(19)國家知識(shí)產(chǎn)權(quán)局孫松霖朱鑫張學(xué)非李偉亮王俊杰駱?biāo)加钪烊?普通合伙)51255專利代理師何仁文基于多源異構(gòu)數(shù)據(jù)融合的電梯曳引機(jī)狀態(tài)本發(fā)明公開了一種基于多源異構(gòu)數(shù)據(jù)融合電梯曳引機(jī)的運(yùn)行狀態(tài)進(jìn)行診斷得到電梯診斷護(hù)建議模塊用于根據(jù)電梯診斷結(jié)果生成維護(hù)建21.基于多源異構(gòu)數(shù)據(jù)融合的電梯曳引機(jī)狀態(tài)監(jiān)測(cè)及診斷平臺(tái)，其特征在于：包括數(shù)據(jù)所述數(shù)據(jù)采集模塊包括安裝在電梯曳引機(jī)不同部位的多種傳感器，用于采集電梯曳引2.根據(jù)權(quán)利要求1所述的基于多源異構(gòu)數(shù)據(jù)融合的電梯曳引機(jī)狀態(tài)監(jiān)測(cè)及診斷平臺(tái)，3.根據(jù)權(quán)利要求1所述的基于多源異構(gòu)數(shù)據(jù)融合的電梯曳引機(jī)狀態(tài)監(jiān)測(cè)及診斷平臺(tái)，4.根據(jù)權(quán)利要求1所述的基于多源異構(gòu)數(shù)據(jù)融合的電梯曳引機(jī)狀態(tài)監(jiān)測(cè)及診斷平臺(tái)，水平；使用Dempster-Shafer合成規(guī)則對(duì)不同數(shù)據(jù)源的診斷結(jié)果進(jìn)行融合，設(shè)定辨識(shí)框架Θ=Shafer合成規(guī)則對(duì)基本概率分配函數(shù)進(jìn)行融合，得到融合概率分配函數(shù)m(A),用于判斷電35.根據(jù)權(quán)利要求1所述的基于多源異構(gòu)數(shù)據(jù)融合的電梯曳引機(jī)狀態(tài)監(jiān)測(cè)及診斷平臺(tái)，其特征在于：所述的故障診斷模塊進(jìn)行故障診斷時(shí)，包括以下步驟：對(duì)融合數(shù)據(jù)進(jìn)行歸一化處理：分別為原始數(shù)據(jù)的最小值和最大值；構(gòu)建深度學(xué)習(xí)模型，并使用歷史數(shù)據(jù)進(jìn)行訓(xùn)練，優(yōu)化模型參數(shù)，訓(xùn)練過程中引入交叉熵?fù)p失函數(shù)：將實(shí)時(shí)采集的數(shù)據(jù)輸入到訓(xùn)練好的深度學(xué)習(xí)模型中，進(jìn)行故障診斷，得到故障類型和嚴(yán)重程度。6.根據(jù)權(quán)利要求5所述的基于多源異構(gòu)數(shù)據(jù)融合的電梯曳引機(jī)狀態(tài)監(jiān)測(cè)及診斷平臺(tái)，其特征在于：所述的深度學(xué)習(xí)模型為卷積神經(jīng)網(wǎng)絡(luò)模型或長(zhǎng)短期記憶網(wǎng)絡(luò)模型。7.根據(jù)權(quán)利要求6所述的基于多源異構(gòu)數(shù)據(jù)融合的電梯曳引機(jī)狀態(tài)監(jiān)測(cè)及診斷平臺(tái)，其特征在于：所述的卷積神經(jīng)網(wǎng)絡(luò)模型包括輸入層、卷積層、池化層和全連接層；所述輸入層用于接收歸一化后的特征向量；所述卷積層用于提取特征的局部相關(guān)性；所述池化層用于降低特征維度，減少計(jì)算量；所述全連接層用于進(jìn)行分類。8.根據(jù)權(quán)利要求6所述的基于多源異構(gòu)數(shù)據(jù)融合的電梯曳引機(jī)狀態(tài)監(jiān)測(cè)及診斷平臺(tái)，其特征在于：所述的長(zhǎng)短期記憶網(wǎng)絡(luò)模型包括輸入層、LSTM層和全連接層；所述輸入層用于接收時(shí)間序列數(shù)據(jù)；所述LSTM層用于捕捉時(shí)間序列的長(zhǎng)期依賴關(guān)系；所述全連接層用于進(jìn)行分類。4[0001]本發(fā)明涉及電梯檢測(cè)技術(shù)領(lǐng)域，尤其涉及一種基于多源異構(gòu)數(shù)據(jù)融合的曳引機(jī)的多種運(yùn)行數(shù)據(jù)；所述邊緣計(jì)算模塊5將提取的特征向量進(jìn)行融合得到綜合特征向量：噪聲水平；使用Dempster-Shafer合成規(guī)則對(duì)不同數(shù)據(jù)源的診斷結(jié)果進(jìn)行融合，設(shè)定辨識(shí)框架Θ={輕微故障，嚴(yán)重故障，正常},對(duì)每個(gè)特征設(shè)置基本分配函數(shù)m?、m?…m,然后根據(jù)Dempster-Shafer合成規(guī)則對(duì)基本概率分配函數(shù)進(jìn)行融合，得到融合概率分配函數(shù)m(A),用于判斷電梯曳引機(jī)的運(yùn)行狀態(tài)：子集。[0008]優(yōu)選的，所述的故障診斷對(duì)融合數(shù)據(jù)進(jìn)行歸一化處理：和xmx分別為原始數(shù)據(jù)的最小值和最大值；構(gòu)建深度學(xué)習(xí)模型，并使用歷史數(shù)據(jù)進(jìn)行訓(xùn)練，優(yōu)化模型參數(shù)，訓(xùn)練過程中引入交叉熵?fù)p失函數(shù)：;其中C為損失值，Yi為真實(shí)標(biāo)簽，;為將實(shí)時(shí)采集的數(shù)據(jù)輸入到訓(xùn)練好的深度學(xué)習(xí)模型中，進(jìn)行故障診斷，得到故障類型和嚴(yán)重程度。[0009]優(yōu)選的，所述的深度學(xué)習(xí)模型為卷積神經(jīng)網(wǎng)絡(luò)模型或長(zhǎng)短期記憶網(wǎng)絡(luò)模型。[0010]優(yōu)選的，所述的卷積神經(jīng)網(wǎng)絡(luò)模型包括輸入層、卷積層、池化層和全連接層；所述輸入層用于接收歸一化后的特征向量；所述卷積層用于提取特征的局部相關(guān)性；所述池化層用于降低特征維度，減少計(jì)算量；所述全連接層用于進(jìn)行分類。[0011]優(yōu)選的，所述的長(zhǎng)短期記憶網(wǎng)絡(luò)模型包括輸入層、LSTM層和全連接層；所述輸入層用于接收時(shí)間序列數(shù)據(jù)；所述LSTM層用于捕捉時(shí)間序列的長(zhǎng)期依賴關(guān)系；所述全連接層用于進(jìn)行分類。[0012]本發(fā)明的有益效果是：1)通過融合多種數(shù)據(jù)源，利用深度學(xué)習(xí)算法進(jìn)行故障診斷，實(shí)現(xiàn)了對(duì)電梯曳引機(jī)的全面監(jiān)測(cè)和準(zhǔn)確故障診斷，提高了電梯的安全性和維護(hù)效率。附圖說明[0013]圖1為基于多源異構(gòu)數(shù)據(jù)融合的電梯曳引機(jī)狀態(tài)監(jiān)測(cè)及診斷平臺(tái)原理框圖；圖2為數(shù)據(jù)處理流程圖；圖3為深度學(xué)習(xí)模型結(jié)構(gòu)圖。6具體實(shí)施方式[0014]下面將結(jié)合實(shí)施例，對(duì)本發(fā)明的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域技術(shù)人員在沒有付出創(chuàng)造性勞動(dòng)的前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的[0015]參閱圖1-圖3,本發(fā)明提供一種技術(shù)方案：基于多源異構(gòu)數(shù)據(jù)融合的電梯曳引機(jī)狀態(tài)監(jiān)測(cè)及診斷平臺(tái)，包括數(shù)據(jù)采集模塊，所述數(shù)據(jù)采集模塊連接邊緣計(jì)算模塊，所述邊緣計(jì)算模塊連接數(shù)據(jù)融合模塊，所述數(shù)據(jù)融合模塊連接故障診斷模塊，所述故障診斷模塊連接云平臺(tái)，所述云平臺(tái)連接維護(hù)建議模塊；所述數(shù)據(jù)采集模塊包括安裝在電梯曳引機(jī)不同部位的多種傳感器，用于采集電梯曳引機(jī)的多種運(yùn)行數(shù)據(jù)；所述邊緣計(jì)算模塊用于對(duì)運(yùn)行數(shù)據(jù)進(jìn)行初次數(shù)據(jù)預(yù)處理得到曳引機(jī)數(shù)據(jù)；所述數(shù)據(jù)融合模塊用于使用多源異構(gòu)數(shù)據(jù)融合方法，將來自不同傳感器的曳引機(jī)數(shù)據(jù)進(jìn)行融合得到融合數(shù)據(jù)；所述故障診斷模塊用于使用深度學(xué)習(xí)算法處理融合數(shù)據(jù)，從而對(duì)電梯曳引機(jī)的運(yùn)行狀態(tài)進(jìn)行診斷得到電梯診斷結(jié)果；所述云平臺(tái)用于存儲(chǔ)和管理電梯運(yùn)行數(shù)據(jù)；所述維護(hù)建議模塊用于根據(jù)電梯診斷結(jié)果生成維護(hù)建議和預(yù)警信息。[0016]在本實(shí)施例中，數(shù)據(jù)采集模塊：用于采集電梯曳引機(jī)的多種運(yùn)行數(shù)據(jù)，包括但不限于電流數(shù)據(jù)、振動(dòng)數(shù)據(jù)、溫度數(shù)據(jù)、噪聲數(shù)據(jù)等。數(shù)據(jù)采集模塊包括電流傳感器、振動(dòng)傳感器、溫度傳感器和噪聲傳感器等，這些傳感器分別安裝在電梯曳引機(jī)的不同部位，以獲取全面的運(yùn)行狀態(tài)信息。[0017]邊緣計(jì)算模塊：對(duì)采集到的數(shù)據(jù)進(jìn)行預(yù)處理和初步分析。邊緣計(jì)算模塊包括數(shù)據(jù)清洗、特征提取和數(shù)據(jù)轉(zhuǎn)換等功能，能夠?qū)⒃紨?shù)據(jù)轉(zhuǎn)換為適合進(jìn)一步分析的格式。[0018]數(shù)據(jù)融合模塊：采用多源異構(gòu)數(shù)據(jù)融合技術(shù)，將來自不同傳感器的數(shù)據(jù)進(jìn)行融合。數(shù)據(jù)融合模塊利用Dempster-Shafer證據(jù)理論等方法，對(duì)不同數(shù)據(jù)源的信息進(jìn)行綜合處理，提高數(shù)據(jù)的可靠性和診斷的準(zhǔn)確性。[0019]故障診斷模塊：基于融合后的數(shù)據(jù)，利用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法對(duì)電梯曳引機(jī)的運(yùn)行狀態(tài)進(jìn)行診斷。故障診斷模塊包括故障特征提取、故障模式識(shí)別和故障類型判斷等功能，能夠準(zhǔn)確識(shí)別電梯曳引機(jī)的故障類型和嚴(yán)重程度。[0020]云平臺(tái)：用于存儲(chǔ)和管理大量的電梯運(yùn)行數(shù)據(jù)，并提供數(shù)據(jù)查詢和分析服務(wù)。云平臺(tái)還支持遠(yuǎn)程監(jiān)控和維護(hù)，能夠?qū)崟r(shí)接收來自邊緣計(jì)算模塊的數(shù)據(jù)，并將診斷結(jié)果反饋給維護(hù)人員。[0021]維護(hù)建議模塊：根據(jù)診斷結(jié)果，生成相應(yīng)的維護(hù)建議和預(yù)警信息。維護(hù)建議模塊包括維護(hù)計(jì)劃制定、維護(hù)優(yōu)先級(jí)評(píng)估和維護(hù)效果評(píng)估等功能，幫助維護(hù)人員及時(shí)采取有效的維護(hù)措施。[0022]在一些實(shí)施例中，所述的數(shù)據(jù)采集模塊包括電流傳感器、振動(dòng)傳感器、溫度傳感器[0023]在一些實(shí)施例中，所述的初次數(shù)據(jù)預(yù)處理包括數(shù)據(jù)清洗、特征提取和數(shù)據(jù)轉(zhuǎn)換。從不同傳感器采集的曳引機(jī)數(shù)據(jù)中提取電流特征、振動(dòng)特征和溫度特征：7噪聲水平；使用Dempster-Shafer合成規(guī)則對(duì)不同數(shù)據(jù)源的診斷結(jié)果進(jìn)行融合，架Θ={輕微故障，嚴(yán)重故障，正常},對(duì)每個(gè)特征設(shè)置基本分配函數(shù)m?、m?…m,然后根據(jù)子集。[0025]在本實(shí)施例中，數(shù)據(jù)融合模塊的主要功能是將來自不同傳感器的數(shù)據(jù)進(jìn)行融合，以提高數(shù)據(jù)的可靠性和診斷的準(zhǔn)確性。從不同傳感器采集的數(shù)據(jù)中提取8數(shù)據(jù)對(duì)深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，能夠優(yōu)化模型參數(shù)，提高模型的診斷準(zhǔn)確率。[0028]在一些實(shí)施例中，所述的深度學(xué)習(xí)模型為卷積神經(jīng)網(wǎng)絡(luò)模型或長(zhǎng)短期記憶網(wǎng)絡(luò)模[0029]在一些實(shí)施例中，所述的卷積神經(jīng)網(wǎng)絡(luò)模型包括輸入層、卷積層、池化層和全連接層；所述輸入層用于接收歸一化后的特征向量；所述卷積層用于提取特征的局部相關(guān)性；所述池化層用于降低特征維度，減少計(jì)算量；所述全連接層用于進(jìn)行分類。[0030]在一些實(shí)施例中，所述的長(zhǎng)短期記憶網(wǎng)絡(luò)模型包括輸入層、LSTM層和全連接層；所述輸入層用于接收時(shí)間序列數(shù)據(jù)；所述LSTM層用于捕捉時(shí)間序列的長(zhǎng)期依賴關(guān)系；所述全連接層用于進(jìn)行分類。[0031]下面給出一個(gè)應(yīng)用實(shí)例：案例背景：某商業(yè)大廈擁有20部電梯，日均客流量高達(dá)數(shù)萬人次。由于電梯使用頻率高，傳統(tǒng)的定期維護(hù)方式難以滿足實(shí)時(shí)監(jiān)控和故障預(yù)測(cè)的需求。大廈管理方?jīng)Q定引入本發(fā)明的基于多源異構(gòu)數(shù)據(jù)融合的電梯曳引機(jī)狀態(tài)監(jiān)測(cè)及診斷平臺(tái)。[0032]實(shí)施過程：設(shè)備部署：在大廈的每部電梯上安裝邊緣協(xié)議網(wǎng)關(guān)，網(wǎng)關(guān)通過傳感器實(shí)器學(xué)習(xí)算法，能夠?qū)Σ杉降臄?shù)據(jù)進(jìn)行實(shí)時(shí)分析，識(shí)別出異常模式。例如，當(dāng)電梯的振動(dòng)頻率超過正常范圍時(shí)，網(wǎng)關(guān)會(huì)立即發(fā)出預(yù)警。故障預(yù)測(cè)：通過對(duì)歷史數(shù)據(jù)的分析，邊緣協(xié)議網(wǎng)關(guān)能夠預(yù)測(cè)電梯可能出現(xiàn)的故障類型和時(shí)間。例如，當(dāng)檢測(cè)到電梯的負(fù)載持續(xù)偏高時(shí)，網(wǎng)關(guān)會(huì)預(yù)測(cè)電梯的電機(jī)可能在未來幾天內(nèi)出現(xiàn)故障，并提前通知維護(hù)人員。維護(hù)響應(yīng)：維護(hù)人員根據(jù)網(wǎng)關(guān)提供的預(yù)測(cè)信息，提前進(jìn)行維護(hù)和更換，避免了電梯突然停運(yùn)帶來的不便和安全風(fēng)險(xiǎn)。[0033]實(shí)施效果：通過本發(fā)明的平臺(tái)，該大廈的電梯故障率顯著降低，維護(hù)效率提高，具體效果如下：故障率降低：自引入邊緣協(xié)議網(wǎng)關(guān)以來，大廈電梯的故障率降低了30%,電梯停運(yùn)時(shí)間減少了50%。維護(hù)成本下降：通過預(yù)測(cè)性維護(hù)，維護(hù)人員能夠提前發(fā)現(xiàn)和處理潛在故障，避免了大規(guī)模的維修和更換，維護(hù)成本下降了20%。用戶滿意度提升：電梯運(yùn)行更加穩(wěn)定，用戶投訴率顯著下降，大廈的整體運(yùn)營(yíng)效率得到了提升。;原始故障率為每月每部電梯平均維護(hù)時(shí)間縮短計(jì)算：原始維護(hù)時(shí)間為每次維護(hù)平均耗時(shí)2小時(shí)，優(yōu)化后維護(hù)時(shí)間為每次