1.一种电梯异响检测方法,包括以下步骤:
a、采集电梯轿厢的视频录像,并从中提取音频数据;
b、对所述音频数据进行预处理,并从中提取音频特征;
c、将音频数据输入检测模型,识别电梯在当前时刻是否发生异响;
d、若判断电梯在当前时刻发生异响,则进而根据异响的幅值大小决定是否发出告警信号。
2.根据权利要求1所述的电梯异响检测方法,其特征在于,在所述步骤(b)中,所述预处理包括滤波、降噪和/或去除奇异值;
所述音频特征包括过零率、频域能量、频谱质心和/或梅尔到普系数。
3.根据权利要求1所述的电梯异响检测方法,其特征在于,在所述步骤(c)中,所述检测模型在线下训练,并上传至线上,其训练步骤包括特征选择、模型训练、模型测试、模型评估与验证;
所述特征选择的算法为穷举法、方差选择法或相关系数法;
所述模型评估与验证的指标包括精确率或召回率之一或二者加权的f1分数。
4.根据权利要求3所述的电梯异响检测方法,其特征在于,在所述步骤(c)中,将所述音频数据与预设的数据库对比,识别其中的正常样本和异响样本,若所述音频数据的异响样本少于2000条,则训练无监督异常检测模型作为所述检测模型;反之,则训练有监督学习分类模型作为所述检测模型。
5.根据权利要求4所述的电梯异响检测方法,其特征在于,所述无监督异常检测模型为无监督聚类、isolationfroest、oneclasssvm、autoencoder或ganormaly;
所述有监督学习分类模型为randomforesets、lightgbm、xgboost之一或多个的集成;或者为lstm、cnn、gcn或gru。
6.根据权利要求5所述的电梯异响检测方法,其特征在于,在所述步骤(c)中,若所述检测模型输出的异响概率大于概率阈值,则判断为发生异响,所述概率阈值为0.8。
7.根据权利要求6所述的电梯异响检测方法,其特征在于,所述检测模型为lstm,则所述异响概率的计算流程为:
更新遗忘门的输出:
ft=σ(wf·[ht-1,xt]+bf);
式中,xt为当前时刻网络的输入,ht-1为上一时刻lstm的输出值,wf是遗忘门的权重矩阵,[ht-1,xt]表示把两个向量连接成一个更长的向量,bf是遗忘门的偏置项,σ是sigmoid函数;
更新输入门的两部分输出:
it=σ(wi·[ht-1,xt]+bi);
以及
式中,ct为单元状态,其由上一时刻的单元状态ct-1按元素乘以遗忘门ft,再用当前输入的单元状态
更新细胞状态:
式中,
更新输出门状态:
ot=σ(wo·[ht-1,xt]+bo);
以及
更新当前序列输出:
式中,v为权重矩阵,by是偏置。
全连接层计算:
y=x·w+b
式中,x为输入,w为权重矩阵,b是偏置。
softmax概率值输出:
式中,i∈[1,k],zi是神经网络模型第i个节点输出值,c为输出节点个数。
8.根据权利要求1所述的电梯异响检测方法,其特征在于,在所述步骤(d)中,若异响的声音幅值大于幅值阈值,则发出告警信号;
在发出告警信号时,同时发出包含电梯在当前时刻所处楼层的楼层信息;
利用数字识别模型在所述视频录像中识别电梯轿厢内的楼层显示数据得到所述楼层信息;
所述幅值阈值为0.9。
9.一种用于实施权利要求1-8中任一项所述的电梯异响检测方法的检测系统,其特征在于,包括:
采集模块,用于采集视频录像,并从中提取音频数据;
预处理模块,用于对音频数据进行预处理;
特征构造模块,用于提取经过预处理的音频数据中的音频特征,并识别其中的正常样本与异响样本;
模型拟合模块,用于根据异响样本的数量训练无监督异常检测模型或有监督学习分类模型作为检测模型;
异响识别模块,用于判断电梯在当前时刻是否发生异响并根据异响的严重程度决定是否发出告警信号;
楼层定位模块,用于识别电梯所处楼层并将楼层信息作为辅助信息与告警信号一并发出。