一种电梯厅门的故障自动识别方法与流程

1.本发明涉及无损检测领域，特别是涉及一种电梯厅门的故障自动识别方法。


背景技术：

2.电梯厅门是电梯中最重要的部分之一，也是在工作环境中使用频率最高、最易受到外部撞击或挤压的部件。国家标准gb
‑
7588《电梯制造与安装安全规范》中单独就厅门的安全性能提出了设计和安装要求。然而，根据不完全统计，电梯发生的人身伤亡事故约有70％是由于电梯厅门引起的，因此厅门对于保护人员的安全和电梯的正常运行有着极其重要的作用。
3.在日常使用当中，厅门由于门槛有异物、应急导向装置缺失、外部撞击、防止门夹人的装置失效等多种原因而故障频发。为了解决这一问题，现有的技术方案中仅能不断缩短电梯维护保养的周期，提高管理人员检查的频次。维保人员虽然可以定期对电梯进行维护保养，却无法对电梯厅门的状态进行实时监测。而且对于高层高速群控梯群来说，单组电梯的厅门数量可达到三十扇甚至更多，维保人员更是难以随时随地掌握每一扇厅门的运行状态。


技术实现要素：

4.基于此，有必要针对现有的电梯厅门状态监控依赖人工，监控效果差，效率低，实时性不足，进而导致电梯故障频发的问题；提供一种电梯厅门的故障自动识别方法。
5.本发明中提供的一种电梯厅门的故障自动识别方法，包括如下步骤：
6.s1：构建一个基于机器学习算法的电梯厅门故障检测模型；电梯厅门故障检测模型的输入为电梯厅门在一个开关周期内的运动状态的特征数据，电梯厅门故障检测模型的输出为当前电梯厅门的故障类型的判别结果。
7.s2：采集电梯厅门在正常状态以及各类不同故障类型状态下的运动状态数据，并绘制成相应的运动状态曲线。
8.s3：对绘制的各个运动状态曲线表征的厅门状态进行人工标记；且在采样数据中，故障状态和正常状态的数量比为1:1，各种故障类型的数量占比相同；将标记后的运动状态曲线对应的特征数据和故障类型的数据构成数据集，以此作为模型训练的数据集。
9.s4：按照与上步骤相同的采样比例将数据集分为训练集和测试集。其中，训练集和测试集中数据量的比例为8:2。通过训练集对构建的电梯厅门故障检测模型进行训练，并利用测试集对模型的训练效果进行验证；直到电梯厅门故障检测模型达到训练阶段的要求。
10.s5：在每收到一次厅门开关指令时，获取对应电梯层的厅门的运动状态的特征数据，绘制成相应的实时运动状态曲线，同时将特征数据输入到训练完成的电梯厅门故障检测模型中，得出该层厅门状态的识别结果；并保留相应的实时运动状态曲线及其对应的识别结果。
11.本发明为了解决电梯厅门的故障识别问题，首先获取的电梯厅门中反映门状态变
化的特征数据，并将相关数据绘制成不同类型的曲线，同时利用特征数据去对基于机器学习算法的网络进行训练，进而将完成训练的网络模型作为本发明所需的电梯厅门故障检测模型，用来进行电梯厅门状态的自动识别。
12.该方法相对于传统的人工检测方法而言具有效率更高，并且可以同时对多个电梯厅门的状态进行同步检测的优点，有效解决了电梯厅门状态监测实时性不足的问题。同时由于本发明采集的状态数据的指标意义较强，且神经网络的自主学习能力较强，因而得出故障自动识别结果的可靠性更好，可以满足对电梯厅门进行故障监控的要求。甚至在某些情况下，本发明提供的电梯厅门故障检测模型还可以识别出人工检测难以发现的故障，或是在故障发生初期及时发现隐患。
13.本发明中，对每次识别的结果和特征数据以及运动状态曲线进行留存，进而可以结合后期的电梯维护过程对识别结果进行人工复核，对于识别错误结果可以将相关的数据保留，并修改识别结果的人工标记，作为后续提升电梯厅门故障检测模型性能的训练数据。使得本发明提供的电梯厅门故障检测模型的识别性能更强。
14.作为本发明进一步的改进，步骤s2中，故障类型包括：门槛异物导致的卡阻状态、门系统挂轮的松动状态、门导靴的缺失状态。在本发明中上述三个故障为实际应用中最常出现的厅门故障类型，对于其它类型的厅门故障也可以进行数据采集，进而用于对本发明中的模型进行训练，对于此三类故障类型之外的电梯厅门故障，均按照故障类型在电梯实际运行过程中出现的比例完成添加。
15.作为本发明进一步的改进，步骤s2中，采集的厅门的运动状态数据包括三轴速度、角速度和加速度，以及三个轴向的位移。三轴速度、角速度和加速度通过惯性测量单元获取，三个轴向的位移通过位移传感器获取。
16.作为本发明进一步的改进，步骤s3中，根据获取到的电梯厅门在正常状态以及各类不同故障类型状态下的运动状态的特征数据，绘制电梯厅门在各种不同状态类型下的典型的运动状态曲线；然后将采集到的样本数据绘制的样本运动状态曲线与典型的运动状态曲线进行对比，确定各个样本运动状态曲线对应的电梯厅门的状态类型；并根据所述状态类型的判断结果完成人工标记。
17.作为本发明进一步的改进，步骤s5中，当识别出某层的电梯厅门出现故障时，还向管理人员发出一个警报信号；并向电梯控制系统发出停止该层厅门运行的控制指令，直至相应的故障解除。本发明中，在检测到相应厅门出现故障时，需要及时将相应的电梯厅门关闭，避免发生人员伤亡事件，同时需要向管理人员发出警报，并等待技术人员对相应故障进行维修和处理。
18.作为本发明进一步的改进，步骤s5中，在收到任意一个厅门开关指令时，还获取其余各层的厅门运动状态数据，并检测厅门是否存在各轴向的速度、加速度或位移变化，是则向电梯控制系统发出停止该层厅门运行的控制指令，同时向管理人员发出一个预警信号，提醒管理人员检查。
19.作为本发明进一步的改进，预警信号的生成方法如下：设置一个厅门轴向速度、加速度、角速度阈值和轴向位移阈值，轴向速度、加速度、角速度阈值和轴向位移阈值分别为电梯的厅门在非开关状态下的速度、加速度、角速度和位移变化的最小值，当电梯中任意一层的厅门在非开关状态下的任意一个轴向的速度、加速度、角速度或位移变化大于轴向速
度、加速度、角速度阈值或轴向位移阈值时，判定电梯中该层的厅门处于故障预警状态，并等待管理人员确认。
20.正常情况下，电梯在同一时刻仅会在其中一层停留，当电梯在其中一个厅门处于打开或关闭时，其余各个电梯厅门应当保持关闭。但是如果此时检测到任意一个其余的电梯厅门出现大于安全限度的位移时，则认为该层的厅门可能出现故障或收到外力作用而损伤，此时向电梯控制系统发出停止该层厅门运行的控制指令，同时向管理人员发出一个预警信号，并等待技术人员进行故障核查和问题处理。
21.作为本发明进一步的改进，步骤s5中，在每次保留相应的实时运动状态曲线及其识别结果后，对表征电梯厅门全生命周期内各种故障发生频率的一个故障概率数据库进行更新，故障概率数据库用于指导电梯生产和维保的过程。
22.本发明提供的一种电梯厅门的故障自动识别方法，具有如下有益效果：
23.1、本发明在电梯厅门上安装厅门传感器，对电梯厅门的运行状态进行实时监测，并根据获取的反映电梯厅门运动状态的特征数据来判定电梯厅门是否出现故障。这种监控方式可以代替人工，实现24h不间断的监控，具有更好的实时性，在故障之初就可以及时发现和处理。降低电梯厅门故障带来的人身安全或财产损失。此外，采用本发明的方案还可以实现对大规模的群控电梯进行集中管理，显著提高电梯安全监控的效率。
24.2、本发明通过基于机器学习算法的网络模型来完成电梯厅门状态的识别，基于大量真实的数据能够显著提升网络模型的训练效果。同时在实际应用中，还可以通对识别结果的人工复核，积累更多更有效的训练样本，进一步提高网络模型的训练效果和识别准确率。
25.3、除了电梯厅门的的运行故障之外，本发明还可以对电梯厅门受到的外力冲击进行及时检测，并根据冲击对电梯厅门的损伤程度及时给出处理方案，对相关层的厅门进行关闭，并通知技术人员安排维修。
26.4、本发明还可以对电梯在运行过程中数据进行积累，并根据积累的数据中反映的问题，对电梯厅门的生产、制造提供前瞻性的反馈和建议。同时为电梯的日常运行管理提供技术支持。
附图说明
27.图1为本发明实施例1中提供的一种电梯厅门的故障自动识别方法的流程图；
28.图2为本发明实施例1中电梯厅门在门槛异物状态下的设备图片；
29.图3为本发明实施例1中电梯厅门在滚轮松脱状态下的设备图片；
30.图4为本发明实施例1中电梯厅门在厅门导靴松动状态下的设备图片；
31.图5为本发明实施例2中提供的一种电梯厅门的故障监控系统的模块示意图；
32.图6为本发明实施例2中提供的一种电梯厅门的故障监控系统的拓扑结构示意图；
33.图7为本发明实施例3中提供的一种电梯厅门的故障监控系统的拓扑结构示意图；
34.图8为本发明实施例3中电梯厅门在门槛异物和正常状态下的运动状态曲线的对照图；
35.图9为本发明实施例3中电梯厅门在滚轮松脱和正常状态下的运动状态曲线的对照图；
36.图10为本发明实施例3中电梯厅门在厅门导靴松动和正常状态下的运动状态曲线的对照图。
具体实施方式
37.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
38.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“或/及”包括一个或多个相关的所列项目的任意的和所有的组合。
39.实施例1
40.本实施例中提供的一种电梯厅门的故障自动识别方法，包括如下步骤：
41.s1：构建一个基于机器学习算法的电梯厅门故障检测模型；电梯厅门故障检测模型的输入为电梯厅门在一个开关周期内的运动状态的特征数据，具体地，在本实施例中，电梯厅门故障检测模型的输入为电梯门三个轴向的速度、角速度和加速度。而电梯厅门故障检测模型的输出为当前电梯厅门的故障类型的判别结果。
42.s2：采集电梯厅门在正常状态以及各类不同故障类型状态下的运动状态数据，该运动状态数据即为电梯厅门故障检测模型在训练或识别阶段所需的输入。在本实施例还将相关的特征数据绘制成相应的运动状态曲线。绘制成运动状态曲线的目的主要是便于根据运动状态曲线中对电梯厅门的运动状态进行人工标记，对不同类型的运动故障进行区分。
43.本实施例中能够完成识别的故障类型主要包括：门槛异物导致的卡阻状态、门系统挂轮的松动状态、门导靴的缺失状态等。图2显示了门槛异物状态下的设备图片；图3显示了滚轮松脱状态下的设备图片；图4分别显示了厅门导靴松动状态下的设备图片。
44.上述三个故障为实际应用中最常出现的厅门故障类型，对于其它类型的厅门故障也可以进行数据采集，进而用于对本实施例中的模型进行训练。对于此三类故障类型之外的电梯厅门故障类型，均按照故障类型在实际应用中出现的比例完成添加。也就是说，当一个新的故障类型发生的概率越高，在适当增大该故障类型在训练数据集中的比例，进而保障对该类问题的最佳识别效果。
45.本实施例中采集的厅门的运动状态数据包括三轴速度、角速度、加速度，以及三个轴向的位移。三轴速度、角速度和加速度通过惯性测量单元获取，三个轴向的位移通过位移传感器获取。其中，由惯性测量单元获取的数据是进行厅门故障识别的特征数据，而位移传感器测量的数据则用于在厅门处于静止状态时判断厅门是否收到外力作用而发生结构变形，这种结构变形时厅门故障发生的前兆。在很多情况下，正是因为电梯厅门受到外力破坏，才导致电梯厅门的开关状态发生异常，进而引发安全事故。
46.s3：对绘制的各个运动状态曲线表征的厅门状态进行人工标记；且在采样数据中，故障状态和正常状态的数量比为1:1，各种故障类型的数量占比相同，将标记后的运动状态曲线对应的特征数据和故障类型的数据构成数据集，以此作为模型训练的数据集。本实施
例中的数据集能够很好的反映现实情况下各种故障的比例，进而达到较佳的模型训练效果。
47.数据集的人工标记过程如下：根据获取到的电梯厅门在正常状态以及各类不同故障类型状态下的运动状态的特征数据，绘制电梯厅门在各种不同状态类型下的典型的运动状态曲线；然后将采集到的样本数据绘制的样本运动状态曲线与典型的运动状态曲线进行对比，确定各个样本运动状态曲线对应的电梯厅门的状态类型；并根据所述状态类型的判断结果完成人工标记。
48.s4：按照与上步骤相同的采样比例将数据集分为训练集和测试集。其中，训练集和测试集中数据量的比例为8:2。通过训练集对构建的电梯厅门故障检测模型进行训练，并利用测试集对模型的训练效果进行验证；直到电梯厅门故障检测模型达到训练阶段的要求。
49.s5：在每收到一次厅门开关指令时，获取对应电梯层的厅门的运动状态的特征数据，绘制成相应的实时运动状态曲线，同时将特征数据输入到训练完成的电梯厅门故障检测模型中，得出该层厅门状态的识别结果；并保留相应的实时运动状态曲线及其对应的识别结果。
50.当识别出某层的电梯厅门出现故障时，本实施例还向管理人员发出一个警报信号；并向电梯控制系统发出停止该层厅门运行的控制指令，直至相应的故障解除。
51.本实施例中的方案，在检测到相应厅门出现故障时，会及时将相应的电梯厅门关闭，避免发生人员伤亡事件，同时还会向管理人员发出警报，并等待技术人员对相应故障进行维修和处理。
52.该步骤中还绘制了每个识别检测过程中电梯厅门的实时运动曲线，绘制该曲线的目的是便于在必要时由人工对网络模型的识别结果进行复核，并在后期根据复核结果对机器学习的网络模型进行重新训练，其中网络模型识别错误的结果经过人工标记后，可以补充到训练集中，重新对网络模型进行训练，进而提升模型的训练效果。
53.本实施例中，在收到任意一个厅门开关指令时，还获取其余各层的厅门运动状态数据，并检测厅门是否存在各轴向的速度、加速度或位移变化，是则向电梯控制系统发出停止该层厅门运行的控制指令，同时向管理人员发出一个预警信号，提醒管理人员检查。
54.其中，预警信号的生成方法如下：设置一个厅门轴向速度、加速度、角速度阈值和轴向位移阈值，轴向速度、加速度、角速度阈值和轴向位移阈值分别为电梯的厅门在非开关状态下的速度、加速度、角速度和位移变化的最小值，当电梯中任意一层的厅门在非开关状态下的任意一个轴向的速度、加速度、角速度或位移变化大于轴向速度、加速度、角速度阈值或轴向位移阈值时，判定电梯中该层的厅门处于故障预警状态，并等待管理人员确认。
55.通常情况下，电梯在同一时刻仅会在其中一层停留，当电梯在其中一个厅门处于打开或关闭时，其余各个电梯厅门应当保持关闭。但是如果此时检测到任意一个其余的电梯厅门出现大于安全限度的位移时，则认为该层的厅门可能出现故障或收到外力作用而损伤，这时也必须及时将该层电梯厅门关闭并锁死，并等待技术人员进行故障核查和问题处理。
56.本实施例中为了解决电梯厅门的故障识别问题，首先获取电梯厅门中反映门状态变化的特征数据，并将相关数据绘制成不同类型的曲线，同时利用特征数据去对基于机器学习算法的网络进行训练，进而将完成训练的网络模型作为本发明所需的电梯厅门故障检
测模型，用来进行电梯厅门状态的自动识别。
57.该方法相对于传统的人工检测方法而言具有效率更高，并且可以同时对多个电梯厅门的状态进行同步检测的优点，有效解决了电梯厅门状态监测实时性不足的问题。同时由于本实施例采集的状态数据的指标意义较强，且神经网络的自主学习能力较强，因而得出故障自动识别结果的可靠性更好，可以满足对电梯厅门进行故障监控的要求。甚至在某些情况下，本实施例提供的电梯厅门故障检测模型还可以识别出人工检测难以发现的故障，或是在故障发生初期及时发现隐患。
58.此外，在步骤s5中，每次保留相应的实时运动状态曲线及其识别结果后，还会对表征电梯厅门全生命周期内各种故障发生频率的一个故障概率数据库进行更新，故障概率数据库用于指导电梯生产和维保的过程。电梯生产厂家或维保企业在获得相应的故障概率数据库中的数据之后，可以了解到电梯厅门运行过程中遇到的最常见的故障，进而可以对相应的电梯部件进行性能增强，达到降低故障率的效果。同时，维保公司也可以根据常发的各类故障有针对地对电梯的相应部件增加维保频次，保障电梯的安全运行。
59.实施例2
60.本实施例提供一种电梯厅门的故障监控系统，该故障监控系统采用如实施例1的电梯厅门的故障自动识别方法，对各层电梯中厅门的运动状态识别，实现对各类型故障的及时监控。如图5所示，该故障监控系统包括：厅门传感器、信号传输模块、数据中继处理器、通信模块，以及云服务器。系统的拓扑图如图6所示。
61.其中，厅门传感器包括惯性测量单元和位移测量单元。惯性测量单元包括三个单轴加速度传感器和三个单轴的陀螺仪；惯性测量单元用于测量独立三轴的速度信号、加速度信号和角速度信号。位移测量单元包括三个单轴的位移传感器，位移测量单元用于测量独立三轴的位移信号。厅门传感器分别安装在电梯各层的厅门上。
62.信号传输模块用于将厅门传感器的检测信号传输到一个数据中继处理器。信号传输模块主要用于将厅门传感器的检测结果发送到数据中继处理器中，因此该模块应当能够给实现大量的模块(门状态传感器)与单一模块(数据中继处理器)之间的数据传输。在本实施例中，采用一对多的主从蓝牙模块实现数据传输，同时考虑到厅门传感器无需进行数据接收，因此本实施例中的主从蓝牙模块的各个蓝牙从模块安装在厅门传感器端，而蓝牙主模块安装在数据中继处理器端。主从蓝牙模块采用单向数据传输的模式工作，即数据仅允许从蓝牙从模块传输到蓝牙主模块。
63.当然在其它实施例中，为了解决数据的实时传输问题，也可以补充其它的数据传输模块。在本实施例中用于识别电梯厅门故障状态的特征数据，仅需要在电梯轿厢到达相应的厅门时实现采集和传输，而本实施中蓝牙模块恰好可以实现该数据的传输需求。此外，本实施例中采用的蓝牙模块还具有无线传输、保密性强(需要事先完成主从模块间的匹配连接)，功耗较低的特点。
64.数据中继处理器安装在电梯的轿厢顶部，数据中继处理器与电梯控制系统通信连接。数据中继处理其即为安装电梯轿顶的黑匣子。本实施例中的数据中继处理器用于：
65.(1)在查询到由电梯控制系统发出的任意一个厅门的开关控制指令后，获取该层厅门中的厅门传感器的检测信号，将相应的检测信号转化为反映电梯厅门运动状态变化的特征数据。并根据特征数据绘制反映电梯厅门运动状态变化的运动状态曲线，以及将运动
状态的特征数据发送出去。
66.(2)在收到由一个云服务器发出的某层电梯厅门的故障类型后；向电梯控制系统发出一个停止该层厅门运行的控制指令和表征该层厅门停止运行的警报信号。
67.(3)在电梯控制系统响应任意一个电梯厅门的开关控制指令时，获取其余电梯厅门中检测到的位移信号。在其余的任意一个厅门中任意一个方向上的位移超过预设的位移限度时，发出一个表征该层厅门故障待核查的预警信号。
68.具体的，数据中继处理器中包括指令收发单元和计算单元；指令收发单元用于查询电梯控制系统生成的任意厅门的开关控制指令，或向电梯控制系统发出一个停止某层厅门运行的控制指令和警报信号。计算单元用于将获取的厅门传感器的感应信号转换为反映电梯厅门运动状态变化的特征数据。数据中继处理器中还包括一个存储单元，存储单元用于存储指令收发单元的收发信号和计算单元的计算结果，作为电梯运行状态的数据备份。
69.通信模块用于在数据中继处理和一个云服务器间实现双向通信。具体地，本实施例中的通信模块采用基于移动运营商的通信网络的通信模块。通信模块支持主流的三大运营商的2g、3g、4g或5g网络。通信模块将数据中继处理器中获取的电梯厅门运动时的特征数据发送到云服务器端进行故障识别，并将云服务器端识别的故障类型发回到数据中继处理器中。
70.云服务器中包括一个已完成训练的电梯厅门故障检测模型；该模型即为实施例1中完成训练的电梯厅门故障检测模型。云服务器用于将获取的任意层的厅门的运动状态的特征数据输入到电梯厅门故障检测模型中，得到该层厅门的故障状态检测结果。并在识别出厅门的故障类型之后，将故障类型的识别结果发送出去。
71.实施例3
72.本实施例提供一种电梯厅门的故障监控系统，本实施例提供的故障监控系统与实施例2的区别在于：如图7所示，本实施中的系统中还包括本地数据服务器和本地应用服务器；本地数据服务器中存储有云服务器中接收和生成的所有数据；本地应用服务器用于响应管理人员的请求，并为管理人员提供本地数据服务器中所有数据的访问服务。
73.具体的，在本实施例中，管理人员在本地应用服务器中打开浏览器访问固定域名的服务器，或者在软件中输入密码登录相应的账号，获取本地数据服务器中数据，对各个电梯的厅门运动状态进行浏览。在本地应用服务器端，所有电梯的实时运动状态通过运动状态曲线的形式展示。管理人员不仅可以查看当前电梯厅门的实时状态数据，还可以查询任意厅门的历史数据。并根据浏览界面的厅门运动状态曲线对厅门故障状态的识别结果进行人工复核。为了使得人工复核过程更加便利，在本地数据服务器中还可以生成正常状态下电梯厅门运动状态曲线，以此作为参考。具体地，图8
‑
10分别显示了门槛异物、滚轮松脱和厅门导靴松动三种状态下的厅门运动状态曲线与正常状态下的曲线的对照图。
74.以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明的保护范围应以所附权利要求为准。