本发明属于电梯门故障检测技术领域。
背景技术：
本门工作、生活中最频繁接触的是乘客电梯，其安全运行与否直接关系到乘用人员的人身安全。据统计，80％以上的电梯故障和70％以上的电梯事故是由电梯门系统出现问题造成。门系统一旦发生故障，将影响到整机的正常运行，甚至造成乘客伤亡。因此，实现准确的识别电梯运行过程中的门状态对确保电梯的前安全运行十分重要，能为电梯潜在安全隐患进行识别和故障诊断提供技术支持。
依据现有技术，虽然能在一定程度上对电梯运行过程中门状态是否异常进行检测，但是现有技术严重依赖了大量的硬件设备，在使用成本和实现效果上都不是好的选择。例如中国专利cn201910763678.8公开了一种用于电梯门传感器融合、故障检测和服务通知的系统，该系统通过处理器、存储器和多个传感器，通过传感器的输出对门装调进行识别。再例如中国专利cn201711495102.5公开一种基于大规模数据的电梯门故障检测系统。该系统有数据分发层、数据传输层、数据处理层以及分布式协调服组件组成，能够对电梯大规模流数据进行分发、传输、分析和片段，涉及到多种传感器以及复杂的判定算法，成本高并且判断规则负载，适用范围小。
技术实现要素：
本发明的目的在于解决上述问题，提供一种成本低、适用范围广的基于音频特征的电梯门故障检测方法。
为实现上述目的，本发明提供一种基于音频特征的电梯门故障检测方法，包括：
s1、采集电梯运行时段的视频流，获取其中的音频信号；
s2、对所述音频信号进行预处理；
s3、接收预处理后的数据，提取出数据特征；
s4、将所述数据特征作为学习目标，根据现有数据量的大小自适应的选择异常检测模型或有监督学习模型进行训练，实时更新检测模型；
s5、将所述数据特征输入更新后的检测模型，由所述检测模型给出故障概率阈值，根据故障概率阈值决定是否发出故障告警。
根据本发明的一种实施方式，所述步骤s2中，对于音频信号的预处理包括但不限于滤波、降噪和去除奇异值。
根据本发明的一种实施方式，对所述音频信号进行降噪处理时使用小波阈值去噪法：
设定正交小波和分解层数n，对信号f(t)进行n层小波分解，n＝6；
对测量信号的小波变换系数进行非线性阈值处理；
对处理后的小波系数进行重构。
根据本发明的一种实施方式，所述步骤s3中，提取处的数据特征包括但不限于过零率、频域能量、频谱质心、梅尔到普系数。
根据本发明的一种实施方式，根据现有数据量的大小自适应的选择异常检测模型或有监督学习模型进行训练包括：
在门故障数据不足的情况下，即正负样本严重失衡的情况下，选择异常检测模型进行训练，在特征选择过程中可以根据特征维度的高低自适应的匹配特征选择算法，包括但不限于穷举法、方差选择法、相关系数法、无监督聚类，异常检测模型包括但不限于isolationfroest、oneclasssvm、autoencoder、ganormaly。
根据本发明的一种实施方式，据现有数据量的大小自适应的选择异常检测模型或有监督学习模型进行训练还包括：
在电梯样本充足的情况下，将自适应选择有监督学习模型，有监督学习模型包括但不局限于randomforesets、lightgbm、xgboost、多个模型集成gru、cnn、gcn。
根据本发明的一种实施方式，在步骤s5中，设定当检测模型给出的故障概率阈值≥0.6时，发出故障告警。
附图说明
图1示意性表示根据本发明基于音频的电梯门故障检测方法流程图。
具体实施方式
为了更清楚地说明本发明实施方式或现有技术中的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
下面结合附图和具体实施方式对本发明作详细地描述，实施方式不能在此一一赘述，但本发明的实施方式并不因此限定于以下实施方式。
如图1所示，本发明提供一种基于音频特征的电梯门故障检测方法，包括s1、采集电梯运行时段的视频流，获取其中的音频信号；s2、对所述音频信号进行预处理；s3、接收预处理后的数据，提取出数据特征；s4、将所述数据特征作为学习目标，根据现有数据量的大小自适应的选择异常检测模型或有监督学习模型进行训练，实时更新检测模型；s5、将所述数据特征输入更新后的检测模型，由所述检测模型给出故障概率阈值，根据故障概率阈值决定是否发出故障告警。
具体来说，在步骤s1中可以调用电梯内视频监控音频数据，从监控数据中获取电梯运行时段的音频信号，然后在步骤s2中对音频信号进行预处理，以获取到质量更好的数据，来保证最终形成的检测模型的效果。对于音频数据的预处理包括但不限于滤波、降噪和去除奇异值。
其中，音频信号进行降噪处理时使用小波阈值去噪法：
设一个含噪声的信号f(t)，则可以用以下模型表示：
f(t)＝s(t) e(t)(1)
其中，s(t)为真实信号，e(t)为白噪声。对上式两边同时做小波变换：
wtf(a,b)＝wts(a,b) wte(a,b)(2)
即实际测量信号的小波变换等于多个信号小波变换的和。
经小波变换后，能够最大程度的去除了信号f(t)的相关性，将大部分能量集中在少数的、幅度相对较大的小波系数上。而噪声e(t)经过小波变换后将分布在各个尺度下的所有时间轴上，且幅度不是很大。利用这一原理，在小波变换的各个尺度上将噪声的小波系数最大程度地减小，然后利用处理后的小波系数进行信号重构，从而达到抑制噪声的目的。
其中，具体步骤如下：
设定正交小波和分解层数n，对信号f(t)进行n层小波分解(n＝6)。
对测量信号的小波变换系数进行非线性阈值处理。
对处理后的小波系数进行重构。
接着在步骤s3中，进行特征构造，即从经过步骤s2处理好的数据中提取出重要特征，用于提升检测模型的效果。重要特征包括但不限于过零率、频域能量、频谱质心、梅尔到普系数等音频特征。
然后在s4中，将所述数据特征作为学习目标，根据现有数据量的大小自适应的选择异常检测模型或有监督学习模型进行训练，实时更新检测模型。具体来说，在门故障数据不足的情况下，即正负样本严重失衡的情况下。拟合模块会自动采用无监督异常检测模型作为训练目标。该部分详细包括特征选择、模型训练、模型测试、模型评估与验证。
具体的，在特征选择过程中可以根据特征维度的高低自适应的匹配特征选择算法，包括但不局限于穷举法、方差选择法、相关系数法等。同理，模型也可自适应的选择传统的异常检测方法或者深度学习方法，包括但不局限于无监督聚类、isolationfroest、oneclasssvm、autoencoder、ganormaly等。
其次，在电梯样本充足的情况下，我们将自适应选择有监督学习分类模型，该部分同样包括特征选择，模型训练、模型测试、模型评估与验证。
具体的，有监督学习分类模型包括但不局限于，传统的机器学习模型。如randomforesets、lightgbm、xgboost等，或者采用多个模型集成的方法。同样，可以自适应的选择深度学习模型，如gru、cnn、gcn等，从而提高检测效果。这里的检测效果评估指标包括但不局限于精确率、召回率，或者是二者的加权的f1-score，具体视需求而定。
以循环门单元(gatedrecurrentunit，gru)网络模型为例：
gru模型的输入有两个：当前时刻网络的输入xt(即语音信号)、上一时刻gru的输出值ht-1。gru的输出为：当前时刻gru输出值。在这里x、h都是向量。gru中引入了两个门：重置门(resetgate)和一个更新门(updategate)。
重置门：决定了如何将新的输入信息与前面的记忆相结合；
更新门：定义了前面记忆保存到当前时间步的量。
更新门计算：
首先在时间t时刻使用以下公式计算更新门zt：
zt＝σ(w(z)xt u(z)ht-1)，
其中，xt为第t个时间步的输入向量，上一时刻的输出值为ht-1；
重置门计算：
本质上来说，重置门主要决定了到底有多少过去的信息需要遗忘，我们可以使用以下表达式计算：
rt＝σ(w(r)xt u(r)ht-1)
该表达式与更新门的表达式是一样的，只不过线性变换的参数和用处不一样。
当前记忆内容
在重置门的使用中，新的记忆内容将使用重置门储存过去相关的信息，它的计算表达式为：
当前时间步的最终记忆
在最后一步，网络需要计算ht，该向量将保留当前单元的信息并传递到下一个单元中。
更新当前序列输出:
v为权重矩阵，by是偏置。
全连接层计算：
y＝x·w b
x输入，w为权重矩阵，b是偏置。
softmax概率值输出：
i∈[1,k]其中zi是神经网络模型第i个节点输出值，c为输出节点个数，即分类的类别个数。
最终在步骤s5中，将数据特征输入更新后的检测模型，由所述检测模型给出故障概率阈值，根据故障概率阈值决定是否发出故障告警。根据本发明的一种实施方式，设定当检测模型给出的故障概率阈值≥0.6时，发出故障告警。
首先，本方法不需要在各个零部件上安装传感器设备，只需要调用电梯内视频监控音频数据。本方法从监控数据中获取电梯运行时段的音频信号，将音频信号作为检测模型的学习目标，并且可以根据现有数据量的大小自适应的选择检测模型，即本发明的方法成本低、适用范围广。
以上所述仅为本发明的一个实施方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
1.一种基于音频特征的电梯门故障检测方法，包括：
s1、采集电梯运行时段的视频流，获取其中的音频信号；
s2、对所述音频信号进行预处理；
s3、接收预处理后的数据，提取出数据特征；
s4、将所述数据特征作为学习目标，根据现有数据量的大小自适应的选择异常检测模型或有监督学习模型进行训练，实时更新检测模型；
s5、将所述数据特征输入更新后的检测模型，由所述检测模型给出故障概率阈值，根据故障概率阈值决定是否发出故障告警。
2.根据权利要求1所述基于音频特征的电梯门故障检测方法，其特征在于，所述步骤s2中，对于音频信号的预处理包括但不限于滤波、降噪和去除奇异值。
3.根据权利要求2所述的基于音频特征的电梯门故障检测方法，其特征在于，对所述音频信号进行降噪处理时使用小波阈值去噪法：
设定正交小波和分解层数n，对信号f(t)进行n层小波分解，n＝6；
对测量信号的小波变换系数进行非线性阈值处理；
对处理后的小波系数进行重构。
4.根据权利要求1所述的基于音频特征的电梯门故障检测方法，其特征在于，所述步骤s3中，提取处的数据特征包括但不限于过零率、频域能量、频谱质心、梅尔到普系数。
5.根据权利要求1所述的基于音频特征的电梯门故障检测方法，其特征在于，根据现有数据量的大小自适应的选择异常检测模型或有监督学习模型进行训练包括：
在门故障数据不足的情况下，即正负样本严重失衡的情况下，选择异常检测模型进行训练，在特征选择过程中可以根据特征维度的高低自适应的匹配特征选择算法，包括但不限于穷举法、方差选择法、相关系数法、无监督聚类，异常检测模型包括但不限于isolationfroest、oneclasssvm、autoencoder、ganormaly。
6.根据权利要求4所述的基于音频特征的电梯门故障检测方法，其特征在于，据现有数据量的大小自适应的选择异常检测模型或有监督学习模型进行训练还包括：
在电梯样本充足的情况下，将自适应选择有监督学习模型，有监督学习模型包括但不局限于randomforesets、lightgbm、xgboost、多个模型集成gru、cnn、gcn。
7.根据权利要求1所述的基于音频特征的电梯门故障检测方法，其特征在于，在步骤s5中，设定当检测模型给出的故障概率阈值≥0.6时，发出故障告警。
技术总结