电梯关键技术诊断方法研究

窦岩 郭兰中 李云波 季宇飞

摘 要：电梯的安全性关系着人的生命安全，不能让其带着故障运行；电梯是一个复杂的系统，从电梯运行采集数据往往存在非线性，寻找一个能解决问题又能有效处理非线性系统的故障诊断和预测方法是电梯诊断方法的关键技术。利用支持向量机技术在电梯控制系统预判的特点是简单的结构却具有泛化能力较高、灵活性较高、超强的信息处理能力、高维度数据处理能力，并简化复杂低维度。

关键词：电梯 诊断方法 关键技术

中图分类号：TU857 文献标识码：A 文章编号：1672-3791（2019）01（a）-0-02

电梯是一个复杂的机电系统，系统的运行过程中会呈现明显的非线性、时变性和不确定性，因此系统的故障存在模糊性、传播性、放射性和相关性等特征，难以精确建模，给基于模型的故障诊断方法带来挑战。另一方面，电梯运行过程中以及维修时产生了大量数据，这些数据中蕴含了电梯的运行机理和状态的信息。如何将这些数据进行科学分析，为电梯设备性能监控、视情维护维修等提供决策依据，对于提高电梯的安全性、可靠性具有重要的意义。利用电梯数据对电梯故障进行诊断的本质就是对电梯性能参数进行分类和预测，而支持向量机在分类和数据的预测领域已经表现出良好的表现。

支持向量机控制是非线性控制的一个分支，与传统的控制区别为支持向量机并非系统的数学模型，通过学习完成控制器设计，支持向量机为基于控制系统的输入-输出映射。控制器设计并不是针对模型进行的，控制器是一种结构比较特殊的非线性控制器。

1 基于支持向量机的建模

受电梯运行环境、传感器测量噪声等影响，运行数据中往往包含随机噪声，使得运行数据具有随机性。在建模时需要考虑到随机噪声的影响，如图1所示。

2 基于支持向量机的电梯电流模型预测控制

模型预测控制采用各类不同电流预测模型为基础，使用在线滚动优化指标和电梯电流反馈自校正策略，努力有效地克服被控制对象的时变、时滞、不确定等因素影响，可以根据参考轨迹输入，达到预期想要的達到的控制目标，使得目标电梯控制系统具有很好地稳定性和鲁棒性。

当下时刻，利用已经发生和即将发生的电梯电流电压的输入/输出信息，根据电梯电流预测模型预测将要发生的电流电压的输出状态，在电梯电流反馈校正后再与参考输入输出电流电压做比较，对滚动时域下的目标电流数学函数进行优化，可以得到当下时刻控制作用，完成整个电梯控制循环。利用支持向量机建立电梯控制系统的预测模型，即可构成基于支持向量机的MPC电梯控制系统。

3 基于支持向量机的电梯电流模型算法控制

模型算法控制采用易于测取的脉冲响应特性来建立系统动态模型，其特点具有简单算法、小计算量、强鲁棒性等。MAC的系统结构由电梯控制系统参考输入电梯电流参考轨迹、滚动优化、预测电梯电流模型和预测电梯输出反馈校正4个部分组成。

利用支持向量机技术在电梯控制系统预判的特点是简单的结构却具有泛化能力较高，灵活性较高，超强地信息处理能力，高维度数据处理能力，并简化复杂低维度。支持向量机的运算复杂程度与维数没有直接关系，为以防止出现维数灾难；支持向量机技术在进行控制系统的优化时，实现获得唯一的极小值，此技术具有良好的学习能力和学习速度。

在电梯控制系统中，可以通过余度技术提高控制系统的可靠性，但由于控制系统的余度配置对于电梯执行机构和门机故障造成的危害不起到容错作用。电梯曳引机的工作环境比较复杂、比较恶劣，经常会遇到电磁干扰，电梯运行过程中经常会夹杂着很多的各类噪声，故电梯所使用传感器采样信号中会有噪声存在。采样信号夹杂大量噪声会使数据处理的复杂度增强，严重影响状态模式识别的准确性，需要自修复电梯控制系统解决这一问题。

4 基于支持向量机的电梯自修复控制系统研究

关键技术主要有：电梯故障检测与隔离、对电梯执行机构及时提供故障信息、将电梯故障部位进行有效隔离、切断电梯故障部分对整个电梯控制系统的影响；自主维护诊断系统，利用信息对电梯故障进行准确定位和记录，减轻检修人员的负担，提供运行效率。

由于电梯运行所处的工作环境比较差，结构较精密，电梯的任何故障都肯能导致电梯控制系统所需要的信号错误，对于运行性能有所影响，电梯运行的可靠性是电梯控制系统需要解决的关键问题之一。

5 结语

电梯电流在各类干扰作用下对于电梯故障预测与控制有重要意义，其大小将影响电梯的运行效率和人身安全；首先需要建立电流与某一类干扰的数学模型，然后系统说明了支持向量机电梯电流模型算法的原理，最后采用支持向量机进行电梯故障的预测仿真。

参考文献

[1] 冼广淋，骆雪超，肖宇峰.统计学习理论与支持向量机[J].中国科技信息，2005（12）：178-181.

[2] 李红莲，王春花，袁保宗.一种改进的支持向量机[J].计算机学报，2003（8）：1015-1020.

[3] LinCF，WangSD.Fuzzy support vector machines[J].IEEE Transactions on Neural Network，2002，13（2）：464-471.