CN106586796A - 一种自动扶梯状态监测***及方法 - Google Patents

Abstract

本发明公开了一种自动扶梯状态监测***及方法，该***包括信号传感子***、数据采集子***以及监测诊断主***，信号传感子***用于获取自动扶梯在运行过程中的状态信息，数据采集子***用于对获取的状态信息进行预处理后采集获取对应的原始状态信息并进行存储，监测诊断主***用于对原始状态信息进行解析、特征提取处理获得实时的状态特征向量后进行在线监测、预警和告警处理，并结合历史故障数据和/或专家知识库对状态特征向量进行自学习式智能诊断及故障预测。本发明可以实现对自动扶梯的全面在线监测，而且可以准确地进行智能诊断及故障预测，可广泛应用于自动扶梯、自动人行道、电梯的监测行业中。

Description

一种自动扶梯状态监测***及方法

技术领域

本发明涉及自动扶梯的监测领域，特别是涉及一种自动扶梯状态监测***及方法，可用于监测沿固定线路运行的梯级或者沿刚性导轨运行的箱体、升降或者平行运送人员或货物的机电设备。

背景技术

电动扶梯(Escalator)，亦称自动扶梯，或自动行人电梯、扶手电梯、电扶梯，是一种带有循环运动梯路向上或向下大量、连续输送乘客的固定的机电设备。常用于地铁、机场、车站、写字楼、商城、码头等场所。如图1所示，自动扶梯由驱动***、梯路***、扶手***、金属结构和电气控制***等组成，其中，驱动***包括电动机、减速机、驱动链和主驱动轴等，梯路***包括梯级、地板及梳齿板、梳齿、梯级链和梯级链张紧装置等，扶手***包括内侧板、裙板、盖板、扶手带和扶手带驱动装置等，金属结构指自动扶梯的金属部件，包括导轨和桁架等，电气控制***包括供电电源、控制器、驱动器和信号检测单元等。因自动扶梯的工作环境主要是在商场、车站等人流密集的公共场所，运行时间长、负载大，高峰时期甚至经常超负荷运行，经过长时间的运行后，难免会出现各种各样的故障。故障的出现不仅影响了自动扶梯正常的作业，还有可能导致安全事故，甚至造成重大经济损失或人员伤亡。近几年来，自动扶梯运行过程中由于出现故障未及时被发现而导致安全事故的报道屡见不鲜。由此可见，自动扶梯运行的安全检查和维护是十分必要的。

目前，对自动扶梯的安全检查方法主要有定期检查维护和故障后检查维修两种方式。故障后检查维修是指在自动扶梯发生故障后再进行检查、维修，这种只是对故障的一个救济措施，维修过程中自动扶梯不能提供服务，会带来使用不便、经济损失等，而且因为要事前准备维修备件，会带来较大的经济负担。而定期检查维护虽能一定程度上减少自动扶梯故障的出现，但是其不仅使用维护成本高，而且许多故障是由于定期维护的不当而引起的。此外，这些安全检查手段很大程度上依靠检测仪器的精度和检验人员的经验水平，很难对自动扶梯的运行状况做到实时监测，无法根据自动扶梯的运行状况对故障进行及时的预警或告警。虽然现在技术中也出现了一些对自动扶梯进行状态监测的方法，例如通过设置霍尔速度传感器、激光测距传感器等来采集自动扶梯上乘客的运行状况并进行自动诊断，通过设置互感器来检测自动扶梯的运行状态，通过设置图像采集模块来采集自动扶梯上的图像后进行图像识别来判断是否发生异常等各种方式，现有的这些对自动扶梯进行监测的方式是仅针对自动扶梯的监测或某些功能的检测和控制，不具有通用性，或是仅针对自动扶梯运行的某些参数指标，在线监测状态不全面，或是只有监测功能、没有预警和诊断功能等，不能实现对自动扶梯的全面在线检测、故障报警、故障预警和远程故障诊断等。

发明内容

为了解决上述的技术问题，本发明的目的是提供一种自动扶梯状态监测***，本发明的另一目的是提供一种自动扶梯状态监测方法。

本发明解决其技术问题所采用的技术方案是：

一种自动扶梯状态监测***，包括信号传感子***、数据采集子***以及监测诊断主***，所述信号传感子***用于获取自动扶梯在运行过程中的状态信息，所述数据采集子***用于对获取的状态信息进行预处理后采集获取对应的原始状态信息并进行存储，所述监测诊断主***用于对原始状态信息进行解析、特征提取处理获得实时的状态特征向量后进行在线监测、预警和告警处理，并结合历史故障数据和/或专家知识库对状态特征向量进行自学习式智能诊断及故障预测。

进一步，所述监测诊断主***包括现场监测告警子***、通信子***和远程监测诊断子***，所述现场监测告警子***用于对原始状态信息进行解析、特征提取处理获得实时的状态特征向量后进行在线监测、预警和告警处理，并将实时的状态特征向量通过通信子***发送到远程监测诊断子***，所述远程监测诊断子***用于结合历史故障数据和/或专家知识库对状态特征向量进行自学习式智能诊断及故障预测。

进一步，所述信号传感子***包括以下传感器中的至少一个：

振动传感器，用于获取自动扶梯的旋转部件、支撑部件和导向部件中的至少一个部件的振动状态；

温度传感器，用于采集自动扶梯的工作环境、旋转部件、支撑部件、电气控制***和润滑剂中的至少一个的温度；

红外成像传感器，用于获取自动扶梯的驱动***和电气控制***中至少一个部件的二维温度状态；

声音传感器，用于获取自动扶梯的电气控制***、驱动***、梯路***和扶手***中的至少一个部件的音响状态；

扶梯控制器通信接口，用于获取自动扶梯的电气控制***的工作状态，所述工作状态包括至少一个以下运行状态信息：自动扶梯的运行模式、运行方向、运行速度、安全回路、检修开关、盖板开关、制动器和故障代码中至少一种运行状态；

转速传感器，用于获取自动扶梯的驱动***、梯路***和扶手***中至少一个旋转轴的转速；

电量传感器，用于获取自动扶梯的电气控制***的瞬时电压、瞬时电流和瞬时功率。

进一步，所述远程监测诊断子***包括：

第一状态显示模块，用于显示自动扶梯的实时状态特征向量；

第一告警模块，用于根据自动扶梯的实时状态特征向量对自动扶梯的运行状况进行预警和告警；

分析诊断模块，用于对自动扶梯的原始状态信息进行解析、特征提取处理获得实时的状态特征向量，并结合历史故障数据和/或专家知识库对状态特征向量进行自学习式智能诊断及故障预测；

数据管理模块，用于对自动扶梯的原始状态信息和/或实时状态特征向量进行实时存储、查询、删除或备份。

进一步，所述远程监测诊断子***还包括动态模拟模块，所述动态模拟模块用于根据所获取的原始状态信息，实时模拟自动扶梯的运行状态，通过图像、声音、颜色、动画和/或文本信息的方式呈现自动扶梯的振动状态、温度状态、音响状态和和/运行状态。

进一步，所述现场监测告警子***包括主控模块、第二状态显示模块和第二告警模块，所述主控模块用于对自动扶梯的原始状态信息进行解析、特征提取处理获得实时的状态特征向量并进行实时监测，所述第二状态显示模块用于显示自动扶梯的实时状态特征向量，所述第二告警模块用于根据自动扶梯的实时状态特征向量对自动扶梯的运行状况进行预警和告警。

进一步，所述状态信息包括以下状态中的至少一种：

自动扶梯的旋转部件、支撑部件和导向部件的振动状态；

自动扶梯的工作环境、旋转部件、支撑部件、电气控制***和润滑剂的温度状态；

自动扶梯的驱动***和电气控制***的二维温度状态；

自动扶梯的电气控制***、驱动***、梯路***和扶手***的音响状态；

自动扶梯的运行模式、运行方向、运行速度、安全回路、检修开关、盖板开关、制动器和故障代码中至少一种运行状态；

自动扶梯的驱动***、梯路***和扶手***中至少一个旋转轴的转速；

自动扶梯的电气控制***的瞬时电压、瞬时电流和瞬时功率。

本发明解决其技术问题所采用的另一技术方案是：

一种自动扶梯状态监测方法，包括步骤：

S1、获取自动扶梯在运行过程中的状态信息；

S2、对获取的状态信息进行预处理后采集获取对应的原始状态信息；

S3、对自动扶梯的原始状态信息进行解析、特征提取处理获得实时的状态特征向量后进行在线监测、预警和告警处理，并结合历史故障数据和/或专家知识库对状态特征向量进行自学习式智能诊断及故障预测。

进一步，所述步骤S3中所述对自动扶梯的原始状态信息进行解析、特征提取处理获得实时的状态特征向量的步骤，其具体为：对自动扶梯的原始状态信息依次进行预处理、傅里叶变换、特征提取和模糊化处理后，提取获得实时的状态特征向量。

进一步，所述结合历史故障数据和/或专家知识库对状态特征向量进行自学习式智能诊断及故障预测的步骤，具体包括：

S31、通过采用历史故障数据进行训练所获得的神经网络对状态特征向量进行诊断推理，获得与状态特征向量相对应的多组故障诊断信息；

S32、对多组故障诊断信息采用模糊理论算子进行综合后，获得初步的诊断结果；

S33、按照阈值筛选原则和最大隶属度筛选原则进行筛选后获得诊断结果；

S34、响应于用户输入的确认信息，判断诊断结果是否与实际故障相符，若是，则输出诊断结果后结束，反之，继续执行步骤S35；

S35、将该诊断结果存入与训练后的神经网络相关联的特殊事例库中；

S36、判断特殊事例库中特殊事例的总数是否达到预设阈值，若是，则重新进行神经网络训练，并清零特殊事例库。

进一步，所述历史故障数据包括故障诊断信息以及对应的原始状态信息和/或在线监测状态，所述步骤S31中所述采用历史故障数据进行训练所获得的神经网络是通过以下方式训练获得的：

S311、对原始状态信息和/或在线监测状态依次进行预处理、傅里叶变换、特征提取和模糊化处理后，提取获得实时的状态特征向量；

S312、将提取获得的状态特征向量作为神经网络的输入数据，并将对应的故障诊断信息作为神经网络的输出数据后，对神经网络进行训练。

进一步，所述实时的状态特征向量包括振动、声音、温度和电量特征，具体包括：驱动电机的转动频率，振动加速度、振动速度和振动位移的峰值、峰峰值、均方根值、最大均方根值、包络线和振动频谱；温度信号的温升、最小温度、最大温度和变化率，声波信号的峰值、均值、均方根值、波峰因子、峭度因子、包络线和频谱；电压、电流和功率的瞬时值、相位、均值、均方根值、最大值、峰峰值、基波和谐波，以及三相电流不平衡、电压波形高频成分和电流波形高频成分；自动扶梯的运行模式、运行方向、运行速度、安全回路、检修开关、盖板开关、制动器和故障代码中至少一种的运行状态。

本发明的有益效果是：本发明的一种自动扶梯状态监测***，包括信号传感子***、数据采集子***以及监测诊断主***，所述信号传感子***用于获取自动扶梯在运行过程中的状态信息，所述数据采集子***用于对获取的状态信息进行预处理后采集获取对应的原始状态信息并进行存储，所述监测诊断主***用于对原始状态信息进行解析、特征提取处理获得实时的状态特征向量后进行在线监测、预警和告警处理，并结合历史故障数据和/或专家知识库对状态特征向量进行自学习式智能诊断及故障预测。本***可以实现对自动扶梯的全面在线监测，而且可以准确地进行智能诊断及故障预测。

本发明的有益效果另一有益效果是：一种自动扶梯状态监测方法，包括步骤：S1、获取自动扶梯在运行过程中的状态信息；S2、对获取的状态信息进行预处理后采集获取对应的原始状态信息；S3、对自动扶梯的原始状态信息进行解析、特征提取处理获得实时的状态特征向量后进行在线监测、预警和告警处理，并结合历史故障数据和/或专家知识库对状态特征向量进行自学习式智能诊断及故障预测。本方法可以实现对自动扶梯的全面在线监测，而且可以准确地进行智能诊断及故障预测。

附图说明

下面结合附图和实施例对本发明作进一步说明。

图1是典型的自动扶梯的结构示意图；

图2是本发明的一种自动扶梯状态监测***的电子框图；

图3是典型的自动扶梯的电气控制***的电子框图；

图4是本发明的一种自动扶梯状态监测方法中采用的BP神经网络的拓扑结构图；

图5是本发明的实施例二中进行故障诊断的详细流程图；

图1中附图标记：1、桁架，2、梯级，3、梳齿，4、地板及梳齿板，5、裙板，6、驱动链，7、减速机，8、电动机，9、梯级链，10、主驱动轴，11、梯级链张紧装置，12、导轨，13、扶手带驱动装置，14、扶手带，15、内侧板，16、操纵板，17、盖板。

具体实施方式

本发明实施例一

参照图2，本发明提供了一种自动扶梯状态监测***，包括信号传感子***、数据采集子***以及监测诊断主***，所述信号传感子***用于获取自动扶梯在运行过程中的状态信息，所述数据采集子***用于对获取的状态信息进行预处理后采集获取对应的原始状态信息并进行存储，所述监测诊断主***用于对原始状态信息进行解析、特征提取处理获得实时的状态特征向量后进行在线监测、预警和告警处理，并结合历史故障数据和/或专家知识库对状态特征向量进行自学习式智能诊断及故障预测。

进一步作为优选的实施方式，所述数据采集子***包括信号调理装置和数据采集模块，所述信号调理装置用于对获取的状态信息进行预处理后采集获取对应的原始状态信息，预处理包括滤波、放大和/或协议解析处理，所述数据采集模块用于对预处理后获得的原始状态信息进行采集、存储和/或转发。

进一步作为优选的实施方式，所述监测诊断主***包括现场监测告警子***、通信子***和远程监测诊断子***，所述现场监测告警子***用于对原始状态信息进行解析、特征提取处理获得实时的状态特征向量后进行在线监测、预警和告警处理，并将实时的状态特征向量通过通信子***发送到远程监测诊断子***，所述远程监测诊断子***用于结合历史故障数据和/或专家知识库对状态特征向量进行自学习式智能诊断及故障预测。远程监测诊断子***设置在服务器上。

进一步作为优选的实施方式，所述通信子***通过现场通信总线、无线通信网络和互联网络中的至少一种通信方式进行通信。

进一步作为优选的实施方式，所述信号传感子***包括以下传感器中的至少一个：

振动传感器，用于获取自动扶梯的旋转部件、支撑部件和导向部件中的至少一个部件的振动状态；振动状态包括自动扶梯的驱动***梯路***、扶手***和金属结构中的至少一个部件的振动加速度，包括以下中的至少一个：旋转部件的支撑座的轴向和径向平面内两个相互垂直方向中至少一个方向的振动加速度；支撑部件和导向部件的三维方向中至少一个方向的振动加速度。自动扶梯的旋转部件指电动机的转子、联轴器、制动轮、驱动轮、飞轮、齿轮、皮带轮、导向轮、张紧轮、链轮、链条、旋转轴和轴头等在运行中会旋转的部件。支撑部件一般指轴承、轴承座等主要起支撑作用的部件。导向部件主要指导轨和导向槽等。

温度传感器，用于采集自动扶梯的工作环境的温度和/或旋转部件、支撑部件、电气控制***和润滑剂中的至少一个部件的至少一个点的温度；

红外成像传感器，用于获取自动扶梯的驱动***和电气控制***中至少一个部件的二维温度状态；

声音传感器，用于获取自动扶梯的电气控制***、驱动***、梯路***和扶手***中的至少一个部件的音响状态，即电气控制***、驱动***、梯路***和扶手***中的至少一个部件在运行时产生的音响状态；

扶梯控制器通信接口，用于获取自动扶梯的电气控制***的工作状态，所述工作状态包括至少一个以下运行状态信息：自动扶梯的运行模式、运行方向、运行速度、安全回路、检修开关、盖板开关、制动器和故障代码中至少一种运行状态；扶梯控制器通信接口是通过现场串行总线获取自动扶梯的电气控制***的工作状态的，电气控制***的控制器通过串行总线将各种工作状态发送到扶梯控制器通信接口，扶梯控制器通信接口再转发到监测诊断主***。如图3所示，电气控制***一般包括供电电源、控制器、驱动器、制动器、信号检测单元，控制器的输出端通过驱动器与制动器连接，同时通过驱动器与自动扶梯的电动机连接，信号检测单元的输出端与控制器的输入端连接，供电电源同时用于为信号检测单元、控制器和驱动器供电。详细的，信号检测单元包括光电信号检测模块、运动状态检测模块和安全信号检测模块等，这些模块的输出端均与控制器的输入端连接。

转速传感器，用于获取自动扶梯的驱动***、梯路***和扶手***中至少一个旋转轴的转速；

电量传感器，用于获取自动扶梯的电气控制***的瞬时电压、瞬时电流和瞬时功率。

进一步作为优选的实施方式，所述远程监测诊断子***包括：

第一状态显示模块，用于显示自动扶梯的实时状态特征向量，可以通过数字信息和/或图形信息来显示；

第一告警模块，用于根据自动扶梯的实时状态特征向量对自动扶梯的运行状况进行预警和告警；告警方式包括声音告警、颜色告警、文本输出告警等方式；

分析诊断模块，用于对自动扶梯的原始状态信息进行解析、特征提取处理获得实时的状态特征向量，并结合历史故障数据和/或专家知识库对状态特征向量进行自学习式智能诊断及故障预测；

数据管理模块，用于对自动扶梯的原始状态信息和/或实时状态特征向量进行实时存储、查询、删除或备份。

远程监测诊断子***用于结合历史故障数据和/或专家知识库对状态特征向量进行自学习式智能诊断及故障预测。

进一步作为优选的实施方式，所述远程监测诊断子***还包括动态模拟模块，所述动态模拟模块用于根据所获取的原始状态信息，实时模拟自动扶梯的运行状态，通过图像、声音、颜色、动画和/或文本信息的方式呈现自动扶梯的振动状态、温度状态、音响状态和和/运行状态。

进一步作为优选的实施方式，所述现场监测告警子***包括主控模块、第二状态显示模块和第二告警模块，所述主控模块用于对自动扶梯的原始状态信息进行解析、特征提取处理获得实时的状态特征向量并进行实时监测，所述第二状态显示模块用于显示自动扶梯的实时状态特征向量，所述第二告警模块用于根据自动扶梯的实时状态特征向量对自动扶梯的运行状况进行预警和告警。

进一步作为优选的实施方式，所述状态信息包括以下状态中的至少一种：

自动扶梯的旋转部件、支撑部件和导向部件的振动状态；

自动扶梯的工作环境、旋转部件、支撑部件、电气控制***和润滑剂的温度状态；

自动扶梯的驱动***和电气控制***的二维温度状态；

自动扶梯的电气控制***、驱动***、梯路***和扶手***的音响状态；

自动扶梯的运行模式、运行方向、运行速度、安全回路、检修开关、盖板开关、制动器和故障代码中至少一种运行状态；这里，自动扶梯的运行模式、运行方向、运行速度、安全回路、检修开关、盖板开关、制动器均指对应的状态，运行模式状态包括运行中和停止两种状态，运行方向状态包括上行和下行两种状态，运行速度状态包括正向和异常两种状态，安全回路包括断开和闭合两种状态，检修开关包括断开和闭合两种状态，盖板包括打开和闭合两种状态，制动器包括打开和闭合两种状态。

自动扶梯的驱动***、梯路***和扶手***中至少一个旋转轴的转速；

自动扶梯的电气控制***的瞬时电压、瞬时电流和瞬时功率。通过瞬时电压和瞬时电流等监测，可以识别电气故障和机械故障。

本监测***监测的状态信息更加全面和完整，可以多方面、多角度的对自动扶梯进行故障检测和识别。

本发明实施例二

一种自动扶梯状态监测方法，包括步骤：

S1、获取自动扶梯在运行过程中的状态信息；

S2、对获取的状态信息进行预处理后采集获取对应的原始状态信息；

S3、对自动扶梯的原始状态信息进行解析、特征提取处理获得实时的状态特征向量后进行在线监测、预警和告警处理，并结合历史故障数据和/或专家知识库对状态特征向量进行自学习式智能诊断及故障预测。

进一步作为优选的实施方式，所述步骤S3中所述对自动扶梯的原始状态信息进行解析、特征提取处理获得实时的状态特征向量的步骤，其具体为：对自动扶梯的原始状态信息依次进行预处理、傅里叶变换、特征提取和模糊化处理后，提取获得实时的状态特征向量。

进一步作为优选的实施方式，所述结合历史故障数据和/或专家知识库对状态特征向量进行自学习式智能诊断及故障预测的步骤，具体包括：

S31、通过采用历史故障数据进行训练所获得的神经网络对状态特征向量进行诊断推理，获得与状态特征向量相对应的多组故障诊断信息；

S32、对多组故障诊断信息采用模糊理论算子进行综合后，获得初步的诊断结果；

S33、按照阈值筛选原则和最大隶属度筛选原则进行筛选后获得诊断结果；阈值筛选原则是指按照预设概率阈值进行筛选，如果某诊断结果的可能性大于预设概率阈值，则认为该故障存在，否则认为不存在。例如设定预设概率阈值λ∈[0,1],如λ＝0.7,当产生某种故障的可能性大于λ时,则认为此故障可能存在，否则认为不可能存在此故障。最大隶属度筛选原则是指按照故障产生的可能性的大小进行降序排序，取可能性较大者作为诊断结论。

S34、响应于用户输入的确认信息，判断诊断结果是否与实际故障相符，若是，则输出诊断结果后结束，反之，继续执行步骤S35；

S35、将该诊断结果存入与训练后的神经网络相关联的特殊事例库中；

S36、判断特殊事例库中特殊事例的总数是否达到预设阈值C，若是，则重新进行神经网络训练，并清零特殊事例库。进一步作为优选的实施方式，所述历史故障数据包括故障诊断信息以及对应的原始状态信息和/或在线监测状态，所述步骤S31中所述采用历史故障数据进行训练所获得的神经网络是通过以下方式训练获得的：

S311、对原始状态信息和/或在线监测状态依次进行预处理、傅里叶变换、特征提取和模糊化处理后，提取获得实时的状态特征向量；

S312、将提取获得的状态特征向量作为神经网络的输入数据，并将对应的故障诊断信息作为神经网络的输出数据后，对神经网络进行训练。

优选的，本实施例中，神经网络采用BP神经网络，其拓扑结构如图4所示，包括输入层、隐含层和输出层。其中，x₁，x₂···x_n是输入层的节点，对应状态特征向量，y₁、y₂、y_m是输出层的节点，对应故障诊断信息，Wij表示输入层的第i个节点到隐含层的第j个节点的连接权值，Wjk表示隐含层的第j个节点到输出层的第k个节点的连接权值。

步骤S311中，对振动数据进行模糊化处理的过程如下：采用升半梯形分布函数来模糊化后再进行归一化处理。模糊化所具体采用的公式如下：

上式中，_(Si)表示模糊化处理后获得的特征向量，Soi表示状态特征向量的第i个元素对应频率段的正常运行时的标准幅值，SMi是与Soi对应的阈值，Si是实测振动信号中第i个频率段的幅值。

归一化处理采用的公式方式如下；

xi表示模糊化处理后获得的实时的故障特征向量。通过以上方式进行处理后，可以在考虑故障劣化程度的同时，突出主要频率成分的能量。

对温度数据、声音数据等进行模糊化处理也是采用相似的方式，区别仅在于公式符号的说明不同。本申请不再赘述。

进一步作为优选的实施方式，实时的状态特征向量包括振动、声音、温度和电量特征，具体包括：驱动电机的转动频率，振动加速度、振动速度和振动位移的峰值、峰峰值、均方根值、最大均方根值、包络线和振动频谱；温度信号的温升、最小温度、最大温度和变化率，声波信号的峰值、均值、均方根值、波峰因子、峭度因子、包络线和频谱；电压、电流和功率的瞬时值、相位、均值、均方根值、最大值、峰峰值、基波和谐波，以及三相电流不平衡、电压波形高频成分和电流波形高频成分；自动扶梯的运行模式、运行方向、运行速度、安全回路、检修开关、盖板开关、制动器和故障代码中至少一种的运行状态。

以振动数据为例，振动信号的频谱图反映了机械设备运行时产生的振动全貌,各种故障的频域特征是较为明确、集中、有规律可循的。不同的频率分量对应不同的振动原因，通过分析各种频率的幅值大小和引起振动的主要频率成分，基本上可以判断出振动原因或故障。通常频谱图上的一些倍频及工频的分数倍频的振幅,集中了振动的大部分能量,体现了各种振动状态。因而可以选用这些频率下的振幅作为故障特征。比如选取一些具有代表性的谐波分量(10Hz～0.39X,0.4X～0.49X,0.51X～0.99X,0.5X,1X,2X,3X～5X,>5X,奇倍频)作为故障诊断特征向量。

基于前述的振动、声音、温度和电量特征的状态特征向量的基础上，本实施例进行故障诊断的一详细实例如图5所示，其具体诊断处理过程如下：

首先，通过信号传感子***的各种传感器检测对应被测部件的振动、声音、温度和电量信号。所检测的信号经激励、放大和模/数转换信号调理，然后，执行滤波处理步骤，提取与被测部件的自然频率相对应的预定频带的滤波信号。此后，对滤波处理之后的数字信号执行特征提取步骤，获得振动、声音、温度和电量的特征量。由专家知识库提供的判断准则和边界值，经过计算获得故障参考值，包括特征量的数值、包络和频谱范围；故障参考值可以是任意时候的测量频谱数据的数字信号的有效值或峰值，或者可以基于这些值而计算。根据故障参考值执行以下诊断：(1)判断提取的特征量是否大于故障参考值。如果是：指出故障部位并报警输出。否则：无异常。(2)判断特征量是否超出故障参考包络，如果是：查找超出包络普的极大值点，否则，无异常。在查找超出包络普的极大值点后，判断超出包络普的极大值点的历史趋势并计算发生频率是否大于设定值，如果是：故障预警，否则：无异常。在故障预警后，根据用户输入确认是否发生故障，如果是：进行故障记录并写入专家知识库；否则，无异常。

以旋转部件振动特征量提取为例，基于旋转速度信号的FFT计算获得由于旋转部件的异常而生成的特征量，可包括：轴承故障特征分量Fx(内环故障特征频率f_i、外环故障特征频率f_o、滚动体故障特征频率f_b和保持架故障特征频率f_c)、与齿轮的啮合故障特征分量fg、轮子等旋转构件的故障特征分量Fr(转子不平衡、不对中、联接松动)。

内环故障特征频率f_i＝Zf_o(1+dcosβ/D)/2；

外环故障特征频率f_o＝Zf_o(1-dcosβ/D)/2；

滚动体故障特征频率f_b＝f_oD/d[1-(dcosβ/D)²]/2；

保持架故障特征频率f_c＝f_o(1-dcosβ/D)/2；

其中，f_o表示内(外)圈旋转速度，d表示滚动体直径，D表示滚动构件节圆直径，β表示接触角度[rad]，Z表示滚动体的数目。

齿轮的啮合故障特征频率fg＝Z₁N₁/60或fg＝Z₂N₂/60，其中，N₁表示大齿轮的旋转数(单位为转/分钟)，N₂表示小齿轮的旋转数(单位为转/分钟)，Z₁表示大齿轮的齿数，Z₂表示小齿轮的齿数。

以自动扶梯运行状态特征量监测为例，通过获取自动扶梯的运行模式、运行方向、运行速度、安全回路、检修开关、盖板开关、制动器和故障代码的运行状态，跟踪、记录自动扶梯的运行模式(包括待机、检修和自动)、运行方向、运行速度、安全回路、检修开关、盖板开关、制动器和故障代码。判断：(1)运行速度是否处于允许范围，一旦超出允许范围，告警输出；(2)安全回路是否断开，如果是，根据故障代码判断发生故障的***件，告警输出；(3)梯级运行速度与运行方向与驱动电机转向对应是否一致，否则，则判断为发生逆转并报警输出；(4)根据记录的运行速度和制动器动作时间，在载荷为T的条件下，记录自动扶梯从匀速运行开始制动的时刻T0，到自动扶梯制停的时间Ts，结合制动过程的速度曲线V(t)，采用分段匀减速方法，计算T0→Ts的运行距离，即制停距离，判断制停距离是否在允许范围内，否则，告警输出。

此外，根据本实施例的故障诊断装置和故障诊断方法，信号处理部分由微型计算机构成，因此使信号处理部分统一化，并且可以实现故障诊断装置的小型形成或模块形成。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种自动扶梯状态监测***，其特征在于，包括信号传感子***、数据采集子***以及监测诊断主***，所述信号传感子***用于获取自动扶梯在运行过程中的状态信息，所述数据采集子***用于对获取的状态信息进行预处理后采集获取对应的原始状态信息并进行存储，所述监测诊断主***用于对原始状态信息进行解析、特征提取处理获得实时的状态特征向量后进行在线监测、预警和告警处理，并结合历史故障数据和/或专家知识库对状态特征向量进行自学习式智能诊断及故障预测。

2.根据权利要求1所述的一种自动扶梯状态监测***，其特征在于，所述监测诊断主***包括现场监测告警子***、通信子***和远程监测诊断子***，所述现场监测告警子***用于对原始状态信息进行解析、特征提取处理获得实时的状态特征向量后进行在线监测、预警和告警处理，并将实时的状态特征向量通过通信子***发送到远程监测诊断子***，所述远程监测诊断子***用于结合历史故障数据和/或专家知识库对状态特征向量进行自学习式智能诊断及故障预测。

3.根据权利要求1所述的一种自动扶梯状态监测***，其特征在于，所述信号传感子***包括以下传感器中的至少一个：

振动传感器，用于获取自动扶梯的旋转部件、支撑部件和导向部件中的至少一个部件的振动状态；

温度传感器，用于采集自动扶梯的工作环境、旋转部件、支撑部件、电气控制***和润滑剂中的至少一个的温度；

红外成像传感器，用于获取自动扶梯的驱动***和电气控制***中至少一个部件的二维温度状态；

声音传感器，用于获取自动扶梯的电气控制***、驱动***、梯路***和扶手***中的至少一个部件的音响状态；

扶梯控制器通信接口，用于获取自动扶梯的电气控制***的工作状态，所述工作状态包括至少一个以下运行状态信息：自动扶梯的运行模式、运行方向、运行速度、安全回路、检修开关、盖板开关、制动器和故障代码中至少一种运行状态；

转速传感器，用于获取自动扶梯的驱动***、梯路***和扶手***中至少一个旋转轴的转速；

电量传感器，用于获取自动扶梯的电气控制***的瞬时电压、瞬时电流和瞬时功率。

4.根据权利要求2所述的一种自动扶梯状态监测***，其特征在于，所述远程监测诊断子***包括：

第一状态显示模块，用于显示自动扶梯的实时状态特征向量；

第一告警模块，用于根据自动扶梯的实时状态特征向量对自动扶梯的运行状况进行预警和告警；

分析诊断模块，用于对自动扶梯的原始状态信息进行解析、特征提取处理获得实时的状态特征向量，并结合历史故障数据和/或专家知识库对状态特征向量进行自学习式智能诊断及故障预测；

数据管理模块，用于对自动扶梯的原始状态信息和/或实时状态特征向量进行实时存储、查询、删除或备份。

5.根据权利要求4所述的一种自动扶梯状态监测***，其特征在于，所述远程监测诊断子***还包括动态模拟模块，所述动态模拟模块用于根据所获取的原始状态信息，实时模拟自动扶梯的运行状态，通过图像、声音、颜色、动画和/或文本信息的方式呈现自动扶梯的振动状态、温度状态、音响状态和和/运行状态。

6.根据权利要求2所述的一种自动扶梯状态监测***，其特征在于，所述现场监测告警子***包括主控模块、第二状态显示模块和第二告警模块，所述主控模块用于对自动扶梯的原始状态信息进行解析、特征提取处理获得实时的状态特征向量并进行实时监测，所述第二状态显示模块用于显示自动扶梯的实时状态特征向量，所述第二告警模块用于根据自动扶梯的实时状态特征向量对自动扶梯的运行状况进行预警和告警。

7.根据权利要求1所述的一种自动扶梯状态监测***，其特征在于，所述状态信息包括以下状态中的至少一种：

自动扶梯的旋转部件、支撑部件和导向部件的振动状态；

自动扶梯的工作环境、旋转部件、支撑部件、电气控制***和润滑剂的温度状态；

自动扶梯的驱动***和电气控制***的二维温度状态；

自动扶梯的电气控制***、驱动***、梯路***和扶手***的音响状态；

自动扶梯的运行模式、运行方向、运行速度、安全回路、检修开关、盖板开关、制动器和故障代码中至少一种运行状态；

自动扶梯的驱动***、梯路***和扶手***中至少一个旋转轴的转速；

自动扶梯的电气控制***的瞬时电压、瞬时电流和瞬时功率。

8.一种自动扶梯状态监测方法，其特征在于，包括步骤：

S1、获取自动扶梯在运行过程中的状态信息；

S2、对获取的状态信息进行预处理后采集获取对应的原始状态信息；

S3、对自动扶梯的原始状态信息进行解析、特征提取处理获得实时的状态特征向量后进行在线监测、预警和告警处理，并结合历史故障数据和/或专家知识库对状态特征向量进行自学习式智能诊断及故障预测。

9.根据权利要求8所述的一种自动扶梯状态监测方法，其特征在于，所述步骤S3中所述对自动扶梯的原始状态信息进行解析、特征提取处理获得实时的状态特征向量的步骤，其具体为：对自动扶梯的原始状态信息依次进行预处理、傅里叶变换、特征提取和模糊化处理后，提取获得实时的状态特征向量。

10.根据权利要求9所述的一种自动扶梯状态监测方法，其特征在于，所述结合历史故障数据和/或专家知识库对状态特征向量进行自学习式智能诊断及故障预测的步骤，具体包括：

S31、通过采用历史故障数据进行训练所获得的神经网络对状态特征向量进行诊断推理，获得与状态特征向量相对应的多组故障诊断信息；

S32、对多组故障诊断信息采用模糊理论算子进行综合后，获得初步的诊断结果；

S33、按照阈值筛选原则和最大隶属度筛选原则进行筛选后获得诊断结果；

S34、响应于用户输入的确认信息，判断诊断结果是否与实际故障相符，若是，则输出诊断结果后结束，反之，继续执行步骤S35；

S35、将该诊断结果存入与训练后的神经网络相关联的特殊事例库中；

S36、判断特殊事例库中特殊事例的总数是否达到预设阈值，若是，则重新进行神经网络训练，并清零特殊事例库。