CN118270628A - 具有自动诊断功能的自动扶梯综合检测*** - Google Patents
具有自动诊断功能的自动扶梯综合检测*** Download PDFInfo
- Publication number
- CN118270628A CN118270628A CN202410578949.3A CN202410578949A CN118270628A CN 118270628 A CN118270628 A CN 118270628A CN 202410578949 A CN202410578949 A CN 202410578949A CN 118270628 A CN118270628 A CN 118270628A
- Authority
- CN
- China
- Prior art keywords
- data
- escalator
- processing
- electrical
- node
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 238000003745 diagnosis Methods 0.000 title claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 90
- 230000002159 abnormal effect Effects 0.000 claims abstract description 25
- 238000003066 decision tree Methods 0.000 claims abstract description 25
- 238000013480 data collection Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 14
- 230000001932 seasonal effect Effects 0.000 claims description 13
- 238000013519 translation Methods 0.000 claims description 12
- 230000014616 translation Effects 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 10
- 238000012731 temporal analysis Methods 0.000 claims description 9
- 238000000700 time series analysis Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims 1
- 238000012423 maintenance Methods 0.000 description 13
- 230000006872 improvement Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000012300 Sequence Analysis Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Escalators And Moving Walkways (AREA)
Abstract
本发明涉及自动扶梯综合检测技术领域,具体为一种具有自动诊断功能的自动扶梯综合检测***,包括数据收集模块、数据处理模块和数据建模与分析模块,其中数据收集模块收集扶梯电气数据和扶梯环境数据;数据处理模块对扶梯电气数据进行数据处理,生成扶梯电气处理数据;对扶梯环境数据进行数据处理,得出扶梯环境处理数据;数据建模与分析模块根据扶梯电气处理数据和扶梯环境处理数据,利用决策树算法进行扶梯状态的预测,并收集决策树中从根节点到叶节点的节点数据,并统计节点数据的类型个数,其中类型为扶梯电气数据和扶梯环境数据,选择类型个数最多的数据作为标记扶梯数据;其中,当扶梯状态的预测结果为异常时,将标记扶梯数据发送给管理员。
Description
技术领域
本发明涉及自动扶梯综合检测技术领域,具体为具有自动诊断功能的自动扶梯综合检测***。
背景技术
传统的自动扶梯维护和监控***通常,缺乏高效协作的数据收集、处理和分析模块,因此在预防和诊断扶梯异常状态方面存在明显劣势。首先,这类***在数据收集方面受限于较为基础的技术和方法,往往只能捕捉到有限的电气数据,而环境数据的收集更是少之又少,导致无法全面地理解扶梯的运行状况。其次,由于缺乏高级的数据处理能力,例如时间序列分析和小波变换等,原始数据中的噪声很难被有效去除,同时也无法准确抽取出对预测至关重要的特征,这大大降低了后续维护和修复工作的效率和准确性。最关键的是,传统***中缺少像决策树这样的数据建模与分析工具,无法进行高效的特征选择和精确预测,导致无法及时识别并响应潜在的异常状态。
此外,传统***在异常状态的识别和响应方面存在显著劣势。由于缺乏自动标记与异常状态相关的关键数据的能力,维护人员需要耗费大量时间和精力去手动分析数据,寻找故障原因。这不仅增加了运维工作的复杂度,而且在解决问题的过程中很难达到快速和精确的要求,导致了维护响应的低效。更重要的是,这种依赖经验和人工分析的方式很难实时监控和预测异常,从而无法实现对扶梯故障的及时预防,增加了安全隐患和维护成本。与前述高效协作的综合检测***相比,传统的维护和监控方式在预测精度、响应速度和维护效率上的劣势尤为明显,无法满足现代自动扶梯安全和稳定运行的高标准要求。
发明内容
本发明的目的在于提供一种具有自动诊断功能的自动扶梯综合检测***,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种具有自动诊断功能的自动扶梯综合检测***,其特征在于,包括数据收集模块、数据处理模块和数据建模与分析模块,其中:
所述数据收集模块收集扶梯电气数据和扶梯环境数据;
所述数据处理模块对所述扶梯电气数据进行数据处理,生成扶梯电气处理数据;以及,对所述扶梯环境数据进行数据处理,得出扶梯环境处理数据;
所述数据建模与分析模块根据所述扶梯电气处理数据和扶梯环境处理数据,利用决策树算法进行扶梯状态的预测,并收集决策树中从根节点到叶节点的节点数据,并统计节点数据的类型个数,其中类型为扶梯电气数据和扶梯环境数据,选择类型个数最多的数据作为标记扶梯数据;
其中,当扶梯状态的预测结果为异常时,将标记扶梯数据发送给管理员。
作为本技术方案的进一步改进,所述数据收集模块中的所述扶梯电气数据包括电流、电压、功率和电子控制信号;所述扶梯环境数据包括温度、湿度、扶梯使用频率和载重。
作为本技术方案的进一步改进,所述数据处理模块包括电气处理单元和环境处理单元,所述电气处理单元通过时间序列分析以及小波变化进行对所述扶梯电气数据进行数据处理,生成扶梯电气处理数据;所述环境处理单元利用中值滤波器对所述扶梯环境数据进行数据处理,生成扶梯环境处理数据。
作为本技术方案的进一步改进,所述电气处理单元利用时间序列分析对所述扶梯电气数据中的电流、电压和功率进行数据处理,具体包括:
时间序列分析包括趋势分析和季节性调整,其中趋势分析的公式如下:
Tt=β0+β1t+εt,其中Tt为时间点t的趋势值;β0为截距项,表示当t为时的起始值;β1为斜率项,表示数据随时间t变化的趋势;t为时间变量,表示序列中的时间点;εt为误差项,包含模型未能解释的随机波动;
季节性调整用于剔除季节性因素影响,公式如下:
St=Yt-Tt,其中Yt是扶梯电气数据,St是调整季节性后的数据。
作为本技术方案的进一步改进,所述电气处理单元利用小波变换对所述扶梯电气数据中的电子控制信号进行数据处理,具体包括:
其中W(a,b)按尺度a和平移b进行变换后的小波系数,体现在不同尺度和平移下的信号特征;x(t)为电子控制信号,并取决于时间t;a为尺度因子,决定了小波的拉伸或压缩程度;小的a值对应于对信号高频部分的分析,而大的a值对应于低频部分的分析;b为平移因子,决定了小波在时间轴上的定位;为选用的母小波函数,具有局部化和快速衰减特性的函数,用于在不同的尺度和平移上分解信号;dt表示在积分过程中对时间的小增量,用于对原函数x(t)在给定母小波函数下进行连续变换。
作为本技术方案的进一步改进,所述环境处理单元利用中值滤波器将每个数据点的值设置为其邻域中所有值的中位数,公式如下:
yi=medianxi-n,...,xi,...,xi+n,其中yi是滤波后的值,xi-n,...,xi,...,xi+n是邻域中的原始数据点。
作为本技术方案的进一步改进,所述数据建模与分析模块包括建模单元和分析单元,所述建模单元进行决策树模型的建立,具体包括:
从公共数据库中收集与扶梯电气处理数据和扶梯环境处理数据相同的数据特征,以及对应的扶梯状态,并作为扶梯训练数据;
从根节点开始,根据分割条件进行***;为每个***的属性值创建子节点;对每个子节点重复此过程,直到满足停止条件,其中停止条件包括但不限于最大深度和节点数据量小于最小分割量;
所述分析单元根据扶梯电气处理数据和扶梯环境处理数据以及训练好的决策数模型,进行扶梯状态的预测以及异常数据的标记。
作为本技术方案的进一步改进,所述决策树模型中的所述分割条件为基尼不纯度,公式为:
其中pi表示在扶梯训练数据T中,属于第i类的记录所占的比例;具体如下:
对于扶梯训练数据T中的每一个类别i,计算属于该类别的记录数目;将每个类别的记录数目除以扶梯训练数据T的总记录数,得到属于每个类别的概率pi。
作为本技术方案的进一步改进,所述分析单元进行扶梯状态的预测以及异常数据的标记,具体包括:
从根节点开始,根据特征值的取值,根据分割条件选择相应的分支,并记录分支对应的数据类型;进入下一节点后,根据当前节点的判定条件和特征值的取值,选择相应的分支进入下一个节点;从根节点到叶节点,根据特征值的取值一直进行分支选择,直到达到叶节点,叶节点对应扶梯状态的预测结果,包括正常和异常;
收集从根节点到叶节点所通过路径数据,并统计路径数据的类型个数,其中类型为扶梯电气数据和扶梯环境数据,选择类型个数最多的数据作为标记扶梯数据,其中,当扶梯状态的预测结果为异常时,将标记扶梯数据发送给管理员。
与现有技术相比,本发明的有益效果是:
1、该一种具有自动诊断功能的自动扶梯综合检测***利用了数据收集模块、数据处理模块和数据建模与分析模块之间的高效协作,为自动扶梯的维护和监控提供了一个全面的解决方案;具体通过精确收集扶梯的电气数据和环境数据,***能够从多个维度捕捉到扶梯的运行状态和可能的异常状况;数据处理模块的应用,包括时间序列分析和小波变换,进一步提炼和增强了原始数据,使得数据不仅去除了噪声,还保留了对预测至关重要的特征,为后续的数据建模与分析打下了坚实的基础。在数据建模与分析阶段,通过使用决策树算法,不仅优化了特征的选择过程,还提高了预测扶梯状态的准确性。这一系列的处理确保了***能够及时地识别出异常状态,从而使得扶梯的维护变得更加高效和及时;
2、该一种具有自动诊断功能的自动扶梯综合检测***的一个显著优点是能够自动标记与异常状态相关的关键数据,并将这些数据发送给管理员;具体通过决策树模型中的根节点到叶节点的路径分析来确定影响扶梯运行状态的关键特征;一旦预测结果表明存在异常状态,分析单元则自动提取与异常最相关的电气或环境数据,这些数据被视为关键数据;这一过程中,***自动聚焦于最能表示当前问题的数据类型,并将其标记;随后,这些标记的关键数据会被自动发送至管理员,允许他们迅速查看哪些具体参数可能导致了扶梯的异常状况;这种快速的数据通报和准确的问题定位,极大地提高了维护人员对问题的响应速度和处理效率,降低了日常工作的复杂性,优化了资源的配置,确保了***运行的稳定性和安全性。
附图说明
图1为本发明的整体模块示意图;
图2为本发明的数据处理模块单元示意图;
图3为本发明的数据建模与分析模块单元示意图。
图中:100、数据收集模块;200、数据处理模块;201、电气处理单元;202、环境处理单元;300、数据建模与分析模块;301、建模单元;302、分析单元。
具体实施方式
下面将结合本发明中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,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,都属于本发明保护的范围。
请参阅图1-3,本发明提供一种技术方案:一种具有自动诊断功能的自动扶梯综合检测***,包括数据收集模块100、数据处理模块200和数据建模与分析模块300
数据收集模块100收集扶梯电气数据和扶梯环境数据,其中扶梯电气数据包括电流、电压、功率和电子控制信号,具体如下:
电流:电流异常通常预示电机过载或电气故障,在决策树中,电流值可作为一个重要的节点,帮助区分是否存在电气过负荷或短路问题;
电压:电压的波动可指示电源不稳定或电气***的异常,决策树可以利用电压数据来判断电气***是否稳定,从而预测扶梯是否可能进入异常状态;
功率:功率反映了扶梯的能耗和运行效率,在决策树模型中,高功率消耗可能是机械故障或不必要的能量浪费的指标,这有助于预测效率低下或潜在的机械问题;
电子控制信号:通过检测和分析控制信号的异常,可以预测扶梯电子控制***的故障,决策树可以使用这些信号的异常模式来预测和诊断问题,例如错误的起停控制。
扶梯环境数据包括温度、湿度、扶梯使用频率和载重,具体如下:
温度:高温可能代表电机过热或环境因素影响,在决策树中,温度是预测设备过热的关键变量,直接关联设备性能和安全;
湿度:高湿度可能导致电气部件腐蚀或短路,湿度的监测可以帮助决策树识别环境引起的潜在故障风险;
扶梯使用频率:频繁使用的扶梯可能会有更高的维护和故障风险,在决策树中,使用频率的数据可以用来评估扶梯的使用强度和预测其维护需求。
载重:频繁的过载操作可以加速设备磨损和故障,载重信息在决策树中作为判断扶梯是否面临超负荷运营的关键变量。
数据处理模块200中的电气处理单元201对扶梯电气数据进行数据处理,生成扶梯电气处理数据,通过时间序列分析以及小波变化进行数据处理,其中利用时间序列分析对扶梯电气数据中的电流、电压和功率进行数据处理,具体包括:
时间序列分析包括趋势分析和季节性调整,趋势分析用于体现数据随时间的长期走势,其中趋势分析的公式如下:
Tt=β0+β1t+εt,其中Tt为时间点t的观测项,β0,β1为拟合参数,εt为误差项;Tt为时间点t的趋势值;β0为截距项,表示当t为0时的起始值;β1为斜率项,表示数据随时间t变化的趋势;t为时间变量,表示序列中的时间点;εt为误差项,包含模型未能解释的随机波动;
季节性调整用于剔除季节性因素影响,分析非季节性趋势,公式如下:
St=Yt-Tt,其中Yt是扶梯电气数据,St是调整季节性后的数据;
利用小波变换对扶梯电气数据中的电子控制信号进行数据处理,具体包括:
其中W(a,b)按尺度a和平移b进行变换后的小波系数,体现在不同尺度和平移下的信号特征;x(t)为电子控制信号,并取决于时间t;a为尺度因子,决定了小波的拉伸或压缩程度;小的a值对应于对信号高频部分的分析,而大的a值对应于低频部分的分析;b为平移因子,决定了小波在时间轴上的定位;为选用的母小波函数,具有局部化和快速衰减特性的函数,用于在不同的尺度和平移上分解信号;dt表示在积分过程中对时间的小增量,用于对原函数x(t)在给定母小波函数下进行连续变换。
电气处理单元201将时间序列分析和小波变换后的数据作为扶梯电气处理数据。
数据处理模块200中的环境处理单元202对扶梯环境数据进行数据处理,得出扶梯环境处理数据,利用中值滤波器将每个数据点的值设置为其邻域中所有值的中位数,公式如下:
yi=medianxi-n,...,xi,...,xi+n,其中yi是滤波后的值,xi-n,...,xi,...,xi+n是邻域中的原始数据点。
数据建模与分析模块300中的建模单元301根据扶梯电气处理数据和扶梯环境处理数据,利用决策树算法进行扶梯状态的预测,具体包括:
扶梯训练数据收集:从公共数据库中收集与扶梯电气处理数据和扶梯环境处理数据相同的数据特征,以及对应的扶梯状态,并作为扶梯训练数据;
决策树算法的构造:决策树通过递归地将扶梯训练数据分成更小的子集来构建;每个节点代表一个属性的测试,节点***的目标是尽量使得***后的子集更加纯净(即属于单一类别的概率更高);树的根节点包含整个数据集,通过连续***生成子节点,直到满足特定的停止条件,如达到最大深度、节点数据量小于最小分割量等;
为了分割节点,需选择最佳属性,选择基尼不纯度作为分割条件,公式为:
其中pi表示在扶梯训练数据T中,属于第i类的记录所占的比例,换句话说,对于扶梯训练数据T中的每一个类别i,计算属于该类别的记录数目;将每个类别的记录数目除以扶梯训练数据T的总记录数,得到属于每个类别的概率pi。
决策树模型的建立过程:从根节点开始,选择使得基尼不纯度最小的属性进行***;为每个***的属性值创建子节点;对每个子节点重复此过程,直到满足某个停止条件。
数据建模与分析模块300中的分析单元302根据扶梯电气处理数据和扶梯环境处理数据以及训练好的决策数模型,进行扶梯状态的预测以及异常数据的标记,具体包括:
从根节点开始,根据特征值的取值,根据分割条件选择相应的分支,并记录分支对应的数据类型;进入下一节点后,根据当前节点的判定条件和特征值的取值,选择相应的分支进入下一个节点;从根节点到叶节点,根据特征值的取值一直进行分支选择,直到达到叶节点,叶节点对应扶梯状态的预测结果,包括正常和异常;
收集从根节点到叶节点所通过路径数据,并统计路径数据的类型个数,其中类型为扶梯电气数据和扶梯环境数据,选择类型个数最多的数据作为标记扶梯数据,其中,当扶梯状态的预测结果为异常时,将标记扶梯数据发送给管理员。例如,如果从根节点到叶节点所通过路径的节点数据为电流、电压、温度和功率,则扶梯电气数据的类型个数为3、扶梯环境数据的类型个数为1,因此将扶梯电气数据作为标记扶梯数据,并且叶节点的扶梯状态预测结果为异常时,将标记扶梯数据发送给管理员。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种具有自动诊断功能的自动扶梯综合检测***,其特征在于,包括数据收集模块(100)、数据处理模块(200)和数据建模与分析模块(300),其中:
所述数据收集模块(100)收集扶梯电气数据和扶梯环境数据;
所述数据处理模块(200)对所述扶梯电气数据进行数据处理,生成扶梯电气处理数据;以及,对所述扶梯环境数据进行数据处理,得出扶梯环境处理数据;
所述数据建模与分析模块(300)根据所述扶梯电气处理数据和扶梯环境处理数据,利用决策树算法进行扶梯状态的预测,并收集决策树中从根节点到叶节点的节点数据,并统计节点数据的类型个数,其中类型为扶梯电气数据和扶梯环境数据,选择类型个数最多的数据作为标记扶梯数据;
其中,当扶梯状态的预测结果为异常时,将标记扶梯数据发送给管理员。
2.根据权利要求1所述的具有自动诊断功能的自动扶梯综合检测***,其特征在于,所述数据收集模块(100)中的所述扶梯电气数据包括电流、电压、功率和电子控制信号;所述扶梯环境数据包括温度、湿度、扶梯使用频率和载重。
3.根据权利要求2所述的具有自动诊断功能的自动扶梯综合检测***,其特征在于,所述数据处理模块(200)包括电气处理单元(201)和环境处理单元(202),所述电气处理单元(201)通过时间序列分析以及小波变化进行对所述扶梯电气数据进行数据处理,生成扶梯电气处理数据;所述环境处理单元(202)利用中值滤波器对所述扶梯环境数据进行数据处理,生成扶梯环境处理数据。
4.根据权利要求3所述的具有自动诊断功能的自动扶梯综合检测***,其特征在于,所述电气处理单元(201)利用时间序列分析对所述扶梯电气数据中的电流、电压和功率进行数据处理,具体包括:
时间序列分析包括趋势分析和季节性调整,其中趋势分析的公式如下:
Tt=β0+β1t+εt,其中Tt为时间点t的趋势值;β0
为截距项,表示当t为0时的起始值;β1为斜率项,表示数据随时间t变化的趋势;t为时间变量,表示序列中的时间点;εt
为误差项,包含模型未能解释的随机波动;
季节性调整用于剔除季节性因素影响,公式如下:
St=Yt-Tt,其中Yt是扶梯电气数据,St是调整季节性后的数据。
5.根据权利要求3所述的具有自动诊断功能的自动扶梯综合检测***,其特征在于,所述电气处理单元(201)利用小波变换对所述扶梯电气数据中的电子控制信号进行数据处理,具体包括:
其中W(a,b)按尺度a和平移b进行变换后的小波系数,体现在不同尺度和平移下的信号特征;x(t)
为电子控制信号,并取决于时间t;a
为尺度因子,决定了小波的拉伸或压缩程度;小的a
值对应于对信号高频部分的分析,而大的a值对应于低频部分的分析;b为平移因子,决定了小波在时间轴上的定位;
为选用的母小波函数,具有局部化和快速衰减特性的函数,用于在不同的尺度和平移上分解信号;dt
表示在积分过程中对时间的小增量,用于对原函数x(t)
在给定母小波函数下进行连续变换。
6.根据权利要求5所述的具有自动诊断功能的自动扶梯综合检测***,其特征在于,所述环境处理单元(202)利用中值滤波器将每个数据点的值设置为其邻域中所有值的中位数,公式如下:
yi=medianxi-n,...,xi,...,xi+n,其中yi是滤波后的值,xi-n,...,xi,...,xi+n是邻域中的原始数据点。
7.根据权利要求6所述的具有自动诊断功能的自动扶梯综合检测***,其特征在于,所述数据建模与分析模块(300)包括建模单元(301)和分析单元(302),所述建模单元(301)进行决策树模型的建立,具体包括:
从公共数据库中收集与扶梯电气处理数据和扶梯环境处理数据相同的数据特征,以及对应的扶梯状态,并作为扶梯训练数据;
从根节点开始,根据分割条件进行***;为每个***的属性值创建子节点;对每个子节点重复此过程,直到满足停止条件,其中停止条件包括但不限于最大深度和节点数据量小于最小分割量;
所述分析单元(302)根据扶梯电气处理数据和扶梯环境处理数据以及训练好的决策数模型,进行扶梯状态的预测以及异常数据的标记。
8.根据权利要求7所述的具有自动诊断功能的自动扶梯综合检测***,其特征在于,所述决策树模型中的所述分割条件为基尼不纯度,公式为:其中pi表示在扶梯训练数据T中,属于第i类的记录所占的比例;具体如下:
对于扶梯训练数据T中的每一个类别i,计算属于该类别的记录数目;将每个类别的记录数目除以扶梯训练数据T的总记录数,得到属于每个类别的概率pi。
9.根据权利要求7所述的具有自动诊断功能的自动扶梯综合检测***,其特征在于,所述分析单元(302)进行扶梯状态的预测以及异常数据的标记,具体包括:
从根节点开始,根据特征值的取值,根据分割条件选择相应的分支,并记录分支对应的数据类型;进入下一节点后,根据当前节点的判定条件和特征值的取值,选择相应的分支进入下一个节点;从根节点到叶节点,根据特征值的取值一直进行分支选择,直到达到叶节点,叶节点对应扶梯状态的预测结果,包括正常和异常;
收集从根节点到叶节点所通过路径数据,并统计路径数据的类型个数,其中类型为扶梯电气数据和扶梯环境数据,选择类型个数最多的数据作为标记扶梯数据,其中,当扶梯状态的预测结果为异常时,将标记扶梯数据发送给管理员。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410578949.3A CN118270628A (zh) | 2024-05-10 | 2024-05-10 | 具有自动诊断功能的自动扶梯综合检测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410578949.3A CN118270628A (zh) | 2024-05-10 | 2024-05-10 | 具有自动诊断功能的自动扶梯综合检测*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118270628A true CN118270628A (zh) | 2024-07-02 |
Family
ID=91638503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410578949.3A Pending CN118270628A (zh) | 2024-05-10 | 2024-05-10 | 具有自动诊断功能的自动扶梯综合检测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118270628A (zh) |
-
2024
- 2024-05-10 CN CN202410578949.3A patent/CN118270628A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN111639921B (zh) | 一种基于专家***的设备故障智判与辅助处置方法 | |
CN111669123B (zh) | 用于对光伏组串进行故障诊断的方法和装置 | |
CN113325308B (zh) | 一种用于数据中心的供电故障检测方法 | |
CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
CN113435759B (zh) | 一种基于深度学习的一次设备风险智能评估方法 | |
CN115712735A (zh) | 一种基于大数据的风电机组故障监测预警方法及*** | |
CN111666978B (zh) | 一种it***运维大数据的智能故障预警*** | |
CN110968703B (zh) | 基于lstm端到端抽取算法的异常计量点知识库构建方法及*** | |
CN115453267A (zh) | 一种电力信息***故障诊断*** | |
CN117150418B (zh) | 基于状态特征故障树的变压器运检周期制定方法和*** | |
CN114487705A (zh) | 一种电网设备故障定位检测方法 | |
CN117171410A (zh) | 基于光伏发电数据的***状态评估方法、装置、设备和介质 | |
CN116976531A (zh) | 用于井下电控设备的集成管理方法及*** | |
CN112418662A (zh) | 一种利用人工神经网络的配电网运行可靠性分析方法 | |
CN118270628A (zh) | 具有自动诊断功能的自动扶梯综合检测*** | |
CN115788771A (zh) | 一种基于物联网技术的风力发电***的智能运维管理*** | |
CN115034094A (zh) | 一种金属加工机床运行状态预测方法及*** | |
CN117411436B (zh) | 光伏组件状态检测方法、***及存储介质 | |
CN115828165B (zh) | 一种新能源智能微电网数据处理方法及*** | |
CN116067489B (zh) | 水电站辅助设备的监测***、方法、电子设备及存储介质 | |
CN104731955A (zh) | 风电机组油液监测诊断标准建立及智能诊断方法及*** | |
CN118014405B (zh) | 一种基于数据处理的电力故障预警*** | |
CN117978628B (zh) | 一种基于智慧园区通信控制方法及*** | |
CN112348074B (zh) | 基于数据驱动的配电网停电事件精准化诊断方法、装置及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |