CN107991870B - 一种电扶梯设备的故障预警与寿命预测方法 - Google Patents

一种电扶梯设备的故障预警与寿命预测方法 Download PDF

Info

Publication number
CN107991870B
CN107991870B CN201711263968.3A CN201711263968A CN107991870B CN 107991870 B CN107991870 B CN 107991870B CN 201711263968 A CN201711263968 A CN 201711263968A CN 107991870 B CN107991870 B CN 107991870B
Authority
CN
China
Prior art keywords
data
equipment
database
wear
fault
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
Application number
CN201711263968.3A
Other languages
English (en)
Other versions
CN107991870A (zh
Inventor
张新征
郭乾
刘新东
周曙
周政昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinan University
Original Assignee
Jinan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jinan University filed Critical Jinan University
Priority to CN201711263968.3A priority Critical patent/CN107991870B/zh
Publication of CN107991870A publication Critical patent/CN107991870A/zh
Application granted granted Critical
Publication of CN107991870B publication Critical patent/CN107991870B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Indicating And Signalling Devices For Elevators (AREA)
  • Maintenance And Inspection Apparatuses For Elevators (AREA)

Abstract

本发明公开了一种电扶梯设备的故障预警与寿命预测方法，该方法通过电扶梯各个模块状态计算电扶梯***的健康状况，将电扶梯健康状况与电梯异常度时间拟合函数比较，得到电扶梯运行时间，依据电扶梯故障阈值对应电扶梯运行时间，即可推算设备剩余寿命。该发明方法中所采用的各种算法，是基于设备指标分析而设计的，将算法中电扶梯指标更换为其他设备指标，采集相应检测设备实时指标数据，即可得到所检测设备的健康评估状况和剩余寿命，因此，这项算法***适用于各关键设备的预测，具有通用性。

Description

一种电扶梯设备的故障预警与寿命预测方法
技术领域
本发明涉及故障特征信息的获取与信息不确定性的处理和海量数据分析处理技术领域，具体涉及一种电扶梯设备的故障预警与寿命预测方法。
背景技术
设备故障预警和寿命预测根据设备运行规律或观测得到的可能性前兆，能够在设备真正发生故障之前，及时准确预报设备的异常状况，采取相应的措施，最大程度的降低设备故障所造成的损失，保证设备的运行过程的安全平稳。因此可靠的状态监控技术及时有效的监测和诊断过程异常就显得尤为迫切。
现有的设备故障预警技术主要分为三大类：基于机理模型的方法、基于知识的方法和基于数据驱动的方法。
基于机理模型的方法主要包括两个阶段：产生残差与残差评估，前者由以设备运行机理建立的数学模型估计***输出与实际测量值之间的差别得出，后者依照前者分析设备是否发生故障。该类方法与控制理论紧密结合，多数机理模型都为线性***，因此当面对非线性，自由度较高以及多变量耦合的复杂***时，并不能很好的检测到设备的故障，还要付出巨大的成本以建立模型，各种环境的限制也都使得这种方法监测效果不佳，不能广泛应用。
基于知识的方法，要求具有大量知识与经验，完整的数据库，依据相关专家的启发性经验，自动描述监测过程中各单元之间的连接关系、故障传播模式等。对于简单***，性能较好，对于复杂的***，则会由于没有完整的数据库，足够的经验推理演绎故障过程而带来各种问题，所以通用性较差。
基于数据驱动的方法依靠智能化仪表和计算机存储技术，对海量数据挖掘，发现过程数据中的内在信息简历数，从而建立模型对数据进行监测，判断设备的故障状态。依赖智能化设备对数据的分析挖掘，因此不能很好的对设备内部的情况作解释，而且机器的学习数据驱动的算法应用面较窄，技术薄弱，也不能广泛的应用于设备的故障预警。
近年来，不断开发出新的寿命预测方法，有相当多的方法已经用于实际也有一些尚处于实验预测阶段。目前，寿命预测主要有两种方法，间接和直接测量两种。
间接寿命预测方法以部件的参数数据为基础，计算部件的损伤程度，依赖于部件运行时完整的、真实的资料，忽略了材料老化的因素。
直接寿命预测方法有非破坏试验法和破坏性试验法，破坏性试验法需要取得相同或相似的样本，通过破坏性试验得到需要的数据，对数据进行分析，推算寿命损伤程度，做出寿命评估。非破坏性试验法，在较短的时间，可对较多的部位进行诊断，能定期监控，使用范围狭小。
这几种方法机理的研究是成熟的，装置的开发应用是可行的，但是寿命预测的精度还有待于进一步提高，应用范围也有待于提高。
发明内容
本发明的目的是为了能够预测设备是否异常以及设备的剩余寿命，防止设备发生故障，保障人民生命财产安全，提供了一种设备故障预警与寿命预测***研究方法，针对各种组成部件不同的设备，为了预测设备是否发生故障以及剩余寿命，通过计算出设备各部件的故障概率来判断设备是否发生故障以及预测设备的剩余寿命。
本发明的目的可以通过采取如下技术方案达到：
一种电扶梯设备的故障预警与寿命预测方法，所述的故障预警与寿命预测方法包括下列步骤：
S1、采用SQL语句，建立数据库关系表，存储在Oracle数据库中，Matlab通过ODBC桥连接Oracle数据库访问数据，完成数据库构建；
S2、分析电梯基本结构，确定引起电梯故障的关键部件，筛选影响电梯的重要因素作为判断电梯故障的指标，并对指标数据进行仿真模拟；
S3、采集电梯实时数据，构建动态贝叶斯网络(DBN)，并通过蒙特卡洛算法对动态贝叶斯网络每一节点求解预估故障概率，形成CPT故障概率，对电梯的故障做出预警；
S4、调用Oracle数据库中的电梯指标数据，生成电梯异常度与运行时间的序列，得到异常度时间函数，通过异常度时间函数确定电梯已经运行时间与异常度时间阈值比较，从而实现电扶梯寿命预测算法。
进一步地，所述的步骤S1包括：
S101、采用SQL语句，结合Oracle中的pivot、decode，编写设备健康评估表ELEIDX、故障诊断表FAULTDB、数据点表ELE格式，将原始的接口点表select建成一系列关系表，存储在Oracle数据库中；
S102、根据设备和设备部件的基数据和故障类型，利用Devicetype表、Index表、Indexdb表、Basicdb表、Basic表构建数据体系，采用层次结构的数据库设计健康评估与故障诊断数据库部分，其中，Devicetype表存储设备类型和设备部件及其对应的编号，Index表储存设备细化指标种类，Indexdb表记录实时和近期的指标，Basicdb表用于记录实时和近期收集的基数据值，Basic表用于表达各基数据类别以及与各部件和部件指标之间的联系；
S103、利用设备故障评估指标表Elec_Index和基础数据表Elec_Basic构建健康评估数据库，两表之间存在上下层关系，设备故障评估指标表Elec_Index中数据依据基础数据表Elec_Basic计算而来，基础数据表的更新引起指标表数据的更新，且两表其容量是可加的；
S104、利用设备故障诊断表Faultdb和基础数据表Elec_Basic构建故障诊断数据库，两表之间存在上下层关系，设备故障诊断表Faultdb中数据依据基础数据表Elec_Basic计算，基础数据表的更新引起故障诊断表数据的更新，且两表容量是可加的；
S105、客户端机器上安装Oracle的客户端软件，正确配置Oracle的客户端目录下的tnsname.ora文件，提供预警***访问地址和访问端口，启动服务端的监听程序；
S106、数据库与Matlab通过ODBC桥连接利用exec查询数据库中的数据，fetch函数返回上层变量，update更新数据库中的健康评估表和故障诊断表。
进一步地，所述的步骤S2包括：
S201、分析电梯构造曳引驱动、悬挂装置、轿厢架和轿厢、门***、重量平衡***、电力拖动***、电气***以及安全保护***，设计指标；
S202、调用数据库中Devicetype表、Index表和Basicdb表，将采集到的电梯数据以离线的方式进行大数据分析，形成Basic表及Indexdb表存入数据库；
S203、参考蒂森TE-evolution1电梯结构，将研究对象分为曳引机、钢丝绳与门***，并针对每一研究对象提出相应的指标，并确定故障诊断指标为门***中挂轮磨损程度和钢丝绳直径；
S204、针对挂轮磨损程度指标，引用IBM算法中的可测磨损模型，用于预测超过原始表面粗糙度深度的磨损；
S205、针对钢丝绳直径指标，采用有限元理论，计算直径的变化分析。
进一步地，所述的步骤S3包括：
S301、数据收集，从数据库中调用包括设备历史指标数据的Indexdb表、Devicetype表和Index表；
S302、确定网络节点变量及因果关系，确定网络节点变量及因果关系包括节点变量取名、***每个部分的描述及退化量的度量、变量类型(离散和连续)的选择；
S303、构建电梯DBN模型，分析电扶梯各部件耦合关系，结合电扶梯故障诊断指标提取模块，构建电扶梯贝叶斯网络故障诊断模型图，BNT中使用矩阵方式表示贝叶斯网络，即若节点i到j有一条弧，则对应矩阵中(i，j)值为1，否则为0，建立贝叶斯网BNT，并将样本作为训练集代入learn_params()函数进行学习，学习得到条件概率表CPT；
S304、根据训练好的贝叶斯网络预估部件故障的概率，将计算结果存入数据库健康状况评估表和故障诊断表中。
进一步地，所述的步骤S4包括：
S401、通过贝叶斯故障诊断模型与网络节点的CPT表，从数据库设备健康状况评估表提取设备实时监测数据，对设备健康状态进行评估，输出设备异常度，即故障概率；
S402、调用健康评估表中的历史数据，生成设备异常度时间序列，用Matlab曲线拟合工具箱CFTOOL确定拟合函数阶数，得到设备异常度与运行时间的拟合函数；
S403、调用设备异常度与运行时间的拟合函数，设置设备报废对应的异常度阈值a，对应的使用年限为x,应用专家***对***实时故障概率分析得到设备此时的异常度b,依据设备异常度与运行时间的拟合函数，计算此时设备已使用时间y，则设备的剩余寿命w＝x-y，实现对***的寿命预测。
进一步地，所述的步骤S204包括：
S2041、可测磨损模型的基本假设，
依据磨损量是每个通过次数产生的磨损所消耗的能量E和通过次数N这两个变量的函数这个假设，磨损量Q与通过次数N及所消耗的能量E之间的关系为微分方程
Figure GDA0002614448990000061
其中，磨损量与通过次数的关系为
Figure GDA0002614448990000062
式中，m为***给定的常数，在无润滑时，
Figure GDA0002614448990000063
S2042、根据消耗的能量与磨损过程的关系，可分为A型磨损与B型磨损，其中，A型磨损在磨损过程中破坏能保持不变，属于严重磨损，应用于干摩擦和重载情况，B型磨损在磨损过程中破坏随着通过次数变化而变化，是中等程度的转移结果，针对门挂轮磨损，磨损用下列微分方程表示
Figure GDA0002614448990000064
上式中，C为***的常系数，通过实验测定某一通过次数下的磨损量求得或者将零磨损和可测磨损的模型结合起来求得C的解析式，N为通过次数，S为接触面沿滑动方向的长度，Q为磨痕横截面积，
假定破坏功与τmxS成正比，两物体的接触面积随着磨损而改变，故τmxS不为一个常量，
Figure GDA0002614448990000065
进一步地，所述的步骤S205具体如下：
钢丝绳的直径用带有钳口的游标卡尺测量，钳口的宽度最小要足以跨越两个相邻的股，测量在钢丝绳端头15m外的平直部位上进行，在相距至少1m的两截面上，并在同一截面互相垂直地测取两个数值，四次测量结果的平均值，即为钢丝绳的实测直径。
进一步地，所述的步骤S303中构建电梯DBN模型具体如下：
S3031、由已确定的节点及先验数据构建先验贝叶斯网络；
S3032、调用数据对DBN网络进行参数学习,构建后验贝叶斯网络；
S3033、对DBN模型中每一节点利用蒙特卡洛算法计算其故障概率，确定所有网络节点的CPT概率分布表。
进一步地，所述的参数学习为采用多次迭代寻优的EM算法learn_params_em进行学习，其中，EM算法求解最优结构的过程是收敛到局部最优参数
Figure GDA0002614448990000071
的过程，通过随机数发生器产生样本训练集，填补丢失数据，对数据进行最大似然估计学习模拟最符合结构的参数，具体步骤如下：
E步，即期望：
Figure GDA0002614448990000072
其中E是期望值；D是训练样本集；
Figure GDA0002614448990000073
表示寻找的最优结构参数，Xi的值域是：
Figure GDA0002614448990000074
qi是配置πi的排列顺序；Nijk是在数据集D中满足变量值
Figure GDA0002614448990000075
且πi＝j的条件发生次数：
Figure GDA0002614448990000076
yl是D中丢失的数据个数；Sh是贝叶斯网络结构选择假设；
M步，即最大估计，最大似然估计函数：
Figure GDA0002614448990000077
最大后验估计函数：
Figure GDA0002614448990000078
N′ijk是先验充分统计因子，Nijk是样本数据充分统计因子，i,j,k,h,q∈N。
进一步地，所述的参数学习为采用多次迭代寻优的EM算法来进行学习，其中，EM算法具体执行过程如下：设置变量的初始值；从某个初始贝叶斯网络出发开始迭代；调用联合树推理算法完成对贝叶斯网络的推理运算，得出目前最佳网络；基于当前最佳网络利用EM算法对数据集进行补全，得到完整数据集以便实现参数的最大化；计算网络中所有节点取值个数的总和；创建与初始网络不同的网络结构，将这些结构作为候选网络结构；用BIC评分函数对上述候选的网络结构进行打分，从选定的网络结构上寻找使得得分最大的参数；求出和数据集拟合的最好的网络结构。
本发明相对于现有技术具有如下的优点及效果：
1、本发明可依据数据采集实时更新数据并进行数据处理，得出电梯的故障概率与电梯故障时的故障部件，并依据实时数据进行寿命预测，能在第一时间将电梯的健康状况现实给工作人员。
2、本发明在建立故障特征指标的过程中结合了IBM算法和有限元理论算法，有效提高数据挖掘的效率和数据挖掘的精度，从而使指标更合理。
3、在电扶梯故障诊断计算中，将贝叶斯网络智能算法与电扶梯故障诊断指标提取技术相结合，搭建电梯的贝叶斯网络故障诊断模型图，并结合EM算法和SEM算法等，将数据带入程序中进行训练，得到条件概率表，可对当前电梯健康状况进行评估。为提高贝叶斯网络的运算速率，引入随机抽样的近似推理算法和重要性抽样方法。
附图说明
图1是本发明中公开的设备故障预警与寿命预测***研究方法原理的基本框架架构；
图2是电梯故障预警及寿命预测方法的流程步骤图；
图3是基础数据表格式示意图；
图4是故障诊断表格式示意图；
图5是健康评估表格式示意图；
图6是设备数据库关系图；
图7是评估与诊断数据库示意图；
图8是TE-evolution1电梯主要结构框图；
图9是钢丝绳直径测量示意图；
图10是电梯贝叶斯网络故障诊断模型图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
本实施例公开了一种设备故障预警与寿命预测***研究方法，其结构如图1、图2，本实施例的所有步骤都是基于Matlab开发环境以及Orcle数据库完成的，该方法具体包括下列步骤：
S1、用SQL语句，建立数据库关系表，存储在Oracle数据库中，Matlab通过ODBC桥连接Oracle数据库访问数据，完成数据库构建；
该步骤具体如下：
S101、如图3、图4、图5，根据方案要求，利用SQL语句编写设备健康评估表ELEIDX、故障诊断表FAULTDB、数据点表ELE格式，将原始的接口点表select建成一系列关系表，存储在Oracle数据库中用于存储采集的设备实时数据；
S102、如图6，根据设备和设备部件的基数据和故障类型利用5张表构建数据体系，Devicetype表存储设备类型和设备部件及其对应的编号；Index表储存设备细化指标种类；Indexdb表则记录实时和近期的指标；Basicdb表用于记录实时和近期收集的基数据值；Basic表用于表达各基数据类别以及与各部件和部件指标之间的联系；
对于健康评估与故障诊断数据库部分，采用层次结构的数据库设计方案(如图7)。
S103、如表1、表2，健康评估数据库利用设备故障评估指标表(Flec_Index)，基础数据表(Flec_Basic)构建，两表之间的上下层关系，故障评估指标表中的数据是依据基础数据表计算而来，基础表数据的更新会引起指标表数据的更新，两表其容量是可加的；
表1.健康评估表ELEIDX
FN 制动器功率异常百分比 制动器输入电压异常百分比 曳引机工作温度异度 钢丝绳直径异常度 门锁继电器状态异常程度
FVALUE66 01 0.1 0 0 0
FVALUE67 0 0 0.5 0 0
FVALUE68 0 0 0.3 1 0
FVALUE69 02 0 0 01 0
FVALUE70 01 0 0.2 0 0
FVALUE71 01 0 0 0 0
FVALUE72 0 0 0.5 0 0
FVALUE73 0 0 0 0 1
FVALUE74 0 0 0 0 0
FVALUE75 03 0 0 0 1
FVALUE76 0 0.3 0.2 0 0
FVALUE77 01 0 0 0.4 0
FVALUE78 02 0 0.1 01 0
FVALUE79 01 0 0.5 0 0
FVALUE80
表2.基础数据点表FIJE
Figure GDA0002614448990000101
S104、如表3，故障诊断数据库利用设备故障诊断表(FAULTDB)，基础数据表(Elec_Basic)构建，两表之间的上下层关系，故障诊断表(FAULTDB)中的数据依据基础数据表计算，基础数据表的更新引起故障诊断表的更新，两表容量是可加的；
表3.故障诊断表FAULTDB
Figure GDA0002614448990000111
S105、客户端机器上安装Oracle数据库的客户端软件。正确配置Oracle数据库的客户端目录下的tnsname.ora文件，提供预警***访问地址和访问端口，启动服务端的监听程序，与Matlab连接通过预警算法***余寿命预测算法对Oracle数据库中数据计算，更新Oracle数据库中数据，记录设备最新状态。
S2、了解电梯基本结构，确定引起电梯故障的关键部件，筛选影响电梯的重要因素作为判断电梯故障的指标，并对指标数据进行仿真模拟；
S201、了解电梯构造曳引驱动，悬挂装置，轿厢架和轿厢，门***，重量平衡***，电力拖动***，电气***以及安全保护***和相关参数并查阅大量文献资料，设计出相应指标如表4所示，在后期计算中通过指标数据的变化判断设备的健康状况；
表4.蒂森无机房电梯TE—Evolution1指标表
Figure GDA0002614448990000121
S202、调用Oracle数据库设计模块Devicetype表、Index表和Basicdb表。根据采集到的电梯数据以离线的方式进行大数据分析，形成Basic表及Indexdb表存入数据库，采集的数据作为最新数据，与表内的其他数据进行比较，分析设备的运行状态；
S203、如图8，参考蒂森TE-evolution1电梯结构，在对电梯故障有关因素的基础上，将主要研究对象分为曳引机、钢丝绳与门***三大模块，并针对每一部分模块提出相应的指标，综合对电梯的影响，确定引起电梯故障的主要因素并确定故障诊断指标为门***中挂门轮磨损程度和钢丝绳直径，并确定门***中挂们轮磨损程度和钢丝绳直径的阈值，当***通过采集的实时数据计算所得设备相应指标超出阈值范围，即可判定设备出现故障；
S204、针对挂轮磨损程度指标，引用IBM算法中的可测磨损模型，用于预测超过原始表面粗糙度深度的磨损。
1)可测磨损模型的基本假设
依据磨损量是每个通过次数产生的磨损所消耗的能量E和通过次数N这两个变量的函数这个假设。磨损量Q与通过次数N及所消耗的能量E之间的关系为微分方程
Figure GDA0002614448990000131
据实验表明，磨损量与通过次数的关系为
Figure GDA0002614448990000132
式中，m为***给定的常数，有关文献指出，在无润滑时，
Figure GDA0002614448990000133
2)根据消耗的能量与磨损过程的关系，可分为A型磨损与B型磨损。
其中，A型磨损指磨损过程中破坏能始终保持不变，属于严重的磨损。主要应用于干摩擦和重载情况。具体不在此介绍。
其中，B型磨损指磨损过程中破坏随着通过次数的变化而变化，这是中等程度的转移结果。此项研究的门挂轮磨损就属于这种情况。这种磨损可用下列微分方程表示
Figure GDA0002614448990000134
式中，C为***的常系数，一般须通过实验测定某一通过次数下的磨损量求得。也可将零磨损和可测磨损的模型结合起来求得C的解析式，N为通过次数，S为接触面沿滑动方向的长度，Q为磨痕横截面积。
在这种磨损模型中，已假定破坏功与τmxS成正比，因为两物体的接触面积随着磨损而改变，所以τmxS不为一个常量。
Figure GDA0002614448990000141
S205、针对钢丝绳直径指标，采用有限元理论，计算直径的变化分析。钢丝绳的直径用带有钳口的游标卡尺测量，如图9所示钳口的宽度最小要足以跨越两个相邻的股即AB之间最少要包括两股，测量在钢丝绳端头15m外的平直部位上进行即测量点A距离绳端C超过15米，B点距离绳端D超过15米，在相距至少1m的两截面上，并在同一截面互相垂直地测取两个数值旋转游标卡尺，按照左右前后两个垂直方向测量，四次测量结果的平均值，即为钢丝绳的实测直径。
S3、采集电梯实时数据，构建动态贝叶斯网络(DBN)，并通过蒙特卡洛算法对DBN网络每一节点求解预估故障概率，形成CPT(故障概率)，对电梯的故障做出预警；
利用Matlab技术框架进行二次开发，用到贝叶斯网络工具箱(FULLBNT)，采用贝叶斯网络算法，构建动态贝叶斯网络，计算DBN(动态贝叶斯网络)的概率分布，推断电扶梯状态并预测剩余寿命。
S301、数据收集：依据步骤S2中数据体系建立，从数据库中调用包括设备历史指标数据的Indexdb表、Devicetype表和Index表训练动态贝叶斯网络并更新数据库中设备健康评估表ELEIDX，故障诊断表FAULTDB；
S302、确定节点变量及因果关系：网络节点代表随机变量，贝叶斯网络的节点允许是任何的变量，节点变量可以分为机会变量、决策变量和辅助变量，可以是连续变量，也可是离散变量。确定节点变量及因果关系包括节点变量取名、***每个部分的描述及退化量的度量、变量类型(离散和连续)的选择；
S303、构建DBN：通过分析电扶梯各部件耦合关系，结合电扶梯故障诊断指标提取模块，构建电扶梯贝叶斯网络故障诊断模型图，图10给出了电梯的贝叶斯网络故障诊断模型图，在节点介质损耗与节点绝缘老化之间有一条弧，即BNT中矩阵表示贝叶斯网络时，对应矩阵(介质损耗，绝缘老化)值为1，否则为0。将所有节点的情况都输入BNT矩阵，建立贝叶斯网BNT，将得到的样本矩阵作为训练集代入learn_params()函数进行学习，学习得到条件概率表CPT。随着训练样本数的增加，学习到的条件概率表越来越逼近于真实的条件概率表；
电梯DBN模型构建的具体步骤：
1)由已确定的节点及先验数据构建先验贝叶斯网络。
2)调用数据对DBN网络进行参数学习,构建后验贝叶斯网络。
参数学习算法函数：BNT中提供了丰富的参数学习函数，在数据缺失，已知网络拓扑结构的情况下，我们采用多次迭代寻优的EM算法learn_params_em来进行参数学习.
①EM算法求解最优结构的过程实际是收敛到局部最优参数
Figure GDA0002614448990000154
的过程。首先通过随机数发生器(Matlab工具中应用)产生样本训练集，填补丢失数据。对数据进行最大似然估计学习模拟最符合结构的参数，具体步骤如下：
E步(期望)：
Figure GDA0002614448990000151
其中E是期望值；D是训练样本集；
Figure GDA0002614448990000152
表示寻找的最优结构参数，Xi的值域是：
Figure GDA0002614448990000153
qi是配置πi的排列顺序；Nijk是在数据集D中满足变量值
Figure GDA0002614448990000161
且πi＝j的条件发生次数：
Figure GDA0002614448990000162
yl是D中丢失的数据个数；Sh是贝叶斯网络结构选择假设。
M步(最大估计)：
最大似然估计函数：
Figure GDA0002614448990000163
最大后验估计函数：
Figure GDA0002614448990000164
N'ijk是先验充分统计因子；相应的，Nijk是样本数据充分统计因子，i,j,k,h,q∈N。
②SEM算法，EM算法的优化算法，结构化期望最大化SEM算法。SEM算法的应用过程大致分为结构搜索和参数学习两步。进行网络结构的搜索吋，SEM算法使用期望充分的统计因子来代替不存在的充分的统计因子，使得打分函数的形式具有可分解性，然后进行局部搜索，发现网络评分更高的结构。最后，在选定的结构上筛选得分最大的参数。
其具体执行过程如下：设置变量的初始值；从某个初始贝叶斯网络出发开始迭代；调用联合树推理算法完成对贝叶斯网络的推理运算，得出目前最佳网络；基于当前最佳网络利用EM算法对数据集进行补全，得到完整数据集以便实现参数的最大化；计算网络中所有节点取值个数的总和；创建所有与初始网络不同的网络结构，将这些结构作为候选网络结构；用BIC评分函数对上述候选的网络结构进行打分，从选定的网络结构上寻找使得得分最大的参数；出和数据集拟合的最好的网络结构。
3)对DBN模型中每一个节点利用蒙特卡洛算法计算其故障概率，从而确定所有网络节点的CPT(概率分布)表。
S304、根据训练好的贝叶斯网络预估部件故障的概率，将计算结果存入到数据库健康状况评估表和故障诊断表中，更新数据库，实现实时检测，及时发现设备故障。
S4、调用数据库中的电梯指标数据，生成电梯异常度与运行时间的序列，得到异常度时间函数，通过异常度时间函数确定电梯已经运行时间与异常度时间阈值比较，从而实现电扶梯寿命预测算法。
收集专家知识，编写专家***，根据对***状态的实时分析，通过专家***对电梯状态进行分析，对寿命进行预测。
S401、通过步骤S3贝叶斯故障诊断模型与网络节点的CPT表，从数据库设备健康状况评估表提取设备实时监测数据，对设备健康状态进行评估，输出设备异常度(故障概率)；
S402、调用健康评估表中的历史数据，生成设备异常度时间序列，用Matlab曲线拟合工具箱CFTOOL确定拟合函数阶数，得到设备异常度与运行时间的拟合函数，确定设备运行的一般状况，用来计算设备的剩余寿命；
S403、调用设备异常度与运行时间的拟合函数，设置设备报废对应的异常度阈值a，对应的使用年限为x,应用专家***对***实时故障概率分析得到设备此时的异常度b(b≤a),当b＜a时，通过异常度与运行时间拟合函数计算异常度为b时设备已运行时间y,则设备的剩余寿命w＝x-y；当b＝a时，剩余寿命为0，实现对***的寿命预测。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (9)

1.一种电扶梯设备的故障预警与寿命预测方法，其特征在于，所述的故障预警与寿命预测方法包括下列步骤：
S1、采用SQL语句，建立数据库关系表，存储在Oracle数据库中，Matlab通过ODBC桥连接Oracle数据库访问数据，完成数据库构建；
S2、分析电梯基本结构，确定引起电梯故障的关键部件，筛选影响电梯的重要因素作为判断电梯故障的指标，并对指标数据进行仿真模拟；
S3、采集电梯实时数据，构建动态贝叶斯网络，并通过蒙特卡洛算法对动态贝叶斯网络每一节点求解预估故障概率，形成CPT故障概率，对电梯的故障做出预警；
S4、调用Oracle数据库中的电梯指标数据，生成电梯异常度与运行时间的序列，得到异常度时间函数，通过异常度时间函数确定电梯已经运行时间与异常度时间阈值比较，从而实现电扶梯寿命预测算法，该步骤包括：
S401、通过贝叶斯故障诊断模型与网络节点的CPT表，从数据库设备健康状况评估表提取设备实时监测数据，对设备健康状态进行评估，输出设备异常度，即故障概率；
S402、调用健康评估表中的历史数据，生成设备异常度时间序列，用Matlab曲线拟合工具箱CFTOOL确定拟合函数阶数，得到设备异常度与运行时间的拟合函数；
S403、调用设备异常度与运行时间的拟合函数，设置设备报废对应的异常度阈值a，对应的使用年限为x,应用专家***对***实时故障概率分析得到设备此时的异常度b,依据设备异常度与运行时间的拟合函数，计算此时设备已使用时间y，则设备的剩余寿命w＝x-y，实现对***的寿命预测。
2.根据权利要求1所述的一种电扶梯设备的故障预警与寿命预测方法，其特征在于，所述的步骤S1包括：
S101、采用SQL语句，结合Oracle中的pivot、decode，编写设备健康评估表ELEIDX、故障诊断表FAULTDB、数据点表ELE格式，将原始的接口点表select建成一系列关系表，存储在Oracle数据库中；
S102、根据设备和设备部件的基数据和故障类型，利用Devicetype表、Index表、Indexdb表、Basicdb表、Basic表构建数据体系，采用层次结构的数据库设计健康评估与故障诊断数据库部分，其中，Devicetype表存储设备类型和设备部件及其对应的编号，Index表储存设备细化指标种类，Indexdb表记录实时和近期的指标，Basicdb表用于记录实时和近期收集的基数据值，Basic表用于表达各基数据类别以及与各部件和部件指标之间的联系；
S103、利用设备故障评估指标表Elec_Index和基础数据表Elec_Basic构建健康评估数据库，两表之间存在上下层关系，设备故障评估指标表Elec_Index中数据依据基础数据表Elec_Basic计算而来，基础数据表的更新引起指标表数据的更新，且两表其容量是可加的；
S104、利用设备故障诊断表Faultdb和基础数据表Elec_Basic构建故障诊断数据库，两表之间存在上下层关系，设备故障诊断表Faultdb中数据依据基础数据表Elec_Basic计算，基础数据表的更新引起故障诊断表数据的更新，且两表容量是可加的；
S105、客户端机器上安装Oracle的客户端软件，正确配置Oracle的客户端目录下的tnsname.ora文件，提供预警***访问地址和访问端口，启动服务端的监听程序；
S106、数据库与Matlab通过ODBC桥连接利用exec查询数据库中的数据，fetch函数返回上层变量，update更新数据库中的健康评估表和故障诊断表。
3.根据权利要求2所述的一种电扶梯设备的故障预警与寿命预测方法，其特征在于，所述的步骤S2包括：
S201、分析电梯构造曳引驱动、悬挂装置、轿厢架和轿厢、门***、重量平衡***、电力拖动***、电气***以及安全保护***，设计指标；
S202、调用数据库中Devicetype表、Index表和Basicdb表，将采集到的电梯数据以离线的方式进行大数据分析，形成Basic表及Indexdb表存入数据库；
S203、将研究对象分为曳引机、钢丝绳与门***，并针对每一研究对象提出相应的指标，并确定故障诊断指标为门***中挂轮磨损程度和钢丝绳直径；
S204、针对挂轮磨损程度指标，引用IBM算法中的可测磨损模型，用于预测超过原始表面粗糙度深度的磨损；
S205、针对钢丝绳直径指标，采用有限元理论，计算直径的变化分析。
4.根据权利要求2所述的一种电扶梯设备的故障预警与寿命预测方法，其特征在于，所述的步骤S3包括：
S301、数据收集，从数据库中调用包括设备历史指标数据的Indexdb表、Devicetype表和Index表；
S302、确定网络节点变量及因果关系，确定网络节点变量及因果关系包括节点变量取名、***每个部分的描述及退化量的度量、变量类型是离散还是连续的选择；
S303、构建电梯DBN模型，分析电扶梯各部件耦合关系，结合电扶梯故障诊断指标提取模块，构建电扶梯贝叶斯网络故障诊断模型图，BNT中使用矩阵方式表示贝叶斯网络，即若节点i到j有一条弧，则对应矩阵中(i，j)值为1，否则为0，建立贝叶斯网BNT，并将样本作为训练集代入learn_params()函数进行学习，学习得到条件概率表CPT；
S304、根据训练好的贝叶斯网络预估部件故障的概率，将计算结果存入数据库健康状况评估表和故障诊断表中。
5.根据权利要求3所述的一种电扶梯设备的故障预警与寿命预测方法，其特征在于，所述的步骤S204包括：
S2041、可测磨损模型的基本假设，
依据磨损量是每个通过次数产生的磨损所消耗的能量E和通过次数N这两个变量的函数这个假设，磨损量Q与通过次数N及所消耗的能量E之间的关系为微分方程
Figure FDA0002614448980000041
其中，磨损量与通过次数的关系为
Figure FDA0002614448980000042
m＞0
式中，m为***给定的常数，在无润滑时，
Figure FDA0002614448980000043
2≤N≤2000；
S2042、根据消耗的能量与磨损过程的关系，可分为A型磨损与B型磨损，其中，A型磨损在磨损过程中破坏能保持不变，属于严重磨损，应用于干摩擦和重载情况，B型磨损在磨损过程中破坏随着通过次数变化而变化，是中等程度的转移结果，针对门挂轮磨损，磨损用下列微分方程表示
Figure FDA0002614448980000051
上式中，C为***的常系数，通过实验测定某一通过次数下的磨损量求得或者将零磨损和可测磨损的模型结合起来求得C的解析式，N为通过次数，S为接触面沿滑动方向的长度，Q为磨痕横截面积，
假定破坏功与τmxS成正比，两物体的接触面积随着磨损而改变，故τmxS不为一个常量，
Figure FDA0002614448980000052
6.根据权利要求3所述的一种电扶梯设备的故障预警与寿命预测方法，其特征在于，所述的步骤S205具体如下：
钢丝绳的直径用带有钳口的游标卡尺测量，钳口的宽度最小要足以跨越两个相邻的股，测量在钢丝绳端头15m外的平直部位上进行，在相距至少1m的两截面上，并在同一截面互相垂直地测取两个数值，四次测量结果的平均值，即为钢丝绳的实测直径。
7.根据权利要求4所述的一种电扶梯设备的故障预警与寿命预测方法，其特征在于，所述的步骤S303中构建电梯DBN模型具体如下：
S3031、由已确定的节点及先验数据构建先验贝叶斯网络；
S3032、调用数据对DBN网络进行参数学习,构建后验贝叶斯网络；
S3033、对DBN模型中每一节点利用蒙特卡洛算法计算其故障概率，确定所有网络节点的CPT概率分布表。
8.根据权利要求7所述的一种电扶梯设备的故障预警与寿命预测方法，其特征在于，所述的参数学习为采用多次迭代寻优的EM算法learn_params_em进行学习，其中，EM算法求解最优结构的过程是收敛到局部最优参数
Figure FDA0002614448980000061
的过程，通过随机数发生器产生样本训练集，填补丢失数据，对数据进行最大似然估计学习模拟最符合结构的参数，具体步骤如下：
E步，即期望：
Figure FDA0002614448980000062
其中E是期望值；D是训练样本集；
Figure FDA0002614448980000063
表示寻找的最优结构参数，Xi的值域是：
Figure FDA0002614448980000064
qi是配置πi的排列顺序；Nijk是在数据集D中满足变量值
Figure FDA0002614448980000065
且πi＝j的条件发生次数：
Figure FDA0002614448980000066
yl是D中丢失的数据个数；Sh是贝叶斯网络结构选择假设；
M步，即最大估计，最大似然估计函数：
Figure FDA0002614448980000067
最大后验估计函数：
Figure FDA0002614448980000068
N′ijk是先验充分统计因子，Nijk是样本数据充分统计因子，i,j,k,h,q∈N。
9.根据权利要求7所述的一种电扶梯设备的故障预警与寿命预测方法，其特征在于，所述的参数学习为采用多次迭代寻优的EM算法来进行学习，其中，EM算法具体执行过程如下：设置变量的初始值；从某个初始贝叶斯网络出发开始迭代；调用联合树推理算法完成对贝叶斯网络的推理运算，得出目前最佳网络；基于当前最佳网络利用EM算法对数据集进行补全，得到完整数据集以便实现参数的最大化；计算网络中所有节点取值个数的总和；创建与初始网络不同的网络结构，将这些结构作为候选网络结构；用BIC评分函数对上述候选的网络结构进行打分，从选定的网络结构上寻找使得得分最大的参数；求出和数据集拟合的最好的网络结构。
CN201711263968.3A 2017-12-05 2017-12-05 一种电扶梯设备的故障预警与寿命预测方法 Active CN107991870B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711263968.3A CN107991870B (zh) 2017-12-05 2017-12-05 一种电扶梯设备的故障预警与寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711263968.3A CN107991870B (zh) 2017-12-05 2017-12-05 一种电扶梯设备的故障预警与寿命预测方法

Publications (2)

Publication Number Publication Date
CN107991870A CN107991870A (zh) 2018-05-04
CN107991870B true CN107991870B (zh) 2020-10-27

Family

ID=62035539

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711263968.3A Active CN107991870B (zh) 2017-12-05 2017-12-05 一种电扶梯设备的故障预警与寿命预测方法

Country Status (1)

Country Link
CN (1) CN107991870B (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108469783B (zh) * 2018-05-14 2021-02-02 西北工业大学 基于贝叶斯网络的深孔圆度误差预测方法
CN109034010B (zh) * 2018-07-06 2021-05-14 北京天泽智云科技有限公司 一种自动门***的润滑失效在线预测方法
CN109271705B (zh) * 2018-09-14 2023-03-24 湘潭大学 一种基于深度学习的机器预测性维护方法
CN109534140B (zh) * 2018-12-27 2019-12-06 北京交通大学 基于simpack的电扶梯梯级链建模与故障仿真方法
CN109872003B (zh) * 2019-03-06 2021-08-13 中国科学院软件研究所 对象状态预测方法、***、计算机设备及存储介质
CN110133508B (zh) * 2019-04-24 2022-04-01 上海博强微电子有限公司 电动汽车动力电池的安全预警方法
CN112668729A (zh) * 2019-10-15 2021-04-16 深圳怡化电脑股份有限公司 设备数据分析方法、装置、计算机设备及可读存储介质
CN111275306B (zh) * 2020-01-16 2023-12-05 上海三菱电梯有限公司 电梯改造评估方法及电梯改造评估***
CN112390127B (zh) * 2020-12-12 2022-12-23 中铁第四勘察设计院集团有限公司 基于健康度模型的自动扶梯预防性维修策略生成方法
CN113377595B (zh) * 2021-06-11 2023-06-23 上海壁仞智能科技有限公司 故障诊断方法、装置、电子设备和存储介质
CN113720716B (zh) * 2021-09-01 2022-08-19 桂林电子科技大学 一种电梯曳引轮磨损程度定量化分析及寿命预测方法
CN114297255B (zh) * 2021-12-17 2024-04-19 ***数智科技有限公司 一种基于日志分析的网络品质工单故障预警方法
CN114418101B (zh) * 2022-01-11 2024-05-31 中国人民解放军国防科技大学 一种贝叶斯网络推理方法及***
CN114715752B (zh) * 2022-06-08 2022-08-23 凯尔菱电（山东）电梯有限公司 用于电梯的异常检测方法及***
CN114781762B (zh) * 2022-06-21 2022-09-23 四川观想科技股份有限公司 一种基于寿命消耗的装备故障预测方法
CN115659812B (zh) * 2022-10-29 2023-06-09 思维实创(哈尔滨)科技有限公司 基于城轨iscs的电扶梯寿命预测方法、***、设备及介质
CN115557349B (zh) * 2022-12-05 2023-03-14 苏州大名府电梯有限公司 一种基于物联网的智能家用电梯及检测方法
CN116308300B (zh) * 2023-05-11 2023-07-21 四川新迎顺信息技术股份有限公司 一种电力设备状态监测评价与指挥方法及***

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102651054A (zh) * 2012-04-10 2012-08-29 北京航空航天大学 一种基于贝叶斯理论的电子产品寿命模型概率化方法
CN102932194A (zh) * 2011-08-09 2013-02-13 中国银行股份有限公司 基于贝叶斯方法的互联网应用服务监控***及方法
CN103245861A (zh) * 2013-05-03 2013-08-14 云南电力试验研究院（集团）有限公司电力研究院 一种基于贝叶斯网络的变压器故障诊断方法
CN103245911A (zh) * 2013-05-03 2013-08-14 云南电力试验研究院（集团）有限公司电力研究院 一种基于贝叶斯网络的断路器故障诊断方法
CN103678952A (zh) * 2013-11-14 2014-03-26 昆明理工大学 一种电梯风险评估方法
CN104392122A (zh) * 2014-11-17 2015-03-04 北京航空航天大学 基于裂纹检出概率模型的概率寿命评估方法
CN104944240A (zh) * 2015-05-19 2015-09-30 重庆大学 一种基于大数据技术的电梯设备的状态监测***
CN107013473A (zh) * 2017-04-19 2017-08-04 武汉惜源科技有限公司 一种泵站实时在线监测与能效管理方法及***
CN107473036A (zh) * 2017-07-31 2017-12-15 浙江省特种设备检验研究院 电梯曳引机远程在线检测与诊断***及其检测诊断方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102932194A (zh) * 2011-08-09 2013-02-13 中国银行股份有限公司 基于贝叶斯方法的互联网应用服务监控***及方法
CN102651054A (zh) * 2012-04-10 2012-08-29 北京航空航天大学 一种基于贝叶斯理论的电子产品寿命模型概率化方法
CN103245861A (zh) * 2013-05-03 2013-08-14 云南电力试验研究院（集团）有限公司电力研究院 一种基于贝叶斯网络的变压器故障诊断方法
CN103245911A (zh) * 2013-05-03 2013-08-14 云南电力试验研究院（集团）有限公司电力研究院 一种基于贝叶斯网络的断路器故障诊断方法
CN103678952A (zh) * 2013-11-14 2014-03-26 昆明理工大学 一种电梯风险评估方法
CN104392122A (zh) * 2014-11-17 2015-03-04 北京航空航天大学 基于裂纹检出概率模型的概率寿命评估方法
CN104944240A (zh) * 2015-05-19 2015-09-30 重庆大学 一种基于大数据技术的电梯设备的状态监测***
CN107013473A (zh) * 2017-04-19 2017-08-04 武汉惜源科技有限公司 一种泵站实时在线监测与能效管理方法及***
CN107473036A (zh) * 2017-07-31 2017-12-15 浙江省特种设备检验研究院 电梯曳引机远程在线检测与诊断***及其检测诊断方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
动态贝叶斯网络在设备剩余寿命预测中的应用研究;杨志波等;《计算机集成制造***》;20070930;全文 *
基于动态贝叶斯网络的设备故障预测方法研究;张星辉等;《科技广场》;20100531;参见第31页 *
基于贝叶斯模型的电梯安全评估方法研究;冯鑫等;《起重运输机械》;20160520;全文 *
视情维修条件下的多状态控制单元可用性建模与分析;李志强等;《兵工学报》;20171130;全文 *

Also Published As

Publication number Publication date
CN107991870A (zh) 2018-05-04

Similar Documents

Publication Publication Date Title
CN107991870B (zh) 一种电扶梯设备的故障预警与寿命预测方法
CN109886430B (zh) 一种基于工业大数据的设备健康状态评估与预测方法
Di Maio et al. Combining relevance vector machines and exponential regression for bearing residual life estimation
CN103617110B (zh) 服务器设备状态检修***
US20220057367A1 (en) Method for evaluating pipe condition
CN108873859B (zh) 基于改进关联规则的桥式抓斗卸船机故障预测模型方法
CN105095990A (zh) 一种预测维修方法和装置
CN114519923A (zh) 一种电厂智能诊断预警方法和***
CN113378482A (zh) 一种基于变结构动态贝叶斯网络的数字孪生建模推理方法
KR20230050812A (ko) 연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치
Wang et al. Reliability analysis for automobile engines: Conditional inference trees
Edward et al. Survival function in the analysis of the factors influencing the reliability of water wells operation
KR101242060B1 (ko) 도시철도차량의 신뢰도 및 가용도 관리 시스템
Wagner et al. An overview of useful data and analyzing techniques for improved multivariate diagnostics and prognostics in condition-based maintenance
Li et al. Health state prediction and performance evaluation of belt conveyor based on dynamic Bayesian network in underground mining
Zhou et al. Quantification of value of information associated with optimal observation actions within partially observable Markov decision processes
Chen et al. BIM-and IoT-Based Data-Driven Decision Support System for Predictive Maintenance of Building Facilities
CN110083933A (zh) 一种考虑随机效应的腐蚀管道贝叶斯退化分析方法
Cheng et al. Optimal opportunistic maintenance model of multi-unit systems
CN115600695A (zh) 一种计量设备的故障诊断方法
CN115496233A (zh) 一种基于马尔可夫模型的数据中台运行故障预测方法
CN111382946B (zh) 设备健康状态的自主评估方法、***及工业互联网设备
Shi Data fusion for in-process quality improvement
CN113094826A (zh) 一种基于任务可靠度的多态制造***剩余寿命预测方法
Wu et al. Remaining useful life prediction method for multi-component system considering maintenance: subsea christmas tree system as a case study

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