[发明专利]电梯异常运行识别方法及系统

权利要求书

1.一种电梯异常运行识别方法，包括以下步骤：

a、采集电梯运行过程中的加速度数据；

b、标定所述加速度数据中的正常样例和异常样例；

c、对所述加速度数据进行数据清洗；

d、对数据清洗后的加速度数据分别进行深度学习识别和机器学习识别；

e、将所述步骤(d)中识别得到的结果进行融合并根据融合后的结果判断电梯是否异常运行。

2.根据权利要求1所述的电梯异常运行识别方法，其特征在于，在所述步骤(b)中，判断所述异常样例的数量是否满足后续识别需求；

若判断结果为满足，则执行步骤(c)；

若判断结果为不满足，则基于所述异常样例生成额外的异常样例，直至所述异常样例的数量满足后续识别需求，并执行步骤(c)；

满足后续识别需求的所述异常样例的数量至少为200条。

3.根据权利要求1所述的电梯异常运行识别方法，其特征在于，在所述步骤(c)中，进行数据清洗的步骤中包括依次去除序列长度过短或过长的数据、极值过高或过低的数据以及固定值数据，然后分别进行数据平滑处理和选择极值差距离较近的数据。

4.根据权利要求1所述的电梯异常运行识别方法，其特征在于，所述步骤(d)中的深度学习识别的过程中，基于深度学习模型对清洗后的所述加速度数据进行识别并得出结果；其中获取所述深度学习模型的步骤包括：

将所述加速度数据输入到待训练的深度学习模型中，长度补齐padding采用-1进行，采用timestamps＝1进行训练和测试；

最后得到模型在测试集上的结果，并导出所述深度学习模型。

5.根据权利要求1所述的电梯异常运行识别方法，其特征在于，所述步骤(d)中的机器学习识别的过程中，首先对清洗后的所述加速度数据进行小波分析提取特征，然后基于机器学习模型对所述特征进行识别并得出结果；其中获取所述机器学习模型的步骤包括：

对所述特征进行训练集、验证集、测试集拆分；

对待训练的机器学习模型进行模型选型，并基于所选模型进行训练和测试，其中各模型的参数利用网格搜索的方式设定；

得出各模型在测试集上的训练结果，最终导出所述机器学习模型。

6.根据权利要求5所述的电梯异常运行识别方法，其特征在于，小波分析提取的特征包括峭度系数和各节点的能量值。

7.根据权利要求5或6所述的电梯异常运行识别方法，其特征在于，小波分析提取的特征包括峰度、偏度和极差以及三级的各节点的能量值。

8.根据权利要求1所述的电梯异常运行识别方法，其特征在于，在所述步骤(e)中，利用次级学习器logistics regression、bagging或逻辑操作对所述步骤(d)中识别得到的结果进行融合。

9.一种用于实施权利要求1-8中任一项所述的电梯异常运行识别方法的系统，包括：

数据采集模块，用于采集电梯运行过程中的加速度数据；

数据清洗模块，用于对所述加速度数据进行数据清洗；

深度学习识别模块，用于对数据清洗后的加速度数据进行深度学习识别；

其特征在于，还包括：

小波分析模块，用于对数据清洗后的加速度数据进行小波分析提取特征；

机器学习识别模块，用于对所述小波分析模块提取的特征进行机器学习识别；

融合识别模块，用于将所述机器学习识别模块和所述深度学习识别模块识别得到的结果进行融合。

10.根据权利要求9所述的电梯异常运行识别系统，其特征在于，还包括：

样例判断模块，用于判断所述数据采集模块采集到的加速度数据中的异常样例的数量是否满足识别需求；

样例生成模块，用于在所述样例判断模块的判断结果为不满足的情况下生成额外的异常样例。