CN104925613B - 一种电梯在线安全检测预警装置的检测预警方法 - Google Patents

Abstract

本发明涉及一种电梯在线安全检测预警装置，包括轿厢预警装置和机房预警装置，所述轿厢预警装置由第一传感单元、第一采集单元、第一处理单元和第一近距离通信单元组成，所述机房预警装置由第二传感单元、第二采集单元、第二处理单元和第二近距离通信单元组成，第一近距离通信单元和第二近距离通信单元之间无线通讯，第二处理单元通过远程通信网关与远程平台远程通讯。本发明还公开了一种电梯在线安全检测预警方法。本发明采用了概率神经网络算法，该算法使被测特征参数阈值随着电梯老化程度、维保状况、载荷大小等情况在不断自学习、自适应和自调整，大大降低误判或漏判的概率，提高装置预警功能长期使用的可靠性和准确性。

Description

一种电梯在线安全检测预警装置的检测预警方法

技术领域

本发明涉及电梯检测技术领域，尤其是一种电梯在线安全检测预警装置的检测预警方法。

背景技术

随着国家城镇化战略实施和土地资源的紧缺，高层建筑的增多，人们对电梯的依赖程度越来越高，电梯已成为现代社会生活不可或缺的公共交通运输工具之一，电梯的安全性也日益成为民众关注的焦点。电梯在其最繁忙时，每小时起制动可达200余次，如此频繁动作的运输工具，仅靠检验机构定期或不定期的监测，以及维保单位15天一次的维保难以确保其安全性，因为例行检验和定期维保只能检测当时的电梯状况，而在日常运行中发生的故障和安全隐患并无法完全检测出来。另外，检验和维保的人员的专业素养和职业操守等主观因素也会影响检测结果。因此，需要一种可以长期连续运行的监控设备来检测电梯运行状况。

目前，电梯监控设备以电梯故障或事故发生后报警的方式为主，这种方式虽然可以主动报警，提高事后救援效率，但却以乘梯人员人身安全受到威胁为代价。也有一些事前主动预警技术，试图在故障或事故发生前进行警示，但是，至今国内外关于电梯曳引机、电梯轿厢振动和噪声的预警和故障判断没有统一标准，由于电梯品牌、型号、安装和老化程度等原因也无法建立统一标准，检测参数的正常范围无法通过标准去规定。另外，现有的事前主动预警技术需要事先建立好正常或故障样本数据作为判断依据，但是这些样本数据随着电梯老化程度、维保状况、载荷大小等情况不断在变化，因此这些样本长期使用必然会引起误判或漏判，而且针对每部电梯样本数据的建立也要消耗大量人力、物力、财力和时间，实施难度很大。另外，为了避免误判或漏判就需要对样本数据进行更新，这又会带来资源的消耗。

发明内容

本发明的目的在于提供一种能够大大降低电梯故障误判或漏判的概率，提高电梯在长期使用下的预警可靠性和准确性的电梯在线安全检测预警装置的检测预警方法。

为实现上述目的，本发明采用了以下技术方案：一种电梯在线安全检测预警装置的检测预警方法，该方法包括下列顺序的步骤：

(1)获取电梯状态的一个特征参数的采集数据；

(2)提取一次连续电梯启停过程中该特征参数的极大值M1，判断是否生成预警阈值T1，若未生成该项参数的预警阈值T1，则将M1添加进数据样本库D1，接着判断数据样本库D1中的样本数量是否达到设定个数V1，若未达到设定个数V1，返回第一步继续获取采集数据；若达到设定个数V1，建立电梯状态概率神经网络模型，生成预警阈值T1，再返回第一步获取采集数据；

(3)若已生成预警阈值T1，将M1添加进数据更新样本库D2，判断数据更新样本库D2中的样本数量是否达到设定个数V2，0＜V2＜V1，若未达到设定个数V2，返回第一步获取采集数据；若达到设定个数V2，统计超过T1的个数K，K≥0，进入下一步；

(4)判断是否K≥V2/2，若K≥V2/2，则判断为预警，通过近距离通信单元发出预警信息，并将剩下的V2-K个正常数据先后替换数据样本库D1中最早的V2-K个数据；若K＜V2/2，判断为正常，并将该V2个数据先后替换数据样本库D1中最早的V2个数据，其中K个异常数据加入D1中作为概率模型的训练样本；

(5)重新建立该特征参数的电梯状态概率神经网络模型，更新预警阈值T1；

(6)返回第一步获取采集数据。

建立电梯状态概率神经网络模型，生成或更新预警阈值的步骤如下：

(1)归一化处理：

根据式将数据样本库D1中的数据逐一进行归一化处理，数据范围限定在[0,1]，其中x_i为D1中的某一数据，N为数据样本库D1中的数据个数，N≥1，x'为D1的数组[x₁,x₂,...,x_N]，为归一化处理后D1中的某一数据；

(2)相近数据处理：

将归一化后D1中的某一数据按大小排序，若认定与为相近数据；

(3)计算平滑因子：

采用式计算平滑因子σ，其中若i确定，min(d_ij)为所有数据点中距最近的点与的距离；

(4)计算条件概率：

根据式计算自变量x的条件概率

，其中x取值范围在[0,1]；

(5)生成或更新预警阈值：

根据电梯状态概率模型其中为归一化的预警阈值，A为预警阈值概率，0<A<1，生成正常状态下的归一化预警阈值设定L倍系数的为归一化报警阈值，L>1。

所述电梯状态的一个特征参数是指轿厢三维振动传感器、井道噪声传感器、门机负载电流传感器、平层开关、轿门开关、曳引机三维振动传感器、曳引机噪声传感器、曳引机闸瓦温度传感器和控制柜温度传感器中的任一种传感器所采集的电梯状态的特征参数。

由上述技术方案可知，本发明设置了机房预警装置和轿厢预警装置，分别安装在电梯的机房和轿厢两个重要位置，在各自位置的关键运行部件上加装了传感单元，可以监测包括曳引机运动状态、控制柜内器件工作状态、轿厢运行状态、井道内部件工作状态和轿门开关状态等，预警的信息更丰富，预警的范围更全面。另外，通过机房预警装置和轿厢预警装置的近距离通信单元的数据交互和共享，对同一预警事件运用数据融合技术可使本发明预警的鲁棒性和准确性会进一步提高。本发明采用了概率神经网络算法，该算法使被测特征参数阈值随着电梯老化程度、维保状况、载荷大小等情况在不断自学习、自适应和自调整，大大降低误判或漏判的概率，提高装置预警功能长期使用的可靠性和准确性。

附图说明

图1是本发明的总体结构框图；

图2是本发明中轿厢预警装置的原理框图；

图3是本发明中机房预警装置的原理框图；

图4是本发明的预警方法流程图；

图5是本发明建立概率神经网络的方法流程图；

图6是本发明轿厢预警装置的Z向振动加速度峰峰值采样数据分布图；

图7是本发明轿厢预警装置的Z向振动加速度峰峰值概率神经网络模型图。

具体实施方式

一种电梯在线安全检测预警装置，包括轿厢预警装置和机房预警装置，所述轿厢预警装置由第一传感单元、第一采集单元、第一处理单元和第一近距离通信单元组成，所述机房预警装置由第二传感单元、第二采集单元、第二处理单元、第二近距离通信单元和远程通信网关组成，第一近距离通信单元和第二近距离通信单元之间无线通讯，第二处理单元通过远程通信网关与远程平台远程通讯，如图1、2、3所示。轿厢预警装置用于监测轿厢所属关键部件及其附属部件的运行安全，机房预警装置用于监测机房所属关键部件及其附属部件的运行安全。远程通信网关用于将轿厢预警装置、机房预警装置的预警信息以及二者融合的预警信息传输到远程平台。

如图2所示，所述第一传感单元由轿厢三维振动传感器、井道噪声传感器、门机负载电流传感器、平层开关、基站开关和轿门开关组成，轿厢三维振动传感器、井道噪声传感器、门机负载电流传感器、平层开关、基站开关和轿门开关的输出端均与第一采集单元的输入端相连，第一采集单元的输出端与第一处理单元的输入端相连，第一处理单元与第一近距离通信单元双向通讯。所述轿厢三维振动传感器采用水平固定安装在轿厢外顶部的三维振动传感器，所述井道噪声传感器采用固定安装在轿厢外顶部的噪声传感器，所述门机负载电流传感器采用套挂在轿厢门机供电线路上的开合式霍尔电流传感器，所述平层开关采用一对干簧管，该对干簧管采用上、下对齐水平固定的方式安装在轿厢外顶部且与井道导轨垂直、与垂直固定在导轨上的磁条有效感应，所述基站开关采用U型光电开关，其水平固定在轿厢外顶部且与垂直固定在电梯基准层的挡板有效感应，所述轿门开关采用分别固定在轿门门头开、合处的两个磁感应开关，且均与轿门上固定的磁块有效感应；所述第一处理单元采用基于Linux操作***的ARM9处理器，所述第一近距离通信单元采用ZigBee模块。

如图3所示，所述第二传感单元由曳引机三维振动传感器、曳引机噪声传感器、曳引机闸瓦温度传感器和控制柜温度传感器组成，三维振动传感器、曳引机噪声传感器、曳引机闸瓦温度传感器和控制柜温度传感器的输出端均与第二采集单元的输入端相连，第二采集单元的输出端与第二处理单元的输入端相连，第二处理单元分别与第二近距离通信单元、远程通信网关双向通讯。所述曳引机三维振动传感器采用水平固定安装在曳引机机座上的三维振动传感器，所述曳引机噪声采用固定在曳引机旁侧的噪声传感器，所述曳引机闸瓦温度采用固定在闸瓦旁侧的温度传感器，所述控制柜温度传感器采用固定在柜体内的温度传感器；所述第二处理单元采用基于Linux操作***的ARM9处理器，所述第二近距离通信单元采用ZigBee模块，所述远程通信网关采用GPRS DTU模块。

当电梯经历正常到异常再到故障状态的演变过程时，被采集的历史数据必然包括大量正常状态下的数据、极少数异常状态下的数据和少量故障状态下的数据。对这些历史数据做统计计算时，历史数据以极大的概率处于正常状态，以极小的概率处于故障状态，在这两种状态之间包括一段概率分布较小的区域，即是预警状态范围。因此，历史数据的概率分布与设备的运行状态有良好的对应关系，这为用电梯状态概率模型分析电梯的运行状况提供了理论基础。

依据电梯运行的历史数据，在神经网络自学习算法的基础上建立电梯状态概率神经网络模型，即对电梯状态特征参数阈值动态自适应设置和调整功能的概率模型。这种具有自学习功能的概率神经网络模型，依据模型确定的电梯状态评判规则，形成电梯运行的自适应预警和报警。

机房预警装置可以建立如下模型：

建立曳引机X、Y、Z三方向振动加速度峰峰值的概率神经网络模型；

建立曳引机噪声值的概率神经网络模型；

建立曳引机闸瓦温度值的概率神经网络模型，根据《GB/T 10058-2009电梯技术条件》及相关工程经验，当检测的闸瓦温度值达到70℃，立即预警；

建立控制柜温度值的概率神经网络模型，根据《GB/T 10058-2009电梯技术条件》及相关工程经验，当检测的控制柜温度值达到40℃，立即预警。

轿厢预警装置可以建立如下模型：

建立轿厢X、Y、Z三方向振动加速度峰峰值的概率神经网络模型；

建立井道噪声值的概率神经网络模型；

建立门机负载电流值的概率神经网络模型；

通过平层开关中的上下两个平层开关的已知固定间距s₁，以及通过第一采集单元和第一处理单元记录轿厢经过先上后下或先下后上两个平层开关的间隔时间t₁，根据v₁＝s₁/t₁计算出电梯运行的平均速度v₁，再建立电梯运行速度的概率神经网络模型，并根据《GB/T 10058-2009电梯技术条件》及相关工程经验，当电梯运行最大速度值超过额定速度值的110％，立即预警；

通过轿门开合处安装的两个磁感应开关的已知固定间距s₂，以及通过采集单元和处理但与记录两个磁感应开关先后触发的间隔时间t₂，根据v₂＝s₂/t₂计算出电梯开关门的平均速度v₂，再建立电梯开关门速度的概率神经网络模型，并根据《GB/T 10058-2009电梯技术条件》及相关工程经验，当电梯开关门速度在0.15m/s<v₂<0.27m/s，立即预警。

本方法包括：(1)获取电梯状态的一个特征参数的采集数据；(2)提取一次连续电梯启停过程中该特征参数的极大值M1，判断是否生成预警阈值T1，若未生成该项参数的预警阈值T1，则将M1添加进数据样本库D1，接着判断数据样本库D1中的样本数量是否达到设定个数V1，若未达到设定个数V1，返回第一步继续获取采集数据；若达到设定个数V1，建立电梯状态概率神经网络模型，生成预警阈值T1，再返回第一步获取采集数据；(3)若已生成预警阈值T1，将M1添加进数据更新样本库D2，判断数据更新样本库D2中的样本数量是否达到设定个数V2，0＜V2＜V1，若未达到设定个数V2，返回第一步获取采集数据；若达到设定个数V2，统计超过T1的个数K，K≥0，进入下一步；(4)判断是否K≥V2/2，若K≥V2/2，则判断为预警，通过近距离通信单元发出预警信息，并将剩下的V2-K个正常数据先后替换数据样本库D1中最早的V2-K个数据；若K＜V2/2，判断为正常，并将该V2个数据先后替换数据样本库D1中最早的V2个数据，其中K个异常数据加入D1中作为概率模型的训练样本；(5)重新建立该特征参数的电梯状态概率神经网络模型，更新预警阈值T1；(6)返回第一步获取采集数据。所述电梯状态的一个特征参数是指轿厢三维振动传感器、井道噪声传感器、门机负载电流传感器、平层开关、轿门开关、曳引机三维振动传感器、曳引机噪声传感器、曳引机闸瓦温度传感器和控制柜温度传感器中的任一种传感器所采集的电梯状态的特征参数。

建立电梯状态概率神经网络模型，生成或更新预警阈值的步骤如下：

(1)归一化处理：

根据式将数据样本库D1中的数据逐一进行归一化处理，数据范围限定在[0,1]，其中x_i为D1中的某一数据，N为数据样本库D1中的数据个数，N≥1，，x'为D1的数组[x₁,x₂,...,x_N]，为归一化处理后D1中的某一数据；

(2)相近数据处理：

将归一化后D1中的某一数据按大小排序，若认定与为相近数据；

(3)计算平滑因子：

采用式计算平滑因子σ，其中若i确定，min(d_ij)为所有数据点中距最近的点与的距离；

(4)计算条件概率：

根据式计算自变量x的条件概率

，其中x取值范围在[0,1]；

(5)生成或更新预警阈值：

根据电梯状态概率模型其中为归一化预警阈值，A为预警阈值概率，0<A<1，生成正常状态下的归一化预警阈值设定L倍系数的为归一化报警阈值，L>1。

本发明还采用数据融合技术进行预警，包括：

(1)轿门开关速度与门机电流的数据融合

当轿门开关速度过慢预警，且轿门门机电流过大预警，可以确定为开关门受阻，需要维保人员及时进行排查险情。

(2)曳引机振动与轿厢振动的数据融合

当曳引机振动预警，且轿厢振动也进行预警，可以确定为曳引机拖动***出现问题，需要维保人员及时进行排查险情。

(3)曳引机闸瓦温度与电梯速度的数据融合

当曳引机闸瓦温度预警，且电梯速度超速预警，可以确定为曳引机抱闸失灵，需要维保人员及时进行排查险情。

如图4所示，以电梯的典型运动特征参数轿厢Z向振动加速度峰峰值为例，检测预警方法具体如下：

(1)获取Z向振动加速度峰峰值数据，如图6所示；

(2)提取一次连续电梯启停过程中该参数的极大值M1，判断是否生成预警阈值T1，若未生成该项参数的预警阈值T1，则将M1添加进Z向振动加速度峰峰值样本库，接着判断Z向振动加速度峰峰值样本库中样本数量是否达到100个，若Z向振动加速度峰峰值样本库中样本数量未达到100个，返回第一步继续获取采集数据；若Z向振动加速度峰峰值样本库中样本数量达到100个，建立设备状态概率模型，生成预警阈值T1，再返回第一步获取采集数据；

(3)若已生成预警阈值T1，将M1添加进数据Z向振动加速度峰峰值更新样本库，接着判断Z向振动加速度峰峰值更新样本数量是否达到10个，若Z向振动加速度峰峰值更新样本数量未达到10个，返回第一步获取采集数据；若Z向振动加速度峰峰值更新样本数量达到10个，统计超过T1的个数K，K≥0，进入下一步；

(4)判断是否K≥5，若K≥5，则判断为Z向振动加速度峰峰值预警，通过第一近距离通信单元发出预警信息，并将剩下的10-K个正常数据先后替换Z向振动加速度峰峰值样本库中最早的10-K个数据，进入下一步；若K＜5，则判断为Z向振动加速度峰峰值正常，并将这10个数据先后替换Z向振动加速度峰峰值样本库中最早的10个数据，其中K个异常数据加入Z向振动加速度峰峰值样本库中作为概率模型的训练样本，进入下一步；

(5)重新建立Z向振动加速度峰峰值的电梯状态概率神经网络模型，更新预警阈值T1；

(6)返回第一步获取采集数据。

其中，如图5所示，建立电梯状态概率神经网络模型，生成或更新预警阈值的步骤如下：

(1)归一化处理

根据式将Z向振动加速度峰峰值样本库中的数据逐一进行归一化处理，数据范围限定在[0,1]，其中x_i为Z向振动加速度峰峰值样本库中的某一数据，x'为Z向振动加速度峰峰值样本库的数组[x₁,x₂,...,x₁₀₀]，为归一化处理后Z向振动加速度峰峰值样本库中的某一数据；

(2)相近数据处理

为避免相近数据对建模过程的影响，需要找出相近数据，记下相近的个数S(S≥1)，并去除S-1个相近数据。相近数据的判定方法为：将归一化后Z向振动加速度峰峰值样本库中的某一数据按大小排序，若认定与为相近数据；

(3)计算平滑因子

采用式计算平滑因子σ，其中g取1.2，若i确定，min(d_ij)为所有数据点中距最近的点与的距离；

(4)计算条件概率

根据式计算自变量x的条件概率，其中x取值范围在[0,1]；

(5)构建电梯状态概率模型，生成或更新预警阈值

如图7所示，以99％作为Z向振动加速度峰峰值预警阈值概率，根据电梯状态概率模型其中为归一化的预警阈值，生成正常状态下的Z向振动加速度峰峰值的归一化预警阈值

另外，设定为归一化报警阈值，作为在图4流程中在判断为Z向振动加速度峰峰值预警情况下，对Z向振动加速度峰峰值是否处于报警状态的进一步判断条件值。因此，以此归一化预警阈值并依据图4所示的流程方法，可以通过预警和报警两级标准评判轿厢Z向的振动水平，切实提高人们乘梯的安全系数。

综上所述，本发明设置了机房预警装置和轿厢预警装置，分别安装在电梯的机房和轿厢两个重要位置，在各自位置的关键运行部件上加装了传感单元，可以监测包括曳引机运动状态、控制柜内器件工作状态、轿厢运行状态、井道内部件工作状态和轿门开关状态等，预警的信息更丰富，预警的范围更全面。本发明采用了概率神经网络算法，该算法使被测特征参数阈值随着电梯老化程度、维保状况、载荷大小等情况在不断自学习、自适应和自调整，大大降低误判或漏判的概率，提高装置预警功能长期使用的可靠性和准确性。

Claims (3)

1.一种电梯在线安全检测预警装置的检测预警方法，该方法包括下列顺序的步骤：

(1)获取电梯状态的一个特征参数的采集数据；

(2)提取一次连续电梯启停过程中该特征参数的极大值M1，判断是否生成预警阈值T1，若未生成该项参数的预警阈值T1，则将M1添加进数据样本库D1，接着判断数据样本库D1中的样本数量是否达到设定个数V1，若未达到设定个数V1，返回第一步继续获取采集数据；若达到设定个数V1，建立电梯状态概率神经网络模型，生成预警阈值T1，再返回第一步获取采集数据；

(3)若已生成预警阈值T1，将M1添加进数据更新样本库D2，判断数据更新样本库D2中的样本数量是否达到设定个数V2，0＜V2＜V1，若未达到设定个数V2，返回第一步获取采集数据；若达到设定个数V2，统计超过T1的个数K，K≥0，进入下一步；

(4)判断是否K≥V2/2，若K≥V2/2，则判断为预警，通过近距离通信单元发出预警信息，并将剩下的V2-K个正常数据先后替换数据样本库D1中最早的V2-K个数据；若K＜V2/2，判断为正常，并将该V2个数据先后替换数据样本库D1中最早的V2个数据，其中K个异常数据加入D1中作为概率模型的训练样本；

(5)重新建立该特征参数的电梯状态概率神经网络模型，更新预警阈值T1；

(6)返回第一步获取采集数据；

所述预警装置包括轿厢预警装置和机房预警装置，所述轿厢预警装置由第一传感单元、第一采集单元、第一处理单元和第一近距离通信单元组成，所述机房预警装置由第二传感单元、第二采集单元、第二处理单元、第二近距离通信单元和远程通信网关组成，第一近距离通信单元和第二近距离通信单元之间无线通讯，第二处理单元通过远程通信网关与远程平台远程通讯。

2.根据权利要求1所述的检测预警方法，其特征在于：建立电梯状态概率神经网络模型，生成或更新预警阈值的步骤如下：

(1)归一化处理：

根据式i＝1,2,...,N，将数据样本库D1中的数据逐一进行归一化处理，数据范围限定在[0,1]，其中x_i为D1中的某一数据，N为数据样本库D1中的数据个数，N≥1，x'为D1的数组[x₁,x₂,...,x_N]，为归一化处理后D1中的某一数据；

(2)相近数据处理：

将归一化后D1中的某一数据按大小排序，若认定与为相近数据；

(3)计算平滑因子：

采用式计算平滑因子σ，其中若i确定，min(d_ij)为所有数据点中距最近的点与的距离；

(4)计算条件概率：

根据式计算自变量x的条件概率，其中x取值范围在[0,1]；

(5)生成或更新预警阈值：

根据电梯状态概率模型其中为归一化的预警阈值，A为预警阈值概率，0<A<1，生成正常状态下的归一化预警阈值设定L倍系数的为归一化报警阈值，L>1。

3.根据权利要求1所述的检测预警方法，其特征在于：所述电梯状态的一个特征参数是指轿厢三维振动传感器、井道噪声传感器、门机负载电流传感器、平层开关、轿门开关、曳引机三维振动传感器、曳引机噪声传感器、曳引机闸瓦温度传感器和控制柜温度传感器中的任一种传感器所采集的电梯状态的特征参数。