[發明專利]電梯異常運行識別方法及系統

在審

• 申請號: 202010427020.2
• 申請日: 2020-05-19
• 公開（公告）號: CN111646332A
• 公開（公告）日: 2020-09-11
• 發明（設計）人: 張興鳳;萬敏;蔡巍偉;靳旭哲
• 申請（專利權）人: 浙江新再靈科技股份有限公司
• 主分類號: B66B5/00
• 分類號: B66B5/00;G01P15/00;G06K9/00;G06K9/62;G06N20/00;G06N3/08
• 代理公司: 北京謹誠君睿知識產權代理事務所(特殊普通合伙) 11538
• 代理人: 陸鑫;延慧

1.一種電梯異常運行識別方法，包括以下步驟：

a、采集電梯運行過程中的加速度數據；

b、標定所述加速度數據中的正常樣例和異常樣例；

c、對所述加速度數據進行數據清洗；

d、對數據清洗后的加速度數據分別進行深度學習識別和機器學習識別；

e、將所述步驟(d)中識別得到的結果進行融合并根據融合后的結果判斷電梯是否異常運行。

2.根據權利要求1所述的電梯異常運行識別方法，其特征在于，在所述步驟(b)中，判斷所述異常樣例的數量是否滿足后續識別需求；

若判斷結果為滿足，則執行步驟(c)；

若判斷結果為不滿足，則基于所述異常樣例生成額外的異常樣例，直至所述異常樣例的數量滿足后續識別需求，并執行步驟(c)；

滿足后續識別需求的所述異常樣例的數量至少為200條。

3.根據權利要求1所述的電梯異常運行識別方法，其特征在于，在所述步驟(c)中，進行數據清洗的步驟中包括依次去除序列長度過短或過長的數據、極值過高或過低的數據以及固定值數據，然后分別進行數據平滑處理和選擇極值差距離較近的數據。

4.根據權利要求1所述的電梯異常運行識別方法，其特征在于，所述步驟(d)中的深度學習識別的過程中，基于深度學習模型對清洗后的所述加速度數據進行識別并得出結果；其中獲取所述深度學習模型的步驟包括：

將所述加速度數據輸入到待訓練的深度學習模型中，長度補齊padding采用-1進行，采用timestamps＝1進行訓練和測試；

最后得到模型在測試集上的結果，并導出所述深度學習模型。

5.根據權利要求1所述的電梯異常運行識別方法，其特征在于，所述步驟(d)中的機器學習識別的過程中，首先對清洗后的所述加速度數據進行小波分析提取特征，然后基于機器學習模型對所述特征進行識別并得出結果；其中獲取所述機器學習模型的步驟包括：

對所述特征進行訓練集、驗證集、測試集拆分；

對待訓練的機器學習模型進行模型選型，并基于所選模型進行訓練和測試，其中各模型的參數利用網格搜索的方式設定；

得出各模型在測試集上的訓練結果，最終導出所述機器學習模型。

6.根據權利要求5所述的電梯異常運行識別方法，其特征在于，小波分析提取的特征包括峭度系數和各節點的能量值。

7.根據權利要求5或6所述的電梯異常運行識別方法，其特征在于，小波分析提取的特征包括峰度、偏度和極差以及三級的各節點的能量值。

8.根據權利要求1所述的電梯異常運行識別方法，其特征在于，在所述步驟(e)中，利用次級學習器logistics regression、bagging或邏輯操作對所述步驟(d)中識別得到的結果進行融合。

9.一種用于實施權利要求1-8中任一項所述的電梯異常運行識別方法的系統，包括：

數據采集模塊，用于采集電梯運行過程中的加速度數據；

數據清洗模塊，用于對所述加速度數據進行數據清洗；

深度學習識別模塊，用于對數據清洗后的加速度數據進行深度學習識別；

其特征在于，還包括：

小波分析模塊，用于對數據清洗后的加速度數據進行小波分析提取特征；

機器學習識別模塊，用于對所述小波分析模塊提取的特征進行機器學習識別；

融合識別模塊，用于將所述機器學習識別模塊和所述深度學習識別模塊識別得到的結果進行融合。

10.根據權利要求9所述的電梯異常運行識別系統，其特征在于，還包括：

樣例判斷模塊，用于判斷所述數據采集模塊采集到的加速度數據中的異常樣例的數量是否滿足識別需求；

樣例生成模塊，用于在所述樣例判斷模塊的判斷結果為不滿足的情況下生成額外的異常樣例。