原文传递
一种基于卷积神经网络的电梯运行检测系统及方法
| 专利名称： | 一种基于卷积神经网络的电梯运行检测系统及方法 |
| 摘要： | 本发明公开了一种基于卷积神经网络的电梯运行检测系统及方法，其中方法实施例包括以下步骤：通过加速度采集单元采集电梯的实时运动信息；根据加速度采集单元传入的电梯加速度信息进行分析，分别得到包含标签的加速度信息，并根据大量已标签运动信息组成训练集与测试集，进行网络训练得到CNN网络的权值；接收根据已经训练好的CNN网络，实时处理电梯运动信息，给出识别结果；根据识别结果进行判断，若存在异常，则产生报警信息。 |
| 专利类型： | 发明专利 |
| 国家地区组织代码： | 浙江;33 |
| 申请人： | 浙江新再灵科技股份有限公司 |
| 发明人： | 朱鲲;施行;王超;蔡巍伟;吴磊磊 |
| 专利状态： | 有效 |
| 申请日期： | 2019-04-24T00:00:00+0800 |
| 发布日期： | 2019-07-23T00:00:00+0800 |
| 申请号： | CN201910332032.4 |
| 公开号： | CN110040594A |
| 代理机构： | 杭州天昊专利代理事务所(特殊普通合伙) |
| 代理人： | 董世博 |
| 分类号： | B66B5/00(2006.01);B;B66;B66B;B66B5 |
| 申请人地址： | 310000 浙江省杭州市滨江区(临)东流路1805号2幢五层 |
| 主权项： | 1.一种基于卷积神经网络的电梯运行检测方法，其特征在于，包括以下步骤： 通过加速度采集单元采集电梯的实时运动信息； 根据加速度采集单元传入的电梯加速度信息进行分析，分别得到包含标签的加速度信息，并根据大量已标签运动信息组成训练集与测试集，进行网络训练得到CNN网络的权值； 接收根据已经训练好的CNN网络，实时处理电梯运动信息，给出识别结果； 根据识别结果进行判断，若存在异常，则产生报警信息。 2.如权利要求1所述的基于卷积神经网络的电梯运行检测方法，其特征在于，所述CNN网络为多层卷积神经网络， 每次输入信息为128条数据长度为300点的加速度信息矩阵，每层卷积层均进行卷积核为3的卷积计算,激活函数为leak Relu激活。 通过第一层卷积层128*300转化为126*298*64，该矩阵通过batch normalize归一化再，待池化数据为126*298*64； 经过最大值池化转化为42*59*64； 42*59*64通过第二层卷积运算为42*57*32； 通过第三层卷积运算为40*55*32； 通过batch normalize归一化，通过第四层卷积运算为40*53*32； 通过batch normalize归一化，再进行最大值池化转化为20*17*32； 通过第五层卷积运算为18*15*32，再进行batch normalize归一化； 通过最大值池化结果为9*7*32； 将该矩阵展开转化为长度为2016的一维向量(flatten处理)； 再通过dropout，dropout将在训练过程中每次更新参数时按一定概率随机断开输入神经元，本专利中选取概率为0.5，选择有效数据，长度依然为2016； 再通过全连接层dense数据转化为长度128的一维向量； 通过dropout选取则有效数据； 再通过全连接层转化为长度为4的一维向量； 对该一维向量进行Softmax获取得到4种状态的概率，分别为： 状态1-稳定状态无异常(静止或匀速运动时)； 状态2-加减速时刻无异常； 状态3-稳定状态时振动异常； 状态4-急停； 选取概率最大的作为当前识别状态输出结果； 其中前向卷积计算为： Y＝W*X+b 其中X为输入层数据，W为对应权值(由多卷积核组成)，b为对应修正量，Y为输出曾数据，再对Y数据通过激励函数，得到该层输出结果Leak Relu为： Y＝max(0.1x,x) Softmax： 待处理的数据向量为a＝[a1,a2,a3,a4].对其进行softmax计算为,其中i取[1,4] 3.如权利要求2所述的基于卷积神经网络的电梯运行检测方法，其特征在于，若识别结果为状态3-稳定状态时振动异常或状态4-急停，则通知报警中心进行报警。 4.一种基于卷积神经网络的电梯运行检测系统，其特征在于，包括： 加速度采集单元，用于采集电梯的实时运动信息； 数据处理中心，用于根据加速度采集单元传入的电梯加速度信息进行分析，分别得到包含标签的加速度信息，并根据大量已标签运动信息组成训练集与测试集，进行网络训练得到CNN网络的权值； 实时处理中心，接收根据已经训练好的CNN网络，实时处理电梯运动信息，给出识别结果； 报警单元，用于根据识别结果进行判断，若存在异常，则产生报警信息。 5.如权利要求4所述的基于卷积神经网络的电梯运行检测系统，其特征在于，所述CNN网络为多层卷积神经网络， 每次输入信息为128条数据长度为300点的加速度信息矩阵，每层卷积层均进行卷积核为3的卷积计算,激活函数为leak Relu激活。 通过第一层卷积层128*300转化为126*298*64，该矩阵通过batch normalize归一化再，待池化数据为126*298*64； 经过最大值池化转化为42*59*64； 42*59*64通过第二层卷积运算为42*57*32； 通过第三层卷积运算为40*55*32； 通过batch normalize归一化，通过第四层卷积运算为40*53*32； 通过batch normalize归一化，再进行最大值池化转化为20*17*32； 通过第五层卷积运算为18*15*32，再进行batch normalize归一化； 通过最大值池化结果为9*7*32； 将该矩阵展开转化为长度为2016的一维向量(flatten处理)； 再通过dropout，dropout将在训练过程中每次更新参数时按一定概率随机断开输入神经元，本专利中选取概率为0.5，选择有效数据，长度依然为2016； 再通过全连接层dense数据转化为长度128的一维向量； 通过dropout选取则有效数据； 再通过全连接层转化为长度为4的一维向量； 对该一维向量进行Softmax获取得到4种状态的概率，分别为： 状态1-稳定状态无异常(静止或匀速运动时)； 状态2-加减速时刻无异常； 状态3-稳定状态时振动异常； 状态4-急停； 选取概率最大的作为当前识别状态输出结果； 其中前向卷积计算为： Y＝W*X+b 其中X为输入层数据，W为对应权值(由多卷积核组成)，b为对应修正量，Y为输出曾数据，再对Y数据通过激励函数，得到该层输出结果Leak Relu为： Y＝max(0.1x,x) Softmax： 待处理的数据向量为a＝[a1,a2,a3,a4].对其进行softmax计算为,其中i取[1,4] 6.如权利要求5所述的基于卷积神经网络的电梯运行检测系统，其特征在于，若识别结果为状态3-稳定状态时振动异常或状态4-急停，则通知报警中心进行报警。 |
| 所属类别： | 发明专利 |
检索历史
应用推荐
