CN114408694A - 一种电梯故障预测***及其预测方法 - Google Patents
一种电梯故障预测***及其预测方法 Download PDFInfo
- Publication number
- CN114408694A CN114408694A CN202210208660.3A CN202210208660A CN114408694A CN 114408694 A CN114408694 A CN 114408694A CN 202210208660 A CN202210208660 A CN 202210208660A CN 114408694 A CN114408694 A CN 114408694A
- Authority
- CN
- China
- Prior art keywords
- fault
- elevator
- data
- data set
- detection data
- 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
- B66B5/0018—Devices monitoring the operating condition of the elevator system
- B66B5/0031—Devices monitoring the operating condition of the elevator system for safety reasons
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B50/00—Energy efficient technologies in elevators, escalators and moving walkways, e.g. energy saving or recuperation technologies
Landscapes
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
本发明提供了一种电梯故障预测***及其预测方法,其***包括:数据检测层,用于获取并对所述检测数据集合进行截尾处理获得对应的有效检测数据集合;故障记录层,用于获得故障记录结果;数据分析层,用于对所述有效检测数据集合和所述故障记录结果进行分析,确定出每种故障类型对应的多元回归方程;故障预测层,用于基于所述多元回归方程式构建出对应的故障预测神经网络,并获得对应的电梯故障预测结果;指令传输层,用于将所述故障预测结果发送至电梯总控中心,并将对应的维护指令发送至对应部门。用以改善传统的电梯监管在预警、预防、快速响应等方面存在的不足,提高预测精度和预测过程的智能化。
Description
技术领域
本发明涉及故障预测技术领域,特别涉及一种电梯故障预测***及其预测方法。
背景技术
目前,随着城市建设发展,电梯数量快速增长,老旧电梯的数量也在逐渐增加,电梯的使用、管理、安全等问题日趋复杂化,已经成为社会关注的焦点,政府***压力日益增大。面对数量巨大的电梯监管任务,传统的电梯监管在预警、预防、快速响应等方面存在不足,加上百姓对美好城市生活的向往,在此新形势下,对电梯故障预测方式进行探索,挖掘新的电梯故障预测方式十分必要。
因此,本发明提出一种电梯故障预测***及其预测方法。
发明内容
本发明提供一种电梯故障预测***及其预测方法,用以改善传统的电梯监管在预警、预防、快速响应等方面存在的不足,提高预测精度和预测过程的智能化。
本发明提供一种电梯故障预测***,包括:
数据检测层,用于基于设置在电梯上的检测设备获取所述电梯对应的检测数据集合,对所述检测数据集合进行截尾处理,获得对应的有效检测数据集合;
故障记录层,用于记录所述电梯的故障时刻和对应的故障相关信息获得故障记录结果;
数据分析层,用于对所述有效检测数据集合和所述故障记录结果进行分析,确定出每种故障类型对应的多元回归方程;
故障预测层,用于基于所述多元回归方程式构建出对应的故障预测神经网络,基于最新获取的有效检测数据集合和故障预测神经网络,获得对应的电梯故障预测结果;
指令传输层,用于将所述故障预测结果发送至电梯总控中心,同时,基于所述故障预测结果将对应的维护指令发送至对应部门。
优选的,所述数据检测层,包括:
数据获取模块,用于基于设置在所述电梯上的检测设备获取所述电梯对应的检测数据;
第一汇总模块,用于将所有检测设备获取的检测数据进行汇总获得对应的检测数据集合;
截尾处理模块,用于基于所述检测数据集合中的数据类型确定对应的截尾结构,基于所述截尾结构对对应的检测数据进行截尾处理,获得对应的有效检测数据;
第二汇总模块,用于基于截尾后形成的数据空位将所有有效检测数据进行数据位对齐处理,将对齐处理后的有效检测数据进行汇总,获得对应的有效检测数据集合。
优选的,所述截尾处理模块,包括:
系数确定单元,用于基于数据类型将所述有效检测数据集合划分为多个子数据链,并确定出所述子数据链的自相关系数和偏自相关系数;
图像拟合单元,用于基于所述自相关系数拟合出对应的自相关函数图,同时,基于所述偏自相关系数拟合出对应的偏自相关函数图;
结构确定单元,用于基于所述自相关函数图和所述偏自相关函数图确定出所述子数据链对应的截尾结构;
截尾处理单元,用于基于所述截尾结构对对应的检测数据进行截尾处理,获得对应的有效检测数据。
优选的,所述结构确定单元,包括:
区段确定子单元,用于基于所述自相关函数图的第一标准差确定出对应的第一判别区段,并将所述自相关函数图中除所述第一判别区段以外剩余的区段作为第二判别区段,同时,基于所述偏自相关函数图的第二标准差确定出对应的第三判别区段,并将所述偏自相关函数图中除所述第三判别区段以外剩余的区段作为第四判别区段;
第一确定子单元,用于当所述自相关函数图中第一判别区段中包含的所有第一自相关系数超过1.5倍第一标准差且所述偏自相关函数图中第三判别区段中包含的所有第一偏自相关系数超过1.5倍第二标准差时,则判断所述第二判别区段中包含的所有第二自相关系数是否都不超过1.5倍第一标准差且所述第四判别区段中包含的所有第二偏自相关系数是否都不超过1.5倍第二标准差,若是,则确定出所述自相关函数图中的第一小值波动段和所述偏自相关函数图中的第二小值波动段,并确定出所述第一小值波动段对应的第一波动系数和所述第二小值波动段对应的第二波动系数,同时,确定出所述自相关函数图对应的第三波动系数以及所述偏自相关函数图对应的第四波动系数,当所述第一波动系数大于所述第三波动系数且所述第二波动系数大于所述第四波动系数时,则将对应子数据链的截尾结构确定为第一阶值截尾,否则,将对应子数据链的截尾结构确定为第二阶值截尾;
第二确定子单元,还用于当所述第二判别区段中包含的所有第二自相关系数不都不超过1.5倍第一标准差且所述第四判别区段中包含的所有第二偏自相关系数不都不超过1.5倍第二标准差时,则将对应子数据链的截尾结构确定为第三阶值截尾;
第三确定子单元,还用于当所述自相关函数图中第一判别区段中包含的所有第一自相关系数未全部超过1.5倍第一标准差且所述偏自相关函数图中第三判别区段中包含的所有第一偏自相关系数未全部超过1.5倍第二标准差时,则将对应子数据链的截尾结构确定为第四阶值截尾。
优选的,所述故障记录层,包括:
故障记录模块,用于记录所述电梯每次发生故障时对应的故障时刻、故障持续时间、故障类型;
结果拟合模块,用于将所述故障持续时间和所述故障类型作为对应故障时刻对应的故障相关信息,基于所述故障时刻将所述故障相关信息和时间轴融合,获得对应的故障记录结果。
优选的,所述数据分析层,包括:
数据融合模块,用于将所述有效检测数据集合中的有效检测数据按照时间对齐,获得对应的对齐结果,将所述对齐结果和所述故障记录结果进行融合,获得对应的融合结果;
数据分析模块,用于从所述融合结果中确定出每个故障时间对应的第一时间点,从所述融合结果中确定出所述第一时间点对应的离群子数据链,将所述离群子数据链对应的数据类型作为对应故障类型对应的影响数据类型;
数据提取模块,用于确定出每种故障类型对应的所有影响数据类型,并确定出发生所述故障类型的所有第二时间点,从融合结果中提取出所述第二时间点对应的所有影响数据类型的有效检测数据,获得对应的影响数据子集合,将所有第二时间对应的影响数据子集合中包含的有效检测数据融合,获得所述故障类型对应的影响数据集合;
方程确定模块,用于将所述故障持续时间和所述故障类型作为自变量,同时,将对应的影响数据集合作为对应的因变量,对所述影响数据集合进行分析,获得对应故障类型的多元回归方程。
优选的,所述故障预测层,包括:
树构建模块,基于所有故障类型对应的所有影响数据类型之间的交叉关系,构建出所述电梯对应的故障判别数据类型树;
层数统计模块,用于将所述判别数据类型树的总层数作为第一常数,将所述判别数据类型树的总分支数作为第二常数;
节点数确定模块,用于将所述第一常数作为输出层节点数,同时,将所述第二常数作为输入层节点数,基于所述第一常数和所述第二常数确定出对应的隐藏层节点数;
模型构建模块,用于基于所述输出层节点数和所述输入层节点数以及所述隐藏层节点数设置神经网络的初始参数,获得对应的初始故障预测网络;
模型训练模块,用于基于所述多元回归方程对所述初始故障预测网络进行训练,获得对应的故障预测神经网络;
故障预测模块,用于获取最新的有效检测数据集合,将所述有效检测数据集合输入至所述故障预测神经网络,获得故障发生概率和对应的故障发生剩余时间,将所述故障发生概率和所述故障发生剩余时间作为对应的电梯故障预测结果。
优选的,所述模型训练模块,包括:
特征提取单元,用于对历史有效监测数据集合进行特征提取,获得对应的历史特征数据集合;
函数确定单元,用于基于所述历史特征数据集合确定出对应的历史特征矩阵,基于所述历史特征矩阵和所述多元回归方程确定出对应的损失函数;
模型训练单元,用于基于检测时间划分所述历史特征数据集合,获得对应的子历史特征数据,将所述历史特征数据集合中最新的子历史特征数据输入至所述初始故障预测网络,获得对应的模型输出值,基于所述模型输出值和所述损失函数确定出对应的损失值,判断所述损失值是否小于损失阈值,若是,则将所述初始故障预测网络作为对应的故障预测神经网络,否则,基于所述损失值校正所述初始故障预测网络对应的初始参数,获得二次故障预测网络,将所述历史特征数据集合中除最新的子历史特征数据以外的子历史特征数据输入至所述初始故障预测网络,获得对应的二次模型输出值,直至获得的损失值小于损失阈值时,则将训练获得的故障预测网络作为对应的故障预测神经网络。
优选的,所述指令传输层,包括:
结果传输模块,用于将所述故障预测结果发送至所述电梯总控中心;
结果解析模块,用于解析所述故障预测结果获得对应的目标故障发生概率和对应的目标故障发生剩余时间;
指令传输模块,用于判断所述故障预测结果中是否存在目标故障发生概率大于概率阈值,若是,则基于对应的故障类型生成对应的第一维护指令,将所述第一维护指令发送至对应部门,否则,判断所述故障预测结果中是否存在目标故障发生剩余时间小于时间阈值,若是,则基于对应的故障类型生成对应的第二维护指令,将所述第二维护指令发送至对应部门,否则,判断所述故障预测结果中是否存在故障类型列表中的故障,若是,则将对应故障类型和对应的有效检测数据集合作为对应的重点关注项目,否则,保留所述故障预测结果。
本发明提供一种电梯故障预测方法,包括:
S1:基于设置在电梯上的检测设备获取所述电梯对应的检测数据集合,对所述检测数据集合进行截尾处理,获得对应的有效检测数据集合;
S2:记录所述电梯的故障时刻和对应的故障相关信息获得故障记录结果;
S3:对所述有效检测数据集合和所述故障记录结果进行分析,确定出每种故障类型对应的多元回归方程;
S4:基于所述回归方程式构建出对应的故障预测神经网络,基于最新获取的有效检测数据集合和故障预测神经网络,获得对应的电梯故障预测结果;
S5:将所述故障预测结果发送至电梯总控中心,同时,基于所述故障预测结果将对应的维护指令发送至对应部门。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
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为本发明实施例中一种电梯故障预测***示意图;
图2为本发明实施例中一种数据检测层示意图;
图3为本发明实施例中一种截尾处理模块示意图;
图4为本发明实施例中一种结构确定单元示意图;
图5为本发明实施例中一种故障记录层示意图;
图6为本发明实施例中一种数据分析层示意图;
图7为本发明实施例中一种故障预测层示意图;
图8为本发明实施例中一种模型训练模块示意图;
图9为本发明实施例中一种指令传输层示意图;
图10为本发明实施例中一种电梯故障预测方法流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
本发明提供了一种电梯故障预测***,参考图1,包括:
数据检测层,用于基于设置在电梯上的检测设备获取所述电梯对应的检测数据集合,对所述检测数据集合进行截尾处理,获得对应的有效检测数据集合;
故障记录层,用于记录所述电梯的故障时刻和对应的故障相关信息获得故障记录结果;
数据分析层,用于对所述有效检测数据集合和所述故障记录结果进行分析,确定出每种故障类型对应的多元回归方程;
故障预测层,用于基于所述多元回归方程式构建出对应的故障预测神经网络,基于最新获取的有效检测数据集合和故障预测神经网络,获得对应的电梯故障预测结果;
指令传输层,用于将所述故障预测结果发送至电梯总控中心,同时,基于所述故障预测结果将对应的维护指令发送至对应部门。
该实施例中,检测数据集合即为基于设置在电梯上的检测设备获取的对应电梯的检测数据汇总获得的集合。
该实施例中,有效检测数据集合即为对所述检测数据集合进行截尾处理后获得的数据集合。
该实施例中,故障记录结果即为将电梯的故障时间和对应的故障相关信息进行融合后获得的结果。
该实施例中,多元回归方程即为对有效检测数据集合和故障记录结果进行分析后获得的每种故障类型对应的故障持续时间和故障类型与有效检测数据集合之间的函数关系。
该实施例中,故障预测神经网络即为用于通过将有效检测数据集合输入从而获得每种故障类型发生的概率和故障发生剩余时间的神经网络模型。
该实施例中,故障预测结果即为将最新获取的有效检测数据集合输入至所述故障预测神经网络后获得的预测对应电梯发生对应故障类型的故障对应的概率和故障发生剩余时间的结果。
该实施例中,电梯总控中心即为用于实现对电梯的远程全面监控的数据平台。
该实施例中,维护指令即为基于故障预测结果中包含的故障类型生成的用于提醒对应部门对电梯进行维护的指令。
该实施例中,对应部门即为维护对应故障类型的工作部门。
以上技术的有益效果为:通过分析获取的电梯现场的检测数据和故障记录结果,生成故障预测神经网络,基于该故障预测神经网络和最新获取的有效检测数据集合可以准确的预测出电梯发生每种故障类型的故障的概率和故障发生剩余时间,从而改善传统的电梯监管在预警、预防、快速响应等方面存在的不足,提高了预测精度和预测过程的智能化。
实施例2:
在实施例1的基础上,所述数据检测层,参考图2,包括:
数据获取模块,用于基于设置在所述电梯上的检测设备获取所述电梯对应的检测数据;
第一汇总模块,用于将所有检测设备获取的检测数据进行汇总获得对应的检测数据集合;
截尾处理模块,用于基于所述检测数据集合中的数据类型确定对应的截尾结构,基于所述截尾结构对对应的检测数据进行截尾处理,获得对应的有效检测数据;
第二汇总模块,用于基于截尾后形成的数据空位将所有有效检测数据进行数据位对齐处理,将对齐处理后的有效检测数据进行汇总,获得对应的有效检测数据集合。
该实施例中,检测数据即为基于设置在电梯上的检测设备获取的电梯对应的检测数据,例如:电梯的平层传感数据、温湿度数据。
该实施例中,截尾结构即为基于数据类型确定的在检测数据集合中的子数据链进行截尾处理的ARIMA模型的阶数。
以上技术的有益效果为:通过基于数据类型对基于传感器直接获得检测数据进行截尾处理,获得对故障预测有用的有效检测数据,并基于截尾后形成的数据空位将有效监测数据进行数据位对齐处理并汇总,从而获得对应的有效检测数据集合,为生成故障预测模型提供了数据基础。
实施例3:
在实施例2的基础上,所述截尾处理模块,参考图3,包括:
系数确定单元,用于基于数据类型将所述有效检测数据集合划分为多个子数据链,并确定出所述子数据链的自相关系数和偏自相关系数;
图像拟合单元,用于基于所述自相关系数拟合出对应的自相关函数图,同时,基于所述偏自相关系数拟合出对应的偏自相关函数图;
结构确定单元,用于基于所述自相关函数图和所述偏自相关函数图确定出所述子数据链对应的截尾结构;
截尾处理单元,用于基于所述截尾结构对对应的检测数据进行截尾处理,获得对应的有效检测数据。
该实施例中,子数据链即为基于数据类型将有效检测数据集合划分获得的数据串(链)。
该实施例中,自相关系数即为描述滞后变量与当期变量之间的线性关系的指标。
该实施例中,偏自相关系数即为在对其他滞后变量的影响进行控制下,衡量一个滞后期与当期变量之间的线性相关程度的指标。
该实施例中,自相关函数图即为基于子数据链对应的自相关系数拟合出的对应的沿x轴的延迟值以及y轴上的相关性(-1到1之间)构成的自相关系数曲线图。
该实施例中,偏自相关函数图即为基于子数据链对应的偏自相关系数拟合出的对应的沿x轴的延迟值以及y轴上的相关性(-1到1之间)构成的偏自相关系数曲线图。
以上技术的有益效果为:基于有效监测数据集合中包含的子数据链的自相关系数和偏自相关系数构成确定出对应的自相关函数图和偏自相关函数图,基于自相关函数图和偏自相关函数图确定出对应子数据链对应的截尾结构,从而实现对子数据链的截尾处理,实现获得获得对故障预测有用的有效检测数据。
实施例4:
在实施例3的基础上,所述结构确定单元,参考图4,包括:
区段确定子单元,用于基于所述自相关函数图的第一标准差确定出对应的第一判别区段,并将所述自相关函数图中除所述第一判别区段以外剩余的区段作为第二判别区段,同时,基于所述偏自相关函数图的第二标准差确定出对应的第三判别区段,并将所述偏自相关函数图中除所述第三判别区段以外剩余的区段作为第四判别区段;
第一确定子单元,用于当所述自相关函数图中第一判别区段中包含的所有第一自相关系数超过1.5倍第一标准差且所述偏自相关函数图中第三判别区段中包含的所有第一偏自相关系数超过1.5倍第二标准差时,则判断所述第二判别区段中包含的所有第二自相关系数是否都不超过1.5倍第一标准差且所述第四判别区段中包含的所有第二偏自相关系数是否都不超过1.5倍第二标准差,若是,则确定出所述自相关函数图中的第一小值波动段和所述偏自相关函数图中的第二小值波动段,并确定出所述第一小值波动段对应的第一波动系数和所述第二小值波动段对应的第二波动系数,同时,确定出所述自相关函数图对应的第三波动系数以及所述偏自相关函数图对应的第四波动系数,当所述第一波动系数大于所述第三波动系数且所述第二波动系数大于所述第四波动系数时,则将对应子数据链的截尾结构确定为第一阶值截尾,否则,将对应子数据链的截尾结构确定为第二阶值截尾;
第二确定子单元,还用于当所述第二判别区段中包含的所有第二自相关系数不都不超过1.5倍第一标准差且所述第四判别区段中包含的所有第二偏自相关系数不都不超过1.5倍第二标准差时,则将对应子数据链的截尾结构确定为第三阶值截尾;
第三确定子单元,还用于当所述自相关函数图中第一判别区段中包含的所有第一自相关系数未全部超过1.5倍第一标准差且所述偏自相关函数图中第三判别区段中包含的所有第一偏自相关系数未全部超过1.5倍第二标准差时,则将对应子数据链的截尾结构确定为第四阶值截尾。
该实施例中,第一标准差即为自相关函数图中包含的自相关系数值的标准差。
该实施例中,第一判别区段即为将自相关函数图中出现第一个超出第一标准差的横坐标点至原点之间的区段。
该实施例中,第二判别区段即为自相关函数图中除第一判别区段以外剩余的区段。
该实施例中,第二标准差即为偏自相关函数图中包含的偏自相关系数值的标准差。
该实施例中,第三判别区段即为将偏自相关函数图中出现第一个超出第二标准差的横坐标点至原点之间的区段。
该实施例中,第四判别区段即为偏自相关函数图中除第三判别区段以外剩余的区段。
该实施例中,第一自相关系数即为第一判别区段中包含的自相关系数。
该实施例中,第一偏自相关系数即为第三判别区段中包含的偏自相关系数。
该实施例中,第二自相关系数即为第二判别区段中包含的自相关系数。
该实施例中,第二偏自相关系数即为第四判别区段中包含的偏自相关系数。
该实施例中,第一小值波动段即为自相关函数图中的自相关系数小于0.5倍第一标准差的横坐标点至自相关系数变为0的横坐标点且该区段中的自相关系数逐渐减小的区段。
该实施例中,第二小值波动段即为偏自相关函数图中的偏自相关系数小于0.5倍第二标准差的横坐标点至偏自相关系数变为0的横坐标点且该区段中的偏自相关系数逐渐减小的区段。
该实施例中,确定出所述第一小值波动段对应的第一波动系数和所述第二小值波动段对应的第二波动系数,包括:
式中,ε1为第一波动系数,i为第一小值波动段中第i个点,n为第一小值波动段中包含的点个数,ln为以自然常数e为底的对数函数且自然常数e的取值为2.72,y1(n-i)为第一小值波动段中第(n-i)个点的纵坐标值,y1(n-i-1)为第一小值波动段中第(n-i-1)个点的纵坐标值,即为第一小值波动段中包含的所有点的纵坐标平均值,ε2为第二波动系数,j为第二小值波动段中第j个点,m为第二小值波动段中包含的点个数,y2(m-i)为第二小值波动段中第(m-i)个点的纵坐标值,y1(n-i-1)为第二小值波动段中第(n-i-1)个点的纵坐标值,即为第二小值波动段中包含的所有点的纵坐标平均值;
例如,第一小值波动段中包含的所有点的坐标值为(1,2)、(2,3)、(3,4),则ε1为2.1。
该实施例中,确定出所述自相关函数图对应的第三波动系数以及所述偏自相关函数图对应的第四波动系数与上述确定出所述第一小值波动段对应的第一波动系数和所述第二小值波动段对应的第二波动系数的原理步骤相同。
该实施例中,第一阶值截尾即为基于ARMA模型的阶值,具体表现为AR(1)。
该实施例中,第二阶值截尾即为基于ARMA模型的阶值,具体表现为AR(2)。
该实施例中,第三阶值截尾即为基于ARMA模型的阶值,具体表现为AR(3)。
该实施例中,第四阶值截尾即为基于ARMA模型的阶值,具体表现为AR(4)。
以上技术的有益效果为:通过对自相关函数图和偏自相关函数图进行分区段分析并判别,获得对应判别结果,基于对应的判别结果确定出对应的执行截尾处理的ARMA模型的阶值,进而确定出对应的截尾结构,实现删除检测数据集合中的失效数据,为获得对故障预测过程有效的有效检测数据基础。
实施例5:
在实施例4的基础上,所述故障记录层,参考图5,包括:
故障记录模块,用于记录所述电梯每次发生故障时对应的故障时刻、故障持续时间、故障类型;
结果拟合模块,用于将所述故障持续时间和所述故障类型作为对应故障时刻对应的故障相关信息,基于所述故障时刻将所述故障相关信息和时间轴融合,获得对应的故障记录结果。
以上技术的有益效果为:通过基于记录获得的故障时间将故障持续时间和故障类型与时间轴融合,可以获得故障记录结果,该故障记录结果为后续生成每种故障类型对应的多元回归方程提供了基础。
实施例6:
在实施例5的基础上,所述数据分析层,参考图6,包括:
数据融合模块,用于将所述有效检测数据集合中的有效检测数据按照时间对齐,获得对应的对齐结果,将所述对齐结果和所述故障记录结果进行融合,获得对应的融合结果;
数据分析模块,用于从所述融合结果中确定出每个故障时间对应的第一时间点,从所述融合结果中确定出所述第一时间点对应的离群子数据链,将所述离群子数据链对应的数据类型作为对应故障类型对应的影响数据类型;
数据提取模块,用于确定出每种故障类型对应的所有影响数据类型,并确定出发生所述故障类型的所有第二时间点,从融合结果中提取出所述第二时间点对应的所有影响数据类型的有效检测数据,获得对应的影响数据子集合,将所有第二时间对应的影响数据子集合中包含的有效检测数据融合,获得所述故障类型对应的影响数据集合;
方程确定模块,用于将所述故障持续时间和所述故障类型作为自变量,同时,将对应的影响数据集合作为对应的因变量,对所述影响数据集合进行分析,获得对应故障类型的多元回归方程。
该实施例中,对齐结果即为将有效检测数据集合中的有效检测数据按照时间对齐后获得的结果。
该实施例中,融合结果即为将对齐结果和故障记录结果融合后获得的结果。
该实施例中,第一时间点即为从融合结果中确定出的每个故障时间对应的时间点。
该实施例中,离群子数据链即为第一时间点处存在离群数据的子数据链。
该实施例中,影响数据类型即为离群子数据链对应的数据类型,也是影响对应故障类型的故障发生时会影响的数据类型。
该实施例中,第二时间点即为对应故障类型发生的所有时间点。
该实施例中,影响数据子集合即为从从融合结果中提取出所述第二时间点对应的所有影响数据类型的有效检测数据。
该实施例中,影响数据集合即为将所有第二时间对应的影响数据子集合中包含的有效检测数据融合后获得的数据集合。
以上技术的有益效果为:通过将有效检测数据集合中的有效检测数据按照时间对齐,获得对应的对齐结果,并将所述对齐结果和所述故障记录结果进行融合,获得对应的融合结果,从融合结果中提取出对应故障类型对应的影响数据集合,使得生成的多元回归方程可以充分反映故障持续时间、故障类型与影响数据集合之间的影响关系,进而为生成准确的故障预测模型提供了基础。
实施例7:
在实施例6的基础上,所述故障预测层,参考图7,包括:
树构建模块,基于所有故障类型对应的所有影响数据类型之间的交叉关系,构建出所述电梯对应的故障判别数据类型树;
层数统计模块,用于将所述判别数据类型树的总层数作为第一常数,将所述判别数据类型树的总分支数作为第二常数;
节点数确定模块,用于将所述第一常数作为输出层节点数,同时,将所述第二常数作为输入层节点数,基于所述第一常数和所述第二常数确定出对应的隐藏层节点数;
模型构建模块,用于基于所述输出层节点数和所述输入层节点数以及所述隐藏层节点数设置神经网络的初始参数,获得对应的初始故障预测网络;
模型训练模块,用于基于所述多元回归方程对所述初始故障预测网络进行训练,获得对应的故障预测神经网络;
故障预测模块,用于获取最新的有效检测数据集合,将所述有效检测数据集合输入至所述故障预测神经网络,获得故障发生概率和对应的故障发生剩余时间,将所述故障发生概率和所述故障发生剩余时间作为对应的电梯故障预测结果。
该实施例中,交叉关系即为可能存在两个及两个以上的故障类型可能存在同一影响数据类型。
该实施例中,故障判别数据类型树即为基于所有故障类型对应的所有影响数据类型之间的交叉关系构建出的电梯对应的关系树。
该实施例中,基于所述第一常数和所述第二常数确定出对应的隐藏层节点数,包括:
式中,a为隐藏层节点数,b为第一常数,c为第二常数,d为预设常数;
例如,b为2,c为3,d为4,则a为3。
该实施例中,初始故障预测网络即为基于输出层节点数和输入层节点数以及隐藏层节点数设置神经网络的初始参数后获得的神经网络。
该实施例中,故障发生剩余时间即为故障预测模型确定的对应故障类型的故障发生时刻至当前时刻之间的时间段。
以上技术的有益效果为:基于所有故障类型对应的所有影响数据类型之间的交叉关系,构建出电梯对应的故障判别数据类型树,基于故障判别数据类型树确定出初始故障预测网络的初始参数,并基于多元回归方程对初始故障预测网络进行训练,从而获得对应的故障预测神经网络,为后续可以准确地预测出各种故障类型对应的故障发生概率和故障发生剩余时间提供了基础。
实施例8:
在实施例7的基础上,所述模型训练模块,参考图8,包括:
特征提取单元,用于对历史有效监测数据集合进行特征提取,获得对应的历史特征数据集合;
函数确定单元,用于基于所述历史特征数据集合确定出对应的历史特征矩阵,基于所述历史特征矩阵和所述多元回归方程确定出对应的损失函数;
模型训练单元,用于基于检测时间划分所述历史特征数据集合,获得对应的子历史特征数据,将所述历史特征数据集合中最新的子历史特征数据输入至所述初始故障预测网络,获得对应的模型输出值,基于所述模型输出值和所述损失函数确定出对应的损失值,判断所述损失值是否小于损失阈值,若是,则将所述初始故障预测网络作为对应的故障预测神经网络,否则,基于所述损失值校正所述初始故障预测网络对应的初始参数,获得二次故障预测网络,将所述历史特征数据集合中除最新的子历史特征数据以外的子历史特征数据输入至所述初始故障预测网络,获得对应的二次模型输出值,直至获得的损失值小于损失阈值时,则将训练获得的故障预测网络作为对应的故障预测神经网络。
该实施例中,历史有效监测数据集合即为之前获取的有效监测数据集合。
该实施例中,历史特征数据集合即为对历史有效监测数据集合进行特征提取获得的数据集合。
该实施例中,历史特征矩阵即为将历史特征数据集合中的特征数据链按照纵向排列,将特征数据链作为矩阵的每一行的对应数值,从而获得的矩阵。
该实施例中,基于所述历史特征矩阵和所述多元回归方程确定出对应的损失函数,包括:
确定出历史特征矩阵的迹;
从多元回归方程中确定出多个点对应的坐标值(xi,yi)
基于历史特征矩阵的迹和坐标值(xi,yi)确定出对应的损失函数:
式中,θ为损失函数自变量,J(θ)为损失函数,i为第i个点对应的坐标值,n为多元回归方程中确定出的点的总个数,xi为多元回归方程中第i个点对应的横坐标值,yi为多元回归方程中第i个点对应的纵坐标值。
该实施例中,子历史特征数据即为基于检测时间划分历史特征数据集合后获得的子特征数据。
该实施例中,模型输出值即为将历史特征数据集合中最新的子历史特征数据输入至初始故障预测网络后,初始故障预测网络输出的值。
该实施例中,损失值即为基于模型输出值和损失函数确定出的对应的数值。
该实施例中,损失阈值即为训练好的故障预测神经网络对应的损失值。
该实施例中,基于所述损失值校正所述初始故障预测网络对应的初始参数即为:将损失值和损失阈值的比值乘以初始故障预测网络对应层的总节点数后获得对应层的第二节点数,将初始故障预测网络对应层的总节点数设置为对应的第二节点数。
该实施例中,二次故障预测网络即为基于损失值校正初始故障预测网络对应的初始参数后获得的故障预测网络。
该实施例中,二次模型输出值即为将历史特征数据集合中除最新的子历史特征数据以外的子历史特征数据输入至初始故障预测网络后获得的对应的模型输出值。
以上技术的有益效果为:通过对历史有效监测数据集合进行特征提取,获得对应的历史特征数据集合,基于历史特征数据集合对初始故障预测网络进行训练,提高了获得的故障预测网络的预测精度。
实施例9:
在实施例7的基础上,所述指令传输层,参考图9,包括:
结果传输模块,用于将所述故障预测结果发送至所述电梯总控中心;
结果解析模块,用于解析所述故障预测结果获得对应的目标故障发生概率和对应的目标故障发生剩余时间;
指令传输模块,用于判断所述故障预测结果中是否存在目标故障发生概率大于概率阈值,若是,则基于对应的故障类型生成对应的第一维护指令,将所述第一维护指令发送至对应部门,否则,判断所述故障预测结果中是否存在目标故障发生剩余时间小于时间阈值,若是,则基于对应的故障类型生成对应的第二维护指令,将所述第二维护指令发送至对应部门,否则,判断所述故障预测结果中是否存在故障类型列表中的故障,若是,则将对应故障类型和对应的有效检测数据集合作为对应的重点关注项目,否则,保留所述故障预测结果。
该实施例中,目标故障发生概率即为故障预测结果中包含的故障发生过标绿。
该实施例中,目标故障发生剩余时间即为故障预测结果汇总包含的故障发生剩余时间。
该实施例中,概率阈值即为触发维护指令时对应的发生概率。
该实施例中,第一维护指令即为当故障预测结果中是否存在目标故障发生概率大于概率阈值时,基于对应的故障类型生成的维护指令。
该实施例中,时间阈值即为触发维护指令时对应的故障发生剩余时间。
该实施例中,第二维护指令即为当故障预测结果中是否存在目标故障发生剩余时间小于时间阈值时,基于对应的故障类型生成的维护指令。
该实施例中,故障类型列表即为包含所有故障类型的列表。
该实施例中,重点关注项目即为当故障预测结果中是否存在故障类型列表中的故障时,对应故障类型和对应的有效检测数据集合组成的项目。
以上技术的有益效果为:将故障预测结果发送至电梯总控中心,实现电梯故障的远程预测结果共享,基于故障预测结果中包含的信息发送对应的维护指令至对应部门,实现基于故障预测结果的自提醒功能。
本发明提供了一种电梯故障预测方法,参考图10,包括:
S1:基于设置在电梯上的检测设备获取所述电梯对应的检测数据集合,对所述检测数据集合进行截尾处理,获得对应的有效检测数据集合;
S2:记录所述电梯的故障时刻和对应的故障相关信息获得故障记录结果;
S3:对所述有效检测数据集合和所述故障记录结果进行分析,确定出每种故障类型对应的多元回归方程;
S4:基于所述回归方程式构建出对应的故障预测神经网络,基于最新获取的有效检测数据集合和故障预测神经网络,获得对应的电梯故障预测结果;
S5:将所述故障预测结果发送至电梯总控中心,同时,基于所述故障预测结果将对应的维护指令发送至对应部门。
以上技术的有益效果为:通过分析获取的电梯现场的检测数据和故障记录结果,生成故障预测神经网络,基于该故障预测神经网络和最新获取的有效检测数据集合可以准确的预测出电梯发生每种故障类型的故障的概率和故障发生剩余时间,从而改善传统的电梯监管在预警、预防、快速响应等方面存在的不足,提高了预测精度和预测过程的智能化。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种电梯故障预测***,其特征在于,包括:
数据检测层,用于基于设置在电梯上的检测设备获取所述电梯对应的检测数据集合,对所述检测数据集合进行截尾处理,获得对应的有效检测数据集合;
故障记录层,用于记录所述电梯的故障时刻和对应的故障相关信息获得故障记录结果;
数据分析层,用于对所述有效检测数据集合和所述故障记录结果进行分析,确定出每种故障类型对应的多元回归方程;
故障预测层,用于基于所述多元回归方程式构建出对应的故障预测神经网络,基于最新获取的有效检测数据集合和故障预测神经网络,获得对应的电梯故障预测结果;
指令传输层,用于将所述故障预测结果发送至电梯总控中心,同时,基于所述故障预测结果将对应的维护指令发送至对应部门。
2.根据权利要求1所述的一种电梯故障预测***,其特征在于,所述数据检测层,包括:
数据获取模块,用于基于设置在所述电梯上的检测设备获取所述电梯对应的检测数据;
第一汇总模块,用于将所有检测设备获取的检测数据进行汇总获得对应的检测数据集合;
截尾处理模块,用于基于所述检测数据集合中的数据类型确定对应的截尾结构,基于所述截尾结构对对应的检测数据进行截尾处理,获得对应的有效检测数据;
第二汇总模块,用于基于截尾后形成的数据空位将所有有效检测数据进行数据位对齐处理,将对齐处理后的有效检测数据进行汇总,获得对应的有效检测数据集合。
3.根据权利要求2所述的一种电梯故障预测***,其特征在于,所述截尾处理模块,包括:
系数确定单元,用于基于数据类型将所述有效检测数据集合划分为多个子数据链,并确定出所述子数据链的自相关系数和偏自相关系数;
图像拟合单元,用于基于所述自相关系数拟合出对应的自相关函数图,同时,基于所述偏自相关系数拟合出对应的偏自相关函数图;
结构确定单元,用于基于所述自相关函数图和所述偏自相关函数图确定出所述子数据链对应的截尾结构;
截尾处理单元,用于基于所述截尾结构对对应的检测数据进行截尾处理,获得对应的有效检测数据。
4.根据权利要求3所述的一种电梯故障预测***,其特征在于,所述结构确定单元,包括:
区段确定子单元,用于基于所述自相关函数图的第一标准差确定出对应的第一判别区段,并将所述自相关函数图中除所述第一判别区段以外剩余的区段作为第二判别区段,同时,基于所述偏自相关函数图的第二标准差确定出对应的第三判别区段,并将所述偏自相关函数图中除所述第三判别区段以外剩余的区段作为第四判别区段;
第一确定子单元,用于当所述自相关函数图中第一判别区段中包含的所有第一自相关系数超过1.5倍第一标准差且所述偏自相关函数图中第三判别区段中包含的所有第一偏自相关系数超过1.5倍第二标准差时,则判断所述第二判别区段中包含的所有第二自相关系数是否都不超过1.5倍第一标准差且所述第四判别区段中包含的所有第二偏自相关系数是否都不超过1.5倍第二标准差,若是,则确定出所述自相关函数图中的第一小值波动段和所述偏自相关函数图中的第二小值波动段,并确定出所述第一小值波动段对应的第一波动系数和所述第二小值波动段对应的第二波动系数,同时,确定出所述自相关函数图对应的第三波动系数以及所述偏自相关函数图对应的第四波动系数,当所述第一波动系数大于所述第三波动系数且所述第二波动系数大于所述第四波动系数时,则将对应子数据链的截尾结构确定为第一阶值截尾,否则,将对应子数据链的截尾结构确定为第二阶值截尾;
第二确定子单元,还用于当所述第二判别区段中包含的所有第二自相关系数不都不超过1.5倍第一标准差且所述第四判别区段中包含的所有第二偏自相关系数不都不超过1.5倍第二标准差时,则将对应子数据链的截尾结构确定为第三阶值截尾;
第三确定子单元,还用于当所述自相关函数图中第一判别区段中包含的所有第一自相关系数未全部超过1.5倍第一标准差且所述偏自相关函数图中第三判别区段中包含的所有第一偏自相关系数未全部超过1.5倍第二标准差时,则将对应子数据链的截尾结构确定为第四阶值截尾。
5.根据权利要求4所述的一种电梯故障预测***,其特征在于,所述故障记录层,包括:
故障记录模块,用于记录所述电梯每次发生故障时对应的故障时刻、故障持续时间、故障类型;
结果拟合模块,用于将所述故障持续时间和所述故障类型作为对应故障时刻对应的故障相关信息,基于所述故障时刻将所述故障相关信息和时间轴融合,获得对应的故障记录结果。
6.根据权利要求5所述的一种电梯故障预测***,其特征在于,所述数据分析层,包括:
数据融合模块,用于将所述有效检测数据集合中的有效检测数据按照时间对齐,获得对应的对齐结果,将所述对齐结果和所述故障记录结果进行融合,获得对应的融合结果;
数据分析模块,用于从所述融合结果中确定出每个故障时间对应的第一时间点,从所述融合结果中确定出所述第一时间点对应的离群子数据链,将所述离群子数据链对应的数据类型作为对应故障类型对应的影响数据类型;
数据提取模块,用于确定出每种故障类型对应的所有影响数据类型,并确定出发生所述故障类型的所有第二时间点,从融合结果中提取出所述第二时间点对应的所有影响数据类型的有效检测数据,获得对应的影响数据子集合,将所有第二时间对应的影响数据子集合中包含的有效检测数据融合,获得所述故障类型对应的影响数据集合;
方程确定模块,用于将所述故障持续时间和所述故障类型作为自变量,同时,将对应的影响数据集合作为对应的因变量,对所述影响数据集合进行分析,获得对应故障类型的多元回归方程。
7.根据权利要求6所述的一种电梯故障预测***,其特征在于,所述故障预测层,包括:
树构建模块,基于所有故障类型对应的所有影响数据类型之间的交叉关系,构建出所述电梯对应的故障判别数据类型树;
层数统计模块,用于将所述判别数据类型树的总层数作为第一常数,将所述判别数据类型树的总分支数作为第二常数;
节点数确定模块,用于将所述第一常数作为输出层节点数,同时,将所述第二常数作为输入层节点数,基于所述第一常数和所述第二常数确定出对应的隐藏层节点数;
模型构建模块,用于基于所述输出层节点数和所述输入层节点数以及所述隐藏层节点数设置神经网络的初始参数,获得对应的初始故障预测网络;
模型训练模块,用于基于所述多元回归方程对所述初始故障预测网络进行训练,获得对应的故障预测神经网络;
故障预测模块,用于获取最新的有效检测数据集合,将所述有效检测数据集合输入至所述故障预测神经网络,获得故障发生概率和对应的故障发生剩余时间,将所述故障发生概率和所述故障发生剩余时间作为对应的电梯故障预测结果。
8.根据权利要求7所述的一种电梯故障预测***,其特征在于,所述模型训练模块,包括:
特征提取单元,用于对历史有效监测数据集合进行特征提取,获得对应的历史特征数据集合;
函数确定单元,用于基于所述历史特征数据集合确定出对应的历史特征矩阵,基于所述历史特征矩阵和所述多元回归方程确定出对应的损失函数;
模型训练单元,用于基于检测时间划分所述历史特征数据集合,获得对应的子历史特征数据,将所述历史特征数据集合中最新的子历史特征数据输入至所述初始故障预测网络,获得对应的模型输出值,基于所述模型输出值和所述损失函数确定出对应的损失值,判断所述损失值是否小于损失阈值,若是,则将所述初始故障预测网络作为对应的故障预测神经网络,否则,基于所述损失值校正所述初始故障预测网络对应的初始参数,获得二次故障预测网络,将所述历史特征数据集合中除最新的子历史特征数据以外的子历史特征数据输入至所述初始故障预测网络,获得对应的二次模型输出值,直至获得的损失值小于损失阈值时,则将训练获得的故障预测网络作为对应的故障预测神经网络。
9.根据权利要求7所述的一种电梯故障预测***,其特征在于,所述指令传输层,包括:
结果传输模块,用于将所述故障预测结果发送至所述电梯总控中心;
结果解析模块,用于解析所述故障预测结果获得对应的目标故障发生概率和对应的目标故障发生剩余时间;
指令传输模块,用于判断所述故障预测结果中是否存在目标故障发生概率大于概率阈值,若是,则基于对应的故障类型生成对应的第一维护指令,将所述第一维护指令发送至对应部门,否则,判断所述故障预测结果中是否存在目标故障发生剩余时间小于时间阈值,若是,则基于对应的故障类型生成对应的第二维护指令,将所述第二维护指令发送至对应部门,否则,判断所述故障预测结果中是否存在故障类型列表中的故障,若是,则将对应故障类型和对应的有效检测数据集合作为对应的重点关注项目,否则,保留所述故障预测结果。
10.一种电梯故障预测方法,其特征在于,包括:
S1:基于设置在电梯上的检测设备获取所述电梯对应的检测数据集合,对所述检测数据集合进行截尾处理,获得对应的有效检测数据集合;
S2:记录所述电梯的故障时刻和对应的故障相关信息获得故障记录结果;
S3:对所述有效检测数据集合和所述故障记录结果进行分析,确定出每种故障类型对应的多元回归方程;
S4:基于所述回归方程式构建出对应的故障预测神经网络,基于最新获取的有效检测数据集合和故障预测神经网络,获得对应的电梯故障预测结果;
S5:将所述故障预测结果发送至电梯总控中心,同时,基于所述故障预测结果将对应的维护指令发送至对应部门。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210208660.3A CN114408694B (zh) | 2022-03-04 | 2022-03-04 | 一种电梯故障预测***及其预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210208660.3A CN114408694B (zh) | 2022-03-04 | 2022-03-04 | 一种电梯故障预测***及其预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114408694A true CN114408694A (zh) | 2022-04-29 |
CN114408694B CN114408694B (zh) | 2023-06-23 |
Family
ID=81263500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210208660.3A Active CN114408694B (zh) | 2022-03-04 | 2022-03-04 | 一种电梯故障预测***及其预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114408694B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116281476A (zh) * | 2023-03-01 | 2023-06-23 | 深圳市卓越信息技术有限公司 | 一种基于ar和人工智能的电梯预防性维保方法和*** |
CN116281476B (zh) * | 2023-03-01 | 2024-08-02 | 深圳市卓越信息技术有限公司 | 一种基于ar和人工智能的电梯预防性维保方法和*** |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0405999A2 (en) * | 1989-06-30 | 1991-01-02 | Otis Elevator Company | "Smart" position transducer system for elevators |
CN101140469A (zh) * | 2006-09-07 | 2008-03-12 | 株式会社东芝 | 维护计划***、维护计划方法以及图像形成装置 |
CN101955100A (zh) * | 2009-07-13 | 2011-01-26 | 东芝电梯株式会社 | 电梯的部件改善计划***及电梯的部件改善计划方法 |
CN103824131A (zh) * | 2014-02-28 | 2014-05-28 | 西南石油大学 | 油气井钻井施工作业现场的风险预测***及方法 |
CN107194053A (zh) * | 2017-05-16 | 2017-09-22 | 歌拉瑞电梯股份有限公司 | 一种智能化电梯控制***运行故障预测方法 |
CN107572334A (zh) * | 2016-07-05 | 2018-01-12 | 深圳市爱丰达盛科技有限公司 | 一种电梯运行异常的报警方法和*** |
WO2018096582A1 (ja) * | 2016-11-22 | 2018-05-31 | 三菱電機株式会社 | 劣化個所推定装置、劣化個所推定システム及び劣化個所推定方法 |
CN109242104A (zh) * | 2018-08-04 | 2019-01-18 | 大唐国际发电股份有限公司张家口发电厂 | 一种利用数据分析实时发现设备故障异常的*** |
CN109607344A (zh) * | 2018-12-20 | 2019-04-12 | 华北水利水电大学 | 一种基于神经网络垂直电梯故障预测***及方法 |
CN111160582A (zh) * | 2019-12-31 | 2020-05-15 | 科大讯飞(苏州)科技有限公司 | 设备故障识别方法、装置及计算机可读存储介质 |
US20210241141A1 (en) * | 2018-05-10 | 2021-08-05 | Equifax Inc. | Training or using sets of explainable machine-learning modeling algorithms for predicting timing of events |
CN113505862A (zh) * | 2021-09-07 | 2021-10-15 | 深圳市信润富联数字科技有限公司 | 混合型故障检测方法及装置 |
CN114608699A (zh) * | 2022-03-07 | 2022-06-10 | 中国矿业大学 | 基于毫米波雷达的提升机天轮振动异常检测***及方法 |
CN115724314A (zh) * | 2022-12-26 | 2023-03-03 | 沈阳工业大学 | 一种电梯故障检测预警***及方法 |
-
2022
- 2022-03-04 CN CN202210208660.3A patent/CN114408694B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0405999A2 (en) * | 1989-06-30 | 1991-01-02 | Otis Elevator Company | "Smart" position transducer system for elevators |
CN101140469A (zh) * | 2006-09-07 | 2008-03-12 | 株式会社东芝 | 维护计划***、维护计划方法以及图像形成装置 |
CN101955100A (zh) * | 2009-07-13 | 2011-01-26 | 东芝电梯株式会社 | 电梯的部件改善计划***及电梯的部件改善计划方法 |
CN103824131A (zh) * | 2014-02-28 | 2014-05-28 | 西南石油大学 | 油气井钻井施工作业现场的风险预测***及方法 |
CN107572334A (zh) * | 2016-07-05 | 2018-01-12 | 深圳市爱丰达盛科技有限公司 | 一种电梯运行异常的报警方法和*** |
WO2018096582A1 (ja) * | 2016-11-22 | 2018-05-31 | 三菱電機株式会社 | 劣化個所推定装置、劣化個所推定システム及び劣化個所推定方法 |
CN107194053A (zh) * | 2017-05-16 | 2017-09-22 | 歌拉瑞电梯股份有限公司 | 一种智能化电梯控制***运行故障预测方法 |
US20210241141A1 (en) * | 2018-05-10 | 2021-08-05 | Equifax Inc. | Training or using sets of explainable machine-learning modeling algorithms for predicting timing of events |
CN109242104A (zh) * | 2018-08-04 | 2019-01-18 | 大唐国际发电股份有限公司张家口发电厂 | 一种利用数据分析实时发现设备故障异常的*** |
CN109607344A (zh) * | 2018-12-20 | 2019-04-12 | 华北水利水电大学 | 一种基于神经网络垂直电梯故障预测***及方法 |
CN111160582A (zh) * | 2019-12-31 | 2020-05-15 | 科大讯飞(苏州)科技有限公司 | 设备故障识别方法、装置及计算机可读存储介质 |
CN113505862A (zh) * | 2021-09-07 | 2021-10-15 | 深圳市信润富联数字科技有限公司 | 混合型故障检测方法及装置 |
CN114608699A (zh) * | 2022-03-07 | 2022-06-10 | 中国矿业大学 | 基于毫米波雷达的提升机天轮振动异常检测***及方法 |
CN115724314A (zh) * | 2022-12-26 | 2023-03-03 | 沈阳工业大学 | 一种电梯故障检测预警***及方法 |
Non-Patent Citations (2)
Title |
---|
张娜;龙兵;刘震;: "基于多特征信息融合的模拟电路故障预测", 测控技术 * |
杨艺;付道一;雍彬;: "基于ARIMA风电机组齿轮箱故障趋势预测方法研究", 重庆工商大学学报(自然科学版), no. 03 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116281476A (zh) * | 2023-03-01 | 2023-06-23 | 深圳市卓越信息技术有限公司 | 一种基于ar和人工智能的电梯预防性维保方法和*** |
CN116281476B (zh) * | 2023-03-01 | 2024-08-02 | 深圳市卓越信息技术有限公司 | 一种基于ar和人工智能的电梯预防性维保方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN114408694B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110148285B (zh) | 一种基于大数据技术的油井参数智能预警***及其预警方法 | |
CN109033450B (zh) | 基于深度学习的电梯设备故障预测方法 | |
CN107622308B (zh) | 一种基于dbn网络的发电设备参数预警方法 | |
CN111274737A (zh) | 一种机械设备剩余使用寿命预测方法及*** | |
CN113723010B (zh) | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 | |
CN111625988A (zh) | 基于深度学习的桥梁健康管理分析与预测***及方法 | |
CN109471698B (zh) | 云环境下虚拟机异常行为检测***和方法 | |
CN112257745B (zh) | 基于隐马尔可夫的煤矿井下***健康度预测方法及装置 | |
CN114168444B (zh) | 一种基于监控大数据的动态运维报修方法 | |
CN111191855B (zh) | 一种基于管网多元水质时序数据的水质异常事件识别预警方法 | |
CN110011990A (zh) | 内网安全威胁智能分析方法 | |
CN115953252A (zh) | 一种建工安责险保费的确定方法 | |
CN117152918A (zh) | 一种应用于区域滑坡灾害的危险性动态预警方法 | |
CN115170052A (zh) | 一种基于人工智能的工程管理方法及*** | |
CN113312696B (zh) | 基于arima算法的桥梁健康状况动态预测告警方法 | |
CN111614520B (zh) | 一种基于机器学习算法的idc流量数据预测方法及装置 | |
CN113891342B (zh) | 基站巡检方法、装置、电子设备及存储介质 | |
CN117725792A (zh) | 基于时间序列和模型修正的建筑安全监测预警方法 | |
CN105722129A (zh) | 一种基于fsax-markov模型的无线传感网事件检测方法及*** | |
CN117556347A (zh) | 一种基于工业大数据的电力设备故障预测与健康管理方法 | |
CN117763555A (zh) | 一种基于区块链的配电网数据安全防护和评估方法 | |
CN114408694A (zh) | 一种电梯故障预测***及其预测方法 | |
CN116842841A (zh) | 基于人工智能的沉管隧道服役状态预测方法 | |
CN111767179A (zh) | 一种基于云平台的计算机硬件维管*** | |
CN116591768A (zh) | 一种基于分布式网络的隧道监测方法、***及装置 |
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 |