CN108069308A - 一种基于序贯概率的电扶梯故障诊断方法 - Google Patents

一种基于序贯概率的电扶梯故障诊断方法 Download PDF

Info

Publication number
CN108069308A
CN108069308A CN201711263913.2A CN201711263913A CN108069308A CN 108069308 A CN108069308 A CN 108069308A CN 201711263913 A CN201711263913 A CN 201711263913A CN 108069308 A CN108069308 A CN 108069308A
Authority
CN
China
Prior art keywords
signals
node
escalator
fault
monitoring
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.)
Granted
Application number
CN201711263913.2A
Other languages
English (en)
Other versions
CN108069308B (zh
Inventor
张新征
郭乾
刘新东
周曙
张建芬
刘畅
陈哲
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 CN201711263913.2A priority Critical patent/CN108069308B/zh
Publication of CN108069308A publication Critical patent/CN108069308A/zh
Application granted granted Critical
Publication of CN108069308B publication Critical patent/CN108069308B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
    • B66B5/0006—Monitoring devices or performance analysers
    • B66B5/0018—Devices monitoring the operating condition of the elevator system
    • B66B5/0031—Devices monitoring the operating condition of the elevator system for safety reasons
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
    • B66B5/0006—Monitoring devices or performance analysers
    • B66B5/0037—Performance analysers
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于序贯概率的电扶梯故障诊断方法，该方法通过安装在电梯部件垂直和水平方向的加速度传感器采集电梯关键部件的振动信号，对振动信号进行处理，取处理后信号的峭度值作为特征值，即电梯实际运行状态的指标数据，运用序贯概率比算法对指标数据计算取得似然比，与监测节点阈值进行比较，对电梯机械系统进行故障诊断。该方法针对设备不同频率的数据，采用小波包算法，平滑数据，降噪；针对设备不同运行状态，利用序贯比算法计算特征参数，消除设备不同运行状态带来的差异。在检验中无需预设诊断所需的样本数，避免了样本不足或冗余对诊断结果的影响，提高了校验的效率与准确度，保证了设备的安全运行。

Description

一种基于序贯概率的电扶梯故障诊断方法
技术领域
本发明涉及序贯概率比校验算法和设备故障诊断技术领域，具体涉及一种基于序贯概率的电扶梯故障诊断方法。
背景技术
随着科学技术的飞速发展和自动化水平的提高，机械系统的安全性和可靠性问题越来越突出。准确、及时地发现故障，识别故障类型并做出评价愈显重要，电梯作为高层建筑重要的交通工具，在国民经济和人们日常生活中发挥着极其重要的作用。因此研究电梯故障诊断对于人民生命安全具有重大意义。
目前可用于机械状态监测与故障诊断的信号以振动诊断最为广泛，振动信号的分析处理，除了传统的经典的统计分析，时频域分析等，近来又发展了频率细化技术，倒频谱分析等智能化的分析方法。针对机械设备的故障诊断方法主要区别在故障特征分析与故障识别两方面。
在故障特征分析中，从传感器来的原始信号中分析提取代表故障特征的信息，提取故障特征的方法，主要采用时域频域分析法，而这种处理方法是基于被分析系统是线性的，但由于一切运动本质都是非线性的，因此对非线性系统的信号分析是非常有限的，难以解释一个故障现象与多个可能的故障原因之间的关系，非线性的人工神经网络逐渐纳入故障特征的分析之中，能够对非线性的系统进行数据分析，提取指标，但是人工神经系统的使用需要大量的，有代表的样本进行学习，依赖完整的样本值，当样本不足时，则会出现错误。
故障识别方面，多借助专家系统，根据某个领域专家提供的知识和经验进行推理和判断，模拟专家的决策过程，对机械设备发生的故障的种类，原因和部件作出判断或推断，因此，这种故障信息的识别严重的依赖于高效准确的专家系统，完备的知识库，对于复杂的系统，由于专家知识的不全面，工作范围窄，推理能力差等诸多问题，导致判断错误。
发明内容
本发明的目的是为了能够检测设备是否发生故障，及时准确的将故障信息传达，保障人民生命财产安全，本发明提供了一种地铁场站中基于序贯概率(SPRT)的电扶梯故障诊断方法，本发明为了准确计算不同频率的数据，采用了小波包算法，为了适用不同运行状态的设备，利用序贯比检验算法计算特征参数，判断设备的故障状况。
本发明的目的可以通过采取如下技术方案达到：
一种基于序贯概率的电扶梯故障诊断方法，所述的故障诊断方法包括下列步骤：
S1、通过对电扶梯故障分析，确定引起电扶梯故障的主要部件，并对引起电扶梯故障的关键部件标号；
S2、采集各监测节点的振动信号，并对采集到的监测节点的信号采用小波包算法对低频、高频进行处理，平滑采集的监测节点信号，降低噪声，提高信噪比；
S3、将经过预处理的信号，分组并提取每组的峭度值，通过计算得到设备运行状态下的特征指标；
S4、对上述步骤中计算的特征指标数据经过序贯概率比检验算法得到似然比，通过似然比与模型故障阈值进行比较，诊断设备是否出现故障。
进一步地，所述的步骤S1包括：
S101、将电扶梯的基本结构划分为曳引系统、导向系统、门系统、桥厢、重量平衡系统、电力拖动系统、电气控制系统、安全保护系统；
S102、综合相关结构的参数以及国内电梯安全评价与判废标准，确定机械部分的故障大多发生在曳引系统和门系统，筛选出关键部件为电动机、曳引轮、减速箱、制动器、轿门、层门；
S103、依据电扶梯关键部件曳引机和电动机的影响参数，选取7个故障节点，电动机轴承、电动机定子、电动机转子、电刷装置、曳引轮、轮槽、曳引钢丝绳，分别标号Q1～Q7，作为故障检验的监测节点。
进一步地，所述的步骤S2包括：
S201、在步骤S1中的7个监测节点，每个监测节点的水平和垂直方向分别安装两个加速度传感器；
S202、通过监测节点水平方向上的传感器采集监测节点Q1～Q7的数据，只选取电梯曳引机的三个监测节点曳引轮Q5、轮槽Q6、曳引钢丝绳Q7，通过安装在曳引轮，轮槽，曳引钢丝绳水平位置的传感器采集节点振动信号；
S203、选取蒂森TE-evolution1无机房电梯，收集蒂森TE-evolution1无机房电梯的曳引轮Q5、轮槽Q6、曳引钢丝绳Q7三个监测节点在正常状况和故障状态两种运行状态下的六组振动信号f(t)；
S204、取分析信号f(t)的离散形式f(n)，为待分析信号，确定一个小波分解的层次N，N取值为3或4,然后对信号进行N层小波包分解；
S205、对于不同频段的小波包系数进行排序；
S206、对各频段的信号进行重构；
S207、对信号进行相关性分析；
S208、对各个分解尺度下的高频系数选择一个适当的阈值进行量化处理，剔除没有相关性信号对应的小波包系数；
S209、对处理过的小波包系数进行小波重构，得到去噪的信号，即各监测节点的检测信号。
进一步地，所述的步骤S204包括：
S2041、根据二尺度方程构造小波基：
其中i为节点号，j为分解级数，h(n)和g(n)＝(-1)nh(1-n)为一对正交镜像滤波器；
S2042、求解小波包分解系数，信号在第j级和k点处的小波包分解系数如下式推导：
S2043、假设原始信号长度为m·2N点，则f(t)信号的完全重构可以表示为：
其中为根据二尺度方程构造出的小波包基函数，是信号在第j级，k点处的小波包分解系数。
进一步地，所述的步骤S3包括：
S301、每个监测节点一次实验获取N＝5000个数据点，每组取1000个数据点，得到n＝4001组待测检测样本序列，确定待检测信号的数据点N；
S302、记录电扶梯各监测节点经过小波包算法预处理的振动检验信号xk，xk＝[x1,x2,…,x5000]；
S303、根据采集到的电扶梯各监测节点的振动监测信号，筛选出每组检验信号的峭度值yt，t＝1,2,3,…,n,n为模型检验的样本数，n＝4001；
S304、计算上步筛选出的每组检验信号峭度值的平均值μ，以及峭度值的标准差σ；
S305、将上述步骤中得到的各个数据，代入公式，
得到反映各部件振动信号的特征参数，作为监测节点指标，进行序贯概率比检验，监测节点指标能够清晰的反映节点状态的特征信息，利用反映节点差异的特征参数准确确定故障点。
进一步地，所述的步骤S4包括：
S401、对步骤S3中提取的大量节点指标进行分析，得到检验参数序列基本符合高斯分布；
S402、规定系统允许的犯第一类错误的概率α和犯第二类错误的概率β相等，α＝β，α→0，
取正常状况下的振动信号的均值作为参数μ0,取故障状态下的振动信号均值作为参数μ1；
S403、以模型中的一个监测节点Q1为例，当电动机轴承在正常运行状态下，检验参数序列H0：μ＝μ0，当电动机运行在故障状态下，检验参数序列满足假设H1：μ＝μ1；
S404、监测节点第K次样本值在假设条件H0和H1下的概率密度函数为：
其中k为模型已抽取到第k次样本，标准差σ不变，序贯概率比检验的似然比为：
其中P0，P1为H0，H1条件下的先验概率，一般条件下取在实际模型中，对上述似然比计算公式进行如下化简：
相应的，阈值a＝lnA，阈值b＝lnB；
S405、将经过小波包分析的待测节点信号输入故障诊断模型中，通过序贯概率比检验算法得到似然比，似然比与阈值a和b进行比较，似然比Δ<b，则该节点正常，该关键部件正常，似然比Δ>a,该节点异常，则该关键部件有故障，若b＜Δ＜a，则继续抽样，直到符合检验参数序列要求，从而确定电梯部件的状况。
进一步地，选取a＝1000和b＝-1000作为判断故障的检验阈值。
本发明相对于现有技术具有如下的优点及效果：
1、本故障诊断方法中，采用序贯概率比检验的方法，在故障模型的建立中，对设备各个关键节点的状况进行初步检测，将满足条件的节点样本值进行分析提取特征指标，对于不符合条件的样本则继续抽样，直到全部满足条件，这样的初步检测，保证了后期在故障分析中，数据的可靠性，避免了在故障诊断中数据的准确性降低，增强了结果的有效性。
2、由于设备不都运行在同一状态，电梯各部件的振动信号存在显著差异，传感器所测得的信号往往会夹杂着噪声等干扰，影响信号的稳定性，因此，本故障诊断方法中采用小波包降噪的方法对信号进行预处理，平滑数据，得到稳定的振动信号。
3、设备在不同运行状态下，电梯各部件的振动信号存在显著差异，没有统一的指标来进行比较，判断电梯是否发生故障，故对经过小波包处理的数据，提取可以反映这种差异的特征参数，将这种可以反映不同运行状态的参数作为监测节点指标，运用序贯概率比检验检测节点指标，就可以准确的判断电梯状态。
4、本故障诊断方法中创新地将序贯概率比检验应用于电梯机械系统的故障检验与识别，基于统计学理论的假设检验，将序贯概率比检验后的值与预先设定的阈值进行比较，克服了其他故障诊断算法在样本数选取上的冗余或不足所造成的诊断结果不准确的问题。
附图说明
图1(a)是电梯曳引系统故障监测模型图；
图1(b)是本发明中公开的基于序贯概率的电扶梯故障诊断方法的流程步骤图；
图2是电动机轴承水平加速度传感器安装示意图；
图3是电梯监测节点Q5似然比与测试迭代次数之间的关系图；
图4是电梯监测节点Q6似然比与测试迭代次数之间的关系图；
图5是电梯监测节点Q7似然比与测试迭代次数之间的关系图；
图6是以电梯监测节点Q5的五组数据计算的误差得到的误差指标分布。
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地铁场站中基于序贯概率(SPRT)的电扶梯故障诊断方法，该方法具体包括下列步骤：
S1、通过对地铁场站中电扶梯故障分析，确定引起电扶梯故障的主要部件，并对引起电扶梯故障的关键部件标号；
S101、通过查找文献资料，了解到电扶梯的基本结构为曳引系统、导向系统、门系统、桥厢、重量平衡系统、电力拖动系统、电气控制系统、安全保护系统，如表1所示；
表1.地铁场站中引起电梯故障的主要部件
S102、综合电扶梯相关结构的参数以及国内电梯安全评价与判废标准，确定机械部分的故障大多发生在曳引系统和门系统，筛选出关键部件为电动机、曳引轮、减速箱、制动器、轿门、层门，如表2所示；
表2.电梯关键部件的节点编号
S103、以电扶梯关键部件中的曳引机和电动机为例，分析曳引机和电动机的主要影响参数，存在7个故障节点，电动机轴承、电动机定子、电动机转子、电刷装置、曳引轮、轮槽、曳引钢丝绳，分别标号Q1～Q7，作为故障检验的监测节点，如表2所示，在实验中通过对监测节点的状态检测间接判断电梯状态。
S2、采集各监测节点的振动信号，并对采集到的监测节点的信号，采用小波包算法对低频、高频进行处理，平滑采集的监测节点信号，降低噪声，提高信噪比；
其中，小波包算法对低频部分进行分解,对高频部分也做二次分解，能够有效地区分信号中的突变部分和噪声,降低信号的噪声,提高信噪比。
S201、在步骤S1中的7个监测节点，每个监测节点的水平和垂直方向分别安装两个加速度传感器，为简便起见，本方案只对监测节点水平方向上的传感器所测得的振动信号进行处理和分析，水平传感器安装位置如图2所示；
S202、通过监测节点水平方向上的传感器采集监测节点Q1～Q7的数据，为便于分析，此实施例中只选取电梯曳引机的三个监测节点曳引轮Q5、轮槽Q6、曳引钢丝绳Q7，通过安装在曳引轮，轮槽，曳引钢丝绳水平位置的传感器采集节点振动信号；
S203、此方案中以蒂森TE-evolution1无机房电梯为例，收集蒂森TE-evolution1无机房电梯的Q5、Q6、Q7三个监测节点在正常状况和故障状态两种运行状态下的六组振动信号f(t)；
S204、取分析信号f(t)的离散形式f(n)，为待分析信号，确定一个小波分解的层次N(N通常取3-4),在这里考虑常用的4种律波，即N取4，然后对信号进行4层小波包分解，可以有效地区分信号中的突变部分和噪声，根据二尺度方程构造小波基：
其中i为节点号，j为分解级数，h(n)和g(n)＝(-1)nh(1-n)为一对正交镜像滤波器。
求解小波包分解系数，信号在第j级和k点处的小波包分解系数如下式推导：
S205、对于不同频段的小波包系数进行排序；
S206、对各频段的信号进行重构，假设原始信号长度为m·2N点，则f(t)
信号的完全重构可以表示为：
其中为根据二尺度方程构造出的小波包基函数，是信号在第j级，k点处的小波包分解系数。
S207、对信号进行相关性分析；
S208、对各个分解尺度下的高频系数选择一个适当的阈值进行量化处理，剔除没有相关性信号对应的小波包系数，平滑原始信号；
S209、对处理过的小波包系数进行小波重构，得到去噪的信号，即检测信号，用于监测节点的故障特征数据计算。
S3、将经过预处理的信号，分组并提取每组的峭度值，通过计算得到设备运行状态下的特征指标；
S301、每个监测节点一次实验获取N＝5000个数据点，每组取1000个数据点，可以得到n＝4001组待测检测样本序列，确定待检测信号的数据点N；
S302、记录电梯各监测节点经过小波包算法预处理的振动检验信号xk，xk＝[x1,x2,…,x5000]；
S303、根据采集到的电梯各监测节点的振动监测信号，筛选出每组检验信号的峭度值yt，t＝1,2,3,…,n,n为模型检验的样本数，n＝4001；
S304、计算上步筛选出的每组检验信号峭度值的平均值μ，以及峭度值的标准差σ；
S305、将上述步骤中得到的各个数据，代入公式，
得到反映各部件振动信号的特征参数，作为监测节点指标，进行序贯概率比检验，监测节点指标能够清晰的反映节点状态的特征信息，利用反映节点差异的特征参数可以准确地发现故障点。
S4、对上述步骤中计算的指标数据经过序贯概率比检验算法得到似然比，通过似然比与模型故障阈值进行比较，诊断设备是否出现故障。
S401、对步骤S3中提取的大量节点指标进行分析，得到检验参数序列基本符合高斯分布；
S402、规定系统允许的犯第一类错误的概率α和犯第二类错误的概率β相等，α＝β，α→0，
根据大量的实验计算得a＝1000和b＝-1000为模型中判断故障的检验阈值，取正常状况下的振动信号的均值作为参数μ0,取故障状态下的振动信号均值作为参数μ1，作为边界条件。
S403、以模型中的一个监测节点Q1为例，当电动机轴承在正常运行状态下，检验参数序列H0：μ＝μ0；当电动机运行在故障状态下，检验参数序列满足假设H1：μ＝μ1；
S404、假设条件H0和H1下的概率密度函数为：
其中k为模型已抽取到第k次样本，标准差σ不变，
序贯概率比检验的似然比为：
其中P0，P1为H0，H1条件下的先验概率，一般条件下取在实际模型中，对上述似然比计算公式进行如下化简：
相应的，阈值a＝lnA，b＝lnB；
S405、将S3中提取的监测节点的特征指标输入故障诊断模型中，通过序贯概率比检验算法得到似然比，似然比与阈值a和b进行比较，似然比Δ<b，则该节点正常，该关键部件正常，似然比Δ>a,该节点异常，则该关键部件有故障，通过对每一个节点的检验，节点都正常则电梯运行正常，若存在一个节点异常，则电梯运行异常，需要维修；
S406、将电梯监测节点Q5、Q6、Q7的第一组数据输入到故障诊断系统中，求得似然比ΔQ5(1)、ΔQ6(1)、ΔQ7(1)，分别与阈值进行比较，ΔQ5(1)＜b,如图3所示，所以监测节点Q5正常，同理，ΔQ6(1)＜b,所以监测节点Q6正常，如图4所示，ΔQ7(1)＞a,所以Q7异常，如图5所示，由于监测节点Q7异常，因此电梯运行异常，需要及时维修节点Q7，通过对每个监测节点的校验，提高了故障检修的效率；
S407、将表3中的500组数据依次输入故障诊断系统，就会得到表4所示的每个监测节点的状态，实现关键部件的故障诊断，1表示该节点正常，0表示该节点异常；
表3.三个节点Q5、Q6、Q7提取的500组信号值
表4.三个节点Q5、Q6、Q7运行状态分析
S408、误差分析，所有误差指标，如图6所示，以节点Q5为例，分别采集Q5五组正常状态及故障状态下的振动数据，每组5000个数据点，对每组正常状态下的数据通过S2、S3提取特征指标，计算似然比，然后均方根误差方法计算五组似然比间的误差，故障状态数据的分析与以上相同
取第一组误差与其他组误差的平均值为第一组误差指标E1(s)，可以得到5组误差指标，相同的，故障指标也可以得到5组，然后分别计算第一组故障数据分别与5组正常数据的均方根值，然后将5组数据求均值，得到正常与故障数据的误差均值，同样的，可以得到5组故障与正常数据的误差均值，其计算公式如下，可以得到不同运行状态的误差远大于相同运行状态间的误差，所得的误差指标分布如图6所示，折线1位异常-正常状态下的误差均值，2为异常-异常状态下的误差均值，3为正常-正常状态下的误差均值，不同运行状态下的误差远大于相同状态下的误差。
δi,j(1)表示正常状态下第i组和第j组的均方根误差，δi,j(0)表示故障状态下第i组和第j组的均方根误差。
综上所述，该方法通过安装在电梯部件垂直和水平方向的加速度传感器采集电梯关键部件的振动信号，对振动信号进行处理，取处理后信号的峭度值作为特征值，即电梯实际运行状态的指标数据，运用序贯概率比算法对指标数据计算取得似然比，与监测节点阈值进行比较，对电梯机械系统进行故障诊断。该方法针对设备不同频率的数据，采用小波包算法，平滑数据，降噪；针对设备不同运行状态，利用序贯比算法计算特征参数，消除设备不同运行状态带来的差异。在检验中无需预设诊断所需的样本数，避免了样本不足或冗余对诊断结果的影响，提高了校验的效率与准确度，保证了设备的安全运行。
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 (7)

1.一种基于序贯概率的电扶梯故障诊断方法，其特征在于，所述的故障诊断方法包括下列步骤：
S1、通过对电扶梯故障分析，确定引起电扶梯故障的主要部件，并对引起电扶梯故障的关键部件标号；
S2、采集各监测节点的振动信号，并对采集到的监测节点的信号采用小波包算法对低频、高频进行处理，平滑采集的监测节点信号，降低噪声，提高信噪比；
S3、将经过预处理的信号，分组并提取每组的峭度值，通过计算得到设备运行状态下的特征指标；
S4、对上述步骤中计算的特征指标数据经过序贯概率比检验算法得到似然比，通过似然比与模型故障阈值进行比较，诊断设备是否出现故障。
2.根据权利要求1所述的一种基于序贯概率的电扶梯故障诊断方法，其特征在于，所述的步骤S1包括：
S101、将电扶梯的基本结构划分为曳引系统、导向系统、门系统、桥厢、重量平衡系统、电力拖动系统、电气控制系统、安全保护系统；
S102、综合相关结构的参数以及国内电梯安全评价与判废标准，确定机械部分的故障大多发生在曳引系统和门系统，筛选出关键部件为电动机、曳引轮、减速箱、制动器、轿门、层门；
S103、依据电扶梯关键部件曳引机和电动机的影响参数，选取7个故障节点，电动机轴承、电动机定子、电动机转子、电刷装置、曳引轮、轮槽、曳引钢丝绳，分别标号Q1～Q7，作为故障检验的监测节点。
3.根据权利要求2所述的一种基于序贯概率的电扶梯故障诊断方法，其特征在于，所述的步骤S2包括：
S201、在步骤S1中的7个监测节点，每个监测节点的水平和垂直方向分别安装两个加速度传感器；
S202、通过监测节点水平方向上的传感器采集监测节点Q1～Q7的数据，只选取电梯曳引机的三个监测节点曳引轮Q5、轮槽Q6、曳引钢丝绳Q7，通过安装在曳引轮，轮槽，曳引钢丝绳水平位置的传感器采集节点振动信号；
S203、选取蒂森TE-evolution1无机房电梯，收集蒂森TE-evolution1无机房电梯的曳引轮Q5、轮槽Q6、曳引钢丝绳Q7三个监测节点在正常状况和故障状态两种运行状态下的六组振动信号f(t)；
S204、取分析信号f(t)的离散形式f(n)，为待分析信号，确定一个小波分解的层次N，N取值为3或4,然后对信号进行N层小波包分解；
S205、对于不同频段的小波包系数进行排序；
S206、对各频段的信号进行重构；
S207、对信号进行相关性分析；
S208、对各个分解尺度下的高频系数选择一个适当的阈值进行量化处理，剔除没有相关性信号对应的小波包系数；
S209、对处理过的小波包系数进行小波重构，得到去噪的信号，即各监测节点的检测信号。
4.根据权利要求3所述的一种基于序贯概率的电扶梯故障诊断方法，其特征在于，所述的步骤S204包括：
S2041、根据二尺度方程构造小波基：
<mrow> <msubsup> <mi>&amp;psi;</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>k</mi> </mrow> <mrow> <mn>2</mn> <mi>i</mi> </mrow> </msubsup> <mo>=</mo> <mfrac> <mn>1</mn> <msqrt> <mn>2</mn> </msqrt> </mfrac> <msup> <mi>&amp;psi;</mi> <mrow> <mn>2</mn> <mi>i</mi> </mrow> </msup> <mrow> <mo>(</mo> <mfrac> <mrow> <msup> <mn>2</mn> <mi>j</mi> </msup> <mi>k</mi> <mo>-</mo> <mi>t</mi> </mrow> <msup> <mn>2</mn> <mi>j</mi> </msup> </mfrac> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mi>n</mi> </munder> <mi>h</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> <msubsup> <mi>&amp;psi;</mi> <mrow> <mi>j</mi> <mo>-</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mi>k</mi> <mo>-</mo> <mi>n</mi> </mrow> <mi>i</mi> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow>
<mrow> <msubsup> <mi>&amp;psi;</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>k</mi> </mrow> <mrow> <mn>2</mn> <mi>i</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> <mo>=</mo> <mfrac> <mn>1</mn> <msqrt> <mn>2</mn> </msqrt> </mfrac> <msup> <mi>&amp;psi;</mi> <mrow> <mn>2</mn> <mi>i</mi> <mo>+</mo> <mn>1</mn> </mrow> </msup> <mrow> <mo>(</mo> <mfrac> <mrow> <msup> <mn>2</mn> <mi>j</mi> </msup> <mi>k</mi> <mo>-</mo> <mi>t</mi> </mrow> <msup> <mn>2</mn> <mi>j</mi> </msup> </mfrac> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mi>n</mi> </munder> <mi>g</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> <msubsup> <mi>&amp;psi;</mi> <mrow> <mi>j</mi> <mo>-</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mi>k</mi> <mo>-</mo> <mi>n</mi> </mrow> <mi>i</mi> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow>
其中i为节点号，j为分解级数，h(n)和g(n)＝(-1)nh(1-n)为一对正交镜像滤波器；
S2042、求解小波包分解系数，信号在第j级和k点处的小波包分解系数如下式推导：
<mrow> <msubsup> <mi>d</mi> <mi>j</mi> <mrow> <mn>2</mn> <mi>i</mi> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mo>&amp;Integral;</mo> <mi>f</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <msubsup> <mi>&amp;psi;</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>k</mi> </mrow> <mrow> <mn>2</mn> <mi>i</mi> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mi>d</mi> <mi>t</mi> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mi>n</mi> </munder> <mi>h</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> <msubsup> <mi>d</mi> <mrow> <mi>j</mi> <mo>-</mo> <mn>1</mn> </mrow> <mi>i</mi> </msubsup> <mrow> <mo>(</mo> <mn>2</mn> <mi>k</mi> <mo>-</mo> <mi>n</mi> <mo>)</mo> </mrow> </mrow>
<mrow> <msubsup> <mi>d</mi> <mi>j</mi> <mrow> <mn>2</mn> <mi>i</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>f</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <msubsup> <mi>&amp;psi;</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>k</mi> </mrow> <mrow> <mn>2</mn> <mi>i</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mi>d</mi> <mi>t</mi> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mi>n</mi> </munder> <mi>g</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> <msubsup> <mi>d</mi> <mrow> <mi>j</mi> <mo>-</mo> <mn>1</mn> </mrow> <mi>i</mi> </msubsup> <mrow> <mo>(</mo> <mn>2</mn> <mi>k</mi> <mo>-</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
S2043、假设原始信号长度为m·2N点，则f(t)信号的完全重构可以表示为：
其中为根据二尺度方程构造出的小波包基函数，是信号在第j级，k点处的小波包分解系数。
5.根据权利要求2所述的一种基于序贯概率的电扶梯故障诊断方法，其特征在于，所述的步骤S3包括：
S301、每个监测节点一次实验获取N＝5000个数据点，每组取1000个数据点，得到n＝4001组待测检测样本序列，确定待检测信号的数据点N；
S302、记录电扶梯各监测节点经过小波包算法预处理的振动检验信号xk，xk＝[x1,x2,…,x5000]；
S303、根据采集到的电扶梯各监测节点的振动监测信号，筛选出每组检验信号的峭度值yt，t＝1,2,3,…,n,n为模型检验的样本数，n＝4001；
S304、计算上步筛选出的每组检验信号峭度值的平均值μ，以及峭度值的标准差σ；
S305、将上述步骤中得到的各个数据，代入公式，
<mrow> <mover> <mi>x</mi> <mo>&amp;OverBar;</mo> </mover> <mo>=</mo> <mfrac> <mn>1</mn> <mi>N</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msub> <mi>x</mi> <mi>k</mi> </msub> <mo>,</mo> <msub> <mi>y</mi> <mi>t</mi> </msub> <mo>=</mo> <mfrac> <mrow> <mn>1000</mn> <mo>&amp;times;</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mi>t</mi> </mrow> <mrow> <mi>t</mi> <mo>+</mo> <mn>999</mn> </mrow> </msubsup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>k</mi> </msub> <mo>-</mo> <mover> <mi>x</mi> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> </mrow> <msup> <mrow> <mo>(</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mi>t</mi> </mrow> <mrow> <mi>t</mi> <mo>+</mo> <mn>999</mn> </mrow> </msubsup> <msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>k</mi> </msub> <mo>-</mo> <mover> <mi>x</mi> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mfrac> <mo>,</mo> </mrow>
<mrow> <mi>&amp;mu;</mi> <mo>=</mo> <mfrac> <mn>1</mn> <mi>n</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>y</mi> <mi>t</mi> </msub> <mo>,</mo> <mi>&amp;sigma;</mi> <mo>=</mo> <msqrt> <mrow> <mfrac> <mn>1</mn> <mi>n</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mi>t</mi> </msub> <mo>-</mo> <mi>&amp;mu;</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> </mrow>
得到反映各部件振动信号的特征参数，作为监测节点指标，进行序贯概率比检验，监测节点指标能够清晰的反映节点状态的特征信息，利用反映节点差异的特征参数准确确定故障点。
6.根据权利要求2所述的一种基于序贯概率的电扶梯故障诊断方法，其特征在于，所述的步骤S4包括：
S401、对步骤S3中提取的大量节点指标进行分析，得到检验参数序列基本符合高斯分布；
S402、规定系统允许的犯第一类错误的概率α和犯第二类错误的概率β相等，α＝β，α→0，
<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>A</mi> <mo>=</mo> <mfrac> <mrow> <mn>1</mn> <mo>-</mo> <mi>&amp;beta;</mi> </mrow> <mi>&amp;alpha;</mi> </mfrac> </mrow> </mtd> <mtd> <mrow> <mi>a</mi> <mo>=</mo> <mi>ln</mi> <mi> </mi> <mi>A</mi> </mrow> </mtd> </mtr> </mtable> </mfenced>
<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>B</mi> <mo>=</mo> <mfrac> <mi>&amp;beta;</mi> <mrow> <mn>1</mn> <mo>-</mo> <mi>&amp;alpha;</mi> </mrow> </mfrac> </mrow> </mtd> <mtd> <mrow> <mi>b</mi> <mo>=</mo> <mi>ln</mi> <mi> </mi> <mi>B</mi> </mrow> </mtd> </mtr> </mtable> </mfenced>
取正常状况下的振动信号的均值作为参数μ0,取故障状态下的振动信号均值作为参数μ1；
S403、以模型中的一个监测节点Q1为例，当电动机轴承在正常运行状态下，检验参数序列H0：μ＝μ0，当电动机运行在故障状态下，检验参数序列满足假设H1：μ＝μ1；
S404、监测节点第K次样本值在假设条件H0和H1下的概率密度函数为：
<mrow> <msub> <mi>P</mi> <mrow> <mn>0</mn> <mi>k</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mi>&amp;sigma;</mi> <msqrt> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> </msqrt> </mrow> </mfrac> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <mn>1</mn> <mrow> <mn>2</mn> <msup> <mi>&amp;sigma;</mi> <mn>2</mn> </msup> </mrow> </mfrac> <msup> <mrow> <mo>(</mo> <mrow> <msub> <mi>y</mi> <mi>k</mi> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mn>0</mn> </msub> </mrow> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>P</mi> <mrow> <mn>1</mn> <mi>k</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mi>&amp;sigma;</mi> <msqrt> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> </msqrt> </mrow> </mfrac> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <mn>1</mn> <mrow> <mn>2</mn> <msup> <mi>&amp;sigma;</mi> <mn>2</mn> </msup> </mrow> </mfrac> <msup> <mrow> <mo>(</mo> <mrow> <msub> <mi>y</mi> <mi>k</mi> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mn>1</mn> </msub> </mrow> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>)</mo> </mrow> </mrow>
其中k为模型已抽取到第k次样本，标准差σ不变，序贯概率比检验的似然比为：
<mrow> <msub> <mi>&amp;lambda;</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <msubsup> <mi>&amp;Pi;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msub> <mi>P</mi> <mrow> <mn>1</mn> <mi>k</mi> </mrow> </msub> </mrow> <mrow> <msubsup> <mi>&amp;Pi;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msub> <mi>P</mi> <mrow> <mn>0</mn> <mi>k</mi> </mrow> </msub> </mrow> </mfrac> <mo>=</mo> <mfrac> <mrow> <msubsup> <mi>&amp;Pi;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msub> <mi>P</mi> <mrow> <mn>1</mn> <mi>k</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <msubsup> <mi>&amp;Pi;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msub> <mi>P</mi> <mrow> <mn>0</mn> <mi>k</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>*</mo> <mfrac> <msub> <mi>P</mi> <mn>1</mn> </msub> <msub> <mi>P</mi> <mn>0</mn> </msub> </mfrac> </mrow>
其中P0，P1为H0，H1条件下的先验概率，一般条件下取在实际模型中，对上述似然比计算公式进行如下化简：
<mrow> <msub> <mi>&amp;Delta;</mi> <mi>k</mi> </msub> <mo>=</mo> <mi>l</mi> <mi>n</mi> <mrow> <mo>(</mo> <msub> <mi>&amp;lambda;</mi> <mi>k</mi> </msub> <mo>(</mo> <mi>x</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>=</mo> <mi>l</mi> <mi>n</mi> <mfrac> <mrow> <msubsup> <mi>&amp;Pi;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msub> <mi>P</mi> <mrow> <mn>1</mn> <mi>k</mi> </mrow> </msub> </mrow> <mrow> <msubsup> <mi>&amp;Pi;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msub> <mi>P</mi> <mrow> <mn>0</mn> <mi>k</mi> </mrow> </msub> </mrow> </mfrac> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <mi>l</mi> <mi>n</mi> <mfrac> <msub> <mi>P</mi> <mrow> <mn>1</mn> <mi>k</mi> </mrow> </msub> <msub> <mi>P</mi> <mrow> <mn>0</mn> <mi>k</mi> </mrow> </msub> </mfrac> </mrow>
相应的，阈值a＝ln A，阈值b＝ln B；
S405、将经过小波包分析的待测节点信号输入故障诊断模型中，通过序贯概率比检验算法得到似然比，似然比与阈值a和b进行比较，似然比Δ<b，则该节点正常，该关键部件正常，似然比Δ>a,该节点异常，则该关键部件有故障，若b＜Δ＜a，则继续抽样，直到符合检验参数序列要求，从而确定电梯部件的状况。
7.根据权利要求6所述的一种基于序贯概率的电扶梯故障诊断方法，其特征在于，选取a＝1000和b＝-1000作为判断故障的检验阈值。
CN201711263913.2A 2017-12-05 2017-12-05 一种基于序贯概率的电扶梯故障诊断方法 Active CN108069308B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711263913.2A CN108069308B (zh) 2017-12-05 2017-12-05 一种基于序贯概率的电扶梯故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711263913.2A CN108069308B (zh) 2017-12-05 2017-12-05 一种基于序贯概率的电扶梯故障诊断方法

Publications (2)

Publication Number Publication Date
CN108069308A true CN108069308A (zh) 2018-05-25
CN108069308B CN108069308B (zh) 2019-11-19

Family

ID=62157637

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711263913.2A Active CN108069308B (zh) 2017-12-05 2017-12-05 一种基于序贯概率的电扶梯故障诊断方法

Country Status (1)

Country Link
CN (1) CN108069308B (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108444715A (zh) * 2018-05-29 2018-08-24 内蒙古工业大学 轴承状态诊断方法、装置、存储介质及电子设备
CN109436980A (zh) * 2018-11-01 2019-03-08 日立楼宇技术（广州）有限公司 电梯部件的状态检测方法和系统
CN109896382A (zh) * 2019-01-18 2019-06-18 西人马(西安)测控科技有限公司 电梯故障诊断方法、装置、设备和介质
CN110161131A (zh) * 2019-05-24 2019-08-23 武汉工程大学 基于序贯假设检验的缺陷反射信号识别方法及其装置
CN110159554A (zh) * 2019-05-24 2019-08-23 武汉工程大学 基于主元分析和序贯概率比检验的离心泵故障诊断方法
CN110160778A (zh) * 2019-05-24 2019-08-23 武汉工程大学 基于序贯假设检验的齿轮箱故障状态识别方法
CN110182663A (zh) * 2019-07-03 2019-08-30 广州广日电梯工业有限公司 电梯导靴预诊断方法及预诊断系统
CN110472563A (zh) * 2019-08-13 2019-11-19 浙江大学 基于小波包分解和神经网络的直梯振动过大故障诊断方法
CN111222429A (zh) * 2019-12-27 2020-06-02 猫岐智能科技（上海）有限公司 设备故障识别系统
CN111428386A (zh) * 2020-04-22 2020-07-17 杭州电子科技大学 基于复杂网络的电梯曳引机转子故障诊断信息融合方法
CN111551648A (zh) * 2020-06-01 2020-08-18 河北冀研能源科学技术研究院有限公司 一种六氟化硫电气设备运行状态与故障诊断方法
CN112723075A (zh) * 2021-01-04 2021-04-30 浙江新再灵科技股份有限公司 一种数据不平衡的电梯振动影响因素分析方法
CN112938678A (zh) * 2021-01-29 2021-06-11 广东卓梅尼技术股份有限公司 一种电梯振动故障的诊断算法
CN114261862A (zh) * 2021-11-08 2022-04-01 闽江学院 一种电梯运行状况监测方法及系统
CN114671314A (zh) * 2022-05-30 2022-06-28 凯尔菱电（山东）电梯有限公司 一种用于电梯的安全监控方法
CN114715752A (zh) * 2022-06-08 2022-07-08 凯尔菱电（山东）电梯有限公司 用于电梯的异常检测方法及系统
CN115159288A (zh) * 2022-07-07 2022-10-11 浙江省特种设备科学研究院 一种电梯故障识别方法
CN118130070A (zh) * 2024-04-03 2024-06-04 上海辉度智能系统有限公司 自动扶梯故障预测诊断方法、装置及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201297502Y (zh) * 2008-05-15 2009-08-26 中国石油大学(北京) 基于次声波的天然气管道泄漏远程检测装置及系统
CN101984364A (zh) * 2010-10-15 2011-03-09 北京航空航天大学 基于序贯概率比检测的gps微弱信号捕获方法
CN102563360A (zh) * 2012-01-16 2012-07-11 北方工业大学 基于序贯概率比检测的管道安全预警系统的振动事件检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201297502Y (zh) * 2008-05-15 2009-08-26 中国石油大学(北京) 基于次声波的天然气管道泄漏远程检测装置及系统
CN101984364A (zh) * 2010-10-15 2011-03-09 北京航空航天大学 基于序贯概率比检测的gps微弱信号捕获方法
CN102563360A (zh) * 2012-01-16 2012-07-11 北方工业大学 基于序贯概率比检测的管道安全预警系统的振动事件检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
马志远: "基于序贯概率比检验和小波神经网络的齿轮箱故障诊断方法", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108444715A (zh) * 2018-05-29 2018-08-24 内蒙古工业大学 轴承状态诊断方法、装置、存储介质及电子设备
CN109436980A (zh) * 2018-11-01 2019-03-08 日立楼宇技术（广州）有限公司 电梯部件的状态检测方法和系统
CN109896382B (zh) * 2019-01-18 2020-05-19 西人马帝言(北京)科技有限公司 电梯故障诊断方法、装置、设备和介质
CN109896382A (zh) * 2019-01-18 2019-06-18 西人马(西安)测控科技有限公司 电梯故障诊断方法、装置、设备和介质
CN110161131A (zh) * 2019-05-24 2019-08-23 武汉工程大学 基于序贯假设检验的缺陷反射信号识别方法及其装置
CN110159554A (zh) * 2019-05-24 2019-08-23 武汉工程大学 基于主元分析和序贯概率比检验的离心泵故障诊断方法
CN110160778A (zh) * 2019-05-24 2019-08-23 武汉工程大学 基于序贯假设检验的齿轮箱故障状态识别方法
CN110182663A (zh) * 2019-07-03 2019-08-30 广州广日电梯工业有限公司 电梯导靴预诊断方法及预诊断系统
CN110472563A (zh) * 2019-08-13 2019-11-19 浙江大学 基于小波包分解和神经网络的直梯振动过大故障诊断方法
CN110472563B (zh) * 2019-08-13 2022-04-26 浙江大学 基于小波包分解和神经网络的直梯振动过大故障诊断方法
CN111222429A (zh) * 2019-12-27 2020-06-02 猫岐智能科技（上海）有限公司 设备故障识别系统
CN111222429B (zh) * 2019-12-27 2023-08-29 猫岐智能科技（上海）有限公司 设备故障识别系统
CN111428386A (zh) * 2020-04-22 2020-07-17 杭州电子科技大学 基于复杂网络的电梯曳引机转子故障诊断信息融合方法
CN111428386B (zh) * 2020-04-22 2023-04-18 杭州电子科技大学 基于复杂网络的电梯曳引机转子故障诊断信息融合方法
CN111551648A (zh) * 2020-06-01 2020-08-18 河北冀研能源科学技术研究院有限公司 一种六氟化硫电气设备运行状态与故障诊断方法
CN112723075A (zh) * 2021-01-04 2021-04-30 浙江新再灵科技股份有限公司 一种数据不平衡的电梯振动影响因素分析方法
CN112723075B (zh) * 2021-01-04 2022-07-19 浙江新再灵科技股份有限公司 一种数据不平衡的电梯振动影响因素分析方法
CN114655807A (zh) * 2021-01-29 2022-06-24 广东卓梅尼技术股份有限公司 一种电梯振动故障诊断设备
CN112938678A (zh) * 2021-01-29 2021-06-11 广东卓梅尼技术股份有限公司 一种电梯振动故障的诊断算法
CN114261862A (zh) * 2021-11-08 2022-04-01 闽江学院 一种电梯运行状况监测方法及系统
CN114261862B (zh) * 2021-11-08 2024-03-19 闽江学院 一种电梯运行状况监测方法及系统
CN114671314A (zh) * 2022-05-30 2022-06-28 凯尔菱电（山东）电梯有限公司 一种用于电梯的安全监控方法
CN114715752A (zh) * 2022-06-08 2022-07-08 凯尔菱电（山东）电梯有限公司 用于电梯的异常检测方法及系统
CN115159288A (zh) * 2022-07-07 2022-10-11 浙江省特种设备科学研究院 一种电梯故障识别方法
CN115159288B (zh) * 2022-07-07 2024-04-02 浙江省特种设备科学研究院 一种电梯故障识别方法
CN118130070A (zh) * 2024-04-03 2024-06-04 上海辉度智能系统有限公司 自动扶梯故障预测诊断方法、装置及系统
CN118130070B (zh) * 2024-04-03 2024-07-30 上海辉度智能系统有限公司 自动扶梯故障预测诊断方法、装置及系统

Also Published As

Publication number Publication date
CN108069308B (zh) 2019-11-19

Similar Documents

Publication Publication Date Title
CN108069308A (zh) 一种基于序贯概率的电扶梯故障诊断方法
CN111353482B (zh) 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法
US20190285517A1 (en) Method for evaluating health status of mechanical equipment
CN113469060A (zh) 多传感器融合卷积神经网络航空发动机轴承故障诊断方法
CN110764493A (zh) 一种适用于高速铁路的phm应用系统、方法及存储介质
CN113562562A (zh) 一种电梯安全预警监测系统及其判断方法
CN111170103B (zh) 设备故障识别方法
CN112393906B (zh) 一种地铁车辆转向架轴承微弱信号故障诊断、分类和健康评估的方法
CN112414694B (zh) 基于多元状态估计技术的设备多级异常状态识别方法及装置
CN113657221B (zh) 一种基于智能感知技术的电厂设备状态监测方法
CN112785091A (zh) 一种对油田电潜泵进行故障预测与健康管理的方法
CN113610188B (zh) 弓网接触力非区段异常识别方法及装置
CN115744521B (zh) 一种电梯物联网维保远程监督管理方法及系统
CN107844067A (zh) 一种水电站闸门在线状态监测控制方法及监测系统
CN105930629A (zh) 一种基于海量运行数据的在线故障诊断方法
CN113742932A (zh) 一种用于风电机组齿轮箱故障预测诊断的方法
CN118134116B (zh) 一种基于大数据分析的电缆及通道的状态监测评估方法
CN116308300B (zh) 一种电力设备状态监测评价与指挥方法及系统
CN107688820A (zh) 一种基于bcsa优化支持向量机的电梯故障诊断方法
CN117909668B (zh) 基于卷积神经网络的轴承故障诊断方法及系统
CN114757365A (zh) 一种基于深度学习的高速铁路路基沉降预测及预警方法
CN109580260A (zh) 一种轨道车辆门系统的亚健康诊断方法
CN115959549A (zh) 基于数字孪生的扶梯故障诊断方法
CN118468175A (zh) 一种基于混合神经网络的球磨机故障诊断方法及系统
CN114330096A (zh) 基于深度学习的轨道交通电机轴承故障程度分类模型构建方法

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