一种基于传感器的电梯运行状态监控系统及方法与流程

本发明属于电梯技术领域，具体涉及一种基于传感器的电梯运行状态监控系统及方法。

背景技术：

电梯是服务于规定楼层的固定式提升设备，包括一个轿厢，轿厢的尺寸与结构型式可使乘客方便的进出，轿厢至少部分的运行在2根垂直的或垂直倾斜度小于15°的刚性导轨之间。

在我国城市化进程不断加快的情况下，高层建筑数量不断增加。作为高层建筑当中重要的升降设施，电梯对人们的日常出行具有十分重要的意义。随着电梯数量的增加，电梯出现的安全事故也更加频繁，时常出现电梯困人的现象。

目前市场上电梯困人时，主要通过被困者在轿厢内按动对讲警铃按键呼叫监控中心寻求帮助，老人和小孩等对电梯相关知识不熟悉的话，可能会不懂按键呼叫而引起延时报警或原来的警铃按键失效无法正常报警而采取其他危险行为造成伤害。

技术实现要素：

有鉴于此，本发明的主要目的在于提供了一种基于传感器的电梯运行状态监控系统及方法，具有监控准确和智能化程度高的优点。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于传感器的电梯运行状态监控系统，其特征在于，所述系统包括：用于采集每个楼层光电感应信号光电感应组件、用于测出角速度的变化的陀螺仪、用于测出振动频谱的振动测试仪、用于测出垂直方向和水平方向加速度的变化加速度传感器、用于处理处理系统数据，得出监测结果的信号处理器和用于人机交互的显示器；所述光电感应组件、陀螺仪、振动测试仪、加速度传感器分别信号连接于信号处理器；所述信号处理器信号连接于显示器。

进一步的，所述信号处理器包括：深度信念网络、卷积神经网络、深度玻尔兹曼机、递归神经网络、堆叠自编码器、长短期记忆模型、门控循环单元网络及神经图灵机的深度学习网络模型，深度学习模块还包含有故障识别深度模型，用于存储已训练好的模型程序。

进一步的，所述自适应集成策略模块设有集成策略生成器，所述集成策略生成器将每一个深度学习网络模型定义为个体学习器，每一个体学习器分别对故障指标数据库中的数据集等进行学习，集成策略生成器自动优化设计组合策略。

进一步的，所述历史信号数据库为包含有k台已退役的同类型旋转机械自从服役到退役整个运行阶段的全部监测离线数据总集每台旋转机械采集p个指标，所述p个指标包括电梯运行加速度、角速度和振动强度，不同的监测指标设置有不同个数的传感器测量点t；每一个传感器所测得的数据均为一个全程运行周期的时间序列样本，数据总集是一个k×(t1+t2+t3+…+tp)的高维张量矩阵数据集。

进一步的，所述陀螺仪采用六轴陀螺仪。

一种基于传感器的电梯运行状态监控方法，所述方法执行以下步骤：采集每个楼层的光电数据，测出电梯运行的角速度的变化，测出电梯运行的振动频谱，测出电梯运行的垂直方向和水平方向加速度；将测出的光电数据、角速度、振动频谱和垂直方向和水平方面的加速度发送给信号处理器；信号处理器根据深度学习算法以及采集到的数据信息，监测电梯的运行状态，并将监测结果发送到显示器。

进一步的，所述信号处理器根据深度学习算法以及采集到的数据信息，监测电梯的运行状态的方法执行以下步骤：使用深度信念网络、卷积神经网络、深度玻尔兹曼机、递归神经网络、堆叠自编码器、长短期记忆模型、门控循环单元网络及神经图灵机的深度学习网络模型，深度学习模块还包含有故障识别深度模型，用于存储已训练好的模型程序；对采集到的数据信息进行深度学习处理和分析，得出结果。

本发明的一种基于传感器的电梯运行状态监控系统及方法，具有如下有益效果：监测电梯运行状态；无线数据传输，安装方便。通过获取电梯状态，分析电梯轿厢内人员信息，综合分析电梯需要运行时间，乘客需要在轿厢内等待的时间，分析判断电梯是否非正常运行或人员是否已经受困，传输给后台进行处理。对电梯信息和人员信息进行自动获取，克服老人小孩等对电梯相关知识不熟悉的问题，适应人群广。

附图说明

图1为本发明的基于传感器的电梯运行状态监控系统的系统结构示意图。

具体实施方式

下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。

如图1所示，一种基于传感器的电梯运行状态监控系统，其特征在于，所述系统包括：用于采集每个楼层光电感应信号的光电感应组件、用于测出角速度的变化的陀螺仪、用于测出振动频谱的振动测试仪、用于测出垂直方向和水平方向加速度变化的加速度传感器、用于处理处理系统数据，得出监测结果的信号处理器和用于人机交互的显示器；所述光电感应组件、陀螺仪、振动测试仪、加速度传感器分别信号连接于信号处理器；所述信号处理器信号连接于显示器。

进一步的，所述信号处理器包括：深度信念网络、卷积神经网络、深度玻尔兹曼机、递归神经网络、堆叠自编码器、长短期记忆模型、门控循环单元网络及神经图灵机的深度学习网络模型，深度学习模块还包含有故障识别深度模型，用于存储已训练好的模型程序。

进一步的，所述自适应集成策略模块设有集成策略生成器，所述集成策略生成器将每一个深度学习网络模型定义为个体学习器，每一个体学习器分别对故障指标数据库中的数据集等进行学习，集成策略生成器自动优化设计组合策略。

进一步的，所述历史信号数据库为包含有k台已退役的同类型旋转机械自从服役到退役整个运行阶段的全部监测离线数据总集每台旋转机械采集p个指标，所述p个指标包括电梯运行加速度、角速度和振动强度，不同的监测指标设置有不同个数的传感器测量点t；每一个传感器所测得的数据均为一个全程运行周期的时间序列样本，数据总集是一个k×(t1+t2+t3+…+tp)的高维张量矩阵数据集。

进一步的，所述陀螺仪采用六轴陀螺仪。

一种基于传感器的电梯运行状态监控方法，所述方法执行以下步骤：采集每个楼层的光电数据，测出电梯运行的角速度的变化，测出电梯运行的振动频谱，测出电梯运行的垂直方向和水平方向加速度；将测出的光电数据、角速度、振动频谱和垂直方向和水平方面的加速度发送给信号处理器；信号处理器根据深度学习算法以及采集到的数据信息，监测电梯的运行状态，并将监测结果发送到显示器。

进一步的，所述信号处理器根据深度学习算法以及采集到的数据信息，监测电梯的运行状态的方法执行以下步骤：使用深度信念网络、卷积神经网络、深度玻尔兹曼机、递归神经网络、堆叠自编码器、长短期记忆模型、门控循环单元网络及神经图灵机的深度学习网络模型，深度学习模块还包含有故障识别深度模型，用于存储已训练好的模型程序；对采集到的数据信息进行深度学习处理和分析，得出结果。

所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。

需要说明的是，上述实施例提供的系统，仅以上述各功能子单元的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能子单元来完成，即将本发明实施例中的子单元或者步骤再分解或者组合，例如，上述实施例的子单元可以合并为一个子单元，也可以进一步拆分成多个子子单元，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的子单元、步骤的名称，仅仅是为了区分各个子单元或者步骤，不视为对本发明的不当限定。

所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。

本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的子单元、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件子单元、方法步骤对应的程序可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd～rom、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。

术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。