本发明实施例涉及电梯故障预测,尤其涉及基于云边协同的电梯故障预测方法及装置。
背景技术:
1、随着全国各地城市化进程的加快,电梯装置在高层建筑内的跨楼层调度中扮演着不可或缺的角色。电梯装置拥有高度集成化和自动化的特点,主要由曳引系统、导向系统、重量平衡系统、电力拖动系统、电气控制系统、安全保护系统以及轿厢设备等组成。在多个控制系统和设备的协同工作下,电梯设备完成人员和货物在楼层间的运输调度作业,极大地提高了人员出行的效率。
2、在电梯装置提供调度服务的背后,存在着高昂的周期性电梯维护物业成本,此外,在电梯的高频使用、电梯乘客的不文明乘梯行为、电梯设备磨损和复杂环境等诸多因素影响下,因电梯故障导致的突发情况时常发生,对电梯乘客的生命安全和财产安全构成严重的威胁。针对电梯的故障预警、故障诊断和维保养护工作等难题,亟需一种能够准确预测电梯故障的方法。
技术实现思路
1、本发明实施例提供了基于云边协同的电梯故障预测方法、装置及车辆,旨在解决现有技术中无法准确预测电梯故障概率的问题。
2、第一方面,本发明实施例提供了一种基于云边协同的电梯故障预测方法,其包括:
3、云端设备将预置的故障预测模型的全局初始参数加密广播至各个边端设备;
4、各个所述边端设备实时采集电梯设备运行的声纹数据,并根据预置的时频转换函数对所述声纹数据进行短时傅里叶变换,得到对应的频域信息;
5、各个所述边端设备获取所述全局初始参数,基于对应的频域信息和所述全局初始参数对本地预置的故障预测模型进行模型训练,得到对应的局部模型参数,并将所述局部模型参数加密后传输至所述云端设备;
6、所述云端设备接收并解密来自各个所述边端设备的局部模型参数,根据加权算法对全局模型进行更新,并将更新后得到的全局模型参数下发给所有边端设备,使各个所述边端设备持续对自身的局部模型参数进行迭代,直至达到预设条件,得到最终预测模型;
7、各个所述边端设备基于当前时刻所述电梯设备对应的目标频域信息和所述最终预测模型,对所述电梯设备故障的概率进行预测,得到对应的预测概率并将所述预测概率上传至所述云端设备;
8、所述云端设备对所述预测概率矩阵进行筛选,得到所述电梯设备的故障概率,并根据所述故障概率进行对应的处理。
9、第二方面,本发明实施例提供了一种基于云边协同的电梯故障预测装置,其包括云端设备、多个边端设备和对应的多个电梯设备;其中,云端设备和各边端设备通信连接,各边端设备与对应的电梯设备通信连接;
10、所述云端设备,用于将预置的故障预测模型的全局初始参数加密广播至各个边端设备;
11、各个所述边端设备,用于实时采集电梯设备运行的声纹数据,并根据预置的时频转换函数对所述声纹数据进行短时傅里叶变换,得到对应的频域信息;
12、各个所述边端设备,还用于获取所述全局初始参数,基于对应的频域信息和所述全局初始参数对本地预置的故障预测模型进行模型训练,得到对应的局部模型参数,并将所述局部模型参数加密后传输至所述云端设备;
13、所述云端设备,还用于接收并解密来自各个所述边端设备的局部模型参数,根据加权算法对全局模型进行更新,并将更新后得到的全局模型参数下发给所有边端设备,使各个所述边端设备持续对自身的局部模型参数进行迭代,直至达到预设条件,得到最终预测模型;
14、各个所述边端设备,还用于基于当前时刻所述电梯设备对应的目标频域信息和所述最终预测模型,对所述电梯设备故障的概率进行预测,得到对应的预测概率矩阵并将所述预测概率上传至所述云端设备;
15、所述云端设备,还用于对所述预测概率矩阵进行筛选,得到所述电梯设备的故障概率,并根据所述故障概率进行对应的处理。
16、本发明实施例提供了基于云边协同的电梯故障预测方法及装置。该方法基于边端设备和云端设备的云边协同方式,完成预测模型的全局训练,与传统模型训练方式相比,边端设备的数据在云端设备上进行存储和分析,加快数据的处理速度,且能充分利用云服务器的高计算力,使得最终预测模型具备高泛化能力;各边端设备基于最终预测模型,能够生成更加精细化的监测数据,提高预测结果的准确率,此外,边端设备和云端设备之间的通信加密,确保数据的安全。
1.基于云边协同的电梯故障预测方法,其特征在于,包括:
2.根据权利要求1所述的基于云边协同的电梯故障预测方法,其特征在于,所述根据预置的时频转换函数对所述声纹数据进行短时傅里叶变换,得到对应的频域信息,包括:
3.根据权利要求1所述的基于云边协同的电梯故障预测方法,其特征在于,所述云端设备接收并解密来自各个所述边端设备的局部模型参数,根据加权对全局模型进行更新,包括:
4.根据权利要求1所述的基于云边协同的电梯故障预测方法,其特征在于,所述故障预测模型采用cnn-gru模型,所述cnn-gru模型包括cnn模块和gru模块;
5.根据权利要求4所述的基于云边协同的电梯故障预测方法,其特征在于,所述cnn模块包括第一网络结构、第二网络结构、第三网络结构和第四网络结构,所述第一网络结构、第二网络结构、第三网络结构和第四网络结构均由两层卷积层、一层最大池化层以及若干个正则化层组成;
6.根据权利要求1所述的基于云边协同的电梯故障预测方法,其特征在于,所述根据所述故障概率进行对应的处理,包括:
7.一种基于云边协同的电梯故障预测装置,其特征在于,包括:云端设备、多个边端设备和对应的多个电梯设备;其中,云端设备和各边端设备通信连接,各边端设备与对应的电梯设备通信连接;
8.根据权利要求7所述的基于云边协同的电梯故障预测装置,其特征在于,所述故障预测模型采用cnn-gru模型,所述cnn-gru模型包括cnn模块和gru模块;
9.根据权利要求8所述的基于云边协同的电梯故障预测装置,其特征在于,所述cnn模块包括第一网络结构、第二网络结构、第三网络结构和第四网络结构,所述第一网络结构、第二网络结构、第三网络结构和第四网络结构均由两层卷积层、一层最大池化层以及若干个正则化层组成;
10.根据权利要求7所述的基于云边协同的电梯故障预测装置,其特征在于,所述云端设备,包括: