本技术介绍了一种结合变分自编码器(VAE)和Transformer网络的电梯门异常声音检测技术。该方法涵盖了数据采集预处理、模型构建训练、异常声音检测识别以及性能评估等关键步骤,旨在提高电梯门异响检测的准确性和效率。
背景技术
电梯作为现代建筑中不可或缺的垂直运输设备,其运行的安全性和稳定性对保障人员安全和提升用户体验至关重要。在电梯的日常使用中,门系统是最频繁运行的部分之一,也是故障率较高的部件。常见门系统故障或异常主要有:门系统机械故障、电梯门夹人、建筑垃圾堵塞导轨、物品人为阻挡电梯门、其他使用不当等。通常这些不同故障或异常现象会伴有不同特征的异响声音,因此利用声音检测和特征识别,可以及时发现并识别电梯门系统故障或异常,从而保障电梯运行安全和乘客安全。
传统的电梯门异响检测与识别主要依赖人工经验和定期维护检查,存在检测效率低、误报率高、维护成本高等问题。近年来,随着人工智能和机器学习技术的发展,基于数据驱动的故障检测方法逐渐成为研究热点,现有发明方法通常使用一般的检测识别流程对电梯存在的异响进行检测识别,并且现有的大多数方法依赖于有标签的数据,而获取大量高质量的有标签数据往往需要耗费大量人力和时间。在此通过引入无监督模型训练完成异常声音的检测,再将检测到的异响进行进一步分类和识别的机制,能够显著减少数据的计算量极大提升效率,快速识别具体的故障类型并提供精准的维护建议,从而提升故障处理的效率和准确性。
实现思路