本發(fā)明屬于電梯監(jiān)控，特別是一種電梯環(huán)境異常監(jiān)控方法及系統(tǒng)。

背景技術(shù)：

1、隨著高層建筑的普及和電梯使用頻率的增加，電梯轎廂內(nèi)的環(huán)境安全問題日益受到關(guān)注。傳統(tǒng)電梯環(huán)境監(jiān)測主要依賴單一的溫度或氣體傳感器，存在監(jiān)測維度不足、數(shù)據(jù)分析孤立等問題，難以全面評估轎廂內(nèi)的綜合環(huán)境質(zhì)量?，F(xiàn)有技術(shù)中，基于物聯(lián)網(wǎng)的監(jiān)測系統(tǒng)雖然能夠?qū)崿F(xiàn)多參數(shù)采集，但在數(shù)據(jù)處理方面仍存在明顯缺陷：一方面，多源傳感器數(shù)據(jù)的時(shí)空關(guān)聯(lián)性未被充分利用，導(dǎo)致異常檢測精度受限；另一方面，環(huán)境異常預(yù)警機(jī)制缺乏動態(tài)適應(yīng)性，無法根據(jù)實(shí)時(shí)風(fēng)險(xiǎn)等級智能調(diào)整監(jiān)測策略。此外，當(dāng)前系統(tǒng)多采用固定閾值報(bào)警方式，難以準(zhǔn)確預(yù)測環(huán)境惡化趨勢，且與樓宇管理系統(tǒng)的聯(lián)動響應(yīng)效率低下。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提供一種電梯環(huán)境異常監(jiān)控方法及系統(tǒng)，以解決現(xiàn)有技術(shù)中的不足，能夠通過多模態(tài)數(shù)據(jù)融合、動態(tài)風(fēng)險(xiǎn)評估和預(yù)測性預(yù)警，提升電梯環(huán)境安全管理的精準(zhǔn)性和響應(yīng)效率。

2、本技術(shù)的一個實(shí)施例提供了一種電梯環(huán)境異常監(jiān)控方法，所述方法包括：

3、通過多模態(tài)傳感器陣列實(shí)時(shí)采集轎廂內(nèi)的環(huán)境數(shù)據(jù)，利用時(shí)空卷積網(wǎng)絡(luò)融合傳感器數(shù)據(jù)的空間分布特征與時(shí)間序列波動特征，生成動態(tài)環(huán)境特征圖譜，其中，所述環(huán)境數(shù)據(jù)包括溫度、濕度、co2濃度、揮發(fā)性有機(jī)物及聲紋數(shù)據(jù)；

4、基于所述動態(tài)環(huán)境特征圖譜，通過生成對抗網(wǎng)絡(luò)重構(gòu)去噪環(huán)境狀態(tài)模型，其中，生成器通過對抗訓(xùn)練消除傳感器噪聲干擾，判別器結(jié)合歷史正常環(huán)境數(shù)據(jù)庫計(jì)算環(huán)境異常概率，輸出高置信度的環(huán)境健康指數(shù)；

5、根據(jù)所述環(huán)境健康指數(shù)與乘客密度檢測數(shù)據(jù)，構(gòu)建多模態(tài)異常評分模型，利用圖神經(jīng)網(wǎng)絡(luò)關(guān)聯(lián)轎廂區(qū)域間的環(huán)境參數(shù)相關(guān)性，生成分區(qū)異常概率熱力圖，其中，所述分區(qū)異常概率熱力圖標(biāo)定高風(fēng)險(xiǎn)區(qū)域位置及異常等級；

6、基于所述分區(qū)異常概率熱力圖，通過自適應(yīng)注意力機(jī)制動態(tài)分配監(jiān)控資源，優(yōu)先增強(qiáng)高風(fēng)險(xiǎn)區(qū)域的傳感器采樣頻率，并在轎廂顯示屏疊加顯示實(shí)時(shí)環(huán)境參數(shù)、分區(qū)異常概率熱力圖及風(fēng)險(xiǎn)預(yù)警提示；

7、根據(jù)分區(qū)異常概率熱力圖的持續(xù)時(shí)間和空間擴(kuò)散趨勢，通過時(shí)空預(yù)測模型生成環(huán)境惡化預(yù)警信號，當(dāng)環(huán)境惡化預(yù)警信號級別達(dá)到預(yù)設(shè)信號級別時(shí)，觸發(fā)梯度報(bào)警機(jī)制并聯(lián)動樓宇管理系統(tǒng)調(diào)整電梯調(diào)度策略，形成閉環(huán)監(jiān)控響應(yīng)。

8、可選的，所述通過多模態(tài)傳感器陣列實(shí)時(shí)采集轎廂內(nèi)的環(huán)境數(shù)據(jù)，利用時(shí)空卷積網(wǎng)絡(luò)融合傳感器數(shù)據(jù)的空間分布特征與時(shí)間序列波動特征，生成動態(tài)環(huán)境特征圖譜，其中，所述環(huán)境數(shù)據(jù)包括溫度、濕度、co2濃度、揮發(fā)性有機(jī)物及聲紋數(shù)據(jù)，包括：

9、根據(jù)多模態(tài)傳感器陣列采集的原始環(huán)境數(shù)據(jù)流，采用滑動時(shí)間窗切分溫度、濕度、co2濃度、揮發(fā)性有機(jī)物及聲紋信號，生成時(shí)間對齊的多模態(tài)數(shù)據(jù)切片；

10、對多模態(tài)數(shù)據(jù)切片進(jìn)行空間位置編碼，將轎廂劃分為網(wǎng)格化區(qū)域并標(biāo)注傳感器節(jié)點(diǎn)的拓?fù)潢P(guān)系，構(gòu)建時(shí)空關(guān)聯(lián)張量；

11、將時(shí)空關(guān)聯(lián)張量輸入三維卷積-長短期記憶混合網(wǎng)絡(luò)，通過空間卷積核提取局部區(qū)域特征，結(jié)合時(shí)間軸lstm捕獲跨時(shí)間窗的波動規(guī)律，輸出融合時(shí)空特征的特征向量集；

12、基于特征向量集進(jìn)行區(qū)域特征聚合，利用圖池化算法生成覆蓋轎廂全域的動態(tài)環(huán)境特征圖譜，其中，圖譜節(jié)點(diǎn)編碼區(qū)域環(huán)境狀態(tài)，邊權(quán)重表示區(qū)域間環(huán)境參數(shù)相關(guān)性。

13、可選的，所述基于所述動態(tài)環(huán)境特征圖譜，通過生成對抗網(wǎng)絡(luò)重構(gòu)去噪環(huán)境狀態(tài)模型，其中，生成器通過對抗訓(xùn)練消除傳感器噪聲干擾，判別器結(jié)合歷史正常環(huán)境數(shù)據(jù)庫計(jì)算環(huán)境異常概率，輸出高置信度的環(huán)境健康指數(shù)，包括：

14、將動態(tài)環(huán)境特征圖譜輸入生成器網(wǎng)絡(luò)，通過殘差連接的多尺度卷積層重構(gòu)去噪后的環(huán)境狀態(tài)圖譜，生成器輸出包含噪聲抑制后的環(huán)境參數(shù)估計(jì)值；

15、將環(huán)境參數(shù)估計(jì)值與歷史正常環(huán)境數(shù)據(jù)庫中的標(biāo)準(zhǔn)狀態(tài)圖譜輸入判別器網(wǎng)絡(luò)，通過譜歸一化處理計(jì)算兩者的分布差異度，輸出環(huán)境異常概率分?jǐn)?shù)；

16、在對抗訓(xùn)練階段，生成器根據(jù)判別器反饋的異常概率反向優(yōu)化參數(shù)，采用wasserstein距離約束生成數(shù)據(jù)的真實(shí)性，迭代提升去噪能力；

17、融合去噪后的環(huán)境狀態(tài)圖譜中各節(jié)點(diǎn)的參數(shù)偏離度，通過熵權(quán)法計(jì)算溫度、濕度、co2濃度、揮發(fā)性有機(jī)物的綜合影響權(quán)重，生成多維環(huán)境健康指數(shù)；

18、對多維環(huán)境健康指數(shù)進(jìn)行歸一化校準(zhǔn)，結(jié)合判別器輸出的異常概率生成0-1區(qū)間的高置信度環(huán)境健康指數(shù)。

19、可選的，所述根據(jù)所述環(huán)境健康指數(shù)與乘客密度檢測數(shù)據(jù)，構(gòu)建多模態(tài)異常評分模型，利用圖神經(jīng)網(wǎng)絡(luò)關(guān)聯(lián)轎廂區(qū)域間的環(huán)境參數(shù)相關(guān)性，生成分區(qū)異常概率熱力圖，其中，所述分區(qū)異常概率熱力圖標(biāo)定高風(fēng)險(xiǎn)區(qū)域位置及異常等級，包括：

20、將環(huán)境健康指數(shù)與基于攝像頭的人群密度檢測數(shù)據(jù)進(jìn)行時(shí)空對齊，通過注意力機(jī)制動態(tài)分配不同區(qū)域的環(huán)境健康權(quán)重與乘客密度權(quán)重，生成融合權(quán)重矩陣；

21、構(gòu)建圖神經(jīng)網(wǎng)絡(luò)模型，將轎廂區(qū)域映射為圖節(jié)點(diǎn)，環(huán)境參數(shù)相關(guān)性作為邊屬性，通過圖注意力層建模區(qū)域間異常傳播路徑；

22、根據(jù)融合權(quán)重矩陣更新圖節(jié)點(diǎn)特征，利用圖卷積網(wǎng)絡(luò)迭代異常傳播信號，計(jì)算各節(jié)點(diǎn)異常累積值，生成初始異常評分分布；

23、對初始異常評分進(jìn)行空間插值處理，采用熱擴(kuò)散算法模擬異常在轎廂內(nèi)的傳播趨勢，輸出標(biāo)定高風(fēng)險(xiǎn)區(qū)域位置及異常等級的分區(qū)異常概率熱力圖。

24、可選的，所述基于所述分區(qū)異常概率熱力圖，通過自適應(yīng)注意力機(jī)制動態(tài)分配監(jiān)控資源，優(yōu)先增強(qiáng)高風(fēng)險(xiǎn)區(qū)域的傳感器采樣頻率，并在轎廂顯示屏疊加顯示實(shí)時(shí)環(huán)境參數(shù)、分區(qū)異常概率熱力圖及風(fēng)險(xiǎn)預(yù)警提示，包括：

25、根據(jù)分區(qū)異常概率熱力圖中的異常等級劃分監(jiān)控優(yōu)先級，利用注意力權(quán)重函數(shù)動態(tài)計(jì)算高風(fēng)險(xiǎn)區(qū)域的資源分配系數(shù)，資源分配系數(shù)值與異常等級呈指數(shù)關(guān)系；

26、調(diào)整傳感器陣列的采樣策略，對高風(fēng)險(xiǎn)區(qū)域啟動超分辨率采樣模式，將溫度/濕度傳感器采樣頻率提升至基準(zhǔn)值的3倍；

27、在轎廂顯示屏渲染引擎中嵌入熱力圖疊加模塊，通過透明度漸變算法將實(shí)時(shí)環(huán)境參數(shù)、分區(qū)異常概率熱力圖與攝像頭視頻流進(jìn)行像素級融合；

28、構(gòu)建風(fēng)險(xiǎn)預(yù)警動態(tài)標(biāo)注系統(tǒng)，當(dāng)某區(qū)域異常等級超過預(yù)設(shè)等級時(shí)，自動在對應(yīng)位置疊加閃爍警示框及語音提示。

29、可選的，所述根據(jù)分區(qū)異常概率熱力圖的持續(xù)時(shí)間和空間擴(kuò)散趨勢，通過時(shí)空預(yù)測模型生成環(huán)境惡化預(yù)警信號，當(dāng)環(huán)境惡化預(yù)警信號級別達(dá)到預(yù)設(shè)信號級別時(shí)，觸發(fā)梯度報(bào)警機(jī)制并聯(lián)動樓宇管理系統(tǒng)調(diào)整電梯調(diào)度策略，形成閉環(huán)監(jiān)控響應(yīng)，包括：

30、提取分區(qū)異常概率熱力圖的時(shí)空變化特征，通過時(shí)空圖卷積網(wǎng)絡(luò)建模異常區(qū)域的持續(xù)時(shí)間、擴(kuò)散速度及相鄰區(qū)域關(guān)聯(lián)強(qiáng)度，輸出時(shí)空特征向量；

31、將時(shí)空特征向量輸入預(yù)訓(xùn)練的lstm-transformer混合預(yù)測模型，預(yù)測未來預(yù)設(shè)分鐘內(nèi)的環(huán)境惡化趨勢，生成概率化預(yù)警信號；

32、設(shè)計(jì)三級梯度報(bào)警機(jī)制，當(dāng)概率化預(yù)警信號達(dá)到一級時(shí)觸發(fā)轎廂內(nèi)聲光警示，達(dá)到二級時(shí)聯(lián)動通風(fēng)系統(tǒng)增強(qiáng)換氣，達(dá)到三級時(shí)向樓宇管理系統(tǒng)發(fā)送電梯緊急調(diào)度請求；

33、建立閉環(huán)驗(yàn)證機(jī)制，將實(shí)際環(huán)境變化數(shù)據(jù)與預(yù)測結(jié)果進(jìn)行對比，通過強(qiáng)化學(xué)習(xí)動態(tài)更新混合預(yù)測模型參數(shù)，持續(xù)優(yōu)化預(yù)警準(zhǔn)確性，形成閉環(huán)監(jiān)控響應(yīng)。

34、本技術(shù)的又一實(shí)施例提供了一種電梯環(huán)境異常監(jiān)控系統(tǒng)，所述系統(tǒng)包括：

35、融合模塊，用于通過多模態(tài)傳感器陣列實(shí)時(shí)采集轎廂內(nèi)的環(huán)境數(shù)據(jù)，利用時(shí)空卷積網(wǎng)絡(luò)融合傳感器數(shù)據(jù)的空間分布特征與時(shí)間序列波動特征，生成動態(tài)環(huán)境特征圖譜，其中，所述環(huán)境數(shù)據(jù)包括溫度、濕度、co2濃度、揮發(fā)性有機(jī)物及聲紋數(shù)據(jù)；

36、重構(gòu)模塊，用于基于所述動態(tài)環(huán)境特征圖譜，通過生成對抗網(wǎng)絡(luò)重構(gòu)去噪環(huán)境狀態(tài)模型，其中，生成器通過對抗訓(xùn)練消除傳感器噪聲干擾，判別器結(jié)合歷史正常環(huán)境數(shù)據(jù)庫計(jì)算環(huán)境異常概率，輸出高置信度的環(huán)境健康指數(shù)；

37、關(guān)聯(lián)模塊，用于根據(jù)所述環(huán)境健康指數(shù)與乘客密度檢測數(shù)據(jù)，構(gòu)建多模態(tài)異常評分模型，利用圖神經(jīng)網(wǎng)絡(luò)關(guān)聯(lián)轎廂區(qū)域間的環(huán)境參數(shù)相關(guān)性，生成分區(qū)異常概率熱力圖，其中，所述分區(qū)異常概率熱力圖標(biāo)定高風(fēng)險(xiǎn)區(qū)域位置及異常等級；

38、顯示模塊，用于基于所述分區(qū)異常概率熱力圖，通過自適應(yīng)注意力機(jī)制動態(tài)分配監(jiān)控資源，優(yōu)先增強(qiáng)高風(fēng)險(xiǎn)區(qū)域的傳感器采樣頻率，并在轎廂顯示屏疊加顯示實(shí)時(shí)環(huán)境參數(shù)、分區(qū)異常概率熱力圖及風(fēng)險(xiǎn)預(yù)警提示；

39、預(yù)警模塊，用于根據(jù)分區(qū)異常概率熱力圖的持續(xù)時(shí)間和空間擴(kuò)散趨勢，通過時(shí)空預(yù)測模型生成環(huán)境惡化預(yù)警信號，當(dāng)環(huán)境惡化預(yù)警信號級別達(dá)到預(yù)設(shè)信號級別時(shí)，觸發(fā)梯度報(bào)警機(jī)制并聯(lián)動樓宇管理系統(tǒng)調(diào)整電梯調(diào)度策略，形成閉環(huán)監(jiān)控響應(yīng)。

40、本技術(shù)的又一實(shí)施例提供了一種存儲介質(zhì)，所述存儲介質(zhì)中存儲有計(jì)算機(jī)程序，其中，所述計(jì)算機(jī)程序被設(shè)置為運(yùn)行時(shí)執(zhí)行上述任一項(xiàng)中所述的方法。

41、本技術(shù)的又一實(shí)施例提供了一種電子設(shè)備，包括存儲器和處理器，所述存儲器中存儲有計(jì)算機(jī)程序，所述處理器被設(shè)置為運(yùn)行所述計(jì)算機(jī)程序以執(zhí)行上述任一項(xiàng)中所述的方法。

42、與現(xiàn)有技術(shù)相比，本發(fā)明提供的一種電梯環(huán)境異常監(jiān)控方法，通過多模態(tài)傳感器陣列實(shí)時(shí)采集轎廂內(nèi)的環(huán)境數(shù)據(jù)，生成動態(tài)環(huán)境特征圖譜；基于動態(tài)環(huán)境特征圖譜，輸出高置信度的環(huán)境健康指數(shù)；根據(jù)環(huán)境健康指數(shù)與乘客密度檢測數(shù)據(jù)，生成分區(qū)異常概率熱力圖；基于分區(qū)異常概率熱力圖，在轎廂顯示屏疊加顯示實(shí)時(shí)環(huán)境參數(shù)、分區(qū)異常概率熱力圖及風(fēng)險(xiǎn)預(yù)警提示；根據(jù)分區(qū)異常概率熱力圖的持續(xù)時(shí)間和空間擴(kuò)散趨勢，通過時(shí)空預(yù)測模型生成環(huán)境惡化預(yù)警信號，當(dāng)環(huán)境惡化預(yù)警信號級別達(dá)到預(yù)設(shè)信號級別時(shí)，觸發(fā)梯度報(bào)警機(jī)制并聯(lián)動樓宇管理系統(tǒng)調(diào)整電梯調(diào)度策略，從而能夠通過多模態(tài)數(shù)據(jù)融合、動態(tài)風(fēng)險(xiǎn)評估和預(yù)測性預(yù)警，提升電梯環(huán)境安全管理的精準(zhǔn)性和響應(yīng)效率。