本發(fā)明涉及節(jié)能電梯，具體涉及節(jié)能電梯控制系統(tǒng)。

背景技術(shù)：

1、節(jié)能電梯控制是指在商場或辦公大樓等多電梯運行環(huán)境中，通過優(yōu)化電梯的運行方式和控制策略，減少能源消耗并提高整體能效的技術(shù)。具體來說，節(jié)能電梯控制系統(tǒng)通過精確的調(diào)度算法、智能預測和動態(tài)調(diào)節(jié)來實現(xiàn)高效運行。例如，在多電梯環(huán)境下，系統(tǒng)能夠根據(jù)實時需求合理分配電梯的運行時間和載重，減少空載運行，優(yōu)化電梯的上下樓調(diào)度順序，確保各電梯在不同樓層之間的平衡和高效運轉(zhuǎn)。同時，系統(tǒng)還能夠根據(jù)樓層需求預測，靈活調(diào)整電梯的運行速度和停留時間，以減少不必要的停頓和等待?，F(xiàn)代節(jié)能電梯還廣泛應用變頻驅(qū)動技術(shù)，使電梯電機根據(jù)實際負荷和速度需求動態(tài)調(diào)節(jié)功率，從而避免能源浪費。此外，通過多電梯協(xié)調(diào)調(diào)度，能夠進一步提升整體效率，減少電力資源的浪費，并實現(xiàn)節(jié)能減排目標。這些技術(shù)的綜合運用，不僅顯著降低了電梯的能耗，也提升了大樓的運營效益和用戶體驗。

2、現(xiàn)有技術(shù)存在以下不足：

3、現(xiàn)有技術(shù)通常對所有電梯進行統(tǒng)一的周期性自檢，以識別其運行過程中是否存在偏離正常狀態(tài)的情況。然而，每臺電梯的運行狀態(tài)和工作負荷各不相同，因此，統(tǒng)一的自檢方案可能無法滿足高頻率運行電梯的檢測需求。高頻率運行的電梯由于頻繁的啟停和更大的工作負荷，其各個關(guān)鍵部件(如電機、制動系統(tǒng)、傳動裝置和門控系統(tǒng)等)更容易出現(xiàn)疲勞損耗或提前老化。在這種情況下，統(tǒng)一的周期性自檢可能無法適應高頻電梯的特殊需求，導致自檢周期過長或檢查不夠頻繁，錯過了關(guān)鍵的故障預警期。未能及時發(fā)現(xiàn)的故障可能逐漸演變?yōu)閲乐貑栴}，最終導致電梯停運、服務(wù)中斷，甚至引發(fā)安全事故。因此，需要根據(jù)不同電梯的實際運行情況，制定更加靈活和針對性的自檢策略，以確保高頻率運行的電梯能夠在最佳狀態(tài)下運行，避免潛在的故障和安全風險。

4、在所述背景技術(shù)部分公開的上述信息僅用于加強對本公開的背景的理解，因此它可以包括不構(gòu)成對本領(lǐng)域普通技術(shù)人員已知的現(xiàn)有技術(shù)的信息。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是提供節(jié)能電梯控制系統(tǒng)，通過智能化評估電梯運行狀態(tài)并動態(tài)調(diào)整自檢周期，該方案有效提高了電梯故障預警能力與維護效率，確保高頻運行電梯得到及時檢查，減少了潛在故障和安全風險。同時，合理調(diào)整自檢周期優(yōu)化了電梯資源使用，減少了不必要的檢查和能耗，提升了電梯運行效率和能效，實現(xiàn)了節(jié)能減排目標。該方案在保障電梯安全性的同時，也提高了運營效率與節(jié)能效果，以解決上述背景技術(shù)中的問題。

2、為了實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：節(jié)能電梯控制系統(tǒng)，包括歷史數(shù)據(jù)收集與分析模塊、定期自檢調(diào)度模塊、實時數(shù)據(jù)采集模塊、關(guān)鍵數(shù)據(jù)提取與處理模塊、深度學習評估與狀態(tài)分類模塊以及動態(tài)自檢周期調(diào)整模塊：

3、歷史數(shù)據(jù)收集與分析模塊，收集和分析每臺電梯的歷史運行數(shù)據(jù)，為每臺電梯設(shè)定不同的自檢周期，確保每臺電梯根據(jù)其實際運行需求進行適當?shù)臋z查頻率，避免因自檢不及時而出現(xiàn)潛在故障；

4、定期自檢調(diào)度模塊，根據(jù)設(shè)定的自檢周期，所有電梯按照各自的周期定期進行自檢，確保每臺電梯在預設(shè)的自檢周期內(nèi)得到全面檢查，及時發(fā)現(xiàn)和處理潛在問題，維持電梯的正常運行狀態(tài)；

5、實時數(shù)據(jù)采集模塊，在電梯運行過程中，實時采集各電梯運行數(shù)據(jù)；

6、關(guān)鍵數(shù)據(jù)提取與處理模塊，在監(jiān)控窗口期間，針對每臺電梯，從實時采集的運行數(shù)據(jù)中提取反映電梯高頻率運行的關(guān)鍵特征，對提取的關(guān)鍵特征進行分析，將分析后的特征輸入預先訓練好的深度學習模型中，分析電梯的運行數(shù)據(jù)，評估電梯當前的運行狀態(tài)；

7、深度學習評估與狀態(tài)分類模塊，根據(jù)深度學習模型的評估結(jié)果，將當前電梯運行狀態(tài)劃分為“高頻運行”和“平穩(wěn)運行”兩類；

8、動態(tài)自檢周期調(diào)整模塊，對于被評估為“平穩(wěn)運行”的電梯，繼續(xù)按照設(shè)定的預設(shè)自檢周期進行常規(guī)自檢；對于被評估為“高頻運行”的電梯，根據(jù)深度學習模型的評估結(jié)果，動態(tài)調(diào)整其自檢周期，縮短自檢間隔，提前發(fā)現(xiàn)和處理潛在故障，減少停運和安全事故的風險。

9、優(yōu)選的，針對每臺電梯，從實時采集的運行數(shù)據(jù)中提取反映電梯高頻率運行的關(guān)鍵特征，提取的特征包括電梯運行周期時間差和電梯位置調(diào)整的頻率，在設(shè)定的監(jiān)控窗口期間，對提取的特征進行分析后，分別生成的電梯運行時間差指數(shù)和電梯位置調(diào)整指數(shù)，電梯運行時間差指數(shù)量化了電梯從一個樓層到另一個樓層所需的時間差異，反映了電梯在高頻運行狀態(tài)下的響應速度和效率；電梯位置調(diào)整指數(shù)量化了電梯在上下樓層過程中位置微調(diào)的頻率，反映了電梯在高頻運行狀態(tài)下的精確控制和調(diào)整需求。

10、優(yōu)選的，在監(jiān)控窗口下，對電梯運行周期時間差進行分析，生成電梯運行時間差指數(shù)的具體步驟如下：

11、在監(jiān)控窗口下，利用從多個樓層間電梯運行周期中提取的時間差數(shù)據(jù)，生成時間差波動，計算表達如下：

12、

13、，式中，tcycle(j)表示第j次運行周期的時間差，tcycle(j-1)是上一次運行周期的時間差，α是加權(quán)系數(shù)，用于調(diào)節(jié)相對變化率的影響程度，tfluct(j)是時間差波動值，表示第i次運行周期與前一次運行周期之間的時間差相對變化的程度；

14、為了進一步理解電梯的運行狀態(tài)，構(gòu)建時間差波動的累積指數(shù)，計算表達式如下：

15、

16、，式中，irun(t)是時間差波動累積指數(shù)，即時間點t時刻的時間差波動累積指數(shù)，t是時間點，δt是監(jiān)控窗口長度，是指數(shù)衰減因子，exp是自然指數(shù)函數(shù)，τ是衰減時間常數(shù)，i是時間序列索引；

17、最后，通過對時間差波動累積指數(shù)irun(t)進一步處理，生成電梯運行時間差指數(shù)，計算表達式如下：

18、

19、，式中，idiff是電梯運行時間差指數(shù)，β是縮放系數(shù)，λ是靈敏度調(diào)節(jié)因子。

20、優(yōu)選的，在監(jiān)控窗口下，對電梯位置調(diào)整的頻率進行分析，生成電梯位置調(diào)整指數(shù)的具體步驟如下：

21、在監(jiān)控窗口下，首先實時采集電梯的運行數(shù)據(jù)，基于獲取的數(shù)據(jù)，定義電梯位置調(diào)整的動態(tài)頻率因子，計算表達式如下：

22、

23、，式中，n(t)是電梯在監(jiān)控窗口t內(nèi)的位置調(diào)整次數(shù)，s(t)是電梯在監(jiān)控窗口t內(nèi)的行駛總樓層數(shù)，δt(t)是監(jiān)控窗口時長，αload(t)是電梯在監(jiān)控窗口t內(nèi)的負載因子，fadj(t)是電梯位置動態(tài)頻率因子；

24、在評估電梯位置調(diào)整頻率時，引入調(diào)整幅度的權(quán)重因子，增強對電梯在頻繁運行時精細調(diào)整需求的評估，計算表達式如下：

25、

26、，式中，wadj(t)是調(diào)整幅度權(quán)重因子，δdp是第p次調(diào)整的幅度，max(δdp)監(jiān)控窗口t內(nèi)的最大調(diào)整幅度，ω是幅度加權(quán)指數(shù)；

27、基于電梯位置動態(tài)頻率因子fadj(t)和調(diào)整幅度權(quán)重因子wadj(t)生成電梯位置調(diào)整指數(shù)，計算表達式如下：

28、

29、，式中，δtp是第p次位置調(diào)整的時間持續(xù)量，fadjustment是電梯位置調(diào)整指數(shù)。

30、優(yōu)選的，將從電梯運行數(shù)據(jù)中提取的電梯運行周期時間差和電梯位置調(diào)整的頻率進行分析后生成的電梯運行時間差指數(shù)和電梯位置調(diào)整指數(shù)輸入至預先學習好的深度學習模型中，通過深度學習模型生成工作頻率指數(shù)，通過工作頻率指數(shù)智能化評估當前電梯運行狀態(tài)。

31、優(yōu)選的，將在監(jiān)控窗口期間通過預先學習好的深度學習模型對電梯運行狀態(tài)進行智能化評估時生成的工作頻率指數(shù)與預先設(shè)定的工作頻率指數(shù)參考閾值進行比對分析，對當前電梯運行狀態(tài)進行劃分，劃分步驟如下：

32、若工作頻率指數(shù)大于等于預先設(shè)定的工作頻率指數(shù)參考閾值，則將當前電梯運行狀態(tài)劃分為高頻運行；

33、若工作頻率指數(shù)小于預先設(shè)定的工作頻率指數(shù)參考閾值，則將當前電梯運行狀態(tài)劃分為平穩(wěn)運行。

34、優(yōu)選的，對于被評估為“高頻運行”的電梯，根據(jù)深度學習模型的評估結(jié)果，動態(tài)調(diào)整其自檢周期，縮短自檢間隔的具體步驟如下：

35、電梯被評估為高頻運行狀態(tài)，對自檢周期進行動態(tài)調(diào)整，縮短自檢間隔，基于深度學習模型的評估結(jié)果，基于電梯的工作頻率指數(shù)elevatorwork計算調(diào)整后的自檢周期，計算表達式如下：

36、

37、，式中，tself_check_orig是預設(shè)的自檢周期，是調(diào)節(jié)因子，elevatorref是工作頻率指數(shù)參考閾值，tself_check_new是調(diào)整后的自檢周期；

38、在調(diào)整自檢周期后，實時跟蹤電梯的運行狀態(tài)，對故障預警進行量化，計算表達式如下：

39、

40、，式中，fwarning是故障預警值，τ是權(quán)重因子，γq是性能指標q的權(quán)重因子，kq是第q個電梯的性能指標，n是性能指標總數(shù)；

41、基于動態(tài)調(diào)整后的自檢周期和健康狀態(tài)評估結(jié)果，電梯的維護與服務(wù)策略將進行相應的調(diào)整，生成維護優(yōu)先級，計算表達式如下：

42、mpriority＝δ·fwarning+κ·(elevatorwork-elevatorref)

43、，式中，mpriority是電梯的維護優(yōu)先級，δ是故障預警權(quán)重因子，k是工作頻率權(quán)重因子。

44、在上述技術(shù)方案中，本發(fā)明提供的技術(shù)效果和優(yōu)點：

45、本發(fā)明通過深度學習模型智能化評估電梯的運行狀態(tài)，能夠精準識別高頻運行電梯的潛在風險。當電梯處于高頻運行狀態(tài)時，系統(tǒng)會動態(tài)調(diào)整自檢周期，縮短自檢間隔。這一策略確保了高頻率運行的電梯能夠在早期就進行更為頻繁的檢查，從而及時發(fā)現(xiàn)關(guān)鍵部件(如電機、制動系統(tǒng)、傳動裝置等)可能出現(xiàn)的疲勞損耗或老化現(xiàn)象。這不僅有效避免了故障的積累，減少了電梯停運的風險，而且能確保電梯在整個生命周期內(nèi)始終處于最佳運行狀態(tài)。與傳統(tǒng)的統(tǒng)一周期性自檢相比，動態(tài)調(diào)整后的自檢策略能夠顯著提高電梯的維護效率和故障預警能力，降低故障發(fā)生率，避免因未及時發(fā)現(xiàn)的故障而造成的安全事故和運營中斷。

46、本發(fā)明通過對電梯運行數(shù)據(jù)的智能評估和分析，節(jié)能電梯控制系統(tǒng)能夠根據(jù)電梯的實際工作負荷和運行頻率，合理調(diào)整自檢周期，使高頻率運行的電梯得到更多的關(guān)注和資源支持，而對低頻率、平穩(wěn)運行的電梯則維持標準的自檢周期。這一策略使得電梯在保證安全性的同時，避免了過度檢查，減少了不必要的維護操作，從而節(jié)省了運營成本。此外，系統(tǒng)能夠?qū)崟r監(jiān)測電梯的工作頻率和運行狀態(tài)，根據(jù)實際需求調(diào)整電梯的運行參數(shù)(如運行速度、停留時間等)，進一步提升電梯的能效。在節(jié)能電梯控制方案的支持下，電梯的運行效率得到優(yōu)化，不僅確保了設(shè)備的安全性和可靠性，還顯著減少了能源消耗，實現(xiàn)了節(jié)能減排的目標。