电梯异常检测系统和方法与流程

本发明涉及电梯异常检测系统和方法，更详细地涉及利用在电梯的操作中从正常模式脱离的异常模式的发生密集程度来精密地检测电梯的异常状况和故障发生的前兆状况从而能够提供预见性维修保养服务的电梯异常检测系统和方法。

背景技术：

1、通常，建筑成居住用、业务用或商业用等的多种类型的高层建筑物中设置有电梯以实现进出该建筑物的乘客的顺利的层间移动。

2、电梯配置成包括在内部搭乘有乘客的状态下沿着竖直地形成在建筑物内部的井道上下移动的电梯轿厢、发生用于使电梯轿厢升降的动力的电机部、由绕线机等构成的机械部、以及进行与电梯的运行相关的控制的控制部等。

3、另外，传统地，在大多数情况下，电梯的维修保养通过以预定周期计划的定期检查来实现，或者在发生错误代码(error code)的情况下派遣维修保养技师根据该错误代码确认手册来采取措施。

4、然而，在定期检查日程之前发生电梯故障等，发生意外的电梯故障的情况下，会发生在维修保养技师派遣到现场完成电梯的维修保养为止乘客无法利用电梯的巨大不便。

5、因此，最近，通过预先预测电梯故障可能性，从而在实际发生故障之前实施维修保养的预见性维修保养(predictive maintenance)的重要性受到瞩目，并且作为与此相关的传统技术，已知有在电梯上设置传感器并检测(计数)超过临界值的事件的次数，从而预测电梯故障并且实施维修保养的技术。

6、已知的传统技术在通过设置在电梯上的传感器检测到的信号中根据脱离正常模式的异常模式的发生次数来估计电梯的操作上是否有异常，而根据这种传统技术，存在着发生电梯的对于故障预测的误判的顾虑。

7、具体地，即使是在正常操作中的电梯，可能因搭乘的乘客的行为或周边环境而发生非正常信号，而在传统技术中，甚至是还收集处于正常状态的电梯中也可能发生的非正常信号来实施电梯的状态诊断，因此经常会发生错误地预测电梯故障可能性并且错误派遣维修保养技师的事件。

8、为了在实施电梯的预见性维修保养时减少对于故障预测的误判并且最小化维修保养技师的错误派遣，需要能够准确地诊断电梯的状态并且精密地预测故障可能性的更加改善的技术。

技术实现思路

1、要解决的技术问题

2、本发明要实现的目的在于利用机器学习或深度学习技术来检测电梯的许多异常状况和故障发生的前兆状况并基于此来提供电梯的预见性维修保养服务。

3、更具体地，本发明将提供准确地诊断电梯的状态并且更精密地预测故障可能性，从而能够在实施电梯的预见性维修保养时减少对于故障预测的误判并且最小化维修保养技师的错误派遣的电梯异常检测系统和方法。

4、本发明的技术问题并不限制于上面提及的技术问题，并且所属技术领域的普通技术人员可通过下面的记载明确地理解未提及的其它技术问题。

5、解决问题的手段

6、根据用于实现上述目的的本发明的一方面，可提供电梯异常检测系统，其包括测量与故障相关的电梯的物理参数的传感器部、收集通过所述传感器部测量的传感数据的数据收集部、通过判定是否超过对所述传感数据预设定的临界值来检测从正常模式脱离的异常模式的异常模式检测部、将对所述异常模式相邻地发生的异常模式之间的发生时间差算出为间隔时间值的间隔算出部、以及以在预定周期内检测到的所述异常模式之间的间隔时间值为基础来决定所述异常模式的发生密集程度并且基于所述发生密集程度来算出异常分数的异常分数计算器。

7、所述异常模式检测部可按照从所述临界值脱离的程度而将所述异常模式分类为一个以上的级别并且按照级别水平来赋予异常检测分类值，并且随着所述异常检测分类值越高，所述异常分数计算器可在所述异常分数算出时用权重值进行校正。

8、所述间隔算出部可按照以所述异常检测分类值分类的各个类别来算出所述异常模式之间的间隔时间值。

9、根据本发明的一方面的电梯异常检测系统还可包括聚类部，所述聚类部将所述异常检测分类值作为y轴并且将所述间隔时间值作为x轴来进行二维绘图以示出为图表，并且对所述图表执行基于密度的聚类(dbscan)，从而根据密切程度来对按照所述异常检测分类值算出的所述间隔时间值进行集群，所述异常分数计算器将对于集群的异常模式的间隔时间值的群集从正常状态的群集中心远离的距离可利用为异常分数算出的权重值系数。

10、所述异常模式检测部还可生成关于在所述预定周期内检测到的所述异常模式的发生次数的信息，并且随着所述发生次数越多，所述异常分数计算器可在所述异常分数算出时用权重值进行校正。

11、根据本发明的一方面的电梯异常检测系统还可包括学习部，所述学习部执行对于所述异常检测分类值、所述间隔时间值、所述间隔时间值的基于密度的聚类，并且将关于估计的异常模式的发生密集程度和所述发生次数的信息利用为反馈数据来执行机器学习或深度学习，从而从实时收集到的所述电梯的运行数据自动算出异常分数并且建立预测所述电梯故障概率的模型。

12、另外，根据用于实现上述目的的本发明的另一方面，可提供电梯异常检测系统，所述电梯异常检测系统从与故障关联地收集到的电梯的运行数据检测超过预设定临界值的异常模式，并且对于在预定周期内检测到的异常模式基于相邻地发生的异常模式之间的发生时间间隔来算出异常分数，从而估计所述电梯故障概率。

13、另外，根据用于实现上述目的的本发明的又一方面，可提供电梯异常检测方法，所述电梯异常检测方法包括：收集与故障相关的电梯的运行数据的运行数据收集步骤；对于在所述运行数据收集步骤中收集到的所述电梯的运行数据，判定是否超过预设定临界值，从而检测从正常模式脱离的异常模式的异常模式检测步骤；对于在所述异常模式检测步骤中检测到的异常模式，将相邻地发生的异常模式之间的发生时间差算出为间隔时间值的间隔算出步骤；执行基于密度的聚类(dbscan)并且根据密切程度来对在所述间隔算出步骤中算出的所述间隔时间值进行集群的聚类步骤；以及执行对于所述间隔时间值的基于密度的聚类并且基于估计的异常模式的发生密集程度来算出所述电梯的异常分数的异常分数算出步骤。

14、在所述异常模式检测步骤中，可按照从所述临界值脱离的程度而将所述异常模式分类为一个以上的级别并且按照级别水平来赋予异常检测分类值，并且在所述异常分数算出步骤中，可随着所述异常检测分类值越高，在所述异常分数算出时用权重值进行校正。

15、在所述间隔算出步骤中，可按照以所述异常检测分类值分类的各个类别来算出所述异常模式之间的间隔时间值。

16、在所述异常模式检测步骤中，还可生成关于在所述预定周期内检测到的所述异常模式的发生次数的信息，并且在所述异常分数算出步骤中，可随着所述发生次数越多，在所述异常分数算出时用权重值进行校正。

17、根据本发明的又一方面的电梯异常检测方法还可包括：执行对于所述异常检测分类值、所述间隔时间值、所述间隔时间值的基于密度的聚类，并且将关于估计的异常模式的发生密集程度和所述发生次数的信息利用为反馈数据来执行机器学习或深度学习，从而从实时收集到的所述电梯的运行数据自动算出异常分数并且建立预测所述电梯故障概率的模型的学习步骤。

18、在所述异常分数算出步骤中，可执行对于所述异常检测分类值、所述间隔时间值的基于密度的聚类，接收关于估计的异常模式的发生密集程度和所述发生次数的信息，并且根据所述模型的估计结果来算出所述异常分数。

19、发明效果

20、根据本发明，可提供利用机器学习或深度学习技术来检测电梯的许多异常状况和故障发生的前兆状况，并且基于此在实际发生电梯故障之前提前采取预防性措施的预见性维修保养服务。

21、此外，本发明基于电梯的运行中发生的异常模式之间的发生时间间隔(即，异常模式的发生密集程度)来诊断电梯的当前状态，从而与仅依赖于异常模式的发生次数的传统技术相比，可更精密地预测电梯故障可能性，并因此，具有不仅可减少对于故障预测的误判并且最小化维修保养技师的错误派遣，而且对于通过现有的错误代码可能无法说明的原因不明的故障或者电梯的部件之间相关的故障，也放大了对于故障发生的预测范围的效果。

22、本发明的效果并不限制于上面提及的效果，并且所属技术领域的普通技术人员可通过下面的记载明确地理解未提及的其它效果。