CN117800187B - 一种电梯安全运行状态智能监测方法及系统 - Google Patents
一种电梯安全运行状态智能监测方法及系统 Download PDFInfo
- Publication number
- CN117800187B CN117800187B CN202410224112.9A CN202410224112A CN117800187B CN 117800187 B CN117800187 B CN 117800187B CN 202410224112 A CN202410224112 A CN 202410224112A CN 117800187 B CN117800187 B CN 117800187B
- Authority
- CN
- China
- Prior art keywords
- moment
- time period
- time
- vibration data
- current
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 93
- 238000012937 correction Methods 0.000 claims description 14
- 230000005856 abnormality Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000010355 oscillation Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 description 34
- 230000008569 process Effects 0.000 description 22
- 230000002159 abnormal effect Effects 0.000 description 19
- 230000001133 acceleration Effects 0.000 description 14
- 230000001174 ascending effect Effects 0.000 description 13
- 230000002829 reductive effect Effects 0.000 description 7
- 230000003068 static effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 230000001788 irregular Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 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
-
- 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
- B66B1/3407—Setting or modification of parameters of the control system
-
- 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
- B66B5/0037—Performance analysers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Maintenance And Inspection Apparatuses For Elevators (AREA)
Abstract
本发明涉及数据监测技术领域,具体涉及一种电梯安全运行状态智能监测方法及系统。该方法获取当前时刻与历史时间段内每个时刻的振动数据的原始异常度,获取每个子时间段内每个时刻的振动数据的波动特征值,将与当前时刻电梯运行状态类型相同的子时间段作为当前时刻的匹配时间段,从匹配时间段内筛选出当前时刻的相似时刻,并根据当前时刻在其匹配时间段内相似时刻的数量与相似度对当前时刻的原始异常度进行修正获取修正异常度,基于修正异常度判断电梯运行状态。本发明依据当前时刻的相似时刻的数据特征对其原始异常度进行修正,提高对电梯安全运行状态监测的准确性。
Description
技术领域
本发明涉及数据监测技术领域,具体涉及一种电梯安全运行状态智能监测方法及系统。
背景技术
电梯是一种承载人口的出行“垂直的交通工具”,高层建筑中的升降性电梯的运行稳定和安全直接关系到人们的生命财产安全。因此,对电梯运行状态进行监测具有重要意义。
现有对电梯运行状态进行监测的方法通常是在电梯内安装振动传感器,分析各时刻的局部时间段内振动数据之间的差异情况判断各时刻电梯运行是否出现异常或故障;由于电梯运行过程中存在加减速运动,使加减速过程中各时刻的局部时间段内振动数据波动异常,容易将电梯在加减速过程中各时刻的振动数据误判为异常故障数据,降低对电梯安全运行状态监测的准确性。
发明内容
为了解决电梯在加减速过程中振动数据出现异常波动导致加减速过程中各时刻被误识别为异常故障数据,降低对电梯安全运行状态监测的准确率的技术问题,本发明的目的在于提供一种电梯安全运行状态智能监测方法及系统,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种电梯安全运行状态智能监测方法,该方法包括:
获取电梯在当前时刻与其之前历史时间段内每个时刻的振动数据与承重数据;基于电梯运行状态将历史时间段划分为不同类型的子时间段;
选取当前时刻或者其之前历史时间段内任意一个时刻作为分析时刻,根据分析时刻与其之前局部预设时间段内相邻时刻的振动数据的差异,获取分析时刻的振动数据的原始异常度;
选取任意一个子时间段作为分析时间段,获取分析时间段内每个时刻的局部时间段,依据分析时间段内每个时刻的局部时间段内所有时刻的振动数据的极值分布,相邻极值的时间分布,以及所述局部时间段内每个时刻的所述原始异常度,获取分析时间段内每个时刻的振动数据的波动特征值;
将与当前时刻电梯运行状态类型相同的子时间段作为当前时刻的匹配时间段;结合当前时刻与其匹配时间段内各时刻的承载重量之间的差异,以及所述波动特征值之间的差异,获取当前时刻与其每个匹配时间段内各时刻的振动数据之间的相似度;基于所述相似度从当前时刻的匹配时间段中筛选出当前时刻的相似时刻;
根据所述相似时刻的数量,和当前时刻与其相似时刻的所述相似度,对当前时刻的所述原始异常度进行修正,获取当前时刻的振动数据的修正异常度;
基于所述修正异常度判断电梯的运行状态。
进一步地,所述根据分析时刻与其之前局部预设时间段内相邻时刻的振动数据的差异,获取分析时刻的振动数据的原始异常度的方法,包括:
将每个时刻与其相邻前一个时刻的振动数据之间的差值绝对值,作为每个时刻的振动差异度;
根据分析时刻分别与其之前局部预设时间段内每个时刻的所述振动差异度之间的差异,以及分析时刻的所述振动差异度,获取分析时刻的振动数据的原始异常度。
进一步地,所述分析时刻的振动数据的原始异常度的计算公式如下:
;式中,E为分析时刻的振动数据的原始异常度;为分析时刻的所述振动差异度;/>为分析时刻的局部预设时间段内每个时刻的所述振动差异度中的最大值;R为分析时刻的局部预设时间段内时刻的总数量;/>为分析时刻的局部预设时间段内第r个时刻的所述振动差异度;/>为绝对值函数。
进一步地,所述获取分析时间段内每个时刻的局部时间段,依据分析时间段内每个时刻的局部时间段内所有时刻的振动数据的极值分布,相邻极值的时间分布,以及所述局部时间段内每个时刻的所述原始异常度,获取分析时间段内每个时刻的振动数据的波动特征值的方法,包括:
以时间为横轴,振动数据为纵轴建立二维坐标系;将分析时间段内每个时刻的振动数据在所述二维坐标系中进行标注得到分析时间段内每个时刻的坐标点;对所述二维坐标系中坐标点进行曲线拟合得到振动曲线段;
选取分析时间段内任意一个时刻作为目标时刻,将目标时刻在所述二维坐标系中对应的坐标点作为目标坐标点;在振动曲线段上,将目标坐标点之前预设数量个极值点作为判断点,将时刻最小的判断点作为基准点,将所述基准点与目标坐标点之间的曲线段作为目标坐标点的局部曲线段;将所述局部曲线段的两个端点对应时刻构成的时间段作为目标时刻的局部时间段;
将连接振动曲线段上每个极大值点与其相邻前一个极大值点得到的线段,作为振动曲线段上每个极大值点的目标线段,将所述目标线段的斜率作为振动曲线段上每个极大值点的震荡斜率;将振动曲线段上每个极大值点与其相邻前一个极大值点对应的时刻之间的时间间隔作为振动曲线段上每个极大值点的时序差异度;
所述局部曲线段上的极大值点为第一种的极值点,极小值点为第二种的极值点;结合目标坐标点的局部曲线段上相邻的同一种的极值点的所述震荡斜率之间的差异与所述时序差异度之间的差异,以及目标时刻的所述局部时间段内每个时刻的振动数据的原始异常度,获取目标时刻的振动数据的波动特征值。
进一步地,所述目标时刻的振动数据的波动特征值的计算公式如下:
;式中,/>为目标时刻的振动数据的波动特征值;/>为目标时刻对应的所述局部曲线段上第a种的极值点的个数;/>为目标时刻对应的所述局部曲线段上第a种的第s个极值点的所述震荡斜率;为目标时刻对应的所述局部曲线段上第a种的第s+1个极值点的所述震荡斜率;/>为目标时刻对应的所述局部曲线段上第a种的第s个极值点的所述时序差异度;/>为目标时刻对应的所述局部曲线段上第a种的第s+1个极值点的所述时序差异度;N为目标时刻的所述局部时间段内时刻的总数量;/>为目标时刻的所述局部时间段内第n个时刻的振动数据的原始异常度。
进一步地,所述获取当前时刻与其每个匹配时间段内各时刻的振动数据之间的相似度的方法,包括:
选取当前时刻的任意一个匹配时间段内任意一个时刻作为待定时刻,将当前时刻与所述待定时刻的承重数据之间的差值的平方值作为承重差异度,将当前时刻与所述待定时刻的所述波动特征值之间的差值的平方值作为波动差异度;
根据所述承重差异度与所述波动差异度,获取当前时刻与待定时刻之间的相似度;所述承重差异度与所述波动差异度均与所述相似度为负相关的关系。
进一步地,所述基于所述相似度从当前时刻的匹配时间段中筛选出当前时刻的相似时刻的方法,包括:
若当前时刻与所述待定时刻之间的所述相似度大于预设相似阈值,则将所述待定时刻作为当前时刻的相似时刻。
进一步地,所述当前时刻的振动数据的修正异常度的计算公式如下:
,/>;式中,/>为当前时刻的振动数据的修正异常度;m为当前时刻的相似时刻的总数量;M为当前时刻的所有匹配时间段内所有时刻的总数量;/>为当前时刻的相似系数;/>为当前时刻与其第k个相似时刻的振动数据之间的相似度;E为当前时刻的振动数据的异常度;e为自然常数。
进一步地,所述基于所述修正异常度判断电梯的运行状态的方法,包括:
若当前时刻的振动数据的修正异常度大于预设异常阈值,则电梯在当前时刻出现运行故障;若当前时刻的振动数据的修正异常度小于或者等于预设异常阈值,则电梯在当前时刻正常运行。
第二方面,本发明另一个实施例提供了一种电梯安全运行状态智能监测系统,该系统包括:存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序,处理器执行所述计算机程序时,实现上述任意一项方法的步骤。
本发明具有如下有益效果:
本发明实施例中,由于电梯正常运行时振动数据呈现较为平滑的增大或减小,则根据分析时刻与其之前局部预设时间段内相邻时刻的振动数据的差异获取呈现电梯异常情况的原始异常度;电梯在上升与下降过程中存在加减速过程,会导致振动数据在短时间内发生变化并产生极值,且电梯正常运行的振动数据呈现的电信号的相邻多个波峰点或波谷点之间的振幅基本一致且对应时刻的时间间隔差异较小,基于上述因素并结合原始异常度获取分析时间段内每个时刻的振动数据的波动特征值,简化了振动数据本身的相对复杂变化,提高了波动特征值反映振动数据瞬时局部变化的正常情况;考虑对电梯上乘客的总重量不同会一定程度影响振动数据变化,在基于波动特征值判断当前时刻与其匹配时间段内时刻的振动数据之间的相似度的同时添加承重数据,提高了从当前时刻的匹配时间段内筛选相似时刻的准确性;根据当前时刻的相似时刻的数量与相似度对原始异常度进行调整得修正异常度,以避免电梯运行过程中加减速运行导致振动数据出现复杂变化,降低处于加减速的当前时刻的振动数据误判为异常故障数据,提高对当前时刻下电梯运行状态判断的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它附图。
图1为本发明一个实施例所提供的一种电梯安全运行状态智能监测方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种电梯安全运行状态智能监测方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种电梯安全运行状态智能监测方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种电梯安全运行状态智能监测方法的步骤流程图,该方法包括:
步骤S1:获取电梯在当前时刻与其之前历史时间段内每个时刻的振动数据与承重数据;基于电梯运行状态将历史时间段划分为不同类型的子时间段。
具体的,在电梯外侧安装振动传感器与重量传感器,振动传感器显示的数值为振动数据,重量传感器显示的数值为承重数据;在电梯通电状态下,获取电梯在当前时刻与其之前历史时间段内每个时刻的振动数据与承重数据。
需要说明的是,本申请通过对电梯运行时的振动数据进行分析以对电梯运行状态进行监测,用历史一天内的振动数据与承重数据对当前时刻电梯异常情况进行调整,则当前时刻与前一天同一时刻构成的时间段为历史时间段,历史时间段的时长为24小时,数据采集频率为每秒一次,实施者可根据具体情况自行设置。
电梯的运行状态包括:上升、下降与静止,本申请基于电梯所处运行状态将历史时间段进行划分,电梯在每个上升过程、下降过程与静止过程对应的时间段均为子时间段。由于电梯在上升和下降状态时,承载人数的数量会影响电梯振动信号的变化,并且处在两种状态的振动信号本身具有一定差异,同时电梯在上升与下降状态时经常出现故障,则本申请仅对代表上升状态与下降状态的子时间段进行分析。在历史时间段内,电梯上升状态对应的子时间段为相同类型的子时间段,下降状态对应的子时间段为相同类型的子时间段,共有两个类型的子时间段。
步骤S2:选取当前时刻或者其之前历史时间段内任意一个时刻作为分析时刻,根据分析时刻与其之前局部预设时间段内相邻时刻的振动数据的差异,获取分析时刻的振动数据的原始异常度。
具体的,电梯正常运行时振动数据通常表现为连续的锯齿状电信号,且电信号的振幅相对规整,即相邻多个波峰点或波谷点之间的振幅基本一致或呈较为平滑的增大或减小,相邻振动数据之间具有较小的差异;而故障导致的数据波动会使振动振幅出现非规律性突变,即相邻时刻的振动数据之间具有极大的差异。因此,根据每个时刻与其之前部分时间段内相邻时刻的振动数据之间的差异,获取每个时刻的振动数据的原始异常度。
优选地,原始异常度的具体获取方法为:将每个时刻与其相邻前一个时刻的振动数据之间的差值绝对值,作为每个时刻的振动差异度;根据分析时刻分别与其之前局部预设时间段内每个时刻的振动差异度之间的差异,以及分析时刻的振动差异度,获取分析时刻的振动数据的原始异常度。
需要说明的是,历史时间段内第一个时刻与每个子时间段内第一个时刻的振动差异度为0。由于数据采集频率为每秒一次,则局部预设时间段的时长为10秒,即局部预设时间段内共存在10个时刻,实施者可根据具体情况自行设设置。
分析时刻的振动数据的原始异常度的计算公式如下:
式中,E为分析时刻的振动数据的原始异常度;为分析时刻的振动差异度;/>为分析时刻的局部预设时间段内每个时刻的振动差异度中的最大值;R为分析时刻的局部预设时间段内时刻的总数量,取经验值10;/>为分析时刻的局部预设时间段内第r个时刻的振动差异度;/>为绝对值函数。
本申请基于分析时刻之前局部预设时间段内相邻时刻的振动数据的差异情况判断电梯在分析时刻的运行异常情况;由于电梯正常运行时振动数据呈现较为平滑的增大或减小,则分析时刻的局部预设时间段内相邻时刻的振动数据之间的差异较小。当越大时,分析时刻相对于其局部预设时间段内各时刻的振动差异越大,说明分析时刻的振动数据的瞬时局部变化越异常,电梯出现故障的可能性越大,则原始异常度E越大。当/>越小时,分析时刻与其局部预设时间段内各时刻的振动数据的瞬时局部变化越相似,说明分析时刻与其局部预设时间段内各时刻的振动数据的变化呈现出较为平滑的增大或减小,电梯在分析时刻为正常运行的可能性越大,则原始异常度E越小;当/>越大时,说明分析时刻的振动数据的瞬时局部变化为非规律性的突变即故障突变,电梯出现故障的可能性越大,则原始异常度E越大。
需要说明的是,由于电梯运行状态通常为上升、下降与静止三种运行状态交替出现,电梯在不同运行状态下的振动数据存在差异,则对每个子时间段内各时刻的振动数据单独进行原始异常度分析,具体为每个子时间段内前10个时刻没有对应局部预设时间段,以保证原始异常度反映电梯运行状态的准确性。为了不影响后续分析,本发明实施例中对于历史时间段内前10个时刻与每个子时间段内前10个时刻,将上述时刻的振动数据的原始异常度设置为0。
步骤S3:选取任意一个子时间段作为分析时间段,获取分析时间段内每个时刻的局部时间段,依据分析时间段内每个时刻的局部时间段内所有时刻的振动数据的极值分布,相邻极值的时间分布,以及局部时间段内每个时刻的原始异常度,获取分析时间段内每个时刻的振动数据的波动特征值。
选取电梯在上升或下降状态对应的任意一个子时间段作为分析时间段进行后续分析。具体的,电梯在上升与下降过程中存在加减速过程,会导致振动数据在短时间内发生变化,本申请获取分析时间段内每个时刻的局部时间段,分析局部时间段内振动数据的变化情况以获取每个时刻的波动特征值。
(1)获取分析时间段内每个时刻的局部时间段。
优选地,局部时间段的获取方法为:以时间为横轴,振动数据为纵轴建立二维坐标系;将分析时间段内每个时刻的振动数据在二维坐标系中进行标注得到分析时间段内每个时刻的坐标点;对二维坐标系中坐标点进行曲线拟合得到振动曲线段;选取分析时间段内任意一个时刻作为目标时刻,将目标时刻在二维坐标系中对应的坐标点作为目标坐标点;在振动曲线段上,将目标坐标点之前预设数量个极值点作为判断点,将时刻最小的判断点作为基准点,将基准点与目标坐标点之间的曲线段作为目标坐标点的局部曲线段;将局部曲线段的两个端点对应时刻构成的时间段作为目标时刻的局部时间段。
需要说明的是,电梯在上升与下降过程中存在加减速过程,则分析时间段内振动数据中会出现多个极大值与极小值,为了对因电梯加减速造成的复杂波动进行准确分析,则分析时间段内每个时刻的局部时间段需要包括多个极值。
本申请选用最小二乘法对分析时间段内每个时刻的振动数据在二维坐标系中对应的坐标点进行曲线拟合得到振动曲线段,最小二乘法为公知技术,在此不再赘述。本发明实施例中预设数量为偶数,取经验值10,实施者可根据具体情况自行设置。需要注意的是,分析时间段内第1个时刻至第10个极值对应时刻即分析时间段对应的振动曲线段上第10个极值点对应的时刻之间的时刻没有局部时间段,本申请中将上述时刻的波动特征值直接设置为0。
(2)获取波动特征值。
将连接振动曲线段上每个极大值点与其相邻前一个极大值点得到的线段,作为振动曲线段上每个极大值点的目标线段,将目标线段的斜率作为振动曲线段上每个极大值点的震荡斜率;将振动曲线段上每个极大值点与其相邻前一个极大值点对应的时刻之间的时间间隔作为振动曲线段上每个极大值点的时序差异度;局部曲线段上的极大值点为第一种的极值点,极小值点为第二种的极值点;结合目标坐标点的局部曲线段上相邻的同一种的极值点的震荡斜率之间的差异与时序差异度之间的差异,以及目标时刻的局部时间段内每个时刻的振动数据的原始异常度,获取目标时刻的振动数据的波动特征值。
需要说明的是,电梯正常运行的电信号上波峰点与波谷点交替出现,则目标时刻的局部曲线段上极大值点与极小值点的数量相同,则目标时刻的局部曲线段上同种极值点的数量为5。
目标时刻的振动数据的波动特征值的计算公式如下:
式中,为目标时刻的振动数据的波动特征值;/>为目标时刻对应的局部曲线段上第a种的极值点的个数,取经验值5;/>为目标时刻对应的局部曲线段上第a种的第s个极值点的震荡斜率;/>为目标时刻对应的局部曲线段上第a种的第s+1个极值点的震荡斜率;/>为目标时刻对应的局部曲线段上第a种的第s个极值点的时序差异度;/>为目标时刻对应的局部曲线段上第a种的第s+1个极值点的时序差异度;N为目标时刻的局部时间段内时刻的总数量;/>为目标时刻的局部时间段内第n个时刻的振动数据的原始异常度。
电梯正常运行时振动数据通常表现为连续的锯齿状电信号,且电信号的振幅相对规整,即相邻多个波峰点或波谷点之间的振幅基本一致且对应时刻的时间间隔差异越小。与/>呈现目标时刻的局部曲线段上相邻两个波的振幅之间的差异,当越大时,在局部曲线段内相邻的三个波中前两个波与后两个波的极大值或者极小值之间的差异越大,说明目标时刻的局部时间段内振动数据的振幅差异较大,电梯在目标时刻的局部时间段内振动数据变化的稳定性越差,则波动特征值/>越大。当/>越大时,说明目标时刻的局部时间段内振动数据变化越大,则波动特征值/>越大,目标时刻的瞬时局部变化为异常故障变化的可能性越大;当/>越小时,说明目标时刻的局部时间段内振动数据变化越稳定,则波动特征值/>越小,目标时刻的瞬时局部变化为正常变化的可能性越大。
需要说明的是,若电梯在当前时刻与其相邻前一个子时间段均处于上升或者下降状态,且当前时刻的相邻前一个子时间段内第1个时刻至当前时刻至少存在10个极值,即上述时间段对应的振动曲线段上存在10个极值点,则当前时刻的振动数据的波动特征值的计算方法与每个子时间段内每个时刻的振动数据的波动特征值的计算方法相同;若当前时刻的相邻前一个子时间段内第1个时刻至当前时刻最多存在9个极值,则设定当前时刻与相邻前一个子时间段内每个时刻的振动数据的波动特征值等于0。由于电梯上升状态与下降状态中间会存在静止状态,本申请不分析电梯静止状态,若电梯在当前时刻与其相邻前一个子时间段处于不同运行状态,则本发明设定当前时刻的振动数据的波动特征值为0;若电梯在当前时刻处于静止状态,则不进行后续分析。
步骤S4:将与当前时刻电梯运行状态类型相同的子时间段作为当前时刻的匹配时间段;结合当前时刻与其匹配时间段内各时刻的承载重量之间的差异,以及波动特征值之间的差异,获取当前时刻与其每个匹配时间段内各时刻的振动数据之间的相似度;基于相似度从当前时刻的匹配时间段中筛选出当前时刻的相似时刻。
若当前时刻电梯处于上升状态,则将历史时间段内电梯上升状态对应的子时间段作为当前时刻的匹配时间段;若当前时刻电梯处于下降状态,则将历史时间段内电梯下降状态对应的子时间段作为当前时刻的匹配时间段;若当前时刻电梯处于静止状态,则不进行后续分析。
电梯处在上升和下降状态中的加减速过程中产生的振动数据具有一定相似性,同时考虑到电梯上乘客的总重量不同会一定程度影响振动数据变化,则结合当前时刻与其匹配时间段内时刻的波动特征值的差异与承重数据的差异,以提高获取的相似度的准确性,进而从匹配时间段中筛选出当前时刻的相似时刻。
优选地,相似度的具体获取方法为:选取当前时刻的任意一个匹配时间段内任意一个时刻作为待定时刻,将当前时刻与待定时刻的承重数据之间的差值的平方值作为承重差异度,将当前时刻与待定时刻的波动特征值之间的差值的平方值作为波动差异度;根据承重差异度与波动差异度,获取当前时刻与待定时刻之间的相似度;承重差异度与波动差异度均与相似度为负相关的关系。
当前时刻与分析时间段内每个时刻的振动数据之间的相似度的计算公式如下:
式中,f为当前时刻与待定时刻的振动数据之间的相似度;为当前时刻的承重数据;/>为待定时刻的承重数据;/>为当前时刻的波动特征值;/>为待定时刻的波动特征值;为当前时刻与待定时刻之间的承重差异度;/>为当前时刻与待定时刻之间的波动差异度;exp为以自然常数e为底数的指数函数。
本发明实施例通过当前时刻与待定时刻的波动特征值之间的差异反映两个时刻的振动数据的相似程度;当越小时,说明待定时刻与当前时刻的振动数据的瞬时局部变化越相似,考虑到上述两个时刻的承重数据不同会一定程度影响振动数据变化即波动特征值的准确性,在/>越小时,且/>越小,在待定时刻与当前时刻下电梯上乘客总重量对两个时刻的振动数据的瞬时局部变化的影响越小,则在待定时刻与当前时刻的振动数据的瞬时局部变化越相似且电梯上乘客总重量差异越小时,则电梯在待定时刻与当前时刻处于相同运行状态的可能性越大,则相似度f越大。
获取当前时刻与其每个匹配时间段内每个时刻的振动数据之间的相似度,该计算方法和当前时刻与分析时间段内每个时刻的振动数据之间的相似度的获取方法相同。
若当前时刻与待定时刻之间的相似度大于预设相似阈值,则待定时刻作为当前时刻的相似时刻;遍历当前时刻的每个匹配时间段内每个时刻,得到当前时刻在其匹配时间段内的相似时刻。
本发明实施例中预设相似阈值取经验值0.7,实施者可根据具体情况自行设置。
该步骤简化了锯齿状信号数据本身的相对复杂的数据变化,并通过历史数据判断当前时刻的振动数据异常的可能性,避免了只通过局部复杂数据波动所获取异常程度导致将噪声误判为故障或忽略掉某些不明显的故障数据,极大的提高了电梯安全运行状态监测的准确性以及故障检测的准确性。
步骤S5:根据相似时刻的数量,和当前时刻与其相似时刻的相似度,对当前时刻的原始异常度进行修正,获取当前时刻的振动数据的修正异常度。
具体的,步骤S2计算的当前时刻的原始异常度仅呈现当前时刻的瞬时局部变化的异常表现,电梯在实际运行过程中可能存在与其变化程度相同的时刻即当前时刻的相似时刻,根据当前时刻的相似时刻的振动数据的瞬时局部变化对当前时刻的振动数据的异常程度进行修正得修正异常度,以避免电梯运行过程中加减速运行导致振动数据出现复杂变化,使得处于加减速的当前时刻的振动数据误判为异常故障数据,提高对当前时刻下电梯运行状态判断的准确性。
当前时刻的振动数据的修正异常度的计算公式如下:
式中,为当前时刻的振动数据的修正异常度;m为当前时刻的相似时刻的总数量;M为当前时刻的所有匹配时间段内所有时刻的总数量;/>为当前时刻的相似系数;/>为当前时刻与其第k个相似时刻的振动数据之间的相似度;E为当前时刻的振动数据的异常度;e为自然常数。
呈现在当前时刻的匹配时间段内,与当前时刻的振动数据的瞬时局部变化较为相似的时刻在匹配时间段所占的比例,当/>越大时,当前时刻的振动数据的局部变化在其匹配时间段出现的频率较高,说明当前时刻的振动数据的瞬时局部变化为正常变化的可能性越大,应将原始异常度E调小,则修正异常度/>越小。当/>越大时,当前时刻与其相似时刻的振动数据的瞬时局部变化越相似,说明当前时刻的振动数据的瞬时局部变化具有普遍性,当前时刻的振动数据的瞬时局部变化为正常变化,应将当前时刻的振动数据的原始异常度减小,则修正异常度/>越小。
步骤S6:基于修正异常度判断电梯的运行状态。
若当前时刻的振动数据的修正异常度大于预设异常阈值,则电梯在当前时刻出现运行故障;若当前时刻的振动数据的修正异常度小于或者等于预设异常阈值,说明当前时刻的振动数据的瞬时局部变化是正常波动,则电梯在当前时刻正常运行。
本发明实施例中预设异常阈值取经验值0.7,实施者可根据具体情况自行设置。
至此,本发明完成。
综上所述,本发明实施例中,获取当前时刻与历史时间段内每个时刻的振动数据的原始异常度,获取每个子时间段内每个时刻的振动数据的波动特征值,将与当前时刻电梯运行状态类型相同的子时间段作为当前时刻的匹配时间段,从匹配时间段内筛选出当前时刻的相似时刻,并根据当前时刻在其匹配时间段内相似时刻的数量与相似度对当前时刻的原始异常度进行修正获取修正异常度,基于修正异常度判断电梯运行状态。本发明依据当前时刻的相似时刻的数据特征对其原始异常度进行修正,避免当前时刻在加减速过程中各时刻的振动数据误判为异常故障数据,提高对电梯安全运行状态监测的准确性。
基于与上述方法实施例相同的发明构思,本发明实施例还提供了一种电梯安全运行状态智能监测系统,该系统包括:存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序,处理器执行所述计算机程序时,实现上述一种电梯安全运行状态智能监测方法实施例中的步骤,例如图1所示的步骤。该一种电梯安全运行状态智能监测方法在上述实施例中已经详细说明,不再赘述。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,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 (5)
1.一种电梯安全运行状态智能监测方法,其特征在于,该方法包括:
获取电梯在当前时刻与其之前历史时间段内每个时刻的振动数据与承重数据;基于电梯运行状态将历史时间段划分为不同类型的子时间段;
选取当前时刻或者其之前历史时间段内任意一个时刻作为分析时刻,根据分析时刻与其之前局部预设时间段内相邻时刻的振动数据的差异,获取分析时刻的振动数据的原始异常度;
选取任意一个子时间段作为分析时间段,获取分析时间段内每个时刻的局部时间段,依据分析时间段内每个时刻的局部时间段内所有时刻的振动数据的极值分布,相邻极值的时间分布,以及所述局部时间段内每个时刻的所述原始异常度,获取分析时间段内每个时刻的振动数据的波动特征值;
将与当前时刻电梯运行状态类型相同的子时间段作为当前时刻的匹配时间段;结合当前时刻与其匹配时间段内各时刻的承载重量之间的差异,以及所述波动特征值之间的差异,获取当前时刻与其每个匹配时间段内各时刻的振动数据之间的相似度;基于所述相似度从当前时刻的匹配时间段中筛选出当前时刻的相似时刻;
根据所述相似时刻的数量,和当前时刻与其相似时刻的所述相似度,对当前时刻的所述原始异常度进行修正,获取当前时刻的振动数据的修正异常度;
基于所述修正异常度判断电梯的运行状态;
所述当前时刻的振动数据的修正异常度的计算公式如下:
,/>;式中,/>为当前时刻的振动数据的修正异常度;m为当前时刻的相似时刻的总数量;M为当前时刻的所有匹配时间段内所有时刻的总数量;/>为当前时刻的相似系数;/>为当前时刻与其第k个相似时刻的振动数据之间的相似度;E为当前时刻的振动数据的异常度;e为自然常数;
所述根据分析时刻与其之前局部预设时间段内相邻时刻的振动数据的差异,获取分析时刻的振动数据的原始异常度的方法,包括:
将每个时刻与其相邻前一个时刻的振动数据之间的差值绝对值,作为每个时刻的振动差异度;
根据分析时刻分别与其之前局部预设时间段内每个时刻的所述振动差异度之间的差异,以及分析时刻的所述振动差异度,获取分析时刻的振动数据的原始异常度;
所述分析时刻的振动数据的原始异常度的计算公式如下:
;式中,E为分析时刻的振动数据的原始异常度;/>为分析时刻的所述振动差异度;/>为分析时刻的局部预设时间段内每个时刻的所述振动差异度中的最大值;R为分析时刻的局部预设时间段内时刻的总数量;/>为分析时刻的局部预设时间段内第r个时刻的所述振动差异度;/>为绝对值函数;
所述获取分析时间段内每个时刻的局部时间段,依据分析时间段内每个时刻的局部时间段内所有时刻的振动数据的极值分布,相邻极值的时间分布,以及所述局部时间段内每个时刻的所述原始异常度,获取分析时间段内每个时刻的振动数据的波动特征值的方法,包括:
以时间为横轴,振动数据为纵轴建立二维坐标系;将分析时间段内每个时刻的振动数据在所述二维坐标系中进行标注得到分析时间段内每个时刻的坐标点;对所述二维坐标系中坐标点进行曲线拟合得到振动曲线段;
选取分析时间段内任意一个时刻作为目标时刻,将目标时刻在所述二维坐标系中对应的坐标点作为目标坐标点;在振动曲线段上,将目标坐标点之前预设数量个极值点作为判断点,将时刻最小的判断点作为基准点,将所述基准点与目标坐标点之间的曲线段作为目标坐标点的局部曲线段;将所述局部曲线段的两个端点对应时刻构成的时间段作为目标时刻的局部时间段;
将连接振动曲线段上每个极大值点与其相邻前一个极大值点得到的线段,作为振动曲线段上每个极大值点的目标线段,将所述目标线段的斜率作为振动曲线段上每个极大值点的震荡斜率;将振动曲线段上每个极大值点与其相邻前一个极大值点对应的时刻之间的时间间隔作为振动曲线段上每个极大值点的时序差异度;
所述局部曲线段上的极大值点为第一种的极值点,极小值点为第二种的极值点;结合目标坐标点的局部曲线段上相邻的同一种的极值点的所述震荡斜率之间的差异与所述时序差异度之间的差异,以及目标时刻的所述局部时间段内每个时刻的振动数据的原始异常度,获取目标时刻的振动数据的波动特征值;
所述目标时刻的振动数据的波动特征值的计算公式如下:
;式中,/>为目标时刻的振动数据的波动特征值;/>为目标时刻对应的所述局部曲线段上第a种的极值点的个数;为目标时刻对应的所述局部曲线段上第a种的第s个极值点的所述震荡斜率;/>为目标时刻对应的所述局部曲线段上第a种的第s+1个极值点的所述震荡斜率;/>为目标时刻对应的所述局部曲线段上第a种的第s个极值点的所述时序差异度;/>为目标时刻对应的所述局部曲线段上第a种的第s+1个极值点的所述时序差异度;N为目标时刻的所述局部时间段内时刻的总数量;/>为目标时刻的所述局部时间段内第n个时刻的振动数据的原始异常度;
当前时刻与分析时间段内每个时刻的振动数据之间的相似度的计算公式如下:
式中,f为当前时刻与待定时刻的振动数据之间的相似度;为当前时刻的承重数据;/>为待定时刻的承重数据;/>为当前时刻的波动特征值;/>为待定时刻的波动特征值;为当前时刻与待定时刻之间的承重差异度;/>为当前时刻与待定时刻之间的波动差异度;exp为以自然常数e为底数的指数函数。
2.根据权利要求1所述的一种电梯安全运行状态智能监测方法,其特征在于,所述获取当前时刻与其每个匹配时间段内各时刻的振动数据之间的相似度的方法,包括:
选取当前时刻的任意一个匹配时间段内任意一个时刻作为待定时刻,将当前时刻与所述待定时刻的承重数据之间的差值的平方值作为承重差异度,将当前时刻与所述待定时刻的所述波动特征值之间的差值的平方值作为波动差异度;
根据所述承重差异度与所述波动差异度,获取当前时刻与待定时刻之间的相似度;所述承重差异度与所述波动差异度均与所述相似度为负相关的关系。
3.根据权利要求2所述的一种电梯安全运行状态智能监测方法,其特征在于,所述基于所述相似度从当前时刻的匹配时间段中筛选出当前时刻的相似时刻的方法,包括:
若当前时刻与所述待定时刻之间的所述相似度大于预设相似阈值,则将所述待定时刻作为当前时刻的相似时刻;
遍历当前时刻的每个匹配时间段内每个时刻,得到当前时刻在其匹配时间段内的相似时刻。
4.根据权利要求1所述的一种电梯安全运行状态智能监测方法,其特征在于,所述基于所述修正异常度判断电梯的运行状态的方法,包括:
若当前时刻的振动数据的修正异常度大于预设异常阈值,则电梯在当前时刻出现运行故障;若当前时刻的振动数据的修正异常度小于或者等于预设异常阈值,则电梯在当前时刻正常运行。
5.一种电梯安全运行状态智能监测系统,其特征在于,该系统包括:存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序,处理器执行所述计算机程序时,实现上述权利要求1-4任意一项所述一种电梯安全运行状态智能监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410224112.9A CN117800187B (zh) | 2024-02-29 | 2024-02-29 | 一种电梯安全运行状态智能监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410224112.9A CN117800187B (zh) | 2024-02-29 | 2024-02-29 | 一种电梯安全运行状态智能监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117800187A CN117800187A (zh) | 2024-04-02 |
CN117800187B true CN117800187B (zh) | 2024-05-10 |
Family
ID=90428009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410224112.9A Active CN117800187B (zh) | 2024-02-29 | 2024-02-29 | 一种电梯安全运行状态智能监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117800187B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118177830B (zh) * | 2024-05-15 | 2024-08-09 | 济南宝林信息技术有限公司 | 基于人工智能的心脏功能实时监听数据优化处理方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1059645A (ja) * | 1996-08-19 | 1998-03-03 | Hitachi Building Syst Co Ltd | エレベータ異常検出装置 |
CN107922144A (zh) * | 2015-08-27 | 2018-04-17 | 三菱电机株式会社 | 电梯减振装置的异常检测装置、电梯及电梯减振装置的异常检测方法 |
WO2021253660A1 (zh) * | 2020-06-18 | 2021-12-23 | 猫岐智能科技(上海)有限公司 | 电梯内危险事件判断方法及系统 |
CN114715752A (zh) * | 2022-06-08 | 2022-07-08 | 凯尔菱电(山东)电梯有限公司 | 用于电梯的异常检测方法及系统 |
CN117114213A (zh) * | 2023-10-25 | 2023-11-24 | 北京国旺盛源智能终端科技有限公司 | 一种村网共建便民网络服务方法及系统 |
CN117332206A (zh) * | 2023-08-31 | 2024-01-02 | 中国计量大学 | 一种基于注意力机制的RCNN-FA-BiGRU自动扶梯轴承故障诊断方法 |
CN117391481A (zh) * | 2023-12-11 | 2024-01-12 | 阿尔卑斯系统集成(大连)有限公司 | 一种基于大数据的电力数据监视方法及系统 |
-
2024
- 2024-02-29 CN CN202410224112.9A patent/CN117800187B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1059645A (ja) * | 1996-08-19 | 1998-03-03 | Hitachi Building Syst Co Ltd | エレベータ異常検出装置 |
CN107922144A (zh) * | 2015-08-27 | 2018-04-17 | 三菱电机株式会社 | 电梯减振装置的异常检测装置、电梯及电梯减振装置的异常检测方法 |
WO2021253660A1 (zh) * | 2020-06-18 | 2021-12-23 | 猫岐智能科技(上海)有限公司 | 电梯内危险事件判断方法及系统 |
CN114715752A (zh) * | 2022-06-08 | 2022-07-08 | 凯尔菱电(山东)电梯有限公司 | 用于电梯的异常检测方法及系统 |
CN117332206A (zh) * | 2023-08-31 | 2024-01-02 | 中国计量大学 | 一种基于注意力机制的RCNN-FA-BiGRU自动扶梯轴承故障诊断方法 |
CN117114213A (zh) * | 2023-10-25 | 2023-11-24 | 北京国旺盛源智能终端科技有限公司 | 一种村网共建便民网络服务方法及系统 |
CN117391481A (zh) * | 2023-12-11 | 2024-01-12 | 阿尔卑斯系统集成(大连)有限公司 | 一种基于大数据的电力数据监视方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于加速度传感器的电梯健康监测系统;郑伟峰;;计量与测试技术;20160930(09);全文 * |
基于加速度信号的电梯健康状态评价方法研究;蒋淑恋;;中国计量;20171010(10);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117800187A (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117800187B (zh) | 一种电梯安全运行状态智能监测方法及系统 | |
CN109524139B (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
CN116842348B (zh) | 基于人工智能的桥梁健康监测系统 | |
JP7249254B2 (ja) | 工場ロボットの状態ベースメンテナンスのための運動非感知性特徴 | |
CN101135614B (zh) | 异常监控设备和方法 | |
CN109285313B (zh) | 一种烟雾报警器的传感器自动校正方法及系统 | |
JP3321487B2 (ja) | 機器/設備診断方法およびシステム | |
CN113109051B (zh) | 基于振动数据极差序列的故障预警方法和系统 | |
CN108069308A (zh) | 一种基于序贯概率的电扶梯故障诊断方法 | |
CN109029589B (zh) | 一种桥梁结构安全状态监测系统 | |
US5030917A (en) | Transient rotor fault detection in induction and synchronous motors | |
CN109264521B (zh) | 电梯故障诊断装置 | |
CN111606177B (zh) | 乘客输送装置及其故障检测监控方法和装置 | |
CN118034069B (zh) | 一种智能控制器运行状态的自适应控制方法 | |
CN117538491A (zh) | 一种站房空气质量智能监测方法及系统 | |
WO2014031291A2 (en) | Fleet anomaly detection system and method | |
US20230097101A1 (en) | Vibration analysis apparatus and vibration analysis method | |
CN108982106B (zh) | 一种快速检测复杂系统动力学突变的有效方法 | |
JP2019067069A (ja) | 異常検知装置及び異常検知方法並びに異常検知プログラム | |
CN109872511B (zh) | 一种针对轴向位移突变监测的自适应两级报警方法 | |
CN114132810B (zh) | 电梯运行状态和电梯零部件状态的监测方法及系统 | |
JP2024020796A (ja) | 監視装置、システム、方法及びプログラム | |
CN117334966B (zh) | 一种基于车载氢系统的运行监测方法及系统 | |
CN110077926A (zh) | 电梯及其减振机构调整方法 | |
CN118395091B (zh) | 基于万物互联的数据高效采集系统 |
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 |