CN107194053B - 一种智能化电梯控制***运行故障预测方法 - Google Patents
一种智能化电梯控制***运行故障预测方法 Download PDFInfo
- Publication number
- CN107194053B CN107194053B CN201710341057.1A CN201710341057A CN107194053B CN 107194053 B CN107194053 B CN 107194053B CN 201710341057 A CN201710341057 A CN 201710341057A CN 107194053 B CN107194053 B CN 107194053B
- Authority
- CN
- China
- Prior art keywords
- fault
- neural network
- prediction
- elevator
- control system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
- Maintenance And Inspection Apparatuses For Elevators (AREA)
Abstract
本发明公开一种智能化电梯控制***运行故障预测方法,包括以下步骤:(1)根据电梯运行监控信号和传感器数据与各种故障的关联分析,建立典型故障预测专家知识库,通过知识库规则推理进行故障预测;(2)监测控制器的相关信号和传感器数据,并采集监测数据规范化为用于神经网络学习的样本数据;(3)建立分级递接神经网络***进行故障预测模型,利用采集的样本数据进行神经网络训练学习;(4)将实时信号输入故障预测***,再将专家知识推理得到的故障预测结果和分级递接神经网络故障预测结果进行融合。提高了预测的准确性,大大提高电梯***的运行稳定性和安全性,降低电梯控制***维保技术门槛,使电梯保养和维修更精准、更简单、更快捷。
Description
技术领域
本发明涉及一种智能化电梯控制***运行故障预测方法,属于电梯***故障预测领域。
背景技术
中国每年的新装电梯近20万台,国内电梯的保有量在持续增加,但相比之下,电梯行业的技术从业人员的数量却没有对应的增长,国内电梯行业正面临技术人才短缺,调试难、维修难的困境。目前的针对电梯故障的处理,大多数的维保人员还基本依赖于自身经验和产品说明书,通过人工操作和思考维修故障,维修效率严重依赖于维保人员自身的技术能力和经验。因此,电梯保养和电梯维修过程的傻瓜化是目前电梯控制产品市场的迫切需求。
专家***是基于条件判断和逻辑判断语言实现,是电梯行业技术专家的经验的代码转化。神经网络算法则利用海量的电梯控制***真实监控数据让***开展自主学习、自主完善,通过捕捉监控数据中个别变量的异常变化趋势及时预测电梯故障。因此研发一种能融合专家***和神经网络算法的智能化电梯控制***运行故障预测方法,是目前本领域技术人员迫切需要的。
发明内容
发明目的:本发明的目的是为了解决现有技术中的不足,提供一种能够解决电梯控制***中电梯曳引机抱闸失效、接触器动作异常、井道开关异常故障的预测问题,基于专家知识推理和神经网络学习相融合的智能化电梯控制***运行故障预测方法。
技术方案:本发明所述的一种智能化电梯控制***运行故障预测方法,包括以下步骤:
(1)根据电梯运行监控信号与电梯控制***中电梯曳引机抱闸失效、接触器动作异常、井道开关异常故障的关联分析,建立电梯控制***中以上三种典型故障预测的专家知识库,通过知识库规则推理进行电梯故障预测;
(2)监测控制器的相关信号和传感器数据,并采集监测数据规范化为用于神经网络学习的样本数据;
(3)建立分级递接神经网络***进行电梯控制***中电梯曳引机抱闸失效、接触器动作异常、井道开关异常的故障预测模型,利用采集的样本数据进行神经网络训练学习;
(4)将实时信号输入故障预测***,再将专家知识推理得到的电梯控制***故障预测结果和分级递接神经网络得到的故障预测结果进行融合。
进一步的,步骤(1)对电梯控制***中的电梯曳引机抱闸故障进行预测:分析故障预测相关因素,确定曳引机抱闸微动开关反馈信号、抱闸接触器反馈信号、控制器开合闸指令、开合闸时间、控制器输出转矩、曳引机速度反馈和电梯曳引机抱闸故障的关联,建立抱闸异常类故障预测专家知识库,通过知识库规则推理对抱闸机械卡阻、闸瓦磨损、执行元件老化的抱闸失效故障类型进行预测。
进一步的,步骤(1)对电梯控制***中的接触器动作异常故障进行预测:分析故障预测相关因素,确定电机运行和电机封星输出指令、对应执行元件的动作反馈信号、对应指令的响应时间、三相输出采样电流、最近一个监控周期内同类故障产生的次数与控制***接触器失效故障的关联,建立接触器动作异常类故障预测专家知识库,通过知识库规则推理对接触器卡阻、接触器触点粘连、触点拉弧、线圈老化这些接触器动作异常类故障进行预测。
进一步优化的,对应指令的响应时间为指令输出至反馈有效的时间。
进一步的,步骤(1)对根据电梯控制***的井道开关异常故障进行预测:分析故障预测相关因素,确定换速开关信号、限位开关信号、门区信号、对应井道开关的信号持续时间、开关量输入信号抖动的平均持续时间、最近一个监控周期内同类抖动现象产生的次数与井道开关故障的关联,建立电梯井道开关异常类故障预测专家知识库,通过知识库规则推理进行井道信号的抖动、缺失、粘连、老化的故障预测。
进一步的,步骤(3)建立一种分级递接神经网络模型分别对电梯控制***中电梯曳引机抱闸失效、接触器动作异常、井道开关异常进行故障预测;
分级递接神经网络模型中第一级由多个独立的神经网络构成,每个网络用来对反应电梯故障的特征传感器信号进行多步时序预测,即根据故障征兆时间节点的观测值预测其未来时间节点的数值;
将采集的反应电梯故障的特征传感器时序信号xi=[xi(t-k),…,xi(t-2),xi(t-1)]输入神经网络,网络前向计算得到多步时序预测实际输出值yi=[yi(t+1),yi(t+2)…,yi(t+m)],将预测实际输出值和训练数据中对应的期望输出值y'i=[y'i(t+1),y'i(t+2)…,y'i(t+m)]形成误差,通过误差反向传播进行神经网络的训练,从而建立多步预测模型;
将第一级神经网络的对同一时刻的多次预测结果进行综合以得到更准确、更稳定的预测结果,其计算方法如下:
ys i(t+k)=λ1y1 i(t+k)+λ2y2 i(t+k)+…λmym i(t+k)
其中,λ1,…λm为对(t+k)时间多步预测结果的权重;
分级递接神经网络模型中第二级神经网络用来进行故障预测,将第一级神经网络输出的未来时刻信号和其他反应故障数据输入第二级神经网络,进行前向计算得到故障类型码,通过期望输出值和实际输出值得到误差,再进行误差反向传播进行神经网络训练,从而建立电梯故障预测模型。
进一步优化的,使用分级递接神经网络模型进行电梯曳引机抱闸故障预测:第一级神经网络对反应曳引机抱闸故障的征兆信号抱闸打开时间、抱闸闭合时间、控制器输出转矩进行多步时序预测,然后将预测结果和其他反应故障因素输入第二级神经网络来预测抱闸机械卡阻、闸瓦磨损、执行元件老化的抱闸异常故障。
进一步优化的,使用分级递接神经网络模型进行接触器动作异常故障进行预测:第一级神经网络对反应接触器动作异常故障的征兆信号运行接触器动作有效时间、封星接触器动作有效时间进行多步时序预测,然后将预测结果和其他反应故障因素输入第二级神经网络来预测接触器卡阻、接触器触点粘连、触点拉弧、线圈老化的接触器动作异常类故障。
进一步优化的,使用分级递接神经网络模型进行井道开关异常故障进行预测,所述井道开关异常故障分为端站换速信号、限位信号、门区信号故障;第一级神经网络对反应井道开关异常故障的征兆信号平均抖动时间、最近一个监控周期内这种开关抖动进行多步时序预测;第二级神经网络由三个结构相同但相互独立的神经网络构成,分别用来预测端站换速信号、限位信号、门区信号对应的故障;将第一级网络输出的预测结果和其他反应故障因素输入第二级神经网络来预测各类信号的抖动、缺失、粘连、老化的故障。
进一步的,步骤(4)将实时信号输入故障预测***,分别使用专家知识推理规则和神经网络模型进行电梯控制***中的曳引机抱闸、接触器动作异常和井道开关异常的故障预测,再将预测结果进行加权融合得到最终的预测结果。
有益效果:
1.本发明使用专家知识进行电梯故障预测,针对一些电梯常见故障将大大提高诊断维修效率,免除重复的人为思考和分析活动,并且由于专家经验经过细分后对一些有明显故障征兆特征的故障非常具备针对性,实现较高的预测准确率。
2.本发明建立的分级递接网络结构,将时序故障特征信号变化趋势预测和故障诊断相结合,能够实现对未来时刻可能发生的故障进行预测;神经网络可以弥补一些专家知识分析的思维漏洞,发现一些人工分析中没有找到的新的数据变化规律,提升***综合得到分析能力,同时促进专家***的逐步完善和升级。
3.本发明使用专家知识推理和神经网络学习相融合的故障预测方法,提高了预测的准确性,大大提高电梯***的运行稳定性和安全性,降低电梯控制***维保技术门槛,使电梯保养和维修更精准、更简单、更快捷。
附图说明
图1为本发明的电梯控制***故障预测流程图;
图2为本发明的电梯控制***故障示意图;
图3为本发明的电梯曳引机抱闸故障预测示意图;
图4为本发明的神经网络结构图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。
一种智能化电梯控制***运行故障预测方法,包括以下步骤:
(1)根据电梯运行监控信号与电梯控制***中电梯曳引机抱闸失效、接触器动作异常、井道开关异常故障的关联分析,建立电梯控制***中以上三种典型故障预测的专家知识库,通过知识库规则推理进行电梯故障预测;
(2)监测控制器的相关信号和传感器数据,并采集监测数据规范化为用于神经网络学习的样本数据;
(3)建立分级递接神经网络***进行电梯控制***中电梯曳引机抱闸失效、接触器动作异常、井道开关异常的故障预测模型,利用采集的样本数据进行神经网络训练学习;
(4)将实时信号输入故障预测***,再将专家知识推理得到的电梯控制***故障预测结果和分级递接神经网络得到的故障预测结果进行融合。
作为对本发明的进一步优化,步骤(1)对电梯控制***中的电梯曳引机抱闸故障进行预测:分析故障预测相关因素,确定曳引机抱闸微动开关反馈信号、抱闸接触器反馈信号、控制器开合闸指令、开合闸时间、控制器输出转矩、曳引机速度反馈和电梯曳引机抱闸故障的关联,建立抱闸异常类故障预测专家知识库,通过知识库规则推理对抱闸机械卡阻、闸瓦磨损、执行元件老化的抱闸失效故障类型进行预测。
步骤(1)对电梯控制***中的接触器动作异常故障进行预测:分析故障预测相关因素,确定电机运行和电机封星输出指令、对应执行元件的动作反馈信号、对应指令的响应时间、三相输出采样电流、最近一个监控周期内同类故障产生的次数与控制***接触器失效故障的关联,建立接触器动作异常类故障预测专家知识库,通过知识库规则推理对接触器卡阻、接触器触点粘连、触点拉弧、线圈老化这些接触器动作异常类故障进行预测。
对应指令的响应时间为指令输出至反馈有效的时间。
步骤(1)对根据电梯控制***的井道开关异常故障进行预测:分析故障预测相关因素,确定换速开关信号、限位开关信号、门区信号、对应井道开关的信号持续时间、开关量输入信号抖动的平均持续时间、最近一个监控周期内同类抖动现象产生的次数与井道开关故障的关联,建立电梯井道开关异常类故障预测专家知识库,通过知识库规则推理进行井道信号的抖动、缺失、粘连、老化的故障预测。
步骤(3)建立一种分级递接神经网络模型分别对电梯控制***中电梯曳引机抱闸失效、接触器动作异常、井道开关异常进行故障预测;
分级递接神经网络模型中第一级由多个独立的神经网络构成,每个网络用来对反应电梯故障的特征传感器信号进行多步时序预测,即根据故障征兆时间节点的观测值预测其未来时间节点的数值;
将采集的反应电梯故障的特征传感器时序信号xi=[xi(t-k),…,xi(t-2),xi(t-1)]输入神经网络,网络前向计算得到多步时序预测实际输出值yi=[yi(t+1),yi(t+2)…,yi(t+m)],将预测实际输出值和训练数据中对应的期望输出值y'i=[y'i(t+1),y'i(t+2)…,y'i(t+m)]形成误差,通过误差反向传播进行神经网络的训练,从而建立多步预测模型;
将第一级神经网络的对同一时刻的多次预测结果进行综合以得到更准确、更稳定的预测结果,其计算方法如下:
ys i(t+k)=λ1y1 i(t+k)+λ2y2 i(t+k)+…λmym i(t+k)
其中,λ1,…λm为对(t+k)时间多步预测结果的权重;
分级递接神经网络模型中第二级神经网络用来进行故障预测,将第一级神经网络输出的未来时刻信号和其他反应故障数据输入第二级神经网络,进行前向计算得到故障类型码,通过期望输出值和实际输出值得到误差,再进行误差反向传播进行神经网络训练,从而建立电梯故障预测模型。
使用分级递接神经网络模型进行电梯曳引机抱闸故障预测:第一级神经网络对反应曳引机抱闸故障的征兆信号抱闸打开时间、抱闸闭合时间、控制器输出转矩进行多步时序预测,然后将预测结果和其他反应故障因素输入第二级神经网络来预测抱闸机械卡阻、闸瓦磨损、执行元件老化的抱闸异常故障。
使用分级递接神经网络模型进行接触器动作异常故障进行预测:第一级神经网络对反应接触器动作异常故障的征兆信号运行接触器动作有效时间、封星接触器动作有效时间进行多步时序预测,然后将预测结果和其他反应故障因素输入第二级神经网络来预测接触器卡阻、接触器触点粘连、触点拉弧、线圈老化的接触器动作异常类故障。
使用分级递接神经网络模型进行井道开关异常故障进行预测,所述井道开关异常故障分为端站换速信号、限位信号、门区信号故障;第一级神经网络对反应井道开关异常故障的征兆信号平均抖动时间、最近一个监控周期内这种开关抖动进行多步时序预测;第二级神经网络由三个结构相同但相互独立的神经网络构成,分别用来预测端站换速信号、限位信号、门区信号对应的故障;将第一级网络输出的预测结果和其他反应故障因素输入第二级神经网络来预测各类信号的抖动、缺失、粘连、老化的故障。
步骤(4)将实时信号输入故障预测***,分别使用专家知识推理规则和神经网络模型进行电梯控制***中的曳引机抱闸、接触器动作异常和井道开关异常的故障预测,再将预测结果进行加权融合得到最终的预测结果。
实施例
如图1所示,本发明的一种智能化电梯控制***运行故障预测方法,包括如下步骤:
步骤01:将电梯控制***典型故障定义为电梯曳引机抱闸失效、接触器动作异常、井道开关异常三类,对应的具体故障类型如图2所示。
步骤02:收集、总结电梯厂、维保公司的技术人员以往在维修保养电梯过程中积累的针对电梯异常或者电梯故障的判断经验。将经验积累中分析并提取出可导致电梯带病运行的异常数据,将其构成其异常状态的必要因素用判断语句和一些状态轮询指令实现代码转化。
步骤03:根据以往收集的电梯故障数据,总结筛选出易损耗的电梯零部件,针对局部的这些零部件,编写一些可以判断零部件老化、接近失效的程序代码。从零部件的产品手册中,导出使用寿命和期间疲劳次数,然后通过比对电梯运行数据中的累计运行时间和运行次数来推断零部件失效的风险系数。将零部件的使用寿命纳入故障预测范畴。
步骤04:电梯控制器实时监控和采集控制***的输入和输出信号。同时,控制器采集到的信号将通过智能化电梯控制***内置的有线或无线远程监控装置实时上传至监控中心,由部署在监控中心的服务器级计算机进行数据处理和数据积累。在数据处理过程中,服务器将未见重复的全新运行数据独立保存下来,并推送给电梯专家,由电梯专家通过分析-判断-实验-验证步骤来持续完善现有的专家经验知识库。
步骤05:对电梯控制***中电梯曳引机抱闸故障进行分析,通过控制器监控和分析下列信号:曳引机抱闸左侧和右侧微动开关反馈信号、控制器开闸和合闸指令、控制***抱闸接触器动作反馈信号、控制器输出转矩、曳引机速度反馈信号、可自动恢复的抱闸故障的发生频次来预测电梯曳引机抱闸类故障。
通过分析和实验,得到预测抱闸失效故障存在以下决策性因果关系:
1.控制器给出开闸或合闸指令后,抱闸接触器动作反馈信号有效的计时时间t1和曳引机抱闸左侧和右侧两处微动开关动作有效的计时时间t2和t3,会随着接触器电气老化(如接触器线圈内阻增大)、抱闸机械老化(如弹簧疲劳)和抱闸片的磨损(如抱闸片磨损变薄)因素的持续影响而不断增加,控制器通过计算动作指令发出到动作生效的反应时间可以有效监控相关元器件的老化或异常,再触发一个预警阈值的时候***元器件的故障。该预警阈值可随着经验的积累、抱闸的结构类型、甚至抱闸的品牌进行远程调整。其流程如图3所示。
2.曳引机抱闸微动开关有效动作后,通过特定时段监控控制器输出转矩Tq和曳引机速度反馈Spd可分析出是否存在启动轻微蹭闸、带闸运行、下闸溜车异常运行隐患。从而实现***抱闸失效故障。
3.可自动恢复的抱闸故障由于不停梯、不困人容易被使用人和维保人忽略,而控制器统计可恢复的抱闸故障的出现频繁程序,从不发生、到偶尔发生再到经常发生,当可自恢复类的抱闸故障时间间隔越来越短时,可及时停用电梯给出故障预测提示,从而杜绝安全事故。
步骤06:对电梯控制***中接触器动作异常故障进行分析,通过监控和分析控制器执行指令发出到执行器件的反馈信号的有效动作的计时时间变化,可以检测出接触器电气老化问题,检测元器件可涵盖控制***抱闸接触器、控制***运行接触器、控制***同步电机的封星接触器由控制器控制并且具备动作反馈信号的控制***元器件。
步骤07:对电梯控制***中井道开关异常故障进行分析,通过电梯运行时的输入信号动作常识规律来实现针对电梯控制***井道开关类故障的预测。可通过监测井道内端站开关、门区平层信号、限位信号的异常触发、滞后触发、提前触发动作,***相关井道开关的动作异常故障。改良传统电梯控制***的输入信号的去抖动滤波算法,将以往通过滤波丢掉的信号抖动加入抖动次数和频率的统计,在传统的信号有效触发阈值之下设立一个预警阈值,实现控制***输入信号故障预测。
步骤08:基于以上故障分析,建立专家知识***对电梯曳引机抱闸失效、接触器动作异常、井道开关异常故障进行预测。***主要包括数据库、知识库、规则库和推理机部分。其中,数据库主要存放电梯传感器数据、电梯运行日志、各运行参数、故障数据样本。知识库用来存放电梯运行、电梯故障诊断、故障预测专家知识和专家经验。规则库包括各类故障预测与其决策传感器因素的关联关系。这些关系体现为因果关系推理规则,由专家根据专家知识设计,要求便于计算机程序实现并具有快速的执行速度。推理机用来在电梯各类型故障预测时通过推理规则的执行输出故障预测结果。
步骤09:在电梯运行时,将传感器监测的传感器数据输入故障预测专家知识推理***,通过规则推理输出预测故障类型码。
步骤10:采集电梯运行发生故障时的相关传感器反馈信号以及对应的故障类型作为神经网络训练样本集合。采集的观测信号包括:控制器开合闸指令、抱闸开合时间、控制器输出转矩、曳引机速度反馈、电机运行指令、电机封星指令、运行接触器动作有效时间、封星接触器动作有效时间、各类型信号平均抖动时间和开关抖动的次数。同时记录各故障类型及其对应的传感器反馈信号。
样本数据集合根据预测故障类型分为电梯曳引机抱闸类故障训练数据子集合、接触器动作异常故障训练数据子集合和井道开关异常故障训练数据子集合,每个子集合包括时序信号数据和故障数据。
步骤11:对训练数据集合中每组数据样本进行规范化处理,获得用于神经网络训练的数据样本。这是因为反应各电梯故障的特征信号类型不同,量纲不同,数值范围也不同,所以需要将神经网络的输入数据进行规范化处理,以使神经网络能够进行有效的学习。
步骤12:建立分级递接神经网络模型分别对电梯控制***中电梯曳引机抱闸失效、接触器动作异常、井道开关异常进行故障预测。
第一级神经网络:
分级递接网络模型中第一级神经网络由多个独立的神经网络构成,每个网络用来对反应电梯故障的特征传感器信号进行多步时序预测。即根据故障征兆时间节点的观测值预测其未来时间节点的数值。每个神经网络如图4所示,采用信息前向传递和误差反向传播学习算法。网络模型由输入层神经元节点、中间层神经元节点和输出层神经元节点构成。神经网络的输入为已发生时间的传感器时间序列信号,输出为信号未来时刻的多步预测值。神经网络输入层神经元数目由采集的观测信号时序节点数确定,输出层神经元节点数目由信号预测时间步数确定。
设反应故障的输入传感器信号为xi(t)(i=1,2,…,n),可观测的各时刻传感器信号为xi(t-k),…,xi(t-2),xi(t-1)。yi(t)为传感器信号t时间的预测值,多步预测结果为yi(t+1),yi(t+2),…,yi(t+m)。信号期望值为y'i(t+1),y'i(t+2),…,y'i(t+m)。训练数据集合中训练样本由时序信号xi=[xi(t-k),…,xi(t-2),xi(t-1)]和对应的期望输出值y'i=[y'i(t+1),y'i(t+2)…,y'i(t+m)]构成。
本发明的神经网络使用有监督学***方和趋于最小。当神经网络进行学习后,输入未知输出的信号数据就可以得到其对应的正确输出。因此对神经网络的使用,分为训练阶段和执行阶段两个部分,具体过程如下:
a.建立神经网络结构。第一级的神经网络采用三层结构,第一层输入层的神经元节点数为k,对应k个可观测时间的输入信号值,第三层输出层的神经元节点数为m,对应信号的预测时间步数。中间层神经元节点数目根据经验来确定。
b.设置神经网络的学习率η、网络收敛误差阈值θ相关参数和神经元传递函数。
c.初始化学习参数。随机生成神经网络中各连接权ωji,ωji∈[-1,1]。
d.执行神经网络训练操作:
(d1)将规范化后的反应故障的传感器时序信号xi=[xi(t-k),…,xi(t-2),xi(t-1)]输入神经网络。
(d2)通过网络前向计算得到多步时序预测实际输出值yi=[yi(t+1),yi(t+2)…,yi(t+m)]。
(d3)将预测输出值和训练数据中对应的期望输出值y'i=[y'i(t+1),y'i(t+2)…,y'i(t+m)]形成误差。定义误差函数E,取期望输出和实际输出之差的平方和为误差函数,则有:其中,outputs是网络中输出单元的集合。
(d5)将样本数据集中的样本依次输入进行神经网络的训练,直到满足误差收敛条件,完成神经网络参数的整定。
e.完成分级递接网络中第一级各神经网络的训练后,可执行传感器反馈信号的多步时序预测。将第一级神经网络对同一时刻的多次预测结果进行综合已得到更准确、更稳定的预测结果,其计算方法如下:
ys i(t+k)=λ1y1 i(t+k)+λ2y2 i(t+k)+…λmym i(t+k)
其中,λ1,…λm为对(t+k)时间多步预测结果的权重。
通过以上神经网络的学***均抖动时间、最近一个监控周期内开关抖动次数进行预测。
第二级神经网络:
分级递接网络模型中第二级神经网络用来进行故障预测。将第一级神经网络输出的未来时刻信号和其他反应故障的数据输入第二级神经网络,进行前向计算得到故障类型码。通过期望输出和实际输出得到误差,再进行误差反向传播进行神经网络训练,从而进行电梯故障预测。
故障预测***的第二级网络模型由输入层神经元节点、中间层神经元节点和输出层神经元节点构成。设反应故障发生征兆信号为xji,电梯控制***中各类故障码为yji。同样第二级神经网络使用有监督学***方和趋于最小。当神经网络进行学习后,输入反应各类故障的传感器反馈信号就可以得到其对应的故障类型输出,从而实现电梯控制***中各类故障的预测。神经网络的学习过程与第一级的神经网络学习过程类似。
步骤13:使用分级递接神经网络模型进行电梯曳引机抱闸故障预测。第一级神经网络对反应曳引机抱闸故障的征兆信号抱闸打开时间、抱闸闭合时间、控制器输出转矩进行多步时序预测。然后将预测结果和其他反应故障的因素输入第二级神经网络来预测抱闸机械卡阻、闸瓦磨损、执行元件老化抱闸异常故障。
步骤14:使用分级递接神经网络模型进行接触器动作异常故障进行预测。第一级神经网络对反应接触器动作异常故障的征兆信号运行接触器动作有效时间、封星接触器动作有效时间进行多步时序预测。然后将预测结果和其他反应故障的因素输入第二级神经网络来预测接触器卡阻、接触器触点粘连、触点拉弧、线圈老化接触器动作异常类故障。
步骤15:使用分级递接神经网络模型进行井道开关异常故障进行预测。该类故障进一步分为端站换速信号、限位信号和门区信号故障。第一级神经网络对反应井道开关异常故障的征兆信号,包括信号平均抖动时间、最近一个监控周期内这种开关抖动进行多步时序预测。第二级由三个结构相同但相互独立的神经网络构成,分别用来预测端站换速信号、限位信号和门区信号对应的故障。将第一级网络输出的预测结果和其他反应故障的因素输入第二级神经网络来预测各类开关信号的抖动、缺失、粘连、老化故障。
步骤16:将实时信号输入故障预测***,分别使用专家知识推理规则和神经网络模型进行电梯控制***中的曳引机抱闸、接触器动作异常和井道开关异常的故障预测,再将预测结果进行融合得到最终的预测结果,其中融合策略根据电梯***运行的阶段、故障特征、工作环境因素,由经验和实验来确定。
本发明使用专家知识进行电梯故障预测,针对一些电梯常见故障将大大提高诊断维修效率,免除重复的人为思考和分析活动,并且由于专家经验经过细分后对一些有明显故障征兆特征的故障非常具备针对性,实现较高的预测准确率。
本发明建立的分级递接网络结构,将时序故障特征信号变化趋势预测和故障诊断相结合,能够实现对未来时刻可能发生的故障进行预测;神经网络可以弥补一些专家知识分析的思维漏洞,发现一些人工分析中没有找到的新的数据变化规律,提升***综合得到分析能力,同时促进专家***的逐步完善和升级。
本发明使用专家知识推理和神经网络学习相融合的故障预测方法,提高了预测的准确性,大大提高电梯***的运行稳定性和安全性,降低电梯控制***维保技术门槛,使电梯保养和维修更精准、更简单、更快捷。
上述具体实施方式,仅为说明本发明的技术构思和结构特征,目的在于让熟悉此项技术的相关人士能够据以实施,但以上内容并不限制本发明的保护范围,凡是依据本发明的精神实质所作的任何等效变化或修饰,均应落入本发明的保护范围之内。
Claims (9)
1.一种智能化电梯控制***运行故障预测方法,其特征在于:包括以下步骤:
(1)根据电梯运行监控信号与电梯控制***中电梯曳引机抱闸失效、接触器动作异常、井道开关异常故障的关联分析,建立电梯控制***中以上三种典型故障预测的专家知识库,通过知识库规则推理进行电梯故障预测;
(2)监测控制器的相关信号和传感器数据,并采集监测数据规范化为用于神经网络学习的样本数据;
(3)建立分级递接神经网络模型进行电梯控制***中电梯曳引机抱闸失效、接触器动作异常、井道开关异常的故障预测模型,利用采集的样本数据进行神经网络训练学习;
分级递接神经网络模型中第一级由多个独立的神经网络构成,每个网络用来对反应电梯故障的特征传感器信号进行多步时序预测,即根据故障征兆时间节点的观测值预测其未来时间节点的数值;
将采集的反应电梯故障的特征传感器时序信号xi=[xi(t-k),…,xi(t-2),xi(t-1)]输入神经网络,网络前向计算得到多步时序预测实际输出值yi=[yi(t+1),yi(t+2)…,yi(t+m)],将预测实际输出值和训练数据中对应的期望输出值y'i=[y'i(t+1),y'i(t+2)…,y'i(t+m)]形成误差,通过误差反向传播进行神经网络的训练,从而建立多步预测模型;
将第一级神经网络的对同一时刻的多次预测结果进行综合以得到更准确、更稳定的预测结果,其计算方法如下:
ys i(t+k)=λ1y1 i(t+k)+λ2y2 i(t+k)+…λmym i(t+k)
其中,λ1,…λm为对(t+k)时间多步预测结果的权重;
分级递接神经网络模型中第二级神经网络用来进行故障预测,将第一级神经网络输出的未来时刻信号和其他反应故障数据输入第二级神经网络,进行前向计算得到故障类型码,通过期望输出值和实际输出值得到误差,再进行误差反向传播进行神经网络训练,从而建立电梯故障预测模型;
(4)将实时信号输入故障预测***,再将专家知识推理得到的电梯控制***故障预测结果和分级递接神经网络得到的故障预测结果进行融合。
2.根据权利要求1所述的一种智能化电梯控制***运行故障预测方法,其特征在于:所述步骤(1)对电梯控制***中的电梯曳引机抱闸故障进行预测:分析故障预测相关因素,确定曳引机抱闸微动开关反馈信号、抱闸接触器反馈信号、控制器开合闸指令、开合闸时间、控制器输出转矩、曳引机速度反馈和电梯曳引机抱闸故障的关联,建立抱闸异常类故障预测专家知识库,通过知识库规则推理对抱闸机械卡阻、闸瓦磨损、执行元件老化的抱闸失效故障类型进行预测。
3.根据权利要求1所述的一种智能化电梯控制***运行故障预测方法,其特征在于:所述步骤(1)对电梯控制***中的接触器动作异常故障进行预测:分析故障预测相关因素,确定电机运行和电机封星输出指令、对应执行元件的动作反馈信号、对应指令的响应时间、三相输出采样电流、最近一个监控周期内同类故障产生的次数与控制***接触器失效故障的关联,建立接触器动作异常类故障预测专家知识库,通过知识库规则推理对接触器卡阻、接触器触点粘连、触点拉弧、线圈老化这些接触器动作异常类故障进行预测。
4.根据权利要求3所述的一种智能化电梯控制***运行故障预测方法,其特征在于:所述对应指令的响应时间为指令输出至反馈有效的时间。
5.根据权利要求1所述的一种智能化电梯控制***运行故障预测方法,其特征在于:所述步骤(1)对根据电梯控制***的井道开关异常故障进行预测:分析故障预测相关因素,确定换速开关信号、限位开关信号、门区信号、对应井道开关的信号持续时间、开关量输入信号抖动的平均持续时间、最近一个监控周期内同类抖动现象产生的次数与井道开关故障的关联,建立电梯井道开关异常类故障预测专家知识库,通过知识库规则推理进行井道信号的抖动、缺失、粘连、老化的故障预测。
6.根据权利要求1所述的一种智能化电梯控制***运行故障预测方法,其特征在于:使用所述分级递接神经网络模型进行电梯曳引机抱闸故障预测:第一级神经网络对反应曳引机抱闸故障的征兆信号抱闸打开时间、抱闸闭合时间、控制器输出转矩进行多步时序预测,然后将预测结果和其他反应故障因素输入第二级神经网络来预测抱闸机械卡阻、闸瓦磨损、执行元件老化的抱闸异常故障。
7.根据权利要求1所述的一种智能化电梯控制***运行故障预测方法,其特征在于:使用所述分级递接神经网络模型进行接触器动作异常故障进行预测:第一级神经网络对反应接触器动作异常故障的征兆信号运行接触器动作有效时间、封星接触器动作有效时间进行多步时序预测,然后将预测结果和其他反应故障因素输入第二级神经网络来预测接触器卡阻、接触器触点粘连、触点拉弧、线圈老化的接触器动作异常类故障。
8.根据权利要求1所述的一种智能化电梯控制***运行故障预测方法,其特征在于:使用所述分级递接神经网络模型进行井道开关异常故障进行预测,所述井道开关异常故障分为端站换速信号、限位信号、门区信号故障;第一级神经网络对反应井道开关异常故障的征兆信号平均抖动时间、最近一个监控周期内这种开关抖动进行多步时序预测;第二级神经网络由三个结构相同但相互独立的神经网络构成,分别用来预测端站换速信号、限位信号、门区信号对应的故障;将第一级网络输出的预测结果和其他反应故障因素输入第二级神经网络来预测各类信号的抖动、缺失、粘连、老化的故障。
9.根据权利要求1所述的一种智能化电梯控制***运行故障预测方法,其特征在于:所述步骤(4)将实时信号输入故障预测***,分别使用专家知识推理规则和神经网络模型进行电梯控制***中的曳引机抱闸、接触器动作异常和井道开关异常的故障预测,再将预测结果进行加权融合得到最终的预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710341057.1A CN107194053B (zh) | 2017-05-16 | 2017-05-16 | 一种智能化电梯控制***运行故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710341057.1A CN107194053B (zh) | 2017-05-16 | 2017-05-16 | 一种智能化电梯控制***运行故障预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107194053A CN107194053A (zh) | 2017-09-22 |
CN107194053B true CN107194053B (zh) | 2020-10-20 |
Family
ID=59872471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710341057.1A Active CN107194053B (zh) | 2017-05-16 | 2017-05-16 | 一种智能化电梯控制***运行故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107194053B (zh) |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107814288B (zh) * | 2017-09-30 | 2023-10-13 | 南京市特种设备安全监督检验研究院 | 一种电梯制动器智能监测预警的方法 |
CN107886168B (zh) * | 2017-11-07 | 2018-11-09 | 歌拉瑞电梯股份有限公司 | 一种使用多层感知器神经网络进行电梯故障识别的方法 |
WO2019091551A1 (de) * | 2017-11-08 | 2019-05-16 | Siemens Aktiengesellschaft | Verfahren und vorrichtung für maschinelles lernen in einer recheneinheit |
CN108095716B (zh) * | 2017-11-21 | 2020-11-06 | 河南工业大学 | 一种基于置信规则库和深度神经网络的心电信号检测方法 |
CN108364076B (zh) * | 2018-01-31 | 2021-10-08 | 东软医疗***股份有限公司 | 建立报修动作预测模型、报修动作预测方法及相关装置 |
CN108428049A (zh) * | 2018-03-01 | 2018-08-21 | 南京理工大学 | 基于模糊神经网络的电梯体系完整性水平评估方法 |
CN108416520A (zh) * | 2018-03-01 | 2018-08-17 | 南京理工大学 | 基于Hopfield神经网络的电梯体系完整性水平评估方法 |
CN108693868B (zh) * | 2018-05-25 | 2021-06-11 | 深圳市轱辘车联数据技术有限公司 | 故障预测模型训练的方法、车辆故障预测的方法及装置 |
CN108569607B (zh) * | 2018-06-22 | 2020-10-27 | 西安理工大学 | 基于双向门控循环神经网络的电梯故障预警方法 |
CN108892014A (zh) * | 2018-09-19 | 2018-11-27 | 歌拉瑞电梯股份有限公司 | 一种基于Elman神经网络的电梯抱闸故障预警方法 |
US11472663B2 (en) | 2018-10-01 | 2022-10-18 | Otis Elevator Company | Automatic software upgrade assistant for remote elevator monitoring experts using machine learning |
CN109607344B (zh) * | 2018-12-20 | 2020-04-14 | 华北水利水电大学 | 一种基于神经网络垂直电梯故障预测***及方法 |
CN110705028B (zh) * | 2019-09-05 | 2023-03-07 | 杭州西奥电梯有限公司 | 电梯设计参数的获取方法、装置、计算机设备和存储介质 |
CN110826716B (zh) * | 2019-11-06 | 2023-03-24 | 北京明略软件***有限公司 | 一种故障处理规则的生成方法及装置 |
CN112903001A (zh) * | 2019-12-03 | 2021-06-04 | 财团法人纺织产业综合研究所 | 织物定型机的操作方法 |
CN111190062B (zh) * | 2019-12-30 | 2022-02-11 | 清华大学深圳国际研究生院 | 一种基于神经网络的车辆电控***安全性分析方法和装置 |
CN111160652B (zh) * | 2019-12-31 | 2023-04-18 | 安徽海螺信息技术工程有限责任公司 | 一种基于知识感知的设备异常状态综合判断及运维方法 |
CN111259737B (zh) * | 2020-01-08 | 2023-07-25 | 科大讯飞股份有限公司 | 车辆方向盘故障的预测方法、装置、电子设备及存储介质 |
CN112149289A (zh) * | 2020-09-11 | 2020-12-29 | 西人马联合测控(泉州)科技有限公司 | 电梯抱闸故障确定方法、装置、设备及存储介质 |
CN112183781B (zh) * | 2020-09-28 | 2024-06-21 | 日立楼宇技术(广州)有限公司 | 电梯维保人员的认证方法、装置、计算机设备和存储介质 |
CN112365066B (zh) * | 2020-11-17 | 2023-05-02 | 日立楼宇技术(广州)有限公司 | 电梯故障预测方法、***、装置、计算机设备和存储介质 |
CN112836315B (zh) * | 2021-02-24 | 2022-11-29 | 上海交通大学 | 一种基于神经网络的限位开关生产流水线异常监控方法 |
CN114408694B (zh) * | 2022-03-04 | 2023-06-23 | 深圳市爱丰达盛科技有限公司 | 一种电梯故障预测***及其预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102765643A (zh) * | 2012-05-31 | 2012-11-07 | 天津大学 | 基于数据驱动的电梯故障诊断与预警方法 |
CN105035902A (zh) * | 2015-08-10 | 2015-11-11 | 广州特种机电设备检测研究院 | 一种电梯安全状况评估方法 |
CN106429689A (zh) * | 2016-12-22 | 2017-02-22 | 深圳大图科创技术开发有限公司 | 基于物联网大数据支撑的电梯维保*** |
CN106586796A (zh) * | 2016-11-15 | 2017-04-26 | 王蕊 | 一种自动扶梯状态监测***及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7720639B2 (en) * | 2005-10-27 | 2010-05-18 | General Electric Company | Automatic remote monitoring and diagnostics system and communication method for communicating between a programmable logic controller and a central unit |
-
2017
- 2017-05-16 CN CN201710341057.1A patent/CN107194053B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102765643A (zh) * | 2012-05-31 | 2012-11-07 | 天津大学 | 基于数据驱动的电梯故障诊断与预警方法 |
CN105035902A (zh) * | 2015-08-10 | 2015-11-11 | 广州特种机电设备检测研究院 | 一种电梯安全状况评估方法 |
CN106586796A (zh) * | 2016-11-15 | 2017-04-26 | 王蕊 | 一种自动扶梯状态监测***及方法 |
CN106429689A (zh) * | 2016-12-22 | 2017-02-22 | 深圳大图科创技术开发有限公司 | 基于物联网大数据支撑的电梯维保*** |
Non-Patent Citations (3)
Title |
---|
"BP 神经网络和专家***相结合的电子设备故障诊断***";黄赞能 等;《舰船电子工程》;20081220;第28卷(第12期);第152-154页 * |
"Decision fusion system for fault diagnosis of elevator traction machine";Gang Niu et al.;《Journal of Mechanical Science and Technology》;20080409;第85-95页 * |
"基于信息融合技术的电梯控制***故障诊断";包健 等;《计算机应用研究》;20110331;第28卷(第3期);第869-876页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107194053A (zh) | 2017-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107194053B (zh) | 一种智能化电梯控制***运行故障预测方法 | |
CN111047082B (zh) | 设备的预警方法及装置、存储介质和电子装置 | |
TW201942695A (zh) | 控制系統的設備及方法 | |
JP7017861B2 (ja) | 異常検知システムおよび異常検知方法 | |
CN102637019B (zh) | 一种工业生产过程智能集成故障诊断方法及装置 | |
CN100465842C (zh) | 数据分析***和方法 | |
CN106873571B (zh) | 一种基于数据和模型融合的预警方法 | |
CN107016507A (zh) | 基于数据挖掘技术的电网故障追踪方法 | |
Abu-Samah et al. | Failure prediction methodology for improved proactive maintenance using Bayesian approach | |
KR102627062B1 (ko) | 비정상 장비 트레이스 검출 및 분류 | |
CN113761728B (zh) | 基于车联网平台的机场电动特种车辆故障预警方法 | |
CN109470946B (zh) | 一种发电设备故障检测方法及*** | |
CN113888353A (zh) | 分布式光伏发电设备的能效诊断方法、***及介质 | |
CN117375237B (zh) | 基于数字孪生技术变电站运维方法及*** | |
CN116756909A (zh) | 一种基于数据模型及机理模型的火电厂预警诊断*** | |
CN110262460B (zh) | 一种结合聚类思想进行特征提取的砼活塞故障预测方法 | |
CN110728768A (zh) | 一种道岔运维方法及*** | |
Derstepanians et al. | Near real-time anomaly detection in NFV infrastructures | |
CN117408162A (zh) | 基于数字孪生的电网故障控制方法 | |
KR20220089853A (ko) | 머신러닝 기술을 활용한 신재생에너지 발전설비의 고장예지 및 건전성관리 방법 | |
CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及*** | |
US20140052425A1 (en) | Method and apparatus for evaluating a model of an industrial plant process | |
JP7257455B2 (ja) | コントローラの意思決定論理の性能を監視するための方法および監視システム | |
CN114299338A (zh) | 用于***管理的故障预测与健康管理***与相关方法 | |
CN110163385B (zh) | 机场多平台多设备复杂***健康管理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |