CN111860184B - 一种自动扶梯机械故障诊断方法和*** - Google Patents
一种自动扶梯机械故障诊断方法和*** Download PDFInfo
- Publication number
- CN111860184B CN111860184B CN202010581866.1A CN202010581866A CN111860184B CN 111860184 B CN111860184 B CN 111860184B CN 202010581866 A CN202010581866 A CN 202010581866A CN 111860184 B CN111860184 B CN 111860184B
- Authority
- CN
- China
- Prior art keywords
- convolution
- output
- sequence
- multiplied
- escalator
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 28
- 230000001133 acceleration Effects 0.000 claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000012163 sequencing technique Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 44
- 238000011176 pooling Methods 0.000 claims description 29
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 7
- 238000012886 linear function Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 4
- 239000000470 constituent Substances 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005299 abrasion Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000004026 adhesive bonding Methods 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 210000004966 intestinal stem cell Anatomy 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B50/00—Energy efficient technologies in elevators, escalators and moving walkways, e.g. energy saving or recuperation technologies
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Escalators And Moving Walkways (AREA)
Abstract
本发明公开了一种自动扶梯机械故障诊断方法和***,该方法包括步骤初始化;获取来自加速度传感器的检测信号,并提取时域特征;对时域信号进行LCD分解以获得若干个峭度最大的ISC分量,并将若干个ISC分量进行排序后获得数据集;将数据集按比例分为训练集和测试集,将训练集输入到深度卷积神经网络中进行调参训练,通过测试集进行有效性验证;对来自待检测的加速度传感器的信号运算,输出对应的机械故障类型。避免了EMD分解和LMD分解过程中计算次数多、残差大、频率混叠和端点效应等缺点,有利于提高扶梯机械故障诊断的效率,使用深度卷积神经网络,可以自适应提取人工无法提取的有效特征,提高故障判断的准确性。
Description
技术领域
本发明涉及扶梯测量技术领域,特别涉及一种自动扶梯机械故障诊断方法和***。
背景技术
自动扶梯是一种常见的运载工具,在实际运行过程中,往往因故障而引发事故,其中,自动扶梯的机械故障是难以发现的,例如,减速箱内齿轮的磨损、胶合或点蚀,以及扶梯滚轮的磨损等。这些机械磨损通常需要检查扶梯内部结构才能及时发现,效率低、成本高,隐患识别依赖于人工判断,主观因素大、隐患发现率低。
为了提高扶梯机械故障诊断的自动化,现有技术通过机器学***稳、非线性的时变信号,通过时频分析法将原始振动信号分解为若干有物理意义的信号进行分析。常用的时频分析法有经验模态分解(empirical mode decomposition,EMD)和局部均值分解(local mean decomposition,LMD),但是这两种分解算法存在频率混淆和端点效应、由于调解而引起信号突变、计算量大等问题。而机器学习算法是基于浅层学习,对信号采集和处理的要求较高,模型的泛化能力差。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种自动扶梯机械故障诊断方法,能够提高扶梯机械故障诊断的效率。
第一方面,根据本发明实施例的自动扶梯机械故障诊断方法,包括以下步骤:
初始化,将多个所述加速度传感器分别与待检测位置相互关联;
数据获取,获取来自所述加速度传感器的时域信号,并从所述时域信号中提取时域特征;
数据处理,对所述时域信号进行LCD分解以获得若干个峭度最大的ISC分量,并将若干个所述ISC分量进行排序后获得数据集;
训练深度卷积神经网络,将所述数据集按比例分为训练集和测试集,将所述训练集输入到预设的深度卷积神经网络中进行调参训练,将所述测试集输入到完成调参训练的深度卷积神经网络中进行有效性验证;
故障诊断,完成训练后的深度卷积神经网络对来自每个待检测的加速度传感器的检测信号进行运算,输出对应的机械故障类型。
根据本发明的一些实施例,所述数据处理具体包括以下步骤:
将所述时域信号均分为若干个片段,每个片段包括m个数据点;
将每个片段的所述时域信号进行LCD分解,以获得若干个ISC分量;
求取峭度最大的n个ISC分量,并经过排序后构成所述数据集,所述数据集的维数为m×n,其中,m>0,n≥1。
根据本发明的一些实施例,所述LCD分解,具体包括以下步骤:
S310、将所述时域信号赋值给初始序列y(t),并将赋值后的序列y(t)赋值给剩余信号序列r(t);
S320、确定序列y(t)的所有极值点(tk,yk),k为正整数,选取三个相邻的极值点(tk-1,yk-1)、(tk,yk)和(tk+1,yk+1),确定首尾两个极值点所在的直线函数Ak(t),并计算直线函数Ak(t)与极值点(tk,yk)对应的函数值Ak;
S330、计算函数值Ak和函数值yk共同对应的均值点SLk=αAk+(1-α)yk,其中α为常数,且α∈(0,1),并将所有的均值点SLk组成序列SL(t);
S340、计算信号差值序列y1(t)=y(t)-SL(t);
S350、当所述信号差值序列y1(t)满足ISC分量条件时,ISC分量序列ISCi(t)=y1(t),i为正整数,则更新后的剩余信号序列r1(t)=r(t)-ISCi(t);
S360、当所述剩余信号序列r1(t)为单调函数时,LCD分解结束,并输出ISC分量序列ISCi(t),否则,将所述剩余信号序列r1(t)幅值给序列y(t),并重复步骤S320至S360。
根据本发明的一些实施例,步骤S340具体包括以下步骤:
S341、计算信号差值序列y1(t)=y(t)-SL(t);
S342、当序列y(t)的局部极大值均为正且局部极小值为负,以及对于任意极值点,时,则执行步骤S343;
S343、确定序列y1(t)的所有极值点(t1k,y1k),k为正整数,选取三个相邻的极值点(t1k-1,y1k-1)、(t1k,y1k)和(t1k+1,y1k+1),确定首尾两个极值点所在的直线函数A1k(t),并计算直线函数A1k(t)与极值点(t1k,y1k)对应的函数值A1k;
S344、当序列y1(t)的局部极大值均为正且局部极小值为负,以及对于任意极值点,时,则所述信号差值序列y1(t)满足ISC分量条件。
根据本发明的一些实施例,所述深度卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层,其中,所述卷积层和所述池化层分别对所述输入层进行多次卷积运算和最大值池化运算,所述输出层通过softmax函数产生多种自动扶梯的机械故障类型。
根据本发明的一些实施例,所述卷积层和所述池化层的数量均为4层,所述卷积层包括第一至第四卷积层,所述池化层包括第一至第四池化层,其中,
第一卷积层,选择16个维数为1×63×6的卷积核与所述输入层进行卷积运算,设定滑移步长为2,填充值为31,则获得维数为1×1024×16的第一卷积输出,并使用ReLU函数激活;
第一池化层,对所述第一卷积输出进行1×2最大值池化,输出维数为1×512×16的第一池化输出;
第二卷积层,选择32个维数为1×3×16的卷积核与所述第一池化输出进行卷积运算,设定滑移步长为1,填充值为1,则获得维数为1×256×32的第二卷积输出,并使用ReLU函数激活;
第二池化层,对所述第二卷积输出进行1×2最大值池化,输出维数为1×128×32的第二池化输出;
第三卷积层,选择32个维数为1×3×32的卷积核与所述第二池化输出进行卷积运算,设定滑移步长为1,填充值为1,则获得维数为1×64×32的第三卷积输出,并使用ReLU函数激活;
第三池化层,对所述第三卷积输出进行1×2最大值池化,输出维数为1×32×32的第三池化输出;
第四卷积层,选择64个维数为1×3×32的卷积核与所述第三池化输出进行卷积运算,设定滑移步长为1,填充值为1,则获得维数为1×16×64的第三卷积输出,并使用ReLU函数激活;
第四池化层,对所述第四卷积输出进行1×2最大值池化,输出维数为1×8×64的第四池化输出。
根据本发明的一些实施例,所述机械故障类型包括滚轮磨损、梯级链松动、减速箱齿轮磨损、断齿或点蚀中的至少一种。
第二方面,根据本发明实施例的自动扶梯机械故障诊断***,包括加速度传感器、处理器和显示器,一个或多个所述加速度传感器安装在扶梯的待检测位置,用于采集自动扶梯运行时的检测信息;所述处理器用于执行上述的自动扶梯机械故障诊断方法,所述显示器用于输出所述处理器的诊断结果。
根据本发明实施例的一个或多个技术方案,至少具有如下有益效果:
本发明将来自加速度传感器的检测信号进行LCD分解,避免了EMD分解和LMD分解过程中计算次数多、残差大、频率混叠和端点效应等缺点,有利于提高扶梯机械故障诊断的效率,使用深度卷积神经网络,可以突破浅层神经网络的结构局限,处理比浅层神经网络更为复杂的数据,可以自适应提取人工无法提取的有效特征,提高故障判断的准确性。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例的自动扶梯机械故障诊断方法的流程图;
图2为本发明实施例的LCD分解的极值点示意图;
图3为本发明实施例的深度卷积神经网络的示意图;
图4为图3示出的深度卷积神经网络的输入层、卷积层和池化层的示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
在本发明的描述中,对方法步骤的连续标号是为了方便审查和理解,结合本发明的整体技术方案以及各个步骤之间的逻辑关系,调整步骤之间的实施顺序并不会影响本发明技术方案所达到的技术效果。
请参照图1,本实施例公开了一种自动扶梯机械故障诊断方法,应用于具有主控制器和多个加速度传感器的扶梯机械故障诊断***,加速度传感器安装在自动扶梯的待检测位置,包括以下步骤:
S100、初始化,将多个加速度传感器分别与待检测位置相互关联;
例如,加速度传感器安装在主机、减速器、梯级、扶梯出入口和扶手带等关键部位,将每个加速度传感器与安装位置相互关联。
S200、数据获取,获取来自加速度传感器的时域信号,并从时域信号中提取时域特征,其中,时域特征包括加速度幅值、有效值和标准差,提取的时域特征可以作为提示信息进行显示,以便于辅助用户诊断分析;
S300、数据处理,对时域信号进行LCD分解(Local characteristic scaledecomposition,局部特征尺度分解)以获得若干个峭度最大的ISC分量(Intrinsic scalecomponent,内禀尺度分量),并将若干个ISC分量进行排序后获得数据集;
LCD分解是假设任意一个复杂信号均由不同的ISC分量组成,任意两个ISC分量之间相互独立,这样任意一个信号均可以被分解为有限个ISC分量之和,对时域信号进行LCD分解,避免了EMD分解和LMD分解过程中计算次数多、残差大、频率混叠和端点效应等缺点,有利于提高计算速度,从而提高扶梯机械故障诊断的效率。
S400、训练深度卷积神经网络,将数据集按比例分为训练集和测试集,将训练集输入到预设的深度卷积神经网络中进行调参训练,将测试集输入到完成调参训练的深度卷积神经网络中进行有效性验证;
使用深度卷积神经网络,可以突破浅层神经网络的结构局限,处理比浅层神经网络更为复杂的数据,可以自适应提取人工无法提取的有效特征,在训练深度卷积神经网络后通过测试集进行有效性验证,有利于确保深度卷积神经网络有效可行,从而提高故障判断的准确性。
S500、故障诊断,完成训练后的深度卷积神经网络对来自每个待检测的加速度传感器的检测信号进行运算,输出对应的机械故障类型。
例如,加速度传感器安装在自动扶梯的减速器上,深度卷积神经网络对来自加速度传感器的检测信号进行运算,深度卷积神经网络根据运算结果输出对应的机械故障类型,如滚轮磨损、梯级链松动、减速箱齿轮磨损、断齿或点蚀,本实施例通过深度卷积神经网络对自动扶梯的机械故障进行判断,有利于提高自动扶梯机械故障诊断的自动化程度和效率,降低检测检测的难度,无需人工对自动扶梯进行开壳检测,有利于克服人工检测主观因素大、难以发现隐患的缺点,以及有利于降低检测成本。
上述步骤中,数据处理具体包括以下步骤:
将时域信号均分为若干个片段,每个片段包括m个数据点;
将每个片段的时域信号进行LCD分解,以获得若干个ISC分量;
求取峭度最大的n个ISC分量,并经过排序后构成数据集,数据集的维数为m×n,其中,m>0,n≥1。
在上述步骤中LCD分解,具体包括以下步骤:
S310、将时域信号赋值给初始序列y(t),并将赋值后的序列y(t)赋值给剩余信号序列r(t),即y(t)=时域信号,r(t)=y(t);
S320、确定序列y(t)的所有极值点(tk,yk),k为正整数,请参照图2,选取三个相邻的极值点(tk-1,yk-1)、(tk,yk)和(tk+1,yk+1),确定首尾两个极值点所在的直线函数Ak(t),并计算直线函数Ak(t)与极值点(tk,yk)对应的函数值Ak,
其中,
S330、计算函数值Ak和函数值yk共同对应的均值点SLk=αAk+(1-α)yk,其中α为常数,且α∈(0,1),并将所有的均值点SLk组成序列SL(t),序列SL(t)可以拟合成样条曲线,该样条曲线即为LCD分解的基线。
S340、计算信号差值序列y1(t)=y(t)-SL(t);
S350、当信号差值序列y1(t)满足ISC分量条件时,ISC分量序列ISCi(t)=y1(t),i为正整数,则更新后的剩余信号序列r1(t)=r(t)-ISCi(t);
S360、当剩余信号序列r1(t)为单调函数时,LCD分解结束,并输出ISC分量序列ISCi(t),否则,将剩余信号序列r1(t)幅值给序列y(t),即y(t)=r1(t),并重复步骤S320至S360,最终将时域信号分解为若干个ISC分量,即ISC1、ISC2...、ISCi。
在上述步骤S340具体包括以下步骤:
S341、计算信号差值序列y1(t)=y(t)-SL(t);
S342、当序列y(t)的局部极大值均为正且局部极小值为负,请参照图2,例如三个相邻的极值点(tk-1,yk-1)、(tk,yk)和(tk+1,yk+1),假设极值点(tk-1,yk-1)和(tk+1,yk+1)均为极大值点,而极值点(tk,yk)为极小值点,则需要满足条件极值yk-1和yk+1均为正值,极值yk为负值,以及对于任意极值点,时,则执行步骤S343;
S343、确定序列y1(t)的所有极值点(t1k,y1k),k为正整数,选取三个相邻的极值点(t1k-1,y1k-1)、(t1k,y1k)和(t1k+1,y1k+1),确定首尾两个极值点所在的直线函数A1k(t),并计算直线函数A1k(t)与极值点(t1k,y1k)对应的函数值A1k,
其中,
S344、当序列y1(t)的局部极大值均为正且局部极小值为负,以及对于任意极值点,时,则信号差值序列y1(t)满足ISC分量条件。
请参照图3,深度卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层,其中,卷积层和池化层分别对输入层进行多次卷积运算和最大值池化运算,输出层通过softmax函数产生多种自动扶梯的机械故障类型,softmax函数为归一化指数函数,能将一个含任意实数的K维向量z“压缩”到另一个K维实向量σ(z)中,使得每一个元素的范围都在(0,1)之间,并且所有元素的和为1。
请参照图4,数据集按照8:2的比例分为训练集和测试集,其中训练集作为深度卷积神经网络的输入层410的输入参数,训练集具有1×2048×6个ISC分量。
卷积层和池化层的数量均为4层,卷积层包括第一至第四卷积层,池化层包括第一至第四池化层,其中,
第一卷积层421,选择16个维数为1×63×6的卷积核与输入层进行卷积运算,设定滑移步长为2,填充值为31,则获得维数为1×1024×16的第一卷积输出,并使用ReLU函数激活,ReLU(Rectified Linear Unit,线性整流函数)函数,又称为修正线性单元,是一种人工神经网络中常用的激活函数(activation function),
其中卷积运算的表达式为:
式中,k表示第k层卷积层,运算符/>表示对各层输入特征图/>与权重矩阵/>做卷积运算,对应得出第m个输出特征图/>其中/>是偏置项,c为层数,c=1,2,…,C。运算后的/>通过公式f(x)=max{0,x}作非线性激活,即取0或x中的最大值,x为输入参数。
第一池化层422,对第一卷积输出进行1×2最大值池化,输出维数为1×512×16的第一池化输出;
第二卷积层423,选择32个维数为1×3×16的卷积核与第一池化输出进行卷积运算,设定滑移步长为1,填充值为1,则获得维数为1×256×32的第二卷积输出,并使用ReLU函数激活;
第二池化层424,对第二卷积输出进行1×2最大值池化,输出维数为1×128×32的第二池化输出;
第三卷积层425,选择32个维数为1×3×32的卷积核与第二池化输出进行卷积运算,设定滑移步长为1,填充值为1,则获得维数为1×64×32的第三卷积输出,并使用ReLU函数激活;
第三池化层426,对第三卷积输出进行1×2最大值池化,输出维数为1×32×32的第三池化输出;
第四卷积层427,选择64个维数为1×3×32的卷积核与第三池化输出进行卷积运算,设定滑移步长为1,填充值为1,则获得维数为1×16×64的第三卷积输出,并使用ReLU函数激活;
第四池化层428,对第四卷积输出进行1×2最大值池化,输出维数为1×8×64的第四池化输出;
请参照图3,全连接层,接收维数为1×8×64=512的第四池化输出,输出维数为300的向量,并使用ReLU函数激活;
输出层,接收来自全连接层的向量,通过softmax函数产生5中自动扶梯的机械故障类型,机械故障类型包括滚轮磨损、梯级链松动、减速箱齿轮磨损、断齿或点蚀中的至少一种,其中,输出层的激活函数为x为输入参数。
本发明实施例还公开一种自动扶梯机械故障诊断***,包括加速度传感器、处理器和显示器,一个或多个加速度传感器安装在扶梯的待检测位置,用于采集自动扶梯运行时的检测信息;处理器用于执行上述的自动扶梯机械故障诊断方法,显示器用于输出处理器的诊断结果。
本发明实施例将来自加速度传感器的检测信号进行LCD分解,避免了EMD分解和LMD分解过程中计算次数多、残差大、频率混叠和端点效应等缺点,有利于提高扶梯机械故障诊断的效率,使用深度卷积神经网络,可以突破浅层神经网络的结构局限,处理比浅层神经网络更为复杂的数据,可以自适应提取人工无法提取的有效特征,提高故障判断的准确性。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (7)
1.一种自动扶梯机械故障诊断方法,其特征在于,包括以下步骤:
初始化,将多个所述加速度传感器分别与待检测位置相互关联;
数据获取,获取来自所述加速度传感器的时域信号,并从所述时域信号中提取时域特征;
数据处理,对所述时域信号进行LCD分解以获得若干个峭度最大的ISC分量,并将若干个所述ISC分量进行排序后获得数据集;
训练深度卷积神经网络,将所述数据集按比例分为训练集和测试集,将所述训练集输入到预设的深度卷积神经网络中进行调参训练,将所述测试集输入到完成调参训练的深度卷积神经网络中进行有效性验证;
故障诊断,完成训练后的深度卷积神经网络对来自每个待检测的加速度传感器的检测信号进行运算,输出对应的机械故障类型;
所述LCD分解,具体包括以下步骤:
S310、将所述时域信号赋值给初始序列y(t),并将赋值后的序列y(t)赋值给剩余信号序列r(t);
S320、确定序列y(t)的所有极值点(tk,yk),k为正整数,选取三个相邻的极值点(tk-1,yk-1)、(tk,yk)和(tk+1,yk+1),确定首尾两个极值点所在的直线函数Ak(t),并计算直线函数Ak(t)与极值点(tk,yk)对应的函数值Ak;
S330、计算函数值Ak和函数值yk共同对应的均值点SLk=αAk+(1-α)yk,其中α为常数,且α∈(0,1),并将所有的均值点SLk组成序列SL(t);
S340、计算信号差值序列y1(t)=y(t)-SL(t);
S350、当所述信号差值序列y1(t)满足ISC分量条件时,ISC分量序列ISCi(t)=y1(t),i为正整数,则更新后的剩余信号序列r1(t)=r(t)-ISCi(t);
S360、当所述剩余信号序列r1(t)为单调函数时,LCD分解结束,并输出ISC分量序列ISCi(t),否则,将所述剩余信号序列r1(t)幅值给序列y(t),并重复步骤S320至S360。
2.根据权利要求1所述的自动扶梯机械故障诊断方法,其特征在于:所述数据处理具体包括以下步骤:
将所述时域信号均分为若干个片段,每个片段包括m个数据点;
将每个片段的所述时域信号进行LCD分解,以获得若干个ISC分量;
求取峭度最大的n个ISC分量,并经过排序后构成所述数据集,所述数据集的维数为m×n,其中,m>0,n≥1。
3.根据权利要求1所述的自动扶梯机械故障诊断方法,其特征在于:步骤S340具体包括以下步骤:
S341、计算信号差值序列y1(t)=y(t)-SL(t);
S342、当序列y(t)的局部极大值均为正且局部极小值为负,以及对于任意极值点,时,则执行步骤S343;
S343、确定序列y1(t)的所有极值点(t1k,y1k),k为正整数,选取三个相邻的极值点(t1k-1,y1k-1)、(t1k,y1k)和(t1k+1,y1k+1),确定首尾两个极值点所在的直线函数A1k(t),并计算直线函数A1k(t)与极值点(t1k,y1k)对应的函数值A1k;
S344、当序列y1(t)的局部极大值均为正且局部极小值为负,以及对于任意极值点,时,则所述信号差值序列y1(t)满足ISC分量条件。
4.根据权利要求1所述的自动扶梯机械故障诊断方法,其特征在于:所述深度卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层,其中,所述卷积层和所述池化层分别对所述输入层进行多次卷积运算和最大值池化运算,所述输出层通过softmax函数产生多种自动扶梯的机械故障类型。
5.根据权利要求4所述的自动扶梯机械故障诊断方法,其特征在于:所述卷积层和所述池化层的数量均为4层,所述卷积层包括第一至第四卷积层,所述池化层包括第一至第四池化层,其中,
第一卷积层,选择16个维数为1×63×6的卷积核与所述输入层进行卷积运算,设定滑移步长为2,填充值为31,则获得维数为1×1024×16的第一卷积输出,并使用ReLU函数激活;
第一池化层,对所述第一卷积输出进行1×2最大值池化,输出维数为1×512×16的第一池化输出;
第二卷积层,选择32个维数为1×3×16的卷积核与所述第一池化输出进行卷积运算,设定滑移步长为1,填充值为1,则获得维数为1×256×32的第二卷积输出,并使用ReLU函数激活;
第二池化层,对所述第二卷积输出进行1×2最大值池化,输出维数为1×128×32的第二池化输出;
第三卷积层,选择32个维数为1×3×32的卷积核与所述第二池化输出进行卷积运算,设定滑移步长为1,填充值为1,则获得维数为1×64×32的第三卷积输出,并使用ReLU函数激活;
第三池化层,对所述第三卷积输出进行1×2最大值池化,输出维数为1×32×32的第三池化输出;
第四卷积层,选择64个维数为1×3×32的卷积核与所述第三池化输出进行卷积运算,设定滑移步长为1,填充值为1,则获得维数为1×16×64的第四卷积输出,并使用ReLU函数激活;
第四池化层,对第四卷积输出进行1×2最大值池化,输出维数为1×8×64的第四池化输出。
6.根据权利要求1或4所述的自动扶梯机械故障诊断方法,其特征在于:所述机械故障类型包括滚轮磨损、梯级链松动、减速箱齿轮磨损、断齿或点蚀中的至少一种。
7.一种自动扶梯机械故障诊断***,其特征在于,包括加速度传感器、处理器和显示器,一个或多个所述加速度传感器安装在扶梯的待检测位置,用于采集自动扶梯运行时的检测信息;所述处理器用于执行权利要求1至6任意一项所述的自动扶梯机械故障诊断方法,所述显示器用于输出所述处理器的诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010581866.1A CN111860184B (zh) | 2020-06-23 | 2020-06-23 | 一种自动扶梯机械故障诊断方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010581866.1A CN111860184B (zh) | 2020-06-23 | 2020-06-23 | 一种自动扶梯机械故障诊断方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111860184A CN111860184A (zh) | 2020-10-30 |
CN111860184B true CN111860184B (zh) | 2024-04-16 |
Family
ID=72988406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010581866.1A Active CN111860184B (zh) | 2020-06-23 | 2020-06-23 | 一种自动扶梯机械故障诊断方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860184B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112881054B (zh) * | 2021-01-22 | 2023-04-14 | 广东省特种设备检测研究院珠海检测院 | 起重机械故障诊断方法和*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016155564A1 (zh) * | 2015-04-02 | 2016-10-06 | 腾讯科技(深圳)有限公司 | 卷积神经网络模型的训练方法及装置 |
CN108830127A (zh) * | 2018-03-22 | 2018-11-16 | 南京航空航天大学 | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 |
CN109163913A (zh) * | 2018-09-30 | 2019-01-08 | 深圳市元征科技股份有限公司 | 一种汽车故障诊断方法及相关设备 |
WO2019214268A1 (zh) * | 2018-05-09 | 2019-11-14 | 北京理工大学 | 一种基于复合信息的光伏阵列故障诊断方法 |
-
2020
- 2020-06-23 CN CN202010581866.1A patent/CN111860184B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016155564A1 (zh) * | 2015-04-02 | 2016-10-06 | 腾讯科技(深圳)有限公司 | 卷积神经网络模型的训练方法及装置 |
CN108830127A (zh) * | 2018-03-22 | 2018-11-16 | 南京航空航天大学 | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 |
WO2019214268A1 (zh) * | 2018-05-09 | 2019-11-14 | 北京理工大学 | 一种基于复合信息的光伏阵列故障诊断方法 |
CN109163913A (zh) * | 2018-09-30 | 2019-01-08 | 深圳市元征科技股份有限公司 | 一种汽车故障诊断方法及相关设备 |
Non-Patent Citations (2)
Title |
---|
基于LCD降噪与LS-SVM的滚动轴承故障诊断方法;边兵兵;;组合机床与自动化加工技术(02);全文 * |
深度卷积神经网络在轴承多故障复合诊断中应用研究;李泽东;李志农;王成军;;南昌航空大学学报(自然科学版)(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111860184A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bafroui et al. | Application of wavelet energy and Shannon entropy for feature extraction in gearbox fault detection under varying speed conditions | |
CN109492808B (zh) | 一种室内停车场剩余车位预测方法 | |
Soualhi et al. | Prognosis of bearing failures using hidden Markov models and the adaptive neuro-fuzzy inference system | |
JP4422412B2 (ja) | 流れ診断システム | |
JP5116675B2 (ja) | 診断を備えるプロセス変数トランスミッタ | |
CN109884892B (zh) | 基于交叉相关时滞灰色关联分析的流程工业***预测模型 | |
CN111751117A (zh) | 一种特种车辆健康状态评估方法及装置 | |
ITTO20070303A1 (it) | Procedimento e dispositivo di diagnostica di un meccanismo. | |
CN110779724B (zh) | 一种基于频域组稀疏降噪的轴承故障诊断方法 | |
CN112955839A (zh) | 异常检测装置、异常检测方法和程序 | |
CN112881054B (zh) | 起重机械故障诊断方法和*** | |
CN111860184B (zh) | 一种自动扶梯机械故障诊断方法和*** | |
CN109406147B (zh) | 一种变速工况下的列车轴承轨边声学诊断方法 | |
US20190332936A1 (en) | Additional learning method for deterioration diagnosis system | |
CN114234361A (zh) | 一种基于双重降噪和模糊指标的中央空调传感器故障检测方法 | |
CN109446669B (zh) | 一种矿浆浓度的软测量方法 | |
Zhao et al. | Rolling bearing composite fault diagnosis method based on EEMD fusion feature | |
CN110618353A (zh) | 一种基于小波变换+cnn的直流电弧故障检测方法 | |
WO2014132470A1 (ja) | 視野検査支援装置 | |
CN114034481A (zh) | 一种轧机齿轮箱故障诊断***及方法 | |
CN114738205A (zh) | 一种浮式风机基础的状态监测方法、装置、设备和介质 | |
CN117634938A (zh) | 一种无缝钢管的生产质量检测方法及*** | |
Dandurand et al. | Automatic detection and quantification of growth spurts | |
CN110287594B (zh) | 一种基于神经网络算法的航空发动机状态诊断方法 | |
Chang et al. | Real-time detection of wave profile changes |
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 |