电梯运行高峰期的异常诊断算法研究

甘晶　曾亚辉　陈华

摘要：运行高峰期电梯提升高度跨度大，起停加速频次快。利用物联网技术建立电梯大数据监测平台已成为主流，传统的故障检测手段往往依赖于故障指标体系及专家经验，这提高了监测数据的使用门槛。针对该问题，提出一种改进的基于频域数据增强Transformer。通过对运转高峰期监测数据建模与分析，实现了对电梯运行状态的准确预测，对电梯运行高峰期隐患进行诊断。实验结果表明，该方法相比于其它预测算法，有更高的预测准确率和异常诊断效率。

关键词：故障诊断；Transformer；变分自编码器；频域增强

一、前言

我国是全球电梯保有率最高的国家[1]。随着电梯使用率的增长，电梯的事故数逐渐增多。电梯事故会对居民及住户造成严重的财产及生命的损失。要减少这类安全隐患，需要加强运行阶段设备的维护管理及检测监督。因此，如何高效地监管及维护成为了一个迫切需要解决的问题。

特种设备的监管及维护往往有两种方式：定期巡检及故障后勘查。随着技术发展，自动化诊断系统逐渐取代了人工诊断。但在实际应用中，在不同环境下对复杂机电系统运行状建模具有很高的难度，降低了自动化诊断的易用性与经济性[2， 3]。

随着人工智能时代的到来，电梯物联网平台的监测大数据为人工智能技术打下了基础[4]。不需要对电梯运行状态进行建模分析，只需对监测数据进行学习，便可开展故障诊断、运行状况监测及设备寿命预测等工作，因此这类方法往往具有更低的成本和更高的易用性。

基于上述情况，本文提出一种基于频域信号增强的Transformer模型（Frequency Enhanced Decomposition Transformer，FEDformer）与变分自编码器（Variational Autoencoder，VAE）相结合的电梯异常诊断算法，该算法的主要贡献为：

（1）一种基于数据驱动的方法，可以利用大数据平台电梯监测数据，实时进行故障诊断；

（2）基于FEDformer的结构，使算法对有更想的抗噪音干扰能力，在长程序列上有更高的稳定性，做出对未来运行状况更准确的预测；

（3）受到VAE的启发，将变分推断引入注意力机制，利用Variational-FEDformer获得特征更规范且具备连续性的编码隐空间，作为解码器的输入，在同样的模型参数下，提高了模型表达能力。

二、相关工作

近年来，已经有不少研究在探索如何将人工智能和机器学习相关技术应用于电梯诊断应用当中[5-10]。

宗等人提出的诊断模型结合了模糊Petri网与神经网络，对电梯故障模型进行学习，得到了电梯不同运行期的故障诊断模型[11]。李等人基于电梯门故障数据，利用BP神经网络与仿真系统预测电梯门系统故障[12]。王针对电梯高速急停问题，利用监测平台提供的电梯高速运行特征大数据，利用模糊神经网络，建立了高速电梯急停故障诊断模型[13]。沈基于其设计的电梯大数据平台，结合循环神经网络和扩张因果卷积网络，设计了一种电梯运行故障预测模型[14]。张等人通过分析电梯运行时的振动信息，利用ResNet对分离后的振动信号进行分类诊断，提高了故障的诊断率[15]。Zhou等人提出了FEDformer[16]，使用频域信息，获得更好的故障诊断结果。

三、问题分析

（一）任务描述

电梯故障成因复杂且工作环境及工作模式不固定，给监测指标体系关系量化与关键指标分析工作带来了极大的困难，且难以对未来一段时间的运行状态进行预测。因此，利用人工智能技术中的深度学习方法强大的表征能力和模拟能力，可以大大降低电梯运行监测指标的异常检测工作量，并使检测工作具备预测能力。

（二）行业数据分析

通过对应急救援工单的142234起电梯事故进行分析，电梯故障50种主要情况占比为58.3%。在所有的故障类型中，“生活垃圾导致开关门受阻”有18861起，“电梯运行过程中出现停电”有11848起，“厅门锁失效”有6177起，具体数据如表1所示。

（三）问题建模

针对大数据平台采集的各类监测数据，我们以曳引系统相关传感器为研究对象，数据包含曳引机的振动信号（dB）、曳引机轴承转速（rpm）、曳引机工作环境湿度与电梯每天行驶里程。

本文对平台提供的电梯高峰运行时期的监控数据进行建模与分析。基于平台给定的电梯运行状态标签，给出一种电梯运转高峰期故障隐患预测方法，通过预测电梯高峰时期的曳引系统运行状况，根据模拟的结果给出监测状况诊断。如图1所示。

四、电梯运转高峰期异常诊断算法

本文中，我们基于平台提供的曳引系统监测数据，提出了一种电梯高峰时期异常诊断算法。整体的故障诊断方法如图1所示。

在原始的Transformer上，FEDformer通过利用低秩矩阵近似（low-rank approximation）降低注意力机制中矩阵计算引入的复杂度，同时利用频域数据的特性，低秩近似后频域中的采样造成的损失不会影响预测效果。这使得注意力机制可以用更少的信息，捕捉到几乎一样的特征，且大幅度降低复杂度。

受到变分自编码器启发，本文对FEDformer编码器和解码器的进行约束，提出Variational-FEDformer（VFEDformer），利用编码器和解码器近似输入的条件密度，扩展编码器频域信号隐空间的可变性。图2中显示了VFEDformer的结构。

设序列数据维度为D，则编码器的输入 ，则编码器定义为：

其中，表示经过第l层的第i个周期/趋势分解模块（MOEDecomp）后的到的周期项，FEB为频率增强模块。在频率增强模块中，若有长度为m的监测序列数据，则设为，通过傅立叶变换，将转换为。m组数据变换后组合成矩阵，接着基于服从于高斯分布的随机采样，从d维的频域数据中采样s维的数据，得到，认为完成了一次频域数据增强，模块内包含学习参数R。，为编码器输出的分布参数。同样的，解码器定义为：

其中，，分别表示第l层解码器经第i个周期/趋势分解模块处理后的周期项与趋势项，，表示第i个趋势项的投影算子。VFEDformer的最终输出为，其中将投影回输入维度。

其中，频率增强模块、频域注意力内的全连接网络和前馈网络层内都有可学习的参数W，根据均方误差（Mean Square Error）进行批量梯度下降优化。编码器内概率密度网络通过进行优化。

五、实验

通过对电梯数据集进行仿真验证所提出算法的有效性。所有仿真实验均采用标准的5折交叉验证方法，所有结果都是独立运行10次得到的平均值。仿真实验分为预测实验和异常检测实验两部分。预测实验通过对比算法对未来一段时间电梯运行监测信号的预测准确率来评估算法的好坏，验证算法在电梯监测数据集上的预测准确率，预测实验结果如表2所示。

从表2中我们可以看到VFEDformer在预测误差上有更好的表现。可能因为引入更多的数据操作，在预测时间上不减反增。

预测模型的输出为未来一段时间的运行状态参数。异常值检测实验在不同模型预测的未来状态上进行，通过在预测模型的输出上应用则异常检测算法，便可以实现对电梯高峰期运行状况的预测，并验证不同预测算法在电梯故障预测上的有效性，异常值检测实验结果如表3所示。

从表中可以看到，VFEDformer预测结果的检测效果都要优于其它的时间序列预测算法。

六、结语

本文探讨了基于大数据平台的电梯安全监测问题，提出了一种电梯监测数据异常诊断方法。实验结果表明，本文所提方法的预测准确率优于传统机器学习方法，具备能够部署在大数据平台上的能力。H

参考文献

[1]恩旺，刘子金，张淼.中国电梯行业的技术发展与趋势[J].建筑科学，2018，34（09）：110-118.

[2]刘松国，韩树新，李伟忠，等.电梯运行状态监测与故障远程报警系统研究[J].自动化与仪表，2011，26（10）：42-46.

[3]FLORES A， CARVALHO J， CARDOSO A. Mechanical fault detection in an elevator by remote monitoring; proceedings of the 2008 18th International Conference on Electrical Machines， F， 2008 [C]. IEEE.

[4]金晓磊，潘鹏.机器人视觉的电梯轿厢门状态识别系统[J].单片机与嵌入式系统应用，2018，18（04）：28-31.

[5]徐姗.基于高阶谱和支持向量机的电梯故障诊断[D].华侨大学，2013.

[6]崔琪.基于数据融合的电梯故障诊断方法研究[D].武汉理工大学，2014.

[7]盛山山.基于数据挖掘的电梯故障预测研究[D].广东工业大学，2018.

[8]熊瑞庭.基于模糊神经网络的电梯故障诊断系统的研究[D].武汉： 武汉理工大学，2009.

[9]陶鹏，孙晓明，张超.基于神经网络推理策略的电梯故障诊断法[J].武汉理工大学学报（信息与管理工程版），2009，31（06）：950-953.

[10]刘影，赵迎龙，魏斌，等.基于优化神经网络的电梯故障诊断系统研究[J].自动化与仪器仪表，2022（05）：88-92.

[11]宗群，马宏波，王中海.基于NNFPN模型的电梯故障诊断方法的研究[J].控制与决策，2005（03）：341-344.

[12]李俊芳，曲照伟，窦立谦等.基于神经网络的电梯门系统故障预测方法的研究[J].天津理工大学学报，2009，25（01）：8-10.

[13]王志平.基于高速电梯运行特征大数据分析的急停故障诊断技术及应用[D].浙江大学，2016.

[14]沈志鹏.基于大数据的电梯安全监测方法研究与应用[D].浙江工业大学，2018.

[15]张兴合，高丙朋，陈飞，等.深度学习在电梯轿厢振动故障诊断中的应用研究[J].机电工程，2021，38（02）：260-264.

[16]ZHOU T， MA Z， WEN Q， et al. Fedformer： Frequency enhanced decomposed transformer for long-term series forecasting; proceedings of the International Conference on Machine Learning， F， 2022 [C]. PMLR.