电梯异常检测方法技术

本发明专利技术公开了电梯异常检测方法

【技术实现步骤摘要】
电梯异常检测方法、装置、计算机设备及存储介质


[0001]本专利技术涉及电梯运行监测
，尤其涉及电梯异常检测方法
、
装置
、
计算机设备及存储介质
。

技术介绍

[0002]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
。
传统方法是通过监测电梯运行过程中的传感器数据，进而判断电梯是否存在异常情况，而仅仅依靠这些传感器数据进行异常检测存在一定的局限性
。

技术实现思路

[0003]本专利技术实施例提供了电梯异常检测方法及相关装置，旨在解决现有技术中无法准确检测电梯运行故障的技术问题
。
[0004]第一方面，本专利技术实施例提供了一种电梯异常检测方法，其包括：
[0005]分别采集电梯运行的音频数据和非音频数据，所述非音频数据包括电梯运行时的速度信息
、
加速度信息和位置信息；
[0006]对所述音频数据和非音频数据进行预处理，得到音频处理数据和非音频处理数据，并分别对所述音频处理数据和非音频处理数据进行特征提取，得到音频特征和对应的非音频特征；
[0007]对所述音频特征进行嵌入，得到目标声纹向量，并将所述目标声纹向量输入预训练的对抗网络模型进行声纹识别，得到音频识别结果，所述音频识别结果为电梯正常或电梯异常；
[0008]计算每一所述非音频特征在预置基准高斯分布中所属均值
、
协方差矩阵和混合系数的概率密度，并对所有概率密度进行加权求和，得到综合密度；基于所述综合密度确定非音频识别结果，所述非音频识别结果为电梯正常或电梯异常，所述基准高斯分布由电梯正常时的样本非音频特征所构建的高斯混合模型得到，并通过
EM
算法估计各个基准高斯分布的均值
、
协方差矩阵和混合系数；
[0009]基于所述音频识别结果和非音频识别结果，通过模型集成投票法进行投票，得到电梯运行的最终检测结果
。
[0010]第二方面，本专利技术实施例提供了一种电梯异常检测装置，包括：
[0011]采集模块，用于分别采集电梯运行的音频数据和非音频数据，所述非音频数据包括电梯运行时的速度信息
、
加速度信息和位置信息；
[0012]特征提取模块，用于对所述音频数据和非音频数据进行预处理，得到音频处理数据和非音频处理数据，并分别对所述音频处理数据和非音频处理数据进行特征提取，得到音频特征和对应的非音频特征；
[0013]音频识别模块，用于对所述音频特征进行嵌入，得到目标声纹向量，并将所述目标声纹向量输入预训练的对抗网络模型进行声纹识别，得到音频识别结果，所述音频识别结果为电梯正常或电梯异常；
[0014]非音频识别模块，用于计算每一所述非音频特征在预置基准高斯分布中所属均值
、
协方差矩阵和混合系数的概率密度，并对所有概率密度进行加权求和，得到综合密度；基于所述综合密度确定非音频识别结果，所述非音频识别结果为电梯正常或电梯异常，所述基准高斯分布由电梯正常时的样本非音频特征所构建的高斯混合模型得到，并通过
EM
算法估计各个基准高斯分布的均值
、
协方差矩阵和混合系数；
[0015]检测模块，用于基于所述音频识别结果和非音频识别结果，通过模型集成投票法进行投票，得到电梯运行的最终检测结果
。
[0016]第三方面，本专利技术实施例又提供了一种计算机设备，其包括存储器
、
处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的电梯异常检测方法
。
[0017]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的电梯异常检测方法
。
[0018]本专利技术提供了电梯异常检测方法
、
装置
、
计算机设备及存储介质
。
该方法基于电梯运行的音频数据和非音频数据，分别对音频数据和非音频数据进行识别，得到音频识别结果和非音频识别结果，进而基于音频识别结果和非音频识别结果，通过模型基础投票法进行投票，得到最终检测结果，相比传统的电梯故障检测方法，本方法基于对抗网络模型和高斯分布的计算，能够更灵活的适应不同的电梯数据特征，提高电梯异常检测的准确性；此外，考虑电梯运行时的音频数据和非音频数据之间的相互关系和时序信息，对新的音频数据和非音频数据也能进行有效的异常检测
。
附图说明
[0019]为了更清楚地说明本专利技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图
。
[0020]图1为本专利技术实施例提供的电梯异常检测方法一实施例的流程示意图；
[0021]图2为本专利技术实施例提供的电梯异常检测装置的示意图
。
具体实施方式
[0022]下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例
。
基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围
。
[0023]应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征
、
整体
、
步骤
、
操作
、
元素和
/
或组件的存在，但并不排除一个或多个其它特征
、
整体
、
步骤
、
操作
、
元素
、
组件和
/
或其集合的存在或添加
。
[0024]还应当理解，在此本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术
。
如在本专利技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式
。
[0025]还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和
/
或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合
。
[0026]请参阅图1所示，图1为本专利技术实施例提供的电本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种电梯异常检测方法，其特征在于，包括：分别采集电梯运行的音频数据和非音频数据，所述非音频数据包括电梯运行时的速度信息
、
加速度信息和位置信息；对所述音频数据和非音频数据进行预处理，得到音频处理数据和非音频处理数据，并分别对所述音频处理数据和非音频处理数据进行特征提取，得到音频特征和对应的非音频特征；对所述音频特征进行嵌入，得到目标声纹向量，并将所述目标声纹向量输入预训练的对抗网络模型进行声纹识别，得到音频识别结果，所述音频识别结果为电梯正常或电梯异常；计算每一所述非音频特征在预置基准高斯分布中所属均值
、
协方差矩阵和混合系数的概率密度，并对所有概率密度进行加权求和，得到综合密度；基于所述综合密度确定非音频识别结果，所述非音频识别结果为电梯正常或电梯异常，所述基准高斯分布由电梯正常时的样本非音频特征所构建的高斯混合模型得到，并通过
EM
算法估计各个基准高斯分布的均值
、
协方差矩阵和混合系数；基于所述音频识别结果和非音频识别结果，通过模型集成投票法进行投票，得到电梯运行的最终检测结果
。2.
根据权利要求1所述的电梯异常检测方法，其特征在于，所述分别对所述音频处理数据和非音频处理数据进行特征提取，得到音频特征和非音频特征，包括：将所述音频处理数据分割成短时窗口，并对每个短时窗口进行短时傅里叶变换，得到频谱特征，所述频谱特征至少包括频率和振幅；计算每个短时窗口的零交叉率，得到所述音频处理数据的信号变化特征；基于所述频谱特征和信号变化特征，得到所述音频特征；计算所述非音频处理数据的统计特征，所述统计特征至少包括均值
、
方差值
、
偏度值和峰度值；计算所述非音频处理数据的变换域特征，所述变换域特征至少包括离散余弦变换特征和主成分特征；基于所述统计特征和变换域特征，得到所述非音频特征
。3.
根据权利要求1所述的电梯异常检测方法，其特征在于，所述对抗网络模型包括生成器和判别器，所述对抗网络模型的训练过程包括：获取电梯的样本声纹向量，采用
DBSCAN
算法对所述样本声纹向量进行聚类，得到不同类别的声纹向量，并将不同类别的声纹向量分别输入所述生成器中，生成对应类别的模拟声纹向量，所述声纹向量的类别包括电梯正常运行的声纹向量和电梯异常运行的声纹向量；基于所述样本声纹向量和对应的模拟声纹向量，根据预置损失函数计算所述对抗网络模型的模型损失，并基于所述模型损失对初始的对抗网络模型的模型参数进行迭代优化，得到所述对抗网络模型
。4.
根据权利要求3所述的电梯异常检测方法，其特征在于，所述模型损失包括生成器损失
、
判别器损失和对抗损失，所述根据预置损失函数计算所述对抗网络模型的模型损失，包括：
按以下公式计算所述生成器损失
Loss
G
(D,G)
：
Loss
G
(D,G)
＝
E[log(1
‑
D(G(Z)))]
，其中，
E
表示对概率的期望，
E[log(1
‑
D(G(Z)))]
表示对于生成器
G
生成的模拟样本
G(z)
，判别器
D
认为
G(z)
为假样本的概率的对数取反的期望；按以下公式计算所述判别器损失
Loss
D
(D,G)
：
Loss
D
(D,G)
＝
‑
E[log(D(x))]
‑
E[log(1
‑
D(G...

【专利技术属性】
技术研发人员：常可欣，王俊宜，袁戟，
申请(专利权)人：深圳市万物云科技有限公司，
类型：发明
国别省市：