CN110040594B - 一种基于卷积神经网络的电梯运行检测***及方法 - Google Patents

一种基于卷积神经网络的电梯运行检测***及方法 Download PDF

Info

Publication number
CN110040594B
CN110040594B CN201910332032.4A CN201910332032A CN110040594B CN 110040594 B CN110040594 B CN 110040594B CN 201910332032 A CN201910332032 A CN 201910332032A CN 110040594 B CN110040594 B CN 110040594B
Authority
CN
China
Prior art keywords
data
layer
state
convolution
elevator
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
Application number
CN201910332032.4A
Other languages
English (en)
Other versions
CN110040594A (zh
Inventor
朱鲲
施行
王超
蔡巍伟
吴磊磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Xinzailing Technology Co ltd
Original Assignee
Zhejiang Xinzailing Technology Co ltd
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 Zhejiang Xinzailing Technology Co ltd filed Critical Zhejiang Xinzailing Technology Co ltd
Publication of CN110040594A publication Critical patent/CN110040594A/zh
Application granted granted Critical
Publication of CN110040594B publication Critical patent/CN110040594B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • B66B5/0031—Devices monitoring the operating condition of the elevator system for safety reasons
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Indicating And Signalling Devices For Elevators (AREA)
  • Maintenance And Inspection Apparatuses For Elevators (AREA)
  • Alarm Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于卷积神经网络的电梯运行检测***及方法，其中方法实施例包括以下步骤：通过加速度采集单元采集电梯的实时运动信息；根据加速度采集单元传入的电梯加速度信息进行分析，分别得到包含标签的加速度信息，并根据大量已标签运动信息组成训练集与测试集，进行网络训练得到CNN网络的权值；接收根据已经训练好的CNN网络，实时处理电梯运动信息，给出识别结果；根据识别结果进行判断，若存在异常，则产生报警信息。

Description

一种基于卷积神经网络的电梯运行检测***及方法
技术领域
本发明属于深度学习技术领域，具体涉及一种基于卷积神经网络的电梯运行检测***及方法。
背景技术
电梯现已作为一款重要的楼宇交通工具，电梯的正常运转多数会在轿厢中获得相应的振动反馈，因而对电梯轿厢的振动状态进行监测十分重要。现有电梯状态检测方式，仅仅定期进行人工检测等，无实时电梯轿厢***振动数据数据上报。或者仅针对轿厢内进行视音频数据采集，而没有关于电梯轿厢运行时的振动分析，精确判断电梯状态。
中国专利申请CN201711492312.9公开了一种基于卷积神经网络的电梯故障识别方法，包括以下步骤：步骤一，采集电梯运动数据，并通过小波变换转换为时-频谱图作为样本集；步骤二，将样本集中的时-频谱图分为训练集和测试集，对训练集中样本标记故障种类以及故障程度，作为数据样本的已知标签；步骤三，建立卷积神经网络，将训练集中的时-频谱图输入卷积神经网络并提取分类前一层的特征；步骤四，根据步骤二中给定的标签和步骤三提取的特征，训练多类SVM分类器；步骤五，训练完成后，得到SVM分类器对每一类故障的预测率；步骤六，检测识别。该技术方案主要根据电梯的运行数据，获取得到对应数据的时频图，并对时频图送入使用AlexNet训练，然后对特征信息得到SVM分类器，最终给出识别结果，该网络实际为RCNN网络。实际计算时直接使用小波变换等转化为时频图后，转化为频域数据时，实际数据信息有部分损失。因此，宜改进此方法，使用原始数据直接进行分析，且网络修改为更为深层的网络进行分析。
发明内容
本发明要解决的技术问题是提供一种基于卷积神经网络的电梯运行检测***及方法。
为解决上述技术问题，本发明采用如下的技术方案：
本发明一方面在于提供一种基于卷积神经网络的电梯运行检测方法，包括以下步骤：
通过加速度采集单元采集电梯的实时运动信息；
根据加速度采集单元传入的电梯加速度信息进行分析，分别得到包含标签的加速度信息，并根据大量已标签运动信息组成训练集与测试集，进行网络训练得到CNN网络的权值；
接收根据已经训练好的CNN网络，实时处理电梯运动信息，给出识别结果；
根据识别结果进行判断，若存在异常，则产生报警信息。
优选地，所述CNN网络为多层卷积神经网络，
每次输入信息为128条数据长度为300点的加速度信息矩阵，每层卷积层均进行卷积核为3的卷积计算,激活函数为leak Relu激活。
通过第一层卷积层128*300转化为126*298*64，该矩阵通过batch normalize归一化再，待池化数据为126*298*64；
经过最大值池化转化为42*59*64；
42*59*64通过第二层卷积运算为42*57*32；
通过第三层卷积运算为40*55*32；
通过batch normalize归一化，通过第四层卷积运算为40*53*32；
通过batch normalize归一化，再进行最大值池化转化为20*17*32；
通过第五层卷积运算为18*15*32，再进行batch normalize归一化；
通过最大值池化结果为9*7*32；
将该矩阵展开转化为长度为2016的一维向量(flatten处理)；
再通过dropout，dropout将在训练过程中每次更新参数时按一定概率随机断开输入神经元，本专利中选取概率为0.5，选择有效数据，长度依然为2016；
再通过全连接层dense数据转化为长度128的一维向量；
通过dropout选取则有效数据；
再通过全连接层转化为长度为4的一维向量；
对该一维向量进行Softmax获取得到4种状态的概率，分别为：
状态1-稳定状态无异常(静止或匀速运动时)；
状态2-加减速时刻无异常；
状态3-稳定状态时振动异常；
状态4-急停；
选取概率最大的作为当前识别状态输出结果；
其中前向卷积计算为：
Y＝W*X+b
其中X为输入层数据，W为对应权值(由多卷积核组成)，b为对应修正量，Y为输出曾数据，再对Y数据通过激励函数，得到该层输出结果Leak Relu为：
Y＝max(0.1x,x)
Softmax：
待处理的数据向量为a＝[a1,a2,a3,a4].对其进行softmax计算为,其中i取[1,4]
Figure BDA0002038023670000031
优选地，若识别结果为状态3-稳定状态时振动异常或状态4-急停，则通知报警中心进行报警。
本发明的又一方面在于提供一种基于卷积神经网络的电梯运行检测***，包括：
加速度采集单元，用于采集电梯的实时运动信息；
数据处理中心，用于根据加速度采集单元传入的电梯加速度信息进行分析，分别得到包含标签的加速度信息，并根据大量已标签运动信息组成训练集与测试集，进行网络训练得到CNN网络的权值；
实时处理中心，接收根据已经训练好的CNN网络，实时处理电梯运动信息，给出识别结果；
报警单元，用于根据识别结果进行判断，若存在异常，则产生报警信息。
优选地，所述CNN网络为多层卷积神经网络，
每次输入信息为128条数据长度为300点的加速度信息矩阵，每层卷积层均进行卷积核为3的卷积计算,激活函数为leak Relu激活。
通过第一层卷积层128*300转化为126*298*64，该矩阵通过batch normalize归一化再，待池化数据为126*298*64；
经过最大值池化转化为42*59*64；
42*59*64通过第二层卷积运算为42*57*32；
通过第三层卷积运算为40*55*32；
通过batch normalize归一化，通过第四层卷积运算为40*53*32；
通过batch normalize归一化，再进行最大值池化转化为20*17*32；
通过第五层卷积运算为18*15*32，再进行batch normalize归一化；
通过最大值池化结果为9*7*32；
将该矩阵展开转化为长度为2016的一维向量(flatten处理)；
再通过dropout，dropout将在训练过程中每次更新参数时按一定概率随机断开输入神经元，本专利中选取概率为0.5，选择有效数据，长度依然为2016；
再通过全连接层dense数据转化为长度128的一维向量；
通过dropout选取则有效数据；
再通过全连接层转化为长度为4的一维向量；
对该一维向量进行Softmax获取得到4种状态的概率，分别为：
状态1-稳定状态无异常(静止或匀速运动时)；
状态2-加减速时刻无异常；
状态3-稳定状态时振动异常；
状态4-急停；
选取概率最大的作为当前识别状态输出结果；
其中前向卷积计算为：
Y＝W*X+b
其中X为输入层数据，W为对应权值(由多卷积核组成)，b为对应修正量，Y为输出曾数据，再对Y数据通过激励函数，得到该层输出结果Leak Relu为：
Y＝max(0.1x,x)
Softmax：
待处理的数据向量为a＝[a1,a2,a3,a4]，对其进行softmax计算为，其中i取[1,4]
Figure BDA0002038023670000051
优选地，若识别结果为状态3-稳定状态时振动异常或状态4-急停，则通知报警中心进行报警。
采用本发明具有如下的有益效果：通过直接使用电梯原始数据进行分析，可避免因时频域转化而产生的变化，以及本身信息的丢失。同时使用更为优质的网络进行识别，可获得更精确的识别结果。
附图说明
图1为本发明实施例的基于卷积神经网络的电梯运行检测方法的步骤流程图；
图2为本发明实施例的基于卷积神经网络的电梯运行检测方法中一具体应用实例中网络拓扑结构图；
图3为本发明实施例的基于卷积神经网络的电梯运行检测方法中状态3的示意图；
图4为本发明实施例的基于卷积神经网络的电梯运行检测方法中状态4的示意图；
图5为本发明实施例的基于卷积神经网络的电梯运行检测***的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图1，所示为本发明实施例公开的一种基于卷积神经网络的电梯运行检测方法，包括以下步骤：
S1，通过加速度采集单元采集电梯的实时运动信息；
加速度采集单元包括加速度计、陀螺仪等等安装在电梯轿厢的电梯运动信息采集设备，采集到的电梯的实时运动信息，用于后续单元分析。
S2，根据加速度采集单元传入的电梯加速度信息进行分析，分别得到包含标签的加速度信息，并根据大量已标签运动信息组成训练集与测试集，进行网络训练得到CNN网络的权值。
通过数据处理中心进行以上步骤，数据处理中心包括但不限于CPU，ARM，GPU、DSP，GPU，FPGA，ASIC等通用处理设备。
该步骤中建立的CNN网络为多层卷积神经网络，其网络拓扑结构图如图2所示，每次输入信息为128条数据长度为300点的加速度信息矩阵，每层卷积层均进行卷积核为3的卷积计算，激活函数为leak Relu激活。
通过第一层卷积层128*300转化为126*298*64，该矩阵通过batch normalize归一化再，待池化数据为126*298*64；
经过最大值池化转化为42*59*64；
42*59*64通过第二层卷积运算为42*57*32；
通过第三层卷积运算为40*55*32；
通过batch normalize归一化，通过第四层卷积运算为40*53*32；
通过batch normalize归一化，再进行最大值池化转化为20*17*32；
通过第五层卷积运算为18*15*32，再进行batch normalize归一化；
通过最大值池化结果为9*7*32；
将该矩阵展开转化为长度为2016的一维向量(flatten处理)；
再通过dropout，dropout将在训练过程中每次更新参数时按一定概率随机断开输入神经元，本专利中选取概率为0.5，选择有效数据，长度依然为2016；
再通过全连接层dense数据转化为长度128的一维向量；
通过dropout选取则有效数据；
再通过全连接层转化为长度为4的一维向量；
对该一维向量进行Softmax获取得到4种状态的概率，分别为：
状态1-稳定状态无异常(静止或匀速运动时)；
状态2-加减速时刻无异常；
状态3-稳定状态时振动异常；
状态4-急停；
选取概率最大的作为当前识别状态输出结果；
其中前向卷积计算为：
Y＝W*X+b
其中X为输入层数据，W为对应权值(由多卷积核组成)，b为对应修正量，Y为输出曾数据，再对Y数据通过激励函数，得到该层输出结果Leak Relu为：
Y＝max(0.1x,x)
Softmax：
待处理的数据向量为a＝[a1,a2,a3,a4].对其进行softmax计算为,其中i取[1,4]
Figure BDA0002038023670000081
S3，接收根据已经训练好的CNN网络，实时处理电梯运动信息，给出识别结果；
S4，根据识别结果进行判断，若存在异常，则产生报警信息。
具体地，若识别结果为状态3-稳定状态时振动异常或状态4-急停，则通知报警中心进行报警。
一具体应用实例中，参见图3，该图时刻发生急停，通过本网络识别结果为状态4概率为97.56％。参见图4，该图时刻稳定运行时一直存在稳定振动，通过本网络识别结果为状态3概率为95.68％。
与本发明实施例对应的，参见图5，本发明实施例还提供了一种基于卷积神经网络的电梯运行检测***，包括：加速度采集单元，用于采集电梯的实时运动信息；数据处理中心，用于根据加速度采集单元传入的电梯加速度信息进行分析，分别得到包含标签的加速度信息，并根据大量已标签运动信息组成训练集与测试集，进行网络训练得到CNN网络的权值；实时处理中心，接收根据已经训练好的CNN网络，实时处理电梯运动信息，给出识别结果；报警单元，用于根据识别结果进行判断，若存在异常，则产生报警信息。
加速度采集单元包括加速度计、陀螺仪等等安装在电梯轿厢的电梯运动信息采集设备，采集到的电梯的实时运动信息，用于后续单元分析。
数据处理中心包括但不限于CPU，ARM，，GPU、DSP，GPU，FPGA，ASIC等通用处理设备。
其中，CNN网络为多层卷积神经网络，其网络拓扑结构图如图2所示，每次输入信息为128条数据长度为300点的加速度信息矩阵，每层卷积层均进行卷积核为3的卷积计算,激活函数为leak Relu激活。
通过第一层卷积层128*300转化为126*298*64，该矩阵通过batch normalize归一化再，待池化数据为126*298*64；
经过最大值池化转化为42*59*64；
42*59*64通过第二层卷积运算为42*57*32；
通过第三层卷积运算为40*55*32；
通过batch normalize归一化，通过第四层卷积运算为40*53*32；
通过batch normalize归一化，再进行最大值池化转化为20*17*32；
通过第五层卷积运算为18*15*32，再进行batch normalize归一化；
通过最大值池化结果为9*7*32；
将该矩阵展开转化为长度为2016的一维向量(flatten处理)；
再通过dropout，dropout将在训练过程中每次更新参数时按一定概率随机断开输入神经元，本专利中选取概率为0.5，选择有效数据，长度依然为2016；
再通过全连接层dense数据转化为长度128的一维向量；
通过dropout选取则有效数据；
再通过全连接层转化为长度为4的一维向量；
对该一维向量进行Softmax获取得到4种状态的概率，分别为：
状态1-稳定状态无异常(静止或匀速运动时)；
状态2-加减速时刻无异常；
状态3-稳定状态时振动异常；
状态4-急停；
选取概率最大的作为当前识别状态输出结果；
其中前向卷积计算为：
Y＝W*X+b
其中X为输入层数据，W为对应权值(由多卷积核组成)，b为对应修正量，Y为输出曾数据，再对Y数据通过激励函数，得到该层输出结果Leak Relu为：
Y＝max(0.1x,x)
Softmax：
待处理的数据向量为a＝[a1,a2,a3,a4].对其进行softmax计算为，其中i取[1,4]
Figure BDA0002038023670000101
一具体应用实例中，若识别结果为状态3-稳定状态时振动异常或状态4-急停，则通知报警中心进行报警。
应当理解，本文所述的示例性实施例是说明性的而非限制性的。尽管结合附图描述了本发明的一个或多个实施例，本领域普通技术人员应当理解，在不脱离通过所附权利要求所限定的本发明的精神和范围的情况下，可以做出各种形式和细节的改变。

Claims (4)

1.一种基于卷积神经网络的电梯运行检测方法，其特征在于，包括以下步骤：
通过加速度采集单元采集电梯的实时运动信息；
根据加速度采集单元传入的电梯加速度信息进行分析，分别得到包含标签的加速度信息，并根据大量已标签运动信息组成训练集与测试集，进行网络训练得到CNN网络的权值；
接收根据已经训练好的CNN网络，实时处理电梯运动信息，给出识别结果；
根据识别结果进行判断，若存在异常，则产生报警信息，
所述CNN网络为多层卷积神经网络，
每次输入信息为128条数据长度为300点的加速度信息矩阵，每层卷积层均进行卷积核为3的卷积计算，激活函数为leak Relu激活；
通过第一层卷积层128*300转化为126*298*64，该矩阵通过bach normalize归一化再，待池化数据为126*298*64；
经过最大值池化转化为42*59*64；
42*59*64通过第二层卷积运算为42*57*32；
通过第三层卷积运算为40*55*32；
通过bach normalize归一化，通过第四层卷积运算为40*53*32；
通过batch normalize归一化，再进行最大值池化转化为20*17*32；
通过第五层卷积运算为18*15*32，再进行batch normalize归一化；
通过最大值池化结果为9*7*32；
将该矩阵展开转化为长度为2016的一维向量，flatten处理；
再通过dropout，dropout将在训练过程中每次更新参数时按一定概率随机断开输入神经元，本专利中选取概率为0.5，选择有效数据，长度依然为2016；
再通过全连接层dense数据转化为长度128的一维向量；
通过dropout选取则有效数据；
再通过全连接层转化为长度为4的一维向量；
对该一维向量进行Softmax获取得到4种状态的概率，分别为：
状态1-稳定状态无异常，静止或匀速运动时；
状态2-加减速时刻无异常；
状态3-稳定状态时振动异常；
状态4-急停；
选取概率最大的作为当前识别状态输出结果；
其中前向卷积计算为：
Y＝W*X+b
其中X为输入层数据，W为对应权值，由多卷积核组成，b为对应修正量，Y为输出曾数据，再对Y数据通过激励函数，得到该层输出结果Leak Relu为：
Y＝max(0.1x，x)
Softmax：
待处理的数据向量为a＝[a1，a2，a3，a4]，对其进行softmax计算为，其中i取[1，4]
Figure FDA0002580187700000021
2.如权利要求1所述的基于卷积神经网络的电梯运行检测方法，其特征在于，若识别结果为状态3-稳定状态时振动异常或状态4-急停，则通知报警中心进行报警。
3.一种基于卷积神经网络的电梯运行检测***，其特征在于，包括：
加速度采集单元，用于采集电梯的实时运动信息；
数据处理中心，用于根据加速度采集单元传入的电梯加速度信息进行分析，分别得到包含标签的加速度信息，并根据大量已标签运动信息组成训练集与测试集，进行网络训练得到CNN网络的权值；
实时处理中心，接收根据已经训练好的CNN网络，实时处理电梯运动信息，给出识别结果；
报警单元，用于根据识别结果进行判断，若存在异常，则产生报警信息，
所述CNN网络为多层卷积神经网络，
每次输入信息为128条数据长度为300点的加速度信息矩阵，每层卷积层均进行卷积核为3的卷积计算，激活函数为leak Relu激活；
通过第一层卷积层128*300转化为126*298*64，该矩阵通过bach normalize归一化再，待池化数据为126*298*64；
经过最大值池化转化为42*59*64；
42*59*64通过第二层卷积运算为42*57*32；
通过第三层卷积运算为40*55*32；
通过batch normalize归一化，通过第四层卷积运算为40*53*32；
通过bach normalize归一化，再进行最大值池化转化为20*17*32；
通过第五层卷积运算为18*15*32，再进行batch normalize归一化；
通过最大值池化结果为9*7*32；
将该矩阵展开转化为长度为2016的一维向量，flatten处理；
再通过dropout，dropout将在训练过程中每次更新参数时按一定概率随机断开输入神经元，本专利中选取概率为0.5，选择有效数据，长度依然为2016；
再通过全连接层dense数据转化为长度128的一维向量；
通过dropout选取则有效数据；
再通过全连接层转化为长度为4的一维向量；
对该一维向量进行Softmax获取得到4种状态的概率，分别为：
状态1-稳定状态无异常，静止或匀速运动时；
状态2-加减速时刻无异常；
状态3-稳定状态时振动异常；
状态4-急停；
选取概率最大的作为当前识别状态输出结果；
其中前向卷积计算为：
Y＝W*X+b
其中X为输入层数据，W为对应权值，由多卷积核组成，b为对应修正量，Y为输出曾数据，再对Y数据通过激励函数，得到该层输出结果Leak Relu为：
Y＝max(0.1x，x)
Softmax：
待处理的数据向量为a＝[a1，a2，a3，a4]，对其进行softmax计算为，其中i取[1，4]
Figure FDA0002580187700000041
4.如权利要求3所述的基于卷积神经网络的电梯运行检测***，其特征在于，若识别结果为状态3-稳定状态时振动异常或状态4-急停，则通知报警中心进行报警。
CN201910332032.4A 2019-01-08 2019-04-24 一种基于卷积神经网络的电梯运行检测***及方法 Active CN110040594B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910013896X 2019-01-08
CN201910013896 2019-01-08

Publications (2)

Publication Number Publication Date
CN110040594A CN110040594A (zh) 2019-07-23
CN110040594B true CN110040594B (zh) 2020-11-10

Family

ID=67278901

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910332032.4A Active CN110040594B (zh) 2019-01-08 2019-04-24 一种基于卷积神经网络的电梯运行检测***及方法

Country Status (1)

Country Link
CN (1) CN110040594B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110782431B (zh) * 2019-10-08 2022-03-22 浙江大学 一种基于深度学习的高压电线结冰区域检测方法
CN111170103B (zh) * 2019-12-27 2021-07-20 猫岐智能科技（上海）有限公司 设备故障识别方法
CN111646332A (zh) * 2020-05-19 2020-09-11 浙江新再灵科技股份有限公司 电梯异常运行识别方法及***
CN112329650A (zh) * 2020-11-09 2021-02-05 中国兵器工业集团第二一四研究所苏州研发中心 一种基于卷积神经网络的加速度计故障诊断方法
CN117172746A (zh) * 2023-09-05 2023-12-05 泰州润丽工程科技有限公司 智能解决故障的楼宇管理***

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106219342B (zh) * 2016-08-19 2019-02-01 广州广日电梯工业有限公司 基于时频转换算法的电梯自诊断及预诊断***和方法
CN107826919B (zh) * 2017-10-20 2019-09-13 中国矿业大学 一种提升***关键部件多状态健康监测装置及监测方法
CN108178037A (zh) * 2017-12-30 2018-06-19 武汉大学 一种基于卷积神经网络的电梯故障识别方法

Also Published As

Publication number Publication date
CN110040594A (zh) 2019-07-23

Similar Documents

Publication Publication Date Title
CN110040594B (zh) 一种基于卷积神经网络的电梯运行检测***及方法
CN112629863B (zh) 变工况下动态联合分布对齐网络的轴承故障诊断方法
CN109858352B (zh) 一种基于压缩感知与改进多尺度网络的故障诊断方法
CN111046916A (zh) 一种基于空洞卷积胶囊网络的电机故障诊断方法及***
CN110297479B (zh) 一种基于卷积神经网络信息融合的水电机组故障诊断方法
CN113505655B (zh) 面向数字孪生***的轴承故障智能诊断方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN111678699B (zh) 一种面向滚动轴承早期故障监测与诊断方法及***
CN115580445B (zh) 一种未知攻击入侵检测方法、装置和计算机可读存储介质
CN113158984B (zh) 基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法
CN112834221A (zh) 一种基于eemd-mse和多尺度一维卷积神经网络轴承故障诊断方法
CN112478975A (zh) 基于音频特征的电梯门故障检测方法
CN111931601A (zh) 齿轮箱错误类别标签修正***及方法
CN110851654A (zh) 基于张量化数据降维的工业设备故障检测分类方法
CN115290326A (zh) 一种滚动轴承故障智能诊断方法
CN115687973A (zh) 一种基于多信号融合的机械设备故障诊断方法
CN116756594A (zh) 一种电网数据异常点检测方法、***、设备及介质
CN115587290A (zh) 基于变分自编码生成对抗网络的航空发动机故障诊断方法
CN115452376A (zh) 基于改进轻量级深度卷积神经网络的轴承故障诊断方法
Yu et al. Deep transfer learning rolling bearing fault diagnosis method based on convolutional neural network feature fusion
CN114330430A (zh) 一种基于大数据特征分析的电梯故障判断方法及***
CN117009841A (zh) 一种模型训练方法、电机故障诊断方法和微控制器
CN111783941A (zh) 一种基于概率置信度卷积神经网络的机械设备诊断分类方法
CN116484258A (zh) 电梯曳引机轴承故障诊断方法
CN111461184A (zh) 基于多元特征矩阵的xgb多维运维数据异常检测方法

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