CN112561280A - 基于自学习收敛故障知识库的设备故障预测方法及其应用 - Google Patents

Abstract

本发明公开了一种基于自学习收敛故障知识库的设备故障预测方法及其应用，实现对设备零部件的健康评价，并预测故障。通过记录机电设备的零部件的振动、位移、噪声、温度和电流等多维度状态信息，提取其不同健康状态(正常、轻微故障、严重故障等)的时域与频域特征，建立故障模型库。基于GA‑BP神经网络训练机电设备故障样本集，得到关键零部件的状态信息与零部件的健康状态映射关系，从而实现故障预测、健康管理的功能。

Description

基于自学习收敛故障知识库的设备故障预测方法及其应用

技术领域

本发明属于设备故障预测领域，具体涉及一种基于自学习收敛故障知识库的设备故障预测方法及其应用。

背景技术

轨道交通领域机电设备故障种类多、易扩大、难防控，保证其安全运行至关重要。作为运载及疏散乘客的关键设备，其事故后果恶劣，急需进行故障预测与健康管理，推进预防性报警技术。例如：自动扶梯用在建筑物的不同层高间向上或向下输送乘客的设备，广泛用于车站、商场、机场等人流集中的地方。自动扶梯的工作原理是一条链条式的循环传送带，属于强制式的驱动，所以一旦出现卡阻可能造成设备的损坏，而且其运动部件裸露在外，与人直接接触，存在巨大的安全隐患。其工作的主要特点是：敞开式，所以间隙处异物的卷入是造成人身伤害和设备损坏的主要危险。

故障预测方法可以分为三类：基于故障机理(Physics-of-Failure,PoF)的方法，数据驱动(Data-Driven,DD)方法和混合方法(Hybrid Method,HM)。

机电设备故障预测就是利用扶梯历史故障记录与电梯设备参数信息，可以提前安排检修与维护，排除电梯的安全隐患。电梯历史故障记录属于事件型数据，此类数据与状态型数据有着很大的不同，事件型数据中包含的数据量、数据种类和信息量都远远小于状态型数据，加大了寿命预测的难度。然而，现有的混合方法中使用的故障特征提取算法多为针对状态型数据而设计的，无法有效地从事件型数据提取寿命退化特征，同时，这些方法也无法将设备参数数据应用到寿命预测模型中，因而，现有的混合方法并不适用于电梯的剩余寿命预测。

针对机电设备故障检测所存在的问题，存在现有技术利用智能诊断技术和智能信息化技术提出地铁机电设备故障监测与智能诊断***的思路，但是主要是针对单个机电设备故障子单元且还没有具体方案。存在现有技术利用一种长短时记忆自动编码器和多层感知机相结合的网络模型实现对电梯故障的早期预测，仿真的平均准确率在0.8左右，但是，无法确定具体的故障和发生原因。存在现有技术提出利用PHM技术检测大型数控设备，但是，现场获得信号容易受到外界环境的冲击，不容易提取特征值，目前还在研发阶段。存在现有技术提出一种基于云平台的机电设备在线检测预警***，通过对线网内关键零部件实行在线监控，并基于线网中海量的运维数据，研究机电设备和关键零部件的服役能力，但是主要是对单个状态进行监控，不能提供准确的故障判断依据。

发明内容

针对现有技术以上缺陷或改进需求中的至少一种，本发明提供了一种基于自学习收敛故障知识库的设备故障预测方法，实现对设备零部件的健康评价，并预测故障。通过记录机电设备的零部件的振动、位移、噪声、温度和电流等多维度状态信息，提取其不同健康状态(正常、轻微故障、严重故障等)的时域与频域特征，建立故障模型库。基于GA-BP神经网络训练机电设备故障样本集，得到关键零部件的状态信息与零部件的健康状态映射关系，从而实现故障预测、健康管理的功能。

为实现上述目的，按照本发明的一个方面，提供了一种基于自学习收敛故障知识库的设备故障预测方法，其特征在于：

通过监控机电设备关键零部件的多维状态信息，通过对TB级样本监控数据离线分析，基于机理判断下，进行动态阈值判断，判断是否为异常信号；

若存在异常信号，则启动监控设备，回溯数个周期，判断其是否具有周期性；

若无周期性，则结束；

若存在周期性，判断为故障信号；

将故障信号与故障模型库进行对比；

若为已知模型，则进行离线收敛分析，与故障知识库进行对比，提出故障建议；

若故障模型库中无相关模型，则对未知模型进行模型编码，经过人工复核，确定是否为已有故障；

若故障已存在，则对故障信息进行修正融合；

若为新故障，则建立新故障的故障信息，在对新的故障信息进行离线收敛分析；

当准确率大于或等于阈值时，则将故障存入故障知识库；当准确率小于阈值时，则退回故障模型库等待训练。

在其中一个优选实施方式中，所述多维状态信息包括振动、位移、温度、噪声和电流的信息。

在其中一个优选实施方式中，基于神经网络并用遗传算法优化算法进行所述离线收敛分析。

在其中一个优选实施方式中，遗传算法优化神经网络的方法为，基于TB级离线样本数据，分析并提取关键零部件的产生故障时的特征，利用主观权重、客观权重组合，进行故障模型库到故障知识库的收敛分析，经多次自学习训练后，记录在故障知识库中。

在其中一个优选实施方式中，遗传算法优化神经网络训练的权值和阈值的过程包括：

(1)编码，生成初始种群：

当神经网络规模大于规模预设值，用实数编码，即将一个实数直接作为一个染色体的一个基因位；编码串包括四部分：隐含层与输入层连接权值、输出层与隐含层连接权值、隐含层阈值、输出层阈值；将网络的权值和阈值按预定的顺序级联起来，形成一个实数数组，作为遗传算法的一个染色体；遗传操作在这样的染色体群中进行；

(2)评价函数：

遗传算法在进化搜索以适应度数为依据，利用种群中每个染色体的适应度值搜索；神经网络的评估标准就是MSE越小越好；

(3)执行遗传操作：

选择操作采用排序选择方法；根据每个个体适应度值的大小，由小到大排列，然后根据每个个体的相对适应度值的大小，按照适应度比例选择法计算个体的选择概率；交叉操作采用单点交叉，变异操作采用均匀变异；然后计算当前群体中每个染色体的适应度值，找出当前最优适应度值的个体，反复迭代，直到满足条件为止；若达不到条件，则以指定的最大遗传代数为终止计算准则；

(4)获得神经网络的初始权值和阈值：

经过遗传运算，得到神经网络误差最小的一组完整初始权值和阈值；

(5)执行神经网络过程。

在其中一个优选实施方式中，所述故障知识库的建立过程包括：

首先对于多维传感器信号进行数据提取TB级离线数据，然后针对不同零部件的不同的特征信号作特征提取，通过经验和人工验证，确定报警阈值及其相应的偏差预警；在基于模型、基于信号、基于知识与经验和基于大数据的统计方法分析，利用神经网络构建特征信号与零部件健康度的映射关系，对零部件的健康度给出预兆评估，并提出建议；整个设备故障预测方法的模型及其数据库离线存储于故障知识库中，通过显示设备进行信息显示。

在其中一个优选实施方式中，提取的特征包括幅值、特征频率、多尺度排列熵。

为实现上述目的，按照本发明的另一个方面，还提供了一种所述的基于自学习收敛故障知识库的设备故障预测方法在自动扶梯故障预测上的应用，其特征在于：将所述的基于自学习收敛故障知识库的设备故障预测方法用于对自动扶梯进行故障预测。

在其中一个优选实施方式中，自动扶梯的关键零部件包括驱动主机、主驱动轮、梯级链张紧轮、制动器、梯级、扶手带、电机、减速器；

监控的内容包括：

驱动主机的振动与位移；

主驱动轮的振动、位移、噪音；

梯级链张紧轮的振动、温度、噪音；

制动器的位移；

梯级的振动、位移；

扶手带的噪音、温度；

电机的振动、噪音、电流、温度；

减速器的振动、噪音、电流。

在其中一个优选实施方式中，已存在的故障包括：

驱动主机的固定螺栓松动；

主驱动轮的轴承故障；

梯级链张紧轮的轴承故障；

制动器制动距离故障、溜梯距离故障；

梯级的梯级故障；

扶手带的扶手带温度故障；

电机的转子故障、轴承故障、电机功耗故障；

减速器的齿轮故障、轴承故障。

上述优选技术特征只要彼此之间未构成冲突就可以相互组合。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：

1、本发明的基于自学习收敛故障知识库的设备故障预测方法及其应用，实现对设备零部件的健康评价，并预测故障。通过记录机电设备的零部件的振动、位移、噪声、温度和电流等多维度状态信息，提取其不同健康状态(正常、轻微故障、严重故障等)的时域与频域特征，建立故障模型库。基于GA-BP神经网络训练机电设备故障样本集，得到关键零部件的状态信息与零部件的健康状态映射关系，从而实现故障预测、健康管理的功能。

2、本发明的基于自学习收敛故障知识库的设备故障预测方法及其应用，通过GA-BP神经网络训练故障知识库，同时通过振动、噪音、温度、状态的多维度监测参数为输入，进行数据模型的临近分析和对比，得出机电设备多源数据分析后的健康评价。

3、本发明的基于自学习收敛故障知识库的设备故障预测方法及其应用，TB级样本的故障知识库的建立方法中：通过机理和前文已安装监测***采集的TB级样本监测数据，确定多维度监测动态阈值。对比发现异常后，仅提取异常周期范围有效数据实时分析，避免数据处理超过TB级，影响实时预警速度。再通过周期性异常的趋势判断，形成故障模型库。通过深度学习+人工复测修正，不断扩充故障模型库。利用反复训练，预警可靠度达99.7％时，存储为故障知识库，为故障预测提供对比模型。

4、本发明的基于自学习收敛故障知识库的设备故障预测方法及其应用，GA-BP神经网络优化算法中：基于TB级离线样本数据，分析并提取关键零部件的产生故障时的特征，利用主观权重、客观权重组合技术，进行故障模型库到故障知识库的收敛分析，经多次自学习训练后，记录在知识库中。

附图说明

图1是本发明实施例的基于自学习收敛故障知识库的设备故障预测方法的流程示意图；

图2是本发明实施例的基于自学习收敛故障知识库的设备故障预测方法的GA-BP神经网络图；

图3是本发明实施例的基于自学习收敛故障知识库的设备故障预测方法的故障知识库的建立过程示意图；

图4是本发明实施例的基于自学习收敛故障知识库的设备故障预测方法在自动扶梯故障预测上的应用时关键零部件及其特征提取流程的示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。下面结合具体实施方式对本发明进一步详细说明。

作为本发明的一种较佳实施方式，本发明的整体方案是：一种基于自学习收敛故障知识库的设备故障预测方法，提出了一种基于自学习收敛故障知识库的机电设备故障预测方法及其模型，实现对设备零部件的健康评价，并预测故障。通过记录机电设备的零部件的振动、位移、噪声、温度和电流等多维度状态信息，提取其不同健康状态(正常、轻微故障、严重故障等)的时域与频域特征，建立故障模型库。基于GA-BP神经网络训练机电设备故障样本集，得到关键零部件的状态信息与零部件的健康状态映射关系，从而实现故障预测、健康管理的功能。

如图1所示，通过监控机电设备关键零部件的多维状态信息(如振动、位移、温度、噪声和电流等)，通过对TB级样本监控数据离线分析，基于机理判断下，进行动态阈值判断，判断是否为异常信号。若存在异常信号，则启动监控设备，回溯数个周期，判断其是否具有周期性。若无周期性，则可能为噪点，不予理睬。若存在周期性，判断为故障信号。将故障信号与故障模型库进行对比，若为已知模型，则进行离线收敛分析，与故障知识库进行对比，提出相关的故障建议。若故障模型库中无相关模型，则对未知模型进行模型编码，经过人工复核，确定是否为已有故障。若故障已存在，则对故障信息进行修正融合，若为新故障，则建立新故障的故障信息，在对新的故障信息进行离线收敛分析，当准确率大于99.7％时，则将故障存入故障知识库。

本发明基于BP神经网络并用遗传算法优化算法进行离线收敛分析，传统的BP神经网络是一个三层网络：输入层、隐含层、输出层。BP神经网络建模过程中，为保证逼近样本性质，必须适当地选择隐含层神经元数，降低网络误差，提高精度，但隐含层神经元数的最佳数量没有定论。网络的初始权值和阈值是随机产生的，选择缺乏依据，而BP神经网络连接权值和阈值的整体分布决定着数据拟合的效果。传统的权值和阈值获取方法都是随机给定一组初始权值，然后是采用BP算法，在训练中逐步调整，最终得到一个较好权值分布；BP算法是基于梯度下降方法，存在局部最优问题。因此，不同的初始权值可能会导致网络不收敛或陷入局部极值点。

遗传算法优化BP神经网络训练的权值和阈值的过程如图2所示：

(1)编码，生成初始种群。当神经网络规模较大，可用实数编码，即将一个实数直接作为一个染色体的一个基因位，使染色体的长度大大缩短，免去了编码解码的繁琐，使得遗传操作简化。编码串由四部分组成：隐含层与输入层连接权值、输出层与隐含层连接权值、隐含层阈值、输出层阈值。具体方法为：将网络的权值和阈值按一定的顺序级联起来，形成一个实数数组，作为遗传算法的一个染色体。遗传操作在这样的染色体群中进行。

(2)评价函数。遗传算法在进化搜索以适应度数为依据，利用种群中每个染色体的适应度值搜索。适应度较高的个体遗传到下一代的概率就较大，而适应度较低的个体遗传到下一代的概率就相对小一些。BP神经网络的评估标准就是MSE越小越好。

(3)执行遗传操作。选择操作采用排序选择方法。根据每个个体适应度值的大小，由小到大排列，然后根据每个个体的相对适应度值的大小，按照适应度比例选择(轮盘赌)法计算个体的选择概率。交叉操作采用单点交叉，变异操作采用均匀变异。然后计算当前群体中每个染色体的适应度值，找出当前最优适应度值的个体，反复迭代，直到满足条件为止。若达不到条件，则以指定的最大遗传代数为终止计算准则。

(4)获得BP神经网络的初始权值和阈值。经过遗传运算，就得到了BP神经网络误差最小的一组完整初始权值和阈值。

(5)执行BP神经网络过程。

如图3所示，介绍了故障知识库的建立过程。首先对于多维传感器信号进行数据提取TB级离线数据，然后针对不同零部件的不同的特征信号作特征提取(幅值、特征频率、多尺度排列熵等)，通过经验和人工验证，确定报警阈值及其相应的偏差预警。在基于模型、基于信号、基于知识与经验和基于大数据的统计方法分析，利用BP神经网络构建特征信号与零部件健康度的映射关系，对零部件的健康度给出预兆评估，并提出建议。整个算法模型及其数据库离线存储于故障知识库中，通过PC或其他上位机显示。

如图4所示，介绍了将基于自学习收敛故障知识库的设备故障预测方法应用在自动扶梯故障预测上时，关键零部件及其特征提取流程，其中：

自动扶梯的关键零部件包括驱动主机、主驱动轮、梯级链张紧轮、制动器、梯级、扶手带、电机、减速器；

监控的内容包括：

驱动主机的振动与位移；

主驱动轮的振动、位移、噪音；

梯级链张紧轮的振动、温度、噪音；

制动器的位移；

梯级的振动、位移；

扶手带的噪音、温度；

电机的振动、噪音、电流、温度；

减速器的振动、噪音、电流。

在其中一个优选实施方式中，已存在的故障包括：

驱动主机的固定螺栓松动；

主驱动轮的轴承故障；

梯级链张紧轮的轴承故障；

制动器制动距离故障、溜梯距离故障；

梯级的梯级故障；

扶手带的扶手带温度故障；

电机的转子故障、轴承故障、电机功耗故障；

减速器的齿轮故障、轴承故障。

综上所述，与现有技术相比，本发明的方案具有如下显著优势：

1、本发明的基于自学习收敛故障知识库的设备故障预测方法及其应用，实现对设备零部件的健康评价，并预测故障。通过记录机电设备的零部件的振动、位移、噪声、温度和电流等多维度状态信息，提取其不同健康状态(正常、轻微故障、严重故障等)的时域与频域特征，建立故障模型库。基于GA-BP神经网络训练机电设备故障样本集，得到关键零部件的状态信息与零部件的健康状态映射关系，从而实现故障预测、健康管理的功能。

2、本发明的基于自学习收敛故障知识库的设备故障预测方法及其应用，通过GA-BP神经网络训练故障知识库，同时通过振动、噪音、温度、状态的多维度监测参数为输入，进行数据模型的临近分析和对比，得出机电设备多源数据分析后的健康评价。

3、本发明的基于自学习收敛故障知识库的设备故障预测方法及其应用，TB级样本的故障知识库的建立方法中：通过机理和前文已安装监测***采集的TB级样本监测数据，确定多维度监测动态阈值。对比发现异常后，仅提取异常周期范围有效数据实时分析，避免数据处理超过TB级，影响实时预警速度。再通过周期性异常的趋势判断，形成故障模型库。通过深度学习+人工复测修正，不断扩充故障模型库。利用反复训练，预警可靠度达99.7％时，存储为故障知识库，为故障预测提供对比模型。

4、本发明的基于自学习收敛故障知识库的设备故障预测方法及其应用，GA-BP神经网络优化算法中：基于TB级离线样本数据，分析并提取关键零部件的产生故障时的特征，利用主观权重、客观权重组合技术，进行故障模型库到故障知识库的收敛分析，经多次自学习训练后，记录在知识库中。

可以理解的是，以上所描述的***的实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，既可以位于一个地方，或者也可以分布到不同网络单元上。可以根据实际需要选择其中的部分或全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

另外，本领域内的技术人员应当理解的是，在本发明实施例的申请文件中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本发明实施例的说明书中，说明了大量具体细节。然而应当理解的是，本发明实施例的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本发明实施例公开并帮助理解各个发明方面中的一个或多个，在上面对本发明实施例的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。

然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明实施例的单独实施例。

最后应说明的是：以上实施例仅用以说明本发明实施例的技术方案，而非对其限制；尽管参照前述实施例对本发明实施例进行了详细的说明，本领域的技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例各实施例技术方案的精神和范围。

Claims (10)

1.基于自学习收敛故障知识库的设备故障预测方法，其特征在于：

通过监控机电设备关键零部件的多维状态信息，通过对TB级样本监控数据离线分析，基于机理判断下，进行动态阈值判断，判断是否为异常信号；

若存在异常信号，则启动监控设备，回溯数个周期，判断其是否具有周期性；

若无周期性，则结束；

若存在周期性，判断为故障信号；

将故障信号与故障模型库进行对比；

若为已知模型，则进行离线收敛分析，与故障知识库进行对比，提出故障建议；

若故障模型库中无相关模型，则对未知模型进行模型编码，经过人工复核，确定是否为已有故障；

若故障已存在，则对故障信息进行修正融合；

若为新故障，则建立新故障的故障信息，在对新的故障信息进行离线收敛分析；

当准确率大于或等于阈值时，则将故障存入故障知识库；当准确率小于阈值时，则退回故障模型库等待训练。

2.如权利要求1所述的基于自学习收敛故障知识库的设备故障预测方法，其特征在于：

所述多维状态信息包括振动、位移、温度、噪声和电流的信息。

3.如权利要求1所述的基于自学习收敛故障知识库的设备故障预测方法，其特征在于：

基于神经网络并用遗传算法优化算法进行所述离线收敛分析。

4.如权利要求3所述的基于自学习收敛故障知识库的设备故障预测方法，其特征在于：

遗传算法优化神经网络的方法为，基于TB级离线样本数据，分析并提取关键零部件的产生故障时的特征，利用主观权重、客观权重组合，进行故障模型库到故障知识库的收敛分析，经多次自学习训练后，记录在故障知识库中。

5.如权利要求4所述的基于自学习收敛故障知识库的设备故障预测方法，其特征在于：

遗传算法优化神经网络训练的权值和阈值的过程包括：

(1)编码，生成初始种群：

当神经网络规模大于规模预设值，用实数编码，即将一个实数直接作为一个染色体的一个基因位；编码串包括四部分：隐含层与输入层连接权值、输出层与隐含层连接权值、隐含层阈值、输出层阈值；将网络的权值和阈值按预定的顺序级联起来，形成一个实数数组，作为遗传算法的一个染色体；遗传操作在这样的染色体群中进行；

(2)评价函数：

遗传算法在进化搜索以适应度数为依据，利用种群中每个染色体的适应度值搜索；神经网络的评估标准就是MSE越小越好；

(3)执行遗传操作：

选择操作采用排序选择方法；根据每个个体适应度值的大小，由小到大排列，然后根据每个个体的相对适应度值的大小，按照适应度比例选择法计算个体的选择概率；交叉操作采用单点交叉，变异操作采用均匀变异；然后计算当前群体中每个染色体的适应度值，找出当前最优适应度值的个体，反复迭代，直到满足条件为止；若达不到条件，则以指定的最大遗传代数为终止计算准则；

(4)获得神经网络的初始权值和阈值：

经过遗传运算，得到神经网络误差最小的一组完整初始权值和阈值；

(5)执行神经网络过程。

6.如权利要求1-5任一项所述的基于自学习收敛故障知识库的设备故障预测方法，其特征在于：

所述故障知识库的建立过程包括：

首先对于多维传感器信号进行数据提取TB级离线数据，然后针对不同零部件的不同的特征信号作特征提取，通过经验和人工验证，确定报警阈值及其相应的偏差预警；在基于模型、基于信号、基于知识与经验和基于大数据的统计方法分析，利用神经网络构建特征信号与零部件健康度的映射关系，对零部件的健康度给出预兆评估，并提出建议；整个设备故障预测方法的模型及其数据库离线存储于故障知识库中，通过显示设备进行信息显示。

7.如权利要求6所述的基于自学习收敛故障知识库的设备故障预测方法，其特征在于：

提取的特征包括幅值、特征频率、多尺度排列熵。

8.如权利要求1-7任一项所述的基于自学习收敛故障知识库的设备故障预测方法在自动扶梯故障预测上的应用，其特征在于：将如权利要求1-7任一项所述的基于自学习收敛故障知识库的设备故障预测方法用于对自动扶梯进行故障预测。

9.如权利要求8所述的自动扶梯故障预测上的应用，其特征在于：

自动扶梯的关键零部件包括驱动主机、主驱动轮、梯级链张紧轮、制动器、梯级、扶手带、电机、减速器；

监控的内容包括：

驱动主机的振动与位移；

主驱动轮的振动、位移、噪音；

梯级链张紧轮的振动、温度、噪音；

制动器的位移；

梯级的振动、位移；

扶手带的噪音、温度；

电机的振动、噪音、电流、温度；

减速器的振动、噪音、电流。

10.如权利要求9所述的自动扶梯故障预测上的应用，其特征在于：

已存在的故障包括：

驱动主机的固定螺栓松动；

主驱动轮的轴承故障；

梯级链张紧轮的轴承故障；

制动器制动距离故障、溜梯距离故障；

梯级的梯级故障；

扶手带的扶手带温度故障；

电机的转子故障、轴承故障、电机功耗故障；

减速器的齿轮故障、轴承故障。

Images