基于机器学习的电梯故障诊断方法、装置、介质和设备

本发明涉及电梯故障诊断，具体为一种基于机器学习的电梯故障诊断方法。

背景技术：

1、电梯作为现代建筑中不可或缺的垂直交通工具，其安全性和可靠性直接影响到人们的日常生活和工作效率。随着城市化进程的加快，电梯的使用频率不断增加，随之而来的电梯故障问题也日益突出。近年来，随着传感器技术、数据采集技术以及深度学习算法的发展，基于数据驱动的电梯故障监测和诊断方法逐渐成为研究热点。

2、在当前电梯行业中，故障诊断和预测维护的技术普遍依赖于传统的基于经验的手段，通常只关注单一类型的数据，如运行参数或历史故障记录。这种方法在面对复杂的电梯系统时显得力不从心，无法准确捕捉到故障发生的多维度信息。

3、现有技术存在以下不足：

4、现有的电梯故障诊断技术普遍依赖于传统的定期检查和人工巡检，存在着几个明显的不足之处。首先，传统方法往往难以实时监测电梯的运行状态，导致潜在故障无法被及时发现，进而可能引发较为严重的安全事故。此外，由于人工巡检的主观性和不确定性，可能导致对故障的判断存在偏差，增加了故障检测的误判和漏判概率。此外，运维记录数据的使用效率也较低，缺乏有效的特征提取和分析手段，无法充分利用历史数据进行故障预测。此外，由于缺乏有效的数据融合与分析手段，电梯故障的预警系统往往存在响应迟缓的问题，导致故障发生后的维修时间延长，影响了用户的安全与体验。现有技术在实时监测和动态适应性方面也明显不足，无法满足现代电梯运行过程中对故障诊断的高效与智能化需求。

5、在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本发明的目的在于提供一种基于机器学习的电梯故障诊断方法、装置、介质和设备，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供一种基于机器学习的电梯故障诊断方法，具体步骤包括：

3、步骤1：获取电梯历史运行中的多组时序数据、环境数据和运维记录数据，所述时序数据为电梯的加速度、运行速度、电流和负载数据，环境数据为电梯内的温度和湿度数据，运维记录数据为电梯的维护记录；

4、步骤2：提取时序数据和环境数据的时序特征和环境特征，基于专家打分法对电梯运维记录数据进行评价，以生成反映电梯运行优劣的电梯故障概率；

5、步骤3：基于深度学习网络构建电梯故障模型，将时序特征和环境特征作为输入，将与其对应的电梯故障概率作为标签，对电梯故障模型进行训练；

6、步骤4：获取电梯当前时序数据和环境数据并提取时序特征和环境特征，将时序特征和环境特征输入训练完成后的电梯故障模型中，得到当前的电梯故障概率，将电梯故障概率和故障阈值相比较，判断当前电梯状态。

7、进一步地，获取时序数据、环境数据和运维记录数据的具体逻辑为：

8、在电梯井道中的轿厢底部安装加速度传感器，获取电梯的加速度数据，在电机轴上安装速度传感器，获取电梯的运行速度数据，在电动机的电源输入线处安装电流传感器，获取电梯电机的电流数据，在电梯轿厢底部安装压力传感器，获取电梯的负载数据，将采集到的电梯加速度、运行速度、电流数据和负载数据进行标准化处理，在电梯轿厢顶部安装温度传感器和湿度传感器，获取电梯内的温度和湿度数据，从运维记录数据中导出电梯的维护记录。

9、进一步地，时序特征、环境特征和运维特征提取所依据的具体逻辑为：

10、将电梯的加速度、运行速度、电流和负载数据的均值和标准差值作为时序特征，计算加速度均值所依据的公式为：

11、

12、其中，ai为电梯在第i个采集时刻下的加速度，i为采集时刻的索引，且i＝1、2、…、n，n为采集时刻的个数，为加速度均值；

13、将电梯在第i个采集时刻下的运行速度、电流和负载分别标定为vi、ii、pi，同理得到运行速度均值电流均值负载均值

14、计算加速度标准差所依据的公式为：

15、

16、其中，σa为加速度标准差，同理得到运行速度标准差σv、电流标准差σi、负载标准差σp；将电梯的温度和湿度均值作为环境特征，计算温度均值所依据的公式为：

17、

18、其中，ti为电梯在第i个采集时刻下的温度，为温度均值；

19、将电梯在第i个采集时刻下的湿度标定为hi，同理得到湿度均值

20、进一步地，构建电梯故障模型所依据的具体逻辑为：

21、基于深度学习网络模型，提取时序数据的均值和标准差作为时序特征，环境数据的均值作为环境特征，时序特征和环境特征进行拼接，形成特征向量，输入特征向量至电梯故障模型中，通过专家打分法生成的电梯故障概率作为标签，输出层使用softmax函数来获取电梯故障概率；通过精确率来判断当前模型预测的精确程度，当精确率达到0.9时，表示电梯故障模型训练完成。

22、进一步地，判断当前电梯状态所依据的具体逻辑为：

23、采集当前电梯的时序数据和环境数据，并计算时序数据的均值和标准差、环境数据的均值分别作为时序特征和环境特征，输入时序特征和环境特征至训练完毕的电梯故障模型中，获取当前状态下的电梯故障概率，将模型预测的电梯故障概率与预设的故障阈值相比较，若模型预测的电梯故障概率大于故障阈值，判断当前电梯存在故障，若模型预测的电梯故障概率低于故障预测，判断当前电梯处于安全状态。

24、本发明另外还提供一种基于机器学习的电梯故障诊断装置，所述电梯故障诊断装置用于实现上述的电梯故障诊断方法，包括：

25、数据采集模块，用于获取电梯历史运行中的多组时序数据、环境数据和运维记录数据，所述时序数据为电梯的加速度、运行速度、电流和负载数据，环境数据为电梯内的温度和湿度数据，运维记录数据为电梯的维护记录；

26、故障概率获取模块，用于提取时序数据和环境数据的时序特征和环境特征，基于专家打分法对电梯运维记录数据进行评价，以生成反映电梯运行优劣的电梯故障概率；

27、故障模型构建模块，用于基于深度学习网络构建电梯故障模型，将时序特征和环境特征作为输入，将与其对应的电梯故障概率作为标签，对电梯故障模型进行训练；

28、实时故障诊断模块，用于获取电梯当前时序数据和环境数据并提取时序特征和环境特征，将时序特征和环境特征输入训练完成后的电梯故障模型中，得到当前的电梯故障概率，将电梯故障概率和故障阈值相比较，判断当前电梯状态。

29、本发明另外还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有计算机程序，所述计算机程序当被处理器执行时实现如上述的基于机器学习的电梯故障诊断方法。

30、本发明另外还提供一种设备，所述设备包括处理器和存储介质，所述存储介质内部存储有计算机程序，所述计算机程序被处理器执行时能够实现上述的基于机器学习的电梯故障诊断方法。

31、在上述技术方案中，本发明提供的技术效果和优点：

32、本方法通过引入多模态数据融合和深度学习技术，解决了传统电梯故障诊断方法中存在的准确性和时效性不足的问题。通过集成来自传感器、环境监测和运维记录的多种数据源，构建一个全面的特征表示，从而大幅提升故障识别的敏感性和准确度。同时，该方案通过自适应学习机制，能够实时监控电梯的运行状态，提前预警潜在故障，减少了电梯停运时间，优化了维护成本。最终，采用本方案可以显著提高电梯的安全性与可靠性，为用户提供更优质的服务体验。