本技术公开了一种基于图卷积的电梯故障诊断方法及系统,包括:将电梯运行时振动信号转换为水平可视图;将该水平可视图输入图卷积网络,得到该振动信号的空间特征;将该空间特征输入门控循环单元,得到该振动信号的时序特征;融合该空间特征和该时序特征,对电梯故障进行诊断,通过结合图卷积网络和门控循环单元的算法,从而全面捕捉电梯运行状态下的故障特征,并减少计算冗余,提高诊断的准确性和实时性。
背景技术
随着城市化进程的加快和高层建筑数量的增加,电梯已成为现代建筑中不可或缺的垂直交通工具。电梯的使用频率高,涉及到大量人员的安全,故障诊断显得尤为重要。传统电梯系统的维护模式大多依赖于定期的人工检查和基础的传感器报警,这种方式不仅费时费力,且无法及时预防和检测潜在的故障,可能导致运行过程中出现不必要的安全隐患。因此,利用现代信息技术手段,尤其是深度学习技术,对电梯运行数据进行综合性地分析和处理越来越受到关注,旨在通过实时数据监控和分析,实现故障的早期预警和预测,提高电梯系统的安全性和可靠性。
现有电梯故障诊断方法主要集中在通过传感器监测振动信号来分析电梯的运行状态。然而,现有的技术往往无法及时、准确地检测到潜在的故障,容易导致电梯运行的不稳定和安全隐患。
因此,需要一种改进的电梯故障诊断方法及系统,能够融合物联网技术和图神经网络算法,将电梯故障诊断从传统的事后维修模式逐步转变为智能的预防性维护模式,实现电梯系统的高效、安全运行。
实现思路