一種電梯在線安全檢測預警裝置及其檢測預警方法
【技術領域】
[0001] 本發明涉及電梯檢測技術領域，尤其是一種電梯在線安全檢測預警裝置及其檢測 預警方法。
【背景技術】
[0002] 隨著國家城鎮化戰略實施和土地資源的緊缺，高層建筑的增多，人們對電梯的依 賴程度越來越高，電梯已成為現代社會生活不可或缺的公共交通運輸工具之一，電梯的安 全性也日益成為民眾關注的焦點。電梯在其最繁忙時，每小時起制動可達200余次，如此頻 繁動作的運輸工具，僅靠檢驗機構定期或不定期的監測，以及維保單位15天一次的維保難 以確保其安全性，因為例行檢驗和定期維保只能檢測當時的電梯狀況，而在日常運行中發 生的故障和安全隱患并無法完全檢測出來。另外，檢驗和維保的人員的專業素養和職業操 守等主觀因素也會影響檢測結果。因此，需要一種可以長期連續運行的監控設備來檢測電 梯運行狀況。
[0003] 目前，電梯監控設備以電梯故障或事故發生后報警的方式為主，這種方式雖然可 以主動報警，提高事后救援效率，但卻以乘梯人員人身安全受到威脅為代價。也有一些事前 主動預警技術，試圖在故障或事故發生前進行警示，但是，至今國內外關于電梯曳引機、電 梯轎廂振動和噪聲的預警和故障判斷沒有統一標準，由于電梯品牌、型號、安裝和老化程度 等原因也無法建立統一標準，檢測參數的正常范圍無法通過標準去規定。另外，現有的事前 主動預警技術需要事先建立好正常或故障樣本數據作為判斷依據，但是這些樣本數據隨著 電梯老化程度、維保狀況、載荷大小等情況不斷在變化，因此這些樣本長期使用必然會引起 誤判或漏判，而且針對每部電梯樣本數據的建立也要消耗大量人力、物力、財力和時間，實 施難度很大。另外，為了避免誤判或漏判就需要對樣本數據進行更新，這又會帶來資源的消 耗。

【發明內容】

[0004] 本發明的首要目的在于提供一種能夠大大降低電梯故障誤判或漏判的概率，提高 電梯在長期使用下的預警可靠性和準確性的電梯在線安全檢測預警裝置。
[0005] 為實現上述目的，本發明采用了以下技術方案：一種電梯在線安全檢測預警裝置， 包括轎廂預警裝置和機房預警裝置，所述轎廂預警裝置由第一傳感單元、第一采集單元、第 一處理單元和第一近距離通信單元組成，所述機房預警裝置由第二傳感單元、第二采集單 元、第二處理單元、第二近距離通信單元和遠程通信網關組成，第一近距離通信單元和第二 近距離通信單元之間無線通訊，第二處理單元通過遠程通信網關與遠程平臺遠程通訊。
[0006] 所述第一傳感單元由轎廂三維振動傳感器、井道噪聲傳感器、門機負載電流傳感 器、平層開關、基站開關和轎門開關組成，轎廂三維振動傳感器、井道噪聲傳感器、門機負載 電流傳感器、平層開關、基站開關和轎門開關的輸出端均與第一采集單元的輸入端相連，第 一采集單元的輸出端與第一處理單元的輸入端相連，第一處理單元與第一近距離通信單元 雙向通訊。
[0007] 所述第二傳感單元由曳引機三維振動傳感器、曳引機噪聲傳感器、曳引機閘瓦溫 度傳感器和控制柜溫度傳感器組成，三維振動傳感器、曳引機噪聲傳感器、曳引機閘瓦溫度 傳感器和控制柜溫度傳感器的輸出端均與第二采集單元的輸入端相連，第二采集單元的輸 出端與第二處理單元的輸入端相連，第二處理單元分別與第二近距離通信單元、遠程通信 網關雙向通訊。
[0008] 所述轎廂三維振動傳感器采用水平固定安裝在轎廂外頂部的三維振動傳感器，所 述井道噪聲傳感器采用固定安裝在轎廂外頂部的噪聲傳感器，所述門機負載電流傳感器采 用套掛在轎廂門機供電線路上的開合式霍爾電流傳感器，所述平層開關采用一對干簧管， 該對干簧管采用上、下對齊水平固定的方式安裝在轎廂外頂部且與井道導軌垂直、與垂直 固定在導軌上的磁條有效感應，所述基站開關采用U型光電開關，其水平固定在轎廂外頂 部且與垂直固定在電梯基準層的擋板有效感應，所述轎門開關采用分別固定在轎門門頭 開、合處的兩個磁感應開關，且均與轎門上固定的磁塊有效感應；所述第一處理單元采用基 于Linux操作系統的ARM9處理器，所述第一近距離通信單元采用ZigBee模塊。
[0009] 所述曳引機三維振動傳感器采用水平固定安裝在曳引機機座上的三維振動傳感 器，所述曳引機噪聲采用固定在曳引機旁側的噪聲傳感器，所述曳引機閘瓦溫度采用固定 在閘瓦旁側的溫度傳感器，所述控制柜溫度傳感器采用固定在柜體內的溫度傳感器；所 述第二處理單元采用基于Linux操作系統的ARM9處理器，所述第二近距離通信單元采用 ZigBee模塊，所述遠程通信網關采用GPRS DTU模塊。
[0010] 本發明的另一目的在于提供一種電梯在線安全檢測預警裝置的檢測預警方法，該 方法包括下列順序的步驟：
[0011] (1)獲取電梯狀態的一個特征參數的采集數據；
[0012] (2)提取一次連續電梯啟停過程中該特征參數的極大值M1，判斷是否生成預警閾 值Tl，若未生成該項參數的預警閾值Tl，則將Ml添加進數據樣本庫Dl，接著判斷數據樣本 庫Dl中的樣本數量是否達到設定個數Vl，若未達到設定個數Vl，返回第一步繼續獲取采集 數據；若達到設定個數VI，建立電梯狀態概率神經網絡模型，生成預警閾值T1，再返回第一 步獲取采集數據；
[0013] (3)若已生成預警閾值T1，將Ml添加進數據更新樣本庫D2,判斷數據更新樣本庫 D2中的樣本數量是否達到設定個數V2,0 < V2 < VI，若未達到設定個數V2,返回第一步獲 取采集數據；若達到設定個數V2,統計超過Tl的個數K，K多0,進入下一步；
[0014] (4)判斷是否K彡V2/2,若K彡V2/2,則判斷為預警，通過近距離通信單元發出預 警信息，并將剩下的V2-K個正常數據先后替換數據樣本庫Dl中最早的V2-K個數據；若K < V2/2,判斷為正常，并將該V2個數據先后替換數據樣本庫Dl中最早的V2個數據，其中K 個異常數據加入Dl中作為概率模型的訓練樣本；
[0015] (5)重新建立該特征參數的電梯狀態概率神經網絡模型，更新預警閾值Tl ;
[0016] (6)返回第一步獲取采集數據。
[0017] 建立電梯狀態概率神經網絡模型，生成或更新預警閾值的步驟如下：
[0018] (1)歸一化處理：
[0019] 根據式
，卜1，2，.·.，#，將數據樣本庫Dl中的數據逐一進行 歸一化處理，數據范圍限定在[0，1]，其中XiSDl中的某一數據，N為數據樣本庫Dl中的 數據個數，N彡1，X'為Dl的數組[Xl，x2, ...，xN]，天為歸一化處理后Dl中的某一數據；
[0020] (2)相近數據處理：
[0021] 將歸一化后Dl中的某一數據按大小排序，若
，認定元與t為相近 數據；
[0022] (3)計算平滑因子：
[0023] 采用式
計算平滑因子0，其中尖=|天-七|乂/ = 1,2，...，犯~'4 = 1.1~1.4， 若i確定，Hiin(Clij)為所有數據點中距?,最近的點士與&的距離；
[0024] (4)計算條件概率：
[0025] 根據式
I計算自變量X的條件概率P(x + i:)
[0026] ，其中X取值范圍在[0, 1];
[0027] (5)生成或更新預警閾值：
[0028] 根據電梯