一种融合传感器数据的非侵入式电梯状态监测方法技术

本发明专利技术属于电梯状态监测技术领域，具体涉及一种融合传感器数据的非侵入式电梯状态监测方法，包括下列步骤：通过嵌入式芯片搭载加速度传感器与气压传感器建立硬件平台，实时采集数据；对加速度传感器与气压传感器进行自动校准；分解加速度传感器采集的信号，分解为竖直方向与水平方向；使用卡尔曼滤波进行加速度传感器与气压传感器数据融合优化估计，建立电梯水平振动能量与电梯位置的映射；建立电梯运行时振动的基线，检测异常值。本发明专利技术能够将振动信号分解为竖直分量与水平分量、基于卡尔曼滤波进行传感器数据的融合、传感器自动校准和初始化、在不安装信标的前提下解决电梯位置误差积累的问题。本发明专利技术用于电梯状态的监测。本发明专利技术用于电梯状态的监测。

【技术实现步骤摘要】
一种融合传感器数据的非侵入式电梯状态监测方法


[0001]本专利技术属于电梯状态监测
，具体涉及一种融合传感器数据的非侵入式电梯状态监测方法。

技术介绍

[0002]我国是电梯生产和使用大国。推进按需维保，首先要解决的问题是对电梯运行状态的实时监控。在实现状态监测的基础上才能进一步对电梯的健康状态进行估计与预测。目前状态监测技术虽然在其它行业已经得到了广泛的应用，但电梯行业中应用较少。只有业内领先的少数电梯生产厂商对自己生产的电梯，有相应配套的电梯状态监控系统。它们采用的方式都是采集控制主板信号对电梯状态进行监测，但对于普通电梯生产厂商、维保公司和已安装的老旧电梯来说，现存的电梯状态监测系统造价高昂而且需要侵入式的安装，无法保证不影响电梯的正常运行状态，并需要大量专业技术人员安装，缺乏普适性。

技术实现思路

[0003]针对上述现有的电梯状态监测系统缺乏普适性的技术问题，本专利技术提供了一种易于部署、易于安装移动、普适性强的融合传感器数据的非侵入式电梯状态监测方法。
[0004]为了解决上述技术问题，本专利技术采用的技术方案为：
[0005]一种融合传感器数据的非侵入式电梯状态监测方法，包括下列步骤：
[0006]S1、通过嵌入式芯片搭载加速度传感器与气压传感器建立硬件平台，实时采集数据；
[0007]S2、对S1中的加速度传感器与气压传感器进行自动校准；
[0008]S3、在S2的基础上分解加速度传感器采集的信号，分解为竖直方向与水平方向；
[0009]S4、建立电梯的运动模型，使用卡尔曼滤波进行加速度传感器与气压传感器数据融合优化估计，建立电梯水平振动能量与电梯位置的映射；
[0010]S5、分析电梯的水平振动信号，建立电梯运行时振动的基线，检测异常值。
[0011]所述S1中的硬件平台采用多进程的运行方式保证对加速度传感器与气压传感器数据采集的并行执行，所述加速度传感器与气压传感器的数据采集分别绑定嵌入式芯片一个内核，所述硬件平台完成计算后，将结果通过socket的方式传至云端。
[0012]所述S2中加速度传感器与气压传感器进行自动校准的方法为：检测到电梯处于静止状态时，使用滑动窗口获取三轴加速度数据，过滤异常值，使用Weiszfeld算法计算中位中心，做为初始化或更新后的重力加速度向量，检测到电梯处于静止状态且位于一楼时，通过气压传感器用滑动窗口的方式记录电梯当前的海拔序列，过滤异常值，将平均值作为初始化或更新后的气压传感器的初始海拔，所述Weiszfeld算法计算公式为：
[0013][0014]d
i
(x
k
,y
k
,z
k
)＝||(a
i
,b
i
,c
i
)
‑
(x
k
,y
k
,z
k
)||
[0015]所述(a
i
，b
i
，c
i
)为过滤后的第i个加速度向量，所述(x
n
,y
n
,z
n
)为Weiszfeld算法第n次迭代后求得的中位中心，所述x
n+1
,y
n+1
,z
n+1
为Weiszfeld算法第n+1次迭代后求得的中位中心，所述m为过滤后加速度向量的个数。
[0016]所述电梯当前的海拔序列的计算公式为：
[0017][0018]h＝altitude
‑
altitude0[0019]所述altitude为电梯当前的海拔，所述p为当前气压传感器测得的气压，所述p0为海平面气压，所述h为当前电梯运行的高度，所述altitude0为电梯在初始位置的海拔。
[0020]所述S3中分解加速度传感器采集信号的方法为：将采集到的加速度信号，首先减去校准后的重力加速度向量，通过向量运算把残差量映射到重力加速度向量方向以及与重力垂直的方向，计算公式如下：
[0021]I
residual
＝I
‑
g
[0022]a
vertical
＝(I
residual
·
g)|g|
[0023]I
vertical
＝a
vertical
*g
[0024]I
horizontal
＝I
residual
‑
a
vertical
*g；
[0025]所述I
residual
为去除重力加速度后的残差量，所述g为校准后得到的重力加速度向量，所述a
vertical
为分解到重力方向的加速度分量的大小，所述I
vertical
分解到重力方向的加速度分量，所述I
horizontal
分解到水平方向的加速度分量。
[0026]所述S4中建立电梯水平振动能量与电梯位置的映射的方法为：假设电梯加速度的变化率为常数建立线性四阶运动模型，作为卡尔曼滤波的状态转移函数，结合采样时间间隔生成高斯白噪音作为过程噪音，融合加速度传感器与气压传感器信息对电梯动力学特征与位置进行估计，将加速度传感器和气压传感器经过计算后得到的竖直方向加速度与当前位移、时间戳输入到卡尔曼滤波器，卡尔曼滤波器根据数据来源调整测量函数和测量噪音，同时调整状态转移矩阵F和过程噪音协方差Q，为过程噪音协方差Q增加缩放因子，根据预测值与测量值的偏离程度自适应的调整Q的值。
[0027]所述电梯运动模型的公式为：
[0028][0029][0030]x
k
＝Fx
k
‑1+w
k
；
[0031]所述x为系统状态向量，所述所述分别为电梯的位移、速度、加速度、急动度，所述dt为采样时间间隔，所述x
k
为系统第k步状态被假定为电梯运行过程中的平均值，所述 x
k
‑1为系统第k
‑
1步状态被假定为电梯运行过程中的平均值，所述w
k
为噪声向量，所述噪声向量的方差与未建模系统的不确定性有关。
[0032]所述卡尔曼滤波算法的整体框架为：
[0033]预测步：卡尔曼滤波将当前状态和协方差估计通过状态转移矩阵F，从第k
‑
1步投射到第k步，Q为过程噪音的协方差，这一步是预测当前时间步的相关参量；
[0034][0035][0036]更新步：首先计算卡尔曼增益K，H为测量函数只使用加速度传感器时H＝(0,0,1,0)
T
，R 是测量噪音，为零均值高斯噪音；输入测量值，计算预测值与测量值的残差y，包含了关于状态的新信息，而后用新信息修正前状态预测值更新后状态本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合传感器数据的非侵入式电梯状态监测方法，其特征在于：包括下列步骤：S1、通过嵌入式芯片搭载加速度传感器与气压传感器建立硬件平台，实时采集数据；S2、对S1中的加速度传感器与气压传感器进行自动校准；S3、在S2的基础上分解加速度传感器采集的信号，分解为竖直方向与水平方向；S4、建立电梯的运动模型，使用卡尔曼滤波进行加速度传感器与气压传感器数据融合优化估计，建立电梯水平振动能量与电梯位置的映射；S5、分析电梯的水平振动信号，建立电梯运行时振动的基线，检测异常值。2.根据权利要求1所述的一种融合传感器数据的非侵入式电梯状态监测方法，其特征在于：所述S1中的硬件平台采用多进程的运行方式保证对加速度传感器与气压传感器数据采集的并行执行，所述加速度传感器与气压传感器的数据采集分别绑定嵌入式芯片一个内核，所述硬件平台完成计算后，将结果通过socket的方式传至云端。3.根据权利要求1所述的一种融合传感器数据的非侵入式电梯状态监测方法，其特征在于：所述S2中加速度传感器与气压传感器进行自动校准的方法为：检测到电梯处于静止状态时，使用滑动窗口获取三轴加速度数据，过滤异常值，使用Weiszfeld算法计算中位中心，做为初始化或更新后的重力加速度向量，检测到电梯处于静止状态且位于一楼时，通过气压传感器用滑动窗口的方式记录电梯当前的海拔序列，过滤异常值，将平均值作为初始化或更新后的气压传感器的初始海拔，所述Weiszfeld算法计算公式为：d
i
(x
k
,y
k
,z
k
)＝||(a
i
,b
i
,c
i
)
‑
(x
k
,y
k
,z
k
)||所述(a
i
，b
i
，c
i
)为过滤后的第i个加速度向量，所述(x
n
,y
n
,z
n
)为Weiszfeld算法第n次迭代后求得的中位中心，所述x
n+1
,y
n+1
,z
n+1
为Weiszfeld算法第n+1次迭代后求得的中位中心，所述m为过滤后加速度向量的个数。4.根据权利要求3所述的一种融合传感器数据的非侵入式电梯状态监测方法，其特征在于：所述电梯当前的海拔序列的计算公式为：h＝altitude
‑
altitude0所述altitude为电梯当前的海拔，所述p为当前气压传感器测得的气压，所述p0为海平面气压，所述h为当前电梯运行的高度，所述altitude0为电梯在初始位置的海拔。5.根据权利要求1所述的一种融合传感器数据的非侵入式电梯状态监测方法，其特征在于：所述S3中分解加速度传感器采集信号的方法为：将采集到的加速度信号，首先减去校准后的重力加速度向量，通过向量运算把残差量映射到重力加速度向量方向以及与重力垂直的方向，计算公式如下：I
residual
＝I
‑
g
a
vertical
＝(I
residual
·
g)|g|I
vertical
＝a
vertical
*gI
horizontal
＝I
residual
‑
a
vertical
*g；所述I
residual
为去除重力加速度后的残差量，所述g为校准后得到的重力加速度向量，所述a
vertical
为分解到重力方向的加速度分量的大小，所述I
vertical
分解到重力方向的加速度分量，所述I
horizontal
分解到水平方向的加速度分量。6.根据权利要求1所述的一种融合传感器数据的非侵入式电梯状态监测方法，其特征在于：所述S4中建立电梯水平振动能量与电梯位置的映射的方法为：假设电梯加速度的变化率为常数建立线性四阶运动模型，作为卡尔曼滤波的状态转移函数，结合采样时间间隔生成高斯白噪音作为过程噪音，融合加速度传感器与气压传感器信息对电梯动力学特征与位置进行估计，将加速度传感器和气压传感器经过计算后得到的竖直方向加速度与当前位移、时间戳输入到卡尔曼滤波器，卡尔曼滤波器根据数据来源...

【专利技术属性】
技术研发人员：李海芳，杨昱，王千山，周子淏，周子敬，杨晓峰，
申请(专利权)人：赛尔网络有限公司，
类型：发明
国别省市：