CN117916185A - 一种基于多源信息融合的电梯安全故障诊断方法 - Google Patents
一种基于多源信息融合的电梯安全故障诊断方法 Download PDFInfo
- Publication number
- CN117916185A CN117916185A CN202280053511.2A CN202280053511A CN117916185A CN 117916185 A CN117916185 A CN 117916185A CN 202280053511 A CN202280053511 A CN 202280053511A CN 117916185 A CN117916185 A CN 117916185A
- Authority
- CN
- China
- Prior art keywords
- elevator
- abnormal
- signals
- vibration
- car
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003745 diagnosis Methods 0.000 title claims abstract description 28
- 230000004927 fusion Effects 0.000 title claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 58
- 238000001514 detection method Methods 0.000 claims abstract description 48
- 230000009467 reduction Effects 0.000 claims abstract description 38
- 238000006073 displacement reaction Methods 0.000 claims abstract description 30
- 230000000007 visual effect Effects 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 6
- 229910000831 Steel Inorganic materials 0.000 claims description 6
- 239000003638 chemical reducing agent Substances 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000010959 steel Substances 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
- B66B5/02—Applications of checking, fault-correcting, or safety devices in elevators responsive to abnormal operating conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B7/00—Other common features of elevators
- B66B7/12—Checking, lubricating, or cleaning means for ropes, cables or guides
Landscapes
- Maintenance And Inspection Apparatuses For Elevators (AREA)
- Lift-Guide Devices, And Elevator Ropes And Cables (AREA)
Abstract
本发明提供一种基于多源信息融合的电梯安全故障诊断方法，涉及电梯故障诊断技术领域。该方法首先采集电梯运行过程中轿厢与减速箱的振动信号以及轿厢牵引绳的视觉信号，并对采集信号进行数据预处理后提取轿厢与减速箱的振动信号特征和轿厢牵引绳的横向位移信号特征；然后依据轿厢与减速箱的振动信号特征进行异常振动信号检测，获得异常的振动信号检测结果，基于轿厢牵引绳的横向位移信号特征进行异常横向位移检测并获得异常横向检测结果；最后对异常振动信号检测结果和异常横向位移信号检测结果进行融合，并基于融合结果判断是否针对电梯产生急停故障报警。该方法利用模糊信息融合理论，实现了电梯多部件运行状态的实时集中监测。
Description
技术领域
本发明涉及电梯故障诊断技术领域，尤其涉及一种基于多源信息融合的电梯安全故障诊断方法。
背景技术
随着城市化进程的发展，为了满足人们日常生活的垂直运输的需求，电梯的应用越来越广泛，但其使用量的增加也造成了很多的安全事故和安全隐患。电梯事故不仅造成经济损失，且严重威胁乘客的人身安全，因此需要更加全面有效的检测电梯的安全状况。
目前电梯的故障诊断通常针对电梯单一部件进行检测，不能同时保证多个部件正常工作，单一安全保障主要依靠定期维护和年检的方式，但是存在不能够全面及时发现电梯安全隐患、浪费人力物力等问题，因此根据电梯的在线监测数据，对电梯进行安全性评估，实现电梯的状态检修具有重要意义。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于多源信息融合的电梯安全故障诊断方法，实现对电梯安全故障的诊断。
为解决上述技术问题，本发明所采取的技术方案是：一种基于多源信息融合的电梯安全故障诊断方法，包括以下步骤：
步骤1、分别采集电梯运行过程中轿厢与减速箱的振动信号以及轿厢牵引绳的视觉信号；
数据采集部分包括电梯轿厢和减速箱振动的时域信号和牵引绳的图像视觉信号，其中，采集的时域信号包括时域信号的峰值、均值和脉冲指标；
步骤2、对采集的轿厢与减速箱的振动信号和视觉信号进行数据预处理，并分别提取轿厢与减速箱的振动信号特征和轿厢牵引绳的横向位移信号特征；
信号预处理部分包括电梯轿厢和减速箱振动的时域信号预处理和牵引绳的图像视觉信号预处理两部分，具体为：
将采集到电梯轿厢和减速箱振动的时域信号利用中值滤波法进行时域信号的降噪处理，将处理过的时域信号进行傅里叶变换转化为频域信号，再利用小波分析法对所述频域信号进行特征提取，得到轿厢与减速箱的振动信号特征；
将采集到的轿厢牵引绳图像视觉信号进行扫描和去噪处理，并利用张正友标定法将当前牵引绳图像信息进行标定，采用计算机视觉中的目标追踪方法，追踪相机镜头内照射在钢丝绳上的光条区域，然后获取得到钢丝绳的横向振动位移量作为轿厢牵引绳的横向位移信号特征；
所述目标追踪采用CSRT目标追踪法，其输入信号为电梯牵引绳的图像信号，输出结果为经过虚拟标记后的图像信号；CSRT目标追踪法所采用的图像信号检测模型统一使用CNN来做分类和预测边框位置；
步骤3、依据轿厢与减速箱的振动信号特征进行异常振动信号检测，获得异常的振动信号检测结果，基于轿厢牵引绳的横向位移信号特征进行异常横向位移检测并获得异常横向检测结果；
采用异常振动信号检测模型对所述电梯轿厢和减速器的振动信号进行异常振动信号检测处理，采用异常图像状态检测模型对所述电梯牵引绳的图像视觉信号进行异常图像信号检测处理；
所述异常振动信号检测模型采用LightGBM模型，其输入为轿厢与减速箱的振动信号特征，输出为异常振动信号检测结果；
所述异常图像检测模型采用R-CNN模型，其输入为电梯轿厢牵引绳的图像信号，输出为异常图像信号检测结果，进而对异常图像信号进行标定与追踪，获得异常横向位移信号；
步骤4、对异常振动信号检测结果和异常横向位移信号检测结果进行融合，并基于融合结果判断是否针对电梯产生急停故障报警；
对所述异常振动信号检测结果和异常横向位移信号检测结果进行基于模糊信息融合，得到诊断结果，如下公式所示：
Y＝X×RAB
其中，
X＝[x1 x2 x3]
其中，A为被诊断电梯故障点集合，即电梯轿厢和减速器剧烈振动、轿厢牵引绳发生超过安全值的形变3种故障类型；B为电梯运行状态集合，即轿厢与减速箱的振动信号和牵引绳横向位移信号三种电梯运行状态信号；A和B的关系矩阵RAB中的元素μij为由电梯不同部件运行状态i推断决策故障类型为j的可能性，i＝1、2、3，j＝1、2、3，X为各个电梯不同部件运行状态判断的可信度值集合，x1、x2、x3分别为根据经验或者故障数据库赋予电梯不同部件运行状态的可信度值，经模糊变换得到的Y为融合后各决策的可能性；
对故障进行推断决策时，采用基于规则的方法，基本原则如下：
(1)判定的决策目标应具有最大的隶属度值；
(2)判定的决策目标的隶属度值要大于设定阈值；
(3)判定的决策目标和其他目标的隶属度值之差要大于某个门限；
最后，对各个故障推断决策的可能性集合按照一定的权重进行选择，得出最优故障推断结果。
采用上述技术方案所产生的有益效果在于：本发明提供的一种基于多源信息融合的电梯安全故障诊断方法，针对电梯轿厢、减速箱和牵引绳的运行状况，利用模糊信息融合理论，实现了电梯多部件运行状态的实时集中监测，对不同部件的故障决策赋予不同的权重，提高了电梯故障诊断的速度和精准度。
附图说明
图1为本发明实施例提供的一种基于多源信息融合的电梯安全故障诊断方法的流程图；
图2为本发明实施例提供的基于多源信息融合的电梯安全故障诊断方法的过程示意图
图3为本发明实施例提供的基于模糊信息融合得到故障诊断结果的流程图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例中，一种基于多源信息融合的电梯安全故障诊断方法，如图1、2所示，包括以下步骤：
步骤1、分别采集电梯运行过程中轿厢与减速箱的振动信号以及轿厢牵引绳的视觉信号；
数据采集部分包括电梯轿厢和减速箱振动的时域信号和牵引绳的图像视觉信号，其中，采集的时域信号包括时域信号的峰值、均值和脉冲指标；
本实施例中，对电梯振动信号监测点的布置为：将电梯振动状态监测点分别布置在轿厢和减速箱两个部件上，轿厢内传感器节点主要布置在轿厢的三个方向面壁的中心位置，通过采用在电梯机械部件外部安装独立加速度传感器的方式来采集电梯的振动信号。
将电梯轿厢牵引绳的图像状态监测点安装在电梯井壁上，利用基于线结构光的检测方法，其成像系统包括线光源和工业CCD摄像机，线光源与摄像机具有相对固定的空间位置，线光源光平面与牵引绳的轴线垂直，当将线状结构的视觉传感器激光平面投影到要测量的工件表面上时，由于工件表面尺寸的变化，激光平面会产生变形光条，摄像机获取变形光条的图像。该方法采用独立传感器采集方式对电梯现有的机械结构和控制电路不会产生任何影响，也不会影响电梯正常运转。
步骤2、对采集的轿厢与减速箱的振动信号和视觉信号进行数据预处理，并分别提取轿厢与减速箱的振动信号特征和轿厢牵引绳的横向位移信号特征；
信号预处理部分包括电梯轿厢和减速箱振动的时域信号预处理和牵引绳的图像视觉信号预处理两部分，具体为：
将采集到电梯轿厢和减速箱振动的时域信号利用中值滤波法进行时域信号的降噪处理，将处理过的时域信号进行傅里叶变换转化为频域信号，再利用小波分析法对所述频域信号进行特征提取，得到轿厢与减速箱的振动信号特征；
将采集到的轿厢牵引绳图像视觉信号进行扫描和去噪处理，并利用张正友标定法将当前牵引绳图像信息进行标定，采用计算机视觉中的目标追踪方法，追踪相机镜头内照射在钢丝绳上的光条区域，然后获取得到钢丝绳的横向振动位移量作为轿厢牵引绳的横向位移信号特征；
所述目标追踪采用CSRT目标追踪法，其输入信号为电梯牵引绳的图像(视频)信号，输出结果为经过虚拟标记后的图像(视频)信号；CSRT目标追踪法所采用的图像信号检测模型统一使用CNN来做分类和预测边框位置，其中，CNN为七层结构的卷积神经网，是一类包含卷积计算且具有深度结构的前馈神经网络算法，其第一层为输入层；第二、三层均为卷积层，用于图像特征抽取，即将图片转换为固定维度的特征向量；第四、五、六层均为池化层，用于进行特征压缩，提取主要特征；第七层为全连接层，通过提取的特征参数对原始图像进行分类；第八层为输出层；
步骤3、依据轿厢与减速箱的振动信号特征进行异常振动信号检测，获得异常的振动信号检测结果，基于轿厢牵引绳的横向位移信号特征进行异常横向位移检测并获得异常横向检测结果；
采用异常振动信号检测模型对所述电梯轿厢和减速器的振动信号进行异常振动信号检测处理，采用异常图像状态检测模型对所述电梯牵引绳的图像视觉信号进行异常图像信号检测处理；
所述异常振动信号检测模型采用LightGBM模型，其输入为轿厢与减速箱的振动信号特征，输出为异常振动信号检测结果；
所述异常图像检测模型采用R-CNN模型，其输入为电梯轿厢牵引绳的图像信号，输出为异常图像信号检测结果，进而对异常图像信号进行标定与追踪，获得异常横向位移信号；
步骤4、对异常振动信号检测结果和异常横向位移信号检测结果进行融合，并基于融合结果判断是否针对电梯产生急停故障报警；
本实施例中，对异常振动信号检测结果和异常横向位移信号检测结果进行基于模糊信息融合的故障诊断，如图3所示，具体为：
首先采集电梯运行状态数据并进行模糊化处理，建立运行状态与故障类型的关系矩阵，获取各个传感器的权重向量，再和关系矩阵做乘法运算，进一步得到诊断隶属度结果矩阵，最后依据故障判定原则得到融合后的各故障决策的可能性，如下公式所示：
Y＝X×RAB
其中，
X＝[x1 x2 x3]
其中，A为被诊断电梯故障点集合，即电梯轿厢和减速器剧烈振动、轿厢牵引绳发生超过安全值的形变3种故障类型；B为电梯运行状态集合，即轿厢与减速箱的振动信号和牵引绳横向位移信号三种电梯运行状态信号；A和B的关系矩阵RAB中的元素μij为由电梯不同部件运行状态i推断决策故障类型为j的可能性，i＝1、2、3，j＝1、2、3，X为各个电梯不同部件运行状态判断的可信度值集合，x1、x2、x3分别为根据经验或者故障数据库赋予电梯不同部件运行状态的可信度值，经模糊变换得到的Y为融合后各决策的可能性；
对故障进行推断决策时，采用基于规则的方法，基本原则如下：
(1)判定的决策目标应具有最大的隶属度值；
(2)判定的决策目标的隶属度值要大于设定阈值；
(3)判定的决策目标和其他目标的隶属度值之差要大于某个门限；
最后，对各个故障推断决策的可能性集合按照一定的权重进行选择，得出最优故障推断结果。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (7)
1.一种基于多源信息融合的电梯安全故障诊断方法，其特征在于：包括以下步骤：
步骤1、分别采集电梯运行过程中轿厢与减速箱的振动信号以及轿厢牵引绳的视觉信号；
步骤2、对采集的轿厢与减速箱的振动信号和视觉信号进行数据预处理，并分别提取轿厢与减速箱的振动信号特征和轿厢牵引绳的横向位移信号特征；
步骤3、依据轿厢与减速箱的振动信号特征进行异常振动信号检测，获得异常的振动信号检测结果，基于轿厢牵引绳的横向位移信号特征进行异常横向位移检测并获得异常横向检测结果；
步骤4、对异常振动信号检测结果和异常横向位移信号检测结果进行融合，并基于融合结果判断是否针对电梯产生急停故障报警。
2.根据权利要求1所述一种基于多源信息融合的电梯安全故障诊断方法，其特征在于：所述步骤1采集电梯轿厢和减速箱振动的时域信号和牵引绳的图像视觉信号，其中，采集的时域信号包括时域信号的峰值、均值和脉冲指标。
3.根据权利要求2所述一种基于多源信息融合的电梯安全故障诊断方法，其特征在于：所述步骤2的数据预处理包括电梯轿厢和减速箱振动的时域信号预处理和牵引绳的图像视觉信号预处理两部分，具体为：
将采集到电梯轿厢和减速箱振动的时域信号利用中值滤波法进行时域信号的降噪处理，将处理过的时域信号进行傅里叶变换转化为频域信号，再利用小波分析法对所述频域信号进行特征提取，得到轿厢与减速箱的振动信号特征；
将采集到的轿厢牵引绳图像视觉信号进行扫描和去噪处理，并利用张正友标定法将当前牵引绳图像信息进行标定，采用计算机视觉中的目标追踪方法，追踪相机镜头内照射在钢丝绳上的光条区域，然后获取得到钢丝绳的横向振动位移量作为轿厢牵引绳的横向位移信号特征。
4.根据权利要求3所述一种基于多源信息融合的电梯安全故障诊断方法，其特征在于：所述目标追踪采用CSRT目标追踪法，其输入信号为电梯牵引绳的图像信号，输出结果为经过虚拟标记后的图像信号；CSRT目标追踪法所采用的图像信号检测模型统一使用CNN来做分类和预测边框位置。
5.根据权利要求4所述一种基于多源信息融合的电梯安全故障诊断方法，其特征在于：所述步骤3采用异常振动信号检测模型对所述电梯轿厢和减速器的振动信号进行异常振动信号检测处理，采用异常图像状态检测模型对所述电梯牵引绳的图像视觉信号进行异常图像信号检测处理；
所述异常振动信号检测模型采用LightGBM模型，其输入为轿厢与减速箱的振动信号特征，输出为异常振动信号检测结果；
所述异常图像检测模型采用R-CNN模型，其输入为电梯轿厢牵引绳的图像信号，输出为异常图像信号检测结果，进而对异常图像信号进行标定与追踪，获得异常横向位移信号。
6.根据权利要求5所述一种基于多源信息融合的电梯安全故障诊断方法，其特征在于：所述步骤4基于模糊信息融合得出诊断结果，如下公式所示：
Y＝X×RAB
其中，
X＝[x1 x2 x3]
其中，A为被诊断电梯故障点集合，即电梯轿厢和减速器剧烈振动、轿厢牵引绳发生超过安全值的形变3种故障类型；B为电梯运行状态集合，即轿厢与减速箱的振动信号和牵引绳横向位移信号三种电梯运行状态信号；A和B的关系矩阵RAB中的元素μij为由电梯不同部件运行状态i推断决策故障类型为j的可能性，i＝1、2、3，j＝1、2、3，X为各个电梯不同部件运行状态判断的可信度值集合，x1、x2、x3分别为根据经验或者故障数据库赋予电梯不同部件运行状态的可信度值，经模糊变换得到的Y为融合后各决策的可能性；
最后，对各个故障推断决策的可能性集合按照一定的权重进行选择，得出最优故障推断结果。
7.根据权利要求6所述一种基于多源信息融合的电梯安全故障诊断方法，其特征在于：由电梯不同部件运行状态i推断决策故障类型为j的可能性时，采用基于规则的方法，基本原则如下：
(1)判定的决策目标应具有最大的隶属度值；
(2)判定的决策目标的隶属度值要大于设定阈值；
(3)判定的决策目标和其他目标的隶属度值之差要大于某个门限。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2022/136820 WO2024119360A1 (zh) | 2022-12-06 | 2022-12-06 | 一种基于多源信息融合的电梯安全故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117916185A true CN117916185A (zh) | 2024-04-19 |
Family
ID=90691153
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202280053511.2A Pending CN117916185A (zh) | 2022-12-06 | 2022-12-06 | 一种基于多源信息融合的电梯安全故障诊断方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN117916185A (zh) |
| WO (1) | WO2024119360A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118561117B (zh) * | 2024-08-01 | 2024-10-11 | 浙江新再灵科技股份有限公司 | 基于多源数据融合的电梯安全监测方法、系统及电子设备 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SG126045A1 (en) * | 2005-03-24 | 2006-10-30 | Inventio Ag | Elevator with vertical vibration compensation |
| JP4607078B2 (ja) * | 2006-09-20 | 2011-01-05 | 三菱電機株式会社 | エレベータのロープ横揺れ検出装置及びエレベータの管制運転装置 |
| WO2019185695A1 (de) * | 2018-03-27 | 2019-10-03 | Inventio Ag | Verfahren und vorrichtung zum überwachen von eigenschaften einer tragmittelanordnung in einer aufzuganlage |
| CN110642109B (zh) * | 2019-04-26 | 2021-03-19 | 深圳市豪视智能科技有限公司 | 升降设备的振动检测方法、装置、服务器及存储介质 |
| EP3848319B1 (en) * | 2020-01-07 | 2022-05-04 | KONE Corporation | Method for operating an elevator |
| CN111929014B (zh) * | 2020-08-10 | 2022-12-06 | 广州广日电梯工业有限公司 | 牵引绳垂直振动测量方法及装置 |
-
2022
- 2022-12-06 WO PCT/CN2022/136820 patent/WO2024119360A1/zh unknown
- 2022-12-06 CN CN202280053511.2A patent/CN117916185A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024119360A1 (zh) | 2024-06-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111351664B (zh) | 一种基于lstm模型的轴承温度预测和报警诊断方法 | |
| CN110555273B (zh) | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 | |
| CN110261436B (zh) | 基于红外热成像和计算机视觉的轨道故障检测方法及系统 | |
| US20190285517A1 (en) | Method for evaluating health status of mechanical equipment | |
| Kankar et al. | Rolling element bearing fault diagnosis using wavelet transform | |
| CN110361207B (zh) | 一种智能列车走行部在线状态预测系统及其方法 | |
| CN111626199B (zh) | 面向大型多人车厢场景的异常行为分析方法 | |
| Zhou et al. | Automatic detection of industrial wire rope surface damage using deep learning-based visual perception technology | |
| CN109859170B (zh) | 一种基于lbp特征的钢丝绳表面损伤智能监测方法及系统 | |
| CN117916185A (zh) | 一种基于多源信息融合的电梯安全故障诊断方法 | |
| CN116308300B (zh) | 一种电力设备状态监测评价与指挥方法及系统 | |
| CN116177146A (zh) | 一种基于ai与激光监测技术的输送皮带检测系统及方法 | |
| Chen et al. | Elevators fault diagnosis based on artificial intelligence | |
| CN114436087A (zh) | 基于深度学习的电梯乘客扒门检测方法及系统 | |
| CN111380687B (zh) | 基于多局部模型决策融合的工业电机轴承故障诊断方法 | |
| CN113987905A (zh) | 一种基于深度信念网络的自动扶梯制动力智能诊断系统 | |
| CN118255227A (zh) | 一种基于传感器数据采集与ai算法电梯状态预警系统 | |
| CN118183215A (zh) | 一种基于ai技术的输煤皮带异常检测系统 | |
| CN117585553A (zh) | 电梯异常检测方法、装置、计算机设备及存储介质 | |
| CN115356133B (zh) | 一种转向架运行工况在线监测、实时分类与识别算法 | |
| CN113435794B (zh) | 一种基于图像处理的喷嘴铸件后处理智能监测方法 | |
| CN116689514A (zh) | 一种异常振动检测方法、装置、设备和介质 | |
| CN118429947B (zh) | 一种单轨吊防误入智能预警方法及系统 | |
| CN114572788A (zh) | 一种电梯智能化远程故障监测方法、系统及可存储介质 | |
| Shan et al. | Image feature-based for bearing health monitoring with deep-learning method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |