基于ANN的电梯故障诊断系统的研究

谢知坚



基于ANN的电梯故障诊断系统的研究

谢知坚

（福建省特种设备检验研究院，福建 福州 350003）

摘要：文中以电梯的急停为故障诊断对象，采用ANN （人工智能神经网络）对电梯故障的诊断方法进行研究。根据电梯急停故障进行特征参数分析，采用BP神经网络故障诊断分类器模型，并对不同训练函数下分类器的性能进行了比较。通过实测值与预测值对比，所确定的BP神经网络能够准确电梯急停故障进行准确的分类诊断。

关键词：电梯；故障特征；故障诊断；神经网络

1　引言

随着我国房地产市场的急剧发展，我国电梯的生产量和保有量已跃居全球第一［1］。在电梯的正常运行中，可能会出现各类型的故障，其故障分为机械系统的故障和电气系统的故障。机械故障主要是由于电梯主要部件未润滑、长时间频繁使用、磨损老化、零件松动、超载等引起的。电气系统的故障主要是由于门机系统故障、各安全保护开关接触不良或失效造成的。

而在电梯故障中，急停故障是一种最为常见的［3-4］。因为突然急停，电梯制动器会立即抱住制动轮，使得电梯没有经过均匀减速过程而紧急制动，这样会对轿厢内的乘客造成心理上的恐惧和人身的伤害。目前而言，人工智能的应用非常广泛，人工智能在与人类的棋艺博弈中首次大胜，如果能够利用一些人工智能预测工具对急停故障进行提前预测，让电梯在急停前就近平层，这样就能大大提高乘客使用电梯的安全性。

2　电梯的故障特征参数分析

文中以最为常见的电梯急停故障为研究对象。依据《GB/T-10058-2009》对电梯轿厢的运动相关参数都作了规定：当电梯正常运行时，电梯轿厢在垂直方向上的振动加速度的最大峰峰值不能够大于0.3m/ s2，在水平方向的振动加速度的最大峰峰值不应大于0.2m/ s2；当轿厢的额定速度时，轿厢内的最大噪声不能够大于55dB，当轿厢的额定速度时，轿厢内的最大噪声不能够大于60dB［2］。因此，若电梯运行过程中，这些参数超过规定值，会引起电梯故障导致乘客乘坐的舒适度下降。因而，可对电梯运行过程中垂直和水平以及电梯运行噪声进行电梯的故障特征提取。

当电梯由正常运行到急停故障的时候，由于动力突然失去，不仅会导致轿厢在垂直方向上的剧烈振动，水平两个方向上的振动也会有相应的振动，同时，轿厢内的噪声也会改变。图1和图2分别为额定速度为1.6m/s的电梯在正常运行过程中和在由运行到急停故障时，采用EVA-625采集得到在X，Y，Z三个方向的振动加速度和噪声的变化。

图1　电梯正常运行三个方向的振动加速度和噪声变化

图2　电梯正常到急停时三个方向的振动加速度和噪声变化

从两个图对比可知，在正常运行过程中，其三个方向的A95的振动加速度都在合理范围，而急停故障下，垂直方向即Z轴的振动加速度增加一个数量级，并且其噪声也发生较大变化，X和Y轴的振动加速度也有相应的变化。为此，文中引用小波分析法对垂直方向上的振动加速信号进行频域和时域的特征分析。

在频域上，可将Z 方向的振动加速度信号进行4个尺度上的小波包分解，利用最小Shannon熵可得最优小波包树，如图3所示。可分别选择第4尺度上的前2个节点，第3尺度、第2尺度和第1尺度上的第2个节点对应的小波包，使用它们构成信号的最优小波包基，并将其信号重构［5-7］。若采用S11代表第1尺度上的第2个节点，则总的重构信号可表示为：

图3　四层最优小波包树结构

将各个最优小波包基的能量进行分别计算，例如S11的能量J11可表示为；

式中xk表示重构信号S11各采样点的幅值。同理，其他四个重构信号也可用相同的表达式进行表示J21，J31，J40，J41。将这五个重构信号的能量进行归一化处理后得到的小波特征向量，可表示为：

式中N 表示采样的长度，xi表示采样点的信号值表示信号的平均值，σt表示信号的标准差。

综上所述，可选择电梯运行过程中垂直方向上（Z轴）的小波特征向量（共5个特征参数）和峭度系数、轿厢水平方向上（X轴和Y轴）振动信号峰峰值以及噪声极值共9个特征参数作为急停故障特征参数。

3　BP神经网络的结构设计

BP神经网络是从输入层到输出层中各层神经元之间的连接权值按照“误差逆传播算法”进行权值修正，其最终结果是减少理想的输出与实际输出之间的误差。在神经网络的训练过程中，每一次训练，各神经元之间的权值都会修正，直到理想输出与实际输出的误差值小于所给定的误差。

根据研究对象，文中选取电梯故障的9个特征参数包括小波特征向量（5个参数）、峭度系数、轿厢X和Y方向上振动信号峰峰值以及噪声极值共9个特征参数作为神经网络的输入，诊断结果为正常则输出1，故障则输出层输出-1。而中间隐含层按照经验公式一般为3。其神经网络的结构图4可表示为：

图4　Matlab 中9输入1输出的神经网络结构图

4　BP神经网络的训练

4.1 神经网络样本的获取

电梯急停故障诊断系统的信号是经过EVA-625的多次测量，将获取得到的数据导入电脑，通过对原始数据进行ISO标准化处理，并用软件按照一定的时间间隔进行9个电梯故障特征参数的数据采集，共采集100个样本。其中有50个为电梯正常运行的样本，50个为急停故障的样本。这100个样本构成神经网络的样本空间，其中随机选取40个电梯正常样本和40个急停故障样本，剩余的样本作为神经网络的测试样本。

4.2 神经网络的训练

文中采用Matlab软件的神经网络工具箱进行神经网络的构建，在进行神经训练前，需将样本输入进行归一化处理，并设定隐含层和输出层的激励函数为双曲正切函数。将各个神经元之间的连接权值，组成神经网络权值矩阵，并对神经网络权值矩阵进行初始化。

对于一个结构确定的神经网络，选用不同的训练函数对网络整体的训练结果都会有不同的影响。所以，文中选取3种常用的训练函数梯度下降法traingd、拟牛顿法trainfg以及Levenberg-Marquardt （非线性最小二乘法）trainlm并将随机选择的80样本输入神经网络进行训练，其误差变化曲线如图5～7所示。

图5　采用traingd 训练函数的训练过程

图6　采用trainfg 训练函数的络训练过程

图7　采用trainlm 训练函数的训练过程

从图4到图7可以看出，采用trainlm函数训练时，在达到相同的精度条件下，其迭代次数最少，因此，我们采用trainlm函数作为神经网络的训练函数能够准确地对电梯急停故障进行分类诊断。

5　BP神经网络的验证

为了验证所训练的模糊神经网络的预测精度，现把将剩余的20组样本作为检测样本，输入到训练好的神经网络，将其预测值与实际值进行对比，如图8所示：

图8　基于BP神经网络的预测值与实际测量值对比

图8中，直线表示由电梯正常运行和急停故障下的各10个样本的实际值，而蓝色星号点是通过测试样本输入BP神经网络预测得到的，由图可知，神经网络的预测得到的预测值与测试样本的实际值几乎吻合。结果表明，该BP神经网络能够很好的根据电梯的急停特征参数对电梯故障进行分类诊断。

6　　结论

文中以电梯急停故障的研究对象，针对电梯急停故障的特征参数进行分析，提取了能够表征电梯急停故障的9个特征参数，在试验数据采集的基础上，建立BP神经网络，通过对比分析选择函数作为神经网络的训练函数，经验证表明，优化后的神经网络能够准备的实现对急停故障的诊断，为电梯运行检测提供了新的思路。

参考文献

［1］乔久鹏.电梯故障检测及诊断系统研究［D］.哈尔滨：哈尔滨工业大学，2007.

［2］ GB10058—2009，电梯技术条件［S］.

［3］ Jianping Wang，Xiaomin Li，Yong Hang.Motor failure diagnosis based on ant colony algorithm and BP neural network［J］. Noise &； Vibration Worldwide， 2011， Vol.42（11）.

［4］ Alexander Lepskiy.Estimation of Conflict and Decreasing of Ignorance in Dempster-Shafer Theory［J］.Procedia Computer Science，2013，Vol.17，pp.1113-1120.

［5］ Robin R Murphy.Dempster-Shafer theory for sensor fusion in autonomous mobile robots［J］. IEEE Transactions on Robotics and Automation. 1998，14（2）: 197-206P.

［6］夏文杰.电梯检测及急停故障诊断系统研究［D］.北京：北京工业大学，2010.

［7］李屹，张慧慧，夏文杰.数据融合技术在电梯故障诊断中的应用［J］. 制造业自动化2009（10）:69-71.

收稿日期：2016-04-07

作者简介：谢知坚，男，福建省特种设备检验研究院，高级工程师

Research on Elevator Fault Diagnosis System Based on ANN

XIE Zhi-Jian
（Fujian Special Equipment Inspection and Research Institute， Fuzhou 350008， Fujian， China）

Abstract:Taking the emergency stop of elevator as the object of fault diagnosis， the fault diagnosis method of elevator is studied by using artifcial intelligence neural network. According to the characteristic parameters of elevator emergency stop， the neural network fault diagnosis classifer model is adopted and the performance of the classifer is comparedunder different training function. By comparing the measured value with the predicted value， the determined BP neural network can accurately classify the elevator emergency stop fault accurately.

Key words:Elevator； Fault characteristics； Fault diagnosis； Neural network