KR102572257B1

KR102572257B1 - 엘리베이터 센서 시스템 교정

Info

Publication number: KR102572257B1
Application number: KR1020180078117A
Authority: KR
Inventors: 엔. 코식 수더션; 알. 브라운왈트 폴; 사카르 소말리아; 이. 러벳 팀스; 에스. 에클라디우스 조지
Original assignee: 오티스 엘리베이터 컴파니
Priority date: 2017-07-06
Filing date: 2018-07-05
Publication date: 2023-08-29
Also published as: CN109205424A; KR20190005771A; US20190010020A1; EP3424862A1; US10829344B2; CN109205424B

Abstract

일 형태에 따르면, 엘리베이터 센서 시스템 교정 방법은, 교정 장치가 알려진 여기를 인가하는 동안 엘리베이터 시스템의 하나 이상의 센서로부터 복수의 데이터를 컴퓨팅 시스템에 의해 수집하는 단계를 포함한다. 컴퓨팅 시스템은 훈련된 모델을 사용하여 알려진 응답에 대한 예상 응답에 실제 응답을 비교한다. 컴퓨팅 시스템은 분석 모델 교정을 수행하여, 실제 응답과 예상 응답 사이의 하나 이상의 응답 변화를 기반으로 훈련된 모델을 교정한다.

Description

엘리베이터 센서 시스템 교정 {ELEVATOR SENSOR SYSTEM CALIBRATION}

본원에 개시된 주제는 일반적으로 엘리베이터 시스템에 관한 것으로, 보다 상세하게는 엘리베이터 센서 시스템 교정(calibration)에 관한 것이다.

엘리베이터 시스템은 시스템 구성요소의 현 상태 및 장애 상태를 검출하기 위해 다양한 센서를 포함할 수 있다. 특정 유형의 장애 또는 성능 저하 검출을 수행하려면 정확한 센서 시스템 교정이 필요할 수 있다. 제조 및 설치되는 센서 시스템은 어느 정도의 편차가 있을 수 있다. 센서 시스템의 응답은 무게, 구조적 특징 및 기타 설치 효과와 같은 엘리베이터 구성품의 특성 변화와 같은 설치상의 차이 및 이러한 센서 시스템 차이로 인해 이상적인 시스템에 비해 다를 수 있다.

을 향상시키는 것을 포함한다 정확성.

전술한 특징들 및 요소들은 달리 명시되지 않는 한 배타성없이 다양한 조합으로 결합될 수 있다. 이들 특징들 및 요소들뿐만 아니라 그 동작은 다음의 설명 및 첨부 도면들에 비추어보다 명확해질 것이다. 그러나, 이하의 설명 및 도면은 본질적으로 예시적이고 설명적인 것으로 의도되고 비-제한적인 것으로 이해되어야 한다.

일부 실시예에 따르면, 엘리베이터 센서 시스템 교정 방법이 제공된다. 상기 방법은 교정 장치가 알려진 여기(excitation)를 인가하는 동안 엘리베이터 센서 시스템의 하나 이상의 센서로부터 복수의 데이터를 컴퓨팅 시스템에 의해 수집하는 단계를 포함한다. 컴퓨팅 시스템은 훈련 모델(trained model)을 사용하여 상기 알려진 여기에 대한 예상 응답에 실제 응답을 비교한다. 상기 컴퓨팅 시스템은 실제 응답과 예상 응답 사이의 하나 이상의 응답 변화에 기초하여 훈련 모델을 교정하기 위해 분석 시스템 교정을 수행한다.

위 또는 아래 기술되는 특징들 중 하나 이상에 추가하여, 또는 대안으로서, 추가 실시예에서는 상기 훈련 모델이, 예상 응답을 생성하기 위해 상기 엘리베이터 센서 시스템의 상이한 인스턴스(instance)에 상기 알려진 여기를 적용함으로써 훈련될 수 있다.

위 또는 아래 기술되는 특징들 중 하나 이상에 추가하여, 또는 대안으로서, 추가 실시예에서는 분석 모델 교정을 수행하는 단계가, 상기 알려진 여기에 의해 생성된 데이터 포인트의 범위에 대해 상기 하나 이상의 응답 변화에 기초하여 전달 함수를 결정하기 위해 전이 학습을 적용하는 단계를 포함할 수 있다.

위 또는 아래 기술되는 특징들 중 하나 이상에 추가하여, 또는 대안으로서, 추가 실시예에서는 상기 훈련 모델의 기준선 지정은 상기 전달 함수에 따라 시프트될 수 있다.

위 또는 아래 기술되는 특징들 중 하나 이상에 추가하여, 또는 대안으로서, 추가 실시예에서는 상기 전이 학습이 상기 훈련 모델의 적어도 하나의 장애 검출 경계를 시프트시킬 수 있다.

위 또는 아래 기술되는 특징들 중 하나 이상에 추가하여, 또는 대안으로서, 추가 실시예에서는 전이 학습은 적어도 하나의 훈련 회귀 모델(trained regression model)을 시프트시킬 수 있다.

위 또는 아래 기술되는 특징들 중 하나 이상에 추가하여, 또는 대안으로서, 추가 실시예에서는, 전이 학습이 적어도 하나의 훈련 장애 검출 모델을 시프트시키고, 장애 지정은 롤러 장애, 트랙 장애, 문틀 장애, 도어 잠금 장애, 벨트 장력 장애, 카 도어 장애 및 홀 도어 장애 중 하나 이상을 포함한다.

위 또는 아래 기술되는 특징들 중 하나 이상에 추가하여, 또는 대안으로서, 추가 실시예에서는, 엘리베이터 시스템 상의 하나 이상의 미리 결정된 위치에서 상기 교정 장치에 의해 인가된 상기 알려진 여기의 하나 이상의 변형이 수집된다.

위 또는 아래 기술되는 특징들 중 하나 이상에 추가하여, 또는 대안으로서, 추가 실시예에서는, 상기 알려진 여기가 하나 이상의 미리 결정된 진폭으로 인가된 하나 이상의 진동 주파수의 미리 결정된 시퀀스를 포함한다.

위 또는 아래 기술되는 특징들 중 하나 이상에 추가하여, 또는 대안으로서, 추가 실시예에서는, 상기 데이터가 엘리베이터 시스템의 둘 이상의 상이한 랜딩(landing)에서 수집된다.

일부 실시예에 따르면, 엘리베이터 시스템을 모니터링하도록 동작 가능한 하나 이상의 센서를 포함하는 엘리베이터 센서 시스템이 제공된다. 엘리베이터 센서 시스템의 컴퓨팅 시스템은 교정 장치가 알려진 여기(excitation)를 인가하는 동안 상기 하나 이상의 센서로부터 복수의 데이터를 수집하고, 훈련 모델(trained model)을 사용하여 상기 알려진 여기에 대한 예상 응답에 실제 응답을 비교하며, 실제 응답과 예상 응답 사이의 하나 이상의 응답 변화에 기초하여 훈련 모델을 교정하기 위해 분석 시스템 교정을 수행하는 프로세서 및 메모리를 포함한다.

본 개시의 실시예들의 기술적 효과는 장애 검출 정확도를 향상시키도록 알려진 여기에 대한 실제 응답과 예상 응답 간의 응답 변화에 기초하여 훈련 모델을 교정하도록 전달 함수와 알려진 여기의 주입을 이용하는 엘리베이터 센서 시스템 교정을 포함한다.

본 개시는 예시로서 도시되며, 동일한 참조 번호가 유사한 요소를 나타내는 첨부 도면에 한정되지 않는다.
도 1은 본 발명의 다양한 실시예를 채택할 수 있는 엘리베이터 시스템의 개략도이다.
도 2는 본 발명의 일 실시예에 따른 엘리베이터 도어 조립체의 개략도이다.
도 3은 본 발명의 일 실시예에 따른 교정을 위한 전이 학습 프로세스이다.
도 4는 본 발명의 일 실시예에 따른 분석 모델 교정 프로세스이다.
도 5는 본 발명의 하나 이상의 실시예에 대해 구성될 수 있는 컴퓨팅 시스템을 도시하는 개략적인 블록도다.
도 6은 본 발명의 일 실시예에 따른 엘리베이터 도어 센서 시스템 교정을 위한 프로세스다.

개시된 장치 및 방법의 하나 이상의 실시 형태에 대한 상세한 설명은 단지 예시로서, 제한없이 도면을 참조하여, 여기에 제시된다.

도 1은 엘리베이터 카(103), 평형 추(105), 하나 이상의 하중 지지 부재(107), 안내 레일(109), 기계(111), 위치 인코더(113) 및 엘리베이터 제어기(115)를 포함하는 엘리베이터 시스템(101)의 사시도다. 엘리베이터 카(103) 및 평형 추(105)는 하중 지지 부재(107)에 의해 서로 연결된다. 하중 지지 부재(107)는 예를 들어 로프, 강철 케이블 및/또는 코팅-강철 벨트일 수 있다. 평형 추(105)는 엘리베이터 카(103)의 하중과 평형을 이루도록 구성되고, 엘리베이터 샤프트(117) 내에서 그리고 안내 레일(109)을 따라 평형 추(105)에 대해 반대 방향으로 동시적으로 엘리베이터 카(103)의 이동을 용이하게 하도록 구성된다.

하중 지지 부재(107)는 엘리베이터 시스템(101)의 오버 헤드 구조의 일부인 기계(111)와 맞물린다. 기계(111)는 엘리베이터 카(103)와 평형 추(105) 사이의 이동을 제어하도록 구성된다. 위치 인코더(113)는 조속기 시스템(119)의 상부 시브(upper sheave) 상에 장착될 수 있고, 엘리베이터 샤프트(117) 내의 엘리베이터 카(103)의 위치와 관련된 위치 신호를 제공하도록 구성될 수 있다. 다른 실시예에서, 위치 인코더(113)는 기계(111)의 움직이는 구성 요소에 직접 장착될 수 있고, 또는, 당 업계에 공지된 다른 위치 및/또는 구성에 위치될 수 있다.

엘리베이터 제어기(115)는 도시된 바와 같이 엘리베이터 샤프트(117)의 제어기 실(121)에 위치하고, 엘리베이터 시스템(101), 특히 엘리베이터 카(103)의 작동을 제어하도록 구성된다. 예를 들어, 엘리베이터 제어기 엘리베이터(115)는 엘리베이터 카(103)의 가속, 감속, 레벨링, 정지 등을 제어하기 위해 구동 신호를 기계(111)에 제공할 수 있다. 엘리베이터 제어기(115)는 또한 위치 인코더(113)로부터 위치 신호를 수신하도록 구성될 수 있다. 안내 레일(109)을 따라 엘리베이터 샤프트(117) 내에서 위/아래로 이동할 때, 엘리베이터 카(103)는 엘리베이터 제어기(115)에 의해 제어에 따라 하나 이상의 랜딩(125)에서 정지할 수 있다. 제어기 실(121)에 도시되어 있지만, 당 업자는 엘리베이터 제어기(115)가 엘리베이터 시스템(101) 내의 다른 위치 또는 자리에 배치 및/또는 구성될 수 있다는 것을 이해할 것이다. 일부 실시예에서, 엘리베이터 제어기(115)는, 조명, 디스플레이 스크린, 음악, 말한 음성 단어 등을 포함하지만 이에 한정되지 않는, 엘리베이터 카(103) 내의 특징들을 제어하도록 구성될 수 있다.

기계(111)는 모터 또는 유사한 구동 메카니즘 및 선택적 제동 시스템을 포함할 수 있다. 본 발명의 실시예에 따르면, 기계(111)는 전기적으로 구동되는 모터를 포함하도록 구성된다. 모터의 전원 공급 장치는, 다른 구성 요소와 조합하여 모터에 공급되는 전력 계통을 포함한, 임의의 전원일 수 있다. 로프 기반 부하지지 시스템으로 도시되고 설명되었지만, 유압 또는 기타 방법과 같이, 엘리베이터 샤프트 내에서 엘리베이터 카를 움직이는 다른 방법 및 메커니즘을 채택한 엘리베이터 시스템은 본 개시의 실시예들을 이용할 수 있다. 도 1은 예시 및 설명 용도로 제시된 비제한적인 예에 불과하다.

엘리베이터 카(103)는 엘리베이터 카(103)의 내부(승객 부분) 및 각 랜딩(125) 사이에 접근을 제공하도록 동작 가능한 적어도 하나의 엘리베이터 도어 조립체(130)를 포함한다. 도 2는 엘리베이터 도어 조립체(130)를 보다 상세하게 도시한다. 도 2의 예에서, 엘리베이터 도어 조립체(130)는 헤더(218) 상의 도어 이동 안내 트랙(202), 중앙 개방 구조의 다수의 엘리베이터 도어 패널(206)을 포함하는 엘리베이터 도어(204), 및 문틀(sill)(208)을 포함한다. 엘리베이터 도어 패널(206)은 문틀(208) 내의 지브(gib)(212)와 조합하여 수평 운동을 안내하도록 롤러(210)에 의해 도어 이동 안내 트랙(202) 상에 매달린다. 측방 개방 구조와 같은 다른 구조도 고려될 수 있다. 하나 이상의 센서(214)가 엘리베이터 도어 조립체(130) 내에 통합되어, 엘리베이터 도어(204)를 모니터링하도록 동작 가능하다. 예를 들어, 하나 이상의 센서(214)는 하나 이상의 엘리베이터 도어 패널(206) 상에 또는 내에, 및/또는 헤더(218) 상에 장착될 수 있다. 일부 실시예에서, 엘리베이터 도어 패널(206)의 움직임은 도 1의 엘리베이터 제어기(115)와 통신할 수 있는 엘리베이터 도어 제어기(216)에 의해 제어된다. 다른 실시예에서, 엘리베이터 도어 제어기(216)의 기능은 엘리베이터 제어기(115)에, 또는 도 1의 엘리베이터 시스템(101) 내의 다른 어딘가에 통합된다. 또한, 여기에 설명된 바와 같은 교정 처리는 엘리베이터 제어기(115), 엘리베이터 도어 제어기(216), 서비스 툴(230)(예를 들어, 로컬 처리 리소스) 및/또는 클라우드 컴퓨팅 리소스(가령, 원격 처리 리소스)의 임의의 조합에 의해 수행될 수 있다. 센서들(214)과, 엘리베이터 제어기(115), 엘리베이터 도어 제어기(216), 서비스 툴(230) 및/또는 클라우드 컴퓨팅 리소스들(232) 중 하나 이상은 집합적으로 엘리베이터 센서 시스템(220)으로 지칭될 수 있다.

센서(214)는 가속도계, 속도 센서, 위치 센서, 힘 센서, 마이크로폰 또는 당 분야에 공지된 다른 센서와 같은, 임의의 유형의 운동, 위치, 음향 또는 힘 센서 또는 음향 센서 일 수 있다. 엘리베이터 도어 제어기(216)는 제어 및/또는 진단/예후 사용을 위해 센서(214)로부터 데이터를 수집할 수 있다. 예를 들어, 가속도계로서 구체화될 때, 센서(214)로부터의 가속도 데이터(예를 들어, 진동을 나타내는)는 충돌 이벤트, 부품 열화(component degradation) 또는 고장 조건을 나타내는 스펙트럼 내용에 대해 분석될 수 있다. 센서들(214)의 상이한 물리적 위치들로부터 수집된 데이터는, 예를 들어 센서들(214) 각각에 의해 검출된 에너지 분포에 따라, 장애 또는 열화 조건의 물리적 위치를 추가로 분리하는데 사용될 수 있다. 일부 실시예들에서, 도어 운동 안내 트랙(202)과 관련된 교란이 수평축(예를 들어, 개폐시 도어 이동 방향) 및/또는 수직축(예를 들어, 도어 이동 안내 트랙(202)에 따라 튀어 오르는 롤러(210)의 상하 운동) 상의 진동으로서 나타낼 수 있다. 문틀(208)과 관련된 교란은 수평축 및/또는 깊이 축(예를 들어, 엘리베이터 카(103)의 내부와 인접 랜딩(125) 사이의 내부 및 외부 이동에서) 상의 진동으로서 나타낼 수 있다.

실시예는 엘리베이터 도어 시스템에 제한되지 않고 도 1의 엘리베이터 시스템(101) 내의 임의의 엘리베이터 센서 시스템을 포함할 수 있다. 예를 들어, 센서(214)는 엘리베이터 움직임, 도어 움직임, 위치 기준, 레벨링, 환경 조건 및/또는 엘리베이터 시스템(101)의 다른 검출 가능한 상태를 모니터링하기 위해 하나 이상의 엘리베이터 서브 시스템에서 사용될 수 있다.

엘리베이터 센서 시스템(220)의 교정을 지원하기 위해, 교정 장치(222)는 센서(214)에 의해 검출 가능한 알려진 여기를 적용하기 위해 하나 이상의 미리 결정된 위치(224)에서 엘리베이터 도어(204)와 접촉하여 배치될 수 있다. 교정 장치(222)는 기결정된 위치(224)들 중 하나 이상에 하나 이상의 기결정된 진폭으로 인가되는, 기결정된 시퀀스의 하나 이상의 진동 주파수를 주입하도록 구성될 수 있다. 예를 들어, 교정 장치(222)를 도어 모션 안내 트랙(202)에 더 가깝게 배치하면 롤러 장애 또는 트랙 장애와 더욱 유사한 진동을 유도할 수 있고, 교정 장치(222)를 문틀에 가까이 배치하면 문틀 장애와 더욱 유사한 진동을 유도할 수 있다. 여기에 더 설명된 바와 같이, 여기에 대한 실제 감지된 응답이 훈련된 모델을 교정하기 위해 사용될 수 있기 때문에, 교정 장치(222)는 실제 장애를 정확히 모사(simulation)할 필요가 없다.

도 3은 일 실시예에 따른 전이 학습 프로세스(300)를 도시한다. 실험 위치(302)에서, 알려진 여기(304)는 도 2의 엘리베이터 센서 시스템(220)의 인스턴스에 공지된 교정 신호를 제공한다. 데이터(306)는 알려진 여기(304)에 응답하여 실험 위치(302)에서 도 2의 센서(214)의 인스턴스에 의해 수집된다. 실험 위치(302)에서의 비-장애 구성에 대한 알려진 여기(304)에 대한 응답은 기준선 지정(310), 장애 지정(312), 및 하나 이상의 장애 검출 경계(314)를 구축하는 훈련된 모델의 특징 공간(308)에 대해 결정될 수 있다,

실험 위치(302)에서 여러 실험을 실행하여, 다양한 특징을 검출하고 분류하는 데 사용되는 특징 공간(308)을 설정할 수 있다. 예를 들어, 특징 공간(308)에서의 기준선 지정(310)은 개위치와 폐위치 사이에서 및/또는 폐위치와 개 위치 사이에서 수평방향 운동으로 도 2의 엘리베이터 도어(204)의 사이클링에 대한 예상된 명목 응답을 확립할 수 있다. 기준선 지정(310)은 비-장애 구성을 위해 실험 위치(302)에서 도 1의 엘리베이터 도어 조립체(130)의 예에 대한 예상 주파수 응답 특성을 나타낼 수 있다. 하나 이상의 장애 검출 경계(314)는 장애/비-장애 조건의 가능성의 특징 공간(308) 내의 경계 또는 영역을 확립하기 위해 및/또는 기준선 지정(310)으로부터 장애 지정(312)(가령, 점진적 열화 응답)을 향해 나타나는 응답 시프트를 관찰하기 위한 경향을 위해 사용될 수 있다. 실험 위치(302)는 장애/열화된 상태의 하나 이상의 구성요소를 갖는 것으로 알려진 실험실 또는 현장 위치 일 수 있다. 예를 들어, 실험실 또는 현장에 있는 실험 위치(302)는 기준선 개발 및 모델 훈련에 사용하기 위해 올바르게 작동하는 구성 요소 및 마모/파손 구성 요소를 알고 있을 수 있다.

엘리베이터 도어(204)가 실질적으로 고정 위치(가령, 폐위치)에 머무르는 동안, 고정 또는 가변 진폭의 진동 주파수의 정현파형 스윕과 같은 하나 이상의 진동 프로파일을 이용하여, 도 2의 하나 이상의 기결정된 위치(224)에서 알려진 여기(304)를 적용하는 효과와 관련하여 실험 위치(302)에서 관찰이 이루어질 수 있다. 알려진 여기(304)에 대한 예상 응답은, 예를 들어 다차원에서, 기준선 지정(310), 장애 지정(312) 및/또는 장애 검출 경계(314)로부터 특징 공간(308)에서 결과적인 오프셋의 형태로 정량화될 수 있다.

하나 이상의 현장 위치(322)에서 도 2의 엘리베이터 센서 시스템(220)의 인스턴스를 교정하기 위해, 알려진 여기(304)와 동등한 알려진 여기(324)는 교정 장치(222)를 사용하여 엘리베이터 센서 시스템(220)에 알려진 교정 신호를 제공한다. 각각의 현장 위치(322)에서, 알려진 여기(324)에 반응하여 도 2의 센서(214)의 인스턴스에 의해 데이터(326)가 수집된다. 실험 위치(302)로부터의 예상 응답은 알려진 여기(324)에 대한 실제 응답과의 비교를 위해 현장 위치(322)로 전송된다(320). 기준선 대비 특징 추출, 기준선 아핀 평균 시프팅(baseline affine mean shifting), 유사성 기반 특징 전이, 커널 평균 매칭에 의한 공변량 시프팅(covariate shifting) 및/또는 당 업계에 공지된 다른 전이 학습 기술과 같은, 다양한 전이 학습 알고리즘이, 특징 공간(308, 328)과 관련하여 전달 함수(336)를 개발하기 위해 사용될 수 있다. 알려진 여기(324)는 기준선 지정(330)을 초과하는 데이터 포인트의 범위를 제공할 수 있다. 예를 들어, 공지의 여기(304)는 전달 함수(336)에서 고려될 수 있는 비선형성을 노출 시켜서 모델 정확도를 향상시킬 수 있다. 현장 위치(322)에서의 특징 공간(328)은 기준선 지정(310)에 대응하는 기준선 지정(330), 장애 지정(312)에 대응하는 장애 지정(332), 및 장애 검출 경계(314)에 대응하는 하나 이상의 장애 검출 경계(334)를 구축하는 훈련된 모델의 특징 공간(308)의 사본과 초기에는 동등할 수 있다. 전달 함수(336)는 기준선 데이터 수집(기준선 지정(310, 330)), 알려진 여기(324)의 감지된 교정 신호 데이터, 및 데이터(326)에서 수집된 응답으로부터 전이 학습을 이용하여 생성될 수 있다. 특징 공간(328)의 모델에 전달 함수(336)를 적용한 결과에 따르면, 장애 데이터 시그너처(332) 및 검출 경계(334)가 현장 위치(322)의 구체적 파형 전파 특성에 따라 교정된다. 교정된 장애 검출 경계(335) 및 교정된 장애 지정(333)(즉, 데이터 시그너처)은 교정된 해석학적 모델을 나타낸다.

실시예에서, 전이 학습은, 도 2의 엘리베이터 도어(204)가 실질적으로 고정된 위치(가령, 폐위치)에 머무르는 동안, 고정 또는 가변 진폭으로 진동 주파수의 정현파형 스윕과 같은 하나 이상의 진동 프로파일을 인가하도록 교정 장치(222)를 이용하여 도 2의 하나 이상의 기결정된 위치(224)에서 인가되는 알려진 여기(324)에 기초하여 현장 위치(322)에서 훈련 모델 교정에 사용될 수 있다. 실험 위치(302)에서 예상 응답과 현장 위치(322)에서 실제 응답 간의 차이는, 특징 공간(328) 내 교정된 특징 시프트를 전달 함수(336)로 생성하도록 정량화된다. 예를 들어, 기준선 지정(330)은 교정된 기준선 지정(331)과 같은 응답 변화를 나타내도록 시프트될 수 있다. 마찬가지로, 장애 지정(332)는 교정된 장애 지정(333)과 같은 응답 변화를 나타내도록 시프트될 수 있다. 더욱이, 하나 이상의 장애 검출 경계(334)가 하나 이상의 교정된 장애 검출 경계(335)와 같은 응답 변화를 나타내도록 시프트될 수 있다. 특징 공간(328)에서의 시프트는 도 4와 관련하여 더 설명되는 바와 같이, 특징 검출, 분류, 및 회귀(regression)를 위한 다양한 훈련 모델의 조정으로 변환될 수 있다.

도 4는 일 실시예에 따른 분석 모델 교정 프로세스(400)를 도시한다. 도 3의 현장 위치들(322) 중 하나에서, 도 2의 엘리베이터 센서 시스템(220)의 컴퓨팅 시스템은 도 2의 하나 이상의 센서(214)로부터 실제 센서 입력(402)을 수신할 수 있다. 도 3의 알려진 여기(324)에 응답하는 실제 센서 입력(402) 도 3의 실험 위치(302)로부터 수신된 훈련 모델(404)에 제공될 수 있다. 알려진 여기(324)에 대한 예상 응답(406)(예를 들어, 실험 위치(302)에서의 이전 실험들에 기초하여) 및 알려진 여기(324)에 대한 실제 응답(408)은 전이 학습을 수행하도록 분석 모델 교정(410)에 의해 분석될 수 있다. 분석 모델 교정(410)은 도 3의 전달 함수(336)를 결정하기 위해 전이 학습을 적용하여, 실제 응답(408)과 예상 응답(406) 사이에서 결정된 하나 이상의 응답 변화에 기초하여 훈련된 모델(404)을 교정할 수 있다. 다중 전송 학습 알고리즘이 고려된다. 예를 들어, 분석 모델 교정(410)에 의해 수행된 전이 학습은 기준선 대비 특징 추출, 기준선 아핀 평균 시프팅, 유사성 기반 특징 전송, 커널 평균 매칭에 의한 공분산 시프팅 및/또는 당 업계에 공지된 다른 전이 학습 기술을 적용할 수 있다. 분석 모델 교정(410)에서 수행된 전이 학습은 교정된 장애 지정(333)으로서 훈련된 모델(404)의 장애 지정(332)을 이동시킬 수 있고, 및/또는 도 3의 교정된 장애 검출 경계(335)로서 훈련된 모델(404)의 적어도 하나의 장애 검출 경계(334)를 시프트할 수 있다.

도 3의 전달 함수(336)에 기초한 훈련된 모델(404) 내에서의 시프팅은, 검출 과정(418)에 의한 특징 형성(416)의 변경, 분류 프로세스(422)에 의해 사용된 훈련된 분류 모델(420)에 대한 변경, 및/또는 회귀 프로세스(424)에 의해 사용되는 훈련된 회귀 모델(426)에 대한 변경을 초래할 수 있다. 예를 들어, 훈련된 모델(404)의 교정이 수행되면, 실제 센서 입력(402)은 조건 결정 프로세스(415)의 일부로서 신호 컨디셔닝(signal conditioning)(414)에 제공될 수 있다. 훈련(414)은 특징 데이터의 스펙트럼을 생성하기 위해 웨이블릿 변환을 적용하는 것과 같이, 필터링, 오프셋 보정 및/또는 시간/주파수 도메인 변환을 포함할 수 있다. 신호 컨디셔닝(414)의 스펙트럼 데이터로부터 잠재적으로 유용한 특징을 검출하기 위해 검출 프로세스(418)에 의해 특징 정의(416)(예를 들어, 도 3의 특징 공간(328)에 대해 규정됨)가 사용될 수 있다. 예를 들어, 검출 프로세스(418)는 목표 주파수 범위 내에서 보다 높은 에너지 응답을 찾을 수 있다. 훈련된 분류 모델(420)은 예를 들어, 롤러 장애, 트랙 장애, 문틀 장애, 등과 같은 구체적 장애 유형과 함께 장애 지정으로 검출된 특징을 식별하는 것과 같이, 검출 프로세스(418)로부터 검출된 특징들을 분류하기 위해 분류 프로세스(422)에 의해 사용될 수 있다. 회귀 프로세스(424)는 훈련된 회귀 모델(426)을 사용하여, 분류 프로세스(422)로부터의 분류에 기초하여 경향(trending), 사전 진단(prognotics), 진단 등을 지원하는 다양한 분류의 강도/약함을 결정할 수 있다.

이제 도 5를 참조하면, 본 개시의 엘리베이터 시스템에 통합될 수 있는 예시적인 컴퓨팅 시스템(500)이 도시되어있다. 컴퓨팅 시스템(500)은 엘리베이터 제어기, 예를 들어, 도 1에 도시된 제어기(115)의 일부로서 구성되거나 이와 통신할 수 있고, 및/또는 도 2의 엘리베이터 도어 제어기(216), 서비스 툴(230) 및/또는 클라우드 컴퓨팅 리소스(232)의 일부로서 구성될 수 있다. 서비스 툴(230)로서 구현되는 경우, 컴퓨팅 시스템(500)은 모바일 장치, 태블릿, 랩탑 컴퓨터 등일 수 있다. 클라우드 컴퓨팅 리소스(232)로서 구현되는 경우, 컴퓨팅 시스템(500)은 하나 이상의 네트워크 액세스 가능 서버에 위치하거나 그 사이에 분산될 수 있다. 컴퓨팅 시스템(500)은 도 2의 엘리베이터 도어(204)의 제어 및/또는 진단/예후 시스템과 관련된 실행 가능한 명령어 및/또는 데이터를 저장할 수 있는 메모리(502)를 포함한다. 실행 가능 명령은 하나 이상의 애플리케이션, 프로세스, 루틴, 절차, 방법 등과 관련하여 임의의 방식 및 추상화 레벨로 저장되거나 구성될 수 있다. 예를 들어, 실행 가능한 명령의 적어도 일부는 명령은 제어 프로그램(504)과 연관된 것으로 도 5에 도시된다.

더욱이, 언급된 바와 같이, 메모리(502)는 데이터(506)를 저장할 수 있다. 데이터(506)는 당 업자가 이해하듯이, 엘리베이터 카 데이터, 엘리베이터 동작 모드, 명령, 또는 임의의 다른 유형의 데이터를 포함할 수 있지만, 이에 제한되지 않는다. 당 업자라면 알 수 있을 것이다. 메모리(502)에 저장된 명령은 프로세서(508)와 같은 하나 이상의 프로세서에 의해 실행될 수 있다. 프로세서(508)는 데이터(506) 상에서 동작할 수 있다.

도시된 바와 같이, 프로세서(508)는 하나 이상의 입출력(I/O) 장치(510)에 연결된다. 일부 실시예에서, I/O 장치(510)는 키보드 또는 키패드, 터치 스크린 또는 터치 패널, 디스플레이 스크린, 마이크로폰, 스피커, 마우스, 버튼, 원격 제어기, 조이스틱, 프린터, 전화 또는 모바일 장치(예를 들어, 스마트 폰), 센서 등 중 하나 이상을 포함할 수 있다. 일부 실시예에서, I/O 장치(들)(510)는 광대역 또는 무선 통신 요소들과 같은 통신 요소들을 포함한다.

컴퓨팅 시스템(500)의 구성요소는 하나 이상의 버스에 의해 동작 가능하게 및/또는 통신 가능하게 접속될 수 있다. 컴퓨팅 시스템(500)은 당 업계에 공지된 다른 특징 또는 구성 요소를 더 포함할 수 있다. 예를 들어, 컴퓨팅 시스템(500)은 컴퓨팅 시스템(500) 외부의 소스(예를 들어, I/O 장치(510)의 일부)로부터 정보 또는 데이터를 송신 및/또는 수신하도록 구성된 하나 이상의 트랜시버 및/또는 장치를 포함할 수 있다. 예를 들어, 일부 실시예에서, 컴퓨팅 시스템(500)은 네트워크(유선 또는 무선)를 통해 또는 컴퓨팅 시스템(500)으로부터 멀리 떨어져있는 하나 이상의 장치들과 케이블 또는 무선 접속을 통해(가령, 엘리베이터 기계에 직접 연결, 등) 정보를 수신하도록 구성될 수 있다. 통신 네트워크를 통해 수신된 정보는 메모리(502)에(예컨대, 데이터(506)로서) 저장될 수 있고 및/또는 하나 이상의 프로그램 또는 애플리케이션(예: 프로그램(504)) 및/또는 프로세서(508)에 의해 처리 및/또는 이용될 수 있다.

컴퓨팅 시스템(500)은 여기에 설명된 실시예들 및/또는 프로세스들을 실행 및/또는 수행하는데 사용되는 컴퓨팅 시스템, 제어기 및/또는 제어 시스템의 일례이다. 예를 들어, 컴퓨팅 시스템(500)은 엘리베이터 제어 시스템의 일부로서 구성될 때, 명령 및/또는 명령어를 수신하는데 사용되며, 엘리베이터 기계의 제어를 통해 엘리베이터 카의 동작을 제어하도록 구성된다. 예를 들어, 컴퓨팅 시스템(500)은 엘리베이터 제어기 및/또는 엘리베이터 기계에 통합될 수 있거나 분리될 수 있고, 도 2의 엘리베이터 센서 시스템(220)의 일부로서 동작할 수 있다.

컴퓨팅 시스템(500)은 예를 들어, 도 6의 흐름 프로세스(600)를 이용하여, 도 2의 엘리베이터 센서 시스템(220)의 교정을 동작 및/또는 제어하도록 구성된다. 흐름 프로세스(600)는 여기서 도시 및 기술된 바와 같이 및/또는 그 변형들에 의해, 도 2의 엘리베이터 센서 시스템(220)의 컴퓨팅 시스템(500)에 의해 수행될 수 있다. 흐름 프로세스(600)의 다양한 양태는 하나 이상의 센서, 하나 이상의 프로세서 및/또는 하나 이상의 기계 및/또는 제어기를 사용하여 수행될 수 있다. 예를 들어, 흐름 프로세스의 일부 양상은 전술한 바와 같이, 프로세서 또는 다른 제어 장치와 통신하고 이에 감지 정보를 전송하는 센서를 포함한다. 흐름 프로세스(600)는도 1-6을 참조하여 기술된다.

블록(602)에서, 컴퓨팅 시스템(500)은 엘리베이터 센서 시스템(220)의 하나 이상의 센서(214)로부터 복수의 데이터를 수집하는 반면에, 교정 장치(222)는 예를 들어, 엘리베이터 도어(204)에, 알려진 여기(324)를 인가한다. 일부 실시예에서, 알려진 여기(324)의 하나 이상의 변형이 엘리베이터 도어(204) 상의 하나 이상의 기결정된 위치(224)에서 상기 교정 장치(222)에 의해 인가된다. 알려진 여기(324)는 하나 이상의 기결정된 진폭으로 인가되는 하나 이상의 진동 주파수의 기결정된 시퀀스를 포함할 수 있다. 데이터는 예를 들어, 엘리베이터 센서 시스템(220)의 플로어-레벨 교정을 수행하기 위해, 엘리베이터 시스템(101)의 2개 이상의 상이한 랜딩(125)에서 수집될 수 있다.

블록(604)에서, 컴퓨팅 시스템(500)은 훈련된 모델(404)을 사용하여 알려진 여기(324)에 대한 예상 응답(406)에 실제 응답(408)을 비교한다. 훈련된 모델(404)은 현장(322)에서 재생될 수 있는, 예상 응답(406)을 생성하기 위해 실험 위치(302)에서 엘리베이터 센서 시스템(220)의 상이한 인스턴스에 알려진 여기(304)를 인가함으로써 훈련된다.

블록(606)에서, 컴퓨팅 시스템(500)은 실제 응답(408)과 기대된 응답(406) 사이의 하나 이상의 응답 변화에 기초하여 훈련 모델(404)을 교정하기 위해 분석 모델 교정(410)을 수행한다. 알려진 여기(324)에 의해 생성된 소정 범위의 데이터 포인트에 걸쳐 하나 이상의 응답 변화에 기초하여 전달 함수(336)를 결정하도록 전이 학습이 적용될 수 있다.

본 명세서에 설명된 바와 같이, 일부 실시예들에서, 다양한 기능들 또는 동작들이 주어진 위치에서 및/또는 하나 이상의 장치들, 시스템들 또는 장치들의 동작과 관련하여 발생할 수 있다. 예를 들어, 일부 실시예에서, 주어진 기능 또는 동작의 일부는 제 1 장치 또는 위치에서 수행될 수 있고, 기능 또는 동작의 나머지는 하나 이상의 추가 장치 또는 위치에서 수행될 수 있다.

실시예는 하나 이상의 기술을 사용하여 구현될 수 있다. 일부 실시예에서, 장치 또는 시스템은 하나 이상의 프로세서 및 상기 하나 이상의 프로세서에 의해 실행될 때 상기 장치 또는 시스템으로 하여금 여기에 설명된 바와 같은 하나 이상의 방법론적 동작을 수행하게 하는 명령을 저장하는 메모리를 포함할 수 있다. 당 업자에게 알려진 다양한 기계 구성 요소가 일부 실시예에서 사용될 수 있다.

실시예는 하나 이상의 장치, 시스템 및/또는 방법으로서 구현될 수 있다. 일부 실시예에서, 명령은 일시적 및/또는 비-일시적 컴퓨터 판독 가능 매체와 같은 하나 이상의 컴퓨터 프로그램 제품 또는 컴퓨터 판독 가능 매체에 저장될 수 있다. 명령들이 실행될 때 엔티티(예를 들어, 장치 또는 시스템)가 여기에 설명된 하나 이상의 방법론적 동작을 수행하게 할 수 있다.

용어 "약"은 출원 시점에서 이용 가능한 장비에 기초하여 특정 양의 측정과 관련된 오차의 정도를 포함하는 것으로 의도된다. 예를 들어, "약"(about)은 ± 8 % 또는 5 %의 범위 또는 주어진 값의 2 %를 포함할 수 있다.

본 명세서에서 사용되는 용어는 특정 실시 양태만을 설명하기 위한 것이며, 본원을 한정하는 것으로 의도되지 않는다. 본원에서 사용된 단수 형태 "일", "하나의" 및 "상기"는 문맥상 다르게 지시하지 않는 한 복수 형태를 포함하고자 한다. 본 명세서에서 사용되는 용어 "포함하는" 및/또는 "포함하는"은 언급된 특징, 정수, 단계, 동작, 요소 및/또는 구성 요소의 존재를 나타내지만, 존재를 배제하지 않는 것으로 이해될 것이다. 또는 하나 이상의 다른 특징, 정수, 단계, 동작, 요소 구성 요소 및/또는 이들 그룹의 존재 또는 추가를 배제하지 않는다.

본 개시가 예시적인 실시예(들)를 참조하여 설명되었지만, 본 기술 분야의 당 업자는 본 발명의 범위를 벗어나지 않으면서 다양한 변경이 이루어질 수 있고 그 등가물이 그 구성 요소로 대체될 수 있음을 이해할 것이다. 또한, 본 발명의 본질적인 범위를 벗어나지 않으면서 본 개시 내용의 교시에 특정 상황 또는 재료를 적용하기 위해 많은 변형이 이루어질 수 있다. 따라서, 본 개시는 본 개시 내용을 수행하기 위해 고려된 최선의 형태로서 개시된 특정 실시예에 한정되지 않으며, 본 개시는 청구 범위의 범주 내에 속하는 모든 실시예를 포함할 것이다.

Claims

교정 장치가 알려진 여기(excitation)를 인가하는 동안 엘리베이터 센서 시스템의 하나 이상의 센서로부터 복수의 데이터를 컴퓨팅 시스템에 의해 수집하는 단계와,
훈련 모델(trained model)을 사용하여 상기 알려진 여기에 대한 예상 응답에 실제 응답을 상기 컴퓨팅 시스템에 의해 비교하는 단계와,
실제 응답과 예상 응답 사이의 하나 이상의 응답 변화에 기초하여 훈련 모델을 교정하기 위해 분석 시스템 교정을 상기 컴퓨팅 시스템에 의해 수행하는 단계를 포함하는, 방법.
제 1 항에 있어서, 상기 훈련 모델은 예상 응답을 생성하기 위해 상기 엘리베이터 센서 시스템의 상이한 인스턴스에 상기 알려진 여기를 적용함으로써 훈련되는 방법.
제 1 항에 있어서, 분석 모델 교정을 수행하는 단계는 상기 알려진 여기에 의해 생성된 데이터 포인트의 범위에 대해 상기 하나 이상의 응답 변화에 기초하여 전달 함수를 결정하기 위해 전이 학습을 적용하는 단계를 포함하는 방법.
제 3 항에 있어서, 상기 훈련 모델의 기준선 지정은 상기 전달 함수에 따라 시프트되는 방법.
제 3 항에 있어서, 상기 전이 학습은 상기 훈련 모델의 적어도 하나의 장애 검출 경계를 시프트시키는 방법.
제 3 항에 있어서, 전이 학습은 적어도 하나의 훈련 회귀 모델(trained regression model)을 시프트시키는 방법.
제 6 항에 있어서, 전이 학습은 적어도 하나의 훈련 장애 검출 모델을 시프트시키고, 장애 지정은 롤러 장애, 트랙 장애, 문틀 장애, 도어 잠금 장애, 벨트 장력 장애, 카 도어 장애 및 홀 도어 장애 중 하나 이상을 포함하는 방법.
제 1 항에 있어서, 엘리베이터 시스템 상의 하나 이상의 미리 결정된 위치에서 상기 교정 장치에 의해 인가된 상기 알려진 여기의 하나 이상의 변형이 수집되는, 방법.
제 1 항에 있어서, 상기 알려진 여기는 하나 이상의 미리 결정된 진폭으로 인가된 하나 이상의 진동 주파수의 미리 결정된 시퀀스를 포함하는 방법.
제 1 항에 있어서, 상기 데이터는 엘리베이터 시스템의 둘 이상의 상이한 랜딩(landing)에서 수집되는 방법.
엘리베이터 센서 시스템에 있어서,
엘리베이터 시스템을 모니터링하도록 동작 가능한 하나 이상의 센서와,
메모리 및 프로세서를 포함하는 컴퓨팅 시스템을 포함하되,
상기 컴퓨팅 시스템은,
교정 장치가 알려진 여기(excitation)를 인가하는 동안 상기 하나 이상의 센서로부터 복수의 데이터를 수집하고, 훈련 모델(trained model)을 사용하여 상기 알려진 여기에 대한 예상 응답에 실제 응답을 비교하며, 실제 응답과 예상 응답 사이의 하나 이상의 응답 변화에 기초하여 훈련 모델을 교정하기 위해 분석 시스템 교정을 수행하는
엘리베이터 센서 시스템.
제 11 항에 있어서, 상기 훈련 모델은 예상 응답을 생성하기 위해 상기 엘리베이터 센서 시스템의 상이한 인스턴스에 적용하여 상기 알려진 여기를 인가함으로써 훈련되는 엘리베이터 센서 시스템.
제 11 항에 있어서, 분석 모델 교정의 수행은 상기 알려진 여기에 의해 생성된 데이터 포인트의 범위에 대해 상기 하나 이상의 응답 변화에 기초하여 전달 함수를 결정하기 위해 전이 학습을 적용하는 과정을 포함하는 엘리베이터 센서 시스템.
제 13 항에 있어서, 상기 훈련 모델의 기준선 지정은 상기 전달 함수에 따라 시프트되는 엘리베이터 센서 시스템.
제 13 항에 있어서, 상기 전이 학습은 상기 훈련 모델의 적어도 하나의 장애 검출 경계를 시프트시키는 엘리베이터 센서 시스템.
제 13 항에 있어서, 전이 학습은 적어도 하나의 훈련 회귀 모델(trained regression model)을 시프트시키는 엘리베이터 센서 시스템.
제 16 항에 있어서, 전이 학습은 적어도 하나의 훈련 장애 검출 모델을 시프트시키고, 장애 지정은 롤러 장애, 트랙 장애, 문틀 장애, 도어 잠금 장애, 벨트 장력 장애, 카 도어 장애 및 홀 도어 장애 중 하나 이상을 포함하는 엘리베이터 센서 시스템.
제 11 항에 있어서, 엘리베이터 시스템 상의 하나 이상의 미리 결정된 위치에서 상기 교정 장치에 의해 인가된 상기 알려진 여기의 하나 이상의 변형이 수집되는, 엘리베이터 센서 시스템.
제 11 항에 있어서, 상기 알려진 여기는 하나 이상의 미리 결정된 진폭으로 인가된 하나 이상의 진동 주파수의 미리 결정된 시퀀스를 포함하는 엘리베이터 센서 시스템.
제 11 항에 있어서, 상기 데이터는 둘 이상의 상이한 랜딩(landing)에서 수집되는 엘리베이터 센서 시스템.