仿真数据驱动的长期服役电梯导轨故障迁移诊断方法

肖刚 顾海瑞 董锦锦 王琪冰 陆佳炜

摘要：现有的电梯导轨故障诊断研究存在水平振动分类数据稀缺，训练和测试数据集分布差异较大等问题。提出了一种仿真数据驱动的长期服役电梯导轨故障迁移诊断方法。首先構建电梯轿厢的水平动力学模型，将不同类型的导轨故障激励作为系统输入进行仿真，获得丰富的轿厢水平异常振动数据；然后融合残差网络和卷积注意力机制来提取故障特征，采用子领域自适应方法实现无监督场景下源域与目标域条件分布的对齐；最后使用不同工况下的电梯水平振动数据作为目标域对所提方法进行验证。实验结果表明，所提方法在无监督跨域场景下具有较高的故障诊断精度，为解决长期服役电梯的故障数据稀缺问题提供了参考。

关键词：仿真数据驱动；长期服役电梯；水平振动；子领域自适应；故障诊断

中图分类号：TH17；TP391.9

DOI：10.3969/j.issn.1004132X.2024.01.012

Simulation Data-driven Migration Diagnosis Method for Guide Rail Faults

in Long-term Service Elevators

XIAO Gang GU Hairui DONG Jinjin WANG Qibing LU Jiawei

College of Mechanical and Electrical Engineering，China Jiliang University，Hangzhou，310018

Abstract： The existing researches of fault diagnosis of elevator guide rails has some problems， such as scarcity of horizontal vibration classification data and large difference in the distribution of training and test data sets. A simulation data-driven fault migration diagnosis method for long-term service elevator guide rails was proposed. Firstly， the horizontal dynamics model of the elevator car was constructed， different types of guide rail fault excitations as system input for simulation and rich horizontal abnormal vibration data of elevator car were obtained. Secondly， the residual network and convolutional attention mechanism were integrated to extract fault features， and the sub-domain adaptive method was used to align the conditional distribution of source domain and target domain in unsupervised scenarios. Finally， the elevator horizontal vibration data under different working conditions were used as the target domain to verify the proposed method. The experimental results show that the proposed method has high fault diagnosis accuracy in unsupervised cross-domain scenarios， which provides a reference for solving the problems of scarcity of fault data for long-term service elevators.

Key words： simulation data-driven； long-term service elevator； horizontal vibration； subdomain adaptation； fault diagnosis

0 引言

随着我国电梯保有量和长期服役电梯（long-term service elevator， LSE）数量的不断增加，LSE的故障问题日益凸显，尤其是电梯异常振动问题最为显著［1］。电梯异常振动对乘客乘运舒适性有很大影响，情况严重时将导致电梯运行事故。LSE受限于当时的制造、安装工艺水平，其力学性能与新装电梯相较有很大差距，且导靴与导轨长期暴露于潮湿、闷热的环境中，随着使用年限的延长，其物理特性会大幅下降，因此，研究LSE的异常振动故障诊断方法对保障乘客乘梯安全具有重要意义。

电梯运行过程中的振动响应分为水平振动响应和垂直振动响应，乘客对轿厢的水平振动响应表现更为敏感［2］。研究表明，电梯导向系统是造成轿厢水平振动的主要原因，且导轨激励是直接影响因素［3］。在轿厢动力学建模方面，陈杰［4］将导靴简化为弹簧阻尼系统，建立轿厢的二自由度水平振动模型，将导轨弯曲变形作为系统输入进行仿真，得到的仿真结果与实测数据基本一致，且水平振动强度与电梯运行速度成正相关。ZHANG等［5］发现轿厢参数的变化主要影响电梯水平振动响应的分散程度，而导轨不平度主要影响振动响应的幅值。然而，现阶段的研究主要关注高速电梯的水平振动，针对LSE的水平振动故障诊断问题缺乏深入的研究。

随着物联网及人工智能技术的发展，基于数据驱动的故障诊断方法逐渐成为主流。通过传感器数据采集和预处理，并对大量标签数据进行学习，研究人员建立了端到端的故障診断模型［6］。但是这些智能诊断算法获得较高准确率的前提是拥有足量标签数据样本，而现实中获取大量含标签的故障样本费时费力。迁移学习为解决机械装备诊断过程中训练数据缺失的问题提供了新的思路。SHAO等［7］将振动信号转化为小波时频图，利用预训练微调网络分别提取图像的低级别和高级别特征，实现了数据稀缺情况下的高精度机器故障诊断。张龙等［8］融合多通道振动信号，采用深度迁移学习实现了旋转机械的故障诊断。LI等［9］使用领域自适应方法对无标签滚动轴承数据进行无监督训练，得到了鲁棒性更好的故障诊断效果。

然而，现有的机械装备故障迁移诊断方法通常需要采用充足的试验台数据构建源域，而传感器采集大都是设备正常运行状态下的数据，在故障状态下运行时间很短，导致故障分类数据非常稀缺。此外，电梯损伤实验的成本高、周期长且安全性低，针对此问题，一些学者提出了用仿真数据构建源域的方法。董绍江等［10］建立了滚动轴承的物理模型来获取仿真数据，采用条件最大均值差异进行源域和目标域的自适应处理，解决了仿真与实际故障数据特征分布不一致的问题。XIAO等［11］设计了一种嵌入联合最大均值差异的改进损失函数，提出了源域样本权值分配机制，实现了无监督场景下仿真数据驱动的域自适应滚动轴承故障诊断。

综上，针对由导轨故障导致的LSE水平振动故障分类数据稀缺，训练和测试数据集分布差异大等问题，本文提出了一种仿真数据驱动的LSE导轨故障迁移诊断方法，该方法不同于现有实验数据间的迁移诊断研究，通过建立轿厢的物理仿真模型获取丰富的故障数据构建源域，以降低对损伤试验方法的依赖；采用迁移预训练方法加快模型训练速度，降低过拟合风险，结合残差网络和卷积注意力机制增强对轿厢振动小波时频图的特征提取能力；利用局部最大均值差异进行源域与目标域中子领域的条件分布对齐，实现了无监督场景下LSE导轨故障的准确分类。

1 轿厢动力学仿真建模

1.1 轿厢水平振动建模

电梯轿厢的水平振动方向分为左右和前后两个方向，这两个方向的振动模型基本一致［4］，本文只考虑轿厢左右方向的振动。电梯水平动力学模型中包括轿厢、导轨和导靴三个部件。电梯是复杂的机电一体化设备，为了便于分析和计算，对电梯轿厢辅助零部件进行简化：①将轿厢和轿厢架视为一个整体；②忽略导靴的质量，将导靴简化为弹簧阻尼系统，且每个导靴的等效刚度和等效阻尼均相同。根据机械动力学理论，建立电梯轿厢二自由度水平振动模型，如图1所示。

轿厢存在沿x轴方向的平动与绕轿厢y轴转动两个自由度。其中，x为轿厢水平振动位移；θ为轿厢绕质心的角位移；xa、xb、xc、xd为导轨对4个导靴的位移激励；v为电梯运行速度；m为轿厢质量；k为导靴的等效刚度；c为导靴的等效阻尼；la为导靴a和c到轿厢质心的垂直距离；lb为导靴b和d到轿厢质心的垂直距离。4个导靴的水平位移分别为

4组弹性阻尼元件的形变量分别为

根据达朗贝尔原理和弹性、阻尼元件动力学特性，建立电梯轿厢水平振动微分方程如下：

式中，J为轿厢的转动惯量。

系统动力学微分方程的通用形式为

整理式（3）和式（4）可得

1.2 导轨故障激励

电梯导向系统的核心部件为导轨和导靴，其主要作用是确保轿厢和对重沿着导轨垂直方向运动，以保障电梯的安全性和稳定性。导轨本身的安装缺陷和老化，如导轨对中误差、垂直度误差、支架松动、表面粗糙不平等问题，均会引起轿厢运行过程中的水平振动。参照文献［12］，将导轨故障简化为3种故障激励：失调激励、弯曲激励和阶跃激励，如表1所示。

2 无监督子领域自适应电梯导轨故障迁移诊断模型

迁移学习是利用已有知识对相关领域问题进行求解的一种机器学习方法，目的是迁移已有的知识来解决目标领域中仅有少量甚至没有标签数据样本的问题。不同领域之间的相似性对迁移学习的性能影响至关重要，数据集之间越相似，模型迁移的效果越好。在仿真数据驱动的电梯故障诊断中，源域（source domain）Ds为仿真数据，服从分布Ps（x，y）：

Ds={（xsi，ysi）}Nsi=1

式中，xsi为仿真数据样本；ysi为仿真样本对应的健康状态标签；Ns为源域样本数据量。

目标域（target domain）Dt为实测数据，服从分布Pt（x，y）：

Dt={（xtj）}Ntj=1

式中，xtj为传感器采集的无标签数据样本；Nt为目标域样本数据量。

考虑到电梯轿厢水平振动的仿真与实测数据分布存在差异，时频图故障特征分布集中，传统深度学习模型泛化能力差等问题，本文结合残差网络与注意力机制的特点，提出无监督子领域自适应电梯导轨故障迁移诊断算法（TL-RSCA），模型结构如图2所示，包括预训练模型、特征提取层和子领域自适应层三个部分。

首先进行数据预处理：将电梯动力学仿真和传感器采集的一维时域信号转为二维图像再输入到网络中进行特征提取，使用滑动窗口对数据进行分割。选择连续小波变换（CWT）将一维振动信号转换成小波时频图并按比例划分为训练集和测试集。

2.1 融合深度残差网络和卷积注意力机制的特征提取网络

与传统迁移学习相比，深度迁移学习可以提高网络在不同任务上的学习效果。但是随着网络层数的增加，深度卷积神经网络中会出现梯度消失和梯度爆炸。针对此问题，本文选择深度残差网络（residual neural network， ResNet）进行特征提取［13］，其基础架构为残差块，如图3所示。残差块通过添加跨层连接捕捉输入和输出之间的残差来抑制网络层数加深时的性能退化，图3b中降采样层的作用是保证输出和输入的特征图尺寸和通道数保持一致。

为了使算法关注图像中的低频振动特征，在每个残差层的输出位置加入卷积注意力模块（convolutional block attention module， CBAM）［14］，包括通道注意力（CAM）和空间注意力（SAM）两个部分。其中CAM捕捉特征图各通道之间的联系，SAM捕捉特征图空间区域之间的联系。

输入特征图X的同时通过最大池化和平均池化得到两个1×1×C的特征图，接着经过共享参数的多层感知机（MLP），MLP的输出相加后经过Sigmoid激活生成最终的通道注意力权值，其计算公式如下：

SAM的输入为CAM的输出，输入特征先后经过最大池化和平均池化并进行通道拼接，然后输入到一个7×7的卷积后变成一个一维向量，经过Sigmoid激活后得到最终的空间注意力权值，其计算公式如下：

式中，MS（X）表示空间注意力模块；Fcov表示卷积运算；X″为空间注意力的输出特征向量。

为了提高模型的训练速度并增强迁移效果，算法先采用预处理后的滚动轴承数据集进行模型预训练，其特征提取网络为融合CBAM的ResNet-18。随机初始化模型的权重及偏差，在得到最高的分类准确率时保存网络权重参数。然后进行模型迁移与微调，加载预训练模型网络权重用于轿厢振动数据集的诊断，冻结特征提取网络中前2个残差块的权重参数以提取图像浅层特征，微调后对2个残差块参数提取图像深层特征，从而避免因数据样本不足而导致的模型训练过拟合。

2.2 局部最大均值差异

领域自适应是迁移学习中常用的方法，它将两个不同领域的数据映射到同一个特征空间，使其在该特征空间上进行源域和目标域的对齐，提高算法在目标域上的准确率。最大均值差异（maximum mean discrepancy， MMD）是领域自适应中使用最广泛的分布距离度量方法之一，它是求两个概率分布映射到另一个空间中的数据均值之差。但是，传统域自适应方法仅考虑了对齐全局源域和目标域的分布，导致两个域中子类别的数据过于接近，无法实现准确分类。针对该问题，本文引入局部最大均值差异（LMMD）［15］，考虑电梯导轨故障类别的条件分布差异，实现不同子领域的分布对齐，如图4所示。

在经过特征提取层后进行源域与目标域间子领域自适应学习，实现目标域中电梯轿厢振动数据无监督学习和数据分布在高维空间上的对齐，将训练网络输出作为目标域的伪标签计算局部最大均值差异损失，最后经过全连接层输出导轨故障分类结果。

电梯导轨故障迁移诊断算法中需要优化的损失函数为

损失函数中的子领域自适应公式为

式中，下标H表示再生核希尔伯特空间；C为故障样本标签类别数；φ为特征映射函数；ωsci、ωtcj分别为xsi和xtj属于第c类的权重；yic为输入向量yi第c类的标签;D为样本标签集合。

对于源域中的样本，使用真实标签ysi计算每个样本的权重ωsci。对于目标域的无标签样本，深度神经网络y＾i=f（xi）的输出是一个概率分布，它表示将xi识别为c类的概率大小，因此采用预

最后，给定具有ns个含标签的源域Ds和nt个不含标签的目标域Dt，深度神经网络将会在第l层中产生{zsli}nsi=1和{ztlj}ntj=1的激活。因此，子领域自适应函数为

式中，zl为第l层（l={1，2，…，L）的激活;L为自适应层数；K（·，·）为高斯核函数。

3 实验与结果分析

3.1 轿厢水平振动仿真

根据轿厢动力学微分方程建立Simulink仿真模型，分析每种导轨激励下的轿厢水平振动响应。导靴所受位移激励xa与xb在同一侧，故其所受激励信号一致且相差一个相位。由于导靴的材料属性与工况条件相同，故认为导靴的刚度k和阻尼c均一致。电梯运行速度对轿厢水平振动有很大的影响，LSE的运行速度通常为1.50，1.75，2.00 m/s。现将以上三种速度下的轎厢水平振动作为工况1、工况2和工况3来分析。单根导轨长为5 m，以电梯经过8根导轨的时间作为仿真时长。考虑LSE的导轨老化磨损情况，取δsmax=10 mm，δwmax=15 mm，δjmax=0.3 mm。某型号电梯的动力学参数如表2所示，仿真模型动力学参数与实际运行的电梯保持一致。工况3下导轨正常、失调、弯曲、阶跃四种类型的轿厢水平振动加速度信号的仿真和实测时域波形对比如图5所示。

3.2 仿真数据分析

3.2.1 时频域对比

轿厢水平振动包含了频率随时间变化的信号成分， 连续小波变换在故障诊断中较为常用，比短时傅里叶变换识别二维图像的方法有一定优势［16］。首先对一维信号进行均值‘0-1归一化处理；选择小波基函数为cmor3-3，由于电梯水平振动的频率主要集中在低频段［17］，故将时频图的频率范围设置在0～25 Hz；最后设置小波时频图的输出尺寸为224×224×3。

电梯实际运行过程中，传感器采集的轿厢加速度信号包括许多环境中的噪声，为了更好地模拟不同导轨激励下的实际轿厢水平振动情况，对仿真激励信号添加高斯白噪声，并对实际振动信号进行卡尔曼滤波。图6为随机选取工况3中导轨失调故障下轿厢振动的小波时频图，对比图6a和图6b可知，导轨失调故障下轿厢水平振动的频率幅值均集中在4～5 Hz左右；不同之处在于仿真信号中的振动频率成分更为集中，能量密度也较高。因此，仿真信号包含了实际故障中的关键特征，表明了物理仿真模型的有效性，仿真与实际信号间具有通用的可迁移故障知识。

3.2.2 频域对比

包络谱分析是机械故障诊断领域常用的方法，图7所示为随机选取工况3中导轨失调故障下仿真信号与实际信号的包络谱图对比。由图7可知，轿厢水平振动的频率主要集中在低频段，仿真信号与实际信号低频段峰值频率的频率分量基本一致，证明了物理仿真模型的有效性。

3.2.3 概率分布对比

由于受设备本身安装误差、载荷分布及噪声等不确定性因素的影响，仿真与实际数据特征分布之间存在差异。随机选取工况3下导轨正常状态的仿真信号和实际信号作概率分布统计，结果如图8所示。

由图8可知，仿真信号与实际信号的概率分布大致相同，但也存在一定的差异性。由于仿真信号考虑的随机因素较少，故其概率分布较为集中，概率密度峰值较高，表明了采用迁移学习进行仿真数据驱动故障诊断的必要性。

3.3 故障迁移诊断数据集说明

本文的数据集分为预训练（A）、源域（B）和目标域（C），如表3所示。其中，预训练数据集A为凯斯西储大学（CWRU）轴承驱动端故障数据集，轴承型号为SKF 6205-2RS，传感器采样频率为12 kHz，将其分为正常、外圈故障、内圈故障、滚动体故障四种类型。在源域和目标域中，仿真数据和实测数据的采样频率均为50 Hz，从仿真信号与实测信号中选取250个数据点为一个样本，采用滑动窗口的形式对仿真数据和实测数据进行分割，两段样本相距125个数据点，即重叠率为50%，直到分割结束。

目标域中实测数据集来自某公司的电梯物联网平台，电梯的振动数据采用三轴加速度传感器测量，传感器放置于轿厢顶部中心位置。选取系统中服役年限超过10年的LSE，对轿厢水平异常振动数据进行筛选后，共整理出每种工况下有效数据600条。将所有数据按8∶2的比例划分为训练集和测试集。

3.4 迁移诊断模型性能分析

3.4.1 实验参数与对比模型

实验使用的环境配置为：64位Windows10操作系统，运行内存为32G，CPU为Intel Corei7-12700K@3.60GHz，GPU为Nvidia GeForce RTX 3080，程序运行环境为Python3.9，深度学习框架为Pytorch1.0。

算法的训练参数设置如下：迭代次数设置为100，批样本个数为32，特征提取层选择交叉熵损失函数，学习率为0.001，采用ADAM梯度优化方法，L2正则化系数取5×e-4，自适应层数L=1，自适应层学习率为特征提取层的10倍，学习率调整公式为ηp=η0/（1+αp）β，p服从0～1线性变化的训练进度，η0=0.01，α=10，β=0.75。为了抑制训练开始时的噪声激活，动态地改变权衡参数λ，使其满足λ=2/（1+e-10m/M）-1，其中，m表示当前迭代次数，M表示总迭代次数。

本文的迁移学习任务共包括3个全局域，分别对应三种工况下轿厢水平振动情况。每个全局域有4类子领域，对应导轨正常和导轨失调、弯曲、阶跃3种故障类型。将本文改进算法与其他算法进行对比分析，为保证对比结果的有效性，所有迁移学习的特征提取网络都采用ResNet-18。源域与目标域共享相同的网络结构参数，本文所提模型的结构参数如表4所示。

3.4.2 不同模型诊断结果分析

为论证故障迁移诊断的必要性，本文比较了6种方法的诊断精度。方法1使用源域数据训练ResNet，不采用迁移学习，直接在目标域测试集上输出诊断结果；然后，为体现子领域自适应迁移诊断模型的优越性，与其他经典迁移学习方法进行对比。方法2为多表示适应网络（MRAN）［18］，其领域自适应函数为CMMD。方法3为深度子领域自适应算法（DSAN），其领域自适应函数替换为LMMD。方法4为深度动态分布自适应网络（DDAN）［19］，在特征层嵌入了动态适配单元。方法5为深度动态对抗适配网络（DAAN）［20］，通过自适应因子动态地衡量迁移过程中的边缘分布和条件分布。方法6为本文所提方法（TL-RSCA），与方法3进行消融实验对比。不同模型的诊断精度如表5所示，图9为不同模型诊断结果的柱状图。

由图9、表5可知，6种方法的准确率从工况1到工况3逐步增大，这是因为随着电梯运行速度增大，轿厢水平振动幅值增大，小波时频图特征更加明显，随机干扰对算法准确率的影响降低。方法1在不同工況下的平均诊断准确率仅71.24%，明显低于其他5种方法的诊断精度，原因是仿真数据和实测数据在数据分布上存在差异，只采用仿真数据训练的网络无法直接用于实际故障数据的诊断，表明了迁移诊断的必要性。

方法3的诊断平均准确率为84.79%，高于其他迁移学习模型MRAN、DDAN和DAAN的诊断准确率，可以得出结论：LMMD可对齐源域与目标域中的不同子类，故障的迁移效果更好，模型泛化能力和鲁棒性更强。方法3和方法6的对比验证了在残差块中加入CBAM的有效性，CBAM使网络更关注小波时频图中低频振动明显的特征，降低了对图像中噪声的关注度。

选取算法最优诊断精度，即工况3下的诊断结果进行分析。图10为6种方法在目标域测试集上的混淆矩阵对比结果图。在混淆矩阵中，导轨正常、失调故障、弯曲故障和阶跃故障对应的标签依次为0，1，2，3。

由图10可知，不同方法对导轨弯曲故障的诊断精度均最高，原因是导轨弯曲故障的小波时频图相较于其他3类特征更加明显；而导轨正常和导轨失调故障的小波时频图特征比较相近，导致算法对这两类故障的诊断准确率较低。方法6对每一子类故障的分类错误更少，表明本文所提方法具有最优的诊断性能。

为了更好地体现本文所提方法的特征适配性能，针对源域和目标域的测试集，采用t-SNE算法将不同模型降维后的特征样本进行可视化，如图11所示。其中源域的导轨正常、失调故障、弯曲故障和阶跃故障对应的标签依次为S0，S1，S2， S3，目标域标签相应为T0，T1，T2，T3。

由对比结果可得，本文所提方法具有较好的聚类效果，类内聚集较紧密，类间分布较远。说明相较于采用全局域对齐，LMMD在考虑条件分布差异下的子领域对齐效果更好。但是，从模型的分类结果看，源域和目标域仍然存在少量样本分类错误，主要原因是实测数据包含许多不确定性因素导致小波时频图的特征差异不明显，影响最后的分类结果。

3.5 預训练模型效果分析

为了验证采用预训练模型带来的性能提升，将所提方法（M1）与未使用预训练模型的方法（M2）进行对比，将M2的特征提取网络参数进行随机初始化，其余参数设置与上述实验均相同。图12为工况3下模型的准确率对比曲线，两种方法诊断精度和训练时间的对比结果如表6所示。

由图12、表6可知，M1初始迭代时的准确率更高，模型训练的收敛速度更快，且M1在保证算法高准确率的情况下训练时间更短，主要原因是滚动轴承数据集样本规模更大，在大数据集上训练得到的模型抗过拟合能力更强，提高了下游迁移任务的诊断精度下限。

3.6 不同数据增强方法对比

针对LSE故障诊断中数据稀缺问题，为说明仿真数据驱动的数据增强方法在小样本学习中的优越性，将其与另外2种常用的数据增强方法作比较。方法1通过对小波时频图进行旋转、拉伸缩放、随机裁剪和添加高斯白噪声等操作进行数据增强。方法2利用深度卷积生成对抗网络（DCGAN）对轿厢实测数据集的小波时频图进行数据增强［21］。方法3为本文所提方法，即采用仿真数据作为源域，实测数据作为目标域进行迁移学习。为保证对比实验的公平性，每种方法的数据集样本数量相同，且均采用预训练模型。由于方法1和方法2不涉及数据特征分布变化，故不使用领域自适应操作，在特征提取后分别经过全连接层输出诊断结果。从轿厢实测数据集中随机抽取不同类别数据样本共80条，采用不同方法对其进行数据增强分别得到有效数据240条，按比例划分为训练集和测试集。表7所示为不同方法在三种工况下的故障诊断精度对比。

由表7可知，由于总样本数量有限，3种方法在小样本数据集上的诊断精度有所下降，但是方法3的平均准确率为83.11%，明显高于另外2种方法的诊断准确率。主要原因是方法1和方法2都是在原有数据集上进行数据增强，样本之间的特征相似度较高，导致数据样本的质量较差，模型训练时容易出现过拟合现象；方法3由故障失效机理产生的仿真数据进行增强，数据集中的样本特征更丰富，训练得到的模型泛化能力更强。因此，基于模型仿真数据驱动的数据增强方法在小样本学习下可以实现更有效的故障诊断。

4 结论

本文提出了一种仿真数据驱动的长期服役电梯（LSE）导轨故障迁移诊断方法，旨在解决导轨故障导致的LSE水平振动故障分类数据稀缺等问题，获得以下结论：

（1）在迁移学习方法中，采用仿真数据作为源域数据集训练智能诊断网络用于机械装备的故障诊断问题完全可行，可以减少对实际故障数据的依赖，仿真数据增强方法在小样本故障诊断下更有优势。

（2）采用预训练模型提高了故障诊断算法的收敛速度，通用特征提取层结合残差网络和卷积注意力模块的优点，增强了算法的特征提取能力。采用局部最大均值差异进行源域与目标域子领域对齐，实现了更好的迁移效果。

（3）在不同工况下的轿厢水平振动数据集上进行实验验证，结果表明所提方法具有一定的优越性，为解决长期服役电梯因缺少大量故障运行数据而无法构建有效智能诊断模型问题提供了参考，对保障长期服役电梯的安全运行具有重要意义。

参考文献：

［1］ FENG Shuangchang， CHEN Jie， CHANG Xiaoqing. Analysis of the Hidden Danger for Old Elevator Safety［C］∥2020 3rd International Conference on Electron Device and Mechanical Engineering（ICEDME）. Suzhou， 2020：605-608.

［2］ 宋丹龙， 白洋洋， 张向阳， 等. 电梯滚动导靴横向隔振性能分析与优化［J］. 机械设计， 2021， 38（1）：34-41.

SONG Danlong， BAI Yangyang， ZHANG Xiangyang， et al. Analysis and Optimization of Horizontal Vibration Isolation Performance of the Elevators Rolling Guide Shoe［J］. Journal of Machine Design， 2021， 38（1）：34-41.

［3］ 梅德庆， 杜小强， 陈子辰. 基于滚动导靴-导轨接触模型的高速曳引电梯振动分析［J］. 机械工程学报， 2009， 45（5）：264-270.

MEI Deqing， DU Xiaoqiang， CHEN Zichen. VibrationAnalysis of High-speed Traction Elevator Based on Guide Roller-rail Contact Model［J］. Chinese Journal of Mechanical Engineering， 2009， 45（5）：264-270.

［4］ 陈杰. 高速电梯水平振动性能分析与导向系统设计优化及其应用研究［D］. 杭州：浙江大学， 2016.

CHEN Jie. Performance Analysis of Horizontal Vibration in High-speed Elevator and Design Optimization of Guidance System and Its Application［D］. Hangzhou：Zhejiang University， 2016.

［5］ ZHANG Ruijun， WANG Chen， ZHANG Qing. Response Analysis of the Composite Random Vibration of a High-speed Elevator Considering the Nonlinearity of Guide Shoe［J］. Journal of the Brazilian Society of Mechanical Sciences and Engineering， 2018， 40：1-10.

［6］ LEI Yaguo， YANG Bin， JIANG Xinwei， et al. Applications of Machine Learning to Machine Fault Diagnosis：a Review and Roadmap［J］. Mechanical Systems and Signal Processing， 2020， 138：106587.

［7］ SHAO S Y， MCALEER S， YAN R Q， et al. Highly Accurate Machine Fault Diagnosis Using Deep Transfer Learning［J］. IEEE Transactions on Industrial Informatics， 2018， 15（4）：2446-2455.

［8］ 张龙， 胡燕青， 赵丽娟， 等. 多通道信息融合与深度迁移学习的旋转机械故障诊断［J］. 中国机械工程，2023，34（8）：966-975.

ZHANG Long，HUYanqing， ZHAO Lijuan， et al. Multi-channels Information Fusion and Deep Transfer Learning for Rotating Machinery Fault Diagnosis［J］. China Mechanical Engineering，2023，34（8）：966-975.

［9］ LI Xingqiu， JIANG Hongkai， WANG Ruixin， et al. Rolling Bearing Fault Diagnosis Using Optimal Ensemble Deep Transfer Network［J］. Knowledge-based Systems， 2021， 213：106695.

［10］ 董绍江， 朱朋， 朱孙科， 等. 基于仿真数据驱动和领域自适应的滚动轴承故障诊断方法［J］. 中国机械工程， 2023， 34（6）：694-702.

DONG Shaojiang， ZHU Peng， ZHU Sunke， et al. Fault Diagnosis Method of Rolling Bearing Based on Simulation Data Drive and Domain Adaptation［J］. China Mechanical Engineering， 2023， 34（6）：694-702.

［11］ XIAO Yiming， SHAO Haidong， HAN Songyu， et al. Novel Joint Transfer Network for Unsupervised Bearing Fault Diagnosis from Simulation Domain to Experimental Domain［J］. IEEE/ASME Transactions on Mechatronics， 2022， 27（6）：5254-5263.

［12］ 武儀， 萨日娜， 裘乐淼， 等. 基于导轨多激励关联的轿厢水平振动预测方法［J］. 机电工程， 2021， 38（12）：1520-1528.

WU Yi， SA Rina， QIU Lemiao， et al. Car Horizontal Vibration Prediction Method Based on Guideway Multiple Excitation Correlation［J］. Journal of Mechanical& Electrical Engineering， 2021， 38（12）：1520-1528.

［13］ HE Kaiming， ZHANG Xiangyu， REN Shaoqing， et al. Deep Residual Learning for Image Recognition［C］∥Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas ，2016：770-778.

［14］ WOO S， PARK J， LEE J， et al. CBAM：Convolutional Block Attention Module［C］∥Proceedings of the European Conference on Computer Vision（ECCV）.Munich，2018：3-19.

［15］ ZHU Yongchun， ZHUANG Fuzhen， WANG Jindong， et al. Deep Subdomain Adaptation Network for Image Classification［J］. IEEE Transactions on Neural Networks and Learning Systems， 2020， 32（4）：1713-1722.

［16］ 朱朋， 董绍江， 李洋， 等. 基于残差注意力机制和子领域自适应的时变转速下滚动轴承故障诊断［J］. 振动与冲击， 2022， 41（22）：293-300.

ZHU Peng， DONG Shaojiang， LI Yang， et al. Fault Diagnosis of Rolling Bearings under Time-varying Speed Based on the Residual Attention Mechanism and Subdomain Adaptation［J］. Journal of Vibration and Shock， 2022， 41（22）：293-300.

［17］ QIU Lemiao， SU Guannan， WANG Zili， et al. High-speed Elevator Car Horizontal Vibration Fluid-solid Interaction Modeling Method［J］. Journal of Vibration and Control， 2022， 28（21/22）：2984-3000.

［18］ ZHU Yongchun， ZHUANG Fuzhen， WANG Jindong， et al. Multi-representation Adaptation Network for Cross-domain Image Classification［J］. Neural Networks， 2019， 119：214-21.

［19］ WANG Jindong， CHEN Yiqiang， FENG Wenjie， et al. Transfer Learning with Dynamic Distribution Adaptation［J］. ACM Transactions on Intelligent Systems and Technology（TIST）， 2020， 11（1）：1-25.

［20］ YU Chaohui， WANG Jindong， CHEN Yiqiang， et al. Transfer Learning with Dynamic Adversarial Adaptation Network［C］∥Proceedings of the 2019 IEEE International Conference on Data Mining（ICDM）. Beijing ，2019：19303062.

［21］ 胡向東， 梁川， 杨希. 基于时频增强的滚动轴承少样本故障诊断方法［J］. 计量学报， 2023， 44（1）：12-20.

HU Xiangdong， LIANG Chuan， YANG Xi. AMethod of Fault Diagnosis with Few Samples for Rolling Bearing Based on Time-frequency Enhancement［J］. Acta Metrologica Sinica， 2023， 44（1）：12-20.