特种设备运动部件机械故障预警方法及其预警系统与流程

1.本发明涉及机械故障监控系统，具体涉及一种特种设备运动部件机械故障预警方法及其预警系统。


背景技术：

2.特种设备的安全性一般都有较高的要求，例如，游乐场设备、载人运输器具、压力设备等，都对安全性有较高的要求。以下以典型的特种设备垂直电梯为例进行叙述。随着城市化的发展，高层建筑迅速增长，同时随着社会人口老龄化程度的逐步地加深，老旧小区加装电梯，提升养老配套设施。电梯作为一种机电一体化特种设备，其机械故障引发的安全事故更为致命，但目前业界针对机械故障的预警甚少涉及。其故障可分为电气故障和机械故障。电气故障一般发生时间快，故障状态瞬间转变，难以进行预测。业内企业主要通过对电梯控制系统的监控，进行事后故障告警。机械故障主要由于机械磨损，连接部件位移等原因造成，其发生为从量变到质变的累计过程，有足够的故障预判时间。机械故障比电气故障所引发的安全事故更为致命，通常机械安全为设备安全的最后一道保障，因此对机械故障的预测更为紧要，但目前业界针对机械故障的预警也甚少涉及。电梯机械故障的检查主要依靠维保人员日常维护检测，维保质量的优劣严重电梯安全。现有技术，无法解决维保人员出工不出力或者因技术经验不足导致维保不到位，或存在人工难以检测到的故障而导致维保无效等现象。同时，电梯业主或监管部门无法对维保的效果和维保质量进行判断和评估。
3.特别需要关注的是，电梯门系统是电梯8大系统之一，是电梯部件中使用频繁的活动部件，由于电梯的每一次运行过程都要经过开门动作过程两次，门锁工作频繁，因此老化速度快。根据统计数据，电梯门系统故障的比重最大，发生的频率也最多，几乎占到电梯故障的70％左右。门系统故障中，厅门锁失效、轿门锁失效、门机故障是主要原因。
4.1）当前电梯物联网的故障监测产品，大部分为事后告警，解决困人救援的问题，而不是提前预警，排查故障隐患，在电梯停机前进行排除故障。
5.2）无维保质量的定性和定量的监控和评估。目前的故障监测系统，多数从单一纬度的故障监测出发，缺乏结合维保前后故障的表征的变化，对维保质量进行定性或定量的评价，因而系统的可用度和易用性离用户需求有差距。
6.3）缺乏结合历史数据的分析和推理。目前的故障监测系统，多为实时获取的电梯控制柜反馈的故障信息，对于结合历史数据对设备寿命的趋势分析较少，因此无法对电梯进行全生命周期的健康状态评估，进而部件的健康度进行预测及对备品备件进行预测。
7.当前现有技术中，广州鲁邦通物联网科技股份有限公司 2021年12月申请的《一种电梯门故障判断方法、云平台和系统》，主要采用加速度传感器获取正常和异常开关门的加速度数据，绘制加速度的各类曲线，通过开关门时间是否有变化来判定门故障。此方法对电梯门数据的采集及评判纬度较少，仅能判定门卡阻等少量故障，无法更加全面的识别和判定门系统故障。
8.而本司于2022年1月申请的cn202210052909.6《用于特种机械的部件疲劳程度监
测方法》，于2022年3月18日获得授权，从整体上描述了针对电梯整机的健康程度变化识别和故障判定的方法，在此基础上，如何进一步对特种设备，尤其是垂直电梯中，电梯的门部件的疲劳度分析方法进行了深入研究，即采用按电梯门运行阶段进行正常态的基线模型构建，当监测到异常时，将结合历史维保数据、疲劳度特征曲线和门运行阶段所涉及到的部件，推断出疲劳部件及疲劳程度，并提出了维保有效性的评估方法，是当前技术突破的关键。
9.综上所述，当前技术手段存在的主要技术问题为当前特种设备，尤其是电梯物联网的故障监测产品，大部分为事后告警。同时，现有技术还存在有无维保质量的定性和定量的监控和评估；缺乏结合历史数据的分析和推理的技术问题。


技术实现要素：

10.本发明要解决的主要技术问题是：当前特种设备，尤其是电梯物联网的故障监测产品，大部分为事后告警，告警及时性存在严重落后的问题，因此提出了一种特种设备运动部件机械故障预警方法及其预警系统。
11.为解决上述技术问题，本发明所采取的技术方案为：一种特种设备运动部件机械故障预警方法，基于特种设备运动部件机械故障预警系统进行监控，包括以下步骤：步骤一，采集特种设备运行启停状态的声音及振动数据判断特种设备运行状态的变化；步骤二，根据特种设备运行状态的变化，对应采集特种设备运动部件全过程的声音及振动数据；步骤三，将步骤二采集的数据按照特种设备运动部件动作时各个阶段进行切分和预处理，切分后比照快速识别的基线模型的需求进行时域数据的预处理，比照高准确性识别的分类器的需求进行频域数据的转换和预处理；步骤四，将处理好的各阶段声音及振动数据进行融合，构建特种设备运动部件的正常运行的声音及振动基线模型及分类器；步骤五，检测特种设备运行时，运动部件动作过程中采集的声音以及振动数据，对超出了基线模型的正常阈值，根据时域基线模型的设定启动频域数据的转换的和预处理，并送入对应阶段的分类器，结合时域数据的基线模型判断结果和频域数据的分类器判断结果，对特种设备运动部件进行疲劳预警检测，并依特种设备运动部件各运动状态分段的状态，判断特种设备机械部件是否需要发出疲劳预警；步骤六，当在设定的时间段内，需要发出疲劳预警的次数超过设定比例时，则发出特种设备运动部件故障预警以对应的发生疲劳的机械部件名称，并通知维保人员。
12.本发明主要是针对特种设备中的垂直电梯，特别是垂直电梯中的电梯门部分进行改进，同时也可以针对特种设备中的其他运动部件进行检测，例如游艺场游艺设备的自动门，舞台机械中剪刀撑中的往复运动部件等，在本领域技术人员中，应当能够知晓其应用的具体做法，另外本领域中的能量数据主要是指声音和振动能量，也不排除其他的能量数据，例如弹簧能量的变动等其他可检测的能量数据都属于本领域技术人员可以想见的方案。
13.以下本发明以最有代表性的垂直电梯为例，做有益效果的说明：
当电梯门发生门锁勾错位或偏移等故障时，会有明显的异响出现，但对电梯开关门速度无影响。申请人采用声音加振动的方式，同时结合门的运行状态特征的区分，其中对电梯门的运行状态的识别，申请人采用了时域和频域共同来确定的准确的电梯门的运行状态以及电梯门的运行状态的特征数据，时域部分建立的模型运行快速，能够对应一般情况的初步审查，只有出现时域异常时才会对频域部分的内容进行审查，频域部分作为后续审核，审核虽然比时域判定慢，但是审核的准确性较大，能够针对时域部分存在异常的部分进行校验，从而保持较高的准确性。具体的是:首先与时序基线比较，若发现有异常基点，并超过阐值的，计算并绘出本次开关门对应的（六种）状态的能量异常时序图；将本次判定为能量异常的声音或振动数据进行时转频的数据预处理，并与频域基线进行相比较；若频域基线也判定异常，则放入异常数据集。若频域基线不判定为异常，则放入人工待查集，通过有监督或半监督方式进行数据标记；依据能量的异常时序图的组合（包含声音、振动等数据类型及其6种状态组合），结合专家知识库，筛选对应的声音振动频域故障诊断模型，进行故障类别判定；筛选满足同一类别的频域特征向量，进行疲劳程度判定；依据推理结果，得出研判发生故障的部件及其异变程度。
14.显然，本技术是在《用于特种机械的部件疲劳度监测方法》的启示下，通过包括时域维度和频域维度在内的多个维度的特征数据进行电梯门的基线模型进行预测，预测的精确度更高，在基础识别上，所需的数据更少，使得先期研判时，数据量少，计算量小，能够有较快的识别速度，在后续审核中则使用数据量更大，审核更准确，从而使得故障识别范围更为全面，同时识别精度更高。
15.相比我司之前申请的专利技术，本技术方案在原有基线模型加综合模型的基础上，增加了基线模型的细分，将基线模型从大量数据混合的情况下进行了细分，细分是将运动部件根据运动状态进行分解，分解后的数据截取有利于频率转换之后的深层次检测，据此才能将原有的基线模型-综合模型结构进行扩充，扩充成了时域基线模型-频域基线模型-综合模型，在层次深挖的同时，还设计了各个模型合理的启动方式，进一步保障了整体模型运行的准确性和实时性，还能确保在特征设备运行时，算力的充足，相比本司之前申请和现有的技术，在垂直电梯门上测试时，实时性、准确性更佳。
16.作为优选，在所述步骤一中，根据检测特种设备整体的加速度传感器对特种设备运行方向轴上数据的变化规律，判断特种设备在对应方向上的启动、中间过程以及停止状态；在所述步骤三中，根据检测特种设备运动部件的加速度传感器对特种设备运动部件运行方向轴上数据的变化规律，判断特种设备运动部件的动作运动部件、动作运动部件过程以及动作运动部件到位状态。在本技术中，根据特种设备的整体运动状态进行分段检测，检测时，对频域的检测更为合理，特别是检测窗口更为准确，能够极大的加强频域数据的应用，使得频域数据能够较为精准地参与到检测中。
17.作为优选，在所述步骤三中，至少截取成六种动作状态对应下的状态数据，包括：正向动作全过程数据，正向动作前段启动数据，正向动作后段驱动数据，反向动作全过程数据，反向动作前段启动数据、反向动作后段驱动数据，针对切分状态数据，把运动部件动作的时间特征区分为异常动作和正常动作两种状态，使用处理好的声音及振动数据，构建特种设备运动部件在正常运行态下的声音及振动基线模型包括：正/反向动作启动子模型、
正/反向动作过程子模型、正/反向动作全过程综合子模型。一般运动设备都具备启动、稳态、结束三种状态，而这三种状态还分别具有正反方向两种形式，因此，将一个运动部件分割为6个检测窗口分别进行时域、频域的检测是必要的。
18.作为优选，在所述步骤二中，依照加速度传感器的数值变化率进行特种设备运行状态的判断，当加速度传感器侦测到特种设备运行方向轴上数据出现加减速变化时，依照特种设备运行状态启动或停止安装在特种设备运动部件侧的声音及振动采集器完成数据采集。特种设备，除了整体设备运行状态外，更进一步增加了设备运动状态的切分，分割准确性更好，提高了时域数据的应用难度的同时，各个对比使用的频域窗口切分更为准确，进一步提高了频域数据应用的准确性。
19.作为优选，将步骤二采集的数据按照特种设备运动部件动作时各个阶段进行切分和处理时，首先采用了时域切分，同时在固定点以固定采样窗口截取采样曲线进行频域变换。时域、频域之间存在有一定的相异性，合理的选择采样窗口能够有效的加强频域数据的有效性。
20.作为优选，根据选取到的时间段进行声音和振动的时域数据进行提取预处理时，包括基线数据时域处理子步骤a和实际运行数据时域处理子步骤b, 基线数据时域处理子步骤包括，a1、基点确定，将采样频率对应形成的数据作为基点，或将相邻多个采样频率的数据进行均值化处理后作为一个基点；a2、依次计算相邻基点的时域的变化率，得到正常基线曲线；实际运行数据时域处理子步骤包括，b1、基点确定，将采样频率对应形成的数据作为基点，或将相邻多个采样频率的数据进行均值化处理后作为一个基点；b2、依次计算相邻基点的时域的变化率，获得待验曲线；b3、与正常基线曲线做比较，寻找突变基点，上述突变基点为待验曲线中两两相邻基点变化率比正常基线曲线两两相邻基点变化率的数值获得的数值大于设定阈值的基点；b4、确定第一个突变基点后，将其作为异常变化的新起点，重复执行b3步骤，得出在时域上的异常发生规律以及恢复正常的时间点；b5、按照特种设备运动部件的每个动作状态，重复执行步骤b1至步骤b4。
21.作为优选，根据选取到的时间段进行声音和振动的频域数据进行提取预处理时，进行频域处理子步骤c,频域处理子步骤c包括，c1、对时序数据确定一个采样窗口，并将振动以及声音数据进行降噪，对降噪后的数据进行数据增强；c2、采用梅尔倒频谱，进行时频转换；c3、采用自编码方式，构建过程频域基线。
22.在本技术中，在启动、停止的过程中，采样窗口一般是需要进行降噪和加强的，否则不能完整较好的频域转换提取，通过这样的方式，形成频域基线，此类频域基线可以用于异响、异常振动的进一步分类和处理。例如用于时域方面出现问题的设备，如果频域没有问题的，可以取消预警，降低误报。
23.作为优选，将处理好的各阶段声音及振动数据进行融合包括以下步骤：
首先与时域基线进行比较，若发现异常基点，并超过阈值的，计算并绘出本次动作对应的状态的异常时序图；将本次判定为异常的声音或振动数据进行一个设定窗口的时频转换，转换的频域数据即为预处理时所需的数据；若频域判断也属于异常状态，则放入异常数据集，若频域判断不属于异常状态，则由后续步骤进行处理；根据声音、振动的时序图，在剔除出异常数据后，计算得出对应的声音、振动频域模型，根据符合数量的正常态的声音、振动的时序图及其对应数据进行有监督分类器训练，训练形成频域预警模型。
24.作为优选，在检测特种设备动作运动部件过程中采集到的声音及振动数据超出基线模型的正常阈值时，就把对应的数据放入相对标签集合中，这些标签集包括：正/反向动作启动疲劳、正/反向动作过程疲劳、正/反向动作全过程疲劳，将疲劳数据按设定时序提取对应的频率及能量，绘出用于疲劳变化曲线，疲劳变化曲线用于特种设备的剩余寿命预测。本技术给出数据、疲劳变化曲线可以供后续的综合模型进行剩余寿命预测，综合模型的建立和应用，可以参考本司之前申请的授权专利cn202210052909.6《用于特种机械的部件疲劳程度监测方法》，在此本司不再赘述。
25.作为优选，在所述步骤六中，依分段基线模型判断是特种设备运动部件的发生疲劳预警的机械部件时，包括与同型号特种设备运动部件的历史疲劳数据曲线及维保记录数据作对比分析，推断出本次发生疲劳现象的特种设备运动部件组成部件名称和疲劳程度。本发明中引入了同型号特种设备，充实了设备的大数据。
26.作为优选，在所述步骤六中，如通过与历史疲劳数据曲线与维保记录数据的比对，未识别出对应的具体疲劳现象部件，则由人工现场检测后对疲劳变化曲线进行标记，作为后续新的部件疲劳的有监督训练数据。
27.作为优选，在所述步骤六中，当在设定的时间段内，发生机械部件疲劳输出预警的次数超过设定比例时，则发出特种设备运动部件故障预警以对应的发生疲劳的机械部件名称，并进行通知。
28.作为优选，在所述步骤六中，通过建立部件剩余寿命预测模型的方式对特种设备的剩余寿命预测，对剩余寿命预测模型导入特种设备运行启停状态的声音及振动数据以及特种设备运动部件动作全过程的声音及振动数据，反馈包括部件失效征兆和失效症状，所述失效征兆指部件产生了不良状态，但仍然能够完成其功能时的数据表现，此时进行部件失效征兆报警；无法完成部件对应功能时的数据表现，此时进行部件失效症状报警。由于部件剩余寿命预测模型是综合模型，因此，可以进一步增加结果分类。
29.作为优选，部件剩余寿命预测模型，依据影响到剩余寿命评估的因素、对应的指标以及物理表征，选择的模型为经验方法模型、统计滤波方法模型、马尔可夫模型、隐马尔可夫模型、隐式半马尔可夫模型、随机过程模型或灰色模型中的一种。
30.作为优选，在所述步骤六通知维保人员之后，维保完成后，立即启动在设定时间范围内采集声音及振动数据，并与正常运行的基线模型比对，若恢复到正常的异常比例范围，则判定该次维保有效，否则无效。本发明通过此类方式，可以让电梯业主或监管部门对维保的效果和维保质量进行判断和评估。
31.作为优选，在所述步骤五中，将同特种设备类别、品牌和型号的特种设备动作运动部件数据进行引入，使用处理好的各阶段声音及振动数据，构建特种设备运动部件的正常运行的声音及振动基线模型，特种设备运动部件的正常运行的声音及振动基线模型采用自编码方法、局部异常因子法或支持向量机异常检测器的方法进行训练。
32.一种特种设备运动部件机械故障预警系统，包括接收端、云平台服务器和集中诊断器，所述集中诊断器配置在特种设备运动部件处，集中诊断器为采集数据扩展连接有音频采集器以及振动采集器，所述集中诊断器与云平台服务器通信连接，所述云平台服务器与接收端通信连接；所述集中诊断器执行以下步骤：采集特种设备运行启停状态的声音及振动数据判断特种设备运行状态的变化；根据特种设备运行状态的变化，对应采集特种设备运动部件全过程的声音及振动数据；将步骤二采集的数据按照特种设备运动部件动作时各个阶段进行切分和预处理，切分后比照快速识别的基线模型的需求进行时域数据的预处理，比照高准确性识别的分类器的需求进行频域数据的转换和预处理；将处理好的各阶段声音及振动数据进行融合，构建特种设备运动部件的正常运行的声音及振动基线模型及分类器；检测特种设备运行时，运动部件动作过程中采集的声音以及振动数据，对超出了基线模型的正常阈值，根据时域基线模型的设定启动频域数据的转换的和预处理，并送入对应阶段的分类器，结合时域数据的基线模型判断结果和频域数据的分类器判断结果，对特种设备运动部件进行疲劳预警检测，并依特种设备运动部件各运动状态分段的状态，判断特种设备机械部件是否需要发出疲劳预警；当在设定的时间段内，需要发出疲劳预警的次数超过设定比例时，则发出特种设备运动部件故障预警以对应的发生疲劳的机械部件名称；维保人员通过接收端接收云平台服务器的通知。
33.作为优选，音频采集器安装在靠近轿门的运动部件的位置处，振动采集器安装在包括轿门运动部件架顶部横梁上在内的若干振动采集点位处，音频采集器与振动采集器组成增强故障感知范围和精度的多点及面的多源数据采集阵列。
34.本发明的实质性效果是：本技术是在本司已授权专利《用于特种机械的部件疲劳程度监测方法》的基础下，通过包括时域维度和频域维度在内的多个维度的特征数据进行特种设备的基线模型进行预测，预测的精确度更高，在基础识别上，所需的数据更少，使得先期研判时，数据量少，计算量小，能够有较快的识别速度，在后续审核中则使用数据量更大，审核更准确，从而使得故障识别范围更为全面，同时识别精度更高。对以垂直电梯为代表的特种设备，实现了实时疲劳告警。同时，改善了现有技术存在有无维保质量的定性和定量的监控和评估的问题，实现了定量监控和评估，并且，本发明通过历史数据的分析和推理进一步加强了检测的准确性。相比我司之前申请的专利技术，本技术方案在原有基线模型加综合模型的基础上，增加了基线模型的细分，将基线模型从大量数据混合的情况下进行了细分，细分是将运动部件根据运动状态进行分解，分解后的数据截取有利于频率转换之后的深层次检测，据此才能将原有的基线模型-综合模型结构进行扩充，扩充成了时域基线
模型-频域基线模型-综合模型，在层次深挖的同时，还设计了各个模型合理的启动方式，进一步保障了整体模型运行的准确性和实时性，还能确保在特征设备运行时，算力的充足，相比本司之前申请和现有的技术，在垂直电梯门上测试时，实时性、准确性更佳。
附图说明
35.图1为实施例1的一种硬件部分结构示意图。
36.图2为实施例1的一种基于电梯型号的开关门通用基线模型构建示意图。
37.图3为实施例1的一种单梯模型的调整和优化示意图。
38.图4为实施例1的一种电梯门疲劳度判定流程示意图。
39.图5为实施例1的一种电梯门疲劳度预警流程示意图。
40.图6为实施例1的一种维保/维修效果评估流程示意图。
41.图中：1、云平台服务器，2、集中诊断器，3、振动采集器，4、音频采集器，5、接收端。
具体实施方式
42.下面通过具体实施例，并结合附图，对本发明的具体实施方式作进一步具体说明。
43.实施例1：一种特种设备运动部件机械故障预警方法（参见附图1），基于特种设备运动部件机械故障预警系统（参见附图2）进行监控，一种特种设备运动部件机械故障预警系统，包括接收端5、云平台服务器1和集中诊断器2，所述集中诊断器配置在特种设备运动部件处，集中诊断器为采集数据扩展连接有音频采集器4以及振动采集器3，所述集中诊断器与云平台服务器通信连接，所述云平台服务器与接收端通信连接；所述集中诊断器执行以下步骤：采集特种设备运行启停状态的声音及振动数据判断特种设备运行状态的变化；根据特种设备运行状态的变化，对应采集特种设备运动部件全过程的声音及振动数据；将步骤二采集的数据按照特种设备运动部件动作时各个阶段进行切分和预处理，切分后比照快速识别的基线模型的需求进行时域数据的预处理，比照高准确性识别的分类器的需求进行频域数据的转换和预处理；将处理好的各阶段声音及振动数据进行融合，构建特种设备运动部件的正常运行的声音及振动基线模型及分类器；检测特种设备运行时，运动部件动作过程中采集的声音以及振动数据，对超出了基线模型的正常阈值，根据时域基线模型的设定启动频域数据的转换的和预处理，并送入对应阶段的分类器，结合时域数据的基线模型判断结果和频域数据的分类器判断结果，对特种设备运动部件进行疲劳预警检测，并依特种设备运动部件各运动状态分段的状态，判断特种设备机械部件是否需要发出疲劳预警；当在设定的时间段内，需要发出疲劳预警的次数超过设定比例时，则发出特种设备运动部件故障预警以对应的发生疲劳的机械部件名称；维保人员通过接收端接收云平台服务器的通知。
44.本实施例中的，音频采集器安装在靠近轿门的运动部件的位置处，振动采集器安
装在包括轿运动部件架顶部横梁上在内的若干振动采集点位处，音频采集器与振动采集器组成增强故障感知范围和精度的多点及面的多源数据采集阵列。
45.特种设备运动部件机械故障预警方法具体包括以下步骤：步骤一，采集特种设备运行启停状态的声音及振动数据判断特种设备运行状态的变化；在所述步骤一中，根据检测特种设备整体的加速度传感器对特种设备运行方向轴上数据的变化规律，判断特种设备在对应方向上的启动、中间过程以及停止状态。
46.步骤二，根据特种设备运行状态的变化，对应采集特种设备运动部件全过程的声音及振动数据；在所述步骤二中，依照加速度传感器的数值变化率进行特种设备运行状态的判断，当加速度传感器侦测到特种设备运行方向轴上数据出现加减速变化时，依照特种设备运行状态启动或停止安装在特种设备运动部件侧的声音及振动采集器完成数据采集。特种设备，除了整体设备运行状态外，更进一步增加了设备运动状态的切分，分割准确性更好，提高了时域数据的应用难度的同时，各个对比使用的频域窗口切分更为准确，进一步提高了频域数据应用的准确性。
47.将步骤二采集的数据按照特种设备运动部件动作时各个阶段进行切分和处理时，首先采用了时域切分，同时在固定点以固定采样窗口截取采样曲线进行频域变换。时域、频域之间存在有一定的相异性，合理的选择采样窗口能够有效的加强频域数据的有效性。
48.步骤三，将步骤二采集的数据按照特种设备运动部件动作时各个阶段进行切分和预处理，切分后比照快速识别的基线模型的需求进行时域数据的预处理，比照高准确性识别的分类器的需求进行频域数据的转换和预处理；在所述步骤三中，根据检测特种设备运动部件的加速度传感器对特种设备运动部件运行方向轴上数据的变化规律，判断特种设备运动部件的动作运动部件、动作运动部件过程以及动作运动部件到位状态。
49.根据选取到的时间段进行声音和振动的时域数据进行提取预处理时，包括基线数据时域处理子步骤a和实际运行数据时域处理子步骤b, 基线数据时域处理子步骤包括，a1、基点确定，将采样频率对应形成的数据作为基点，或将相邻多个采样频率的数据进行均值化处理后作为一个基点；a2、依次计算相邻基点的时域的变化率，得到正常基线曲线；实际运行数据时域处理子步骤包括，b1、基点确定，将采样频率对应形成的数据作为基点，或将相邻多个采样频率的数据进行均值化处理后作为一个基点；b2、依次计算相邻基点的时域的变化率，获得待验曲线；b3、与正常基线曲线做比较，寻找突变基点，上述突变基点为待验曲线中两两相邻基点变化率比正常基线曲线两两相邻基点变化率的数值获得的数值大于设定阈值的基点；b4、确定第一个突变基点后，将其作为异常变化的新起点，重复执行b3步骤，得出在时域上的异常发生规律以及恢复正常的时间点；b5、按照特种设备运动部件的每个动作状态，重复执行步骤b1至步骤b4。
50.进一步的，根据选取到的时间段进行声音和振动的频域数据进行提取预处理时，进行频域处理子步骤c,频域处理子步骤c包括，c1、对时序数据确定一个采样窗口，并将振动以及声音数据进行降噪，对降噪后的数据进行数据增强；
c2、采用梅尔倒频谱，进行时频转换；c3、采用自编码方式，构建过程频域基线。
51.在本技术中，在启动、停止的过程中，采样窗口一般是需要进行降噪和加强的，否则不能完整较好的频域转换提取，通过这样的方式，形成频域基线，此类频域基线可以用于异响、异常振动的进一步分类和处理。例如用于时域方面出现问题的设备，如果频域没有问题的，可以取消预警，降低误报。
52.步骤四，将处理好的各阶段声音及振动数据进行融合，构建特种设备运动部件的正常运行的声音及振动基线模型及分类器；将处理好的各阶段声音及振动数据进行融合包括一下步骤：首先与时域基线进行比较，若发现异常基点，并超过阈值的，计算并绘出本次动作对应的状态的异常时序图；将本次判定为异常的声音或振动数据进行一个设定窗口的时频转换，转换的频域数据即为预处理时所需的数据；若频域判断也属于异常状态，则放入异常数据集，若频域判断不属于异常状态，则由后续步骤进行处理；根据声音、振动的时序图，在剔除出异常数据后，计算得出对应的声音、振动频域模型，根据符合数量的正常态的声音、振动的时序图及其对应数据进行有监督分类器训练，训练形成频域预警模型。
53.在本技术中，根据特种设备的整体运动状态进行分段检测，检测时，对频域的检测更为合理，特别是检测窗口更为准确，能够极大的加强频域数据的应用，使得频域数据能够较为精准地参与到检测中。在所述步骤三中，至少截取成六种动作状态对应下的状态数据，包括：正向动作全过程数据，正向动作前段启动数据，正向动作后段驱动数据，反向动作全过程数据，反向动作前段启动数据、反向动作后段驱动数据，针对切分状态数据，把运动部件动作的时间特征区分为异常动作和正常动作两种状态，使用处理好的声音及振动数据，构建特种设备运动部件在正常运行态下的声音及振动基线模型包括：正/反向动作启动子模型、正/反向动作过程子模型、正/反向动作全过程综合子模型。一般运动设备都具备启动、稳态、结束三种状态，而这三种状态还分别具有正反方向两种形式，因此，将一个运动部件分割为6个检测窗口分别进行时域、频域的检测是必要的。
54.步骤五，检测特种设备运行时，运动部件动作过程中采集的声音以及振动数据，对超出了基线模型的正常阈值，根据时域基线模型的设定启动频域数据的转换的和预处理，并送入对应阶段的分类器，结合时域数据的基线模型判断结果和频域数据的分类器判断结果，对特种设备运动部件进行疲劳预警检测，并依特种设备运动部件各运动状态分段的状态，判断特种设备机械部件是否需要发出疲劳预警；在所述步骤五中，将同特种设备类别、品牌和型号的特种设备动作运动部件数据进行引入，使用处理好的各阶段声音及振动数据，构建特种设备运动部件的正常运行的声音及振动基线模型，特种设备运动部件的正常运行的声音及振动基线模型采用自编码方法、局部异常因子法或支持向量机异常检测器的方法进行训练。
55.步骤六，当在设定的时间段内，需要发出疲劳预警的次数超过设定比例时，则发出特种设备运动部件故障预警以对应的发生疲劳的机械部件名称，并通知维保人员。在所述
步骤六中，当在设定的时间段内，发生机械部件疲劳输出预警的次数超过设定比例时，则发出特种设备运动部件故障预警以对应的发生疲劳的机械部件名称，并进行通知。在所述步骤六中，通过建立部件剩余寿命预测模型的方式对特种设备的剩余寿命预测，对剩余寿命预测模型导入特种设备运行启停状态的声音及振动数据以及特种设备运动部件动作全过程的声音及振动数据，反馈包括部件失效征兆和失效症状，所述失效征兆指部件产生了不良状态，但仍然能够完成其功能时的数据表现，此时进行部件失效征兆报警；无法完成部件对应功能时的数据表现，此时进行部件失效症状报警。由于部件剩余寿命预测模型是综合模型，因此，可以进一步的增加结果分类。在检测特种设备动作运动部件过程中采集到的声音及振动数据超出基线模型的正常阈值时，就把对应的数据放入相对标签集合中，这些标签集包括：正/反向动作启动疲劳、正/反向动作过程疲劳、正/反向动作全过程疲劳，将疲劳数据按设定时序提取对应的频率及能量，绘出用于疲劳变化曲线，疲劳变化曲线用于特种设备的剩余寿命预测。本技术给出数据、疲劳变化曲线可以供后续的综合模型进行剩余寿命预测，综合模型的建立和应用，可以参考本司之前申请的授权专利cn202210052909.6《用于特种机械的部件疲劳程度监测方法》，在此本司不再赘述。在所述步骤六中，依分段基线模型判断是特种设备运动部件的发生疲劳预警的机械部件时，包括与同型号特种设备运动部件的历史疲劳数据曲线及维保记录数据作对比分析，推断出本次发生疲劳现象的特种设备运动部件组成部件名称和疲劳程度。本实施例中引入了同型号特种设备，充实了设备的大数据。在所述步骤六中，如通过与历史疲劳数据曲线与维保记录数据的比对，未识别出对应的具体疲劳现象部件，则由人工现场检测后对疲劳变化曲线进行标记，作为后续新的部件疲劳的有监督训练数据。部件剩余寿命预测模型，依据影响到剩余寿命评估的因素、对应的指标以及物理表征，选择的模型为经验方法模型、统计滤波方法模型、马尔可夫模型、隐马尔可夫模型、隐式半马尔可夫模型、随机过程模型或灰色模型中的一种。
56.进一步的，在所述步骤六通知维保人员之后，维保完成后，立即启动在设定时间范围内采集声音及振动数据，并与正常运行的基线模型比对，若恢复到正常的异常比例范围，则判定该次维保有效，否则无效。本实施例通过此类方式，可以让电梯业主或监管部门对维保的效果和维保质量进行判断和评估。
57.本实施例主要是针对特种设备中的垂直电梯，特别是垂直电梯中的电梯门部分进行改进，同时也可以针对特种设备中的其他运动部件进行检测，例如游艺场游艺设备的自动门，舞台机械中剪刀撑中的往复运动部件等，在本领域技术人员中，应当能够知晓其应用的具体做法，另外本领域中的能量数据主要是指声音和振动能量，也不排除其他的能量数据，例如弹簧能量的变动等其他可检测的能量数据都属于本领域技术人员可以想见的方案。
58.以下本实施例以最有代表性的垂直电梯为例，做有益效果的说明：当电梯门发生门锁勾错位或偏移等故障时，会有明显的异响出现，但对电梯开关门速度无影响。申请人采用声音加振动的方式，同时结合门的运行状态特征的区分，其中对电梯门的运行状态的识别，申请人采用了时域和频域共同来确定的准确的电梯门的运行状态以及电梯门的运行状态的特征数据，时域部分建立的模型运行快速，能够对应一般情况的初步审查，只有出现时域异常时才会对频域部分的内容进行审查，频域部分作为后续审核，审核虽然比时域判定慢，但是审核的准确性较大，能够针对时域部分存在异常的部分进
行校验，从而保持较高的准确性。具体的是:首先与时序基线比较，若发现有异常基点，并超过阐值的，计算并绘出本次开关门对应的（六种）状态的能量异常时序图；将本次判定为能量异常的声音或振动数据进行时转频的数据预处理，并与频域基线进行相比较；若频域基线也判定异常，则放入异常数据集。若频域基线不判定为异常，则放入人工待查集，通过有监督或半监督方式进行数据标记；依据能量的异常时序图的组合（包含声音、振动等数据类型及其6种状态组合），结合专家知识库，筛选对应的声音振动频域故障诊断模型，进行故障类别判定；筛选满足同一类别的频域特征向量，进行疲劳程度判定；依据推理结果，得出研判发生故障的部件及其异变程度。
59.本技术是在《用于特种机械的部件疲劳度监测方法》的启示下，通过包括时域维度和频域维度在内的多个维度的特征数据进行电梯门的基线模型进行预测，预测的精确度更高，在基础识别上，所需的数据更少，使得先期研判时，数据量少，计算量小，能够有较快的识别速度，在后续审核中则使用数据量更大，审核更准确，从而使得故障识别范围更为全面，同时识别精度更高。
60.相比我司之前申请的专利技术，本技术方案在原有基线模型加综合模型的基础上，增加了基线模型的细分，将基线模型从大量数据混合的情况下进行了细分，细分是将运动部件根据运动状态进行分解，分解后的数据截取有利于频率转换之后的深层次检测，据此才能将原有的基线模型-综合模型结构进行扩充，扩充成了时域基线模型-频域基线模型-综合模型，在层次深挖的同时，还设计了各个模型合理的启动方式，进一步保障了整体模型运行的准确性和实时性，还能确保在特征设备运行时，算力的充足，相比本司之前申请和现有的技术，在垂直电梯门上测试时，实时性、准确性更佳。
61.更具体的，选择本司的主要目标特征设备垂直电梯为例：电梯有层门（也称厅门）和轿厢门。层门设在层站入口处。层门数与层站出入口相对应，轿厢门与轿厢随动，是主动门，层门是被动门。层门装有电气、机械联锁装置的门锁，只有轿厢门、层门完全关闭，电梯才能运行。
62.因此，门系统主要包括：门扇、门动力机构（开关门电动机）、门驱动/联动机构（门导轨、门滚轮、门皮带/门钢丝绳、门刀）、门控制机构（门控制器）、门安全机构（层门门锁、安全触板/光幕）。
63.电梯门类别如下：按开门方式分，电梯门可分为中分门、旁开门。中分门有单扇中分、双折中分；旁开门有单扇旁开、双扇旁开（一般称为双折门）、三扇旁开。按照开门时间分，电梯开门控制根据控制时序的不同，分为提前开门和正常开门。正常开门：大多数电梯多位正常开门，即电梯停止后，控制系统给出开门信号。提前开门：随着电梯的发展，对电梯运输效率要求的不断提供，出现了提前开门的电梯，即电梯尚未运行停止时，在速度降低到一定程度时，提前给出开门的信号，以减少乘客等待开门的时间。
64.电梯平层时，电梯轿门门刀插入层门门锁的两个滚轮中间。当轿门开启时，使门刀向右移动，推动锁臂间的滚轮。锁臂在推动力的作用下，克服顶杆压簧的作用力，作逆时针回转，脱离锁钩。与此同时，摆臂也在连杆的带动下作逆时针转动，使摆臂滚轮迅速靠近门刀。当两个滚轮将门刀夹住时，锁臂停止回转，开门动作完成，层门在门刀的作用下被打开。此时，撑杆在自重的作用下复位，其端部与锁臂上的齿槽吻合。
65.轿门闭合时，门刀向左运动。门刀对摆臂滚轮的推动力，使摆臂受到顺时针回转的
力。但由于锁臂被撑杆顶住，不能转动，而将其力传给层门，使层门闭合。当接近闭合位置时，撞击螺钉在门运动力的作用下，撞开撑杆，锁臂在顶杆弹簧力的作用下迅速复位，与层门架上的锁钩吻合，将门锁住。同时，锁头将微动开关压合，接通电梯控制回路，电梯可继续运行。
66.电梯门是电梯部件中使用频繁的活动部件，门锁勾、门偏心轮、门滑块由于使用频繁易发生磨损、错位等问题，而由于频繁的人员和货物进出以及人员的使用不当，如挡门、撞门、运输建筑垃圾等，极易引发如异物卡阻、门板变形等门故障。
67.上述不同门故障映射到声音、振动上会出现不同的现象，如门锁勾错位、门偏心轮磨损会出现异常声响；门滑块磨损、门板变形会导致异常的声音和门板振动；异物卡阻等会导致异常的振动。
68.系统采用利用加速度传感器判断电梯运行状态的变化，包括上下行，启动／停止，以及电梯门的状态变化：开始开门，开门中，开门到位，开始关门，关门中，关门到位等。
69.判定方式如下：a根据加速度的z轴（电梯垂直运行方向）的变化规律，判断电梯在垂直方向上的启动（加速）、中间过程（匀速），停止（减速）。
70.b结合电梯门的开门控制类型，进行电梯开门起始状态的判定。当电梯为普通开关门设置时，当z轴（电梯垂直运行方向）加速度为0时，启动开关门阶段的状态判定；当电梯为提前开门设置时，当z轴（电梯垂直运行方向）加速度为负时，启动开关门阶段判定。
71.c开关门状态通过安装在梯门侧的加速度传感器的x轴（水平方向），判断电梯门的状态变化：开门（加速）、开门过程（匀速）、开门到位（减速至数值为0）。关门过程亦同。
72.根据上一步的判定结果，进行开关门阶段的声音和振动数据的采集。当检测到开门到位和关门到位状态时，停止数据的采集，从而从源头上排除干扰的声音和振动数据。
73.将上一步采集到的数据，按照门的状态进行分段和处理，分成6段数据，包括：开门启动阶段数据、开门过程中数据、开门全程数据以及关门启动阶段数据、关门过程中数据和关门全程数据。
74.结合电梯开关门设置进行数据处理（参见附图3）。电梯开关门包括正常开门和提前开门两种设置。由于设置不同，会导致采集到的数据不一致（提前开门设置将导致获得的开门数据中包含一部分垂直运行的声音数据），需要采用盲源分离的方式去除垂直运行部分音频数据，获得较为干净的开关门数据。
75.针对不同用途的数据采用不同的预处理过程。
76.针对基线模型的训练数据，其时域和频域的预处理步骤如下：时域数据预处理步骤一：将采集到的由维保人员维保后电梯的正常开关门数据（包括声音、振动等类型数据）采样频率对应形成的数据作为基点，或将相邻多个采样频率的数据进行合并（均值）后，作为一个基点；步骤二：依次计算两两相邻的基点的时域变化率，得到正常基线的曲线数据集；频域数据预处理步骤一：将采集到的由维保人员维保后电梯的正常开关门数据（包括声音、振动数据）进行降噪、数据长度补齐、数据增强等处理；
步骤二：进行时频转换，采用梅尔倒频谱分析提取特征向量。
77.针对故障的模型训练及诊断数据，其时域和频域的预处理步骤如下：时域数据预处理，步骤一：同基线数据时域预处理步骤一；步骤二：同基线数据时域预处理步骤二；步骤三：将采集到电梯实际运行数据与正常基线比较，将发生两两相邻的基点的变化率中超出阈值的全部基点找出来；步骤四：将第一个突变基点作为异常变化（能量异常时序图）的新起点，将其后续的两两相邻的基点计算变化率，得出在时域上的异常持续发生规率，以及恢复正常的时间点；步骤五：按照电梯门的6种状态阶段，将上述步骤循环，得出6段时域上的异常数据集。
78.频域数据预处理，步骤一：同基线数据频域预处理步骤一；步骤二：同基线数据频域预处理步骤二；步骤三：将采集到电梯实际运行数据与正常基线比较，获得6段频域上的异常的特征向量集合。
79.基于上一步获得的6段数据，分别进行正常状态的门基线训练，获得开关门阶段的6个状态的声音和振动的基线模型。
80.将同电梯类别、品牌和型号的电梯开关门数据，按照6种状态进行分类，训练同型号电梯的基线模型。
81.基线模型的训练可选择自编码、局部异常因子法、支持向量机异常检测器等方式。
82.以支持向量机方法为例，由于svm的分类超平面只由少数的支持向量决定，而与特征向量空间的维数无关，解决了维数灾难的问题，对于正常和异常的分类，具有良好的适配性。
83.对于一个二分类问题，支持向量机就是寻求一个分类超平面，超平面将两类样本分开的同时使两类样本间的距离最大化。我们将采用小波包能量分解、梅尔倒频谱系数、经验模态分解等方式提取的特征数据输入svm分类器进行训练。由于机械健康度由健康向亚健康、故障演变过程中，其特征数据会出现一定程度的交错和重叠，因此可采用soft margin svm的方式或引入核函数获得更好的范化能力。如采用软边界的方式，则针对n维样本特征向量，为样本的类别标签，∈[-1,1]，则(ω b)≥1-。其中ω即为所求超平面的法向量，而b代表超平面的截距，为引入的松弛变量。超平面与支持向量的距离可优化为： min||w||，其中c》0为惩罚参数，当c非常大时，需尽可能小，这样svm更趋于线性可分。
[0084]
单梯基线的自适应调整基于同一品牌、型号的基线模型，结合当地环境因素（如温度、湿度随着时间、季节的变化数据等）和采集到的电梯开关门振动、声音数据，进行基线模型参数的调整，实现单梯基线模型的快速创建。
[0085]
在实际电梯开关门过程中（参见附图4），将采集到的声音及振动数据通过依据6个基线模型依次进行判定，超出正常基线模型设置的阈值时，就把对应的数据放入相对标签集合中，这些标签集包括：开关门启动疲劳、开关门过程疲劳、开关门全过程疲劳。
[0086]
将疲劳数据按设定时序提取对应的频率及能量，绘出疲劳变化曲线。将电梯的疲劳曲线与同型号电梯门的历史疲劳数据曲线及其维保/维修记录数据作对比并分析，推断出本次发生疲劳现象的电梯门部件名称和疲劳程度。
[0087]
如通过与历史疲劳数据曲线与维保记录数据的比对，未识别出对应的具体疲劳部件，则由维保/维修人员现场检测后对疲劳变化曲线进行标记，作为后续新的故障的有监督训练数据。
[0088]
故障诊断过程中，不同源数据、时域/频域数据融合诊断采取以下步骤：首先与时序基线比较，若发现有异常基点，并超过阐值的，计算并绘出本次开关门对应的（六种）状态的能量异常时序图；将本次判定为能量异常的声音或振动数据进行时转频的数据预处理，并与频域基线进行相比较；若频域基线也判定异常，则放入异常数据集。若频域基线不判定为异常，则放入人工待查集，通过有监督或半监督方式进行数据标记；依据能量的异常时序图的组合（包含声音、振动等数据类型及其6种状态组合），结合专家知识库，筛选对应的声音振动频域故障诊断模型，进行故障类别判定；筛选满足同一类别的频域特征向量，进行疲劳程度判定；依据推理结果，得出研判发生故障的部件及其异变程度。
[0089]
疲劳度程度的判定可通过建立部件剩余寿命预测模型实现。生命期反馈包括部件失效征兆和失效症状，通过因素数据建立部件的失效征兆（亚健康）模型和失效症状（故障）模型。失效征兆指部件产生了不良状态，但仍然能够完成其功能时的数据表现，此时进行故障征兆报警，指派维保人员现场检查确认；失效症状指部件出现故障，无法完成其功能时的数据表现，此时进行故障报警，并自动召修。
[0090]
部件剩余寿命预测模型，依据影响到剩余寿命评估的因素、对应的指标、物理表征的不同，可选择不同的模型，包括经验模型方法（如贝叶斯方法、d-s证据理论、模糊逻辑、回归模型、自回归模型、高斯过程回归、时间序列模型等）、统计滤波方法（扩展卡尔曼滤波、粒子滤波）、马尔可夫模型/隐马尔可夫模型/隐式半马尔可夫模型、随机过程模型（泊松过程、伽马过程、维纳过程、逆高斯过程等）、灰色模型等。
[0091]
以隐半马尔可夫模型（hsmm）为例，hsmm是一种加入时间参数的hmm，因而可以克服因马尔可夫链的假设造成 hmm 建模所具有的局限性。在解决现实问题中，hsmm 提供更好的建模能力和分析能力，改进了诊断能力，在故障诊断中具有更好的分类精度，提高了诊断的准确性。
[0092]
部件健康状态从正常至故障，设其过程中具有n个状态，因此具备n个分类器：hsmm(1),hsmm(2)...hsmm(n).其中一个状态分类器模型参数为：λ=（π,a,b,(d)），其中π={,...}为状态初始概率分布，a为状态转移矩阵，b为观测值矩阵，(d)为显示状态驻留时间概率分布,d为最大驻留时间。
[0093]
将预处理后的数据样本o=[,,...]进行聚类分析确定模型初始参数b和d，获得初始模型。用模块化训练算法修正得到模型，用前向-后向算法计算输出概率p(o|)。当p(o|)-p(o|)≤
ɛ
，则停止迭代，获得分类器模型。对不同状态特征向量集进行训练得到对应 hsmm 模型并建立分类器，可以通过分类器实现对故障不同状态的识别。
[0094]
以电梯门锁故障诊断为例，电梯门锁是重要的安全部件，门锁的故障可能会引发电梯急停、非平层停梯、无法正常开关门等现象，导致电梯困人、伤人事故发生。当门锁勾发生一定程度错位但其安全触点仍可正常工作时，电梯门已存在故障隐患，但当前技术监测手段不足以监测到故障演化过程，只能在最终失效阶段进行告警。通过本专利技术方法，可提前预测故障部位和故障程度，进而进行故障预警，避免最终失效阶段导致的安全事故发生。
[0095]
当电梯门锁勾错位发生故障征兆时，靠近电梯门的设备可采集到门锁勾开/合过程中的异常声音，且此声音发生在开门启动阶段和关门结束阶段。将预处理后的开关门数据进行基线判定，可获得开门启动阶段异常和关门异常。
[0096]
将开关门数据进行降噪处理，并提取异常数据进行补齐、增强处理。由于开/关门过程中会出现未知因素导致的异常声音，如人挡门、撞门等异常声音，为提升判定精度，需将声音及振动数据转换至频域进行梅尔倒频谱分析，获得异常向量集，通过故障判定的有监督模型并进行门故障类型的初判定。
[0097]
在设定时间段内（参见附图5），如多次运行的异常向量集聚类成功，则将此类数据通过剩余寿命预测模型进行故障程度的判定。当发生机械部件疲劳次数超过设定的预警比例时，则推出电梯门故障预警信息、疲劳部件名称及疲劳程度（失效征兆或失效症状）。其中设定的时间段，是指一个特定的时间长度，或连读多个特定的时间长度组合。
[0098]
电梯维修/维保完成后再次采集数据进行维修/维保效果评估（参见附图6）：当系统收到维修/维保完成的通知，则立即启动在设定时间范围内采集声音及振动数据，并与正常运行模型比对，若恢复到正常的异常比例范围，则判定该次维修/维保有效，否则无效。
[0099]
显然，本技术是在本司已授权专利《用于特种机械的部件疲劳程度监测方法》的基础下，通过包括时域维度和频域维度在内的多个维度的特征数据进行特种设备的基线模型进行预测，预测的精确度更高，在基础识别上，所需的数据更少，使得先期研判时，数据量少，计算量小，能够有较快的识别速度，在后续审核中则使用数据量更大，审核更准确，从而使得故障识别范围更为全面，同时识别精度更高。对以垂直电梯为代表的特种设备，实现了实时疲劳告警。同时，改善了现有技术存在有无维保质量的定性和定量的监控和评估的问题，实现了定量监控和评估，并且，本发明通过历史数据的分析和推理进一步加强了检测的准确性。相比我司之前申请的专利技术，本技术方案在原有基线模型加综合模型的基础上，增加了基线模型的细分，将基线模型从大量数据混合的情况下进行了细分，细分是将运动部件根据运动状态进行分解，分解后的数据截取有利于频率转换之后的深层次检测，据此才能将原有的基线模型-综合模型结构进行扩充，扩充成了时域基线模型-频域基线模型-综合模型，在层次深挖的同时，还设计了各个模型合理的启动方式，进一步保障了整体模型
运行的准确性和实时性，还能确保在特征设备运行时，算力的充足，相比本司之前申请和现有的技术，在垂直电梯门上测试时，实时性、准确性更佳。
[0100]
同时，本实施例中给出的技术方案，在维保完成之后，还可以对维保质量进行评测，能检测除了能量之外更深层的频率异常，对于维保的质量有较好的监测效果，确定维保在监测后符合要求之后，特种设备才会进行后续的正常运行。
[0101]
实施例2：本实施例与实施例1基本相同，不同之处在于，本实施例中，特种设备为游乐园摩天轮，运动部件为摩天轮自动门，该摩天轮的自动门机械故障预警方法，包括以下步骤：步骤一，采集特种设备运行启停状态的声音及振动数据判断特种设备运行状态的变化；启停状态包括摩天轮运动状态和启动状态、停止状态。
[0102]
步骤二，根据特种设备运行状态的变化，对应采集特种设备运动部件全过程的声音及振动数据；步骤三，将步骤二采集的数据按照特种设备运动部件动作时各个阶段进行切分和预处理，这里的运动部件为摩天轮自动门，摩天轮自动门的阶段也是三个阶段，分为开门状态：开启、平稳运行和停止动作三个阶段，关门状态：开启、平稳运行和停止动作三个阶段。然后，切分后比照快速识别的基线模型的需求进行时域数据的预处理，比照高准确性识别的分类器的需求进行频域数据的转换和预处理；步骤四，将处理好的各阶段声音及振动数据进行融合，构建特种设备运动部件的正常运行的声音及振动基线模型及分类器；步骤五，检测特种设备运行时，运动部件动作过程中采集的声音以及振动数据，对超出了基线模型的正常阈值，根据时域基线模型的设定启动频域数据的转换的和预处理，并送入对应阶段的分类器，结合时域数据的基线模型判断结果和频域数据的分类器判断结果，对摩天轮自动门进行疲劳预警检测，并依特种设备运动部件各运动状态分段的状态，判断摩天轮自动门是否需要发出疲劳预警；步骤六，当在设定的时间段内，需要发出疲劳预警的次数超过设定比例时，则发出特种设备运动部件故障预警以对应的发生疲劳的机械部件名称，并通知维保人员。
[0103]
实施例3：本实施例与实施例1基本相同，不同之处在于，本实施例中，特种设备为压力管道，运动部件为自动阀门，该压力管道自动阀门械故障预警方法，包括以下步骤：步骤一，采集特种设备运行启停状态的声音及振动数据判断特种设备运行状态的变化；启停状态包括压力管道的满载、半载和空载状态。
[0104]
步骤二，根据特种设备运行状态的变化，对应采集特种设备运动部件全过程的声音及振动数据；步骤三，将步骤二采集的数据按照特种设备运动部件动作时各个阶段进行切分和预处理，这里的运动部件为自动阀门，自动阀门的阶段也是三个阶段，分为开阀门状态：闭合、开启和停止状态三个阶段，关阀门状态：停止状态、关闭和闭合三个阶段。然后，切分后比照快速识别的基线模型的需求进行时域数据的预处理，比照高准确性识别的分类器的需
求进行频域数据的转换和预处理；步骤四，将处理好的各阶段声音及振动数据进行融合，构建特种设备运动部件的正常运行的声音及振动基线模型及分类器；步骤五，检测特种设备运行时，运动部件动作过程中采集的声音以及振动数据，对超出了基线模型的正常阈值，根据时域基线模型的设定启动频域数据的转换的和预处理，并送入对应阶段的分类器，结合时域数据的基线模型判断结果和频域数据的分类器判断结果，对压力管道自动阀门进行疲劳预警检测，并依特种设备运动部件各运动状态分段的状态，判断压力管道自动阀门是否需要发出疲劳预警；步骤六，当在设定的时间段内，需要发出疲劳预警的次数超过设定比例时，则发出特种设备运动部件故障预警以对应的发生疲劳的机械部件名称，并通知维保人员。
[0105]
综上所述，以上实施例，申请人采用了时域和频域共同来确定的准确的特种设备的运行状态以及运动部件的运行状态的特征数据，时域部分建立的模型运行快速，能够对应一般情况的初步审查，只有出现时域异常时才会对频域部分的内容进行审查，频域部分作为后续审核，审核虽然比时域判定慢，但是审核的准确性较大，能够针对时域部分存在异常的部分进行校验，从而保持较高的准确性。具体的是:首先与时序基线比较，若发现有异常基点，并超过阐值的，计算并绘出本次开关门对应的（六种）状态的振动异常时序图；将本次判定为异常的声音或振动数据进行时转频的数据预处理，并与频域基线进行相比较；若频域基线也判定异常，则放入异常数据集。若频域基线不判定为异常，则放入人工待查集，通过有监督或半监督方式进行数据标记；依据数据的异常时序图的组合（包含声音、振动等数据类型及其6种状态组合），结合专家知识库，筛选对应的声音振动频域故障诊断模型，进行故障类别判定；筛选满足同一类别的频域特征向量，进行疲劳程度判定；依据推理结果，得出研判发生故障的部件及其异变程度。通过包括时域维度和频域维度在内的多个维度的特征数据进行特种设备的基线模型进行预测，预测的精确度更高，在基础识别上，所需的数据更少，使得先期研判时，数据量少，计算量小，能够有较快的识别速度，在后续审核中则使用数据量更大，审核更准确，从而使得故障识别范围更为全面，同时识别精度更高。对以垂直电梯为代表的特种设备，实现了实时疲劳告警。同时，改善了现有技术存在有无维保质量的定性和定量的监控和评估的问题，实现了定量监控和评估，并且，本发明通过历史数据的分析和推理进一步加强了检测的准确性。
[0106]
以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。