一种电梯上下行运行轨迹建模方法与流程

本发明涉及电梯领域，尤其涉及电梯上下行运行轨迹建模方法。

背景技术：

随着现代工业的发展，电梯作为一种“交通工具”与我们生活连接得越来越紧密，一个大型项目中的多台电梯安装的位置都比较分散，各电梯的运行状态难以及时掌握，不便于统一管理，无法实时监控到各电梯的运行状况。同时电梯给人们带来了便利，当电梯出现故障时也会直接威胁到人的生命安全。随着电梯数量的逐年增加，其故障导致死亡的事件也逐年攀升。目前，电梯故障只能被动等待救援，电梯运行状况未进行实时监测，无法实现对电梯故障状况的有效评估。

技术实现要素：

本发明提供一种电梯上下行运行轨迹建模方法，以克服上述技术问题。

一种电梯上下行运行轨迹建模方法，包括，

步骤一：根据电梯上下行的运动过程，选取电梯上下行的特征参量；

步骤二：获取电梯上下行运动过程中传感器的数据，对传感器数据进行预处理，设计特征参量的取值约束，根据特征参量的取值约束对数据进行提取，得到有效的上下行数据；

步骤三：根据有效的上下行数据对上行信号、下行信号进行判断，根据上下行信号对有效的上下行数据进行分类，分为上行数据和下行数据，建立通用上下行模型；

步骤四：根据特征参量的取值范围分别对上行数据、下行数据进行分组；

步骤五：当上下行次数达到阈值后，对运行过程中各个分组下特征参量的取值进行统计分析，得到统计分析数据并存储；

步骤六：根据分组后的上下行数据和统计分析数据，构建电梯专用上下行数据判断模型；

步骤七：将电梯上下行运动过程产生的实时数据与专用上下行数据判断模型进行比对，根据比对结果判断当前电梯轿门处于上行状态、下行状态或故障状态，当处于故障状态时进行故障上报。

优选地，构建电梯专用上下行数据判断模型还包括通过公式(1)计算新特征参量值并存储在上下行数据中，根据新特征参量值重新计算所在分组的统计分析数据，重新构建电梯专用上下行数据判断模型，

cn+1＝cn*δ+cn-1*(1-δ)(1)

其中cn+1表示新特征参量值，n为电梯上下行的次数，cn表示电梯每上下行n次时且电梯上下行运动符合电梯专用上下行数据判断模型时的当前特征参量值，cn-1表示模型已存储的特征参量值，δ表示权重值。

优选地，选取电梯上下行的特征参量包括正向加速度峰值，正向加速度面积值，正向加速度时间点数，正向加速度递增斜率，正向加速度递减斜率，负向加速度峰值，负向加速度面积值，负向加速度时间点数，负向加速度递增斜率，负向加速度递减斜率。

优选地，设计特征参量的取值约束是指正向加速度时间点数>80，正向加速度面积值>1000，负向加速度时间点数>80,负向加速度面积值>1000。

优选地，根据有效的上下行数据对上行信号、下行信号进行判断包括，

步骤一，确定时间间隔，获取对应时间间隔内有效的上下行数据；

步骤二，上下行数据中出现正向加速度的时间为t1，出现负向加速度的时间为t2，若t1早于t2，则为上行信号,若t1晚于t2,则为下行信号。

优选地，根据特征参量的取值范围分别对上行数据、下行数据进行分组是指选取正向加速度时间点数或负向加速度时间点数作为特征参量，根据正向加速度时间点数或负向加速度时间点数的取值范围划分分组。

优选地，对运行过程中各个分组下特征参量的取值进行统计分析是指统计每个特征参量在对应分组中的最大值、最小值、总和、平均值、变化范围。

本发明提供一种电梯上下行运行轨迹建模方法，能够建立专用电梯上下行数据判断模型，精确监测电梯上下行的运行状况。当电梯上下行过程中出现故障状态时，根据电梯上下行运行过程产生的数据实时进行检查维护和故障上报。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明电梯上下行运行轨迹建模方法流程图；

图2是本发明电梯上行过程的特征参量图表；

图3是本发明电梯专用上下行数据判断模型特征参量值说明图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明电梯上下行运行轨迹建模方法的流程图，如图1所示，本实施例的方法可以包括：

在电梯内安装传感器，并获取电梯上下行过程中传感器采集的数据，传感器具体包括：三轴加速度传感器、陀螺仪传感器。三轴加速度传感器和陀螺仪用于测量电梯的上下行状态及特征等电梯运行姿态相关的数据，电梯在上下行运动过程中，由于机械构造的原因及乘客移动等因素都会对传感器输出的数据带来影响。为了准确分析电梯上下行过程的运行轨迹，需要对传感器输出的数据做预处理，本发明采用的数据预处理方式为数字中值滤波器，一阶低通滤波器等。

本发明中，每间隔20ms读取一次所有传感器的数据，为了详细说明本发明对传感器数据预处理的方式，本发明选取500points的三轴加速度传感器数据样本加以说明，此数据的来源是电梯多次上下行过程中产生的原始数据，数据单位为mg。

电梯上下运动的方向是轿厢垂直移动(y轴)，在完成数据采样及合成后，首先进入数字中值滤波器。本发明对数字中值滤波器的设计是：连续采样27points，并对27points采样值大小排列，取中间值为本次有效值。经过大量电梯运行数据的验证，在设置采样点数为27points时，既能准确还原电梯运行特征，又能有效克服因偶然因素引起的传感器数据波动干扰。用公式(1)表示为：

公式中fi-v，…fi，…fi+v是每次读取的传感器原始数据，m为数据总点数，并且要求m为奇数，本发明中取值m＝27，i为窗口的中心位置。yi表示本次采样的数字中值滤波器的输出结果。

为了进一步生成可用数据，数字中值滤波器输出的结果还需要输入一阶低通滤波器。应用一阶低通滤波器的好处是本次滤波输出值主要取决于上次滤波的输出值，而本次采样值对滤波输出的贡献是比较小的，但同时又具备对本次滤波输出值的修正作用。由于电梯的运动特性是规律的加速减速过程，符合输入值变化慢的特性，匹配低通滤波器的使用场景。本发明对一阶低通滤波器的设计是：设置一阶低通滤波器的系数为0.3。用公式(2)表示为：

y(n)＝αx(n)+(1-α)y(n-1)(2)

其中x(n)是本次采样值，y(n-1)是上一次的低通滤波器输出值，y(n)是本次的低通滤波器输出值，α是滤波器系数，本发明中取值为α＝0.3。

由于电梯物联网系统安装在电梯时，为了施工更简便，所以不能强制要求三轴加速度传感器及陀螺仪的水平垂直姿态，因此三轴加速度传感器及陀螺仪输出的数据会存在相对重力方向的角度偏差引入的直流分量，并对系统的测量结果带来不利影响。为了滤除直流分量的影响，本发明的具体做法是：采集一阶低通滤波器的输出数据1000points，即20s的采样时间，并对1000points的数据大小排序，若最大值与最小值的差值小于10，则判定系统处于静止或匀速运动状态，可以滤除直流分量。滤除方法是将此1000points数据求平均值，此值即为系统中存在的直流分量数值。用公式(3)表示为：

其中d表示系统中直流分量的数值，y(n)是一阶低通滤波器的输出数据，本发明中数据点数取值为n＝1000。

在完成数据预处理过程后，进入电梯专用上下行模型建模过程。电梯的上下行过程中，运行姿态会经历静止、加速、匀速、减速、静止五个状态。运行距离短的电梯，可能不包含匀速过程，但一定包含加速、减速过程。所以本发明将上下行的加速、减速过程作为特征模型，进行高智能自主学习训练，建立专用于此电梯上下行数据判断模型。

根据电梯上下行运动过程，选取电梯上下行的特征参量，本发明中用于建模的电梯上下运动的加速、减速特征参量共10个，分别是：①正向加速度峰值(+gpeak)，②正向加速度面积值(+garea)，③正向加速度时间点数(+gpoint)，④正向加速度递增斜率(+kincr)，⑤正向加速度递减斜率(+kdecr)，⑥负向加速度峰值(-gpeak)，⑦负向加速度面积值(-garea)，⑧负向加速度时间点数(-gpoint)，⑨负向加速度递增斜率(-kincr)，⑩负向加速度递减斜率(-kdecr)。预处理后的数据在±10mg以内的，属于静止或匀速状态的数据，不计入特征参量，预处理后的数据在±10mg以外的，计入特征参量。

电梯的下行过程与上行过程的区别是加速度方向不同，但特征参量的种类相同。本发明中图2是电梯上行过程的特征参量图表。图中两条水平横线用于表示，预处理后的数据在±10mg以内的，属于静止或匀速状态的数据，不计入特征参量，预处理后的数据在±10mg以外的，计入特征参量。即当预处理后的数据在大于10mg时，计入特征参量，当预处理后的数据小于-10mg时，计入特征参量。正向加速度时间点数的计算公式为(4)，

+gpoint＝②-①(4)

其中，①为电梯从静止或匀速状态变为正向加速度递增开始状态作为开始时间点数，②为电梯从正向加速度递减开始状态变为静止或匀速状态为结束时间点数。

正向加速度时间点数的计算公式为(5)，

-gpoint＝④-③(5)

其中，③为电梯从静止或匀速状态变为负向加速度递增开始状态作为开始时间点数，④为电梯从负向加速度递减开始状态变为静止或匀速状态为结束时间点数。

在建立专用特征模型前，需要先从预处理后的传感器数据中查找出有效的电梯上下行数据，即首先使用通用上下行模型收集上下行特征。本发明中对通用上下行模型的判断是：正向加速度时间点数(+gpoint)>80，正向加速度面积值(+garea)>1000，负向加速度时间点数(-gpoint)>80,负向加速度面积值(-garea)>1000。mems传感器采集到来自于电梯上下运动的信息，首先出现正向加速度，然后出现负向加速度，正向负向加速度之间可能有零加速度(匀速)，并且满足上述数值要求的即为有效的上行信号；首先出现负向加速度，然后出现正向加速度，正向负向加速度之间可能有零加速度(匀速)，并且满足上述数值要求的即为有效的下行信号。

由于电梯每次运动到达的楼层有所不同，有可能单层走梯，有可能多层走梯，单层走梯时电梯加速慢，多层走梯时电梯加速快，其上下行特征数据也有所不同。本发明在建立上下行特征数据时，充分考虑此影响，系统共建立最多5组上下行特征参量。

能直观体现电梯上下行加速快慢的特征参量是正向加速度时间点数(+gpoint)或负向加速度时间点数(-gpoint)，所以本发明建立的5组特征参量以加速度时间点数的不同加以区分。电梯上行时使用正向加速度时间点数(+gpoint)区分，电梯下行时使用负向加速度时间点数(-gpoint)区分，在加速度时间点数差距在25points(500ms)以上时，存储为不同的上下行判断模型。

电梯每次上下运动时，采集电梯专用上下行数据判断模型的10个特征参量，当系统采集到的上下行次数n＝100次后，获取10个特征参量中每个参量的①最大值max,②最小值min，③总值sum，然后计算每个参量的平均值④mean＝sum/n，变化范围⑤range＝max-min。

将计算得出的5组*10个特征参量*5个参量值存入存储模块，存储成功后，此电梯的专用上下行数据判断模型建立成功。本发明中图3是电梯专用上下行数据判断模型特征参量值说明图。接下来发生的每一次电梯上下运动过程，系统都会与存储模块中的专用上下行模型比对，比对的参量包括当次电梯上下运动的10个特征参量是否在参量值变化范围内(均值mean±变化范围range)，从而准确检测出电梯上下行状态及上下行特征，并在比对结果不同时上报电梯上下行相关的故障。

同时，如果当次电梯上下行的运动过程符合专用模型，高智能自主学习功能还会持续记录当次运动采集到的特征参量值，并在上下行次数每达到n＝100次时，将当前参量值按一定权重计入专用模型，重新计算并存储一次专用模型，从而达到微调特征参量值的目的。自主学习功能收集电梯的每一次运动过程，数据采集精度会越来越高。本发明设置的权重值为0.05。用数学公式表示为：

cn+1＝cn*δ+cn-1*(1-δ)(6)

其中cn+1表示新特征参量值，n为电梯上下行的次数，cn表示电梯每上下行n次时且电梯上下行运动符合电梯专用上下行数据判断模型时的当前特征参量值，cn-1表示模型已存储的特征参量值，δ表示权重值。本发明中取值为δ＝0.05。

整体有的有益效果：

本发明能够建立专用电梯上下行数据判断模型，精确监测电梯上下行的运行状况。当电梯上下行过程中出现故障状态时，根据电梯上下行运行过程产生的数据实时进行检查维护和故障上报，同时在电梯中安装声音采集装置，能够实时采集故障发生前后电梯内的声音信息，判断是否有人员被困，为电梯管理人员或监管部门提供救援指导。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。