TW202210847A - 電梯纜繩磨損預測模型與預測方法 - Google Patents

電梯纜繩磨損預測模型與預測方法 Download PDF

Info

Publication number
TW202210847A
TW202210847A TW109130201A TW109130201A TW202210847A TW 202210847 A TW202210847 A TW 202210847A TW 109130201 A TW109130201 A TW 109130201A TW 109130201 A TW109130201 A TW 109130201A TW 202210847 A TW202210847 A TW 202210847A
Authority
TW
Taiwan
Prior art keywords
elevator
cable
frequency
traction sheave
peak
Prior art date
Application number
TW109130201A
Other languages
English (en)
Inventor
劉懷德
李錫堂
李文雄
陳冠良
陳世偉
陳至傑
張志雄
陳建勳
邱天成
林彥樺
周展煌
陳慷
顏睿庭
Original Assignee
永大機電工業股份有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 永大機電工業股份有限公司 filed Critical 永大機電工業股份有限公司
Priority to TW109130201A priority Critical patent/TW202210847A/zh
Priority to CN202010939886.1A priority patent/CN114219115A/zh
Publication of TW202210847A publication Critical patent/TW202210847A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/16—Cables, cable trees or wire harnesses
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Resources & Organizations (AREA)
  • Geometry (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Computer Hardware Design (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Indicating And Signalling Devices For Elevators (AREA)
  • Maintenance And Inspection Apparatuses For Elevators (AREA)
  • Lift-Guide Devices, And Elevator Ropes And Cables (AREA)

Abstract

本案揭露一種電梯纜繩之磨損預測模型與預測方法。特別地，本案根據電梯運行期間，電梯之曳引機輸出之電流變化在頻率分布上至少一峰的頻率與峰的數量，以及根據電梯廂的移動誤差，做為電梯纜繩之磨損預測模型進行機器學習訓練時所需要的樣本資料。

Description

電梯纜繩磨損預測模型與預測方法
本發明大體而言，係關於電梯纜繩磨損預測模型，以及基於此預測模型的電梯纜繩磨損預測方法。特別地，係關於使用機器學習所建構出的電梯纜繩磨損預測模型，以及基於此預測模型的電梯纜繩磨損預測方法。
在電梯中，纜繩捲掛在曳引機之曳引輪上，而當電梯運行而曳引輪轉動時，乃透過曳引輪與該纜繩的摩擦力帶動使電梯廂隨著上昇或下降。
可理解地，在電梯長久的使用過程中，纜繩不可避免會有磨損。當磨損程度嚴重時，可能會導致安全性的問題。但實務上，有眾多無法特定的因素會影響纜繩的磨損，例如載客量以及樓層的停靠次數等等，因此難以具體掌握纜繩的磨損程度。
縱使可進行定期的物理檢測，工程人員卻難以判斷究竟何時應該進行檢測或是多久應該檢測一次。對於纜繩的磨損仍屬輕微的情況，頻繁的物理檢測顯然會浪費人力與資源。對於纜繩的磨損嚴重的情況，檢測後固然需立即停機更換，但若事前並不知道纜繩的磨損的情況，往往導致因為待料而必須增加中斷服務的時間。纜繩磨損更嚴重者則甚至可能來不及等到檢測，纜繩就已經發生安全性問題。
因此需要有物理檢測手段以外的方法來預測電梯纜繩的磨損程度。對此，可參考現有技術例如CN102826423A、CN109311629A、CN110282522A、JP2014108835A等。
本案一方面在於提出電梯纜繩磨損預測模型以及基於此預測模型的電梯纜繩磨損預測方法，可做為早期預警。另一方面，本案提出可透過電梯運作期間曳引機輸出之電流的變化，作為纜繩磨損程度的評估以及使用壽命的預測。
藉此，電梯維修人員除了可評估當下電梯纜繩的磨損情況，更可預估日後該電梯纜繩的使用壽命，藉此可適時地安排物理檢測的日期以確認纜繩的實際狀況，而避免過早無謂的物理檢測，而造成人力與資源的浪費。若預測結果顯示使用壽命所剩不多，電梯維修人員還可提早備料，以減少服務中斷的時間。
相較於先前技術，本案所提出的作法之特點之一在於其不同於物理檢測，而不會干擾電梯的運作，因此不會導致服務中斷。此外，本案也不須如同JP2014108835A所提出的做法還需要額外安裝針對纜繩的感測器。特別需說明的是，本案特點之一在於可提供預測作為早期預警，而不僅僅只是提出一種非物理性的檢測方法來評估纜繩當下磨損的狀況，也不是像例如JP2014108835A所提出的做法，還需要透過額外安裝的感測器來間接地估算纜繩磨損量。
進一步來說，本案利用機器學習方式，在電梯系統正常情況下纜繩經過曳引輪(driving sheave)時，辨識與學習曳引機中馬達輸出電流應該有的頻譜中例如各峰的頻率、振幅、與數量，並可依這些特徵建立機器學習模型。後續當受損之纜繩經過曳引輪時，受損部分會造成震動，使得馬達電流回授波形會有所變化，將異常電流進行頻譜分析，並與先前學習過的模型比對，即可確認纜繩的健康狀態，並可預測纜繩所剩的使用壽命。而為了提升模型的預測能力，還可以進一步加入例如電梯廂的移動誤差作為特徵。
本發明在一實施例中，係提出一種電梯纜繩之磨損預測模型的機器學習訓練方法，其中該方法包含： ●     使電梯進行一次運行，並對曳引機輸出之電流隨時間之變化進行取樣； ●     將所取樣之該曳引機輸出之電流隨時間之變化轉換為一頻率分布，並在該頻率分布中辨識出至少一峰的頻率； ●     取得電梯中纜繩已使用於該電梯運行的次數，並將該次數與上述所辨識出該至少一峰的頻率予以關連以作為一筆樣本資料； ●     使該電梯進行另一次運行而重複上述三步驟複數次，直到該纜繩需更換，以得到複數筆樣本資料；以及 ●     根據該複數筆樣本資料，利用機器學習中監督式學習法而對一電梯纜繩之磨損預測模型進行訓練。
根據本發明另一實施例，提出一種電梯纜繩之磨損程度的機器學習預測方法，其中該方法包含： ●     針對一目標電梯所進行的一次運行，對該目標電梯之一曳引機輸出之電流隨時間之變化進行取樣，並轉換為一頻率分布以並在該頻率分布中辨識出至少一峰的頻率；以及 ●     採用上述訓練方法所訓練得到之電梯纜繩之磨損預測模型，將所辨識出該至少一峰的頻率輸入該磨損預測模型，以預測該目標電梯之該纜繩直到需要更換之前所剩餘的使用次數。
此外，本發明還提出一種電腦程式產品，包含一電腦可讀程式，供於一資訊裝置上執行時，以執行如上述所述之預測方法。
本說明書中所提及的特色、優點、或類似表達方式並不表示，可以本發明實現的所有特色及優點應在本發明之任何單一的具體實施例內。而是應明白，有關特色及優點的表達方式是指結合具體實施例所述的特定特色、優點、或特性係包含在本發明的至少一具體實施例內。因此，本說明書中對於特色及優點、及類似表達方式的論述與相同具體實施例有關，但亦非必要。
參考以下說明及隨附申請專利範圍或利用如下文所提之本發明的實施方式，即可更加明瞭本發明的這些特色及優點。
＜電梯基本架構＞
圖1為表示本發明的實施形態中電梯裝置100的系統架構圖，以說明電梯裝置100的基本運作與元件，但應知以下說明的目的為範例，且以簡化省略不必要的細節。
如圖1所示，電梯裝置100的電梯廂1與平衡重3藉由纜繩4而懸吊於升降路2。纜繩4捲掛在曳引機5的曳引輪6上。當曳引輪6轉動時，透過曳引輪6與纜繩4的摩擦力帶動使電梯廂1隨著上昇或下降。曳引機5除了曳引輪6之外還具備電動機8及制動裝置9。電動機8使曳引輪6轉動及停止。制動裝置9使曳引輪6不轉動，而使曳引輪6維持在靜止的狀態，同時電梯廂1也跟著靜止。
＜樣本收集與模型建立＞
本案實施例中的電梯纜繩磨損預測模型，乃是透過機器學習的方式所建構而成。
以下配合圖1之系統架構以及圖2的流程，對本案中電梯纜繩磨損預測模型的訓練加以說明。
值得一提的是，圖2流程之目的是為了訓練電梯纜繩磨損預測模型，因此可知圖1之系統架構的運作在此主要是為收集測試與訓練資料。換言之，圖2的流程可在電梯的工廠處而對尚未出廠的電梯裝置100進行；但也可以在實際的電梯應用環境，例如住宅或商辦中的電梯裝置100進行，也就是透過真實的電梯服務過程來收集測試與訓練資料，也因此可以收集分布在各地眾多電梯裝置100的資料。
步驟200：使電梯裝置100進行一次運行，也就是讓電梯廂1從一樓層上昇或下降到另一樓層，並取樣與記錄期間曳引機5中電動機8所輸出之電流(也就是電動機8的驅動電流)。
由於電梯結構以及特別是纜繩4的結構(通常由4股或8股鋼索互相纏繞而成)的因素，電動機8為了要所輸出之電流並不會保持不變。而當纜繩4開始發生磨損，電動機8為了要所輸出之電流的變化形態也會隨之改變，因此可作為纜繩磨損情況的評估以及使用壽命的預測之用。
應可知在現有電梯裝置中，由於為了電梯速度控制的目的，電動機8所輸出之電流本來就需要回授給控制器(例如PI控制器或是 PID 控制器、未圖示)作為輸入訊號，因此本案一實施例中，並不需要安裝額外的感測器來偵測電動機8所輸出之電流，而可偵測上述控制器的輸入電流即可。但在其他實施例中，亦可透過專屬的電流計來進行本步驟。
一般來說，每次電梯廂1從出發樓層上昇或下降到目的樓層的過程中，首先會加速移動，之後保持定速，而在接近目的樓層時減速。為了減少不相干的訊號造成干擾，較佳地但不限於，步驟200僅針對電梯廂1上昇或下降過程中之定速行程期間電動機8所輸出之電流進行採樣。
此外，也是為了減少變因，進行步驟200時，較佳地但不限於讓電梯廂1中的負重為零，也就是處於未載客的情況。同樣地，進行步驟200時，較佳地但不限於讓電梯廂1上昇或下降固定的樓層或距離。若電梯裝置100設置在實際的電梯應用環境例如住宅或商辦中，可設定當例如每日或周末午夜無人使用電梯時自動進行步驟200，即可達成讓電梯廂1負重為零或讓電梯廂1上昇或下降固定的樓層或距離，而不至於受到乘客使用上的干擾。
步驟202：將前述步驟200中所取樣之電流隨時間之變化資料轉換為一頻率分布。此步驟可透過電腦軟體進行例如MATLAB® ，透過軟體指令“periodogram”可將時序的訊號資料轉換為譜密度(Power Spectral Density)的形式以呈現頻率分布。頻率分布或是譜密度可供使用者辨識出電流變化中主要的頻率，也就是振幅(或高度)最大的峰或是較為顯著的幾個峰。若是使用上述電腦軟體MATLAB® ，亦可使用指令 “findpeaks” 來辨識出頻率分布中的峰，可參見後續圖3A與圖3B的範例。此外，在此步驟中，若已知特定頻率的峰與纜繩磨損無關，例如是因為電源供應本身的電流波動或是交流電與直流電的轉換所導致，可將該特定頻率的峰加以排除。
步驟204：取得纜繩4已使用於電梯裝置100運行的次數，並將該使用次數與步驟202中所辨識出的峰的頻率予以關連以作為一筆樣本資料。在另一實施例中，則將該使用次數與步驟202中所辨識出的峰的頻率以及峰的數量予以關連以作為一筆樣本資料。
之後當電梯裝置100進行另一次運行時，即可再次進行上述步驟200至204而得到另一筆樣本資料。透過此方式，配合電梯裝置100後續的運行，即可重複進行上述步驟200至204而持續得到新的樣本資料，直到最後纜繩4磨損到需更換為止。透過這種做法，即可將纜繩4完整的磨損歷程中各個階段透過頻率分布的方式加以呈現。此處應可知不需要每一次電梯裝置100的運行都進行步驟200至204。此外，也可以針對不同的纜繩4或甚至不同的電梯裝置100反覆進行步驟200至204，以蒐集更多的樣本資料。
以下透過圖3A與圖3B為例進一步說明本發明實施例。
圖3A之範例顯示纜繩4第一次使用於電梯裝置100運行的情況。圖3A中下方為步驟200中所採樣的電流隨時間的變化，而圖3A中上方則對應顯示步驟202所轉換得到的頻率分布以及所辨識出的峰。
圖3B之範例則顯示同一條纜繩4第35000次使用於電梯裝置100運行的情況。圖3B中下方為步驟200中所採樣的電流隨時間的變化，而圖3B中上方則對應顯示步驟202所轉換得到的頻率分布以及所辨識出的峰。與圖3A相比，圖3B的頻率分布中明顯可看出峰的數量增加許多。
可想見地，當纜繩4使用的次數愈接近第一次(即磨損愈少)時，若執行步驟202所轉換得到的頻率分布以及所辨識出的峰會愈接近圖3A上方的情況；反之，當纜繩4使用的次數愈接近第35000次(即磨損增多)時，若執行步驟202所轉換得到的頻率分布以及所辨識出的峰會愈接近圖3B上方的情況。
步驟206：根據電梯裝置100多次運行而進行上述步驟200至204所得到的複數筆樣本資料，利用機器學習中監督式學習法(Supervised learning)而對磨損預測模型進行訓練。
簡單來說，監督式學習是電腦從標籤化(labeled)的資訊中分析模式後做出預測的學習方式。而在本案中，即需要電腦從被標籤化的頻率分布(也就是將該頻率分布以其所對應的纜繩4使用次數加以標籤化)進行分析，以建立出(又稱為訓練)模型作為後續的評估與預測之用。為了模型訓練的目的，可將樣本資料分為訓練集(Train Data Set)和測試集(Test Data Set)，訓練集的資料就是標記過的資料，即如同問題的標準答案，可供電腦在學習的過程中對比誤差而進行修正，以提升模型預測的精確度。此部分應為熟習機器學習領域者所習知，在此不予贅述。
另外說明的是，在一實施例中，乃是將上述步驟200至204所得到的複數筆樣本資料先進行主成分分析(principal components analysis，簡稱PCA），以將每一筆樣本資料的頻譜分布資料，例如各個所辨識峰的頻率以及與所辨識峰的數量等等，轉換為單一的綜合指標。此步驟可透過電腦軟體進行例如MATLAB® ，透過軟體指令“pca”來進行。簡要來說，主成分分析是一種統計分析、簡化資料集的方法，應用於機器學習領域中可用來降維(Dimension reduction)，也就是當資料維度數(變數)很多的時候，可透過主成分分析讓維度數(變數)少一點。
透過主成分分析對變數降維，每一筆樣本資料中除了纜繩4已使用次數外可只有單一變數，在此實施例中即命名為「纜繩健康指標」。而如圖4所示，每一台電梯裝置100中每一條纜繩4整個使用歷程所收集而來的樣本資料就可以繪製成一條使用次數-纜繩健康指標的軌跡線條。由於每一台電梯裝置100的使用環境皆不盡相同，且就算對於同一台電梯裝置100不同條纜繩4的磨損狀況也不一定相同，因此如果樣本資料夠多，則可如圖4繪製出許多條使用次數-纜繩健康指標的軌跡線條。
另外需說明的是，以上實施例中模型的訓練所使用的資料都來自於曳引機5中電動機8所輸出之電流(也就是電動機8的驅動電流)。任何可從電流變化中所反映出纜繩磨損的特徵都可以加入作為模型的訓練資料。但在其他實施例中，還可以加入其他資料進行訓練以增加模型的預測能力。但如熟悉機器學習領域者所知，加入過多無關的資料並無益處，反而可能不好的效果。
對此，在另一實施例中，本案除了使用來自於曳引機5中電動機8所輸出之電流變化相關的資料以外，還可在步驟200中額外加入取得該次電梯裝置100運行時電梯廂1的移動誤差，而一併在步驟204作為樣本資料。
簡單來說，為了安全性，電梯廂1每次上昇或下降的距離都必須控制得很精準，但這通常仰賴電梯廂1透過電梯井道中固定裝置(未圖示)來進行參照。另一方面，由於纜繩4經過磨損會形變或伸長，因此曳引輪6每次轉動一圈，帶動電梯廂1移動的距離也非保持恆定。換言之，電梯廂1每次上昇或下降的實際移動的距離與曳引輪6的轉動量(可透過曳引輪6中的編碼器輸出脈衝得知)之間的差異即是電梯廂1的移動誤差。現有技術中也有將上述電梯廂1的移動誤差單獨作為電梯曳引輪磨損的判斷作法，例如CN102190225A，在此不予贅述。由於本案也體認到電梯廂1的移動誤差與電梯纜繩磨損的相關性，因此將電梯廂1的移動誤差搭配曳引機5輸出之電流變化一併作為樣本資料並進行主成分分析，可提高模型的預測能力。
＜磨損程度的預測＞
以下參考圖1之系統架構以及圖5的流程，對本案中電梯纜繩磨損的預測方法加以說明。如前所述，圖2所示的流程主要是為了對預測模型進行訓練，而一旦模型訓練完成，即可被應用於以下圖5所示之預測方法。需說明的是，當配合圖2來說明的預測模型的訓練時，電梯裝置100中纜繩4在因磨損而需要被更換之前總共可使用的次數為已知資訊；但當配合圖5來說明磨損的預測時，電梯裝置100中纜繩4也不一定處於全新從未使用過的狀態，也就是說，電梯裝置100中纜繩4的磨損狀況為未知，而且纜繩4已經被使用次數的可能也是未知。
步驟500：使電梯裝置100進行一次運行，並取樣與記錄期間曳引機5中電動機8所輸出之電流。此外，也可以取得此次運行時電梯廂1的移動誤差。
步驟502：將前述步驟500中所取樣之電流隨時間之變化資料轉換為一頻率分布，並辨識出頻率分布中的峰。
以上步驟500與502與前述步驟200與202類似，因此不予贅述。
步驟504：將步驟502中所辨識出的峰的頻率作為參數而輸入至前述圖2方法所訓練完成的預測模型，而可預測電梯裝置100中纜繩4還能夠被使用的次數。在另一實施例中，則將步驟502中所辨識出的峰的頻率以及峰的數量作為參數而輸入至前述圖2方法所訓練完成的預測模型。在又一實施例中，則將步驟502中所辨識出的峰的頻率以及峰的數量，連同此次運行時電梯廂1的移動誤差作為參數而輸入至前述圖2方法所訓練完成的預測模型。
此外，在一實施例中，步驟502中所辨識出的峰的頻率以及峰的數量可透過前述主成分分析(principal components analysis，簡稱PCA），以將頻譜分布資料轉換為單一的綜合指標，即前述的「纜繩健康指標」，因此可估計纜繩4目前已經使用過的次數，並進一步推估還可以使用的次數。
另外說明的是，在一實施例中，可以進行一次步驟500與步驟502蒐集資料，然後就進行步驟504以進行預測。在僅作一次取樣的情況下，縱使預測結果不一定非常精確，但仍具有參考價值。舉例來說，若預測結果顯示纜繩4還可以使用的次數還很多，則可以較放心允許再經過較長的時間之後再安排物理檢測，或是再進行下一次評估與預測(即再次進行步驟500至504)。反之，若預測結果顯示纜繩4還可以使用的次數已經不多，則較佳盡速安排物理檢測，或是盡快再進行下一次評估與預測(即再次進行步驟500至504)
在其他實施例中，也可以反覆進行多次步驟500與步驟502以蒐集更多的資料，也就是多次取樣，然後才進行步驟504進行預測。一般來說，將可具有更好的預測準確性。
為了理解的目的，可以圖4中多條使用次數-纜繩健康指標的軌跡線條來想像圖2方法所訓練完成的預測模型。若給定纜繩健康指標(垂直軸)的數值，則可估計出纜繩4目前已經使用過的次數(水平軸)。舉例來說，若纜繩健康指標的數值接近於圖4中纜繩健康指標的起始值，則根據使用次數-纜繩健康指標的軌跡線條，可推估纜繩4使用過的次數並不多，應不至於因為磨損馬上需要更換。反之，若纜繩健康指標的數值已經接近或低於圖4中纜繩健康指標的起始值的60%，則可推估纜繩4已經進入「中年期」或甚至「老年期」，還可使用過的次數並不會非常多，這時可參考其他指標來判斷是否需要立即更換纜繩4或是安排物理檢測或是再進行下一次評估與預測(即再次進行步驟500至504)。
可想見的，如果纜繩4目前已經使用過的次數為已知(例如計錄在電梯裝置100的控制單元(未圖示)中)，則在推估纜繩4至需更換前還可以使用過的次數時會更為準確。以圖4為例加以說明，若給定纜繩健康指標(垂直軸)與已經使用次數(水平軸)的數值，則可進一步選擇應採用圖4中哪一條軌跡線條來進行預測(或排除不適合的軌跡線條)。
另一方面，若如果纜繩4目前已經使用過的次數實際上為未知，但若允許重複多次步驟500與502(例如1000次)，則由於可呈現一段「纜繩健康指標」變化的趨勢，也會增加評估與預測的準確性。以圖6為例加以說明，若給定一段纜繩健康指標(垂直軸)與已經使用次數(水平軸)變化的趨勢線，則可透過擬合與比對的方式，進一步選擇採用圖6中趨勢接近的軌跡線條來進行預測纜繩4至需更換前還可以使用過的次數RUL。
本發明雖以各種實施例揭露如上，然其並非用以限定本發明的範圍，任何所屬技術領域中具有通常知識者，在不脫離本發明之精神和範圍內，當可做些許的更動與潤飾。本發明之保護範圍當視後附之申請專利範圍所界定者為準。
1:電梯廂                                  2:升降路                                  3:平衡重                                  4:纜繩                                      5:曳引機                                  6:曳引輪                                  7:機械室                                  8:電動機                                  9:制動裝置                              200~206:步驟 500~504:步驟
從本發明各實施例的詳細描述，且結合所伴隨之圖式，將能更完全地理解及體會本發明，其中圖式為：
圖1顯示本發明的實施形態中電梯裝置100的系統架構圖；
圖2顯示根據本發明實施例之一方法流程圖；
圖3A顯示根據本發明實施例中纜繩第一次使用所採樣的電流隨時間的變化以及頻率分布；
圖3B顯示根據本發明實施例中纜繩第35000次使用所採樣的電流隨時間的變化以及頻率分布；
圖4顯示根據本發明實施例中多條使用次數-纜繩健康指標的軌跡線條；
圖5顯示根據本發明實施例之一方法流程圖；
圖6顯示根據本發明實施例中透過使用次數-纜繩健康指標的軌跡線條來預測纜繩壽命之示意圖。
200~206:步驟

Claims (10)

  1. 一種電梯纜繩之磨損預測模型的機器學習訓練方法，其中在一電梯中一纜繩捲掛在一曳引機之一曳引輪，而當該電梯運行而該曳引輪轉動時，透過該曳引輪與該纜繩的摩擦力帶動使該電梯之電梯廂隨著上昇或下降，該方法包含： a)     使該電梯進行一次運行，並對該曳引機輸出之電流隨時間之變化進行取樣； b)    將步驟a)中所取樣之該曳引機輸出之電流隨時間之變化轉換為一頻率分布，並在該頻率分布中辨識出至少一峰的頻率； c)     取得該纜繩已使用於該電梯運行的次數，並將該次數與步驟b)中所辨識出該至少一峰的頻率予以關連以作為一筆樣本資料； d)    使該電梯進行另一次運行而重複步驟a)至c)複數次，直到該纜繩需更換，以得到複數筆樣本資料；以及 e)     根據該複數筆樣本資料，利用機器學習中監督式學習法而對一電梯纜繩之磨損預測模型進行訓練。
  2. 如申請專利範圍第1項所述之方法，其中步驟b)中進一步辨識出該至少一峰的數量，而在步驟c)中將該次數與所辨識出該至少一峰的頻率與峰的數量予以關連以作為該筆樣本資料。
  3. 如申請專利範圍第1或2項所述之方法， 其中步驟a)更對該電梯廂的一移動誤差進行取樣； 其中步驟c)中將該次數與所辨識出該至少一峰的頻率與數量以及該移動誤差予以關連以作為該筆樣本資料。
  4. 如申請專利範圍第1項所述之方法，其中在步驟a)中使該電梯之負重為零。
  5. 如申請專利範圍第1項所述之方法，其中在步驟a)中對該電梯之電梯廂上昇或下降過程中之一定速行程期間該曳引機輸出之電流隨時間之變化進行取樣。
  6. 如申請專利範圍第1項所述之方法，其中更包含以另一電梯進行步驟a)至步驟d)，而該樣本資料組中更包含以該另一電梯的資料。
  7. 一種電梯纜繩之磨損程度的機器學習預測方法，其中在一目標電梯中一纜繩捲掛在一曳引機之一曳引輪，而當該目標電梯運行而該曳引輪轉動時，透過該曳引輪與該纜繩的摩擦力帶動使該目標電梯之電梯廂隨著上昇或下降，該方法包含： 針對一目標電梯所進行的一次運行，對該目標電梯之一曳引機輸出之電流隨時間之變化進行取樣，並轉換為一頻率分布以並在該頻率分布中辨識出至少一峰的頻率；以及 採用以請求項1之方法所訓練得到之一電梯纜繩之磨損預測模型，將所辨識出該至少一峰的頻率輸入該磨損預測模型，以預測該目標電梯之該纜繩直到需要更換之前所剩餘的使用次數。
  8. 一種電梯纜繩之磨損程度的機器學習預測方法，其中在一目標電梯中一纜繩捲掛在一曳引機之一曳引輪，而當該目標電梯運行而該曳引輪轉動時，透過該曳引輪與該纜繩的摩擦力帶動使該目標電梯之電梯廂隨著上昇或下降，該方法包含： 針對一目標電梯所進行的一次運行，對該目標電梯之一曳引機輸出之電流隨時間之變化進行取樣，並轉換為一頻率分布以並在該頻率分布中辨識出至少一峰的頻率與峰的數量；以及 採用以請求項2之方法所訓練得到之一電梯纜繩之磨損預測模型，將所辨識出該至少一峰的頻率與數量輸入該磨損預測模型，以預測該目標電梯之該纜繩直到需要更換之前所剩餘的使用次數。
  9. 一種電梯纜繩之磨損程度的機器學習預測方法，其中在一目標電梯中一纜繩捲掛在一曳引機之一曳引輪，而當該目標電梯運行而該曳引輪轉動時，透過該曳引輪與該纜繩的摩擦力帶動使該目標電梯之電梯廂隨著上昇或下降，該方法包含： 針對一目標電梯所進行的一次運行，對該目標電梯之一曳引機輸出之電流隨時間之變化進行取樣，並轉換為一頻率分布以並在該頻率分布中辨識出至少一峰的頻率； 對該電梯廂的一移動誤差進行取樣；以及 採用以請求項3之方法所訓練得到之一電梯纜繩之磨損預測模型，將所辨識出該至少一峰的頻率以及該移動誤差輸入該磨損預測模型，以預測該目標電梯之該纜繩直到需要更換之前所剩餘的使用次數。
  10. 一種儲存在一電腦可用媒體上之電腦程式產品，包含一電腦可讀程式，供於一資訊裝置上執行時，以執行如請求項7至9中任一項所述之方法。
TW109130201A 2020-09-03 2020-09-03 電梯纜繩磨損預測模型與預測方法 TW202210847A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW109130201A TW202210847A (zh) 2020-09-03 2020-09-03 電梯纜繩磨損預測模型與預測方法
CN202010939886.1A CN114219115A (zh) 2020-09-03 2020-09-09 电梯缆绳磨损预测模型的训练方法和磨损程度的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW109130201A TW202210847A (zh) 2020-09-03 2020-09-03 電梯纜繩磨損預測模型與預測方法

Publications (1)

Publication Number Publication Date
TW202210847A true TW202210847A (zh) 2022-03-16

Family

ID=80695725

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109130201A TW202210847A (zh) 2020-09-03 2020-09-03 電梯纜繩磨損預測模型與預測方法

Country Status (2)

Country Link
CN (1) CN114219115A (zh)
TW (1) TW202210847A (zh)

Also Published As

Publication number Publication date
CN114219115A (zh) 2022-03-22

Similar Documents

Publication Publication Date Title
KR101880353B1 (ko) 엘리베이터의 고장 예측 시스템
US9760068B2 (en) Predictive maintenance method and system
JP6775098B1 (ja) エレベーター分析を通じた予知保全及び高効率運行の方法
FI116132B (fi) Menetelmä ja järjestelmä automaattioven kunnonvalvontaan
CN111401583A (zh) 基于预测性维护的自动扶梯全生命周期健康管理系统
CN105173943A (zh) 一种电梯体检系统
CN110167860B (zh) 电梯驱动部的预测维护方法
EP3470354A1 (en) System and method for managing and monitoring lifting systems and building facilities
CN101016134A (zh) 电梯
JP5135858B2 (ja) エレベータの診断運転装置及び診断運転方法
US20200180910A1 (en) Method and an elevator system for defining an elongation of an elevator car suspension means
KR20180130614A (ko) 엘리베이터의 부품 수명 예측 시스템
TW202210847A (zh) 電梯纜繩磨損預測模型與預測方法
CN112805233B (zh) 电梯的制动装置异常诊断系统
JP2008120471A (ja) エレベータのドア故障予測システム
US11511969B2 (en) Method, an elevator safety control unit, and an elevator system for defining a condition of an elevator car suspension means
CN109928285B (zh) 电梯复合钢带在线健康预测方法及装置
WO2020079843A1 (ja) エレベーターのドア装置異常診断システム
WO2020079839A1 (ja) エレベーターのブレーキ装置劣化予測システム
JP5512588B2 (ja) エレベータ制御装置
Nazarova et al. Computer modeling of electromechanical system of two-speed elevator
Ebeling Condition monitoring for elevators–an overview
JP2023046925A (ja) 異常音調査システム、異常音調査方法、及び、エレベーターシステム
CN105314487B (zh) 电梯的保养方法以及电梯系统
CN104401874A (zh) 起重机起升钢丝绳全程实时寿命的评估方法