CN109211233A - 基于加速度传感器的电梯运动检测及异常位置停车判断 - Google Patents
基于加速度传感器的电梯运动检测及异常位置停车判断 Download PDFInfo
- Publication number
- CN109211233A CN109211233A CN201811112016.6A CN201811112016A CN109211233A CN 109211233 A CN109211233 A CN 109211233A CN 201811112016 A CN201811112016 A CN 201811112016A CN 109211233 A CN109211233 A CN 109211233A
- Authority
- CN
- China
- Prior art keywords
- elevator
- lift car
- estimation
- car
- state
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
本发明公开了一种基于加速度传感器的电梯运动检测及异常位置停车判断,按照如下步骤进行:步骤1.电梯轿厢行驶距离估计,位于电梯轿厢上的三轴加速度传感器采集电梯的运动参数,通过扩展卡尔曼滤波算法,估计每一趟旅程中即两次停车之间电梯的行驶距离,返回电梯在一趟行驶过程中的位移估计值及方差;步骤2.电梯轿厢停层及故障判断,基于步骤1的位移估计值及方差结果,结合SLAM算法,在设置基准点的基础上估计出电梯轿厢的位置和楼层的高度;步骤3.通过位置估计判断电梯是否发生异常停车故障。本发明利用三轴加速度计实现对电梯运动状态的检测,利用扩展卡尔曼滤波方法对电梯状态进行估计,可以快速得到电梯轿厢的位移信息。
Description
技术领域
本发明属于电梯运动检测领域,更具体的涉及一种基于加速度传感器的电梯运动检测及异常位置停车判断。
背景技术
电梯轿厢位置精确估计对于电梯正常运行具有极为重要的意义。当电梯异常停层时,电梯与楼层未能对准的情况下开门,会发生人员坠梯的危险。目前电梯轿厢准确停层检测方法,都是基于电梯与楼层信号相互呼应的原理。非常依赖信号的稳定和准确,并且需要安装大量检测信号发出和接收装置(每个楼层都需要安装),维护成本高,适用型差。当电梯由于急停、***断电或者曳引绳与曳引轮之间发生滑移等情况导致电梯位置丢失,如果无法确认电梯轿厢位置,则电梯将无法正常工作。
电梯异常位置停车检测的一个重要的方面就是确定电梯在哪个高度,并检测是否不平层、蹲底或冲顶。通常可以通过卫星定位***(GPS)为用户提供高度(海拔)信息,但是这种高度判断在民用产品中误差较大,只适用于跨度较大的高度判断,不能用于室内跨度小的高度判断。另外,由于建筑外墙对卫星信号的屏蔽作用,在室内卫星定位***的使用极为困难。
本发明试图提供室内尤其是电梯井内的轿厢定位***。该***通过电梯运动检测***,采集轿厢的运动状态等参数,来判断其所处的位置,并根据运动结果来确定电梯是否发生异常位置停车故障。运动检测***中加速度计可以全方位感知物体的运动状态。通过检测加速度计各方向的受力,可以判断轿厢的运动方向,以及加速度的变化幅值和移动的距离(从静止开始),最终获得电梯轿厢位置精确估计。目前还没有基于加速度计的电梯异常停层故障的解决方案。
发明内容
1、发明目的。
本发明利用加速度计获取电梯的运动状态,将电梯在垂直方向上的加速度作为输入,通过扩展卡尔曼滤波估计每一趟旅程中(两次停车之间)电梯的行驶距离,再通过即时定位与地图构建(Simultaneous Localization and Mapping,SLAM)算法构建电梯行驶的轨迹,结合数据关联实现对电梯所处楼层的估计,并对电梯是否异常停层给出判断。
2、本发明所采用的技术方案。
本发明基于加速度传感器的电梯运动检测及异常位置停车判断,按照如下步骤进行:
步骤1.电梯轿厢行驶距离估计
位于电梯轿厢上的三轴加速度传感器采集电梯的运动参数,通过扩展卡尔曼滤波算法,估计每一趟旅程中即两次停车之间电梯的行驶距离,返回电梯在一趟行驶过程中的位移估计值及方差;
步骤2.电梯轿厢停层及故障判断
基于步骤1的位移估计值及方差结果,结合SLAM算法,在设置基准点的基础上估计出电梯轿厢的位置和楼层的高度;
步骤3.通过位置估计判断电梯是否发生异常停车故障。
更进一步,所述的电梯轿厢行驶距离估计按照如下步骤进行:
11)在电梯行驶距离估计中,在连续两次停车(l-1,l)间,通过横向和纵向速度为零的约束条件下辅助惯性导航即可估计出电梯轿厢移动距离为δp(l)和运动速度,首先假设在t时刻,电梯的状态向量为xd(t),其定义为
其中,d(t),s(t),δuz(t)分别表示电梯最后一次停车后运动的距离、轿厢的速度和垂直加速度测量偏差,包括地球引力造成的偏移,s(t-1)为辅助状态变量;
12)在一次运动中,根据零速辅助惯性导航***,可以定义时刻t电梯轿厢的运动状态矢量为:
其中
xd(t-1)是从上次停止开始行驶的距离,是电梯轿厢测量的加速度,Δt为采样间隔,w(t)过程噪声(高斯白噪声,其协方差),其中表示加速度计噪声方差,表示加速度计偏差模型的噪声方差。
13)由于电梯轿厢的位置和运动状态只用加速度计来测量估计,因此无法为状态空间模型制定传统的量测更新方程;但是,电梯轿厢一般都是静止或者匀速运动,这两种状态都可以通过加速度计检测出来;假设已知电梯轿厢静止或者匀速运动的时间,那么就可以建立状态空间的伪量测模型:
其中 和分别是匀速运动和静止时的观测噪声,即伪量测模型为电梯运动估计提供了两个不同的更新模型:零速更新模型和匀速更新模型;
14)电梯轿厢只在有限范围内垂直方向移动,简化模型将电梯轿厢的运动均视为匀速直线运动,静止是一种特殊的匀速直线运动,同时三轴加速度传感器测量的加速度也取行程时间内的均值,并将电梯轿厢开始加速或减速的问题转化为电梯轿厢加速度均值局部变化的问题;
15)根据状态空间矢量建立基于扩展卡尔曼滤波器的轿厢行驶距离估计和轿厢运动状态估计,将三轴加速度计测得平均加速度作为算法的输入;
16)电梯处于均匀线性运动时,通过计算将零速度假设拟合到观测数据后获得归一化预测误差ξd的大小,判断电梯轿厢是静止还是匀速运动;设置阈值γd,确定电梯轿厢的状态,对观测模型进行更新:如果ξd>γd,选择匀速测量更新;如果ξd<γd,选择零速度测量更新;
17)当算法检测到电梯轿厢停止运动并且行驶的距离超过了阈值γδp,就会输出电梯轿厢行驶的距离估计值和其方差估计值并且对***状态矢量进行更新,并返回更新值,在下一次运动时重复5)-7)过程。
更进一步,步骤5)中
首先,通过扩展卡尔曼滤波算法对状态矢量估计值和它的协方差矩阵进行更新迭代,具体迭代步骤分为预测与更新:
①预测
Pd←FPd-1FT+GQd-1GT(5)
②更新
Gd←PdHd T(HdPdHd T+R)-1(6)
Pd←(I-GdHd)Pd (8)
然后,通过均匀线性运动检测器判断电梯轿厢是否是均匀线性运动,如果是就继续执行迭代更新算法,如果不是就进行下一次行程的计算。
更进一步,所述的步骤2电梯轿厢停层及故障判断按照如下步骤进行:
21)通过步骤1获取轿厢行驶距离估计值和方差估计值在此基础上,通过SLAM算法可以实现电梯轿厢位置和停靠楼层估计,同时通过估计的轿厢位置,检测电梯是否存在故障;
22)引入新的状态矢量其中,p(l)为电梯轿厢在第l趟行驶后的位置,m(i)为第i层楼的高度,M为楼层总数;由于每层楼的高度是恒定的,状态矢量可以描述为:
其中e1为单位阵,是电梯轿厢行驶距离估计值的误差,该误差假定为零均值、不相关且其方差为
23)假设电梯轿厢第l次行驶所停的楼层i已知的,则对应的伪观测模型为:
其中vs(l)是伪测量误差,由于电梯控制***不完善该伪测量误差是电梯轿厢停靠点位置和楼层高度之间微小偏差,该伪测量误差假定为零均值、不相关且其方差为假如楼层和电梯轿厢停靠点是已知,则可以通过基于扩展卡尔曼滤波的SLAM跟踪电梯轿厢位置、估计楼层高度;
24)在实际工作环境中,楼层总数M和电梯轿厢的行驶顺序是未知的。假如电梯轿厢初始状态估计和相应的协方差矩阵是有效的,则可以通过基于最大似然数的数据关联实现电梯轿厢位置与估计楼层高度间的关联,该数据关联选择使归一化预测误差最小的观测模型,故通过最小化函数即可获得电梯轿厢所处的楼层高度:
25)要完成上述24)中所说的步骤,必须要有理想的初始值;获取理想初始状态的方法,可以通过让电梯轿厢从底层依次运动到最高层,每层至少停留一次;
26)基于扩展卡尔曼滤波器的SLAM算法,将第1阶段获得的电梯轿厢行驶的距离估计值和距离估计误差的方差估计值作为输入,对状态向量和状态协方差进行更新迭代;
27)计算归一化预测误差并通过最小化函数求出电梯轿厢所处的楼层i;
28)比较归一化误差ξs与假定阈值γs的大小,如果ξs>γs,则表明估计误差过大,故电梯轿厢运行异常,此时状态向量不进行量测更新,并且报警提示电梯轿厢异常停靠故障;如果误差ξs<γs,则证明电梯轿厢运行正常,对状态向量进行量测更新,并返回更新的值,进入下一轮行驶过程并重复步骤6)-8)。
更进一步,所述的步骤26),具体迭代步骤分为预测与更新:
①预测
②更新
更进一步,检测电梯是否存在故障,故障包括不平层、蹲底或冲顶。
3、本发明所产生的技术效果。
(1)本发明利用三轴加速度计实现对电梯运动状态的检测,利用扩展卡尔曼滤波方法对电梯状态进行估计,可以快速得到电梯轿厢的位移信息。
(2)本发明利用三轴加速度计实现电梯楼层定位,无需电梯与楼层进行信息交互,成本低,适用型高。
(3)本发明利用扩展卡尔曼滤波和SLAM方法,相比其他的方法,只需要让电梯遍历一次获取楼层、楼层层高等数据,即可进行后期电梯运动状态估计和停层异常检测,工作效率大大提高。
附图说明
图1为本发明电梯轿厢行驶距离估计流程图。
图2为本发明电梯轿厢停层及故障判断流程图。
图3为具体实施方案中对电梯楼层定位估计图。
具体实施方式
实施例
本发明提出一种基于三轴加速度传感器的电梯运动检测***,包括三轴加速度传感器、数据线、上位机,将三轴加速度传感器放置于电梯轿厢上,在电梯运行时采集电梯的运动参数,如电梯运动方向、速度、加速度,将加速度计采集到的参数作为输入,通过扩展卡尔曼滤波算法,估计每一趟旅程中(两次停车之间)电梯的行驶距离。并返回电梯在一趟行驶过程中的位移估计值及方差。再结合SLAM算法,估计出电梯轿厢的位置和楼层的高度(在设置基准点的基础上)。最后通过位置估计判断电梯是否发生异常停车故障。
本发明提出的一种基于三轴加速度传感器的电梯运动状态估计和停层异常检测方法,其步骤如下:
1.电梯轿厢行驶距离估计
11)在电梯行驶距离估计中,在连续两次停车(l-1,l)间,通过横向和纵向速度为零的约束条件下辅助惯性导航即可估计出电梯轿厢移动距离为δp(l)和运动速度。首先假设在t时刻,电梯的状态向量为xd(t),其定义为
其中,d(t),s(t),δuz(t)分别表示电梯最后一次停车后运动的距离、轿厢的速度和垂直加速度测量偏差(包括地球引力造成的偏移),s(t-1)为辅助状态变量。
12)在一次运动中,根据零速辅助惯性导航***,可以定义时刻t电梯轿厢的运动状态矢量为:
其中
xd(t-1)是从上次停止开始行驶的距离,是电梯轿厢测量的加速度,Δt为采样间隔,w(t)过程噪声(高斯白噪声,其协方差其中表示加速度计噪声方差,表示加速度计偏差模型的噪声方差。
13)由于电梯轿厢的位置和运动状态只用加速度计来测量估计,因此无法为状态空间模型制定传统的量测更新方程。但是,电梯轿厢一般都是静止或者匀速运动,这两种状态都可以通过加速度计检测出来。假设已知电梯轿厢静止或者匀速运动的时间,那么就可以建立状态空间的伪量测模型:
其中 和分别是匀速运动和静止时的观测噪声,即伪量测模型为电梯运动估计提供了两个不同的更新模型:零速更新模型和匀速更新模型。
14)众所周知,电梯轿厢只是在有限范围内垂直方向移动。为了简化模型,方便计算,本发明将电梯轿厢的运动均视为匀速直线运动(静止是一种特殊的匀速直线运动),同时三轴加速度传感器测量的加速度也取行程时间内的均值,并将电梯轿厢开始加速或减速的问题转化为电梯轿厢加速度均值局部变化的问题。
15)根据状态空间矢量建立基于扩展卡尔曼滤波器的轿厢行驶距离估计和轿厢运动状态估计,将三轴加速度计测得平均加速度(或为负)作为算法的输入。首先,通过扩展卡尔曼滤波算法对状态矢量估计值和它的协方差矩阵进行更新迭代,具体迭代步骤分为预测与更新:
①预测
Pd←FPd-1FT+GQd-1GT (5)
②更新
Gd←PdHd T(HdPdHd T+R)-1 (6)
Pd←(I-GdHd)Pd (8)
然后,通过均匀线性运动检测器判断电梯轿厢是否是均匀线性运动,如果是就继续执行迭代更新算法,如果不是就进行下一次行程的计算。
16)电梯处于均匀线性运动时,通过计算将零速度假设拟合到观测数据后获得归一化预测误差ξd的大小,判断电梯轿厢是静止还是匀速运动。设置阈值γd,以便比较。确定电梯轿厢的状态,对观测模型进行更新:如果ξd>γd,选择匀速测量更新;如果ξd<γd,选择零速度测量更新。
17)当算法检测到电梯轿厢停止运动并且行驶的距离超过了阈值γδp,就会输出电梯轿厢行驶的距离估计值和其方差估计值并且对***状态矢量进行更新,并返回更新值,在下一次运动时重复5)-7)过程。
2.电梯轿厢停层及故障判断
21)通过第1阶段可以获取一系列的轿厢行驶距离估计值和方差估计值在此基础上,本发明通过SLAM算法可以实现电梯轿厢位置和停靠楼层估计,同时通过估计的轿厢位置,检测电梯是否不平层、蹲底或冲顶等故障。
22)引入新的状态矢量其中,p(l)为电梯轿厢在第l趟行驶后的位置,m(i)为第i层楼的高度,M为楼层总数。由于每层楼的高度是恒定的,状态矢量可以描述为:
其中e1为单位阵,是电梯轿厢行驶距离估计值的误差,该误差假定为零均值、不相关且其方差为
23)假设电梯轿厢第l次行驶所停的楼层i已知的,则对应的伪观测模型为:
其中vs(l)是伪测量误差,该测量误差是电梯轿厢停靠点位置和楼层高度之间微小偏差,主要是由于电梯控制***不完善而导致的。该误差假定为零均值、不相关且其方差为假如楼层和电梯轿厢停靠点是已知,则可以通过基于扩展卡尔曼滤波的SLAM跟踪电梯轿厢位置、估计楼层高度。
24)在实际工作环境中,楼层总数M和电梯轿厢的行驶顺序是未知的。假如电梯轿厢初始状态估计和相应的协方差矩阵是有效的,则可以通过基于最大似然数的数据关联实现电梯轿厢位置与估计楼层高度间的关联,该数据关联选择使归一化预测误差最小的观测模型,故通过最小化函数即可获得电梯轿厢所处的楼层高度:
25)要完成24中所说的步骤,必须要有理想的初始值。获取理想初始状态的方法,可以通过让电梯轿厢从底层依次运动到最高层,每层至少停留一次。
26)基于扩展卡尔曼滤波器的SLAM算法,将第1阶段获得的电梯轿厢行驶的距离估计值和距离估计误差的方差估计值作为输入,对状态向量和状态协方差进行更新迭代,具体迭代步骤分为预测与更新:
①预测
②更新
27)计算归一化预测误差并通过最小化函数求出电梯轿厢所处的楼层i。
28)比较归一化误差ξs与假定阈值γs的大小;如果ξs>γs,则表明估计误差过大,故电梯轿厢运行异常,此时状态向量不进行量测更新,并且报警提示电梯轿厢异常停靠故障;如果误差ξs<γs,则证明电梯轿厢运行正常,对状态向量进行量测更新,并返回更新的值,进入下一轮行驶过程并重复步骤6)-8)。
1)下面结合图1和图2进行说明。以一座七层楼电梯为例,该电梯一侧安装有10个MPU-9150三轴加速度传感器的检测模块,用以获取电梯的三个方向加速度。将采集到的电梯垂直方向上的加速度作为输入,构建电梯的***状态矢量xd。并根据扩展卡尔曼滤波进行状态矢量矩阵及协方差矩阵进行预测更新。
2)扩展卡尔曼滤波更新后,判断电梯轿厢是否处于平稳线性运动。本发明简化电梯的加速过程,将电梯轿厢在加速或者减速过程中的加速度大小通过取均值的方式确定,并将电梯轿厢何时加速或减速的检测表述为检测加速度计测量的平均值中的局部变化的问题。平稳线性运动判断器判断如果电梯处于匀速线性运动,则判断这是一次有效的运动,反之就结束进程。
3)将平稳线性运动分为静止和匀速运动,通过计算将零速度假设拟合到观测数据时获得的归一化预测误差的大小如果超过设定值,就判断电梯轿厢速度不为零,处于匀速运动,并采用匀速观测模型否则就判断电梯速度为零,处于静止状态,并采用零速观测模型
4)在新的观测模型下对电梯状态矢量矩阵、增益矩阵和协方差矩阵进行扩展卡尔曼滤波更新。
5)当电梯轿厢停止运动时,检查行驶距离是否大于阈值γs,如果都满足条件,则输出电梯轿厢的行驶距离估计值和它的估计方差并对电梯***状态矢量矩阵和其协方差矩阵进行更新,并返回其更新值。
6)获得电梯行程参数和后,结合SLAM算法完成电梯正常停层位置的学习。首先定义新的电梯状态矢量xs(l)。将第1阶段获得的电梯轿厢行驶的距离估计值和距离估计误差的方差估计值作为输入,根据基于扩展卡尔曼滤波器的SLAM算法对状态向量和状态协方差进行更新迭代,获得和其协方差矩阵Ps。
7)本发明采用基于最大似然数的数据关联,可以获得使归一化预测误差最小化的观测模型:并通过最小化函数计算得到估计的电梯楼层高度和所在楼层i。
8)如果预测误差的大小低于异常值阈值,则对新的状态矢量估计值增益矩阵和协方差矩阵进行更新,否则调用异常停止程序,显示电梯异常位置停车。采用SLAM算法,电梯只需要完成一次正常运行(跑完所有的楼层),***就可以自主学习到全部正确的楼层位置。整个学习过程实现了与安装电梯大厦的楼层高度、楼层数,以及电梯品牌的无关性。
9)如图3所示,电梯轿厢在安装三轴加速度传感器之后,所有传感器获取数据后通过扩展卡尔曼滤波估计得到的电梯位置估计值均为3σ置信区间内,说明滤波器估计合理且是一致估计。此外,经过开始的训练序列之后,基于SLAM的估计有效限制了位置误差增长,从滤波估计中很容易得到电梯行驶的具体楼层,而且当基于SLAM的估计检测到电梯轿厢停留在了两个楼层直接位置时,就会发出电梯轿厢异常停层的信号,说明本发明提出的方法不能能够构建电梯行驶的轨迹,还可以通过数据关联实现对电梯所处楼层的估计,并对电梯是否异常停层给出判断。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (6)
1.一种基于加速度传感器的电梯运动检测及异常位置停车判断,其特征在于按照如下步骤进行:
步骤1.电梯轿厢行驶距离估计
位于电梯轿厢上的三轴加速度传感器采集电梯的运动参数,通过扩展卡尔曼滤波算法,估计每一趟旅程中即两次停车之间电梯的行驶距离,返回电梯在一趟行驶过程中的位移估计值及方差;
步骤2.电梯轿厢停层及故障判断
基于步骤1的位移估计值及方差结果,结合SLAM算法,在设置基准点的基础上估计出电梯轿厢的位置和楼层的高度;
步骤3.通过位置估计判断电梯是否发生异常停车故障。
2.根据权利要求1所述的基于加速度传感器的电梯运动检测及异常位置停车判断,其特征在于所述的电梯轿厢行驶距离估计按照如下步骤进行:
11)在电梯行驶距离估计中,在连续两次停车(l-1,l)间,通过横向和纵向速度为零的约束条件下辅助惯性导航即可估计出电梯轿厢移动距离为δp(l)和运动速度,首先假设在t时刻,电梯的状态向量为xd(t),其定义为
其中,d(t),s(t),δuz(t)分别表示电梯最后一次停车后运动的距离、轿厢的速度和垂直加速度测量偏差,包括地球引力造成的偏移,s(t-1)为辅助状态变量;
12)在一次运动中,根据零速辅助惯性导航***,可以定义时刻t电梯轿厢的运动状态矢量为:
其中
xd(t-1)是从上次停止开始行驶的距离,是电梯轿厢测量的加速度,Δt为采样间隔,w(t)过程噪声,高斯白噪声,其协方差其中表示加速度计噪声方差,表示加速度计偏差模型的噪声方差。
13)由于电梯轿厢的位置和运动状态只用加速度计来测量估计,因此无法为状态空间模型制定传统的量测更新方程;但是,电梯轿厢一般都是静止或者匀速运动,这两种状态都可以通过加速度计检测出来;假设已知电梯轿厢静止或者匀速运动的时间,那么就可以建立状态空间的伪量测模型:
其中 和分别是匀速运动和静止时的观测噪声,即伪量测模型为电梯运动估计提供了两个不同的更新模型:零速更新模型和匀速更新模型;
14)电梯轿厢只在有限范围内垂直方向移动,简化模型将电梯轿厢的运动均视为匀速直线运动,静止是一种特殊的匀速直线运动,同时三轴加速度传感器测量的加速度也取行程时间内的均值,并将电梯轿厢开始加速或减速的问题转化为电梯轿厢加速度均值局部变化的问题;
15)根据状态空间矢量建立基于扩展卡尔曼滤波器的轿厢行驶距离估计和轿厢运动状态估计,将三轴加速度计测得平均加速度作为算法的输入;
16)电梯处于均匀线性运动时,通过计算将零速度假设拟合到观测数据后获得归一化预测误差ξd的大小,判断电梯轿厢是静止还是匀速运动;设置阈值γd,确定电梯轿厢的状态,对观测模型进行更新:如果ξd>γd,选择匀速测量更新;如果ξd<γd,选择零速度测量更新;
17)当算法检测到电梯轿厢停止运动并且行驶的距离超过了阈值γδp,就会输出电梯轿厢行驶的距离估计值和其方差估计值并且对***状态矢量进行更新,并返回更新值,在下一次运动时重复5)-7)过程。
3.根据权利要求2所述的基于加速度传感器的电梯运动检测及异常位置停车判断,其特征在于:步骤5)中
首先,通过扩展卡尔曼滤波算法对状态矢量估计值和它的协方差矩阵进行更新迭代,具体迭代步骤分为预测与更新:
①预测
Pd←FPd-1FT+GQd-1GT
②更新
Gd←PdHd T(HdPdHd T+R)-1
Pd←(I-GdHd)Pd
然后,通过均匀线性运动检测器判断电梯轿厢是否是均匀线性运动,如果是就继续执行迭代更新算法,如果不是就进行下一次行程的计算。
4.根据权利要求1所述的基于加速度传感器的电梯运动检测及异常位置停车判断,其特征在于所述的步骤2电梯轿厢停层及故障判断按照如下步骤进行:
21)通过步骤1获取轿厢行驶距离估计值和方差估计值在此基础上,通过SLAM算法可以实现电梯轿厢位置和停靠楼层估计,同时通过估计的轿厢位置,检测电梯是否存在故障;
22)引入新的状态矢量其中,p(l)为电梯轿厢在第l趟行驶后的位置,m(i)为第i层楼的高度,M为楼层总数;由于每层楼的高度是恒定的,状态矢量可以描述为:
其中e1为单位阵,是电梯轿厢行驶距离估计值的误差,该误差假定为零均值、不相关且其方差为
23)假设电梯轿厢第l次行驶所停的楼层i已知的,则对应的伪观测模型为:
其中vs(l)是伪测量误差,由于电梯控制***不完善该伪测量误差是电梯轿厢停靠点位置和楼层高度之间微小偏差,该伪测量误差假定为零均值、不相关且其方差为假如楼层和电梯轿厢停靠点是已知,则可以通过基于扩展卡尔曼滤波的SLAM跟踪电梯轿厢位置、估计楼层高度;
24)在实际工作环境中,楼层总数M和电梯轿厢的行驶顺序是未知的;假如电梯轿厢初始状态估计和相应的协方差矩阵是有效的,则可以通过基于最大似然数的数据关联实现电梯轿厢位置与估计楼层高度间的关联,该数据关联选择使归一化预测误差最小的观测模型,故通过最小化函数即可获得电梯轿厢所处的楼层高度:
25)要完成上述24)中所说的步骤,必须要有理想的初始值;获取理想初始状态的方法,可以通过让电梯轿厢从底层依次运动到最高层,每层至少停留一次;
26)基于扩展卡尔曼滤波器的SLAM算法,将第1阶段获得的电梯轿厢行驶的距离估计值和距离估计误差的方差估计值作为输入,对状态向量和状态协方差进行更新迭代;
27)计算归一化预测误差并通过最小化函数求出电梯轿厢所处的楼层i;
28)比较归一化误差ξs与假定阈值γs的大小,如果ξs>γs,则表明估计误差过大,故电梯轿厢运行异常,此时状态向量不进行量测更新,并且报警提示电梯轿厢异常停靠故障;如果误差ξs<γs,则证明电梯轿厢运行正常,对状态向量进行量测更新,并返回更新的值,进入下一轮行驶过程并重复步骤6)-8)。
5.根据权利要求4所述的基于加速度传感器的电梯运动检测及异常位置停车判断,其特征在于所述的步骤26),具体迭代步骤分为预测与更新:
①预测
②更新
Gd←PdHd T(HdPdHd T+R)-1
Pd←(I-GdHd)Pd
6.根据权利要求4所述的基于加速度传感器的电梯运动检测及异常位置停车判断,其特征在于:检测电梯是否存在故障,故障包括不平层、蹲底或冲顶。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811112016.6A CN109211233B (zh) | 2018-09-25 | 2018-09-25 | 基于加速度传感器的电梯运动检测及异常位置停车判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811112016.6A CN109211233B (zh) | 2018-09-25 | 2018-09-25 | 基于加速度传感器的电梯运动检测及异常位置停车判断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109211233A true CN109211233A (zh) | 2019-01-15 |
CN109211233B CN109211233B (zh) | 2020-10-23 |
Family
ID=64984602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811112016.6A Active CN109211233B (zh) | 2018-09-25 | 2018-09-25 | 基于加速度传感器的电梯运动检测及异常位置停车判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109211233B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109748170A (zh) * | 2019-01-18 | 2019-05-14 | 西人马(西安)测控科技有限公司 | 电梯故障告警方法、装置、设备及介质 |
CN109978026A (zh) * | 2019-03-11 | 2019-07-05 | 浙江新再灵科技股份有限公司 | 一种基于lstm网络的电梯位置检测方法及*** |
CN110135241A (zh) * | 2019-03-27 | 2019-08-16 | 浙江新再灵科技股份有限公司 | 一种电梯行程的统计分析*** |
CN112047209A (zh) * | 2020-09-09 | 2020-12-08 | 上海有个机器人有限公司 | 一种电梯楼层的自动标定方法、介质、终端和装置 |
CN113277392A (zh) * | 2021-04-28 | 2021-08-20 | 上海有个机器人有限公司 | 一种基于高斯分布模型的电梯楼层高度标定方法、电子设备及存储介质 |
CN114357794A (zh) * | 2022-01-12 | 2022-04-15 | 东南大学 | 一种基于改进卡尔曼滤波的公交进站停车测评方法 |
CN114560360A (zh) * | 2022-02-10 | 2022-05-31 | 北京三快在线科技有限公司 | 机器人乘坐电梯的方法、装置、介质及机器人控制器 |
CN116969286A (zh) * | 2023-09-20 | 2023-10-31 | 杭州海康威视数字技术股份有限公司 | 楼层定位方法和装置 |
CN117985559A (zh) * | 2024-04-02 | 2024-05-07 | 深圳市博安智控科技有限公司 | 一种应用于楼宇的电梯管理方法及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102633173A (zh) * | 2012-05-04 | 2012-08-15 | 林创鲁 | 一种电梯轿厢运行状态监测***及方法 |
CN104062977A (zh) * | 2014-06-17 | 2014-09-24 | 天津大学 | 基于视觉slam的四旋翼无人机全自主飞行控制方法 |
CN104316060A (zh) * | 2014-06-06 | 2015-01-28 | 清华大学深圳研究生院 | 空间非合作目标的交会对接方法与装置 |
US9235657B1 (en) * | 2013-03-13 | 2016-01-12 | Johnson Controls Technology Company | System identification and model development |
CN106031263A (zh) * | 2014-02-28 | 2016-10-12 | 德州仪器公司 | 用于位置估计的方法及*** |
CN106441309A (zh) * | 2016-11-14 | 2017-02-22 | 郑州轻工业学院 | 基于协方差交叉融合的火星进入段分布式自主导航方法 |
CN107215734A (zh) * | 2017-07-06 | 2017-09-29 | 天津康途科技有限公司 | 一种用于电梯实时加速度和速度以及位置检测的方法及*** |
-
2018
- 2018-09-25 CN CN201811112016.6A patent/CN109211233B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102633173A (zh) * | 2012-05-04 | 2012-08-15 | 林创鲁 | 一种电梯轿厢运行状态监测***及方法 |
US9235657B1 (en) * | 2013-03-13 | 2016-01-12 | Johnson Controls Technology Company | System identification and model development |
CN106031263A (zh) * | 2014-02-28 | 2016-10-12 | 德州仪器公司 | 用于位置估计的方法及*** |
CN104316060A (zh) * | 2014-06-06 | 2015-01-28 | 清华大学深圳研究生院 | 空间非合作目标的交会对接方法与装置 |
CN104062977A (zh) * | 2014-06-17 | 2014-09-24 | 天津大学 | 基于视觉slam的四旋翼无人机全自主飞行控制方法 |
CN106441309A (zh) * | 2016-11-14 | 2017-02-22 | 郑州轻工业学院 | 基于协方差交叉融合的火星进入段分布式自主导航方法 |
CN107215734A (zh) * | 2017-07-06 | 2017-09-29 | 天津康途科技有限公司 | 一种用于电梯实时加速度和速度以及位置检测的方法及*** |
Non-Patent Citations (1)
Title |
---|
朱亮标: "基于数据驱动的锂离子电池剩余寿命预测模型及软件实现", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109748170A (zh) * | 2019-01-18 | 2019-05-14 | 西人马(西安)测控科技有限公司 | 电梯故障告警方法、装置、设备及介质 |
CN109978026A (zh) * | 2019-03-11 | 2019-07-05 | 浙江新再灵科技股份有限公司 | 一种基于lstm网络的电梯位置检测方法及*** |
CN109978026B (zh) * | 2019-03-11 | 2021-03-09 | 浙江新再灵科技股份有限公司 | 一种基于lstm网络的电梯位置检测方法及*** |
CN110135241A (zh) * | 2019-03-27 | 2019-08-16 | 浙江新再灵科技股份有限公司 | 一种电梯行程的统计分析*** |
CN112047209A (zh) * | 2020-09-09 | 2020-12-08 | 上海有个机器人有限公司 | 一种电梯楼层的自动标定方法、介质、终端和装置 |
CN113277392B (zh) * | 2021-04-28 | 2024-02-02 | 上海有个机器人有限公司 | 一种基于高斯分布模型的电梯楼层高度标定方法、电子设备及存储介质 |
CN113277392A (zh) * | 2021-04-28 | 2021-08-20 | 上海有个机器人有限公司 | 一种基于高斯分布模型的电梯楼层高度标定方法、电子设备及存储介质 |
CN114357794A (zh) * | 2022-01-12 | 2022-04-15 | 东南大学 | 一种基于改进卡尔曼滤波的公交进站停车测评方法 |
CN114357794B (zh) * | 2022-01-12 | 2024-07-05 | 东南大学 | 一种基于改进卡尔曼滤波的公交进站停车测评方法 |
CN114560360A (zh) * | 2022-02-10 | 2022-05-31 | 北京三快在线科技有限公司 | 机器人乘坐电梯的方法、装置、介质及机器人控制器 |
CN116969286A (zh) * | 2023-09-20 | 2023-10-31 | 杭州海康威视数字技术股份有限公司 | 楼层定位方法和装置 |
CN116969286B (zh) * | 2023-09-20 | 2023-12-26 | 杭州海康威视数字技术股份有限公司 | 楼层定位方法和装置 |
CN117985559A (zh) * | 2024-04-02 | 2024-05-07 | 深圳市博安智控科技有限公司 | 一种应用于楼宇的电梯管理方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109211233B (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109211233A (zh) | 基于加速度传感器的电梯运动检测及异常位置停车判断 | |
KR102453933B1 (ko) | 3차원 공간을 추적하는 차량 및 센싱 장치, 그리고 저장매체에 저장된 컴퓨터 프로그램 | |
US20180115875A1 (en) | Method of estimating position of a device using geographical descriptive data | |
Davidson et al. | Application of particle filters for indoor positioning using floor plans | |
US11885900B2 (en) | Method and system for tracking a mobile device | |
Rajagopal | Personal dead reckoning system with shoe mounted inertial sensors | |
JPWO2018181974A1 (ja) | 判定装置、判定方法、及び、プログラム | |
US20080294342A1 (en) | Position Detecting Device And Position Detecting Method | |
CN108139456A (zh) | 加速度计辅助导航的方法 | |
JP2009019992A (ja) | 位置検出装置及び位置検出方法 | |
CN108957510B (zh) | 基于惯性/零速/gps的行人无缝组合导航定位方法 | |
CN110015304A (zh) | 用于求取和提供地面特性的方法和*** | |
Zhang et al. | The improved constraint methods for foot-mounted PDR system | |
CN116859413A (zh) | 一种用于露天矿车车辆的感知模型建立方法 | |
JP7275553B2 (ja) | 移動体、移動体の制御方法及びプログラム | |
CN109978026B (zh) | 一种基于lstm网络的电梯位置检测方法及*** | |
CN108387233B (zh) | 一种基于模糊逻辑的行人运动模式判断方法 | |
CN110968099B (zh) | 一种机器人被困检测方法以及机器人 | |
Köping et al. | Probabilistic step and turn detection in indoor localization | |
Kronenwett et al. | Elevator and escalator classification for precise indoor localization | |
CN110908388B (zh) | 一种机器人被困检测方法以及机器人 | |
EP0763712A1 (en) | Vehicle navigator system | |
EP3984937A1 (en) | Elevator system floor height mapping | |
Löffler et al. | Evaluating the Impact of Map Inaccuracies on Path Discrimination Behind Railway Turnouts | |
Kaiser | Enhanced acceleration phase tracking for moving platform detection in 3D indoor navigation |
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 |