CN115650006A - 一种基于大数据的电梯安全监测预警方法及*** - Google Patents
一种基于大数据的电梯安全监测预警方法及*** Download PDFInfo
- Publication number
- CN115650006A CN115650006A CN202211301561.6A CN202211301561A CN115650006A CN 115650006 A CN115650006 A CN 115650006A CN 202211301561 A CN202211301561 A CN 202211301561A CN 115650006 A CN115650006 A CN 115650006A
- Authority
- CN
- China
- Prior art keywords
- data
- elevator
- monitoring
- safety
- information
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 219
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000007621 cluster analysis Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 57
- 230000002159 abnormal effect Effects 0.000 claims description 49
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000010219 correlation analysis Methods 0.000 claims description 10
- 230000000737 periodic effect Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 11
- 238000012545 processing Methods 0.000 abstract description 8
- 239000010410 layer Substances 0.000 description 55
- 230000008859 change Effects 0.000 description 10
- 230000001133 acceleration Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000002346 layers by function Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Maintenance And Inspection Apparatuses For Elevators (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
本申请公开了一种基于大数据的电梯安全监测预警方法及***,属于数据处理技术领域,所述方法包括:本申请根据电梯历史运行数据,构建电梯安全监测特征;基于电梯安全监测特征,采集电梯实时运行数据,获得电梯实时运行监测数据;进行数据预处理及聚类分析,获得监测数据聚类信息;将各聚类信息分别输入电梯安全监测模型中,获得安全监测结果;利用预设权重分配条件计算安全监测结果,获得电梯安全指数;判断电梯安全指数是否超出安全预警阈值,当超出时,发送安全预警信息。本申请解决了现有技术中存在对电梯安全监测反馈效率低,预警准确性差的技术问题,达到了提高对电梯安全进行监测的准确度,提升监测质量的技术效果。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种基于大数据的电梯安全监测预警方法及***。
背景技术
随着经济的快速发展,我国的城市化进程不断加快,高层建筑的数量也在不断增加。电梯作为高层建筑的必备设备,也是与人身财产安全直接相关的特种设备。因此,保证电梯的安全运行有着十分重要的意义。
目前,我国的电梯数量以每年约20%的速度进行增长,现有的检验人员数量无法满足对电梯故障的及时处理和定期维保,在***件失灵、电梯漏检等现象经常发生的当下,如何保证电梯使用安全,最大限度的保证电梯运行安全是迫在眉睫需要解决的问题。现在,通过物联网技术对电梯进行监测的过程中,由于缺乏***化的数据管理,对于产生的海量数据,无法深入挖掘数据之间的关系,从而得到有利于判断电梯安全的数据信息,导致对于电梯的故障无法及时预警,造成安全事故发生。现有技术中存在对电梯安全监测反馈效率低,预警准确性差的技术问题。
发明内容
本申请的目的是提供一种基于大数据的电梯安全监测预警方法及***,用以解决现有技术中存在对电梯安全监测反馈效率低,预警准确性差的技术问题。
鉴于上述问题,本申请提供了一种基于大数据的电梯安全监测预警方法及***。
第一方面,本申请提供了一种基于大数据的电梯安全监测预警方法,其中,所述方法包括:根据电梯历史运行数据,构建电梯安全监测特征;基于所述电梯安全监测特征,对电梯实时运行数据进行采集,获得电梯实时运行监测数据;对所述电梯实时运行监测数据进行数据预处理及聚类分析,获得监测数据聚类信息;将所述监测数据聚类信息中的各聚类信息分别输入电梯安全监测模型中,获得安全监测结果;利用预设权重分配条件对所述安全监测结果进行计算,获得电梯安全指数;判断所述电梯安全指数是否超出安全预警阈值,当超出时,发送安全预警信息。
另一方面,本申请还提供了一种基于大数据的电梯安全监测预警***,其中,所述***包括:监测特征构建模块,所述监测特征构建模块用于根据电梯历史运行数据,构建电梯安全监测特征;监测数据获得模块,所述监测数据获得模块用于基于所述电梯安全监测特征,对电梯实时运行数据进行采集,获得电梯实时运行监测数据;聚类信息获得模块,所述聚类信息获得模块用于对所述电梯实时运行监测数据进行数据预处理及聚类分析,获得监测数据聚类信息;监测结果获得模块,所述监测结果获得模块用于将所述监测数据聚类信息中的各聚类信息分别输入电梯安全监测模型中,获得安全监测结果;安全指数获得模块,所述安全指数获得模块用于利用预设权重分配条件对所述安全监测结果进行计算,获得电梯安全指数;预警信息发送模块,所述预警信息发送模块用于判断所述电梯安全指数是否超出安全预警阈值,当超出时,发送安全预警信息。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请通过根据电梯历史运行数据,构建电梯安全监测特征,然后根据电梯安全监测特征,实时采集电梯的实时运行数据,通过对电梯实时运行监测数据进行数据预处理及聚类分析,得到监测数据聚类信息,然后将监测数据聚类信息中的各聚类信息分别输入电梯安全监测模型中,获得安全监测结果,进而利用预设权重分配条件对安全监测结果进行计算,得到电梯安全指数,然后通过判断电梯安全指数是否超出安全预警阈值,对电梯安全进行判断,当超出时,发送安全预警信息。达到了及时对电梯的安全情况进行识别,对安全隐患及时反馈,提高预警的准确性的技术效果。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案,下面将对实施例或现有技术描述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示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种基于大数据的电梯安全监测预警方法的流程示意图;
图2为本申请实施例提供的一种基于大数据的电梯安全监测预警方法中构建电梯安全监测特征的流程示意图;
图3为本申请实施例提供的一种基于大数据的电梯安全监测预警方法中确定异常数据特征的流程示意图;
图4为本申请一种基于大数据的电梯安全监测预警***的结构示意图。
附图标记说明:监测特征构建模块11,监测数据获得模块12,聚类信息获得模块13,监测结果获得模块14,安全指数获得模块15,预警信息发送模块16。
具体实施方式
本申请通过提供一种基于大数据的电梯安全监测预警方法及***,解决了现有技术中存在对电梯安全监测反馈效率低,预警准确性差的技术问题。达到了提高对电梯安全进行监测的准确度,提升监测质量的技术效果。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
下面,将参考附图对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。基于本申请的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部。
实施例一
如图1所示,本申请提供了一种基于大数据的电梯安全监测预警方法,其中,所述方法包括:
步骤S100:根据电梯历史运行数据,构建电梯安全监测特征;
进一步的,如图2所示,根据电梯历史运行数据,构建电梯安全监测特征,本申请实施例步骤S100包括:
步骤S110:根据所述电梯历史运行数据,确定电梯故障时间节点;
步骤S120:基于所述电梯故障时间节点,提取节点预设周期运行数据;
步骤S130:对所述节点预设周期运行数据进行数据相关性分析,确定异常数据特征;
步骤S140:基于所述异常数据特征,确定监测参数即各参数的数据特征,构建所述电梯安全监测特征。
进一步的,如图3所示,对所述节点预设周期运行数据进行数据相关性分析,确定异常数据特征,本申请实施例步骤S130包括:
步骤S131:基于时间序列将所述节点预设周期运行数据进行对齐,对各运行数据进行走势分析,确定各运行数据走势;
步骤S132:基于预设周期对各运行数据走势进行异常走势相关性分析,确定相关异常走势运行数据;
步骤S133:对所述相关异常走势运行数据进行数据属性特征、监测区域特征分析,确定异常数据特征,并建立所述异常数据特征与故障类型的映射关系。
具体而言,所述电梯历史运行数据是指对被监测电梯在历史时间内运行中的数据进行采集后得到的数据,包括运行速度、垂直振动加速度、水平振动加速度、机房噪声、机房温度、轿厢温度、电源电流、历史故障等。所述电梯安全监测特征是指电梯容易出现的运行故障对应的电梯运行特征。所述电梯故障时间节点是指被监测电梯在历史运行中出现故障时对应的时间点。将所述电梯故障时间节点作为数据提取线索,在所述电梯历史运行数据中进行搜索查找,找到对应时间节点的电梯运行数据,从而对电梯的故障原因相关的数据进行分析。其中,所述节点预设周期运行数据是指电梯故障时间节点前后一段时间内的电梯运行数据。所述数据相关性分析是指对所述节点预设周期运行数据中与电梯故障相关的数据,按照相关性的大小,将相关性大的数据进行排查分析,得到异常的数据。进而,对异常数据进行特征提取,提取异常数据与电梯正常运行中的数据不同的特征。示例性的,如电梯发生坠落故障,电梯的下降速度会极速增大,电梯的垂直振动加速度也会突然增大。通过对速度特征的变化情况进行归纳总结,得到异常数据特征。根据所述异常数据特征,确定与电梯安全相关的参数发生异常时的数据特征,从而得到所述电梯安全监测特征。示例性的,电梯突然停车时,运行速度突然降至0。
具体的,所述时间序列是电梯运行时间的先后顺序。根据所述时间序列对所述节点预设周期运行数据进行时间上的对齐,对运行数据的数据变化情况进行分析,得到各运行数据增长、降低的变化趋势,从而得到所述各运行数据走势。所述预设周期是对电梯数据进行定期分析的预设时间段,由工作人员自行设定,在此不做限制。进而,按照预设周期对各运行数据在不同周期内的走势变化进行对比分析。示例性的,将预设周期设置为一个月,通过将两个相邻周期内的电梯运行数据进行对比,通过比较电梯在两个周期的平均运行速度,得到平均运行速度的变化情况,根据变化情况确定电梯的运行是否正常,当运行速度明显降低时,表明电梯的运行设备可能出现了问题。所述各运行数据走势是对电梯运行变化情况从运行数据的变化上进行分析后得到的。进而根据预设周期,对比运行数据走势在不同周期内的走势情况,对异常数据之间的相关性进行评估,得到所述相关异常走势运行数据。进而,对相关异常走势运行数据的数据属性特征和所监测的区域特征进行分析,对异常走势运行数据相关的电梯信息进行分析。其中,所述数据属性特征是指对相关异常走势运行数据的数据属性进行提取,是对数据的类型,数据描述的设备对象进行确定的特征,可选的,包括:对轿厢速度的描述,特征包含的数据可以是运行速度、运行加速度、垂直振荡加速度和水平振荡加速度等。所述监测区域特征是异常走势运行数据监测的电梯区域,可选的,包括电梯的发电设备区域、电梯的上升轿厢区域等。通过进行数据分析,得到数据异常的相关特征,进而根据异常数据特征与对应的故障类型关系,构建异常数据特征与故障类型的映射关系,从而通过对监测数据的异常情况进行识别提取,快速找到对应的电梯故障。其中,所述异常数据特征是对相关异常走势运行数据进行数据变化情况的特征提取得到的。从而,达到了确定对电梯安全进行监测的特征,对故障情况进行及时识别的技术效果。
步骤S200:基于所述电梯安全监测特征,对电梯实时运行数据进行采集,获得电梯实时运行监测数据;
具体而言,按照所述电梯安全监测特征作为采集数据的依据,然后对电梯实时运行数据进行采集,从而实现对电梯的运行状况实时监测,得到所述电梯实时运行监测数据。其中,所述电梯实时运行监测数据是与电梯故障相关的电梯运行数据,通过对所述电梯实时运行监测数据进行分析,可以对电梯的运行状态变化进行及时掌握,从而提高对电梯安全监测的准确性。
步骤S300:对所述电梯实时运行监测数据进行数据预处理及聚类分析,获得监测数据聚类信息;
进一步的,对所述电梯实时运行监测数据进行数据预处理及聚类分析,获得监测数据聚类信息,本申请实施例步骤S300包括:
步骤S310:对所述电梯实时运行监测数据,进行监测数据连续性分析,确定异常空白数据,根据所述监测数据连续关系对所述异常空白数据进行补齐;
步骤S320:将经过预处理的所述电梯实时运行监测数据利用预设聚类算法进行聚类,获得所述监测数据聚类信息。
具体而言,在获得所述电梯实时运行监测数据的过程中,由于信号影响、采集装置的运行状况影响,导致采集到的所述电梯实时运行监测数据存在缺失、混乱等现象,不能直接用于数据处理,因此需要对数据进行预处理。通过对获得的监测数据按照其对应的监测时间进行排序,进而,确定采集到的监测数据之间是否连贯,从而对数据连续性进行评价,将数据中异常缺失的数据进行补充,得到所述异常空白数据。进而,通过所述监测数据连续性分析得到监测数据的发展规律,示例性的,在电梯稳定下行的过程中,按照运行规定,电梯的下行速度会以一定的加速度进行增长,然后加速度逐渐降低,电梯保持一定的速度下行,然后在即将到达预定楼层时,电梯的下行速度以一定的加速度降低,进而,在电梯停止时,电梯速度降至0。在对电梯的运行速度进行实时采集后,得到电梯速度实时监测数据,当数据中缺失一段数据,判断缺失数据处于电梯运行的哪一个阶段,当位于匀速下降阶段时,选取空白数据前一速度数据对其进行补全。
具体的,所述预设聚类算法是指对数据进行聚类分析时采用的算法,可选的,以数据所述类型作为不同的划分节点,然后将经过预处理的所述电梯实时运行监测数据输入根节点中,按照不同的划分节点对监测数据进行划分,得到聚类的结果。通过根据聚类结果得到将所述电梯实时运行监测数据按照数据所属的类型分类后,得到所述监测数据聚类信息。其中,所述监测数据聚类信息是指将监测数据按照属性划分后,将同类型的数据划分在一起得到的信息。通过对监测数据进行预处理及聚类,可以提高数据处理的效率,为后续的数据分析提供准确的分析数据。
步骤S400:将所述监测数据聚类信息中的各聚类信息分别输入电梯安全监测模型中,获得安全监测结果;
进一步的,将所述监测数据聚类信息中的各聚类信息分别输入电梯安全监测模型中,之前本申请实施例步骤S400还包括:
步骤S410:构建BP前馈网络结构,包括输入层、隐含层、输出层,其中,隐含层包括数据类型匹配层、函数匹配层;
步骤S420:对所述电梯历史运行数据进行数据分类,建立数据类型识别训练集,其中,包括历史运行数据及对应的数据类型标识信息;
步骤S430:利用所述数据类型识别训练集对所述数据类型匹配层进行训练收敛,直到达到预设停止训练要求为止;
步骤S440:根据所述电梯历史运行数据,确定各运行数据类型的数据走势与监测结果的对应关系,构建监测结果预测训练集;
步骤S450:利用所述监测结果预测训练集进行预测函数训练,获得各数据类型对应的预测函数;
步骤S460:基于所述数据类型匹配层的输出结果,各数据类型对应的预测函数,构建函数匹配训练集,利用所述函数匹配训练集对所述函数匹配层进行训练收敛,直到达到预设停止训练要求为止,获得所述电梯安全监测模型。
进一步的,将所述监测数据聚类信息中的各聚类信息分别输入电梯安全监测模型中,本申请实施例步骤S400还包括:
步骤S470:将所述各聚类信息通过输入层输入,进入数据类型匹配层,确定数据类型匹配结果;
步骤S480:将所述数据类型匹配结果、聚类信息输入至函数匹配层,确定匹配预测函数,并将所述聚类信息输入所述匹配预测函数中,获得安全监测结果,通过输出层输出。
具体而言,所述电梯安全监测模型是以聚类信息为输入信息,对监测数据进行分析,达到对电梯安全情况进行监测效果的功能模型。所述BP前馈网络结构是指有前馈神经网络和BP算法两部分的神经网络。通过利用所述BP前馈神经网络作为所述电梯安全监测模型的模型架构,可以使模型在运算过程中数据是单向传输,达到保证模型运算性能的技术效果。其中,所述输入层是信息的输入端,用于读取输入信息,连接外部信息和内部模型的网络层。所述隐含层是功能层,用于对从输入层中读取到的信息进行功能处理的网络层,包括数据类型匹配层和函数匹配层。所述数据类型匹配层是指对输入数据的数据类型进行匹配对比的网络层,所述函数匹配层是对匹配数据类型后的数据进行对应的预测函数匹配,从而对数据进行量化计算,得到监测风险情况的网络层。
具体的,对所述电梯历史运行数据按照其监测类型进行分类,根据监测类型确定对应的数据类型标识信息。通过所述数据类型标识信息可以快速查找其对应的监测对象。所述数据类型识别训练集是对用于对数据类型匹配层进行训练的数据集。通过根据各运行数据类型的数据走势,与运行数据类型对应的监测结果,将其一一对应,从而得到所述监测结果预测训练集。
具体的,通过利用所述数据类型识别训练集对数据类型匹配层进行训练,将历史运行数据和对应的数据类型标识信息输入所述数据类型匹配层中,让所述数据类型匹配层学习运行数据与数据类型标识信息之间的映射关系,通过判断所述数据类型匹配层得到的结果是否收敛,确定停止训练的时间。当数据类型匹配层的结果准确度达到预设停止训练要求时,停止对数据类型匹配层的训练。
具体的,按照不同的运行数据类型确定不同的预测函数,然后用监测结果预测训练集对预测函数进行训练,得到参数确定完备的预测函数,结合所述数据类型匹配层输出的数据类型,得到所述函数匹配训练集。通过利用所述函数匹配训练集对函数匹配层进行训练,将数据类型匹配层的输出结果和各数据类型对应的预测函数输入所述函数匹配层中,让所述函数匹配层学习数据类型与预测函数之间的映射关系,通过判断所述函数匹配层得到的结果是否收敛,确定停止训练的时间。当函数匹配层的结果准确度达到预设停止训练要求时,停止对函数匹配层的训练。
具体的,将所述数据类型匹配结果、聚类信息输入到函数匹配层中,匹配获得对应的预测函数,然后通过将所述聚类信息中的数据输入匹配预测函数中,从而对数据进行量化计算,得到安全监测结果。实现了构建电梯安全监测模型的目标,达到了提高监测效率和准确度的技术效果。
步骤S500:利用预设权重分配条件对所述安全监测结果进行计算,获得电梯安全指数;
进一步的,利用预设权重分配条件对所述安全监测结果进行计算,获得电梯安全指数,之前本申请实施例步骤S500还包括:
步骤S510:根据所述电梯历史运行数据,确定电梯历史故障信息;
步骤S520:对所述电梯历史故障信息进行危害度分析,确定故障危害度,并基于所述故障危害度进行由大至小排序,对根据排序结果设定故障危害度权重分配信息;
步骤S530:基于故障危害度的排序,依次对各故障进行相关运行数据提取,构建各故障历史运行数据集;
步骤S540:根据所述各故障历史运行数据集进行数据-故障关联性分析,确定数据-故障关联性;
步骤S550:根据所述数据-故障关联性、故障危害度权重分配信息进行加权计算,获得预设权重分配条件。
具体而言,所述电梯历史故障信息是在所述电梯历史运行数据中查找对应的电梯发生故障时电梯的运行数据后得到的。进而按照电梯历史故障信息中反映的各个电梯故障造成的危害程度进行评估,优选的,按照是否造成人员伤亡、设备损坏程度、故障时间三个维度对危害程度进行评估,得到所述故障危害度。所述故障危害度反映了电梯故障造成的危险后果。进而,按照故障危害度的大小,按照由大到小的顺序对其进行排序,然后根据排序结果,对排在前列,故障危害度大的故障分配较大的权重,从而得到所述故障危害度权重分配信息。其中,所述故障危害度权重分配信息反映了电梯发生故障时各个故障进行安全分析时所占的权重占比情况。
具体的,按照故障危害度的排序,对故障进行相关历史运行数据的提取,根据提取的数据结果构建所述各故障历史运行数据集。进而,对所述各故障历史运行数据集中的数据进行数据与故障之间关联情况进行分析,然后得到各数据与故障之间的关联程度,即所述数据-故障关联性。进而根据所述数据-故障关联性和所述故障危害度权重分配信息对数据进行加权计算,确定故障数据在进行安全分析时从关联度和故障危害度两个角度考虑时所占的权重,将权重分配结果确定为所述预设权重分配条件。利用所述预设权重分配条件对所述安全监测结果中的数据进行加权计算,然后得到电梯安全指数。其中,所述电梯安全指数反映了对电梯进行监测后,对监测数据进行量化计算后得到的电梯安全情况。达到了对电梯监测数据进行量化计算,深入挖掘数据内部联系,提高数据的利用率和结果的准确性的技术效果。
步骤S600:判断所述电梯安全指数是否超出安全预警阈值,当超出时,发送安全预警信息。
具体而言,所述安全预警阈值是电梯运行正常范围内,安全指数的最高值。当所述电梯安全指数超出所述安全预警阈值时,表明此时电梯运行存在安全风险,需要向工作人员发送所述安全预警信息。其中,所述安全预警信息反映了电梯存在的安全风险,以及电梯的危险程度。达到了对电梯安全进行监测,保证电梯运行安全的技术效果。
综上所述,本申请所提供的一种基于大数据的电梯安全监测预警方法具有如下技术效果:
本申请通过对电梯历史运行数据进行深入挖掘分析,对电梯安全相关的特征进行提取,确定相关监测特征,然后有针对性的进行数据采集,得到电梯实时运行监测数据,从而实现对电梯进行实时监测的目标,然后为了提高监测数据的质量,对数据进行数据预处理及聚类分析,根据聚类结果得到各聚类信息,将其分别输入电梯安全监测模型中,经过模型计算得到安全监测结果,然后通过预设权重分配条件安全监测结果中的数据进行计算,得到电梯安全指数,进而通过对电梯安全指数进行判断,判断其是否超出安全预警阈值,对电梯的安全运行情况进行量化判断,当超出时,发送安全预警信息。达到了及时对电梯的安全情况进行识别,对安全隐患及时反馈,提高预警的准确性的技术效果。
实施例二
基于与前述实施例中一种基于大数据的电梯安全监测预警方法同样的发明构思,如图4所示,本申请还提供了一种基于大数据的电梯安全监测预警***,其中,所述***包括:
监测特征构建模块11,所述监测特征构建模块11用于根据电梯历史运行数据,构建电梯安全监测特征;
监测数据获得模块12,所述监测数据获得模块12用于基于所述电梯安全监测特征,对电梯实时运行数据进行采集,获得电梯实时运行监测数据;
聚类信息获得模块13,所述聚类信息获得模块13用于对所述电梯实时运行监测数据进行数据预处理及聚类分析,获得监测数据聚类信息;
监测结果获得模块14,所述监测结果获得模块14用于将所述监测数据聚类信息中的各聚类信息分别输入电梯安全监测模型中,获得安全监测结果;
安全指数获得模块15,所述安全指数获得模块15用于利用预设权重分配条件对所述安全监测结果进行计算,获得电梯安全指数;
预警信息发送模块16,所述预警信息发送模块16用于判断所述电梯安全指数是否超出安全预警阈值,当超出时,发送安全预警信息。
进一步的,所述***还包括:
时间节点确定单元,所述时间节点确定单元用于根据所述电梯历史运行数据,确定电梯故障时间节点;
运行数据提取单元,所述运行数据提取单元用于基于所述电梯故障时间节点,提取节点预设周期运行数据;
异常数据确定单元,所述异常数据确定单元用于对所述节点预设周期运行数据进行数据相关性分析,确定异常数据特征;
安全监测特征构建单元,所述安全监测特征构建单元用于基于所述异常数据特征,确定监测参数即各参数的数据特征,构建所述电梯安全监测特征。
进一步的,所述***还包括:
数据走势确定单元,所述数据走势确定单元用于基于时间序列将所述节点预设周期运行数据进行对齐,对各运行数据进行走势分析,确定各运行数据走势;
走势运行数据确定单元,所述走势运行数据确定单元用于基于预设周期对各运行数据走势进行异常走势相关性分析,确定相关异常走势运行数据;
映射关系建立单元,所述映射关系建立单元用于对所述相关异常走势运行数据进行数据属性特征、监测区域特征分析,确定异常数据特征,并建立所述异常数据特征与故障类型的映射关系。
进一步的,所述***还包括:
空白数据补齐单元,所述空白数据补齐单元用于对所述电梯实时运行监测数据,进行监测数据连续性分析,确定异常空白数据,根据所述监测数据连续关系对所述异常空白数据进行补齐;
数据聚类信息获得单元,所述数据聚类信息获得单元用于将经过预处理的所述电梯实时运行监测数据利用预设聚类算法进行聚类,获得所述监测数据聚类信息。
进一步的,所述***还包括:
网络结构构建单元,所述网络结构构建单元用于构建BP前馈网络结构,包括输入层、隐含层、输出层,其中,隐含层包括数据类型匹配层、函数匹配层;
识别训练集建立单元,所述识别训练集建立单元用于对所述电梯历史运行数据进行数据分类,建立数据类型识别训练集,其中,包括历史运行数据及对应的数据类型标识信息;
训练收敛单元,所述训练收敛单元用于利用所述数据类型识别训练集对所述数据类型匹配层进行训练收敛,直到达到预设停止训练要求为止;
预测训练集构建单元,所述预测训练集构建单元用于根据所述电梯历史运行数据,确定各运行数据类型的数据走势与监测结果的对应关系,构建监测结果预测训练集;
预测函数获得单元,所述预测函数获得单元用于利用所述监测结果预测训练集进行预测函数训练,获得各数据类型对应的预测函数;
安全监测模型获得单元,所述安全监测模型获得单元用于基于所述数据类型匹配层的输出结果,各数据类型对应的预测函数,构建函数匹配训练集,利用所述函数匹配训练集对所述函数匹配层进行训练收敛,直到达到预设停止训练要求为止,获得所述电梯安全监测模型。
进一步的,所述***还包括:
数据匹配结果确定单元,所述数据匹配结果确定单元用于将所述各聚类信息通过输入层输入,进入数据类型匹配层,确定数据类型匹配结果;
输出层输出单元,所述输出层输出单元用于将所述数据类型匹配结果、聚类信息输入至函数匹配层,确定匹配预测函数,并将所述聚类信息输入所述匹配预测函数中,获得安全监测结果,通过输出层输出。
进一步的,所述***还包括:
故障信息确定单元,所述故障信息确定单元用于根据所述电梯历史运行数据,确定电梯历史故障信息;
权重分配信息确定单元,所述权重分配信息确定单元用于对所述电梯历史故障信息进行危害度分析,确定故障危害度,并基于所述故障危害度进行由大至小排序,对根据排序结果设定故障危害度权重分配信息;
数据集构建单元,所述数据集构建单元用于基于故障危害度的排序,依次对各故障进行相关运行数据提取,构建各故障历史运行数据集;
关联性确定单元,所述关联性确定单元用于根据所述各故障历史运行数据集进行数据-故障关联性分析,确定数据-故障关联性;
加权计算单元,所述加权计算单元用于根据所述数据-故障关联性、故障危害度权重分配信息进行加权计算,获得预设权重分配条件。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,前述图1实施例一中的一种基于大数据的电梯安全监测预警方法和具体实例同样适用于本实施例的一种基于大数据的电梯安全监测预警***,通过前述对一种基于大数据的电梯安全监测预警方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于大数据的电梯安全监测预警***,所以为了说明书的简洁,在此不再详述。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于大数据的电梯安全监测预警方法,其特征在于,所述方法包括:
根据电梯历史运行数据,构建电梯安全监测特征;
基于所述电梯安全监测特征,对电梯实时运行数据进行采集,获得电梯实时运行监测数据;
对所述电梯实时运行监测数据进行数据预处理及聚类分析,获得监测数据聚类信息;
将所述监测数据聚类信息中的各聚类信息分别输入电梯安全监测模型中,获得安全监测结果;
利用预设权重分配条件对所述安全监测结果进行计算,获得电梯安全指数;
判断所述电梯安全指数是否超出安全预警阈值,当超出时,发送安全预警信息。
2.如权利要求1所述的方法,其特征在于,根据电梯历史运行数据,构建电梯安全监测特征,包括:
根据所述电梯历史运行数据,确定电梯故障时间节点;
基于所述电梯故障时间节点,提取节点预设周期运行数据;
对所述节点预设周期运行数据进行数据相关性分析,确定异常数据特征;
基于所述异常数据特征,确定监测参数即各参数的数据特征,构建所述电梯安全监测特征。
3.如权利要求2所述的方法,其特征在于,对所述节点预设周期运行数据进行数据相关性分析,确定异常数据特征,包括:
基于时间序列将所述节点预设周期运行数据进行对齐,对各运行数据进行走势分析,确定各运行数据走势;
基于预设周期对各运行数据走势进行异常走势相关性分析,确定相关异常走势运行数据;
对所述相关异常走势运行数据进行数据属性特征、监测区域特征分析,确定异常数据特征,并建立所述异常数据特征与故障类型的映射关系。
4.如权利要求1所述的方法,其特征在于,对所述电梯实时运行监测数据进行数据预处理及聚类分析,获得监测数据聚类信息,包括:
对所述电梯实时运行监测数据,进行监测数据连续性分析,确定异常空白数据,根据所述监测数据连续关系对所述异常空白数据进行补齐;
将经过预处理的所述电梯实时运行监测数据利用预设聚类算法进行聚类,获得所述监测数据聚类信息。
5.如权利要求1所述的方法,其特征在于,将所述监测数据聚类信息中的各聚类信息分别输入电梯安全监测模型中,之前包括:
构建BP前馈网络结构,包括输入层、隐含层、输出层,其中,隐含层包括数据类型匹配层、函数匹配层;
对所述电梯历史运行数据进行数据分类,建立数据类型识别训练集,其中,包括历史运行数据及对应的数据类型标识信息;
利用所述数据类型识别训练集对所述数据类型匹配层进行训练收敛,直到达到预设停止训练要求为止;
根据所述电梯历史运行数据,确定各运行数据类型的数据走势与监测结果的对应关系,构建监测结果预测训练集;
利用所述监测结果预测训练集进行预测函数训练,获得各数据类型对应的预测函数;
基于所述数据类型匹配层的输出结果,各数据类型对应的预测函数,构建函数匹配训练集,利用所述函数匹配训练集对所述函数匹配层进行训练收敛,直到达到预设停止训练要求为止,获得所述电梯安全监测模型。
6.如权利要求5所述的方法,其特征在于,将所述监测数据聚类信息中的各聚类信息分别输入电梯安全监测模型中,包括:
将所述各聚类信息通过输入层输入,进入数据类型匹配层,确定数据类型匹配结果;
将所述数据类型匹配结果、聚类信息输入至函数匹配层,确定匹配预测函数,并将所述聚类信息输入所述匹配预测函数中,获得安全监测结果,通过输出层输出。
7.如权利要求1所述的方法,其特征在于,利用预设权重分配条件对所述安全监测结果进行计算,获得电梯安全指数,之前包括:
根据所述电梯历史运行数据,确定电梯历史故障信息;
对所述电梯历史故障信息进行危害度分析,确定故障危害度,并基于所述故障危害度进行由大至小排序,对根据排序结果设定故障危害度权重分配信息;
基于故障危害度的排序,依次对各故障进行相关运行数据提取,构建各故障历史运行数据集;
根据所述各故障历史运行数据集进行数据-故障关联性分析,确定数据-故障关联性;
根据所述数据-故障关联性、故障危害度权重分配信息进行加权计算,获得预设权重分配条件。
8.一种基于大数据的电梯安全监测预警***,其特征在于,所述***包括:
监测特征构建模块,所述监测特征构建模块用于根据电梯历史运行数据,构建电梯安全监测特征;
监测数据获得模块,所述监测数据获得模块用于基于所述电梯安全监测特征,对电梯实时运行数据进行采集,获得电梯实时运行监测数据;
聚类信息获得模块,所述聚类信息获得模块用于对所述电梯实时运行监测数据进行数据预处理及聚类分析,获得监测数据聚类信息;
监测结果获得模块,所述监测结果获得模块用于将所述监测数据聚类信息中的各聚类信息分别输入电梯安全监测模型中,获得安全监测结果;
安全指数获得模块,所述安全指数获得模块用于利用预设权重分配条件对所述安全监测结果进行计算,获得电梯安全指数;
预警信息发送模块,所述预警信息发送模块用于判断所述电梯安全指数是否超出安全预警阈值,当超出时,发送安全预警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211301561.6A CN115650006B (zh) | 2022-10-24 | 2022-10-24 | 一种基于大数据的电梯安全监测预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211301561.6A CN115650006B (zh) | 2022-10-24 | 2022-10-24 | 一种基于大数据的电梯安全监测预警方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115650006A true CN115650006A (zh) | 2023-01-31 |
CN115650006B CN115650006B (zh) | 2023-12-12 |
Family
ID=84990880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211301561.6A Active CN115650006B (zh) | 2022-10-24 | 2022-10-24 | 一种基于大数据的电梯安全监测预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115650006B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116520755A (zh) * | 2023-06-29 | 2023-08-01 | 深圳东原电子有限公司 | 一种音响的自动化产线监测预警方法及*** |
CN118183422A (zh) * | 2024-05-15 | 2024-06-14 | 北京实创电梯工程有限公司 | 基于大数据的电梯能耗监测方法和*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105933316A (zh) * | 2016-04-21 | 2016-09-07 | 国家电网公司 | 网络安全级别的确定方法和装置 |
CN107563508A (zh) * | 2017-07-13 | 2018-01-09 | 广东省智能制造研究所 | 一种大数据故障预测方法 |
CN109110608A (zh) * | 2018-10-25 | 2019-01-01 | 歌拉瑞电梯股份有限公司 | 一种基于大数据学习的电梯故障预测方法 |
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 |
KR101962739B1 (ko) * | 2018-08-27 | 2019-03-28 | 서울교통공사 | 빅데이터 분석을 이용한 기계장비의 고장예측분석시스템 및 그 방법 |
CN110097297A (zh) * | 2019-05-21 | 2019-08-06 | 国网湖南省电力有限公司 | 一种多维度窃电态势智能感知方法、***、设备及介质 |
CN110171757A (zh) * | 2019-06-06 | 2019-08-27 | 广州商学院 | 基于物联网大数据支撑的电梯维保*** |
CN111222549A (zh) * | 2019-12-30 | 2020-06-02 | 航天时代飞鸿技术有限公司 | 一种基于深度神经网络的无人机故障预测方法 |
CN113562562A (zh) * | 2021-06-23 | 2021-10-29 | 合肥工业大学 | 一种电梯安全预警监测***及其判断方法 |
-
2022
- 2022-10-24 CN CN202211301561.6A patent/CN115650006B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105933316A (zh) * | 2016-04-21 | 2016-09-07 | 国家电网公司 | 网络安全级别的确定方法和装置 |
CN107563508A (zh) * | 2017-07-13 | 2018-01-09 | 广东省智能制造研究所 | 一种大数据故障预测方法 |
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 |
KR101962739B1 (ko) * | 2018-08-27 | 2019-03-28 | 서울교통공사 | 빅데이터 분석을 이용한 기계장비의 고장예측분석시스템 및 그 방법 |
CN109110608A (zh) * | 2018-10-25 | 2019-01-01 | 歌拉瑞电梯股份有限公司 | 一种基于大数据学习的电梯故障预测方法 |
CN110097297A (zh) * | 2019-05-21 | 2019-08-06 | 国网湖南省电力有限公司 | 一种多维度窃电态势智能感知方法、***、设备及介质 |
CN110171757A (zh) * | 2019-06-06 | 2019-08-27 | 广州商学院 | 基于物联网大数据支撑的电梯维保*** |
CN111222549A (zh) * | 2019-12-30 | 2020-06-02 | 航天时代飞鸿技术有限公司 | 一种基于深度神经网络的无人机故障预测方法 |
CN113562562A (zh) * | 2021-06-23 | 2021-10-29 | 合肥工业大学 | 一种电梯安全预警监测***及其判断方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116520755A (zh) * | 2023-06-29 | 2023-08-01 | 深圳东原电子有限公司 | 一种音响的自动化产线监测预警方法及*** |
CN116520755B (zh) * | 2023-06-29 | 2023-09-26 | 深圳东原电子有限公司 | 一种音响的自动化产线监测预警方法及*** |
CN118183422A (zh) * | 2024-05-15 | 2024-06-14 | 北京实创电梯工程有限公司 | 基于大数据的电梯能耗监测方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN115650006B (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108083044B (zh) | 一种基于大数据分析的电梯按需维保***及方法 | |
CN115650006A (zh) | 一种基于大数据的电梯安全监测预警方法及*** | |
CN105354614B (zh) | 一种基于大数据的电网信息运维主动预警方法 | |
CN110009208B (zh) | 一种基于混合智能算法的柱上开关成套设备健康状态评估方法及装置 | |
CN111259947A (zh) | 一种基于多模态学习的电力***故障预警方法和*** | |
CN105930629B (zh) | 一种基于海量运行数据的在线故障诊断方法 | |
CN114723285B (zh) | 一种电网设备安全性评估预测方法 | |
CN112561736A (zh) | 智能变电站继电器保护装置故障诊断***和方法 | |
CN112884325A (zh) | 一种客站设备应用分析及健康状况评价方法及*** | |
CN113708493A (zh) | 基于云边协同的配电终端运维方法、装置和计算机设备 | |
CN109491339B (zh) | 一种基于大数据的变电站设备运行状态预警*** | |
CN115239135A (zh) | 一种施工风险识别管控***及方法 | |
CN110162555A (zh) | 一种火电机组启停和降出力监督方法 | |
CN112001511A (zh) | 基于数据挖掘的设备可靠性及动态风险评价方法、***和设备 | |
CN112633611A (zh) | 基于大数据分析的海底电缆状态检修策略优化方法及*** | |
CN112390127A (zh) | 基于健康度模型的自动扶梯预防性维修策略生成方法 | |
CN108805412A (zh) | 基于大数据分析的避雷器评价装置和方法 | |
CN115841739A (zh) | 一种基于物联网的设备管理跟踪方法及*** | |
RU2687848C1 (ru) | Способ и система вибромониторинга промышленной безопасности динамического оборудования опасных производственных объектов | |
CN105741184B (zh) | 一种变压器状态评估方法及装置 | |
CN113986893A (zh) | 一种基于发电车风险识别主动预警***及方法 | |
CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及*** | |
CN112016206A (zh) | 判定塔架失稳状态的方法、***、计算机设备及应用 | |
CN116628381A (zh) | 一种基于ai预测的网页数据设计模块故障无损恢复方法 | |
CN113449966B (zh) | 一种石膏板设备巡检方法及*** |
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 |