CN111646332A - 电梯异常运行识别方法及*** - Google Patents
电梯异常运行识别方法及*** Download PDFInfo
- Publication number
- CN111646332A CN111646332A CN202010427020.2A CN202010427020A CN111646332A CN 111646332 A CN111646332 A CN 111646332A CN 202010427020 A CN202010427020 A CN 202010427020A CN 111646332 A CN111646332 A CN 111646332A
- Authority
- CN
- China
- Prior art keywords
- data
- identification
- elevator
- module
- model
- 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.)
- Pending
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
- B66B5/0037—Performance analysers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
- Maintenance And Inspection Apparatuses For Elevators (AREA)
Abstract
本发明涉及一种电梯异常运行识别方法及***,方法包括以下步骤:a、采集电梯运行过程中的加速度数据;b、标定所述加速度数据中的正常样例和异常样例;c、对所述加速度数据进行数据清洗;d、对数据清洗后的加速度数据分别进行深度学习识别和机器学习识别;e、将所述步骤(d)中识别得到的结果进行融合并根据融合后的结果判断电梯是否异常运行。本发明对采集到的数据分别进行深度学习识别以及机器学习识别,并最终将识别结果进行融合,从而根据融合后的结果判断数据是否异常,如此可提高检测的精度和模型的稳健性。
Description
技术领域
本发明涉及电梯异常检测领域,尤其涉及一种通过分析电梯加速度数据判断电梯是否异常的电梯异常运行识别方法及***。
背景技术
本发明涉及基于物联网传感器数据的电梯安全运行实时监测技术领域,具体地,涉及一种电梯异常运行识别方法。
随着硬件的升级,物联网带来了工业4.0,基于物联网的应用慢慢融入到人们的日常生活当中,为人们带来了便利的同时也带来了智能化体验。基于物联网的智能电梯也应运而生。
目前,基于物联网采集电梯运行数据的设备已非常成熟,基于此采集数据的应用也出炉,但距离智能化应用落地闭环仍有一定的距离。
目前,市面上基于采集的加速度数据检测电梯异常运行的技术,多为基于简单阈值的规则方法,少有基于人工智能的方法。
专利CN110550518A公开了一种电梯运行异常检测方法,其引入了神经网络算法,一定程度上解决经验规则的弊端,能够利用模型学习到模式特征,但该技术中,同样是依赖于预设的阈值进行最终的异常检测,且该技术不能根据已有样例的情况进行自适应的学习并识别检测异常,因此其精度不高。
发明内容
本发明的目的在于提供一种精度更高的电梯异常运行识别方法及***。
为实现上述目的,本发明提供一种电梯异常运行识别方法,包括以下步骤:
a、采集电梯运行过程中的加速度数据;
b、标定所述加速度数据中的正常样例和异常样例;
c、对所述加速度数据进行数据清洗;
d、对数据清洗后的加速度数据分别进行深度学习识别和机器学习识别;
e、将所述步骤(d)中识别得到的结果进行融合并根据融合后的结果判断电梯是否异常运行。
根据本发明的一个方面,在所述步骤(b)中,判断所述异常样例的数量是否满足后续识别需求;
若判断结果为满足,则执行步骤(c);
若判断结果为不满足,则基于所述异常样例生成额外的异常样例,直至所述异常样例的数量满足后续识别需求,并执行步骤(c);
满足后续识别需求的所述异常样例的数量至少为200条。
根据本发明的一个方面,在所述步骤(c)中,进行数据清洗的步骤中包括依次去除序列长度过短或过长的数据、极值过高或过低的数据以及固定值数据,然后分别进行数据平滑处理和选择极值差距离较近的数据。
根据本发明的一个方面,所述步骤(d)中的深度学习识别的过程中,基于深度学习模型对清洗后的所述加速度数据进行识别并得出结果;其中获取所述深度学习模型的步骤包括:
将所述加速度数据输入到待训练的深度学习模型中,长度补齐padding采用-1进行,采用timestamps=1进行训练和测试;
最后得到模型在测试集上的结果,并导出所述深度学习模型。
根据本发明的一个方面,所述步骤(d)中的机器学习识别的过程中,首先对清洗后的所述加速度数据进行小波分析提取特征,然后基于机器学习模型对所述特征进行识别并得出结果;其中获取所述机器学习模型的步骤包括:
对所述特征进行训练集、验证集、测试集拆分;
对待训练的机器学习模型进行模型选型,并基于所选模型进行训练和测试,其中各模型的参数利用网格搜索的方式设定;
得出各模型在测试集上的训练结果,最终导出所述机器学习模型。
根据本发明的一个方面,小波分析提取的特征包括峭度系数和各节点的能量值。
根据本发明的一个方面,小波分析提取的特征包括峰度、偏度和极差以及三级的各节点的能量值。
根据本发明的一个方面,在所述步骤(e)中,利用次级学习器logisticsregression、bagging或逻辑操作对所述步骤(d)中识别得到的结果进行融合。
电梯异常运行识别***,包括:
数据采集模块,用于采集电梯运行过程中的加速度数据;
数据清洗模块,用于对所述加速度数据进行数据清洗;
深度学习识别模块,用于对数据清洗后的加速度数据进行深度学习识别;
还包括:
小波分析模块,用于对数据清洗后的加速度数据进行小波分析提取特征;
机器学习识别模块,用于对所述小波分析模块提取的特征进行机器学习识别;
融合识别模块,用于将所述机器学习识别模块和所述深度学习识别模块识别得到的结果进行融合。
根据本发明的一个方面,还包括:
样例判断模块,用于判断所述数据采集模块采集到的加速度数据中的异常样例的数量是否满足识别需求;
样例生成模块,用于在所述样例判断模块的判断结果为不满足的情况下生成额外的异常样例。
根据本发明的一个方面,所述数据采集模块为陀螺仪。
根据本发明的一个方面,所述样例生成模块中的模型为GAN系列算法中的WGAN模型。
根据本发明的一个方面,所述深度学习识别模块中的深度学习模型为LSTM、CNN、GRU或LSTM-attention。
根据本发明的一个方面,所述深度学习识别模块中的深度学习模型为LSTM。
根据本发明的一个方面,所述机器学习识别模块中的机器学习模型为boosting、bagging、ensemble或stacking。
根据本发明的一个方面,所述机器学习识别模块中的机器学习模型为boosting中的xgboost和lightgbm模型。
根据本发明的一个方案,对采集到的电梯运行过程中的加速度数据进行标定后,判断其中标定的异常样例的数量是否满足后续模型的识别。若判断结果为不满足,则根据已有的样例进行自适应学习,从而生成更多的异常样例,以避免样例量不足而导致模型的精度过低。
根据本发明的一个方案,对加速度数据进行数据清洗,数据清洗中包括了分别根据加速度数据的序列长度、极值以及是否为固定值来清除相应的数据。此外,数据清洗还包括数据平滑处理以及选择极差值距离较近的加速度序列。如此,经过数据清洗后的数据会更适用于后续识别所用的各个模型。
根据本发明的一个方案,对数据清洗后的数据分别进行深度学习识别和基于小波分析的机器学习识别,并将深度学习模型和机器学习模型识别得出的结果进行融合,再根据融合后的结果判断电梯是否异常运行。如此,本方法融合了多模型进行识别,从而可以提高模型的稳健性和检测的精度,并且不依赖于经验阈值。
附图说明
图1是示意性表示根据本发明的一种实施方式的电梯异常运行方法的流程图;
图2和图3分别示出了两种异常样例的示意图;
图4示出了一种正常样例的示意图;
图5示出了电梯正常状态下小波分析的小波包分解图。
具体实施方式
为了更清楚地说明本发明实施方式或现有技术中的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
下面结合附图和具体实施方式对本发明作详细地描述,实施方式不能在此一一赘述,但本发明的实施方式并不因此限定于以下实施方式。
图1是示意性表示根据本发明的一种实施方式的电梯异常运行方法的流程图。如图1所示,本发明的电梯异常运行识别方法中,首先利用电梯轿厢内部得加速度传感器采集电梯运行过程中的加速度数据。随后对这些加速度数据进行人工标定,从而标定出这些数据中的正常样例和异常样例。图2至图4由采集到的加速度数据绘制而成的加速度cm/s2(纵坐标)与采样点(横坐标)的关系图,而将其中波峰与波谷处的信号振幅不等的样例标定为异常样例。其中图2和图3分别示出了两种情况的异常样例,而图4则示出了一种正常样例的示意图。在本实施方式中,首先获取异常样例150条,正常样例3000条。在完成标定后,本发明还对异常样例的数据量进行了判断,若数据量不足则生成额外的异常样例,以保证数据量满足后续各个模型的识别需求,从而避免样例不足而导致精度过低。现有技术中,未生成额外的异常样例,因此其检测精度仅为73%。一般情况下,异常样例数据量需要达到百起,而本发明中满足后续识别需求的异常样例数量为200条。显然,本实施方式中的100条异常样例不满足后续模型的识别需求,因此额外生成了150条,使得异常样例量共计250条。用于生成额外的异常样例的模型可以在GAN系列算法中选取,本实施方式利用了该系列算法中的WGAN模型。GAN系列算法通常应用在图像识别场景下,解决了目标图片样本不足时,通过生成图片样本进而实现的图像识别算法。而将此系列算法应用到本发明中作为生成额外的异常样例的模型时,可实现同样效果。
在生成额外的异常样例后,若此时样例量满足后续识别需求,则对加速度数据进行数据清洗,以使得数据更适用于后续识别所用的模型。本发明中,数据清洗的步骤主要包括五步,首先去除加速度序列长度过短或过长的数据序列。然后去除极值过高或过低的数据,随后对加速度序列进行异常过滤,例如过滤掉加速度为某一固定值的数据序列。完成上述三步后,进行数据平滑处理以及选择极差值距离较近的加速度序列(即去除极差值对应索引较远的序列),此两步没有顺序要求。
在完成数据清洗后,对加速度数据分别进行深度学习识别和机器学习识别。在将加速度数据进行深度学习识别时,直接将加速度数据输入至深度学习模型中识别即可。其中,获取深度学习模型的步骤为,将加速度数据输入到待训练的深度学习模型中,长度补齐padding采用-1进行,采用timestamps=1进行训练和测试,得到模型在测试集上的结果,并导出训练模型(即深度学习模型)。在后续检测中直接将加速度数据输入训练模型并得出结果即可。本发明中,可选的模型包括LSTM、CNN、GRU、LSTM-attention等,而本实施方式选用了LSTM模型进行识别。在本实施方式中,模型的精度为87%。
在机器学习识别的过程中,首先对加速度数据进行小波分析,从而提取这些加速度数据的特征,并利用机器学习对所提取的特征进行识别。在本实施方式中,所提取的特征包括三级的各节点的能量值以及加速度的峰度、偏度、极差等共计30+维特征(包括峭度系数)。三级的各节点能量值具体提取方式可参见图5,图5为正常样例的特征提取方式。异常样例的节点能量值特征提取方式与正常样例相似,因此未用图示示出。具体所提取的各级节点的能量值可参见表1:
表1:不同状态模式下电梯的小波层级各节点能量值归一表
随后利用机器学习模型对小波包(即小波分析模型)所提取的特征进行识别。其中获取机器学习模型的步骤为,首先对这些特征进行训练集、验证集、测试集拆分,然后对待训练的机器学习模型进行模型选型,在此步骤中,可选模型包括boosting、bagging、ensemble、stacking等。而本实施方式利用的是boosting模型中的xgboost和lightgbm模型,随后基于所选的这两个机器学习模型进行训练和测试,其中各模型的参数利用网格搜索的方式设定。最终得到各模型在测试集上的结果,并导出训练模型(即机器学习模型)。同样,在后续检测中直接将特征输入至训练模型并得出结果即可。而本实施方式中,这两个模型的精度分别为82%、84%。
在加速度数据分别完成了深度学习识别和机器学习识别后,将两种识别所得出的结果进行融合,随后根据融合后的结果判定电梯运行是否为异常。本发明中,融合的方式包括选取次级学习器(如logistics regression)、简单的bagging以及逻辑操作等。在本实施方式中,利用逻辑操作作为融合方式,因此深度学习识别和机器学习识别的结果中,其中一个模型识别为异常即可判断电梯为异常运行,这种方式的精度超过95%。由此可见,本发明额外生成异常样例的方式配合利用深度学习识别和机器学习识别对加速度数据识别后将结果融合的方式,相对于现有技术而言,将检测精度从73%提高至95%,从而极大地提高了检测的精度和模型的稳健性,并且不依赖于经验阈值。
根据上述识别方法,本发明的用于实施上述方法的电梯异常运行识别***包括数据采集模块、样例判断模块、样例生成模块、数据清洗模块、深度学习识别模块、小波分析模块、机器学习识别模块和融合识别模块。其中数据采集模块负责采集电梯运行过程中的加速度数据,在本实施方式中,其为安装在电梯轿厢内的陀螺仪。当然根据此构思,数据采集模块还可以为其他具有相似功能的加速度传感器。样例判断模块则用于判断人工标定出的异常样例的数据量是否满足后续各个模型的识别需求。样例生成模块则是在样例判断模块的判断结果为不满足时,根据已有样例进行自适应学习,从而生成额外的异常样例。在本实施方式中,样例生成模块中的生成模型为GAN系列算法中的WGAN模型。数据清洗模块则负责对加速度数据进行数据清洗,以使其更适用于后续识别所用的各个模型。
小波分析模块主要用于对数据清洗后的加速度数据中的特征进行提取,具体特征已在上述方法中描述。而机器学习识别模块则用于对小波分析模块(或小波包)所提取的特征进行识别,最终得出正常或异常的识别结果。本发明中,机器学习识别模块中的机器学习模型可以为boosting、bagging、ensemble或stacking。而本实施方式中,机器学习识别模块中的机器学习模型为boosting中的xgboost和lightgbm模型。深度学习识别模块用于直接对数据清洗后加速度数据进行深度学习识别,其中的深度学习模型可以为LSTM、CNN、GRU或LSTM-attention。而本实施方式中,深度学习识别模块中的深度学习模型为LSTM。
以上所述仅为本发明的一个实施方式而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (16)
1.一种电梯异常运行识别方法,包括以下步骤:
a、采集电梯运行过程中的加速度数据;
b、标定所述加速度数据中的正常样例和异常样例;
c、对所述加速度数据进行数据清洗;
d、对数据清洗后的加速度数据分别进行深度学习识别和机器学习识别;
e、将所述步骤(d)中识别得到的结果进行融合并根据融合后的结果判断电梯是否异常运行。
2.根据权利要求1所述的电梯异常运行识别方法,其特征在于,在所述步骤(b)中,判断所述异常样例的数量是否满足后续识别需求;
若判断结果为满足,则执行步骤(c);
若判断结果为不满足,则基于所述异常样例生成额外的异常样例,直至所述异常样例的数量满足后续识别需求,并执行步骤(c);
满足后续识别需求的所述异常样例的数量至少为200条。
3.根据权利要求1所述的电梯异常运行识别方法,其特征在于,在所述步骤(c)中,进行数据清洗的步骤中包括依次去除序列长度过短或过长的数据、极值过高或过低的数据以及固定值数据,然后分别进行数据平滑处理和选择极值差距离较近的数据。
4.根据权利要求1所述的电梯异常运行识别方法,其特征在于,所述步骤(d)中的深度学习识别的过程中,基于深度学习模型对清洗后的所述加速度数据进行识别并得出结果;其中获取所述深度学习模型的步骤包括:
将所述加速度数据输入到待训练的深度学习模型中,长度补齐padding采用-1进行,采用timestamps=1进行训练和测试;
最后得到模型在测试集上的结果,并导出所述深度学习模型。
5.根据权利要求1所述的电梯异常运行识别方法,其特征在于,所述步骤(d)中的机器学习识别的过程中,首先对清洗后的所述加速度数据进行小波分析提取特征,然后基于机器学习模型对所述特征进行识别并得出结果;其中获取所述机器学习模型的步骤包括:
对所述特征进行训练集、验证集、测试集拆分;
对待训练的机器学习模型进行模型选型,并基于所选模型进行训练和测试,其中各模型的参数利用网格搜索的方式设定;
得出各模型在测试集上的训练结果,最终导出所述机器学习模型。
6.根据权利要求5所述的电梯异常运行识别方法,其特征在于,小波分析提取的特征包括峭度系数和各节点的能量值。
7.根据权利要求5或6所述的电梯异常运行识别方法,其特征在于,小波分析提取的特征包括峰度、偏度和极差以及三级的各节点的能量值。
8.根据权利要求1所述的电梯异常运行识别方法,其特征在于,在所述步骤(e)中,利用次级学习器logistics regression、bagging或逻辑操作对所述步骤(d)中识别得到的结果进行融合。
9.一种用于实施权利要求1-8中任一项所述的电梯异常运行识别方法的***,包括:
数据采集模块,用于采集电梯运行过程中的加速度数据;
数据清洗模块,用于对所述加速度数据进行数据清洗;
深度学习识别模块,用于对数据清洗后的加速度数据进行深度学习识别;
其特征在于,还包括:
小波分析模块,用于对数据清洗后的加速度数据进行小波分析提取特征;
机器学习识别模块,用于对所述小波分析模块提取的特征进行机器学习识别;
融合识别模块,用于将所述机器学习识别模块和所述深度学习识别模块识别得到的结果进行融合。
10.根据权利要求9所述的电梯异常运行识别***,其特征在于,还包括:
样例判断模块,用于判断所述数据采集模块采集到的加速度数据中的异常样例的数量是否满足识别需求;
样例生成模块,用于在所述样例判断模块的判断结果为不满足的情况下生成额外的异常样例。
11.根据权利要求10所述的电梯异常运行识别***,其特征在于,所述数据采集模块为陀螺仪。
12.根据权利要求10所述的电梯异常运行识别***,其特征在于,所述样例生成模块中的模型为GAN系列算法中的WGAN模型。
13.根据权利要求10所述的电梯异常运行识别***,其特征在于,所述深度学习识别模块中的深度学习模型为LSTM、CNN、GRU或LSTM-attention。
14.根据权利要求13所述的电梯异常运行识别***,其特征在于,所述深度学习识别模块中的深度学习模型为LSTM。
15.根据权利要求10所述的电梯异常运行识别***,其特征在于,所述机器学习识别模块中的机器学习模型为boosting、bagging、ensemble或stacking。
16.根据权利要求15所述的电梯异常运行识别***,其特征在于,所述机器学习识别模块中的机器学习模型为boosting中的xgboost和lightgbm模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010427020.2A CN111646332A (zh) | 2020-05-19 | 2020-05-19 | 电梯异常运行识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010427020.2A CN111646332A (zh) | 2020-05-19 | 2020-05-19 | 电梯异常运行识别方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111646332A true CN111646332A (zh) | 2020-09-11 |
Family
ID=72343436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010427020.2A Pending CN111646332A (zh) | 2020-05-19 | 2020-05-19 | 电梯异常运行识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111646332A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112347939A (zh) * | 2020-11-09 | 2021-02-09 | 浙江新再灵科技股份有限公司 | 基于多维特征的乘梯不文明按键识别方法 |
CN112850408A (zh) * | 2021-02-05 | 2021-05-28 | 浙江新再灵科技股份有限公司 | 一种基于多模型融合的电梯急停困人故障检测方法 |
Citations (5)
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 |
CN105731209A (zh) * | 2016-03-17 | 2016-07-06 | 天津大学 | 基于物联网的电梯故障智能预测与诊断及维护方法 |
CN105752787A (zh) * | 2016-03-22 | 2016-07-13 | 天津西尔特电梯部件有限公司 | 一种基于机器学习的电梯安全预警方法 |
CN105775943A (zh) * | 2016-04-12 | 2016-07-20 | 广州深度数据科技有限公司 | 一种数据驱动的电梯零部件预警***及方法 |
CN110040594A (zh) * | 2019-01-08 | 2019-07-23 | 浙江新再灵科技股份有限公司 | 一种基于卷积神经网络的电梯运行检测***及方法 |
-
2020
- 2020-05-19 CN CN202010427020.2A patent/CN111646332A/zh active Pending
Patent Citations (5)
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 |
CN105731209A (zh) * | 2016-03-17 | 2016-07-06 | 天津大学 | 基于物联网的电梯故障智能预测与诊断及维护方法 |
CN105752787A (zh) * | 2016-03-22 | 2016-07-13 | 天津西尔特电梯部件有限公司 | 一种基于机器学习的电梯安全预警方法 |
CN105775943A (zh) * | 2016-04-12 | 2016-07-20 | 广州深度数据科技有限公司 | 一种数据驱动的电梯零部件预警***及方法 |
CN110040594A (zh) * | 2019-01-08 | 2019-07-23 | 浙江新再灵科技股份有限公司 | 一种基于卷积神经网络的电梯运行检测***及方法 |
Non-Patent Citations (1)
Title |
---|
许童羽等: "基于高光谱和BP 神经网络的双子叶植物叶片叶绿素遥感估算", 《沈阳农业大学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112347939A (zh) * | 2020-11-09 | 2021-02-09 | 浙江新再灵科技股份有限公司 | 基于多维特征的乘梯不文明按键识别方法 |
CN112347939B (zh) * | 2020-11-09 | 2022-11-25 | 浙江新再灵科技股份有限公司 | 基于多维特征的乘梯不文明按键识别方法 |
CN112850408A (zh) * | 2021-02-05 | 2021-05-28 | 浙江新再灵科技股份有限公司 | 一种基于多模型融合的电梯急停困人故障检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101822829B1 (ko) | 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법 | |
CN111436944B (zh) | 一种基于智能移动终端的跌倒检测方法 | |
CN106338406A (zh) | 列车牵引电传动***的在线监测与故障预警***及方法 | |
CN112193959A (zh) | 电梯异响检测方法及*** | |
CN107609477A (zh) | 一种基于深度学习与智能手环相结合的摔倒检测方法 | |
CN111646332A (zh) | 电梯异常运行识别方法及*** | |
CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
CN105303296B (zh) | 一种电力设备全寿命状态评价方法 | |
CN111914665A (zh) | 一种人脸遮挡检测方法、装置、设备及存储介质 | |
CN114444620B (zh) | 一种基于生成式对抗神经网络的示功图故障诊断方法 | |
CN112487708A (zh) | 一种基于集成学习的电阻点焊质量预测方法 | |
JP5027859B2 (ja) | 信号識別方法および信号識別装置 | |
CN115424635B (zh) | 一种基于声音特征的水泥厂设备故障诊断方法 | |
CN116552306B (zh) | 直流桩的监控***及其方法 | |
CN112597831A (zh) | 一种基于变分自编码器和对抗网络的信号异常检测方法 | |
CN113255591A (zh) | 一种基于随机森林和融合特征的轴承故障诊断方法 | |
CN110852364A (zh) | 矿井突水水源识别方法、装置与电子设备 | |
CN108470194B (zh) | 一种特征筛选方法及装置 | |
CN116361191A (zh) | 一种基于人工智能的软件兼容性处理方法 | |
CN112529109A (zh) | 一种基于无监督多模型的异常检测方法及*** | |
JP2010231455A (ja) | 信号識別方法および信号識別装置 | |
CN109490776B (zh) | 一种基于机器学习的手机振动马达良次品检测方法 | |
CN117437933A (zh) | 基于特征聚类结合生成式学习的变压器声纹信号故障无监督检测方法 | |
CN111582440A (zh) | 一种基于深度学习的数据处理方法 | |
CN116227172A (zh) | 一种基于卷积神经网络的滚动轴承性能退化评估方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200911 |
|
RJ01 | Rejection of invention patent application after publication |