基于机器学习的电梯故障诊断云系统

沈世焜

(江苏安全技术职业学院电气工程学院,江苏 徐州221000)

目前,不同类型的电梯在商场、公寓、工厂、医院、车站、街道立交桥等场所的使用越来越多,人们对电梯的安全性和可靠性要求越来越高。在大多数情况下,电梯由维护工程师定期检查。然而,维修工程师的检查结果往往过于主观,无法保证电梯的安全水平。因此,一些电梯状态监测和故障诊断系统或设备已经被研究人员和工程师提出。文献[1]提出了一种基于移动电话GPRS 通信的电梯状态远程监控系统。介绍了该系统中不同传感器和处理器的选择和安装,并对其软件功能进行了分析。在分析了传统故障诊断方法的优缺点后,文献[2]提出了基于多智能体技术的电梯故障诊断方法。建立了电梯故障诊断模型,描述了故障诊断系统的结构和步骤,最后讨论了电梯故障诊断方法的算法和步骤。文献[3]讨论了现有电梯故障诊断系统和技术在实时性方面的不足,提出了基于模糊神经网络和D-S 证据理论的信息融合算法来实现电梯故障诊断,设计了基于FPGA 的数据采集与特征提取装置。文献[4]基于大量电梯故障数据,分析了中国新疆地区电梯运行故障特征,但并非基于大数据实现电梯故障自动诊断。文献[5]结合各类电梯状态信息集成的需要,利用物联网和互联网技术,设计了电梯远程监控系统。然而,在电梯系统中安装的监控设备显然会增加成本。

针对现有电梯监控设备和故障诊断系统存在的问题,提出了一种基于机器学习的电梯故障诊断云系统。该系统通过智能设备的振动传感器感器检测电梯的振动状况,并将监测数据从智能设备传输到云服务器。然后构建了基于大数据及机器学习的电梯故障诊断与预测的总体方案,采用非监督学习建立电梯故障模型,采用监督学习对所提取到的电梯轿厢振动特征参数进行了充分的数据挖掘与分析。第一节分析了智能电梯故障诊断系统的体系结构。第二节介绍了该云系统的软件需求。第三节给出了电梯振动和声音监测实验。

1 电梯故障诊断系统体系结构

本系统以电梯使用单位(如商场、住宅、工厂、医院等)的检测以及政府的电梯保安人员为基础。检测时建议将智能设备放置在电梯的固定位置,启动振动传感器数据采集专用应用程序,数据采集应在干扰较小的条件下进行。本系统结构如图1所示,应用程序在获得振动数据后,通过互联网传输到云服务器。云服务器是基于云集群和虚拟化技术开发的。这些服务器安全性高、性能好、容灾能力强,而且价格相对低廉、易于扩展。在云服务器中,基于大数据的无监督学习和监督学习,对电梯的健康状况进行评估,并做出维护/检查决策。

图1 本系统结构图

2 基于智能设备的电梯振动数据采集

为了验证所提出的基于智能手机的电梯故障诊断系统的可行性,利用红米K20Pro 智能手机对所属电梯的振动和噪声信号进行了数据采集实验。试验结果如图2、3 所示。图2 和3 给出了某部电梯在同一运行时水平X 方向和水平Y 方向的振动试验结果。发现智能手机加速度/振动传感器在水平方向存在系统测量误差,误差约为0.2m/s2。电梯运行过程中,水平方向的振动幅度约为0.1m/s2。在图2 和3 中的5s 处,电梯门关上了,其水平方向的振幅明显增大,近似达到-0.3-1.4m/s2。

图2 X 方向的振动试验结果

图4 显示了垂直Z 方向的振动试验结果,试验位置的重力加速度为9.7952m/s2。垂直Z 方向的振动信号能很好地解释被测电梯的加减速过程。这种振动信号与电梯机械或电气部件的健康状况有着明显的联系,是电梯故障诊断的一个非常重要的指标。

图3 Y 方向的振动试验结果

图4 Z 方向的振动试验结果

然后,选取五台相同型号的电梯分别进行检测,针对检测到的五台电梯垂直Z 方向的振动数据分别计算平均值、均方根、偏度、峰度和峰- 峰值,这五个特征,如表1 所示。

表1 电梯垂直Z 轴方向振动数据特征值

表1 给出了五个特征的结果。结果表明,不同状态的电梯的振动特征不同,这表明振动特征可作为电梯故障诊断系统的关键依据。

3 基于机器学习的故障诊断

依据电梯振动数据,基于机器学习的故障诊断采用无监督学习聚类分析方法建立电梯故障模型,而有监督学习则利用回归分析对电梯故障进行诊断和预测。

3.1 无监督学习的故障诊断模型

无监督学习方法通过聚类分析的多次迭代建立电梯故障诊断模型,当模型收敛时算法停止。假设提取了一批电梯轿厢Z轴方向的振动信号的特征数据：

特征1=A1,A2,A3,…

特征2=B1,B2,B3,…

其中：特征1、特征2 为电梯轿厢Z 轴方向的振动数据特征。电梯特征分类张成空间称为电梯故障诊断特征空间；[Ai,Bi](i=1,2,3,…)对应为第i 个电梯轿厢振动数据中的振动特征值向量。同时为了建立电梯故障诊断模型,还需要获取对应的训练样本的诊断结果信息,例如特征向量[A1,B1]→C1对应电梯状态为无故障；特征向量[A2,B2]→C2对应电梯状态为故障1；特征向量[A3,B3]→C3对应的电梯状态为故障2。我们将以上这种带有故障诊断结果状态信息称为故障标记。同时将带有这种故障诊断标记信息的电梯轿厢振动特性数据称为诊断实例,再将电梯轿厢Z 轴方向的振动数据和诊断结果形成一个新的特征向量[Ai,Bi,Ci]。其中的故障诊断标记信息“正常”、“故障1”和“故障2”不作为训练样本的结果信息,而是与电梯轿厢振动特性数据一起等效地放入训练样本中,形成一个新的特征向量。

3.2 监督学习的故障诊断与预测

监督学习利用回归分析方法,根据电梯轿厢Z 轴方向的振动历史监测数据,给出了故障系数。电梯故障系数是故障出现的可能性指标。本文电梯机械系统故障风险系数的计算方法如下：

电梯故障i 对应的电梯轿厢振动特征向量为[Ai,Bi,Ci,…],其k 范数(k=1,2,3,…,∞)为normk。无故障发生时对应特征向量为 [A0,B0,C0,…] 取其k 范数为norm0,二者之差为normk-norm0,将其归一化即为故障i 的风险系数,例如当故障i发生时,其故障风险系数值为1；当故障i 未发生且故障排除时间刚好足够时,其故障风险系数值为临界值。

设D={x1,x2,…,xm}表示一个包含m 个电梯轿厢振动特性数据的数据集。通过D 描述每个电梯轿厢振动特性数据,然后每个电梯轿厢振动特征数据[xi1,xi2,…,xid]是d 维样本空间中的向量。其中,xi∈x 是xi在第j 个特征分类上的值,d 是样本数据 维数。电梯故障预测的任务一般是从训练集{(x1,y1),(x2,y2)…(xm,ym)}中学习,建立从输入空间x 到输出空间γ：X→γ 的映射f。

4 结论

本文提出了一种基于智能设备振动监测和机器学习的电梯故障诊断云系统方案,首先通过智能设备的振动测试,发现X、Y 两个方向的振动数据存在系统误差,而垂直Z 方向的振动数据能反映电梯机电部分的健康状况,并对振动数据进行了五个特征的计算。基于故障特征,进一步通过无监督学习与监督学习对电梯轿厢振动特征参数进行数据挖掘与分析,分析得出电梯机械系统各种故障隐患与电梯运行时振动信号之间的内在关系,从而实现电梯系统中的各种故障诊断和预测。