CN110498314B - 电梯门***的健康评估方法、***、电子设备及存储介质 - Google Patents

电梯门***的健康评估方法、***、电子设备及存储介质 Download PDF

Info

Publication number
CN110498314B
CN110498314B CN201910800183.8A CN201910800183A CN110498314B CN 110498314 B CN110498314 B CN 110498314B CN 201910800183 A CN201910800183 A CN 201910800183A CN 110498314 B CN110498314 B CN 110498314B
Authority
CN
China
Prior art keywords
elevator door
data
door system
historical
gaussian mixture
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
CN201910800183.8A
Other languages
English (en)
Other versions
CN110498314A (zh
Inventor
毛晴
董亚明
杨家荣
袁武水
丁晟
金宇辉
张筱
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.)
Shanghai Mitsubishi Elevator Co Ltd
Shanghai Electric Group Corp
Original Assignee
Shanghai Mitsubishi Elevator Co Ltd
Shanghai Electric Group Corp
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 Shanghai Mitsubishi Elevator Co Ltd, Shanghai Electric Group Corp filed Critical Shanghai Mitsubishi Elevator Co Ltd
Priority to CN201910800183.8A priority Critical patent/CN110498314B/zh
Publication of CN110498314A publication Critical patent/CN110498314A/zh
Application granted granted Critical
Publication of CN110498314B publication Critical patent/CN110498314B/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
    • B66B13/00—Doors, gates, or other apparatus controlling access to, or exit from, cages or lift well landings
    • B66B13/30—Constructional features of doors or gates
    • 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

Landscapes

  • Indicating And Signalling Devices For Elevators (AREA)
  • Maintenance And Inspection Apparatuses For Elevators (AREA)
  • Elevator Door Apparatuses (AREA)

Abstract

本发明公开了一种电梯门***的健康评估方法、***、电子设备及存储介质，所述健康评估方法包括：获取电梯门***正常运行状态时对应的第一历史运行数据；获取电梯门***在当前运行状态下的当前运行数据；获取第一目标模型和第二目标模型；获取当前运行状态与正常运行状态之间的第一重合度；根据第一重合度确定电梯门***的当前运行情况对应的健康程度。本发明中同时监控电梯门***的多维运行数据，基于高斯混合模型实现对电梯门***的健康状态的实时评估，从而提高了电梯门***的健康状态的评估准确度；另外，提供了电梯门***的健康状态告警机制，能够及时提醒用户或维修人员对电梯门提前进行适当的维护措施，进而避免了电梯门发生故障。

Description

电梯门***的健康评估方法、***、电子设备及存储介质
技术领域
本发明涉及电梯管理技术领域，特别涉及一种电梯门***的健康评估方法、***、电子设备及存储介质。
背景技术
随着高层建筑的增多，电梯已经日渐成为人们不可或缺的垂直运输工具。经过多年发展，国电梯保有量大幅增长并日趋饱和。随着电梯运行时间的累积，电梯产生故障的概率也会随之显著提高。由于电梯门机的开关动作非常频繁，这样很容易导致电梯门***发生故障，电梯门***故障频发已经成为电梯事故的最主要组成部分，其中，80％以上的电梯故障和70％以上的电梯事故都是因为电梯门***出现问题而导致；一旦电梯门***发生故障则会造成难以想象的严重后果，因此需要对电梯门***的运行状态进行及时有效监控。
目前，国内外的电梯通过维护人员对电梯门***进行维护的处理过程包括：1)当门机发生故障后，确定故障源，维修或更换故障部件；2)无论是否发生门***故障，定周期按规定的流程对其实施维护。这样维护方式存在如下问题：当电梯门***存在一定程度的性能退化，不能及时发现，对其不维护；或者无论实际情况如何都按照统一流程盲目维护，这样仍有可能导致门机事故，且会造成不必要的停梯和维护成本，人工成本较高。
另外，目前还有基于电流传感器采集电梯门***的实时电流信号，通过判断该实时电流信号是否在正常阈值范围内，以此对电梯门***是否发生故障进行评估，这样维护方式存在评估准确度较低等问题。
发明内容
本发明要解决的技术问题是现有技术中对电梯门***的健康状态的评估方式存在评估准确度较低的缺陷，目的在于提供一种电梯门***的健康评估方法、***、电子设备及存储介质。
本发明是通过下述技术方案来解决上述技术问题：
本发明提供一种电梯门***的健康评估方法，所述健康评估方法包括：
S1.获取电梯门***在历史采样时间段内处于正常运行状态时对应的第一历史运行数据；
S2.获取所述电梯门***在当前运行状态下的当前采样时间段内的当前运行数据；
S3.分别将所述第一历史运行数据和所述当前运行数据作为训练参数，输入至目标模型进行训练，获取用于表征所述电梯门***的正常运行情况的第一目标模型和用于表征所述电梯门***的当前运行情况的第二目标模型；
S4.根据所述第一目标模型和所述第二目标模型获取所述当前运行状态与所述正常运行状态之间的第一重合度；
S5.根据所述第一重合度确定所述电梯门***的当前运行情况对应的健康程度；
其中，所述第一重合度与所述健康程度呈正相关。
较佳地，当所述目标模型包括高斯混合模型时，所述第一目标模型为第一高斯混合模型，所述第二目标模型为第二高斯混合模型；
步骤S4包括：
S41.根据所述第一高斯混合模型和所述第二高斯混合模型计算得到所述当前运行状态与所述正常运行状态之间的第一重合度。
较佳地，当所述第一历史运行数据包括开门过程的保持时长或关门过程的保持时长，以及机械能平均值时，步骤S1具体包括：
S11.获取所述电梯门***在历史预设时间段内开门或关门的总次数，以及所述保持时长满足预设时长范围的开门或关门的第一次数；
S12.计算所述第一次数和所述总次数的比值；
S13.判断所述比值是否超过第一设定阈值，若超过，则确定所述预设时间段为历史中间时间段；
S14.根据每个所述历史中间时间段对应的机械能平均值获取历史目标时间段；
S15.将所述历史目标时间段中每个采样时间点对应的运行数据作为处于正常运行状态时对应的所述第一历史运行数据。
较佳地，步骤S14包括：
将每个所述历史中间时间段对应的机械能平均值按照大小进行排序，选取所述机械能平均值最小时对应的历史中间时间段作为所述历史目标时间段；
其中，所述机械能平均值的大小与所述电梯门***的运行状态的所述健康程度呈负相关；和/或，
所述历史预设时间段以天为单位。
较佳地，步骤S15之后、步骤S3之前还包括：
根据所述第一历史运行数据获取对应的第一数据矩阵；
对所述第一数据矩阵进行标准化处理，获取第一特征矩阵；
根据所述当前运行数据获取对应的第二数据矩阵；
对所述第二数据矩阵进行标准化处理，获取第二特征矩阵；
步骤S3还包括：
分别将所述第一特征矩阵和所述第二特征矩阵作为训练参数，输入至所述目标模型进行训练，获取用于表征所述电梯门***的正常运行情况的第一目标模型和用于表征所述电梯门***的当前运行情况的第二目标模型。
较佳地，所述第一高斯混合模型或所述第二高斯混合模型包括：
Figure GDA0002235423040000031
Figure GDA0002235423040000032
其中，g(x)表示所述第一高斯混合模型或所述第二高斯混合模型，h(x；θi)表示单高斯函数，x表示d维所述第一特征矩阵或所述第二特征矩阵，I表示混合模型数量，pi表示预设的第i个单高斯函数的优先向量，满足
Figure GDA0002235423040000041
θi表示第i个单高斯函数的模型参数，所述模型参数包括平均向量μi和协方差矩阵σi。
较佳地，步骤S41中采用如下公式计算所述第一重合度：
Figure GDA0002235423040000042
其中，CV表示所述第一重合度，g1(x1)表示所述第一高斯混合模型，g2(x2)表示所述第二高斯混合模型，x1表示所述第一特征矩阵，x2表示所述第二特征矩阵。
较佳地，所述健康评估方法还包括：
分别预设所述历史采样时间段中亚健康状态和故障状态的运行数据对应的第一标签和第二标签；
步骤S5之后还包括：
根据所述第一标签获取所述历史采样时间段内对应亚健康状态的第二历史运行数据；
根据所述第二标签获取所述历史采样时间段内对应故障状态的第三历史运行数据；
根据所述第二历史运行数据对应的第三数据矩阵；
对所述第三数据矩阵进行标准化处理，获取第三特征矩阵；
根据所述第三历史运行数据获取对应的第四数据矩阵；
对所述第四数据矩阵进行标准化处理，获取第四特征矩阵；
将所述第三特征矩阵作为训练参数，输入至高斯混合模型进行训练，获取用于表征所述电梯门***在亚健康状态下运行情况的第三高斯混合模型；
将所述第四特征矩阵作为训练参数，输入至高斯混合模型进行训练，获取用于表征所述电梯门***在故障状态下运行情况的第四高斯混合模型；
根据所述第一高斯混合模型和所述第三高斯混合模型计算得到所述亚健康状态与所述正常运行状态之间的第二重合度；
根据所述第一高斯混合模型和所述第四高斯混合模型计算得到所述故障状态与所述正常运行状态之间的第三重合度；
根据多个所述第二重合度中的最大值设定第一预警值；
其中，所述第一预警值用于预警所述电梯门***的开门或者关门功能降低的情况；
根据多个所述第三重合度中的最大值设定第二预警值；
其中，所述第二预警值用于预警所述电梯门***发生开门或者关门故障的情况。
较佳地，所述健康评估方法还包括：
采用第一宽度和第二宽度的滑动窗口对所述第一重合度进行均值滤波处理，获取所述当前采样时间段内各个采样时间点对应的第四重合度和第五重合度；
其中，所述第一宽度对应长周期，所述第二宽度对应短周期；
当所述第四重合度小于所述第一预警值，且所述第五重合度大于或等于所述第二预警值时，则生成用于表征所述电梯门***的开门或者关门功能降低的第一告警信息；
当所述第五重合度小于所述第二预警值时，生成用于表征所述电梯门***发生开门或关门故障的第二告警信息。
较佳地，所述第一历史运行数据、所述第二历史运行数据、所述第三历史运行数据、所述当前运行数据均包括门控信号数据、电流数据、电能数据、功率数据和速度数据中的至少一种。
本发明还提供一种电梯门***的健康评估***，所述健康评估***包括第一历史数据获取模块、当前数据获取模块、模型获取模块、第一重合度获取模块和健康程度确定模块；
所述第一历史数据获取模块用于获取电梯门***在历史采样时间段内处于正常运行状态时对应的第一历史运行数据；
所述当前数据获取模块用于获取所述电梯门***在当前运行状态下的当前采样时间段内的当前运行数据；
所述模型获取模块用于分别将所述第一历史运行数据和所述当前运行数据作为训练参数，输入至目标模型进行训练，获取用于表征所述电梯门***的正常运行情况的第一目标模型和用于表征所述电梯门***的当前运行情况的第二目标模型；
所述第一重合度获取模块用于根据所述第一目标模型和所述第二目标模型获取所述当前运行状态与所述正常运行状态之间的第一重合度；
所述健康程度确定模块用于根据所述第一重合度确定所述电梯门***的当前运行情况对应的健康程度；
其中，所述第一重合度与所述健康程度呈正相关。
较佳地，当所述目标模型包括高斯混合模型时，所述第一目标模型为第一高斯混合模型，所述第二目标模型为第二高斯混合模型；
所述第一重合度获取模块用于根据所述第一高斯混合模型和所述第二高斯混合模型计算得到所述当前运行状态与所述正常运行状态之间的第一重合度。
较佳地，当所述第一历史运行数据包括开门过程的保持时长或关门过程的保持时长，以及机械能平均值时，所述第一历史数据获取模块包括次数获取单元、比值计算单元、判断单元、目标时间段获取单元和历史数据获取单元；
所述次数获取单元用于获取所述电梯门***在历史预设时间段内开门或关门的总次数，以及所述保持时长满足预设时长范围的开门或关门的第一次数；
所述比值计算单元用于计算所述第一次数和所述总次数的比值；
所述判断单元用于判断所述比值是否超过第一设定阈值，若超过，则确定所述预设时间段为历史中间时间段；
所述目标时间段获取单元用于根据每个所述历史中间时间段对应的机械能平均值获取历史目标时间段；
所述历史数据获取单元用于将所述历史目标时间段中每个采样时间点对应的运行数据作为处于正常运行状态时对应的所述第一历史运行数据。
较佳地，所述目标时间段获取单元用于将每个所述历史中间时间段对应的机械能平均值按照大小进行排序，选取所述机械能平均值最小时对应的历史中间时间段作为所述历史目标时间段；
其中，所述机械能平均值的大小与所述电梯门***的运行状态的所述健康程度呈负相关；和/或，
所述历史预设时间段以天为单位。
较佳地，所述健康评估***还包括第一特征矩阵获取模块和第二特征矩阵获取模块；
所述第一特征矩阵获取模块用于根据所述第一历史运行数据获取对应的第一数据矩阵，并对所述第一数据矩阵进行标准化处理，获取第一特征矩阵；
所述第二特征矩阵获取模块用于根据所述当前运行数据获取对应的第二数据矩阵，并对所述第二数据矩阵进行标准化处理，获取第二特征矩阵；
所述模型获取模块用于分别将所述第一特征矩阵和所述第二特征矩阵作为训练参数，输入至所述目标模型进行训练，获取用于表征所述电梯门***的正常运行情况的第一目标模型和用于表征所述电梯门***的当前运行情况的第二目标模型。
较佳地，所述第一高斯混合模型或所述第二高斯混合模型包括：
Figure GDA0002235423040000071
Figure GDA0002235423040000072
其中，g(x)表示所述第一高斯混合模型或所述第二高斯混合模型，h(x；θi)表示单高斯函数，x表示d维所述第一特征矩阵或所述第二特征矩阵，I表示混合模型数量，pi表示预设的第i个单高斯函数的优先向量，满足
Figure GDA0002235423040000081
θi表示第i个单高斯函数的模型参数，所述模型参数包括平均向量μi和协方差矩阵σi。
较佳地，所述第一重合度获取模块采用如下公式计算所述第一重合度：
Figure GDA0002235423040000082
其中，CV表示所述第一重合度，g1(x1)表示所述第一高斯混合模型，g2(x2)表示所述第二高斯混合模型，x1表示所述第一特征矩阵，x2表示所述第二特征矩阵。
较佳地，所述健康评估***用于标签预设模块、第二历史数据获取模块、第三历史数据获取模块、第三特征矩阵获取模块、第四特征矩阵获取模块、第二重合度获取模块、第三重合度获取模块和预警值设定模块；
所述标签预设模块用于分别预设所述历史采样时间段中亚健康状态和故障状态的运行数据对应的第一标签和第二标签；
所述第二历史数据获取模块用于根据所述第一标签获取所述历史采样时间段内对应亚健康状态的第二历史运行数据；
所述第三历史数据获取模块用于根据所述第二标签获取所述历史采样时间段内对应故障状态的第三历史运行数据；
所述第三特征矩阵获取模块用于根据所述第二历史运行数据对应的第三数据矩阵，并对所述第三数据矩阵进行标准化处理，获取第三特征矩阵；
所述第四特征矩阵获取模块用于根据所述第三历史运行数据获取对应的第四数据矩阵，并对所述第四数据矩阵进行标准化处理，获取第四特征矩阵；
所述模型获取模块还用于将所述第三特征矩阵作为训练参数，输入至高斯混合模型进行训练，获取用于表征所述电梯门***在亚健康状态下运行情况的第三高斯混合模型；
所述模型获取模块还用于将所述第四特征矩阵作为训练参数，输入至高斯混合模型进行训练，获取用于表征所述电梯门***在故障状态下运行情况的第四高斯混合模型；
所述第二重合度获取模块用于根据所述第一高斯混合模型和所述第三高斯混合模型计算得到所述亚健康状态与所述正常运行状态之间的第二重合度；
所述第三重合度获取模块用于根据所述第一高斯混合模型和所述第四高斯混合模型计算得到所述故障状态与所述正常运行状态之间的第三重合度；
所述预警值设定模块用于根据多个所述第二重合度中的最大值设定第一预警值；
其中，所述第一预警值用于预警所述电梯门***的开门或者关门功能降低的情况；
所述预警值设定模块还用于根据多个所述第三重合度中的最大值设定第二预警值；
其中，所述第二预警值用于预警所述电梯门***发生开门或者关门故障的情况。
较佳地，所述健康评估***包括滤波处理模块、第一告警信息生成模块和第二告警信息生成模块；
所述滤波处理模块用于采用第一宽度和第二宽度的滑动窗口对所述第一重合度进行均值滤波处理，获取所述当前采样时间段内各个采样时间点对应的第四重合度和第五重合度；
其中，所述第一宽度对应长周期，所述第二宽度对应短周期；
所述第一告警信息生成模块用于当所述第四重合度小于所述第一预警值，且所述第五重合度大于或等于所述第二预警值时，则生成用于表征所述电梯门***的开门或者关门功能降低的第一告警信息；
所述第二告警信息生成模块用于当所述第五重合度小于所述第二预警值时，生成用于表征所述电梯门***发生开门或关门故障的第二告警信息。
较佳地，所述第一历史运行数据、所述第二历史运行数据、所述第三历史运行数据、所述当前运行数据均包括门控信号数据、电流数据、电能数据、功率数据和速度数据中的至少一种。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时实现上述的电梯门***的健康评估方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的电梯门***的健康评估方法的步骤。
本发明的积极进步效果在于：
本发明中，通过基于电梯门***的多维数据建立用于表征正常运行情况的第一高斯混合模型和用于表征当前运行情况的第二高斯混合模型，进而获取当前运行状态与正常运行状态之间的第一重合度，根据该第一重合度评估电梯门***的当前运行情况对应的健康程度，实现实时、全面监测与分析，从而提高了电梯门***的健康状态的评估准确度；且无需标签数据(无需人工干预)，从而降低了人工成本；另外，还提供了电梯门***的健康状态告警机制，能够及时提醒用户或维修人员对电梯门提前进行适当的维护措施，进而避免了电梯门发生故障。
附图说明
图1为本发明实施例1的电梯门***的健康评估方法的流程图。
图2为本发明实施例2的电梯门***的健康评估方法的第一流程图。
图3为本发明实施例2的电梯门***的健康评估方法的第二流程图。
图4为本发明实施例3的电梯门***的健康评估方法的流程图。
图5为本发明实施例4的电梯门***的健康评估***的模块示意图。
图6为本发明实施例5的电梯门***的健康评估***的第一模块示意图。
图7为本发明实施例5的电梯门***的健康评估***的第二模块示意图。
图8为本发明实施例6的电梯门***的健康评估***的模块示意图。
图9为本发明实施例7的实现电梯门***的健康评估方法的电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
实施例1
如图1所示，本实施例的电梯门***的健康评估方法包括：
S101、获取电梯门***在历史采样时间段内处于正常运行状态时对应的第一历史运行数据；
S102、获取电梯门***在当前运行状态下的当前采样时间段内的当前运行数据；
其中，第一历史运行数据、当前运行数据均包括但不限于门控信号数据、电流数据、电能数据、功率数据和速度数据，即综合监测电梯门***的多个维度的电梯运行数据，更加全面评估电梯门***的运行状态；且能够保证模型训练时不容易产生过拟合现象。
S103、分别将第一历史运行数据和当前运行数据作为训练参数，输入至目标模型进行训练，获取用于表征电梯门***的正常运行情况的第一目标模型和用于表征电梯门***的当前运行情况的第二目标模型；
S104、根据第一目标模型和第二目标模型获取当前运行状态与正常运行状态之间的第一重合度；
S105、根据第一重合度确定电梯门***的当前运行情况对应的健康程度；
其中，第一重合度与健康程度呈正相关。
本实施例中的评估过程无需人工干预，即自动化程度较高，进而降低了人工成本。
本实施例中，通过基于电梯门***的多维数据建立用于表征正常运行情况的第一高斯混合模型和用于表征当前运行情况的第二高斯混合模型，进而获取当前运行状态与正常运行状态之间的第一重合度，根据该第一重合度评估电梯门***的当前运行情况对应的健康程度，在实现实时对电梯门***的健康状态的评估的同时，实现更加全面监测与分析，提高了电梯门***的健康状态的评估准确度。
实施例2
本实施例的电梯门***的健康评估方法是对实施例1的进一步改进，具体地：
如图2所示，当第一历史运行数据包括开门过程的保持时长或关门过程的保持时长，以及机械能平均值时，步骤S101具体包括：
S10101、获取电梯门***在历史预设时间段内开门或关门的总次数，以及保持时长满足预设时长范围的开门或关门的第一次数；
其中，历史预设时间段以天为单位。
S10102、计算第一次数和总次数的比值；
S10103、判断比值是否超过第一设定阈值，若超过，则确定预设时间段为历史中间时间段；
S10104、根据每个历史中间时间段对应的机械能平均值获取历史目标时间段；
具体地，将每个所述历史中间时间段对应的机械能平均值按照大小进行排序，选取机械能平均值最小时对应的历史中间时间段作为历史目标时间段。
其中，机械能平均值的大小与电梯门***的运行状态的健康程度呈负相关；
S10105、将历史目标时间段中每个采样时间点对应的运行数据作为处于正常运行状态时对应的第一历史运行数据，即基于原始的无标签历史运行数据自动寻找定位出历史采样时间段内的正常状态数据。
如图3所示，步骤S102之后、步骤S103之前还包括：
S1021、根据第一历史运行数据获取对应的第一数据矩阵；
对第一数据矩阵进行标准化处理，获取第一特征矩阵；
S1022、根据当前运行数据获取对应的第二数据矩阵；
对第二数据矩阵进行标准化处理，获取第二特征矩阵；
其中，结合专家经验和特征提取算法，对各个采样时间段内每个采样时间点对应的所有运行数据进行特征提取和特征转换处理，保留设定数量的特征参数，如以下15个特征参数：Q轴电流累计电能、D轴电流累计电能、速度误差之和、(速度误差平方与速度误差计数值的比值、速度误差正最大值、速度误差负最大值、速度误差正最大值出现的位置、速度误差负最大值出现的位置、当前状态起始位置、当前结束起始位置、Iq正值之和、Iq负值之和、Id正值之和、Id负值之和、机械能平均值等。
获取历史采样时间段内电梯门***的运行状态最正常的一天，并获取这一天中每个采样时间点对应的运行数据(15个特征参数)形成第一数据矩阵X1；获取当前采样时间段内每个采样时间点对应的运行数据(15个特征参数)当前运行数据形成第二数据矩阵X2；
对第一数据矩阵X1和第二数据矩阵X2进行标准化处理，分别得到各自对应的第一特征矩阵和第二特征矩阵，具体采用如下公式进行标准化处理：
x＝(X-μ)/σ
其中，x表示第一特征矩阵或第二特征矩阵，X表示第一数据矩阵或第二数据矩阵，μ表示平均向量，σ表示协方差矩阵。
步骤S103包括：
S1031、分别将第一特征矩阵和第二特征矩阵作为训练参数，输入至目标模型进行训练，获取用于表征电梯门***的正常运行情况的第一目标模型和用于表征电梯门***的当前运行情况的第二目标模型。
当目标模型包括高斯混合模型时，第一目标模型为第一高斯混合模型，第二目标模型为第二高斯混合模型。其中，目标模型还可以包括其他任何能够实现用于表征电梯门***的运行情况的模型。
步骤S104包括：
S1041、根据第一高斯混合模型和第二高斯混合模型计算得到当前运行状态与正常运行状态之间的第一重合度。
具体地：第一高斯混合模型或第二高斯混合模型包括：
Figure GDA0002235423040000141
Figure GDA0002235423040000142
其中，g(x)表示第一高斯混合模型或第二高斯混合模型，h(x；θi)表示单高斯函数，x表示d维第一特征矩阵或第二特征矩阵，I表示混合模型数量，pi表示预设的第i个单高斯函数的优先向量，满足
Figure GDA0002235423040000143
θi表示第i个单高斯函数的模型参数，模型参数包括平均向量μi和协方差矩阵σi。
具体地，采用EM(期望最大化)算法对参数θi进行估计，具体求解过程如下：
(1)随机初始化模型参数θ；
(2)使用贝叶斯定理，使用数据特征向量xn和当前模型参数θ计算模型i的后验概率，具体公式如下：
Figure GDA0002235423040000144
(3)模型系数的极大似然重估
Figure GDA0002235423040000145
Figure GDA0002235423040000146
Figure GDA0002235423040000147
通过在迭代过程中重复步骤(2)和步骤(3)，计算收敛到一个稳定解，该稳定解对应极大似然解，进而得到收敛的均值，协方差矩阵以及前置向量。
另外，高斯混合模型中混合模型数量I的选取使用BIC(贝叶斯信息)准则算法来确定，具体公式如下：
Figure GDA0002235423040000151
其中，Hj表示第j个候选模型，D表示训练特征，
Figure GDA0002235423040000152
表示第j个候选模型的最大对数似然函数，k表示被估计参数的数字，n表示特征的大小，最终建立有最小贝叶斯信息准则分数的最佳高斯混合模型(即第一高斯混合模型)g1(x)，该高斯混合模型为最准确表征电梯门正常运行情况的模型。
步骤S1041中采用如下公式计算第一重合度：
Figure GDA0002235423040000153
其中，CV表示第一重合度，g1(x1)表示第一高斯混合模型，g2(x2)表示第二高斯混合模型，x1表示第一特征矩阵，x2表示第二特征矩阵。
CV取值范围为0-1，该CV值越高，则表示电梯门***的当前运行情况越接近正常状态；反之，该CV值越低，则表示电梯门***的当前运行情况越远离正常状态，可能发生某些退化，需要实时适当的维护措施。
本实施例中，通过建立用于表征正常运行情况的第一高斯混合模型和用于表征当前运行情况的第二高斯混合模型，进而获取当前运行状态与正常运行状态之间的第一重合度，根据该第一重合度评估电梯门***的当前运行情况对应的健康程度，结合多维数据，实现更加全面监测与分析，从而提高电梯门***的健康状态的评估准确度；且无需标签数据(无需人工干预)，从而降低了人工成本。
实施例3
如图4所示，本实施例的电梯门***的健康评估方法是对实施例2的进一步改进，具体地：
步骤S105之后还包括：
S106、分别预设历史采样时间段中亚健康状态和故障状态的运行数据对应的第一标签和第二标签；
其中，预设标签的过程为将亚健康状态、故障状态与对应的运行数据之间设置对应关系的过程。
亚健康状态包括但不限于滑块磨损、导轨存在异物导致摩擦力增大的情况。
故障状态包括但不限于开关门不到位、轿门未带动厅门、导轨摩擦剧烈导致开关门速度异常的情况。
S107、根据第一标签获取历史采样时间段内对应亚健康状态的第二历史运行数据；
S108、根据第二标签获取历史采样时间段内对应故障状态的第三历史运行数据；
其中，第二历史运行数据、第三历史运行数据均包括但不限于门控信号数据、电流数据、电能数据、功率数据和速度数据。
S109、根据第二历史运行数据对应的第三数据矩阵；
对第三数据矩阵进行标准化处理，获取第三特征矩阵；
S1010、根据第三历史运行数据获取对应的第四数据矩阵；
对第四数据矩阵进行标准化处理，获取第四特征矩阵；
S1011、将第三特征矩阵作为训练参数，输入至高斯混合模型进行训练，获取用于表征电梯门***在亚健康状态下运行情况的第三高斯混合模型；
S1012、将第四特征矩阵作为训练参数，输入至高斯混合模型进行训练，获取用于表征电梯门***在故障状态下运行情况的第四高斯混合模型；
S1013、根据第一高斯混合模型和第三高斯混合模型计算得到亚健康状态与正常运行状态之间的第二重合度；
S1014、根据第一高斯混合模型和第四高斯混合模型计算得到故障状态与正常运行状态之间的第三重合度；
S1015、根据多个第二重合度中的最大值设定第一预警值；
其中，第一预警值用于预警电梯门***的开门或者关门功能降低的情况；
S1016、根据多个第三重合度中的最大值设定第二预警值；
其中，第二预警值用于预警电梯门***发生开门或者关门故障的情况。
具体地，亚健康状态下各个采样时间点对应的第三高斯混合模型：
gu1(xu1)、gu2(xu2)···
根据每个第三高斯混合模型与第一高斯混合模型分别计算得到亚健康状态与正常运行状态之间的多个第二重合度：
CVu1,CVu2····
故障状态下各个采样时间点对应的第四高斯混合模型：
gd1(xd1)、gd2(xd2)···
根据每个第四高斯混合模型与第一高斯混合模型分别计算得到故障状态与正常运行状态之间的多个第三重合度：
CVd1,CVd2···
CVT1＝max(CVd1,CVd2······)
CVT2＝max(CVu1,CVu2······)
根据CVT1确定第一预警值，根据CVT2确定第二预警值。
S1017、采用第一宽度和第二宽度的滑动窗口对第一重合度进行均值滤波处理，获取当前采样时间段内各个采样时间点对应的第四重合度和第五重合度；
其中，第一宽度对应长周期(如n取值500)，第二宽度对应短周期(如n取值5)。
S1018、当第四重合度小于第一预警值，且第五重合度大于或等于第二预警值时，则生成用于表征电梯门***的开门或者关门功能降低的第一告警信息；
当第五重合度小于第二预警值时，生成用于表征电梯门***发生开门或关门故障的第二告警信息。
通过第四重合度分析得到亚健康状态下电梯门***发生开门或关门故障的情况；通过第五重合度分析得到故障状态下发生电梯门***的开门或者关门功能降低的情况，从而进行及时告警，以便于人员及时进行故障排查与处理。
下面结合具体实例说明：
1)获取电梯门***在过去半年内每天对应的运行数据，对运行数据进行特征提取和特征转换，保留15个特征参数；
2)获取电梯门***每天开门总次数，以及开门过程的保持时长等于预设时长(如377)的开门次数；
3)计算开门次数与总次数的比值，选取比值大于95％的每一天对应的日期，然后对这些天对应的各个机械能平均值进行排序，选取机械能平均值最小的一天作为机械能平均值在过去半年内运行最正常的一天，假设为2019-03-12，获取2019-03-12这一天每个采样时间点对应的时间序列(即第一数据矩阵)X1；
4)获取当前运行状态下的当前采样时间段内的每个采样时间点对应的第二数据矩阵X2；
5)对第一数据矩阵X1和第二数据矩阵X2进行标准化处理，分别得到各自对应的第一特征矩阵x1和第二特征矩阵x2；
6)分别将第一特征矩阵x1和第二特征矩阵x2作为训练参数，输入至高斯混合模型进行训练，获取用于表征电梯门***的正常运行情况的第一高斯混合模型g1(x1)和用于表征电梯门***的当前运行情况的第二高斯混合模型g2(x2)。
7)根据第一高斯混合模型g1(x1)和第二高斯混合模型g2(x2)计算得到当前运行状态与正常运行状态之间的第一重合度CV，例如获取当前某一采样时间点对应的第一重合度CV＝0.5932。
获取电梯门***在亚健康状态下运行情况的第三高斯混合模型及其对应的多个第二重合度：
gu1(xu1)、gu2(xu2)···；CVu1,CVu2····
获取电梯门***在故障状态下运行情况的第四高斯混合模型：
gd1(xd1)、gd2(xd2)···；CVd1,CVd2···
CVT1＝max(CVd1,CVd2······)＝0.2541；
CVT2＝max(CVu1,CVu2······)＝0.7806；
根据CVT1确定第一预警值为0.3，根据CVT2确定第二预警值为0.8。
8)对当前采样时间段中的每个采样时间点对应的第一重合度CV采用不同宽度(n＝5和n＝500)均值滤波进行滤波处理获取对应的第四重合度CVS和CVL；
9)当CVL小于0.8且CVS大于或等于0.3时，则生成用于表征电梯门***的开门或者关门功能降低的第一告警信息；当CVS小于0.3时，则生成用于表征电梯门***发生开门或关门故障的第二告警信息。
另外，电梯门***的关门过程的健康状态的评估过程类似于上述开门过程的健康状态的评估过程，因此此处就不再赘述。
本实施例中，通过建立用于表征正常运行情况的第一高斯混合模型和用于表征当前运行情况的第二高斯混合模型，进而获取当前运行状态与正常运行状态之间的第一重合度，根据该第一重合度评估电梯门***的当前运行情况对应的健康程度，结合多维数据，实现更加全面监测与分析，从而提高电梯门***的健康状态的评估准确度；且无需标签数据(无需人工干预)，从而降低了人工成本；另外，提供了电梯门***的健康状态告警机制，能够及时提醒用户或维修人员对电梯门提前进行适当的维护措施，进而避免了电梯门发生故障。
实施例4
如图5所示，本实施例的电梯门***的健康评估***包括第一历史数据获取模块1、当前数据获取模块2、模型获取模块3、第一重合度获取模块4和健康程度确定模块5。
第一历史数据获取模块1用于获取电梯门***在历史采样时间段内处于正常运行状态时对应的第一历史运行数据；
当前数据获取模块2用于获取电梯门***在当前运行状态下的当前采样时间段内的当前运行数据；
其中，第一历史运行数据、当前运行数据均包括但不限于门控信号数据、电流数据、电能数据、功率数据和速度数据，即综合监测电梯门***的多个维度的电梯运行数据，更加全面评估电梯门***的运行状态；且能够保证模型训练时不容易产生过拟合现象。
模型获取模块3用于分别将第一历史运行数据和当前运行数据作为训练参数，输入至目标模型进行训练，获取用于表征电梯门***的正常运行情况的第一目标模型和用于表征电梯门***的当前运行情况的第二目标模型；
第一重合度获取模块4用于根据第一目标模型和第二目标模型获取当前运行状态与正常运行状态之间的第一重合度；
健康程度确定模块5用于根据第一重合度确定电梯门***的当前运行情况对应的健康程度；
其中，第一重合度与健康程度呈正相关。
本实施例中的评估过程无需人工干预，即自动化程度较高，进而降低了人工成本。
本实施例中，通过建立用于表征正常运行情况的第一高斯混合模型和用于表征当前运行情况的第二高斯混合模型，进而获取当前运行状态与正常运行状态之间的第一重合度，根据该第一重合度评估电梯门***的当前运行情况对应的健康程度，在实现实时对电梯门***的健康状态的评估的同时，结合多维数据，实现更加全面监测与分析，提高了电梯门***的健康状态的评估准确度。
实施例5
本实施例的电梯门***的健康评估***是对实施例4的进一步改进，具体地：
如图6所示，当第一历史运行数据包括开门过程的保持时长或关门过程的保持时长，以及机械能平均值时，第一历史数据获取模块1包括次数获取单元6、比值计算单元7、判断单元8、目标时间段获取单元9和历史数据获取单元10。
次数获取单元6用于获取电梯门***在历史预设时间段内开门或关门的总次数，以及保持时长满足预设时长范围的开门或关门的第一次数；
其中，历史预设时间段以天为单位。
比值计算单元7用于计算第一次数和总次数的比值；
判断单元8用于判断比值是否超过第一设定阈值，若超过，则确定预设时间段为历史中间时间段；
目标时间段获取单元9用于根据每个历史中间时间段对应的机械能平均值获取历史目标时间段；
具体地，目标时间段获取单元用于将每个所述历史中间时间段对应的机械能平均值按照大小进行排序，选取机械能平均值最小时对应的历史中间时间段作为历史目标时间段；
其中，机械能平均值的大小与电梯门***的运行状态的健康程度呈负相关。
历史数据获取单元10用于将历史目标时间段中每个采样时间点对应的运行数据作为处于正常运行状态时对应的第一历史运行数据，即基于原始的无标签历史运行数据自动寻找定位出历史采样时间段内的正常状态数据。
如图7所示，本实施例的健康评估***还包括第一特征矩阵获取模块11和第二特征矩阵获取模块12。
第一特征矩阵获取模块11用于根据第一历史运行数据获取对应的第一数据矩阵，并对第一数据矩阵进行标准化处理，获取第一特征矩阵；
第二特征矩阵获取模块12用于根据当前运行数据获取对应的第二数据矩阵，并对第二数据矩阵进行标准化处理，获取第二特征矩阵；
其中，结合专家经验和特征提取算法，对各个采样时间段内每个采样时间点对应的所有运行数据进行特征提取和特征转换处理，保留设定数量的特征参数，如以下15个特征参数：Q轴电流累计电能、D轴电流累计电能、速度误差之和、(速度误差平方与速度误差计数值的比值、速度误差正最大值、速度误差负最大值、速度误差正最大值出现的位置、速度误差负最大值出现的位置、当前状态起始位置、当前结束起始位置、Iq正值之和、Iq负值之和、Id正值之和、Id负值之和、机械能平均值等。
获取历史采样时间段内电梯门***的运行状态最正常的一天，并获取这一天中每个采样时间点对应的运行数据(15个特征参数)形成第一数据矩阵X1；获取当前采样时间段内每个采样时间点对应的运行数据(15个特征参数)当前运行数据形成第二数据矩阵X2；
对第一数据矩阵X1和第二数据矩阵X2进行标准化处理，分别得到各自对应的第一特征矩阵和第二特征矩阵，具体采用如下公式进行标准化处理：
x＝(X-μ)/σ
其中，x表示第一特征矩阵或第二特征矩阵，X表示第一数据矩阵或第二数据矩阵，μ表示平均向量，σ表示协方差矩阵。
模型获取模块3用于分别将第一特征矩阵和第二特征矩阵作为训练参数，输入至目标模型进行训练，获取用于表征电梯门***的正常运行情况的第一目标模型和用于表征电梯门***的当前运行情况的第二目标模型。
当目标模型包括高斯混合模型时，第一目标模型为第一高斯混合模型，第二目标模型为第二高斯混合模型；其中，目标模型还可以包括其他任何能够实现用于表征电梯门***的运行情况的模型。
第一重合度获取模块4用于根据第一高斯混合模型和第二高斯混合模型计算得到当前运行状态与正常运行状态之间的第一重合度。
具体地，第一高斯混合模型或第二高斯混合模型包括：
Figure GDA0002235423040000231
Figure GDA0002235423040000232
其中，g(x)表示第一高斯混合模型或第二高斯混合模型，h(x；θi)表示单高斯函数，x表示d维第一特征矩阵或第二特征矩阵，I表示混合模型数量，pi表示预设的第i个单高斯函数的优先向量，满足
Figure GDA0002235423040000233
θi表示第i个单高斯函数的模型参数，模型参数包括平均向量μi和协方差矩阵σi。
具体地，采用EM(期望最大化)算法对参数θi进行估计，具体求解过程如下：
(1)随机初始化模型参数θ；
(2)使用贝叶斯定理，使用数据特征向量xn和当前模型参数θ计算模型i的后验概率，具体公式如下：
Figure GDA0002235423040000234
(3)模型系数的极大似然重估
Figure GDA0002235423040000235
Figure GDA0002235423040000236
Figure GDA0002235423040000237
通过在迭代过程中重复步骤(2)和步骤(3)，计算收敛到一个稳定解，该稳定解对应极大似然解，进而得到收敛的均值，协方差矩阵以及前置向量。
另外，高斯混合模型中混合模型数量I的选取使用BIC(贝叶斯信息)准则算法来确定，具体公式如下：
Figure GDA0002235423040000238
其中，Hj表示第j个候选模型，D表示训练特征；
Figure GDA0002235423040000241
表示第j个候选模型的最大对数似然函数，k表示被估计参数的数字，n表示特征的大小，最终建立有最小贝叶斯信息准则分数的最佳高斯混合模型(即第一高斯混合模型)g1(x)，该高斯混合模型为最准确表征电梯门正常运行情况的模型。
第一重合度获取模块4采用如下公式计算第一重合度：
Figure GDA0002235423040000242
其中，CV表示第一重合度，g1(x1)表示第一高斯混合模型，g2(x2)表示第二高斯混合模型，x1表示第一特征矩阵，x2表示第二特征矩阵。
CV取值范围为0-1，该CV值越高，则表示电梯门***的当前运行情况越接近正常状态；反之，该CV值越低，则表示电梯门***的当前运行情况越远离正常状态，可能发生某些退化，需要实时适当的维护措施。
本实施例中，通过建立用于表征正常运行情况的第一高斯混合模型和用于表征当前运行情况的第二高斯混合模型，进而获取当前运行状态与正常运行状态之间的第一重合度，根据该第一重合度评估电梯门***的当前运行情况对应的健康程度，结合多维数据，实现更加全面监测与分析，从而提高电梯门***的健康状态的评估准确度；且无需标签数据(无需人工干预)，从而降低了人工成本。
实施例6
如图8所示，本实施例的电梯门***的健康评估***是对实施例5的进一步改进，具体地：
本实施例的健康评估***用于标签预设模块13、第二历史数据获取模块14、第三历史数据获取模块15、第三特征矩阵获取模块16、第四特征矩阵获取模块17、第二重合度获取模块18、第三重合度获取模块19、预警值设定模块20、滤波处理模块21、第一告警信息生成模块22和第二告警信息生成模块23。
标签预设模块13用于分别预设历史采样时间段中亚健康状态和故障状态的运行数据对应的第一标签和第二标签；其中，预设标签的过程为将亚健康状态、故障状态与对应的运行数据之间设置对应关系的过程。
亚健康状态包括但不限于滑块磨损、导轨存在异物导致摩擦力增大的情况。
故障状态包括但不限于开关门不到位、轿门未带动厅门、导轨摩擦剧烈导致开关门速度异常的情况。
第二历史数据获取模块14用于根据第一标签获取历史采样时间段内对应亚健康状态的第二历史运行数据；
第三历史数据获取模块15用于根据第二标签获取历史采样时间段内对应故障状态的第三历史运行数据；
其中，第二历史运行数据、第三历史运行数据均包括但不限于门控信号数据、电流数据、电能数据、功率数据和速度数据。
第三特征矩阵获取模块16用于根据第二历史运行数据对应的第三数据矩阵，并对第三数据矩阵进行标准化处理，获取第三特征矩阵；
第四特征矩阵获取模块17用于根据第三历史运行数据获取对应的第四数据矩阵，并对第四数据矩阵进行标准化处理，获取第四特征矩阵；
模型获取模块3还用于将第三特征矩阵作为训练参数，输入至高斯混合模型进行训练，获取用于表征电梯门***在亚健康状态下运行情况的第三高斯混合模型；
模型获取模块3还用于将第四特征矩阵作为训练参数，输入至高斯混合模型进行训练，获取用于表征电梯门***在故障状态下运行情况的第四高斯混合模型；
第二重合度获取模块18用于根据第一高斯混合模型和第三高斯混合模型计算得到亚健康状态与正常运行状态之间的第二重合度；
第三重合度获取模块19用于根据第一高斯混合模型和第四高斯混合模型计算得到故障状态与正常运行状态之间的第三重合度；
预警值设定模块20用于根据多个第二重合度中的最大值设定第一预警值；
其中，第一预警值用于预警电梯门***的开门或者关门功能降低的情况；
预警值设定模块还用于根据多个第三重合度中的最大值设定第二预警值；
其中，第二预警值用于预警电梯门***发生开门或者关门故障的情况。
具体地，亚健康状态下各个采样时间点对应的第三高斯混合模型：
gu1(xu1)、gu2(xu2)···
根据每个第三高斯混合模型与第一高斯混合模型分别计算得到亚健康状态与正常运行状态之间的多个第二重合度：
CVu1,CVu2····
故障状态下各个采样时间点对应的第四高斯混合模型：
gd1(xd1)、gd2(xd2)···
根据每个第四高斯混合模型与第一高斯混合模型分别计算得到故障状态与正常运行状态之间的多个第三重合度：
CVd1,CVd2···
CVT1＝max(CVd1,CVd2······)
CVT2＝max(CVu1,CVu2······)
根据CVT1确定第一预警值，根据CVT2确定第二预警值。
滤波处理模块21用于采用第一宽度和第二宽度的滑动窗口对第一重合度进行均值滤波处理，获取当前采样时间段内各个采样时间点对应的第四重合度和第五重合度；
其中，第一宽度对应长周期，第二宽度对应短周期；
第一告警信息生成模块22用于当第四重合度小于第一预警值，且第五重合度大于或等于第二预警值时，则生成用于表征电梯门***的开门或者关门功能降低的第一告警信息；
第二告警信息生成模块23用于当第五重合度小于第二预警值时，生成用于表征电梯门***发生开门或关门故障的第二告警信息。
通过第四重合度分析得到亚健康状态下电梯门***发生开门或关门故障的情况；通过第五重合度分析得到故障状态下发生电梯门***的开门或者关门功能降低的情况，从而进行及时告警，以便于人员及时进行故障排查与处理。
下面结合具体实例说明：
1)获取电梯门***在过去半年内每天对应的运行数据，对运行数据进行特征提取和特征转换，保留15个特征参数；
2)获取电梯门***每天开门总次数，以及开门过程的保持时长等于预设时长(如377)的开门次数；
3)计算开门次数与总次数的比值，选取比值大于95％的每一天对应的日期，然后对这些天对应的各个机械能平均值进行排序，选取机械能平均值最小的一天作为机械能平均值在过去半年内运行最正常的一天，假设为2019-03-12，获取2019-03-12这一天每个采样时间点对应的时间序列(即第一数据矩阵)X1；
4)获取当前运行状态下的当前采样时间段内的每个采样时间点对应的第二数据矩阵X2；
5)对第一数据矩阵X1和第二数据矩阵X2进行标准化处理，分别得到各自对应的第一特征矩阵x1和第二特征矩阵x2；
6)分别将第一特征矩阵x1和第二特征矩阵x2作为训练参数，输入至高斯混合模型进行训练，获取用于表征电梯门***的正常运行情况的第一高斯混合模型g1(x1)和用于表征电梯门***的当前运行情况的第二高斯混合模型g2(x2)。
7)根据第一高斯混合模型g1(x1)和第二高斯混合模型g2(x2)计算得到当前运行状态与正常运行状态之间的第一重合度CV，例如获取当前某一采样时间点对应的第一重合度CV＝0.5932。
获取电梯门***在亚健康状态下运行情况的第三高斯混合模型及其对应的多个第二重合度：
gu1(xu1)、gu2(xu2)···；CVu1,CVu2····
获取电梯门***在故障状态下运行情况的第四高斯混合模型：
gd1(xd1)、gd2(xd2)···；CVd1,CVd2···
CVT1＝max(CVd1,CVd2······)＝0.2541；
CVT2＝max(CVu1,CVu2······)＝0.7806；
根据CVT1确定第一预警值为0.3，根据CVT2确定第二预警值为0.8。
8)对当前采样时间段中的每个采样时间点对应的第一重合度CV采用不同宽度(n＝5和n＝500)均值滤波进行滤波处理获取对应的第四重合度CVS和CVL；
9)当CVL小于0.8且CVS大于或等于0.3时，则生成用于表征电梯门***的开门或者关门功能降低的第一告警信息；当CVS小于0.3时，则生成用于表征电梯门***发生开门或关门故障的第二告警信息。
另外，电梯门***的关门过程的健康状态的评估过程类似于上述开门过程的健康状态的评估过程，因此此处就不再赘述。
本实施例中，通过建立用于表征正常运行情况的第一高斯混合模型和用于表征当前运行情况的第二高斯混合模型，进而获取当前运行状态与正常运行状态之间的第一重合度，根据该第一重合度评估电梯门***的当前运行情况对应的健康程度，结合多维数据，实现更加全面监测与分析，从而提高电梯门***的健康状态的评估准确度；且无需标签数据(无需人工干预)，从而降低了人工成本；另外，提供了电梯门***的健康状态告警机制，能够及时提醒用户或维修人员对电梯门提前进行适当的维护措施，进而避免了电梯门发生故障。
实施例7
图9为本发明实施例7提供的一种电子设备的结构示意图。电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现实施例1至3中任意一实施例中的电梯门***的健康评估方法。图9显示的电子设备30仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示，电子设备30可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备30的组件可以包括但不限于：上述至少一个处理器31、上述至少一个存储器32、连接不同***组件(包括存储器32和处理器31)的总线33。
总线33包括数据总线、地址总线和控制总线。
存储器32可以包括易失性存储器，例如随机存取存储器(RAM)321和/或高速缓存存储器322，还可以进一步包括只读存储器(ROM)323。
存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325，这样的程序模块324包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器31通过运行存储在存储器32中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1至3中任意一实施例中的电梯门***的健康评估方法。
电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口35进行。并且，模型生成的设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图9所示，网络适配器36通过总线33与模型生成的设备30的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的设备30使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)***、磁带驱动器以及数据备份存储***等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例8
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时实现实施例1至3中任意一实施例中的电梯门***的健康评估方法中的步骤。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行实现实施例1至3中任意一实施例中的电梯门***的健康评估方法中的步骤。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，程序代码可以完全地在观众设备上执行、部分地在观众设备上执行、作为一个独立的软件包执行、部分在观众设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (18)

1.一种电梯门***的健康评估方法，其特征在于，所述健康评估方法包括：
S1.获取电梯门***在历史采样时间段内处于正常运行状态时对应的第一历史运行数据；
S2.获取所述电梯门***在当前运行状态下的当前采样时间段内的当前运行数据；
S3.分别将所述第一历史运行数据和所述当前运行数据作为训练参数，输入至目标模型进行训练，获取用于表征所述电梯门***的正常运行情况的第一目标模型和用于表征所述电梯门***的当前运行情况的第二目标模型；
S4.根据所述第一目标模型和所述第二目标模型获取所述当前运行状态与所述正常运行状态之间的第一重合度；
S5.根据所述第一重合度确定所述电梯门***的当前运行情况对应的健康程度；
其中，所述第一重合度与所述健康程度呈正相关；
当所述目标模型包括高斯混合模型时，所述第一目标模型为第一高斯混合模型，所述第二目标模型为第二高斯混合模型；
步骤S4包括：
S41.根据所述第一高斯混合模型和所述第二高斯混合模型计算得到所述当前运行状态与所述正常运行状态之间的第一重合度；
当所述第一历史运行数据包括开门过程的保持时长或关门过程的保持时长，以及机械能平均值时，步骤S1具体包括：
S11.获取所述电梯门***在历史预设时间段内开门或关门的总次数，以及所述保持时长满足预设时长范围的开门或关门的第一次数；
S12.计算所述第一次数和所述总次数的比值；
S13.判断所述比值是否超过设定阈值，若超过，则确定所述预设时间段为历史中间时间段；
S14.根据每个所述历史中间时间段对应的机械能平均值获取历史目标时间段；
S15.将所述历史目标时间段中每个采样时间点对应的运行数据作为处于正常运行状态时对应的所述第一历史运行数据。
2.如权利要求1所述的电梯门***的健康评估方法，其特征在于，步骤S14包括：
将每个所述历史中间时间段对应的机械能平均值按照大小进行排序，选取所述机械能平均值最小时对应的历史中间时间段作为所述历史目标时间段；
其中，所述机械能平均值的大小与所述电梯门***的运行状态的所述健康程度呈负相关；和/或，
所述历史预设时间段以天为单位。
3.如权利要求1所述的电梯门***的健康评估方法，其特征在于，步骤S15之后、步骤S3之前还包括：
根据所述第一历史运行数据获取对应的第一数据矩阵；
对所述第一数据矩阵进行标准化处理，获取第一特征矩阵；
根据所述当前运行数据获取对应的第二数据矩阵；
对所述第二数据矩阵进行标准化处理，获取第二特征矩阵；
步骤S3还包括：
分别将所述第一特征矩阵和所述第二特征矩阵作为训练参数，输入至所述目标模型进行训练，获取用于表征所述电梯门***的正常运行情况的第一目标模型和用于表征所述电梯门***的当前运行情况的第二目标模型。
4.如权利要求3所述的电梯门***的健康评估方法，其特征在于，所述第一高斯混合模型或所述第二高斯混合模型包括：
Figure FDA0002551917900000021
Figure FDA0002551917900000022
其中，g(x)表示所述第一高斯混合模型或所述第二高斯混合模型，h(x；θi)表示单高斯函数，x表示d维所述第一特征矩阵或所述第二特征矩阵，I表示混合模型数量，pi表示预设的第i个单高斯函数的优先向量，满足
Figure FDA0002551917900000031
θi表示第i个单高斯函数的模型参数，所述模型参数包括平均向量μi和协方差矩阵σi。
5.如权利要求4所述的电梯门***的健康评估方法，其特征在于，步骤S41中采用如下公式计算所述第一重合度：
Figure FDA0002551917900000032
其中，CV表示所述第一重合度，g1(x1)表示所述第一高斯混合模型，g2(x2)表示所述第二高斯混合模型，x1表示所述第一特征矩阵，x2表示所述第二特征矩阵。
6.如权利要求1所述的电梯门***的健康评估方法，其特征在于，所述健康评估方法还包括：
分别预设所述历史采样时间段中亚健康状态和故障状态的运行数据对应的第一标签和第二标签；
步骤S5之后还包括：
根据所述第一标签获取所述历史采样时间段内对应亚健康状态的第二历史运行数据；
根据所述第二标签获取所述历史采样时间段内对应故障状态的第三历史运行数据；
根据所述第二历史运行数据对应的第三数据矩阵；
对所述第三数据矩阵进行标准化处理，获取第三特征矩阵；
根据所述第三历史运行数据获取对应的第四数据矩阵；
对所述第四数据矩阵进行标准化处理，获取第四特征矩阵；
将所述第三特征矩阵作为训练参数，输入至高斯混合模型进行训练，获取用于表征所述电梯门***在亚健康状态下运行情况的第三高斯混合模型；
将所述第四特征矩阵作为训练参数，输入至高斯混合模型进行训练，获取用于表征所述电梯门***在故障状态下运行情况的第四高斯混合模型；
根据所述第一高斯混合模型和所述第三高斯混合模型计算得到所述亚健康状态与所述正常运行状态之间的第二重合度；
根据所述第一高斯混合模型和所述第四高斯混合模型计算得到所述故障状态与所述正常运行状态之间的第三重合度；
根据多个所述第二重合度中的最大值设定第一预警值；
其中，所述第一预警值用于预警所述电梯门***的开门或者关门功能降低的情况；
根据多个所述第三重合度中的最大值设定第二预警值；
其中，所述第二预警值用于预警所述电梯门***发生开门或者关门故障的情况。
7.如权利要求6所述的电梯门***的健康评估方法，其特征在于，所述健康评估方法还包括：
采用第一宽度和第二宽度的滑动窗口对所述第一重合度进行均值滤波处理，获取所述当前采样时间段内各个采样时间点对应的第四重合度和第五重合度；
其中，所述第一宽度对应长周期，所述第二宽度对应短周期；
当所述第四重合度小于所述第一预警值，且所述第五重合度大于或等于所述第二预警值时，则生成用于表征所述电梯门***的开门或者关门功能降低的第一告警信息；
当所述第五重合度小于所述第二预警值时，生成用于表征所述电梯门***发生开门或关门故障的第二告警信息。
8.如权利要求6所述的电梯门***的健康评估方法，其特征在于，所述第一历史运行数据、所述第二历史运行数据、所述第三历史运行数据、所述当前运行数据均包括门控信号数据、电流数据、电能数据、功率数据和速度数据中的至少一种。
9.一种电梯门***的健康评估***，其特征在于，所述健康评估***包括第一历史数据获取模块、当前数据获取模块、模型获取模块、第一重合度获取模块和健康程度确定模块；
所述第一历史数据获取模块用于获取电梯门***在历史采样时间段内处于正常运行状态时对应的第一历史运行数据；
所述当前数据获取模块用于获取所述电梯门***在当前运行状态下的当前采样时间段内的当前运行数据；
所述模型获取模块用于分别将所述第一历史运行数据和所述当前运行数据作为训练参数，输入至目标模型进行训练，获取用于表征所述电梯门***的正常运行情况的第一目标模型和用于表征所述电梯门***的当前运行情况的第二目标模型；
所述第一重合度获取模块用于根据所述第一目标模型和所述第二目标模型获取所述当前运行状态与所述正常运行状态之间的第一重合度；
所述健康程度确定模块用于根据所述第一重合度确定所述电梯门***的当前运行情况对应的健康程度；
其中，所述第一重合度与所述健康程度呈正相关；
当所述目标模型包括高斯混合模型时，所述第一目标模型为第一高斯混合模型，所述第二目标模型为第二高斯混合模型；
所述第一重合度获取模块用于根据所述第一高斯混合模型和所述第二高斯混合模型计算得到所述当前运行状态与所述正常运行状态之间的第一重合度；
当所述第一历史运行数据包括开门过程的保持时长或关门过程的保持时长，以及机械能平均值时，所述第一历史数据获取模块包括次数获取单元、比值计算单元、判断单元、目标时间段获取单元和历史数据获取单元；
所述次数获取单元用于获取所述电梯门***在历史预设时间段内开门或关门的总次数，以及所述保持时长满足预设时长范围的开门或关门的第一次数；
所述比值计算单元用于计算所述第一次数和所述总次数的比值；
所述判断单元用于判断所述比值是否超过设定阈值，若超过，则确定所述预设时间段为历史中间时间段；
所述目标时间段获取单元用于根据每个所述历史中间时间段对应的机械能平均值获取历史目标时间段；
所述历史数据获取单元用于将所述历史目标时间段中每个采样时间点对应的运行数据作为处于正常运行状态时对应的所述第一历史运行数据。
10.如权利要求9所述的电梯门***的健康评估***，其特征在于，所述目标时间段获取单元用于将每个所述历史中间时间段对应的机械能平均值按照大小进行排序，选取所述机械能平均值最小时对应的历史中间时间段作为所述历史目标时间段；
其中，所述机械能平均值的大小与所述电梯门***的运行状态的所述健康程度呈负相关；和/或，
所述历史预设时间段以天为单位。
11.如权利要求9所述的电梯门***的健康评估***，其特征在于，所述健康评估***还包括第一特征矩阵获取模块和第二特征矩阵获取模块；
所述第一特征矩阵获取模块用于根据所述第一历史运行数据获取对应的第一数据矩阵，并对所述第一数据矩阵进行标准化处理，获取第一特征矩阵；
所述第二特征矩阵获取模块用于根据所述当前运行数据获取对应的第二数据矩阵，并对所述第二数据矩阵进行标准化处理，获取第二特征矩阵；
所述模型获取模块用于分别将所述第一特征矩阵和所述第二特征矩阵作为训练参数，输入至所述目标模型进行训练，获取用于表征所述电梯门***的正常运行情况的第一目标模型和用于表征所述电梯门***的当前运行情况的第二目标模型。
12.如权利要求11所述的电梯门***的健康评估***，其特征在于，所述第一高斯混合模型或所述第二高斯混合模型包括：
Figure FDA0002551917900000071
Figure FDA0002551917900000072
其中，g(x)表示所述第一高斯混合模型或所述第二高斯混合模型，h(x；θi)表示单高斯函数，x表示d维所述第一特征矩阵或所述第二特征矩阵，I表示混合模型数量，pi表示预设的第i个单高斯函数的优先向量，满足
Figure FDA0002551917900000073
θi表示第i个单高斯函数的模型参数，所述模型参数包括平均向量μi和协方差矩阵σi。
13.如权利要求12所述的电梯门***的健康评估***，其特征在于，所述第一重合度获取模块采用如下公式计算所述第一重合度：
Figure FDA0002551917900000074
其中，CV表示所述第一重合度，g1(x1)表示所述第一高斯混合模型，g2(x2)表示所述第二高斯混合模型，x1表示所述第一特征矩阵，x2表示所述第二特征矩阵。
14.如权利要求9所述的电梯门***的健康评估***，其特征在于，所述健康评估***用于标签预设模块、第二历史数据获取模块、第三历史数据获取模块、第三特征矩阵获取模块、第四特征矩阵获取模块、第二重合度获取模块、第三重合度获取模块和预警值设定模块；
所述标签预设模块用于分别预设所述历史采样时间段中亚健康状态和故障状态的运行数据对应的第一标签和第二标签；
所述第二历史数据获取模块用于根据所述第一标签获取所述历史采样时间段内对应亚健康状态的第二历史运行数据；
所述第三历史数据获取模块用于根据所述第二标签获取所述历史采样时间段内对应故障状态的第三历史运行数据；
所述第三特征矩阵获取模块用于根据所述第二历史运行数据对应的第三数据矩阵，并对所述第三数据矩阵进行标准化处理，获取第三特征矩阵；
所述第四特征矩阵获取模块用于根据所述第三历史运行数据获取对应的第四数据矩阵，并对所述第四数据矩阵进行标准化处理，获取第四特征矩阵；
所述模型获取模块还用于将所述第三特征矩阵作为训练参数，输入至高斯混合模型进行训练，获取用于表征所述电梯门***在亚健康状态下运行情况的第三高斯混合模型；
所述模型获取模块还用于将所述第四特征矩阵作为训练参数，输入至高斯混合模型进行训练，获取用于表征所述电梯门***在故障状态下运行情况的第四高斯混合模型；
所述第二重合度获取模块用于根据所述第一高斯混合模型和所述第三高斯混合模型计算得到所述亚健康状态与所述正常运行状态之间的第二重合度；
所述第三重合度获取模块用于根据所述第一高斯混合模型和所述第四高斯混合模型计算得到所述故障状态与所述正常运行状态之间的第三重合度；
所述预警值设定模块用于根据多个所述第二重合度中的最大值设定第一预警值；
其中，所述第一预警值用于预警所述电梯门***的开门或者关门功能降低的情况；
所述预警值设定模块还用于根据多个所述第三重合度中的最大值设定第二预警值；
其中，所述第二预警值用于预警所述电梯门***发生开门或者关门故障的情况。
15.如权利要求14所述的电梯门***的健康评估***，其特征在于，所述健康评估***包括滤波处理模块、第一告警信息生成模块和第二告警信息生成模块；
所述滤波处理模块用于采用第一宽度和第二宽度的滑动窗口对所述第一重合度进行均值滤波处理，获取所述当前采样时间段内各个采样时间点对应的第四重合度和第五重合度；
其中，所述第一宽度对应长周期，所述第二宽度对应短周期；
所述第一告警信息生成模块用于当所述第四重合度小于所述第一预警值，且所述第五重合度大于或等于所述第二预警值时，则生成用于表征所述电梯门***的开门或者关门功能降低的第一告警信息；
所述第二告警信息生成模块用于当所述第五重合度小于所述第二预警值时，生成用于表征所述电梯门***发生开门或关门故障的第二告警信息。
16.如权利要求14所述的电梯门***的健康评估***，其特征在于，所述第一历史运行数据、所述第二历史运行数据、所述第三历史运行数据、所述当前运行数据均包括门控信号数据、电流数据、电能数据、功率数据和速度数据中的至少一种。
17.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行计算机程序时实现权利要求1-8中任一项所述的电梯门***的健康评估方法。
18.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-8中任一项所述的电梯门***的健康评估方法的步骤。
CN201910800183.8A 2019-08-28 2019-08-28 电梯门***的健康评估方法、***、电子设备及存储介质 Active CN110498314B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910800183.8A CN110498314B (zh) 2019-08-28 2019-08-28 电梯门***的健康评估方法、***、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910800183.8A CN110498314B (zh) 2019-08-28 2019-08-28 电梯门***的健康评估方法、***、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN110498314A CN110498314A (zh) 2019-11-26
CN110498314B true CN110498314B (zh) 2020-11-10

Family

ID=68590005

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910800183.8A Active CN110498314B (zh) 2019-08-28 2019-08-28 电梯门***的健康评估方法、***、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN110498314B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111563603A (zh) * 2020-04-21 2020-08-21 西人马（厦门）科技有限公司 电梯健康状态评估方法和装置、存储介质
CN113554247B (zh) * 2020-04-23 2024-07-19 北京京东乾石科技有限公司 自动导引运输车运行状况评估方法、装置和***
CN111563229B (zh) * 2020-05-13 2022-03-22 浙江大学 基于高斯混合模型的直梯超速自动复位故障诊断方法
CN112650660B (zh) * 2020-12-28 2024-05-03 北京中大科慧科技发展有限公司 一种数据中心动力***预警方法及装置
CN112836941B (zh) * 2021-01-14 2024-01-09 哈电发电设备国家工程研究中心有限公司 一种煤电机组汽轮机高加***在线健康状况评估方法
CN112897269A (zh) * 2021-01-21 2021-06-04 广州广日电梯工业有限公司 电梯轿门检测***、电梯轿门检测方法
CN112938683B (zh) * 2021-01-29 2022-06-14 广东卓梅尼技术股份有限公司 一种电梯门***故障的预警方法
CN113581961B (zh) * 2021-08-10 2023-03-28 江苏省特种设备安全监督检验研究院 一种电梯厅门的故障自动识别方法
CN114955771B (zh) * 2022-05-13 2023-06-09 江苏省特种设备安全监督检验研究院 一种基于有限状态机的电梯控制***故障监测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100284709B1 (ko) * 1998-01-24 2001-04-02 구본준, 론 위라하디락사 비정질실리콘박막을결정화하는방법
CN106934242B (zh) * 2017-03-16 2018-07-20 杭州安脉盛智能技术有限公司 基于交叉熵法的多模式下设备的健康度评估方法及***
CN107947163B (zh) * 2017-11-30 2021-06-29 广东电网有限责任公司电力调度控制中心 关于燃煤机组变负荷性能评测方法及其***
CN108009730B (zh) * 2017-12-05 2021-08-24 河海大学常州校区 一种光伏电站***健康状态分析方法
CN109376881B (zh) * 2018-12-12 2022-06-03 中国航空工业集团公司上海航空测控技术研究所 基于维修成本优化的复杂***维修决策方法

Also Published As

Publication number Publication date
CN110498314A (zh) 2019-11-26

Similar Documents

Publication Publication Date Title
CN110498314B (zh) 电梯门***的健康评估方法、***、电子设备及存储介质
CN111914873B (zh) 一种两阶段云服务器无监督异常预测方法
CN111209131A (zh) 一种基于机器学习确定异构***的故障的方法和***
CN108460397B (zh) 设备故障类型的分析方法、装置、储存介质和电子设备
CN107677903B (zh) 一种变压器状态监测数据的聚类分析方法
CN110865924B (zh) 电力信息***内部服务器健康度诊断方法与健康诊断框架
CN112070180B (zh) 基于信息物理双侧数据的电网设备状态判断方法及装置
CN108803555B (zh) 一种基于性能监测数据的亚健康在线识别和诊断方法
CN111666978B (zh) 一种it***运维大数据的智能故障预警***
CN117318614A (zh) 一种光伏逆变器故障预测方法
CN117391675B (zh) 一种数据中心基础设施运维管理方法
CN111314110B (zh) 一种用于分布式***的故障预警方法
CN113093695A (zh) 一种数据驱动的sdn控制器故障诊断***
CN115114124A (zh) 主机风险的评估方法及评估装置
CN117170724A (zh) 用于检测业务异常的ai模型自动化更新方法、装置及设备
CN116541728A (zh) 一种基于密度聚类的故障诊断方法及装置
CN114168409A (zh) 一种业务***运行状态监控预警方法与***
CN115599077A (zh) 车辆故障定界方法、装置、电子设备及存储介质
CN112966785B (zh) 一种智能化星座状态识别方法和***
CN113076217B (zh) 基于国产平台的磁盘故障预测方法
CN109558258B (zh) 一种分布式***根源故障定位的方法及装置
CN113591909A (zh) 电力***的异常检测方法、异常检测装置以及存储介质
Cai et al. Performance degradation based reliability prediction method for CTCS on-board equipment
CN115018366B (zh) 储能***工作状态监测方法、装置、存储介质及电子设备
CN117728582B (zh) 一种具有自适应判断能力的5g电力监控***

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200110

Address after: 200336, No. 8, Xingyi Road, Shanghai, Changning District, 30 floor

Applicant after: Shanghai Electrical Group Co., Ltd.

Applicant after: Shanghai Sanling Elevator Co., Ltd.

Address before: 200336, No. 8, Xingyi Road, Shanghai, Changning District, 30 floor

Applicant before: Shanghai Electrical Group Co., Ltd.

GR01 Patent grant
GR01 Patent grant