Provided is an abnormality detection system capable of constructing a learning model for determining elevator motor abnormality with higher accuracy even for an operation with little data measured under the same premise. An abnormality detection system (18) comprises a classification unit (23), a calculation unit (24), an integration unit (25), and a learning unit (28). The classification unit (23) classifies a plurality of measurement data for each operation acquired when the motor operates into a plurality of premise groups for each premise data. The calculation unit (24) calculates, for each of the premise groups, the feature quantity of the premise group on the basis of the measurement data classified into the premise group. The integration unit (25) integrates at least one of the plurality of premise groups into an integration group on the basis of the feature quantity calculated by the calculation unit (24). The learning unit (28) constructs the learning model for determining the motor abnormality on the basis of the measurement data classified into the integration group.
L'invention fournit un système de détection d'anomalie susceptible de construire un modèle d'apprentissage permettant de déterminer une anomalie de moteur d'ascenseur avec une précision accrue, même pour une opération avec peu de données mesurées en un même local. Un système de détection d'anomalie (18) comprend une unité de classification (23), une unité de calcul (24), une unité d'intégration (25) et une unité d'apprentissage (28). L'unité de classification (23) classifie une pluralité de données de mesure pour chaque opération acquise lors du fonctionnement du moteur en une pluralité de groupes de locaux pour chaque donnée de local. L'unité de calcul (24) calcule, pour chacun des groupes de locaux, la quantité de caractéristiques du groupe de locaux selon les données de mesure classées dans le groupe de locaux. L'unité d'intégration (25) intègre au moins un groupe de locaux de la pluralité de groupes de locaux dans un groupe d'intégration selon la quantité de caractéristiques calculée par l'unité de calcul (24). L'unité d'apprentissage (28) construit le modèle d'apprentissage pour déterminer l'anomalie de moteur selon les données de mesure classées dans le groupe d'intégration.
同じ前提で計測されたデータが少ない動作に対しても、より高い精度でエレベーターのモータの異常を判定する学習モデルを構築できる異常検出システムを提供する。異常検出システム(18)は、分類部(23)と、算出部(24)と、統合部(25)と、学習部(28)と、を備える。分類部(23)は、モータが動作するときに取得される動作ごとの複数の計測データを、前提データごとの複数の前提グループに分類する。算出部(24)は、各々の前提グループについて、当該前提グループに分類された計測データに基づいて当該前提グループの特徴量を算出する。統合部(25)は、算出部(24)が算出する特徴量に基づいて、複数の前提グループの少なくともいずれかを統合グループに統合する。学習部(28)は、統合グループに分類された計測データに基づいて、モータの異常を判定する学習モデルを構築する。
ELEVATOR MOTOR ABNORMALITY DETECTION SYSTEM
SYSTÈME DE DÉTECTION D'ANOMALIE DE MOTEUR D'ASCENSEUR
エレベーターのモータの異常検出システム
2022-10-20
Patent
Electronic Resource
Japanese
IPC: | B66B Aufzüge , ELEVATORS |
ELEVATOR ABNORMALITY DETECTION SYSTEM AND ELEVATOR ABNORMALITY DETECTION METHOD
European Patent Office | 2019
|ELEVATOR ABNORMALITY DETECTION DEVICE AND ELEVATOR ABNORMALITY DETECTION METHOD
European Patent Office | 2025
|European Patent Office | 2021
|ABNORMALITY DETECTION SYSTEM AND ABNORMALITY DETECTION METHOD OF ELEVATOR
European Patent Office | 2019
|