故障树法和改进PSO-PNN网络的电梯故障诊断模型*

张　阔，李国勇，韩方阵

(太原理工大学 信息工程学院,山西 太原 030024)

0　引言

近年来，随着城市化的快速发展，大中城市高楼林立，使电梯的应用范围越来越广。但是，由于电梯故障，给人们带来财产损失、甚至威胁生命安全的事故也在不断增多。由于国内大部分电梯没有故障诊断系统，或者即使有，也大多无法及时准确地获取故障信息。一旦电梯出现故障，人们往往寄希望于简单的仪器设备，或是维修人员的经验，而这种情况下往往无法准确地诊断电梯的故障类型与故障部位[1]。因此，如何有效地获取电梯故障信息，对电梯进行故障诊断是当前亟待研究解决的问题。

近年来，国内外学者通过灰色系统理论、人工神经网络、基于知识获取的专家系统等方法，对电梯的故障诊断做了大量而细致工作，获得了一定的研究成果。如：为了解决故障信息获取的实时性问题，西门子公司使用了一种可编程的控制器件进行远程控制[2]；而国内的一些学者为此也做了大量的研究，其中，杨洋等[3]在电梯故障诊断系统中采用了框架表示法和深度优先的搜索策略，该方法虽然可以准确地诊断电梯故障，但由于系统实时性不够好，主要用于电梯出厂测试；冯鑫等[4]设计一种利用遗传算法，对BP神经网络的权值和阈值进行优化，同时从电梯机械、安全保护、电力和调速控制等4 个系统中采集特征样本数据作为优化后神经网络输入，进行电梯故障诊断，但由于BP网络存在容易陷入局部极值的缺陷且遗传算法需要进行选择、交叉等繁琐的过程，诊断结果的准确性不够理想；宗群、郭萌等[5]提出将故障树法与专家系统相结合的电梯故障诊断方法，提高了诊断的实时性和准确性，虽然结构清晰的故障树能够较好地表达系统故障，但随着电梯结构的复杂化，电梯故障类型随之增加，故障部位也在不断发生变化，而专家系统对于新知识的获取又很困难，无法对故障类型做出准确的表达，故新知识的获取成为制约专家系统发展的瓶颈；李元贵、乐洋等[6]将专家系统与神经网络紧密结合，设计出智能电梯故障诊断系统，利用神经网络强大的非线性拟合能力，弥补专家系统存在的缺陷，但神经网络在数据量少时无法获得准确的结果，此方法没有被广泛应用。

针对以上问题，本文提出一种将故障树分析法和改进粒子群算法优化的概率神经网络相结合的方法，并以电梯安全回路系统为例，通过结构清晰的故障树图来表达故障事件的内在联系,并指出单元故障与系统故障之间的逻辑联系，同时运用改进PSO-PNN神经网络对电梯的安全回路系统中各个部件的故障进行诊断。实验结果证明：此方法对于故障诊断具有较高的准确性。

1　电梯回路系统的故障树分析法

1.1　故障树分析法

故障树分析又称事故树分析，是系统安全工程中重要的分析方法之一。故障树分析法的基本思想是：从1个可能引发系统故障的事件开始，自上而下、一层一层寻找顶事件发生的直接原因和间接原因，直到基本原因事件，并用逻辑结构图把这些事件之间的逻辑关系表达出来[7]。

由电梯运行原理可知，电梯系统的故障可以分为以下7种：安全回路系统故障；选向系统故障；选层系统故障；指令系统故障；运行系统故障；门系统故障和楼层系统故障。本文主要以电梯安全回路系统故障为例，建立相应的故障树模型，对安全回路中各个原器件的故障进行诊断分析。安全回路系统的电路简图如图1所示。

图1　电梯安全回路系统简图Fig.1　Elevator safety circuit diagram

在图1所示的电路图中，输入信号为U，4个开关K1，K2，K3，K4分别为：限速开关、门联锁开关、主接触开关以及强制停车开关；a，b，c为电压信号的检测点；U1，U2为输出电压信号的检测点。在正常情况下，系统回路是闭合的，即输出信号检测点U1，U2均能检测到电压信号。当电梯强制停车时，开关K4处于断开状态，电压检测点U2无法检测到电压信号。当电梯速度过快时，开关K1处于断开状态；当电梯门未关闭时，开关K2处于断开状态；主接触没有接触时，开关K3处于断开状态，以上3种情况均使电压信号检测点U1无电压输出。

由图1可知，系统回路故障主要表现为以下3种情况：检测点U1无电压，U2有电压；检测点U1有电压，U2无电压；检测点U1，U2均无电压。将以上3种情况作为安全回路发生故障的顶端事件，按照图1所示的电路图，逐步分析以上3种故障情况可能发生的原因，直到寻找到基本事件为止，得到如图2所示的安全回路系统的故障树分析图。

图2　电梯安全回路系统故障树Fig.2　fault tree diagram of elevator safety loop system

1.2　故障树分析法进行故障诊断的原理

故障树分析法的故障诊断原理是：按照图1分别检测a，b，c，U1，U2处的电压信号，根据以上5个点的电压信号是否为零，按照图2所示的故障树图自顶向下的进行检索，即可查找出位于叶子节点处的故障原因。如：在图1中检测到U1点无电压，a点，b点，U2点均有电压，c点无电压，则根据各检测点的电压信号是否为零，在图2的故障树中进行检索，就能找到叶子节点中的“门开关故障”。

2　系统模型

2.1　概率神经网络

1989年，D. F. Specht首次提出概率神经网络，概率神经网络是由径向基函数网络发展而来的一种前馈型神经网络， 它的理论依据是贝叶斯最小风险准则，适用于模式分类[8]。它不同于以往的神经网络的是用线性学习方法来完成以往非线性学习方法所做的工作，同时又能保持非线性学习方法的高精度特性，其优点是网络在学习过程中是不需要训练的，相比于BP神经网络等具有操作简单、高鲁棒性等优点，概率神经网络(PNN)的基本拓补结构如图3所示。

图3　概率神经网络拓补结构Fig.3　structure of probabilistic neural network

1)概率神经网络的第一层称为输入层，用于接收训练样本作为网络的输入向量。

2)概率神经网络的第二层称为模式层，其作用是：计算输入向量与训练样本之间的匹配关系，模式层的输出可以表示为：

(1)

式中：Wi为输入层与模式层之间的权值；δ为分类平滑因子。

3)概率神经网络的第三层称为求和层，其作用是：将属于某种类型的概率进行累加计算，根据式(1)得到概率密度函数。

4)概率神经网络的第四层称为输出层，其中有若干个阈值辨别器，其神经元是一种具有竞争性的神经元，每1个神经元分别表示1种数据类型，在电梯故障诊断中则表示1种输出的故障类型所代表的数值，其输出可以表示为

(2)

式中：xi为某一故障类型的第i个样本；m为某1个故障类型的样本个数；δ为平滑因子。

2.2　改进粒子群算法

粒子群算法是近几年来在人工智能领域发展起来的新算法。它源于对鸟类捕食行为的研究，它的基本思想与遗传算法(GA)是一致的，都是在一个可行的解空间内以迭代的方法来寻找最优解，另外2者都是以个体适应度值来判定解的品质是否达到最优。相比于GA，粒子群算法步骤更为简单，它不需要进行选择、交叉等操作[9]。通过更新粒子的位置和速度寻找全局最优，以达到优化目的。

在1个D维空间中，种群由n个粒子组成X=(X1,X2,…,Xn)，第i个粒子表示为1个D维的向量Xi=(Xi1,Xi2,…,XiD)T，表示第i个粒子在D维空间中的位置，即是问题的1个潜在解，由目标函数可以求出每个粒子的适应度值[10]。第i个粒子的速度为Vi=(Vi1,Vi2,…,ViD)T,其个体极值为Pi=(Pi1,Pi2,…,PiD)T，群体极值为Pg=(Pg1,Pg2,…,PgD)T。

在每次迭代过程中，粒子通过个体极值与群体极值更新自身的速度与位置，即：

(3)

(4)

式中：ω为权重，i=1,2,…,n；d=1,2,…,D；k是当前迭代的次数；Vid为粒子的速度；c1，c2均是非负常数；r1，r2均是[0-1]间的随机数。

在粒子群算法进行电梯故障诊断时，同时要调整算法的惯性权重ω，实验证明惯性权重ω越小，算法能更好地进行局部搜索，ω的调整公式为：

(5)

式中：ω是[0-1]间的常数 ；G为最大迭代次数；k为当前迭代次数。

2.3　改进粒子群算法优化概率神经网络

由上文可知，概率神经网络训练速度快，能够用线性方法解决非线性问题。粒子群算法没有选择、交叉、变异等复杂的步骤，使概率神经网络的输出结果更加精确。本文用改进的粒子群算法对概率神经网络的平滑因子进行优化，优化后的网络具有良好的故障诊断能力。具体步骤如下：

1)设定网络的输入与输出数据，输入数据为图1所示电路中5个电压检测点的电压信号，输出数据为故障类型。

2)设置粒子群算法的参数，将概率网络的平滑因子作为种群粒子，设置迭代次数为300次，种群规模为20，关于参数c1，c2的设定根据文献[11]～[14]进行设定，结合本文中电梯故障诊断实例，设定：c1=c2=1.494 45[11-14]。

3)对粒子的位置与速度进行初始化操作。

4)计算粒子的适应度的值，本文以概率神经网络的输出误差作为适应度函数。

5)若某1粒子的适应度优于以前任一时刻的适应度，则以该适应度作为该粒子的个体极值；若该粒子的适应度值优于以前任一时刻所有粒子的值，则将该粒子作为群体极值。

6)更新粒子的位置与速度，更新位置与速度的公式已由式(3)，(4)给出，并采用自适应操作，按照式(5)对算法的权重进行动态调整。

7)对是否达到结束条件(达到最大迭代次数或误差小于预定误差)进行判断，若已达到，算法停止，输出最优结果；若没有达到结束条件，返回第4)步继续进行优化操作。

3　实例分析

3.1　系统输入与输出

通过故障树分析方法，采集图1中的a，b，c 3个采样点以及U1，U2的电压信号，根据电压信号是否为零，按图2进行检索，得到各种故障情况下对应的电压信号，将其作为粒子群算法优化后的概率神经网络的输入数据。共检测得到300组数据，选取其中的250组数据作为训练样本，剩下的50组数组作为测试数据。网络的输出为正常情况和5种故障类型，输出的故障类型与对应的输出值如表1所示。

3.2　系统仿真

通过采集图1中的a，b，c 3个采样点以及U1、U2的电压信号，将所采集的电压信号进行归一化处理。神经网络的输入数据采用由故障树法得到的图1中电压测

试点a，b，c，U1、U2的电压信号，输出数据表示故障类型。在MATLAB 2014中进行仿真实验，用相对误差对预测效果进行评估，得到预测结果，如图4所示,仿真结果比较如表2所示。

表1　故障类型与对应输出值

图4　系统预测输出的相对误差Fig.4　Relative error of the predicted output

表2　模型预测结果比较

由表2可知，使用改进后的粒子群算法对概率神经网络的平滑因子进行优化后，在各种故障类型的输出、相对误差以及最大相对误差等方面，均优于传统的概率神经网络模型和基本粒子群优化的概率神经网络模型，各种指标均与实际非常接近，准确度高，这主要是因为概率神经网络过程简单、收敛速度快，同时使用改进的粒子群算法对网络的平滑因子进行了优化。

4　结论

1)将故障树法、概率神经网络和改进的粒子群算法三者结合，用于电梯的故障诊断。以电梯安全回路系统为例所建立的电梯故障诊断预测模型在训练数据较少时也能保持较好的预测效果。改进粒子群算法优化的PNN网络在训练速度、准确率等方面都要优于传统的PNN网络和标准粒子群算法优化的PNN网络。

2)将本文中所用方法应用于电梯其他部位的故障诊断，如：选向系统故障和楼层系统故障等，将是今后研究的重点方向之一。

[1]张莉，武昌俊，余丙荣，等．基于遗传小波神经网络的电梯故障诊断分析[J]．北华大学学报(自然科学版)，2012，13(2)：236-240．

ZHANG Li, WU Changjun,Yu Bingrong,et al. Elevator fault diagnosis based on genetic wavelet neural network[J]. Journal of Beihua University (Natural), 2012,13(2): 236-240.

[2]蒋华安. 西门子可编程控制器在电梯远程监控系统中的应用[J]. 国内外机电一体化技术, 2002(6):47-48.

JIANG Huaan. Application of programmable logic controller in elevator remote monitoring system[J]. Mechatronics Technology at Home and Abroad, 2002(6): 47-48.

[3]杨洋．电梯控制系统故障诊断专家系统的研究[D]．杭州：浙江工业大学，2003．

[4]冯鑫，夏洪山，冯月贵，等．基于遗传神经网络的电梯故障诊断技术研究[J]．起重运输机械，2017(1)：28-32．

FENG Xin,XIA Hongshan,FENG Yuegui, et al.Study on elevator fault diagnosis technology based on genetic neural network[J]. Hoisting and Conveying Machinery, 2017(1): 28-32.

[5]宗群，李光宇，郭萌．基于故障树的电梯故障诊断专家系统设计[J]．控制工程，2013，20(2)：305-308．

ZONG Qun,LI Guangyu,GUO Meng.Design of elevator fault diagnosis expert system based on fault tree[J]. Control Engineering, 2013,20(2): 305-308.

[6]李元贵，乐洋．专家系统在电梯故障诊断中的应用[J]．河海大学常州分校学报，2006，20(2)：50-52．

LI Yuangui,LE Yang. Application of expert system in elevator fault diagnosis[J]. Journal of Hehai University(Changzhou Campus), 2006, 20(2): 50-52.

[7]杜碧华，张思宇，杨顺坤，等．基于故障树分析电梯门系统故障[J]．设备管理与维修，2015(3)：27-28．

DU Bihua,ZHANG Siyu, YANG Shunkun,et al. Fault tree analysis of elevator door system[J]. Equipment Management and Maintenance, 2015(3): 27-28.

[8]彭钟华．基于遗传算法优化PNN的短期负荷预测[J]．电气开关，2017，55(1)：49-51, 56．

PENG Zhonghua.Short term load forecasting based on genetic algorithm optimization[J]. PNN Electric Switch, 2017,55(1): 49-51,56.

[9]韩月娇. 粒子群算法的改进及其在BP神经网络中的应用[D]. 南昌航空大学, 2012.

HAN Yuejiao. Improvement of particle swarm optimization and its application in BP neural networks [D]. Nanchang University of Aeronautics, 2012.

[10]郭文忠. 离散粒子群优化算法及其应用[M].北京：清华大学出版社, 2012.

[11]王小川，史峰，郁磊．MATLAB神经网络43个案例分析[M]．北京：北京航空航天大学出版社，2013．

[12]李佳琪, 王晓红, 孙军. 粒子群算法参数选择对动压滑动轴承优化设计的影响[J]. 机械设计, 2014(3):55-59.

LI Jiaqi,WANG Xiaohong,SUN Jun. Influence of parameter selection of particle swarm optimization algorithm on optimal design of hydrodynamic journal bearings[J]. Mechanical Design, 2014(3): 55-59.

[13]叶小岭，施珮，匡亮．基于粒子群优化BP神经网络的台风灾损预测模型研究[J]．灾害学，2013，28(4)：11-15, 21．

YE Xiaoling,SHI Pei, KUANG Liang. The typhoon disaster damage particle swarm optimization BP neural network prediction model of[J]. Based on Disaster Science, 2013, 28(4): 11-15,21.

[14]王炳萱，李国勇，王艳晖．基于LM-PSO算法和BP神经网络的非线性预测控制[J]．太原理工大学学报，2016，47(2)：207-211．

WANG Bingxuan, LI Guoyong, WANG Yanhui. Nonlinear predictive control based on LM-PSO algorithm and BP neural network[J]. Journal of Taiyuan University of Technology,2016,47(2):207-211.