CN112948203B - 一种基于大数据的电梯智能检验方法 - Google Patents
一种基于大数据的电梯智能检验方法 Download PDFInfo
- Publication number
- CN112948203B CN112948203B CN202110149069.0A CN202110149069A CN112948203B CN 112948203 B CN112948203 B CN 112948203B CN 202110149069 A CN202110149069 A CN 202110149069A CN 112948203 B CN112948203 B CN 112948203B
- Authority
- CN
- China
- Prior art keywords
- data
- inspection
- real
- standard
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
- G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3013—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is an embedded system, i.e. a combination of hardware and software dedicated to perform a certain function in mobile devices, printers, automotive or aircraft systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3051—Monitoring arrangements for monitoring the configuration of the computing system or of the computing system component, e.g. monitoring the presence of processing resources, peripherals, I/O links, software programs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
本发明公开了一种基于大数据的电梯智能检验方法,所述方法包括:将多个电梯运行控制中心的电梯历史运行数据和实时运行数据传输到大数据***;所述大数据***对所述历史运行数据进行要素筛选,得到检验所需必要数据;所述大数据***对所述检验所需必要数据进行数据集成整合,得到标准检验数据;对所述标准检验数据的检验要素进行提取关联,得到检验要素关联矩阵;通过对所述检验要素关联矩阵进行优化运算,得到智能检验预估模型;根据所述智能检验预估模型,对所述实时运行数据进行智能跟踪检验。
Description
技术领域
本发明涉及大数据电梯检验技术领域,更具体地说,本发明涉及一种基于大数据的电梯智能检验方法。
背景技术
电梯的安全问题关系到每一个人的人身安全和切身利益,而电梯检验是电梯安全的一个重要技术保障;电梯事故时有发生给电梯的检验技术带来很大压力;电梯数量急速增长数据量膨胀的情况下,大数据已成为解决电梯检验问题的一个重要技术方向;建立电梯智能检验方法是大数据一个重要的应用领域。
发明内容
在发明内容部分中引入了一系列简化形式的概念,这将在具体实施方式部分中进一步详细说明。本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征,更不意味着试图确定所要求保护的技术方案的保护范围。
为至少部分地解决上述问题,本发明提供了一种基于大数据的电梯智能检验方法,所述方法包括:
S100、将多个电梯运行控制中心的电梯历史运行数据和实时运行数据传输到大数据***;
S200、所述大数据***对所述历史运行数据进行要素筛选,得到检验所需必要数据;
S300、所述大数据***对所述检验所需必要数据进行数据集成整合,得到标准检验数据;
S400、对所述标准检验数据的检验要素进行提取关联,得到检验要素关联矩阵;
S500、通过对所述检验要素关联矩阵进行优化运算,得到智能检验预估模型;
S600、根据所述智能检验预估模型,对所述实时运行数据进行智能跟踪检验。
优选的,所述S100,包括:
S101、建立所述多个电梯运行控制中心和所述大数据***的数据传输通道;
S102、将需要运用所述大数据***智能检验的所述历史运行数据和实时运行数据通过所述数据传输通道,传输到所述大数据***;
S103、所述大数据***对所述多个电梯运行控制中心的所述历史运行数据和所述实时运行数据进行大数据处理;所述历史运行数据包括:标准检验数据、非标准检验数据和历史干扰数据;所述实时运行数据包括:实时运行状态数据、实时待检验数据和实时干扰数据。
优选的,所述S200,包括:
S201、通过所述大数据***的要素筛选模块,对所述电梯历史运行数据进行要素筛选,所述要素筛选的步骤如下:
根据所述标准检验数据和所述非标准检验数据,建立要素筛选的筛选原则;
将所述筛选原则进行数据转换,转换成筛选识别的筛选原则数据模块;
根据所述筛选原则数据模块,建立所述电梯检验数据的要素集合;
所述电梯检验数据的要素集合中包含电梯检验的所述标准检验数据识别向量和所述非标准检验数据识别向量;
根据所述检验数据识别向量,对所述历史运行数据进行识别筛选;符合所述检验数据识别向量的,识别为所述检验数据;不符合所述检验数据识别向量的,识别为历史干扰数据;
S202、通过所述要素筛选,筛选掉所述电梯历史运行数据中的所述历史干扰数据;
S203、去除历史干扰数据后,得到检验所需必要数据。
优选的,所述S300,包括:
S301、通过所述大数据***的数据集成整合模块,对所述检验所需必要数据进行数据集成整合,将电梯检验数据的不同数据类型进行集成化,将分布不均匀和结构不一致的数据进行集成化处理,得到分布均匀结构一致的集成化数据;
S302、将集成化数据集成整合到检验数据中,得到标准检验数据。
优选的,所述S400,包括:
S401、对所述标准检验数据进行要素提取,得到检验要素矩阵;
S402、对所述检验要素矩阵中缺失的检验要素进行差补,得到标准检验要素矩阵;
S403、对所述标准检验要素矩阵中的检验要素进行关联化处理,得到检验要素关联矩阵。
优选的,所述S500,包括:
S501、对所述检验要素关联矩阵元素的速度进行更新:
为所述检验要素关联矩阵元素的速度更新,p为迭代次数,s为迭代中的更新次数,s+1为迭代更新次数的下一个更新,pz为最大迭代次数,βmax为惯性权重的最大值,βmin为惯性权重的最小值,为所述检验要素关联矩阵元素的当前速度迭代,a1,a2为加速系数,r1,r2为0到1之间的随机数,为r1,r2的迭代更新;为个体极值,为全局极值,为更新前位置;
S502、对所述检验要素关联矩阵元素的位置进行更新:
S503、通过循环迭代,可以输出其最优检验要素关联矩阵;通过最优检验要素关联矩阵进行数据训练,建立智能检验预估模型。
优选的,所述S600,包括:
S601、所述大数据***读取所述电梯实时运行数据;
S602、通过所述大数据***的数据漏斗模块,对所述实时运行数据进行实时数据漏斗筛选,筛选掉所述实时干扰数据;
S603、通过所述大数据***的要素筛选,得到所述实时待检验数据。
优选的,所述实时待检验数据,包括:实时标准待检验数据和实时非标准待检验数据;
通过所述大数据***的数据集成整合模块,对所述所述实时标准待检验数据和实时非标准待检验数据进行数据集成整合,集成整合后得到实时标准待检验数据。
优选的,根据所述智能检验预估模型,对所述实时运行数据进行智能跟踪检验,还包括:将所述实时标准待检验数据,输入所述智能检验预估模型,所述智能检验预估模型对所述实时标准待检验数据进行智能跟踪检验。
优选的,所述智能检验预估模型对所述标准待检验数据进行智能跟踪检验,包括:将标准待检验数据输入智能检验预估模型,所述智能检验预估模型,跟踪对比检验数据是否符合检验要素:如果智能检验预估模型跟踪检验,所述标准待检验数据的实时运行数据必要因素,不符合检验要素,则不需要检验;如果智能检验预估模型跟踪检验,所述标准待检验数据的实时运行数据必要因素,符合检验要素,则需要进行检验;所述大数据***发送智能检验结果到所述电梯运行控制中心。
相比现有技术,本发明至少包括以下有益效果:
本发明所述的一种基于大数据的电梯智能检验方法运用大数据平台,适于处理电梯运行庞大而复杂的数据量;要素筛选和数据集成整合,可以滤除掉所述非标准检验数据和所述历史干扰数据,得到检验过程中的必要因素,得到标准检验数据;可以很好的解决电梯运行数据的:数据量庞大、数据类型复杂多样、数据干扰因素多的问题;采用智能训练数据动态批量整合,使数据的分布变化整合到一定范围内的同时,还可以动态调节;从多个因素出发对各种电梯检验方案的优劣程度进行联合评估;经过分析比较,选择出其方案可得到最优方案;可以快速到达最优或平衡状态;可以得到最终更加合理的电梯运行检验结果以及检验结果验证。
本发明所述的一种基于大数据的电梯智能检验方法,本发明的其它优点、目标和特征将部分通过下面的说明体现,还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明所述的一种基于大数据的电梯智能检验方法的流程图。
具体实施方式
下面结合附图以及实施例对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
如图1所示,本发明提供了一种基于大数据的电梯智能检验方法,所述方法包括:
S100、将多个电梯运行控制中心的电梯历史运行数据和实时运行数据传输到大数据***;
S200、所述大数据***对所述历史运行数据进行要素筛选,得到检验所需必要数据;
S300、所述大数据***对所述检验所需必要数据进行数据集成整合,得到标准检验数据;
S400、对所述标准检验数据的检验要素进行提取关联,得到检验要素关联矩阵;
S500、通过对所述检验要素关联矩阵进行优化运算,得到智能检验预估模型;
S600、根据所述智能检验预估模型,对所述实时运行数据进行智能跟踪检验。
上述技术方案的工作原理:运用大数据平台,适于处理庞大而复杂的数据量;通过对所述历史运行数据进行要素筛选;通过数据集成整合,对所述检验过程中的必要因素进行数据集成整合;采用最大可分型和最近重构性,提取数据的主要特征分量;采用智能训练数据动态调节;对数据进行差补完善,以得到标准检验要素矩阵;从多个因素出发对多目标***方案综合评定优劣程度;得出预估值加权和最大的方案;在运算过程中,每次迭代都是基于以最短的距离和最快的速度到达目标点;采用数据漏斗的有序和无序接合方式,得到最终的顺序目标数据。
上述技术方案的有益效果:运用大数据平台,适于处理电梯运行庞大而复杂的数据量;要素筛选和数据集成整合,可以滤除掉所述非标准检验数据和所述历史干扰数据,得到检验过程中的必要因素,得到标准检验数据;可以很好的解决电梯运行数据的:数据量庞大、数据类型复杂多样、数据干扰因素多的问题;采用智能训练数据动态批量整合,使数据的分布变化整合到一定范围内的同时,还可以动态调节;从多个因素出发对各种电梯检验方案的优劣程度进行联合评估;经过分析比较,选择出其方案可得到最优方案;可以快速到达最优或平衡状态;可以得到最终更加合理的电梯运行检验结果以及检验结果验证。
在一个实施例中,所述S100,包括:
S101、建立所述多个电梯运行控制中心和所述大数据***的数据传输通道;
S102、将需要运用所述大数据***智能检验的所述历史运行数据和实时运行数据通过所述数据传输通道,传输到所述大数据***;
S103、所述大数据***对所述多个电梯运行控制中心的所述历史运行数据和所述实时运行数据进行大数据处理;所述历史运行数据包括:标准检验数据、非标准检验数据和历史干扰数据;所述实时运行数据包括:实时运行状态数据、实时待检验数据和实时干扰数据。
上述技术方案的工作原理:电梯历史运行数据的数据量庞大,而且数据类型复杂多样,普通平台处理非常困难,运用大数据平台,适于处理庞大而复杂的数据量;所述大数据***选择大数据***平台;所述历史运行数据,包括:标准检验数据、非标准检验数据和历史干扰数据;所述实时运行数据包括:实时运行状态数据、实时待检验数据和实时干扰数据;本发明采用大数据***平台的数据挖掘模块、数据提取模块、数据集成整合转换等模块功能,通过所述大数据***的内嵌模块,构建数据处理的任务模块,通过所述大数据***的要素筛选模块,对所述历史运行数据进行要素筛选;通过所述大数据***的要素整合模块,对所述检验过程中的必要因素进行数据集成整合。
上述技术方案的有益效果:运用大数据平台,适于处理电梯运行庞大而复杂的数据量;本发明采用的大数据***平台具有丰富数据挖掘分析和算法功能,适合用于解决电梯历史及运行数据庞大的数据量和智能预测检验;通过所述大数据***的要素筛选模块,可以滤除掉所述非标准检验数据和所述历史干扰数据,得到检验过程中的必要因素;通过所述大数据***的要素整合模块,可以得到标准检验数据;采用上述方案,可以很好的解决电梯运行数据的:数据量庞大、数据类型复杂多样、数据干扰因素多的问题,从而为数据的后续处理和运算选择了相对更好的平台基础。
在一个实施例中,所述S200,包括:
S201、通过所述大数据***的要素筛选模块,对所述电梯历史运行数据进行要素筛选,所述要素筛选的步骤如下:
根据所述标准检验数据和所述非标准检验数据,建立要素筛选的筛选原则;
将所述筛选原则进行数据转换,转换成筛选识别的筛选原则数据模块;
根据所述筛选原则数据模块,建立所述电梯检验数据的要素集合;
所述电梯检验数据的要素集合中包含电梯检验的所述标准检验数据识别向量和所述非标准检验数据识别向量;
根据所述检验数据识别向量,对所述历史运行数据进行识别筛选;符合所述检验数据识别向量的,识别为所述检验数据;不符合所述检验数据识别向量的,识别为历史干扰数据;
S202、通过所述要素筛选,筛选掉所述电梯历史运行数据中的所述历史干扰数据;
S203、去除历史干扰数据后,得到检验所需必要数据。
上述技术方案的工作原理:所述大数据***的要素筛选模块,原理采用最大可分型和最近重构性,其特点是最大可分型的优化条件为划分后方差最大;最近重构性的优化条件为点到划分平面距离最小;可用于提取数据的主要特征分量;采用基数据的数量少于向量本身的维数,数据映射后的映射数值最大化分散,或者说熵越小所含信息越少;对所述电梯历史运行数据的非必要因素进行要素筛选。
上述技术方案的有益效果:所述大数据***的要素筛选模块采用最大可分型和最近重构性,可以使数据划分后方差最大,而且点到划分平面距离最小;对于主要特征分量的提取更合理;筛选基数据的数量少于向量本身的维数,可以降低维度;采用数据映射后的映射数值最大化分散,可以避免重叠则造成的样本丢失;采用熵数值最大化,所含信息更多,对所述电梯历史运行数据的非必要因素进行要素筛选,可以最大程度保留原有的电梯历史运行数据因素。
在一个实施例中,所述S300,包括:
S301、通过所述大数据***的数据集成整合模块,对所述检验所需必要数据进行数据集成整合,将电梯检验数据的不同数据类型进行集成化,将分布不均匀和结构不一致的数据进行集成化处理,得到分布均匀结构一致的集成化数据;
S302、将集成化数据集成整合到检验数据中,得到标准检验数据。
上述技术方案的工作原理:采用智能训练数据动态批量整合原理;数据挖掘训练时经常发生数据挖掘训练困难,数据迭代更新,数据的分布会发生变化,这就会造成和数据挖掘的目标相矛盾;而数据挖掘目的是要使变化最小这就造成数据挖掘的和困难;所以本发明采用智能训练数据动态批量整合,使数据的分布变化整合到一定范围内的同时,还可以动态调节;所述动态调节,可以使分布变化后,以最快的速度、最短的路径返回到数据循环过程中。
上述技术方案的有益效果:智能训练数据动态批量整合,可以显著降低数据挖掘训练时经常发生的数据挖掘训练困难度;优化数据迭代更新过程中数据分布时时发生变化而造成的数据挖掘的目标相矛盾问题;采用智能训练数据动态批量整合,使数据的分布变化整合到一定范围内的同时,还可以动态调节;所述动态调节,可以使分布变化后,以最快的速度、最短的路径返回到数据循环过程中的分布范围内。
在一个实施例中,所述S400,包括:
S401、对所述标准检验数据进行要素提取,得到检验要素矩阵;
S402、对所述检验要素矩阵中缺失的检验要素进行差补,得到标准检验要素矩阵;
S403、对所述标准检验要素矩阵中的检验要素进行关联化处理,得到检验要素关联矩阵。
上述技术方案的工作原理:已经清洗和整合的数据认为已经具备较为完备的提取条件,经过数据整理后的要素,干扰因素和不相关因素已经被清理掉或整合;但是仍可能不够充足,因为有部分数据可能会不完整、缺失要素、或丢失,需要对数据进行差补完善,以得到标准检验要素矩阵;从多个因素出发对多目标***方案综合评定优劣程度;各种电梯检验方案的相关评价指标的评价值,采用用关联矩阵形式来表示,计算各方案预估值的加权和,经过分析比较,得出预估值加权和最大的方案。
上述技术方案的有益效果:采用要素差补接合关联矩阵,可以将已经过数据整理后的要素干扰因素和不相关因素已经被清理掉或整合但仍可能不够充足的数据进行差补和关联,解决部分数据不完整、缺失要素、或丢失的问题;可以以得到标准检验要素矩阵;可以从多个因素出发对各种电梯检验方案的优劣程度进行联合评估;各种电梯检验方案的相关评价指标的评价值,采用用关联矩阵形式来表示,计算各方案预估值的加权和,将多目标问题分解为两指标的重要度对比,经过分析比较,得出预估值加权和最大的方案,选择出其方案可得到最优方案。
在一个实施例中,所述S500,包括:
S501、对所述检验要素关联矩阵元素的速度进行更新:
为所述检验要素关联矩阵元素的速度更新,p为迭代次数,s为迭代中的更新次数,s+1为迭代更新次数的下一个更新,pz为最大迭代次数,βmax为惯性权重的最大值,βmin为惯性权重的最小值,为所述检验要素关联矩阵元素的当前速度迭代,a1,a2为加速系数,r1,r2为0到1之间的随机数,为r1,r2的迭代更新;为个体极值,为全局极值,为更新前位置;
S502、对所述检验要素关联矩阵元素的位置进行更新:
S503、通过循环迭代,可以输出其最优检验要素关联矩阵;通过最优检验要素关联矩阵进行数据训练,建立智能检验预估模型。
上述技术方案的工作原理:在运算过程中,每次迭代都是基于以最短的距离和最快的速度到达目标点,高维度搜索空间中保存有所有元素的上一个状态的最优记忆元素位置,下一次迭代,以和所有元素的最优位置的记忆,新的元素位置计算通过元素的信息组合;速度调节参数和可调节的调节参数之比较大时,元素快速汇聚,反之,元素较慢的分散;每一次迭代,都经过了一个周期的循环更新;元素在多维搜索空间中的状态不断被改变,调整速度和其相关性的每一维度数上的分量,直到超过了运算迭代限值。
上述技术方案的有益效果:可以保持高维度搜索空间中保存有所有元素的上一个状态的最优记忆元素位置,每次迭代都是基于以最短的距离和最快的速度到达目标点;新的元素位置计算通过元素的信息组合,可以运算中的下一次迭代为元素的最优位置;速度调节参数可调节,使元素快速汇聚;每一次迭代,都经过了一个迭代周期内的循环更新;函数性质的要求宽泛,适应性更广;更适合于存在多个局部极值点的运算过程;元素在多维搜索空间中的状态不断被改变,调整速度和其相关性的每一维度数上的分量,可以快速到达最优或平衡状态。
在一个实施例中,所述S600,包括:
S601、所述大数据***读取所述电梯实时运行数据;
S602、通过所述大数据***的数据漏斗模块,对所述实时运行数据进行实时数据漏斗筛选,筛选掉所述实时干扰数据;
S603、通过所述大数据***的要素筛选,得到所述实时待检验数据。
上述技术方案的工作原理:采用数据漏斗的有序和无序接合方式,将转化率和流失率两个互补型指标,从起点到终点逐级过滤,可调节的数据转化率;初级阶段采用无序方法,后续采用阶段采用有序方法;初级以广泛的方式,得到初级目标数据;后续将各个步骤之间的顺序进行限定,得到最终的顺序目标数据。
上述技术方案的有益效果:从起点到终点逐级过滤,采用数据漏斗的有序和无序接合方式,将转化率和流失率两个互补型指标,转化为可调节的数据转化率;初级阶段采用无序方法,可以采用广泛的方式,快速得到初级目标数据;后续采用阶段采用有序方法,将各个步骤之间的顺序进行限定,得到最终的顺序目标数据;以输入所述电梯检验数据模型进行验证;可以以最快的速度,得到初级目标数据,并以最优化的模型输入数据进行验证,以得到最终更加合理的验证检验结果。
在一个实施例中,所述实时待检验数据,包括:实时标准待检验数据和实时非标准待检验数据;通过所述大数据***的数据集成整合模块,对所述所述实时标准待检验数据和实时非标准待检验数据进行数据集成整合,集成整合后得到实时标准待检验数据。
根据所述智能检验预估模型,对所述实时运行数据进行智能跟踪检验,还包括:将所述实时标准待检验数据,输入所述智能检验预估模型,所述智能检验预估模型对所述实时标准待检验数据进行智能跟踪检验。
所述智能检验预估模型对所述标准待检验数据进行智能跟踪检验,包括:将标准待检验数据输入智能检验预估模型,所述智能检验预估模型,跟踪对比检验数据是否符合检验要素:如果智能检验预估模型跟踪检验,所述标准待检验数据的实时运行数据必要因素,不符合检验要素,则不需要检验;如果智能检验预估模型跟踪检验,所述标准待检验数据的实时运行数据必要因素,符合检验要素,则需要进行检验;所述大数据***发送智能检验结果到所述电梯运行控制中心。
上述技术方案的工作原理:通过数据集成整合,对所述检验过程中的必要因素进行数据集成整合;采用最大可分型和最近重构性,提取数据的主要特征分量;运用大数据平台,适于处理庞大而复杂的数据量;通过对所述历史运行数据进行要素筛选;采用智能训练数据动态调节;对数据进行差补完善,以得到标准检验要素矩阵;在运算过程中,每次迭代都是基于以最短的距离和最快的速度到达目标点;采用数据漏斗的有序和无序接合方式,得到最终的顺序目标数据;从多个因素出发对多目标***方案综合评定优劣程度;得出预估值加权和最大的方案。
上述技术方案的有益效果:运用大数据平台,可以很好的解决电梯运行数据的数据量庞大、数据类型复杂多样、数据干扰因素多的问题;适于处理电梯运行庞大而复杂的数据量;要素筛选和数据集成整合,可以滤除掉所述非标准检验数据和所述历史干扰数据,得到检验过程中的必要因素,得到标准检验数据;采用智能训练数据动态批量整合,使数据的分布变化整合到一定范围内的同时,还可以动态调节;通过智能检验预估模型,可以对电梯实时运行数据进行智能跟踪检验;从多个因素出发对各种电梯检验方案的优劣程度进行联合评估;经过分析比较,选择出其方案可得到最优方案;可以快速到达最优或平衡状态;可以得到最终更加合理的电梯运行检验结果。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节与这里示出与描述的图例。
Claims (5)
1.一种基于大数据的电梯智能检验方法,其特征在于,所述方法包括:
S100、将多个电梯运行控制中心的电梯历史运行数据和实时运行数据传输到大数据***;
S200、所述大数据***对所述历史运行数据进行要素筛选,得到检验所需必要数据;
S300、所述大数据***对所述检验所需必要数据进行数据集成整合,得到标准检验数据;
S400、对所述标准检验数据的检验要素进行提取关联,得到检验要素关联矩阵;
S500、通过对所述检验要素关联矩阵进行优化运算,得到智能检验预估模型;
S600、根据所述智能检验预估模型,对所述实时运行数据进行智能跟踪检验;
所述S200,包括:
S201、通过所述大数据***的要素筛选模块,对所述电梯历史运行数据进行要素筛选,所述要素筛选的步骤如下:
根据所述标准检验数据和所述非标准检验数据,建立要素筛选的筛选原则;
将所述筛选原则进行数据转换,转换成筛选识别的筛选原则数据模块;
根据所述筛选原则数据模块,建立所述电梯检验数据的要素集合;
所述电梯检验数据的要素集合中包含电梯检验的所述标准检验数据识别向量和所述非标准检验数据识别向量;
根据所述检验数据识别向量,对所述历史运行数据进行识别筛选;符合所述检验数据识别向量的,识别为所述检验数据;不符合所述检验数据识别向量的,识别为历史干扰数据;
S202、通过所述要素筛选,筛选掉所述电梯历史运行数据中的所述历史干扰数据;
S203、去除历史干扰数据后,得到检验所需必要数据;
所述大数据***的要素筛选模块,原理采用最大可分型和最近重构性,其特点是最大可分型的优化条件为划分后方差最大;最近重构性的优化条件为点到划分平面距离最小;可用于提取数据的主要特征分量;采用基数据的数量少于向量本身的维数,数据映射后的映射数值最大化分散,或者说熵越小所含信息越少;对所述电梯历史运行数据的非必要因素进行要素筛选;
所述S600,包括:
S601、所述大数据***读取所述电梯实时运行数据;
S602、通过所述大数据***的数据漏斗模块,对所述实时运行数据进行实时数据漏斗筛选,筛选掉所述实时干扰数据;
S603、通过所述大数据***的要素筛选,得到所述实时待检验数据;
所述实时待检验数据,包括:实时标准待检验数据和实时非标准待检验数据;
通过所述大数据***的数据集成整合模块,对所述所述实时标准待检验数据和实时非标准待检验数据进行数据集成整合,集成整合后得到实时标准待检验数据;
所述S600,还包括:将所述实时标准待检验数据,输入所述智能检验预估模型,所述智能检验预估模型对所述实时标准待检验数据进行智能跟踪检验;
所述智能检验预估模型对所述标准待检验数据进行智能跟踪检验,包括:将标准待检验数据输入智能检验预估模型,所述智能检验预估模型,跟踪对比检验数据是否符合检验要素:如果智能检验预估模型跟踪检验,所述标准待检验数据的实时运行数据必要因素,不符合检验要素,则不需要检验;如果智能检验预估模型跟踪检验,所述标准待检验数据的实时运行数据必要因素,符合检验要素,则需要进行检验;所述大数据***发送智能检验结果到所述电梯运行控制中心。
2.根据权利要求1所述的一种基于大数据的电梯智能检验方法,其特征在于,
所述S100,包括:
S101、建立所述多个电梯运行控制中心和所述大数据***的数据传输通道;
S102、将需要运用所述大数据***智能检验的所述历史运行数据和实时运行数据通过所述数据传输通道,传输到所述大数据***;
S103、所述大数据***对所述多个电梯运行控制中心的所述历史运行数据和所述实时运行数据进行大数据处理;所述历史运行数据包括:标准检验数据、非标准检验数据和历史干扰数据;所述实时运行数据包括:实时运行状态数据、实时待检验数据和实时干扰数据。
3.根据权利要求1所述的一种基于大数据的电梯智能检验方法,其特征在于,所述S300,包括:
S301、通过所述大数据***的数据集成整合模块,对所述检验所需必要数据进行数据集成整合,将电梯检验数据的不同数据类型进行集成化,将分布不均匀和结构不一致的数据进行集成化处理,得到分布均匀结构一致的集成化数据;
S302、将集成化数据集成整合到检验数据中,得到标准检验数据。
4.根据权利要求1所述的一种基于大数据的电梯智能检验方法,其特征在于,所述S400,包括:
S401、对所述标准检验数据进行要素提取,得到检验要素矩阵;
S402、对所述检验要素矩阵中缺失的检验要素进行差补,得到标准检验要素矩阵;
S403、对所述标准检验要素矩阵中的检验要素进行关联化处理,得到检验要素关联矩阵。
5.根据权利要求1所述的一种基于大数据的电梯智能检验方法,其特征在于,所述S500,包括:
S501、对所述检验要素关联矩阵元素的速度进行更新:
为所述检验要素关联矩阵元素的速度更新,p为迭代次数,s为迭代中的更新次数,s+1为迭代更新次数的下一个更新,pz为最大迭代次数,βmax为惯性权重的最大值,βmin为惯性权重的最小值,为所述检验要素关联矩阵元素的当前速度迭代,a1,a2为加速系数,r1,r2为0到1之间的随机数,为r1,r2的迭代更新;为个体极值,为全局极值,为更新前位置;
S502、对所述检验要素关联矩阵元素的位置进行更新:
S503、通过循环迭代,可以输出其最优检验要素关联矩阵;通过最优检验要素关联矩阵进行数据训练,建立智能检验预估模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110149069.0A CN112948203B (zh) | 2021-02-03 | 2021-02-03 | 一种基于大数据的电梯智能检验方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110149069.0A CN112948203B (zh) | 2021-02-03 | 2021-02-03 | 一种基于大数据的电梯智能检验方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112948203A CN112948203A (zh) | 2021-06-11 |
CN112948203B true CN112948203B (zh) | 2023-04-07 |
Family
ID=76242319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110149069.0A Active CN112948203B (zh) | 2021-02-03 | 2021-02-03 | 一种基于大数据的电梯智能检验方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112948203B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109213752A (zh) * | 2018-08-06 | 2019-01-15 | 国网福建省电力有限公司信息通信分公司 | 一种基于cim的数据清洗转换方法 |
CN109582140A (zh) * | 2018-11-23 | 2019-04-05 | 哈尔滨工业大学 | 一种基于虚拟现实与眼动追踪的建筑室内寻路要素视觉显著性评估***与方法 |
CN110543615A (zh) * | 2019-09-05 | 2019-12-06 | 国网湖南省电力有限公司 | 基于spss解释结构模型的风险因子交互作用分析方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108763377B (zh) * | 2018-05-18 | 2021-08-13 | 郑州轻工业学院 | 基于卫星故障诊断多源遥测大数据特征提取预处理方法 |
CN110766050B (zh) * | 2019-09-19 | 2023-05-23 | 北京捷通华声科技股份有限公司 | 模型生成方法、文本识别方法、装置、设备及存储介质 |
CN110704469B (zh) * | 2019-10-22 | 2022-11-11 | 北京明智和术科技有限公司 | 一种预警等级的更新方法、更新装置及可读存储介质 |
CN110992490B (zh) * | 2019-12-13 | 2023-06-20 | 重庆交通大学 | 基于cad建筑平面图自动提取室内地图的方法 |
CN111667102B (zh) * | 2020-05-22 | 2023-01-17 | 中国南方电网有限责任公司 | 一种用于电力***变压器元件运行状态故障预警的智能挖掘算法 |
CN112101682B (zh) * | 2020-09-25 | 2024-04-09 | 北京百度网讯科技有限公司 | 流量模式预测方法、装置、服务器以及可读介质 |
-
2021
- 2021-02-03 CN CN202110149069.0A patent/CN112948203B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109213752A (zh) * | 2018-08-06 | 2019-01-15 | 国网福建省电力有限公司信息通信分公司 | 一种基于cim的数据清洗转换方法 |
CN109582140A (zh) * | 2018-11-23 | 2019-04-05 | 哈尔滨工业大学 | 一种基于虚拟现实与眼动追踪的建筑室内寻路要素视觉显著性评估***与方法 |
CN110543615A (zh) * | 2019-09-05 | 2019-12-06 | 国网湖南省电力有限公司 | 基于spss解释结构模型的风险因子交互作用分析方法 |
Non-Patent Citations (1)
Title |
---|
面向城市基础设施智慧运管的大数据智能融合方法;孙婷婷;《电子技术与软件工程》(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112948203A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110033021B (zh) | 一种基于一维多路卷积神经网络的故障分类方法 | |
US8095484B2 (en) | System and method for automatic virtual metrology | |
CN110352389B (zh) | 信息处理装置及信息处理方法 | |
CN109472057B (zh) | 基于跨工步隐式参数记忆的产品加工质量预测装置及方法 | |
CN109472088B (zh) | 一种页岩气调产井生产压力动态预测方法 | |
WO2018009733A1 (en) | Computer system and method for monitoring key performance indicators (kpis) online using time series pattern model | |
CN109409425B (zh) | 一种基于近邻成分分析的故障类型识别方法 | |
CN112818893A (zh) | 一种面向移动终端的轻量化开集地标识别方法 | |
CN111985825A (zh) | 一种用于滚磨机定向仪的晶面质量评估方法 | |
CN112819107A (zh) | 基于人工智能的燃气调压设备故障预测方法 | |
CN114358197A (zh) | 分类模型的训练方法及装置、电子设备、存储介质 | |
CN113959974B (zh) | 一种普适性近红外光谱模型的传递方法 | |
CN112948203B (zh) | 一种基于大数据的电梯智能检验方法 | |
CN113204857A (zh) | 基于极端梯度提升树算法的电子器件剩余寿命预测方法 | |
CN111177644A (zh) | 模型参数的优化方法、装置、设备及存储介质 | |
CN115718880A (zh) | 一种复杂装备退化阶段的预测方法 | |
CN117934963B (zh) | 一种气体传感器漂移补偿方法 | |
CN112926442B (zh) | 一种图像目标数据集均衡完备的构建方法 | |
CN116777292B (zh) | 基于多批次小样本航天产品的缺陷率指标修正方法 | |
CN117648657B (zh) | 一种城市规划多源数据优化处理方法 | |
CN113255744B (zh) | 一种红外目标检测方法及*** | |
CN114298130A (zh) | 短期风电功率预测方法及装置 | |
CN118172275A (zh) | 基于人工智能的全彩星光成像分析方法及*** | |
CN117575412A (zh) | 用于装药质量预测的模型训练方法、装置、设备和介质 | |
CN117057475A (zh) | 充电站负荷预测方法、装置、存储介质和计算机设备 |
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 |