[發(fā)明專利]基于物聯(lián)網(wǎng)技術(shù)和耦合圖神經(jīng)網(wǎng)絡(luò)的電梯故障預(yù)警方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110028842.8
• 申請(qǐng)日: 2021-01-11
• 公開（公告）號(hào): CN112758782A
• 公開（公告）日: 2021-05-07
• 發(fā)明（設(shè)計(jì)）人: 朱帥;黃中平;李壯;賈春華;吳磊磊;蔡巍偉
• 申請(qǐng)（專利權(quán)）人: 浙江新再靈科技股份有限公司
• 主分類號(hào): B66B5/02
• 分類號(hào): B66B5/02;B66B5/00
• 代理公司: 北京謹(jǐn)誠(chéng)君睿知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 11538
• 代理人: 延慧;武麗榮

本發(fā)明涉及一種基于物聯(lián)網(wǎng)技術(shù)和耦合圖神經(jīng)網(wǎng)絡(luò)的電梯故障預(yù)警方法，包括以下步驟：a、實(shí)時(shí)采集電梯轎廂內(nèi)的數(shù)據(jù)，并將采集的數(shù)據(jù)傳輸至云端；b、對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，并進(jìn)行特征提取；c、利用預(yù)先訓(xùn)練的耦合圖神經(jīng)網(wǎng)絡(luò)模型在云端對(duì)實(shí)時(shí)采集的數(shù)據(jù)進(jìn)行分析，并對(duì)電梯故障進(jìn)行提前預(yù)警。本發(fā)明利用耦合神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)電梯故障的提前預(yù)警，這樣，在數(shù)據(jù)不平衡，故障數(shù)據(jù)較少的情況下，比傳統(tǒng)方式具有更高的準(zhǔn)度和精度。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于物聯(lián)網(wǎng)技術(shù)和耦合圖神經(jīng)網(wǎng)絡(luò)的電梯故障預(yù)警方法。

背景技術(shù)

隨著現(xiàn)代高層樓宇的增加，電梯成為重要的運(yùn)輸工具。而電梯使用年限的增加，電梯的發(fā)生故障也越來越多。由于電梯品牌眾多、故障類型多樣等原因造成電梯故障較難以提前預(yù)測(cè)。

現(xiàn)有技術(shù)中，通常利用建立統(tǒng)計(jì)學(xué)分析和定期維保實(shí)現(xiàn)電梯故障的提前干預(yù)。隨著大數(shù)據(jù)、機(jī)器學(xué)習(xí)和人工智能技術(shù)的發(fā)展，部分技術(shù)開始結(jié)合大數(shù)據(jù)利用深度神經(jīng)網(wǎng)絡(luò)對(duì)電梯故障進(jìn)行預(yù)警。常見的模型主要有：樹模型(Xgboost，GBDT等)、支持向量積、LSTM等。但是，由于電梯故障數(shù)據(jù)和非故障數(shù)據(jù)存在嚴(yán)重的數(shù)據(jù)不平衡現(xiàn)象，常見的模型難同時(shí)達(dá)到較理想的精度和準(zhǔn)度。

發(fā)明內(nèi)容

本發(fā)明的目的在于解決上述問題，提供一種基于物聯(lián)網(wǎng)技術(shù)和耦合圖神經(jīng)網(wǎng)絡(luò)的電梯故障預(yù)警方法。

為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明提供一種基于物聯(lián)網(wǎng)技術(shù)和耦合圖神經(jīng)網(wǎng)絡(luò)的電梯故障預(yù)警方法，包括以下步驟：

a、實(shí)時(shí)采集電梯轎廂內(nèi)的數(shù)據(jù)，并將采集的數(shù)據(jù)傳輸至云端；

b、對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，并進(jìn)行特征提取；

c、利用預(yù)先訓(xùn)練的耦合圖神經(jīng)網(wǎng)絡(luò)模型在云端對(duì)實(shí)時(shí)采集的數(shù)據(jù)進(jìn)行分析，并對(duì)電梯故障進(jìn)行提前預(yù)警。

根據(jù)本發(fā)明的一個(gè)方面，所述步驟(c)中的耦合圖神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練步驟包括，構(gòu)造耦合圖神經(jīng)網(wǎng)絡(luò)模型所需的雙鄰接矩陣，搭建并訓(xùn)練耦合圖神經(jīng)網(wǎng)絡(luò)模型。

根據(jù)本發(fā)明的一個(gè)方面，通過電梯品牌和電梯所處的工作環(huán)境構(gòu)建鄰接矩陣的邊，使其能被耦合圖神經(jīng)網(wǎng)絡(luò)模型所用。

根據(jù)本發(fā)明的一個(gè)方面，通過拼接不同鄰接矩陣下的圖網(wǎng)絡(luò)模型特征，完成耦合圖神經(jīng)網(wǎng)絡(luò)模型的搭建。

根據(jù)本發(fā)明的一個(gè)方面，在所述步驟(a)中，實(shí)時(shí)采集的數(shù)據(jù)包括圖像數(shù)據(jù)和電梯運(yùn)行參數(shù)，所述電梯運(yùn)行參數(shù)包括溫度、壓力和加速度。

根據(jù)本發(fā)明的一個(gè)方面，在所述步驟(a)中，將數(shù)據(jù)傳輸至云端之前對(duì)數(shù)據(jù)進(jìn)行整合。

根據(jù)本發(fā)明的一個(gè)方面，在所述步驟(b)中，所述預(yù)處理步驟包括，利用無監(jiān)督異常數(shù)據(jù)檢測(cè)模型過濾異常電梯運(yùn)行參數(shù)，以及對(duì)圖像數(shù)據(jù)進(jìn)行圖像數(shù)據(jù)處理。

根據(jù)本發(fā)明的一個(gè)方面，在所述步驟(b)中，所述特征提取包括，計(jì)算并整合一段時(shí)間的電梯運(yùn)行參數(shù)的統(tǒng)計(jì)學(xué)特征，以及對(duì)圖像數(shù)據(jù)進(jìn)行人體實(shí)例分割和人體屬性提取。

根據(jù)本發(fā)明的一個(gè)方面，利用YOLACT模型分割出圖像數(shù)據(jù)中的人體，構(gòu)造多標(biāo)簽分類模型，并利用之進(jìn)行人體屬性提取；

對(duì)人體實(shí)例分割得到的乘梯人數(shù)和人體屬性提取出的屬性進(jìn)行統(tǒng)計(jì)學(xué)特征提取，并作為特征數(shù)據(jù)送入模型檢測(cè)；

所述統(tǒng)計(jì)學(xué)特征包括均值、方差、最大值和最小值；

所述多標(biāo)簽分類模型包括主干和枝干，主干包含InceptionV3前7層網(wǎng)絡(luò)，只訓(xùn)練1次，枝干包含InceptionV3其余網(wǎng)絡(luò)層。

根據(jù)本發(fā)明的一個(gè)方面，所述步驟(b)的特征提取還包括獲取電梯故障告警數(shù)據(jù)Label_i，其中i為序列數(shù)，Label_i的值為0或1分別代表正常和發(fā)生故障；