System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及电梯异常检测,特别涉及一种电梯门异常检测方法、装置、电子设备及存储介质。
技术介绍
1、在整个电梯中,电梯门是最容易发生故障的部位之一,电梯门故障往往会导致电梯停机、困人、剪切或碰撞等事故,严重危及乘客的生命安全;开展准确、高效的电梯门异常检测方法研究,减少因电梯门故障导致的安全事故,这对于保障电梯的运行安全具有重要现实意义。
2、相关技术中,现有的电梯门异常检测方法主要基于监督学习的方法,可分为三类:基于专家系统的方法是指收集专家知识并建立知识库,推断是否发生故障及相应原因;基于信号分析的方法是对采集的电梯门的运行信号进行分析,提取与故障相关的时域或频域的特征信息,通常仅作为提取特征的手段,与其它方法结合起来进行异常检测;基于机器学习的方法是指利用正常和故障数据,训练机器学习算法以实现异常检测。
3、然而,相关技术中,电梯门的异常检测方法限制较高且可扩展能力弱,需依赖大量异常数据导致泛化能力不足,不利于实际推广和应用,无法满足实际场景中类型复杂多样的电梯故障检测需求,降低检测结果的准确性,适用范围较窄,亟需改进。
技术实现思路
1、本申请提供一种电梯门异常检测方法、装置、电子设备及存储介质,以解决相关技术中对于电梯门的异常检测方法限制较高且可扩展能力弱,需依赖大量异常数据导致泛化能力不足,不利于实际推广和应用,无法满足实际场景中类型复杂多样的电梯故障检测需求,降低检测结果的准确性,适用范围较窄等问题。
2、本申请第一方面实施例提供一种
3、可选地,在本申请的一个实施例中,所述由所述原始多变量时间序列信号构建数据集,包括:基于所述磁感应强度信号在电梯开关门过程中会发生变化的特性,将所述原始多变量时间序列信号划分为多个数据样本,其中,每个数据样本为电梯门一次开-关过程的三轴加速度数据;对所述多个数据样本进行补零操作,使样本保持长度一致,得到所述数据集。
4、可选地,在本申请的一个实施例中,在将所述数据集划分为所述训练集和所述测试集之后,还包括:对所述训练集和所述测试集的数据进行归一化处理,以将数值映射到同一尺度之间。
5、可选地,在本申请的一个实施例中,所述最终自编码器的优化目标的表达公式为:
6、
7、其中,r表示所有超球体的半径的集合,ri是每个超球体的半径,k是超球体的个数,n是样本数量,和w分别表示编码器的映射关系和网络参数,cj和rj分别是使用最近邻原则分配给的球心和半径,v∈(0,1)和λ>0是超参数,wl是模型参数,l是模型参数总量。
8、可选地,在本申请的一个实施例中,所述利用所述测试集进行测试,得到最终的电梯门异常检测模型,包括:将所述测试集输入至所述最终自编码器,得到测试样本的异常分数。
9、本申请第二方面实施例提供一种基于深度多球支持向量数据描述的电梯门异常检测装置,包括:采集模块,用于采集电梯门运行过程中的三轴加速度信号和磁感应强度信号,以获得原始多变量时间序列信号;训练模块,用于由所述原始多变量时间序列信号构建数据集,并将所述数据集划分为训练集和测试集,且构建具有自编码器的深度神经网络,并利用所述训练集预训练所述自编码器,得到初始化后的自编码器;检测模块,用于利用所述初始化后的自编码器将正常样本映射至特征空间中,获取超球体的球心,基于所述超球体的球心和所述训练集继续训练所述初始化后的自编码器,得到最终自编码器,并利用所述测试集进行测试,得到最终的电梯门异常检测模型,以利用所述电梯门异常检测模型输出电梯门的异常检测结果。
10、可选地,在本申请的一个实施例中,所述训练模块,包括:划分单元,用于基于所述磁感应强度信号在电梯开关门过程中会发生变化的特性,将所述原始多变量时间序列信号划分为多个数据样本,其中,每个数据样本为电梯门一次开-关过程的三轴加速度数据;第一处理单元,用于对所述多个数据样本进行补零操作,使样本保持长度一致,得到所述数据集。
11、可选地,在本申请的一个实施例中,基于深度多球支持向量数据描述的电梯门异常检测装置还包括:处理模块,用于在将所述数据集划分为所述训练集和所述测试集之后,对所述训练集和所述测试集的数据进行归一化处理,以将数值映射到同一尺度之间。
12、可选地,在本申请的一个实施例中,所述最终自编码器的优化目标的表达公式为:
13、
14、其中,r表示所有超球体的半径的集合,ri是每个超球体的半径,k是超球体的个数,n是样本数量,和w分别表示编码器的映射关系和网络参数,cj和rj分别是使用最近邻原则分配给的球心和半径,v∈(0,1)和λ>0是超参数,wl是模型参数,l表示模型参数总量。
15、可选地,在本申请的一个实施例中,所述检测模块,包括:第二处理单元,用于将所述测试集输入至所述最终自编码器,得到测试样本的异常分数。
16、本申请第三方面实施例提供一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如上述实施例所述的基于深度多球支持向量数据描述的电梯门异常检测方法。
17、本申请第四方面实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储计算机程序,该程序被处理器执行时实现如上的基于深度多球支持向量数据描述的电梯门异常检测方法。
18、本申请可以采集电梯门运行过程中的信号构建训练集和测试集,并利用训练集预训练得到初始化后的自编码器,从而获得超球体的球心,再结合二者接着进行训练得到最终自编码器,利用测试集测试得到最终电梯门异常检测模型并输出检测结果,训练过程只需正常数据无需异常数据,避免部分电梯故障数据获取困难,从而提高了本方法的泛化性,测试和应用则均可以区分开来正常数据和异常数据,有效保证了本方法的适用性,便于推广和利用,满足电梯不同场景不同原因的故障检测需求,且提高了检测结果的准确性。由此,解决了相关技术中对于电梯门的异常检测方法限制较高且可扩展能力弱,需依赖大量异常数据导致泛化能力不足,不利于实际推广和应用,无法满足实际场景中类型复杂多样的电梯故障,降低检测结果的准确性,适用范围较窄等问题。
19、本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面本文档来自技高网...
【技术保护点】
1.一种基于深度多球支持向量数据描述的电梯门异常检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,所述由所述原始多变量时间序列信号构建数据集,包括:
3.根据权利要求1所述的方法,其特征在于,在将所述数据集划分为所述训练集和所述测试集之后,还包括:
4.根据权利要求1所述的方法,其特征在于,所述最终自编码器的优化目标的表达公式为:
5.根据权利要求1所述的方法,其特征在于,所述利用所述测试集进行测试,得到最终的电梯门异常检测模型,包括:
6.一种基于深度多球支持向量数据描述的电梯门异常检测装置,其特征在于,包括:
7.根据权利要求6所述的装置,其特征在于,所述训练模块,包括:
8.根据权利要求6所述的装置,其特征在于,在将所述数据集划分为所述训练集和所述测试集之后,还包括:
9.根据权利要求6所述的装置,其特征在于,所述最终自编码器的优化目标的表达公式为:
10.根据权利要求6所述的装置,其特征在于,所述检测模块,包括:
11.一种
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行,以用于实现如权利要求1-5任一项所述的基于深度多球支持向量数据描述的电梯门异常检测方法。
...【技术特征摘要】
1.一种基于深度多球支持向量数据描述的电梯门异常检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,所述由所述原始多变量时间序列信号构建数据集,包括:
3.根据权利要求1所述的方法,其特征在于,在将所述数据集划分为所述训练集和所述测试集之后,还包括:
4.根据权利要求1所述的方法,其特征在于,所述最终自编码器的优化目标的表达公式为:
5.根据权利要求1所述的方法,其特征在于,所述利用所述测试集进行测试,得到最终的电梯门异常检测模型,包括:
6.一种基于深度多球支持向量数据描述的电梯门异常检测装置,其特征在于,包括:
7.根据权利要求6所述的装置,其特征在于,所述训练模块,包括:
<...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。