【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及電梯故障診斷，尤其涉及一種基于物聯(lián)網(wǎng)的電梯運(yùn)行異常預(yù)測(cè)與診斷方法及系統(tǒng)。
技術(shù)介紹
1、隨著物聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，電梯的智能化管理已成為城市建筑中不可或缺的一部分。現(xiàn)代電梯系統(tǒng)依賴于大量的傳感器數(shù)據(jù)來實(shí)現(xiàn)對(duì)運(yùn)行狀態(tài)的實(shí)時(shí)監(jiān)測(cè)與預(yù)測(cè)分析，其中，音頻信號(hào)作為電梯運(yùn)行過程中不可忽視的診斷信號(hào)，能夠反映出電梯在不同工作狀態(tài)下的機(jī)械狀況、載荷變化以及潛在故障。通過對(duì)電梯運(yùn)行音頻數(shù)據(jù)進(jìn)行分析，能夠提前識(shí)別電梯運(yùn)行中的異常模式，實(shí)現(xiàn)故障的預(yù)測(cè)與診斷，從而提高電梯的安全性、可靠性和運(yùn)行效率。
2、對(duì)于采集到的電梯音頻信號(hào)，結(jié)合傳統(tǒng)的信號(hào)處理方法如時(shí)頻分析提取出頻譜特征，并使用機(jī)器學(xué)習(xí)算法進(jìn)行故障檢測(cè)，這種方式能夠在一定程度上識(shí)別電梯運(yùn)行中的一些異常模式，但由于沒有充分考慮電梯在不同工作狀態(tài)下不同類型故障的特征變化，容易導(dǎo)致其診斷精度有限。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)的目的在于提出一種基于物聯(lián)網(wǎng)的電梯運(yùn)行異常預(yù)測(cè)與診斷方法及系統(tǒng)，解決部分方法無法靈活適應(yīng)多變運(yùn)行狀態(tài)和負(fù)載變化的問題，考慮電梯運(yùn)行狀態(tài)的差異性和異常事件的復(fù)雜變化，提升電梯故障診斷的準(zhǔn)確性。
2、為實(shí)現(xiàn)上述目的，本專利技術(shù)第一方面提供一種基于物聯(lián)網(wǎng)的電梯運(yùn)行異常預(yù)測(cè)與診斷方法，包括：
3、獲取基于物聯(lián)網(wǎng)傳感器采集到的電梯運(yùn)行過程中的歷史音頻數(shù)據(jù)，對(duì)歷史音頻數(shù)據(jù)進(jìn)行時(shí)頻轉(zhuǎn)換生成多個(gè)第一時(shí)頻圖；
4、提取出每個(gè)第一時(shí)頻圖對(duì)應(yīng)的多個(gè)頻譜特征并構(gòu)建得到每個(gè)時(shí)頻圖對(duì)應(yīng)的頻譜特征向量，
5、基于變分模態(tài)分解算法對(duì)每個(gè)電梯運(yùn)行狀態(tài)類簇進(jìn)行自適應(yīng)時(shí)頻分析，生成每個(gè)電梯運(yùn)行狀態(tài)類簇的多個(gè)目標(biāo)模態(tài)信號(hào)，對(duì)每個(gè)電梯運(yùn)行狀態(tài)類簇的多個(gè)目標(biāo)模態(tài)信號(hào)進(jìn)行時(shí)頻轉(zhuǎn)換和特征圖拼接，得到每個(gè)電梯運(yùn)行狀態(tài)類簇的多個(gè)第二時(shí)頻圖；
6、對(duì)每個(gè)第二時(shí)頻圖進(jìn)行事件流檢測(cè)，得到每個(gè)第二時(shí)頻圖的事件流特征數(shù)據(jù)，對(duì)每個(gè)電梯運(yùn)行狀態(tài)類簇的多個(gè)第二時(shí)頻圖進(jìn)行時(shí)序異常診斷生成異常診斷結(jié)果，根據(jù)事件流特征數(shù)據(jù)和異常診斷結(jié)果對(duì)每個(gè)電梯運(yùn)行狀態(tài)類簇的多個(gè)第二時(shí)頻圖進(jìn)行特征優(yōu)化，生成每個(gè)第二時(shí)頻圖對(duì)應(yīng)的第三時(shí)頻圖；
7、根據(jù)多個(gè)第三時(shí)頻圖構(gòu)建得到用于對(duì)電梯運(yùn)行分析模型訓(xùn)練的訓(xùn)練集并對(duì)電梯運(yùn)行分析模型進(jìn)行訓(xùn)練，在采集到待分析的電梯運(yùn)行音頻數(shù)據(jù)后，通過訓(xùn)練好的電梯運(yùn)行分析模型對(duì)電梯運(yùn)行音頻數(shù)據(jù)進(jìn)行分析，生成電梯運(yùn)行異常檢測(cè)結(jié)果。
8、優(yōu)選地，對(duì)于每個(gè)電梯運(yùn)行狀態(tài)類簇的多個(gè)第二時(shí)頻圖，還包括：
9、通過變分模態(tài)分解算法對(duì)每個(gè)電梯運(yùn)行狀態(tài)類簇中的多組音頻信號(hào)進(jìn)行模態(tài)分解，得到每組音頻信號(hào)對(duì)應(yīng)的多個(gè)子信號(hào)，計(jì)算每個(gè)子信號(hào)的總能量值，將每組音頻信號(hào)的總能量值大于預(yù)設(shè)能量閾值的子信號(hào)記為目標(biāo)模態(tài)信號(hào)；
10、對(duì)每個(gè)電梯運(yùn)行狀態(tài)類簇的多個(gè)目標(biāo)模態(tài)信號(hào)進(jìn)行短時(shí)傅里葉變換，得到每個(gè)目標(biāo)模態(tài)信號(hào)的局部時(shí)頻圖，對(duì)每組音頻信號(hào)的多個(gè)目標(biāo)模態(tài)信號(hào)分別對(duì)應(yīng)的局部時(shí)頻圖進(jìn)行特征融合，得到每組音頻信號(hào)的全局時(shí)頻圖，記為音頻信號(hào)的第二時(shí)頻圖。
11、優(yōu)選地，對(duì)每個(gè)第二時(shí)頻圖進(jìn)行事件流檢測(cè)，得到每個(gè)第二時(shí)頻圖的事件流特征數(shù)據(jù)，對(duì)每個(gè)電梯運(yùn)行狀態(tài)類簇的多個(gè)第二時(shí)頻圖進(jìn)行時(shí)序異常診斷生成異常診斷結(jié)果，包括：
12、根據(jù)歷史音頻數(shù)據(jù)確定每個(gè)第二時(shí)頻圖的故障類型標(biāo)簽，根據(jù)故障類型標(biāo)簽篩選出每個(gè)電梯運(yùn)行狀態(tài)類簇中屬于正常運(yùn)行狀態(tài)的多組音頻信號(hào)，根據(jù)篩選出的多組音頻信號(hào)構(gòu)建每個(gè)電梯運(yùn)行狀態(tài)類簇的多頻段事件異常閾值；
13、對(duì)每個(gè)第二時(shí)頻圖進(jìn)行滑窗分析，根據(jù)第二時(shí)頻圖所屬的電梯運(yùn)行狀態(tài)類簇對(duì)應(yīng)的多頻段事件異常閾值對(duì)第二時(shí)頻圖進(jìn)行異常事件標(biāo)記，得到包含每個(gè)第二時(shí)頻圖的包含多個(gè)異常事件流的事件流特征數(shù)據(jù)；
14、根據(jù)預(yù)設(shè)時(shí)間步長(zhǎng)提取出每個(gè)異常事件的事件時(shí)序數(shù)據(jù)和對(duì)應(yīng)的參考數(shù)據(jù)，基于事件時(shí)序數(shù)據(jù)對(duì)應(yīng)的參考數(shù)據(jù)提取出每個(gè)異常事件流的事件時(shí)序差異向量，根據(jù)事件時(shí)序差異向量確定每個(gè)異常事件流的時(shí)序差異參數(shù)，得到每個(gè)第二時(shí)頻圖包含對(duì)應(yīng)的時(shí)序差異參數(shù)的異常診斷結(jié)果。
15、優(yōu)選地，根據(jù)事件流特征數(shù)據(jù)和異常診斷結(jié)果對(duì)每個(gè)電梯運(yùn)行狀態(tài)類簇的多個(gè)第二時(shí)頻圖進(jìn)行特征優(yōu)化，生成每個(gè)第二時(shí)頻圖對(duì)應(yīng)的第三時(shí)頻圖，包括：
16、根據(jù)多個(gè)時(shí)序差異參數(shù)和故障類型標(biāo)簽確定每個(gè)第二時(shí)頻圖的故障類型參數(shù)，根據(jù)多個(gè)時(shí)序差異參數(shù)和運(yùn)行狀態(tài)標(biāo)簽確定每個(gè)第二時(shí)頻圖的運(yùn)行狀態(tài)參數(shù)，根據(jù)故障類型參數(shù)和運(yùn)行狀態(tài)參數(shù)確定每個(gè)異常事件的異常事件因子；
17、基于事件流特征數(shù)據(jù)確定每個(gè)第二時(shí)頻圖的異常事件影響區(qū)間，根據(jù)異常事件因子對(duì)每個(gè)第二時(shí)頻圖的異常事件影響區(qū)間進(jìn)行特征優(yōu)化，生成每個(gè)第二時(shí)頻圖對(duì)應(yīng)的第三時(shí)頻圖。
18、優(yōu)選地，根據(jù)多個(gè)第三時(shí)頻圖構(gòu)建得到用于對(duì)電梯運(yùn)行分析模型訓(xùn)練的訓(xùn)練集并對(duì)電梯運(yùn)行分析模型進(jìn)行訓(xùn)練，包括：
19、對(duì)每個(gè)電梯運(yùn)行狀態(tài)類簇的多個(gè)第三時(shí)頻圖分別進(jìn)行偽彩色映射，得到每個(gè)電梯運(yùn)行狀態(tài)類簇的多個(gè)目標(biāo)頻譜圖；
20、確定每個(gè)目標(biāo)頻譜圖的故障類型標(biāo)簽和運(yùn)行狀態(tài)標(biāo)簽，構(gòu)建得到包含多個(gè)目標(biāo)頻譜圖和每個(gè)目標(biāo)頻譜圖對(duì)應(yīng)的故障類型標(biāo)簽和運(yùn)行狀態(tài)標(biāo)簽的訓(xùn)練集；
21、以訓(xùn)練集中的多個(gè)目標(biāo)頻譜圖和每個(gè)頻譜圖的運(yùn)行狀態(tài)標(biāo)簽為電梯運(yùn)行分析模型的輸入，以每個(gè)頻譜圖的故障類型標(biāo)簽為電梯運(yùn)行分析模型的訓(xùn)練目標(biāo)，通過訓(xùn)練集訓(xùn)練得到電梯運(yùn)行分析模型。
22、優(yōu)選地，通過訓(xùn)練好的電梯運(yùn)行分析模型對(duì)電梯運(yùn)行音頻數(shù)據(jù)進(jìn)行分析，生成電梯運(yùn)行異常檢測(cè)結(jié)果，包括：
23、對(duì)電梯運(yùn)行音頻數(shù)據(jù)基于變分模態(tài)分解算法進(jìn)行自適應(yīng)時(shí)頻分析，并進(jìn)行時(shí)頻轉(zhuǎn)換和特征圖拼接生成目標(biāo)時(shí)頻圖，獲取電梯運(yùn)行音頻數(shù)據(jù)對(duì)應(yīng)的運(yùn)動(dòng)特征數(shù)據(jù)以確定電梯運(yùn)行音頻數(shù)據(jù)的目標(biāo)運(yùn)行狀態(tài)標(biāo)簽，將包含目標(biāo)運(yùn)行狀態(tài)標(biāo)簽的目標(biāo)時(shí)頻圖輸入到電梯運(yùn)行分析模型中，生成電梯運(yùn)行音頻數(shù)據(jù)對(duì)應(yīng)的電梯運(yùn)行異常檢測(cè)結(jié)果。
24、本專利技術(shù)第二方面提供一種基于物聯(lián)網(wǎng)的電梯運(yùn)行異常預(yù)測(cè)與診斷系統(tǒng)，用于實(shí)現(xiàn)上述的一種基于物聯(lián)網(wǎng)的電梯運(yùn)行異常預(yù)測(cè)與診斷方法，包括：
25、數(shù)據(jù)獲取模塊，用于獲取基于物聯(lián)網(wǎng)傳感器采集到的電梯運(yùn)行過程中的歷史音頻數(shù)據(jù)；
26、運(yùn)行狀態(tài)分析模塊，用于對(duì)歷史音頻數(shù)據(jù)進(jìn)行時(shí)頻轉(zhuǎn)換生成多個(gè)第一時(shí)頻圖，提取出每個(gè)第一時(shí)頻圖對(duì)應(yīng)的多個(gè)頻譜特征并構(gòu)建得到每個(gè)時(shí)頻圖對(duì)應(yīng)的頻譜特征向量，根據(jù)頻譜特征向量對(duì)歷史音頻數(shù)據(jù)進(jìn)行聚類得到多個(gè)電梯運(yùn)行狀態(tài)類簇，每個(gè)電梯運(yùn)行狀態(tài)類簇包含多組音頻信號(hào)；
27、時(shí)頻特征分析模塊，用于基于變分模態(tài)分解算法對(duì)每個(gè)電梯運(yùn)行狀態(tài)類簇進(jìn)行自適應(yīng)時(shí)頻分析，生成每個(gè)電梯運(yùn)行狀態(tài)類簇的多個(gè)目標(biāo)模態(tài)信號(hào)，對(duì)每個(gè)電梯運(yùn)行狀態(tài)類簇的多個(gè)目標(biāo)模態(tài)信號(hào)進(jìn)行時(shí)頻轉(zhuǎn)換和特征圖拼接，得到每個(gè)電梯運(yùn)行狀態(tài)類簇的多個(gè)第二時(shí)頻圖；
28、時(shí)頻特征優(yōu)化模塊，用于對(duì)每個(gè)第二時(shí)頻圖進(jìn)行事件流檢測(cè)，得到每個(gè)第本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于物聯(lián)網(wǎng)的電梯運(yùn)行異常預(yù)測(cè)與診斷方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的一種基于物聯(lián)網(wǎng)的電梯運(yùn)行異常預(yù)測(cè)與診斷方法，其特征在于，對(duì)于每個(gè)電梯運(yùn)行狀態(tài)類簇的多個(gè)第二時(shí)頻圖，還包括：
3.根據(jù)權(quán)利要求2所述的一種基于物聯(lián)網(wǎng)的電梯運(yùn)行異常預(yù)測(cè)與診斷方法，其特征在于，對(duì)每個(gè)第二時(shí)頻圖進(jìn)行事件流檢測(cè)，得到每個(gè)第二時(shí)頻圖的事件流特征數(shù)據(jù)，對(duì)每個(gè)電梯運(yùn)行狀態(tài)類簇的多個(gè)第二時(shí)頻圖進(jìn)行時(shí)序異常診斷生成異常診斷結(jié)果，包括：
4.根據(jù)權(quán)利要求3所述的一種基于物聯(lián)網(wǎng)的電梯運(yùn)行異常預(yù)測(cè)與診斷方法，其特征在于，根據(jù)事件流特征數(shù)據(jù)和異常診斷結(jié)果對(duì)每個(gè)電梯運(yùn)行狀態(tài)類簇的多個(gè)第二時(shí)頻圖進(jìn)行特征優(yōu)化，生成每個(gè)第二時(shí)頻圖對(duì)應(yīng)的第三時(shí)頻圖，包括：
5.根據(jù)權(quán)利要求1所述的一種基于物聯(lián)網(wǎng)的電梯運(yùn)行異常預(yù)測(cè)與診斷方法，其特征在于，根據(jù)多個(gè)第三時(shí)頻圖構(gòu)建得到用于對(duì)電梯運(yùn)行分析模型訓(xùn)練的訓(xùn)練集并對(duì)電梯運(yùn)行分析模型進(jìn)行訓(xùn)練，包括：
6.根據(jù)權(quán)利要求1所述的一種基于物聯(lián)網(wǎng)的電梯運(yùn)行異常預(yù)測(cè)與診斷方法，其特征在于，通過訓(xùn)練好的電梯運(yùn)行分析模型對(duì)電梯運(yùn)行音
7.一種基于物聯(lián)網(wǎng)的電梯運(yùn)行異常預(yù)測(cè)與診斷系統(tǒng)，其特征在于，所述系統(tǒng)用于實(shí)現(xiàn)上述權(quán)利要求1-6任一項(xiàng)所述的一種基于物聯(lián)網(wǎng)的電梯運(yùn)行異常預(yù)測(cè)與診斷方法，包括：
8.根據(jù)權(quán)利要求7所述的一種基于物聯(lián)網(wǎng)的電梯運(yùn)行異常預(yù)測(cè)與診斷系統(tǒng)，其特征在于，對(duì)于運(yùn)行異常分析模塊，通過訓(xùn)練好的電梯運(yùn)行分析模型對(duì)電梯運(yùn)行音頻數(shù)據(jù)進(jìn)行分析，生成電梯運(yùn)行異常檢測(cè)結(jié)果，包括：
...【技術(shù)特征摘要】
1.一種基于物聯(lián)網(wǎng)的電梯運(yùn)行異常預(yù)測(cè)與診斷方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的一種基于物聯(lián)網(wǎng)的電梯運(yùn)行異常預(yù)測(cè)與診斷方法，其特征在于，對(duì)于每個(gè)電梯運(yùn)行狀態(tài)類簇的多個(gè)第二時(shí)頻圖，還包括：
3.根據(jù)權(quán)利要求2所述的一種基于物聯(lián)網(wǎng)的電梯運(yùn)行異常預(yù)測(cè)與診斷方法，其特征在于，對(duì)每個(gè)第二時(shí)頻圖進(jìn)行事件流檢測(cè)，得到每個(gè)第二時(shí)頻圖的事件流特征數(shù)據(jù)，對(duì)每個(gè)電梯運(yùn)行狀態(tài)類簇的多個(gè)第二時(shí)頻圖進(jìn)行時(shí)序異常診斷生成異常診斷結(jié)果，包括：
4.根據(jù)權(quán)利要求3所述的一種基于物聯(lián)網(wǎng)的電梯運(yùn)行異常預(yù)測(cè)與診斷方法，其特征在于，根據(jù)事件流特征數(shù)據(jù)和異常診斷結(jié)果對(duì)每個(gè)電梯運(yùn)行狀態(tài)類簇的多個(gè)第二時(shí)頻圖進(jìn)行特征優(yōu)化，生成每個(gè)第二時(shí)頻圖對(duì)應(yīng)的第三時(shí)頻圖，包括：
5.根據(jù)權(quán)利要求1所述的...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：陳永忠，
申請(qǐng)(專利權(quán))人：廣東恩信科技有限公司，
類型：發(fā)明
國(guó)別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。