部可信度，cn.表示混淆行向量，c.m表示混淆列向量；
将概率型判决输出统一化为：
在公式(10)中，pm表示第m种故障多分类SVM的概率型判决输出。
在具体实施例中，在本次模拟仿真软件选用matlab 7.0，对电梯故障类型进行验证，假设将电梯故障数据分为10组，分别通过SVM-DS融合决策算法和向量机分类器SVM进行故障诊断对比，所选择的样本信息如表3所示。
表3故障诊断对比表
通过表3可以看到，在相同的时间量，采用通过SVM-DS融合决策算法和向量机分类器SVM进行对比分析时，本研究的方法诊断特征量较多，证明本方法的可用性，在具体试验时，SVM-DS融合决策算法神经网络的层数为4层，输出误差精度阈值设置为0.1，可以得出本研究方法的拟合结果。
在上述实施例中，所述Snowflake云端数据仓库通过访问计数器记录缓存信息项被调用的次数，并采用定时器触发清除操作，所述定时器基于LRU缓存策略清除缓存信息项，以提高调用速度，所述LRU缓存策略根据缓存信息项被调用的次数和调用时间进行缓存信息项权重由大至小排序，并按照倒序清除。
在具体实施例中，：使用Snowflake云端数据仓库对电梯故障事件、时间戳、位置信息和图像特征进行储存。Snowflake是一种弹性、可扩展的云数据仓库，可以提供高效的数据存储和查询功能。为了记录缓存信息项被调用的次数，可以在Snowflake云端数据仓库中为每个缓存信息项设置一个访问计数器。每当缓存信息项被调用时，访问计数器会增加相应的次数。为了定期清除不再需要的缓存信息项，可以使用定时器来触发清除操作。可以设置一个定时任务，在固定时间间隔内执行清除操作。LRU(Least Recently Used)是一种常用的缓存替换策略。根据LRU策略，当缓存空间不足时，会优先淘汰最近最少使用的缓存信息项。在这里，根据缓存信息项被调用的次数和调用时间进行权重排序，并按照倒序进行清除操作。通过以上实施方法，可以利用Snowflake云端数据仓库对电梯故障事件、时间戳、位置信息和图像特征进行储存。同时，通过访问计数器记录缓存信息项被调用的次数，并通过定时器触发清除操作，使用LRU缓存策略来提高调用速度。这样可以实现对相似情况的快速响应，并有效管理和利用电梯故障相关的数据。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。
Claims (7)
1.一种基于图像识别的联动电梯故障识别、诊断方法，其特征在于：包括以下步骤：
步骤一、电梯图像信息采集，通过视觉传感器组获取电梯内部和外部多角度图像信息，并通过高速无线通讯网络将图像信息从传感器节点发送到云平台进行实时储存和处理；
步骤二、电梯图像信息预处理，通过云服务器对多角度电梯图像信息进行平滑滤波、增强和标准化处理，以提高特征提取的准确性；
步骤三、多角度电梯图像信息特征提取和融合，通过自监督视觉表征学习方法提取多角度电梯图像信息特征，并进行融合，以增强电梯故障识别能力；
步骤四、电梯故障识别，通过实时流处理引擎构建改进式FCM聚类算法模型，所述改进式FCM聚类算法模型将融合后的图像特征作为输入标签，异常图像特征作为输出标签，并通过训练算法模型实现电梯故障自动识别；
步骤五、电梯故障诊断，采用SVM-DS融合决策算法进行电梯故障诊断；
步骤六、联动控制与处理，检测到电梯存在故障时，云平台发送停止指令至电梯控制系统，使电梯立即停止运行，并自动触发应急机制，所述应急机制通过手机短信、邮件和APP推送方式向理人员和维修人员发送报警信息和故障诊断信息，并通过紧急通道门和备用电源快速疏散乘客；
步骤七、记忆电梯故障特征，通过Snowflake云端数据仓库对电梯故障事件、时间戳、位置信息和图像特征进行储存，以便相似情况发生的快速响应。
2.根据权利要求1所述的一种基于图像识别的联动电梯故障识别、诊断方法，其特征在于：所述高速无线通讯网络通过三层TCP/UDP传输协议、七层HTTP/HTTPS缓存协议和服务器负载均衡逻辑将数据分布式部署至数据缓存服务器，以减少数据通讯时间，并采用低电压调制通讯标准LVM-hscs实现数据信号的抗干扰通讯，所述低电压调制通讯标准LVM-hscs通过对数据信号进行差分曼彻斯特编码实现数据信号的差分耦合，以提高数据信号通讯的抗干扰能力。
3.根据权利要求1所述的一种基于图像识别的联动电梯故障识别、诊断方法，其特征在于：所述云服务器对电梯图像信息进行平滑滤波、增强和标准化处理，现场数据表示为：
D＝{D1,...,Di,...,Dh} (1)
在公式(1)中，D表示采集的电梯图像信息集合，Di表示第i个采集电梯图像信息，1≤i≤h，对电梯图像信息进行平滑处理表示为：
在公式(2)中，PX表示电梯图像信息的滤波数值，xq为电梯图像信息数据邻域的第q个更新参数，根据电梯图像信息的时间状态，离散得到平滑数据为：
在公式(3)中，zk+1表示k+1时刻电梯图像信息的数据状态参数，Fk+1表示k+1时刻电梯图像信息的增强变换矩阵，Gk+1表示k+1时刻更新输入的电梯图像信息，通过滤波迭代处理离散过程，电梯图像信息增益的计算公式为：
在公式(4)中，Kgk+1表示k+1时刻电梯图像信息增益，Z′表示电梯图像信息数据状态量的测量值，R表示滤波偏差，电梯图像信息的标准化处理公式为：
在公式(5)中，Dmean-i表示Di的各维均值列向量；In表示n维全列向量；Dvar-i＝dig(σ1 2,σ2 2,...,σj 2,...,σm 2)，σj 2为第j个视觉传感器的测量值的方差。
4.根据权利要求1所述的一种基于图像识别的联动电梯故障识别、诊断方法，其特征在于：所述自监督视觉表征学习方法通过自编码器将输入图像编码转化为低维特征向量表示，并将所述低维特征向量映射至原始图像空间，以重构原始图像，所述自编码器通过最小化重构误差学习有效电梯图像特征，并通过使用预训练卷积神经网络作为特征提取器，以获取多角度电梯图像特征向量，所述多角度电梯图像特征向量通过BP神经网络进行特征融合，以提高电梯故障识别的准确性和全局性。
5.根据权利要求1所述的一种基于图像识别的联动电梯故障识别、诊断方法，其特征在于：所述改进式FCM聚类算法模型的工作步骤包括：
步骤1、确定聚类数，所述改进式FCM聚类算法模型采用分割指标法和轮廓系数确定聚类数，并采用自适应聚类中心点算法自动选择最佳初始聚类中心点，以避免局部最优情况，所述分割指标法通过计算不同聚类数对应的分割指标确定最优聚类数，所述轮廓系数基于每个数据点的聚类内部相似度和其他聚类之间的相异度确定最优聚类数，所述改进式FCM聚类算法通过添加数据点权重因子增强电梯图像点在聚类过程中清晰度；
步骤2、初始化矩阵，所述改进式FCM聚类算法采用先验领域信息实现样本初始分类，并对矩阵进行赋值，所述改进式FCM聚类算法根据原始数据样本特征赋予电梯图像点不同权重，并通过迭代优化法优化聚类效果，所述迭代优化法与自适应学习率法结合基于迭代次数和预设参数值自动调整学习率，以提高所述改进式FCM聚类算法的收敛速度和稳定性；
步骤3、计算聚类中心，所述改进式FCM聚类算法采用软加权平均法计算聚类中心，以提高聚类的鲁棒性和稳健性，并通过约束条件限制聚类中心数量和位置，以避免聚类中心过多或过少情况，所述软加权平均法采用指数函数计算样本加权后平均值，以减少异常点的影响；
步骤4、更新矩阵，所述改进式FCM聚类算法根据聚类中心计算数据点到聚类中心的距离，并将距离转化为隶属度值，以更新矩阵；
步骤5、判断收敛，设置最大迭代次数和收敛域值，迭代次数或矩阵变化量达到最大值判断矩阵收敛，迭代次数或矩阵变化量未达到最大值判断矩阵不收敛，则执行步骤5操作；
步骤6、输出数据聚类结果，将每个数据点的隶属度值与聚类中心进行比较，划分至相应类别，并输出结果。
6.根据权利要求1所述的一种基于图像识别的联动电梯故障识别、诊断方法，其特征在于：所述SVM-DS融合决策算法将向量机分类器SVM与数据融合DS结合诊断电梯故障类型，所述SVM-DS融合决策算法采用逐对耦合法和一对一多分类SVM方法实现二分类SVM到多分类概率型的转换，输出公式为：
在公式(6)中，l,r＝1,2,...,o，且l≠r，o表示电梯故障的类别数，l,r分别为电梯故障类别；ylr表示第l类和第r类电梯故障类别配对，al为配对时电梯故障属于l类的后验概率，ar为配对时电梯故障属于i类的后验概率；构造DS融合决策BPA证据理论的模型，多分类SVM的混淆矩阵表示为：
在公式(7)中，SVMi表示多分类SVM的混淆矩阵，cnm表示第m种故障的数目占n类故障样本总数的百分比；多分类SVM的分类平均正确率为：
在公式(8)中，表示分类器SVM判决结果的全局可信度，Nm表示第m种故障的样本数，cm为第m种故障的占比，N表示训练样本总数；多分类SVM的局部可信度为：
在公式(9)中，ωm表示第m种故障多分类SVM的局部可信度，cn.表示混淆行向量，c.m表示混淆列向量；
将概率型判决输出统一化为：
在公式(10)中，pm表示第m种故障多分类SVM的概率型判决输出。
7.根据权利要求1所述的一种基于图像识别的联动电梯故障识别、诊断方法，其特征在于：所述Snowflake云端数据仓库通过访问计数器记录缓存信息项被调用的次数，并采用定时器触发清除操作，所述定时器基于LRU缓存策略清除缓存信息项，以提高调用速度，所述LRU缓存策略根据缓存信息项被调用的次数和调用时间进行缓存信息项权重由大至小排序，并按照倒序清除。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311299745.8A CN117326420A (zh) | 2023-10-07 | 2023-10-07 | 一种基于图像识别的联动电梯故障识别、诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311299745.8A CN117326420A (zh) | 2023-10-07 | 2023-10-07 | 一种基于图像识别的联动电梯故障识别、诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117326420A true CN117326420A (zh) | 2024-01-02 |
Family
ID=89282551
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311299745.8A Pending CN117326420A (zh) | 2023-10-07 | 2023-10-07 | 一种基于图像识别的联动电梯故障识别、诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117326420A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118395104A (zh) * | 2024-06-20 | 2024-07-26 | 国网山东省电力公司聊城供电公司 | 一种串联故障电弧检测方法、系统、装置及可读存储介质 |
-
2023
- 2023-10-07 CN CN202311299745.8A patent/CN117326420A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118395104A (zh) * | 2024-06-20 | 2024-07-26 | 国网山东省电力公司聊城供电公司 | 一种串联故障电弧检测方法、系统、装置及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021128510A1 (zh) | 基于sdae和改进gwo-svm的轴承缺陷识别方法 | |
| CN111914873B (zh) | 一种两阶段云服务器无监督异常预测方法 | |
| CN111970309B (zh) | 基于Spark车联网组合深度学习入侵检测方法及系统 | |
| CN109698836B (zh) | 一种基于深度学习的无线局域网入侵检测方法和系统 | |
| CN106895975B (zh) | 基于Stacked SAE深度神经网络的轴承故障诊断方法 | |
| CN103914735B (zh) | 一种基于神经网络自学习的故障识别方法及系统 | |
| WO2022052510A1 (zh) | 一种无菌灌装生产线异常检测系统和方法 | |
| CN109766992B (zh) | 基于深度学习的工控异常检测及攻击分类方法 | |
| CN109218223B (zh) | 一种基于主动学习的鲁棒性网络流量分类方法及系统 | |
| CN117421684B (zh) | 基于数据挖掘和神经网络的异常数据监测与分析方法 | |
| CN106912067B (zh) | 一种基于模糊神经网络的wsn无线通信模块故障诊断方法 | |
| CN112087442B (zh) | 基于注意力机制的时序相关网络入侵检测方法 | |
| CN110163075A (zh) | 一种基于权值训练的多信息融合故障诊断方法 | |
| CN112651435A (zh) | 一种基于自学习的电力网络探针流量异常的检测方法 | |
| CN112367303B (zh) | 分布式自学习异常流量协同检测方法及系统 | |
| CN117326420A (zh) | 一种基于图像识别的联动电梯故障识别、诊断方法 | |
| CN117113262B (zh) | 网络流量识别方法及其系统 | |
| CN114553475A (zh) | 一种基于网络流量属性有向拓扑的网络攻击检测方法 | |
| CN112784920A (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
| CN113037783B (zh) | 一种异常行为检测方法及系统 | |
| CN111669385A (zh) | 融合深度神经网络和层级注意力机制的恶意流量监测系统 | |
| CN112115957A (zh) | 数据流识别方法及装置、计算机存储介质 | |
| CN116170208A (zh) | 一种基于半监督isodata算法的网络入侵实时检测方法 | |
| CN115567269A (zh) | 基于联邦学习与深度学习的物联网异常检测方法及系统 | |
| CN114048546A (zh) | 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法 |
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 |