一种基于多模型融合的电梯急停困人故障检测方法技术

本发明专利技术涉及一种基于多模型融合的电梯急停困人故障检测方法，包括：S1.分别采集电梯运行过程中的加速度数据、音频数据和电梯轿厢内的图像数据；S2.对所述加速度数据和所述音频数据进行数据预处理，并分别提取所述加速度数据中的加速特征和所述音频数据中的音频特征；S3.基于所述加速特征进行异常加速度检测并获得异常加速度检测结果，以及基于所述音频特征进行异常声音检测并获得异常声音检测结果；S4.对所述异常加速度检测结果和异常声音检测结果进行融合，并基于融合结果判断是否针对所述电梯产生急停故障告警。本发明专利技术的方案只需要基于传感器并配合监控摄像头设备即可实现，极大的降低了使用成本和安装难度。

【技术实现步骤摘要】
一种基于多模型融合的电梯急停困人故障检测方法
本专利技术涉及电梯运行监测领域，尤其涉及一种基于多模型融合的电梯急停困人故障检测方法。
技术介绍
随着社会的发展，电梯的应用也逐渐被普及。但在越来越多的电梯被应用的同时，电梯故障事故发生的次数也越来越多，其主要是因为依靠人工定检电梯和物业或乘客报修，存在漏报、延报和误报等情况，导致故障累积造成的。目前电梯故障诊断采用的方法主要有规则推理，传感器检测，模型计算等。规则推理方法由于知识获取困难和难以实现自学习，推理效率低；传感器检测，模式比较单一，并且需要安装大量传感器；模型计算需要海量数据支撑，收集数据困难。依据现有的技术，能够在一定程度上对电梯故障进行预测，但是现有的技术严重依赖了硬件设备与专家经验，不仅使用成本高，而且收集数据困难。如专利中国专利CN201710341057.1，不仅需要通过采集各种电梯运行数据，而且还需要构建专家知识实现了两种预测结果的预测以判断电梯的运行故障。可见这种方式不仅需要大量的单片机与复杂的电路构成，还需要收集大量的数据构建专家知识。进而其使用成本高昂，数据收集难度大。
技术实现思路
本专利技术的目的在于提供一种基于多模型融合的电梯急停困人故障检测方法。为实现上述专利技术目的，本专利技术提供一种基于多模型融合的电梯急停困人故障检测方法，包括：S1.分别采集电梯运行过程中的加速度数据、音频数据和电梯轿厢内的图像数据；S2.对所述加速度数据和所述音频数据进行数据预处理，并分别提取所述加速度数据中的加速特征和所述音频数据中的音频特征；S3.基于所述加速特征进行异常加速度检测并获得异常加速度检测结果，以及基于所述音频特征进行异常声音检测并获得异常声音检测结果；S4.对所述异常加速度检测结果和异常声音检测结果进行融合，并基于融合结果判断是否针对所述电梯产生急停故障告警。根据本专利技术的一个方面，步骤S4中，基于融合结果判断是否针对所述电梯产生急停故障告警的步骤中，若产生急停故障告警，则进一步包括：基于所述图像数据进行人体检测，判断所述电梯轿厢内是否存在乘客，若存在，则输出急停故障及困人告警，否则，仅输出急停故障告警。根据本专利技术的一个方面，所述加速特征包括：时域特征和频域特征；其中，所述时域特征包括：基于所述加速度数据获得的加速度峭度、加速度峰值和加速度均值；所述频域特征为基于所述加速度数据进行小波包分解后所获得的各节点的能量值。根据本专利技术的一个方面，所述音频特征为所述音频数据经傅里叶变换得到的频域特征梅尔倒谱系数。根据本专利技术的一个方面，步骤S3中，采用异常加速度检测模型对所述加速特征进行异常加速度检测，采用异常声音状态检测模型对所述音频特征进行异常声音检测；所述异常加速度检测模型采用XGboost模型，其其输入为基于所述加速度数据获取的所述加速度特征；所述异常声音状态检测模型采用深度神经网络模型，其输入为所述音频特征。根据本专利技术的一个方面，所述异常声音状态检测模型包括：五个依次连接的卷积层和一个全连接层；其中，第一卷积层和第二卷积层的卷积核大小，滤波器数量均是一致的；第三卷积层和第四卷积层的卷积核大小，滤波器数量均是一致的。根据本专利技术的一个方面，步骤S4中，对所述异常加速度检测结果和异常声音检测结果进行融合的步骤中，采用D-S证据理论对异常加速度检测模型与异常声音状态检测模型输出的结果进行融合。根据本专利技术的一个方面，步骤S4中，对所述异常加速度检测结果和异常声音检测结果进行融合的步骤中，基于D-S证据理论合成规则获得的融合结果表示为：K＝∑m1(B)·m2(C)其中，A1为根据D-S证据理论输出的一个互斥的非空完备集合中没有发生急停故障的概率，A2为根据D-S证据理论输出的一个互斥的非空完备集合中发生急停故障的概率，m1为根据D-S证据理论针对所述异常加速度检测模型设定的mass函数，m2为根据D-S证据理论针对所述异常声音状态检测模型设定的mass函数，B为所述异常加速度检测模型根据D-S证据理论输出的互斥的非空完备集合，C为所述异常声音状态检测模型根据D-S证据理论输出的互斥的非空完备集合，P0为最终没有发生急停故障的概率，P1为最终发生急停故障的概率。根据本专利技术的一个方面，步骤S4中，基于融合结果判断是否针对所述电梯产生急停故障告警的步骤中，若P0＜P1则判定为发生急停故障并产生急停故障告警。根据本专利技术的一个方面，基于所述图像数据进行人体检测的步骤中，采用人体检测模型对所述图像数据进行检测；所述人体检测模型采用FastR-CNN模型。根据本专利技术的一个方面，所述第一卷积层和所述第二卷积层的卷积核大小为6*6，滤波器数量为24；所述第三卷积层和所述第四卷积层的卷积核大小为5*5，滤波器数量为48；所述第五卷积层的卷积核大小为4*4，滤波器数量为64；所述全连接层的神经元数量为256。根据本专利技术的一个方面，所述异常加速度检测模型采用Symlets小波基函数对输入的所述加速度特征进行提取。根据本专利技术的一个方面，所述频域特征为基于所述加速度数据采用sym8小波基函数进行小波包分解后所获得的各个节点的能量值。根据本专利技术的一种方案，本专利技术的方案仅通过简单安装的传感器、摄像设备即可实现对电梯运行安全的实时稳定监测，极大的降低了对硬件设备的要求，并且减少了对经验规则的依赖，能够自适应的学习已有的故障数据，避免过度依赖海量数据的支撑。根据本专利技术的一种方案，本专利技术的方案只需要基于少量传感器并配合监控摄像头设备即可实现，极大的降低了使用成本和安装难度。根据本专利技术的一种方案，从多个数据维度出发，使用多个模型融合检测，在一定程度上避免数据量不足导致模型效果不佳的问题根据本专利技术的一种方案，通过对采集的加速度数据和音频数据进行预处理，实现了对数据质量的优化，对保证模型的输出结果的准确度有益。根据本专利技术的一种方案，本专利技术的方案通过对采集的加速度数据和音频数据做进一步的特征选择，进而能够基于基本数据构造更多的且符合实际运行状况的额外特征数据，极大的提升模型的训练学习效率和判断准确度。根据本专利技术的一种方案，本专利技术的方案，可以有效避免因收集的数据量不足导致的模型计算不准确的问题，并且不需要安装大量传感器，成本较低。附图说明图1示意性表示根据本专利技术的一种实施方式的基于多模型融合的电梯急停困人故障检测方法的步骤框图；图2示意性表示根据本专利技术的一种实施方式的基于多模型融合的电梯急停困人故障检测方法的流程图；图3示意性表示根据本专利技术的一种实施方式的异常声音状态检测模型的结构框图。具体实施方式下面结合附图和具体实施方式对本专利技术作详细地描述，实施方式不能在此一一赘述，但本专利技术的实施方式并不因此限定于以下实施方式。结合图1和图2所示，根据本专利技术的一种实施方式，本专利技术的一种基于多本文档来自技高网...

【技术保护点】
1.一种基于多模型融合的电梯急停困人故障检测方法，包括：/nS1.分别采集电梯运行过程中的加速度数据、音频数据和电梯轿厢内的图像数据；/nS2.对所述加速度数据和所述音频数据进行数据预处理，并分别提取所述加速度数据中的加速特征和所述音频数据中的音频特征；/nS3.基于所述加速特征进行异常加速度检测并获得异常加速度检测结果，以及基于所述音频特征进行异常声音检测并获得异常声音检测结果；/nS4.对所述异常加速度检测结果和异常声音检测结果进行融合，并基于融合结果判断是否针对所述电梯产生急停故障告警。/n

【技术特征摘要】
1.一种基于多模型融合的电梯急停困人故障检测方法，包括：
S1.分别采集电梯运行过程中的加速度数据、音频数据和电梯轿厢内的图像数据；
S2.对所述加速度数据和所述音频数据进行数据预处理，并分别提取所述加速度数据中的加速特征和所述音频数据中的音频特征；
S3.基于所述加速特征进行异常加速度检测并获得异常加速度检测结果，以及基于所述音频特征进行异常声音检测并获得异常声音检测结果；
S4.对所述异常加速度检测结果和异常声音检测结果进行融合，并基于融合结果判断是否针对所述电梯产生急停故障告警。


2.根据权利要求1所述的基于多模型融合的电梯急停困人故障检测方法，其特征在于，步骤S4中，基于融合结果判断是否针对所述电梯产生急停故障告警的步骤中，若产生急停故障告警，则进一步包括：
基于所述图像数据进行人体检测，判断所述电梯轿厢内是否存在乘客，若存在，则输出急停故障及困人告警，否则，仅输出急停故障告警。


3.根据权利要求1或2所述的基于多模型融合的电梯急停困人故障检测方法，其特征在于，所述加速特征包括：时域特征和频域特征；其中，所述时域特征包括：基于所述加速度数据获得的加速度峭度、加速度峰值和加速度均值；所述频域特征为基于所述加速度数据进行小波包分解后所获得的各节点的能量值。


4.根据权利要求3所述的基于多模型融合的电梯急停困人故障检测方法，其特征在于，所述音频特征为所述音频数据经傅里叶变换得到的频域特征梅尔倒谱系数。


5.根据权利要求3所述的基于多模型融合的电梯急停困人故障检测方法，其特征在于，步骤S3中，采用异常加速度检测模型对所述加速特征进行异常加速度检测，采用异常声音状态检测模型对所述音频特征进行异常声音检测；
所述异常加速度检测模型采用XGboost模型，其输入为基于所述加速度数据获取的所述加速度特征；
所述异常声音状态检测模型采用深度神经网络模型，其输入为所述音频特征。


6.根据权利要求5所述的基于多模型融合的电梯急停困人故障检测方法，其特征在于，所述异常声音状态检测模型包括：五个依次连接的卷积层和一个全连接层；其中，第一卷积层和第二卷积层的卷积核大小，滤波器数量均是一致的；第三卷积层和第四卷积层的卷积核大小，滤波器数量均是一致的。


7.根据权利要求6所述的基于多模型融合的电梯急停困人故障检测方法，其特征在于，步骤S4中，对所述异常加速度检...

【专利技术属性】
技术研发人员：钟超文，万敏，蔡巍伟，靳旭哲，
申请(专利权)人：浙江新再灵科技股份有限公司，
类型：发明
国别省市：浙江;33