CN112225026A - 一种基于声信号的电梯按需维保方法 - Google Patents
一种基于声信号的电梯按需维保方法 Download PDFInfo
- Publication number
- CN112225026A CN112225026A CN202011200413.6A CN202011200413A CN112225026A CN 112225026 A CN112225026 A CN 112225026A CN 202011200413 A CN202011200413 A CN 202011200413A CN 112225026 A CN112225026 A CN 112225026A
- Authority
- CN
- China
- Prior art keywords
- elevator
- maintenance
- acoustic signal
- acoustic
- signals
- 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
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
- B66B5/0025—Devices monitoring the operating condition of the elevator system for maintenance or repair
-
- 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
Landscapes
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
本发明属于模式识别领域,公开了一种基于声信号的电梯按需维保方法,包括:于电梯的曳引机房内部、井道内壁与轿厢外侧顶部搭建声信号采集硬件平台,获取当天电梯各组件运行过程中的声信号;对采集到的声信号进行预处理并在频域上进行多重求导获得声信号的频域特征值,构建包括多种不同情况下电梯运行情况的声信号特征数据集;测定电梯运行情况,并根据测定结果对声音信号进行标注打分;建立基于RNN神经网络与CNN网络级联的决策级特征融合模型,并利用已标注的数据集对网络进行训练,并依据训练好的模型的输出实现对当天电梯运行状态的打分及维护保养的预测。该方法能够精准有效的感知电梯运行状态,实现合理高效的按需运维。
Description
技术领域
本发明涉及电梯维保领域及模式识别算法,具体涉及的是一种基于声信号的电梯按需维保方法。
背景技术
当前电梯行业依据《电梯维护保养规则》对电梯实现定期维保。维保过程中,维保人员需要花费较长的时间对电梯曳引机房、井道、轿厢进行检查,对损耗或故障部位进行更换维修。随着越来越多的高层以及超高层建筑的建设,电梯的需求量愈发增加,随之而来的是电梯后期维保过程中工作量的增加。随着电梯安装量增加,定期维保方式势必导致电梯维保不及时,不到位等情况发生。
根据国家颁布的《关于加强电梯质量安全工作的意见》中的相关精神指出:需推动维护保养模式转变,依法推进按需维保,推广“全包维保”、“物联网+维保”等新模式,加强维保质量监督抽查,提升维保质量。为此,需要对现有的电梯维保模式进行改进,提出合理高效的方法提高电梯维保效率,做到精细化,高效化维保。
发明内容
本发明的目的是为了提供一种基于声信号的电梯按需维保方法,该方法能够准确的判别电梯的运行状态,实现高效的电梯按需维保。
为实现以上目的,本发明提供的一种基于声信号的电梯按需维保方法,包括下列步骤:
S1.于电梯的曳引机房内部、井道内壁与轿厢外侧顶部搭建声信号采集硬件平台,获取当天电梯各组件运行过程中的声信号;
S2.对S1步骤中采集到的声信号进行预处理,并在频域上进行多重求导获得声信号的频域特征值,构建包括多种不同情况下电梯运行情况的声信号特征数据集;
S3.测定步骤S2所述的特征数据集对应的当天的电梯运行情况,并根据测定结果对声音信号进行标注打分。
S4.建立基于RNN神经网络与CNN网络级联的决策级特征融合模型,并利用已标注的数据集对网络进行训练,并依据训练好的模型的输出实现对当天电梯运行状态的打分及维护保养的预测。
优选的,所述步骤一中的声信号采集硬件平台包括目标电梯、设置在目标电梯内的自由场传声器,转换、存储及远传***和服务器;其中自由场传声器分别设置在目标电梯的电梯曳引房内、井道内壁上和轿厢外侧顶部,用于采集目标电梯运行过程中的声音信号模拟信号;目标电梯内设置的自由场传声器通过有线连接的方式将模拟信号传输给转换、存储及远传***;转换、存储及远传***中的核心处理装置,将模拟信号转化为数字信号并加以时间戳,在编号标注后以文件形式存储在***硬盘中,通过DTU或路由器以4G或WiFi形式进行数据远传。服务器开辟固定IP端口号,监听通过4G或WiFi形式传输来的数据信号并进行处理。
优选的,所述步骤S2中频域特征值,包括时间帧t处频率f的声信号能量与声信号能量变化率。
优选的,所述步骤S3中:对声信号的标注打分分为两个部分:
(1)对电梯曳引机房内部、井道内壁与轿厢外侧顶部采集到的单一时间帧内的声信号依据规则进行标定,标定类型包括:不合格(1分),基本合格(2分)与合格(3分);
其中不合格为该时间帧内出现曳引机异响、减速箱异响、轿厢异常振动、钢丝绳异常摆动等急需维保的情况;
基本合格为该时间帧内允许存在电梯各部件正常运行过程中由于自身部件老化发出的声音;
合格为该时间帧内声音无任何异常情况;
(2)对当天电梯整体运行过程的依据专业人工经验进行评价打分,打分为1-5分制包括:
1分:电梯无需维护保养;
2分:电梯需要依据《电梯维护保养规则》进行半月维护保养;
3分:电梯需要依据《电梯维护保养规则》进行季度维护保养;
4分:电梯需要依据《电梯维护保养规则》进行半年维护保养;
5分:电梯需要依据《电梯维护保养规则》进行年度维护保养。
优选的,基于RNN神经网络与CNN网络级联的决策级特征融合模型的总体框架包括特征输入层,RNN隐藏层,CNN隐藏决策层,输出层,网络训练模块;输入层负责对电梯不同部位声信号的特征值进行初步处理;RNN隐藏层依据声信号负责对该部位的合格情况进行评价;CNN隐藏决策层作为决策级,依据各部位合格情况对电梯整体运行情况进行总体评价;输出层负责提供预测打分的结果;BPTT优化方法用于RNN网络训练,BP优化方法用于CNN网络训练;训练好的模型的能够输出对当天电梯运行状态打分,并对是否需要维护保养及需要什么程度的维保进行预测。
与现有的按时维保方式相比,本发明提供的基于声信号的电梯按需维保方法,搭建声音采集平台对电梯关键部位声信号进行特征提取,使用基于RNN神经网络与CNN网络级联的决策级特征融合模型对声音信号进行辨识,从而实现对电梯运行状态评价打分。该方法在保证维保效果的基础上,极大的提高了电梯维保的整体效率,实现了电梯有针对性的精细化维保,大大降低因为逾期维保导致的电梯故障。
附图说明
图1是本发明的基于声信号的电梯按需维保方法的硬件平台示意图;
图2是本发明基于RNN神经网络与CNN网络级联的决策级特征融合模型的网络结构图;
图3是本发明中声信号基于梅尔频率系数转化到梅尔频域获得能量幅值的过程图;
图4是本发明的基于声信号的电梯按需维保方法的具体实施方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明中实施例的技术方案进行清晰,全面描述。显然,以下所描述的实施例仅是本发明的一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术在没有做出具有创造性改进的前提下所获得的所有其他实施例都属于本发明的保护范围。
为了使本领域的技术人员更好理解本发明的技术方案,下面将结合附图对本发明的具体实施方式进行详细说明
本发明提供了一种基于声信号的电梯按需维保方法,如图1所示,包括以下步骤:
S1.于电梯的曳引机房内部、井道内壁与轿厢外侧顶部搭建声信号采集硬件平台,获取当天电梯各组件运行过程中的声信号;
具体处理过程如图2所示:声信号采集硬件平台包括目标电梯101、设置在目标电梯内的自由场传声器,转换、存储及远传***102和服务器103;其中自由场传声器分别设置在目标电梯101的电梯曳引房内、井道内壁上和轿厢外侧顶部,用于采集目标电梯运行过程中的声音信号模拟信号;目标电梯内设置的自由场传声器通过有线连接的方式将模拟信号传输给转换、存储及远传***102;转换、存储及远传***102可以由单片机、DSP、FPGA等作为核心处理装置,将模拟信号转化为数字信号并加以时间戳,在编号标注后以文件形式存储在***硬盘中,通过DTU或路由器以4G或WiFi形式进行数据远传。服务器103开辟固定IP端口号,监听通过4G或WiFi形式传输来的数据信号并进行处理,后续S2、S3、S4、S5步骤过程均设置在服务器中运行。
S2.对S1步骤中采集到的声信号进行预处理,并在频域上进行多重求导获得声信号的频域特征值,构建包括多种不同情况下电梯运行情况的声信号特征数据集;
由于实际情况下电梯运行中有人员或货物的进出,及采集到的声信号中不可避免的存在噪声与干扰,所以需要对其进行滤波的预处理。预处理的滤波器采用的是椭圆滤波器(Elliptic filter),其在通带以及阻带都存在等波纹,与其他类型的滤波器相比在阶数一致的情况下有着最小的通带以及阻带波动,十分适合对电梯运行中的不确定噪声与干扰进行最小化过滤。其幅值平方函数为:
对声信号进行滤波去除环境噪音后,对处理后的声信号加以每30秒的分帧处理,为避免两帧差异较大需采用50%的重叠分帧。随后进行加窗处理,将每一帧乘以汉明窗W(n),以增加帧内左右连贯性。
在乘上汉明窗后,每帧再基于梅尔频率系数转化到梅尔频域以获得该帧的能量幅值,具体过程如图3所示:
首先对该帧的声音信号进行快速傅里叶变换得到频谱信号,再将线性的频谱信号f转为梅尔频谱信号mel(f)=2595*log10(1+f/700),梅尔频谱相比较于线性频谱考虑到了人类的听觉特征,能够更加突出的体现电梯运行过程中异常声音。紧接着对梅尔频谱信号取对数,即log(mel(f)),方便后续再进行离散余弦变换以获得最终的输出能量幅值向量e(f,t)。最后,电梯运行的声信号特征向量由声信号能量e(f,t)与其一阶导数声信号能量变化率构成。
S3.测定步骤S2所述的特征数据集对应的当天的电梯运行情况,并根据测定结果对声音信号进行标注打分。
对声信号的标注打分分为两个部分:
(1)对电梯曳引机房内部、井道内壁与轿厢外侧顶部采集到的单一时间帧内的声信号依据规则进行标定,标定类型包括:不合格(1分),基本合格(2分)与合格(3分);
其中不合格为该时间帧内出现曳引机异响、减速箱异响、轿厢异常振动、钢丝绳异常摆动等急需维保的情况;
基本合格为该时间帧内允许存在电梯各部件正常运行过程中由于自身部件老化发出的声音;
合格为该时间帧内声音无任何异常情况。
(2)对当天电梯整体运行过程的依据专业人工经验进行评价打分,打分为1-5分制包括:
1分:电梯无需维护保养;
2分:电梯需要依据《电梯维护保养规则》进行半月维护保养;
3分:电梯需要依据《电梯维护保养规则》进行季度维护保养;
4分:电梯需要依据《电梯维护保养规则》进行半年维护保养;
5分:电梯需要依据《电梯维护保养规则》进行年度维护保养。
S4.建立基于RNN神经网络与CNN网络级联的决策级特征融合模型,并利用已标注的数据集对网络进行训练,并依据训练好的模型的输出实现对当天电梯运行状态的打分及维护保养的预测。
基于RNN神经网络与CNN网络级联的决策级特征融合模型如图4所示,模型通过多层次的网络结构在兼顾每一帧信号的内部隐藏涵义的同时,依然保留了对于电梯不同关键部位信息的全面整合,模型中包括特征输入层,RNN隐藏层,CNN隐藏决策层,输出层,网络训练模块。
特征输入层负责将S2步骤中获得的电梯曳引机房内部、井道内壁与轿厢外侧顶部的声信号数据特征值进行标准化处理并输入RNN隐藏层,具体公式如下:
RNN神经网络通过挖掘每一帧标准化声信号特征值的高层含义,学习其特征表达,完成对该时间帧内的声信号合格与否的判别。RNN神经网络由多个神经单元串联组成,每一个神经单元内部主要由以下两个函数组成:
S(t)=φ(Ux(t)+WS(t-1)+b)
O(t)=VS(t)+c
其中x(t)为输入,S(t)为信息传递单元,O(t)为输出单元,U、W、V都为权值矩阵,b、c为偏置值,φ()为Tanh激活函数。RNN神经网络可以通过基于时间t的信息传递单元学习到时序信号中的特征,调整权值矩阵U、W、V和偏置值b、c的内部参数。RNN神经网络十分贴合本发明中连续时间帧合格与否的判别过程。
CNN隐藏决策层将经过RNN神经网络判断的每一个电梯关键部位声信号帧的合格情况作为输入,对当天电梯整体运行过程进行整体决策级评价。CNN隐藏决策层内部为三层卷积层,三层卷积都包含3x3的卷积操作和线性修正单元。CNN隐藏决策层负责统筹电梯不同关键部位整天的运行情况,利用多层卷积挖掘电梯实际运行状态,通过反向传播调整内部的权重矩阵,从而准确的对电梯状态进行评价并完成对维护保养的预测。
输出层为全连接层,负责将最后一层卷积层的输出映射至Y1-Y5,Y1-Y5依次对应步骤S3中第二部分电梯当天整体运行过程1-5分的打分情况,运维人员将根据Y1-Y5的值进行判断,值最大的那一项就代表电梯当天的运行状况以及需要哪一种类的运行维护。
网络训练模块中,BPTT优化方法用于RNN网络训练,BP优化方法用于CNN网络训练。
完成基于RNN神经网络与CNN网络级联的决策级特征融合模型的搭建后,需要将S3步骤中通过专业人工辨识,并依据标准进行数据集标注,而后输入到模型中,通过多次反向传播迭代优化,使网络从数据集中学习专业人工辨识评价的依据,从而完成模型的训练过程。训练好的模型的能够对当天电梯运行状态打分,并对是否需要维护保养及需要什么程度的维保进行有效预测。
以上显示和描述了本发明的基本原理和主要特征以及本发明的优点,对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种基于声信号的电梯按需维保方法,其特征在于,包括以下步骤:
S1.于电梯的曳引机房内部、井道内壁与轿厢外侧顶部搭建声信号采集硬件平台,获取当天电梯各组件运行过程中的声信号;
S2.对S1步骤中采集到的声信号进行预处理,并在频域上进行多重求导获得声信号的频域特征值,构建包括多种不同情况下电梯运行情况的声信号特征数据集;
S3.测定步骤S2所述的特征数据集对应当天的电梯运行情况,并根据测定结果对声音信号进行标注打分;
S4.建立基于RNN神经网络与CNN网络级联的决策级特征融合模型,并利用已标注的数据集对网络进行训练,并依据训练好的模型的输出实现对当天电梯运行状态的打分及维护保养的预测。
2.根据权利要求1所述的电梯按需维保方法,其特征在于,所述步骤一中的声信号采集硬件平台包括目标电梯、设置在目标电梯内的自由场传声器,转换、存储及远传***和服务器;其中自由场传声器分别设置在目标电梯的电梯曳引房内、井道内壁上和轿厢外侧顶部,用于采集目标电梯运行过程中的声音信号模拟信号;目标电梯内设置的自由场传声器通过有线连接的方式将模拟信号传输给转换、存储及远传***;转换、存储及远传***中的核心处理装置,将模拟信号转化为数字信号并加以时间戳,在编号标注后以文件形式存储在***硬盘中,通过DTU或路由器以4G或WiFi形式进行数据远传。服务器开辟固定IP端口号,监听通过4G或WiFi形式传输来的数据信号并进行处理。
4.根据权利要求1所述的电梯按需维保方法,其特征在于,所述步骤S3中:
对声信号的标注打分分为两个部分:
(1)对电梯曳引机房内部、井道内壁与轿厢外侧顶部采集到的单一时间帧内的声信号依据规则进行标定,标定类型包括:不合格(1分),基本合格(2分)与合格(3分);
其中不合格为该时间帧内出现曳引机异响、减速箱异响、轿厢异常振动、钢丝绳异常摆动等急需维保的情况;
基本合格为该时间帧内允许存在电梯各部件正常运行过程中由于自身部件老化发出的声音;
合格为该时间帧内声音无任何异常情况;
(2)对当天电梯整体运行过程的依据专业人工经验进行评价打分,打分为1-5分制包括:
1分:电梯无需维护保养;
2分:电梯需要依据《电梯维护保养规则》进行半月维护保养;
3分:电梯需要依据《电梯维护保养规则》进行季度维护保养;
4分:电梯需要依据《电梯维护保养规则》进行半年维护保养;
5分:电梯需要依据《电梯维护保养规则》进行年度维护保养。
5.根据权利要求1所述的电梯按需维保方法,其特征在于,所述步骤S4具体为:
基于RNN神经网络与CNN网络级联的决策级特征融合模型的总体框架包括特征输入层,RNN隐藏层,CNN隐藏决策层,输出层,网络训练模块;输入层负责对电梯不同部位声信号的特征值进行初步处理;RNN隐藏层依据声信号负责对该部位的合格情况进行评价;CNN隐藏决策层作为决策级,依据各部位合格情况对电梯整体运行情况进行总体评价;输出层负责提供预测打分的结果;BPTT优化方法用于RNN网络训练,BP优化方法用于CNN网络训练;训练好的模型的能够输出对当天电梯运行状态打分,并对是否需要维护保养及需要什么程度的维保进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011200413.6A CN112225026B (zh) | 2020-10-30 | 2020-10-30 | 一种基于声信号的电梯按需维保方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011200413.6A CN112225026B (zh) | 2020-10-30 | 2020-10-30 | 一种基于声信号的电梯按需维保方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112225026A true CN112225026A (zh) | 2021-01-15 |
CN112225026B CN112225026B (zh) | 2022-05-24 |
Family
ID=74121871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011200413.6A Active CN112225026B (zh) | 2020-10-30 | 2020-10-30 | 一种基于声信号的电梯按需维保方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112225026B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112978531A (zh) * | 2021-02-07 | 2021-06-18 | 猫岐智能科技(上海)有限公司 | 电梯运行评估*** |
CN115009944A (zh) * | 2022-05-26 | 2022-09-06 | 浙江鑫梯互联科技有限公司 | 一种用于电梯运行状态的智能实时监测*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07228443A (ja) * | 1994-02-15 | 1995-08-29 | Hitachi Building Syst Eng & Service Co Ltd | エレベーターの点検装置 |
CA2810457A1 (en) * | 2013-03-25 | 2014-09-25 | Gerald Bradley PENN | System and method for applying a convolutional neural network to speech recognition |
US20140288928A1 (en) * | 2013-03-25 | 2014-09-25 | Gerald Bradley PENN | System and method for applying a convolutional neural network to speech recognition |
US20160058426A1 (en) * | 2014-09-03 | 2016-03-03 | Contextvision Ab | Methods and systems for automatic control of subjective image quality in imaging of objects |
CN108291837A (zh) * | 2015-12-09 | 2018-07-17 | 三菱电机株式会社 | 劣化部位估计装置、劣化部位估计方法以及移动体的诊断*** |
CN109292567A (zh) * | 2018-02-28 | 2019-02-01 | 武汉大学 | 一种基于bp神经网络的电梯故障预测方法 |
CN110407051A (zh) * | 2019-08-02 | 2019-11-05 | 杭州岁丰信息技术有限公司 | 一种音视频识别电梯运行安全监测和安抚*** |
CN110407063A (zh) * | 2019-08-28 | 2019-11-05 | 开滦(集团)有限责任公司电信分公司 | 立井提升***刚性罐道实时监控方法及*** |
CN111325095A (zh) * | 2020-01-19 | 2020-06-23 | 西安科技大学 | 基于声波信号的设备健康状态智能检测方法和*** |
CN111354371A (zh) * | 2020-02-26 | 2020-06-30 | Oppo广东移动通信有限公司 | 交通工具运行状态的预测方法、装置、终端及存储介质 |
CN111526469A (zh) * | 2020-04-30 | 2020-08-11 | 成都千立网络科技有限公司 | 一种基于神经网络的扩声***啸叫点检测方法 |
-
2020
- 2020-10-30 CN CN202011200413.6A patent/CN112225026B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07228443A (ja) * | 1994-02-15 | 1995-08-29 | Hitachi Building Syst Eng & Service Co Ltd | エレベーターの点検装置 |
CA2810457A1 (en) * | 2013-03-25 | 2014-09-25 | Gerald Bradley PENN | System and method for applying a convolutional neural network to speech recognition |
US20140288928A1 (en) * | 2013-03-25 | 2014-09-25 | Gerald Bradley PENN | System and method for applying a convolutional neural network to speech recognition |
US20160058426A1 (en) * | 2014-09-03 | 2016-03-03 | Contextvision Ab | Methods and systems for automatic control of subjective image quality in imaging of objects |
CN108291837A (zh) * | 2015-12-09 | 2018-07-17 | 三菱电机株式会社 | 劣化部位估计装置、劣化部位估计方法以及移动体的诊断*** |
CN109292567A (zh) * | 2018-02-28 | 2019-02-01 | 武汉大学 | 一种基于bp神经网络的电梯故障预测方法 |
CN110407051A (zh) * | 2019-08-02 | 2019-11-05 | 杭州岁丰信息技术有限公司 | 一种音视频识别电梯运行安全监测和安抚*** |
CN110407063A (zh) * | 2019-08-28 | 2019-11-05 | 开滦(集团)有限责任公司电信分公司 | 立井提升***刚性罐道实时监控方法及*** |
CN111325095A (zh) * | 2020-01-19 | 2020-06-23 | 西安科技大学 | 基于声波信号的设备健康状态智能检测方法和*** |
CN111354371A (zh) * | 2020-02-26 | 2020-06-30 | Oppo广东移动通信有限公司 | 交通工具运行状态的预测方法、装置、终端及存储介质 |
CN111526469A (zh) * | 2020-04-30 | 2020-08-11 | 成都千立网络科技有限公司 | 一种基于神经网络的扩声***啸叫点检测方法 |
Non-Patent Citations (1)
Title |
---|
杨慧等: "基于小波的声发射信号去噪研究", 《现代电子技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112978531A (zh) * | 2021-02-07 | 2021-06-18 | 猫岐智能科技(上海)有限公司 | 电梯运行评估*** |
CN115009944A (zh) * | 2022-05-26 | 2022-09-06 | 浙江鑫梯互联科技有限公司 | 一种用于电梯运行状态的智能实时监测*** |
Also Published As
Publication number | Publication date |
---|---|
CN112225026B (zh) | 2022-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112225026B (zh) | 一种基于声信号的电梯按需维保方法 | |
CN110940539B (zh) | 一种基于人工经验及声音识别的机器设备故障诊断方法 | |
CN109599126B (zh) | 一种基于mel能量谱和卷积神经网络的声音故障识别方法 | |
US20190285517A1 (en) | Method for evaluating health status of mechanical equipment | |
US8781982B1 (en) | System and method for estimating remaining useful life | |
CN106650576A (zh) | 一种基于噪声特征统计量的矿山设备健康状态判决方法 | |
CN107527617A (zh) | 基于声音识别的监控方法、装置及*** | |
CN110361207B (zh) | 一种智能列车走行部在线状态预测***及其方法 | |
CN111275255A (zh) | 一种混凝土坝变形监测预报模型的构建方法 | |
CN111178732A (zh) | 基于大数据赋能条件下的区域动态火灾风险评估方法 | |
CN113192532A (zh) | 一种基于mfcc-cnn的矿井提升机故障声学分析方法 | |
CN113157663B (zh) | 基于数据重建和混合预测的网络流量预测方法及装置 | |
CN114004262A (zh) | 一种齿轮箱轴承故障检测方法及*** | |
CN115687969A (zh) | 一种基于声音特征分析的低压变压器故障诊断方法 | |
CN113611084A (zh) | 一种针对自然灾害可视化监测预警方法、装置和设备 | |
CN208516744U (zh) | 自动扶梯润滑状态监测***及用于其的声音数据收集装置 | |
CN113707175B (zh) | 基于特征分解分类器与自适应后处理的声学事件检测*** | |
CN113270110A (zh) | 一种zpw-2000a轨道电路发送器、接收器故障诊断方法 | |
CN115034422A (zh) | 基于波动识别和误差修正的风电短期功率预测方法和*** | |
CN109886538B (zh) | 基于动态监测数据的铁路信号设备质量评价方法及装置 | |
CN114925867A (zh) | 一种无缝钢管生产重点设备物联网维修预测*** | |
CN106548232A (zh) | Rbf‑ar模型的新型网络结构及参数辨识方法 | |
CN112850408B (zh) | 一种基于多模型融合的电梯急停困人故障检测方法 | |
CN115959549A (zh) | 基于数字孪生的扶梯故障诊断方法 | |
CN114966477A (zh) | 一种变压器声纹分析方法及*** |
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 |