一种利用机器学习预测电梯按需维保周期的系统及方法与流程

本发明涉及电梯维保技术领域，特别是涉及一种利用机器学习预测电梯按需维保周期的系统及方法。

背景技术：

目前，我国对电梯维保的时间约束是根据《电梯维护保养规则(tsg-t5002-2017)》要求分为半月、季度、半年、年度等四类，定期进行维保工作。这种维保方式理论上可以实现全面覆盖检查、排除隐患、降低风险，保证电梯的正常运行。但是，随着我国在用电梯数量的增加，持证维保人员数量增长不足，造成“人机比”的不断增大，导致了现在电梯维保低质量、低效率、高风险、高危险。而且随着技术的进步，电梯零部件的可靠性已得到极大的提升，沿用现有要求进行维保势必造成资源的浪费。

因此本领域技术人员致力于开发一种利用机器学习预测电梯按需维保周期的系统及方法。

技术实现要素：

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种利用机器学习预测电梯按需维保周期的系统及方法。

为实现上述目的，本发明提供了一种利用机器学习预测电梯按需维保周期的系统，包括：

基础数据模块，用于建立完整的电梯基础信息及履历信息；

数据采集模块，用于采集实时的电梯环境数据、运行数据、故障数据；

样本模块，用于根据实时的电梯环境数据、运行数据、故障数据与维保周期的关系，形成样本数据；

周期预测模块，用于通过样本数据进行机器学习，并建立预测模型，以预测电梯按需维保周期。

较佳的，所述预测模型的算法如下：

其中，为按需维保预测周期天数，θ0为上次维保后截止预测时已运行天数，θ1～θn为特征参数的权重，为影响电梯按需维保周期的特征向量。

较佳的，通过历史样本数据并利用多元线性回归分析理论获得特征参数的权重θ1～θn，使损失函数最小，损失函数为：

其中，yi为历史样本数据中电梯按需维保天数，m为样本数量。

较佳的，所述电梯按需维保周期的特征向量包括里程、运行时长、电梯风险等级、困人次数、超速次数、非门区停车次数、开门走车次数、冲顶次数、蹲底次数、抖动次数、速度异常次数、加速度异常次数。

较佳的，将所述特征向量与对应的电梯维保周期天数建立关联，形成样本数据。

较佳的，所述数据采集模块包括：

基层传感器单元，用于校准运行数据；

加速度传感器单元，用于获取电梯在x、y、z三轴的加速度数值；

平层传感器单元，用于判断电梯是否平层停车、电梯运行状态和方向；

人体传感器单元，用于检测电梯轿厢内是否有人滞留；

门磁传感器单元，用于感测电梯轿厢门是否闭合，结合平层传感器单元来判断是否存在开门走车故障；

温度湿度传感器单元，用于输出电梯的温度湿度信息；

振动传感器单元，用于输出电梯的振动信息。

本发明还提供了一种利用机器学习预测电梯按需维保周期的方法，包括以下步骤：

建立完整的电梯基础信息及履历信息；

采集实时的电梯环境数据、运行数据、故障数据；

根据实时的电梯环境数据、运行数据、故障数据与维保周期的关系，形成样本数据；

通过样本数据进行机器学习，并建立预测模型，以预测电梯按需维保周期。

较佳的，所述预测模型的算法如上述的预测模型的算法。

本发明的有益效果是：本发明利用机器学习预测电梯按需维保周期的系统利用物联网技术把实时的电梯环境数据、运行数据、故障数据进行采集、分析并与维保内容项目进行关联,利用机器学习建立数学模型，更能客观的反映电梯安全运行状态，按每部电梯，个性化计算出符合客观实际的维保周期，有效的提高维保效率、降低维保费用，减少设备故障率，实现了电梯按需维保的要求，保护群众乘梯安全。

附图说明

图1是本发明一具体实施方式中利用机器学习预测电梯按需维保周期的系统的框架图。

图2是本发明一具体实施方式中数据采集模块采集数据的示意图。

图3是本发明一具体实施方式中利用机器学习预测电梯按需维保周期的方法的流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明，需注意的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方式构造和操作，因此不能理解为对本发明的限制。术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。

如图1所示，一种利用机器学习预测电梯按需维保周期的系统，包括：

基础数据模块10，用于建立完整的电梯基础信息及履历信息；

数据采集模块20，用于采集实时的电梯环境数据、运行数据、故障数据；

样本模块30，用于根据实时的电梯环境数据、运行数据、故障数据与维保周期的关系，形成样本数据；

周期预测模块40，用于通过样本数据进行机器学习，并建立预测模型，以预测电梯按需维保周期。

预测模型的算法如下：

其中，为按需维保预测周期天数，θ0为上次维保后截止预测时已运行天数，θ1～θn为特征参数的权重(通过机器学习获得)，为影响电梯按需维保周期的特征向量。

电梯按需维保周期的特征向量包括里程、运行时长、电梯风险等级、困人次数、超速次数、非门区停车次数、开门走车次数、冲顶次数、蹲底次数、抖动次数、速度异常次数、加速度异常次数。

将特征向量与对应的电梯维保周期天数建立关联，形成样本数据。

通过历史样本数据并利用多元线性回归分析理论获得特征参数的权重θ1～θn，使损失函数最小，损失函数为：

其中，yi为历史样本数据中电梯按需维保天数，m为样本数量。

本实施例中，数据采集模块20包括：

基层传感器单元21，即霍尔传感器，安装在井道底层，用于校准运行数据，复位故障造成的楼层数据错乱问题；

加速度传感器单元22，用于获取电梯在x、y、z三轴的加速度数值，本实施例中，加速度传感器单元22提供±2g至±16g的加速度测量范围；

平层传感器单元23，采用双光电开关，用于判断电梯是否平层停车、电梯运行状态和方向；

人体传感器单元24，人体接近传感器是以微波多普勒原理为基础，平面型天线作为感应系统，以微处理器作控制的一种感应器，用于检测电梯轿厢内是否有人滞留；

门磁传感器单元25，采用磁性接近开关，用于感测电梯轿厢门是否闭合，结合平层传感器单元来判断是否存在开门走车故障；

温度湿度传感器单元26，用于输出电梯的温度湿度信息，本实施例中，以温度湿度一体式的探头作为测温元件，将温度和湿度信号采集出来，经过稳压滤波、运算放大、非线性校正、v/i转换、恒流及反向保护等电路处理后，转换成与温度和湿度成线性关系的电流信号或电压信号输出；

振动传感器单元27，能把被测的机械振动参数的变化转换成为电参量信号的变化的传感器，用于输出电梯的振动信息。

如图2所示，为数据采集模块20采集数据的示意图，其中，①黑匣子(内置温度湿度传感器、加速度传感器、振动传感器)，②平层传感器，③基层传感器，④摄像头，⑤人体传感器，⑥云平台,⑦维保系统。

实施例2

如图3所示，一种利用机器学习预测电梯按需维保周期的方法的流程图，该方法包括以下步骤：

s1、建立完整的电梯基础信息及履历信息；

s2、采集实时的电梯环境数据、运行数据、故障数据；

s3、根据实时的电梯环境数据、运行数据、故障数据与维保周期的关系，形成样本数据；

s4、通过样本数据进行机器学习，并建立预测模型，以预测电梯按需维保周期。

本实施例中，预测模型的算法如上述的预测模型的算法。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。