[发明专利]电梯异常运行识别方法及系统

说明书

本发明涉及一种电梯异常运行识别方法及系统，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。本发明对采集到的数据分别进行深度学习识别以及机器学习识别，并最终将识别结果进行融合，从而根据融合后的结果判断数据是否异常，如此可提高检测的精度和模型的稳健性。

技术领域

本发明涉及电梯异常检测领域，尤其涉及一种通过分析电梯加速度数据判断电梯是否异常的电梯异常运行识别方法及系统。

背景技术

本发明涉及基于物联网传感器数据的电梯安全运行实时监测技术领域，具体地，涉及一种电梯异常运行识别方法。

随着硬件的升级，物联网带来了工业4.0，基于物联网的应用慢慢融入到人们的日常生活当中，为人们带来了便利的同时也带来了智能化体验。基于物联网的智能电梯也应运而生。

目前，基于物联网采集电梯运行数据的设备已非常成熟，基于此采集数据的应用也出炉，但距离智能化应用落地闭环仍有一定的距离。

目前，市面上基于采集的加速度数据检测电梯异常运行的技术，多为基于简单阈值的规则方法，少有基于人工智能的方法。

专利CN110550518A公开了一种电梯运行异常检测方法，其引入了神经网络算法，一定程度上解决经验规则的弊端，能够利用模型学习到模式特征，但该技术中，同样是依赖于预设的阈值进行最终的异常检测，且该技术不能根据已有样例的情况进行自适应的学习并识别检测异常，因此其精度不高。

发明内容

本发明的目的在于提供一种精度更高的电梯异常运行识别方法及系统。

为实现上述目的，本发明提供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。

根据本发明的一个方面，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。

根据本发明的一个方面，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。

根据本发明的一个方面，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。