一种电梯液压缓冲器隐患识别深度学习装置及方法制造方法及图纸

本发明专利技术公开了一种电梯液压缓冲器隐患识别深度学习装置及方法，所述装置包括磁吸式反射板、激光测距传感器和上位机。所述方法包括将电梯压入底坑对缓冲器进行压缩，随后将电梯重新提起使缓冲器复位，激光测距传感器实时采集缓冲器位移信息；构建长短时记忆模块及全连接层模块并联深度神经网络模型；构建长短时记忆模块及全连接层模块并联深度神经网络模型；长短时记忆模块识别电梯运行状态，截取完整位移变化信息、分段线性插值变换后输入全连接层模块识别缓冲器隐患；特征分析模块结合长短时记忆模块识别到的运行状态，计算特征信息，输入特征分析模块识别到隐患；分析全连接层模块输出的隐患与特征分析模块输出的隐患，确定最终隐患。终隐患。终隐患。

【技术实现步骤摘要】
一种电梯液压缓冲器隐患识别深度学习装置及方法


[0001]本专利技术涉及自动控制
，尤其涉及一种长短时记忆并联全连接层模型的电梯液压缓冲器隐患识别深度学习装置及方法。

技术介绍

[0002]现有电梯液压缓冲器是提供最后一种安全保护的电梯安全装置，安装于电梯的井道底坑内，位于轿厢、对重正下方，电梯向上或向下运动中，由于钢丝绳断裂、曳引摩擦力、抱闸制动力不足或者控制系统失灵时可通过液压阻尼效应起缓冲作用以避免轿厢或对重直接撞底或冲顶，从而保护乘客和设备安全。而如何通过智能化检测的方式确保电梯液压缓冲器的正常共作、排除隐患成为丞待解决的问题。
[0003]一种长短时记忆并联全连接层模型的电梯液压缓冲器隐患识别深度学习方法，主要包含特征信息提取方法和基于深度学习的电梯液压缓冲器检测方法。特征信息提取方法如专利CN105438908A、CN110702395A、等采用机械结构与电路设计的方法进行电梯液压缓冲器压缩复位特征信息的提取，隐患识别方法如专利CN110092252A、CN110991499A等，采用机械设计、传统机器学习方法，实现对电梯液压缓冲器隐患的检测。
[0004]上述具体专利对比文件为：
[0005]1)、“一种电梯缓冲器的测试方法”，专利号CN105438908A。本专利技术公开了一种电梯缓冲器的测试方法。本专利技术中，提供了一种电梯缓冲器的测试方法，包含以下步骤：主控器控制电梯轿厢以预定速度撞击缓冲器；监测所述电梯轿厢撞击所述缓冲器时的速度和停止后的位置，根据所监测到的撞击速度和停止后的位置，确定所述缓冲器的测试结果。该专利技术通过简单的操作步骤，由电梯主控器控制电梯轿厢的实际撞击，可以实现现场测试电梯缓冲器，并通过监测到的撞击速度和位置确定测试结果。测试时只需要在电梯轿厢非运行状态即可执行，方便了现场测试的流程，减少测试时间，且测试结果可以被直接确认，易于推广，从而大大提高电梯运行安全。本专利技术的检测方法与上述专利技术不同，是.通过激光测距传感器对电梯轿厢实际撞击过程中位移变化信息的实时采集得到数据实现特征信息的提取，具有较高精度。
[0006]2)、“一种电梯缓冲器性能检测装置”，专利号CN110702395A。该专利公开了一种电梯缓冲器性能检测装置，包括底座，所述底座的上部固定连接有电梯缓冲器，所述连接杆的下端一侧固定安装有第一棘轮和第二棘轮，两组所述竖直滑道的内部分别滑动安装有第一阻尼齿条和第二阻尼齿条，所述竖直滑道的一侧内壁上固定连接有导电触点对，所述第一阻尼齿条一侧和第二阻尼齿条一侧分别固定连接有弹性导电片，导电触点对上通过导线串联有灯珠，所述灯珠成排设置安装在灯排上。本专利技术利用灯排可以准确记录电梯缓冲器的运行状态，准确记录电梯缓冲器的复位时间和运行时的复位速度；利用第一棘轮和第二棘轮的快速组合，可以从两个方向上准确记录电梯缓冲器的运行过程。本专利技术的检测方法与上述专利技术不同，是通过软件算法与数学方法，实现对电梯液压缓冲器压缩复位过程特征信息的计算与提取，具有较高的准确率。
[0007]3)、“一种油压式电梯缓冲器性能综合检测系统”，专利号CN110092252A。该专利提供了一种油压式电梯缓冲器性能综合检测系统，其缓冲器巧妙的利用各个液压元件和机械结构相互组合，适用于电梯的缓冲，其失效检测评定系统可以考虑到各种可能出现的失效或故障，从多方面对缓冲器进行检测分析，旨在能够准确快速地判断出电梯缓冲器是否处于正常工作状态，以便于及时的更换维护，降低电梯使用风险，增加电梯使用的可靠性。本专利技术与上述专利技术不同，是通过软件算法结合人工智能机器学习的方法，对软件所提取电梯液压缓冲器的压缩复位特征信息进行智能隐患识别，从而判断电梯缓冲器所处工作状态，与上述专利技术明显不同。
[0008]4)、“一种电梯液压缓冲器隐患识别方法及系统”，专利号CN110991499A。该专利的技术方案包括一种电梯液压缓冲器隐患识别方法及系统，用于实现：通过采集大量样本数据，以基于指定算法建立的决策树，并由机器学习进行训练学习样本，得到进行隐患识别的决策模型，在后续对电梯液压器隐患识别中，通过一次采集得到对应数据作为决策模型的输入，即可得到隐患识别结果。该专利技术的有益效果为：实现了电梯液压缓冲器隐患的自动识别，提高了检测效率。本专利技术与上述专利技术不同，通过长短时记忆模块与全连接层的并联模型实现特征提取、隐患智能识别，所采用隐患识别分类器为支持向量机SVM，使用了传统机器学习与深度学习结合的隐患识别方法，与上述专利技术明显不同。

技术实现思路

[0009]为解决上述技术问题，本专利技术的目的是提供一种电梯液压缓冲器隐患识别深度学习装置及方法。
[0010]本专利技术的目的通过以下的技术方案来实现：
[0011]一种电梯液压缓冲器隐患识别深度学习装置，包括：
[0012]所述方法装置包括磁吸式反射板、激光测距传感器和上位机；所述
[0013]磁吸式反射板，连接安装于缓冲器弹簧上方，用于反射测量激光；
[0014]激光测距传感器，用于实时采集缓冲器位移变化信息，并上传至上位机；
[0015]上位机，用于识别缓冲器位移变化信息，进行缓冲器隐患检测。
[0016]一种电梯液压缓冲器隐患识别深度学习装置的学习方法，包括：
[0017]A将磁吸式反射板安装于电梯缓冲器弹簧的正上方，将激光测距传感器固定于电梯缓冲器弹簧的一侧，采集到反射板的位移信息，经补偿后获取缓冲器位移变化信息；
[0018]B通过电机施加驱动力将电梯压入底坑对缓冲器进行压缩，压缩一段时间撤去驱动力将电梯重新提起使缓冲器复位，并由激光测距传感器实时采集缓冲器位移变化信息；
[0019]C构建长短时记忆模块及全连接层模块并联深度神经网络模型；
[0020]D通过长短时记忆模块识别电梯运行状态，截取完整缓冲器位移变化信息，采用分段线性插值变换完整缓冲器位移变化信息为固定长度，输入全连接层模块识别缓冲器隐患Y1，置信度α1；
[0021]E特征分析模块结合长短时记忆模块识别到的运行状态，计算得到压缩行程Δx
Compress
、压缩时间T
Compress
、复位行程Δx
Return
、复位时间T
Return
等特征信息，输入特征分析模块识别到隐患Y2；
[0022]F分析全连接层模块输出的隐患Y1，置信度α1；特征分析模块输出的隐患Y2，确定最
终隐患Y。
[0023]与现有技术相比，本专利技术的一个或多个实施例可以具有如下优点：
[0024]通过磁吸式反射板与弹簧上方的连接，可减少与缓冲器弹簧上方连接结构所产生的高度误差，实现对激光测距传感器所发出测量激光的反射；激光测距传感器实时采集反射板位移变换信息，可经过补偿获得缓冲器位移变换.连接层并联模型，实现对缓冲器位移变换信息的完整截取、特征信息提取以及缓冲器工作状态的智能隐患识别。该方法具有自动化程度高、速度快、劳动成本低和对准精度高的特点，具有实际意义本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电梯液压缓冲器隐患识别深度学习装置，其特征在于，所述装置包括磁吸式反射板、激光测距传感器和上位机；所述磁吸式反射板，连接安装于缓冲器弹簧上方，用于反射测量激光；激光测距传感器，用于实时采集缓冲器位移变化信息，并上传至上位机；上位机，用于识别缓冲器位移变化信息，进行缓冲器隐患检测。2.一种基于权利要求1所述的电梯液压缓冲器隐患识别深度学习装置的学习方法，其特征在于，所述方法包括：A将磁吸式反射板安装于电梯缓冲器弹簧的正上方，将激光测距传感器固定于电梯缓冲器弹簧的一侧，采集到反射板的位移信息，经补偿后获取缓冲器位移变化信息；B通过电机施加驱动力将电梯压入底坑对缓冲器进行压缩，压缩一段时间撤去驱动力将电梯重新提起使缓冲器复位，并由激光测距传感器实时采集缓冲器位移变化信息；C构建长短时记忆模块及全连接层模块并联深度神经网络模型；D通过长短时记忆模块识别电梯运行状态，截取完整缓冲器位移变化信息，采用分段线性插值变换完整缓冲器位移变化信息为固定长度，输入全连接层模块识别缓冲器隐患Y1，置信度α1；E特征分析模块结合长短时记忆模块识别到的运行状态，计算得到压缩行程
△
x
Compress
、压缩时间T
Compress
、复位行程
△
x
Return
、复位时间T
Return
等特征信息，输入特征分析模块识别到隐患Y2；F分析全连接层模块输出的隐患Y1，置信度α1；特征分析模块输出的隐患Y2，确定最终隐患Y。3.如权利要求1所述的电梯液压缓冲器隐患识别深度学习装置的学习方法，其特征在于，所述步骤A中激光测距传感器安装于磁吸式反射板正下方及缓冲器的右方，与缓冲器中心距离为0.1～0.3m，激光测距传感器顶部与磁吸式反射板距离为0.25～0.5m。4.如权利要求1所述的电梯液压缓冲器隐患识别深度学习装置的学习方法，其特征在于，所述步骤B中将电梯压入底坑后，保持驱动力5s后撤去驱动力将电梯提起；所述激光测距传感器采集得总共N个数据点，缓冲器位移信息X＝[x1,x2,x3,
…
x
i
,
…
,x
N
]，第i个数据点位移信息记为x
i
，缓冲器时间信息T＝[t1,t2,t3,
…
t
i
,
…
,t
N
]，第i个数据点时间信息记为t
i
。5.如权利要求1所述的电梯液压缓冲器隐患识别深度学习装置的学习方法，其特征在于，所述步骤C中：长短时记忆模块负责实时识别电梯运行状态，并输入实时缓冲器位移变化信息；所述全连接层模块实现全局识别电梯缓冲器隐患，并输入完整缓冲器位移变化信息；所述长短时记忆模块输入实时缓冲器位移变化信息，实时识别电梯运行状态，输出运行状态概率向量P
cond
＝[p1,p2,p3,p4,p5]，p1,p2,p3,p4,p5分别为缓冲器所处状态：开始、压缩、保持、复位、结束的概率；并且有：
6.如权利要求1所述的电梯液压缓冲器隐患识别深度学习装置的学习方法，其特征在于，所述步骤D中长短时记忆模块识别电梯运行状态，确定开始压缩点i
start
与结束复位点i
End
：：截取压缩、保持、复位阶段完整缓冲器位移变化信息，截取压缩、保持、复位阶段完整缓冲器位移变化信息，7.如权利要求1所述的电梯液压缓冲器隐患识别深度学习装置的...

【专利技术属性】
技术研发人员：梁敏健，戚政武，刘桂雄，苏宇航，杨宁祥，姚懋欣，黄坚，刘德阳，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：