CN109179133A - 用于预判故障的电梯智能维保预测方法及系统 - Google Patents

用于预判故障的电梯智能维保预测方法及系统 Download PDF

Info

Publication number
CN109179133A
CN109179133A CN201811307373.8A CN201811307373A CN109179133A CN 109179133 A CN109179133 A CN 109179133A CN 201811307373 A CN201811307373 A CN 201811307373A CN 109179133 A CN109179133 A CN 109179133A
Authority
CN
China
Prior art keywords
layer
elevator
failure
prejudging
network
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.)
Pending
Application number
CN201811307373.8A
Other languages
English (en)
Inventor
周芷萱
张方舟
徐江
王学宇
吴晓宇
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.)
Changshu Institute of Technology
Original Assignee
Changshu Institute of Technology
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 Changshu Institute of Technology filed Critical Changshu Institute of Technology
Priority to CN201811307373.8A priority Critical patent/CN109179133A/zh
Publication of CN109179133A publication Critical patent/CN109179133A/zh
Pending legal-status Critical Current

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
    • B66B5/02—Applications of checking, fault-correcting, or safety devices in elevators responsive to abnormal operating conditions
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Indicating And Signalling Devices For Elevators (AREA)

Abstract

本发明公开了一种用于预判故障的电梯智能维保预测方法在读取到深度学习数据后，使用采用RBF神经网络的自组织学习实现电梯门的实时系统故障预测：第一层输入层假设输入观测电梯数据样本，该放大的网络中心可以变化，将通过对神经网络资源的再分配，用K‑均值聚类法学习使得RBF的隐含层神经元中心位于输入空间重要的区域；并给定η和α的取值及迭代终止精度ε的值；第二层隐含层用采用双曲正切函数,网络把系统的动态直接包含于网络结构之中,无需了解系统阶数,就能学习非线性动态系统；第三层输出层，对隐含层神经元输出的信息进行线性加权后输出，作为整个神经网络的输出结果。本发明使维保更加具有条理性、顺序性。

Description

用于预判故障的电梯智能维保预测方法及系统
技术领域
本发明涉及一种用于预判故障的电梯智能维保预测方法及系统，尤其适用于判别电梯在故障发生之前的预测方法的模型。
背景技术
改革开放后，大规模的经济建设给我国电梯市场带来了空前的发展机遇。1980年的电梯产量为2249台，2010年产量达36万台，是1980年的160倍，30年中的平均每年增长率为18.9％，成为电梯制造和使用的第一大国。2010年我国电梯产量超过全球总量50％，电梯使用保有量已经达到156万台以上。国内的巨大需求和国际的出口前景给我国电梯行业创造了难得的机遇，电梯行业至少在50年内会继续保持兴旺势头，因此，电梯维护与管理行业前景十分看好。
电梯检测与维护目标培养掌握电梯行业必备的基础理论和专门知识，具备进行电梯零部件生产装配、电梯整梯安装调试和检测、电梯保养和故障判断排除、电梯使用管理等专业能力和较强的创新能力，服务于电梯生产制造、安装维保、使用管理、监督检测第一线的高素质技能性人才。
电梯常见故障的维修方法：
万用表测试法：电梯故障排除中，万用表检测法是最常用的一种，主要包括以下方法：第一，电压测量法。测量电梯有关电路的电压，与正常情况下的电压值进行比较，可以直接了解电路的工作状态判断元器件的好坏、检查电路有无故障。电压测量法应先重点检测关键点上的电压，从而可以迅速减小故障范围，尽快找出故障点；第二，电阻测量法。这种方法主要是检修电路开路或短路情况。用万用表的电阻档，对电梯的电路、各元件、线路的自身电阻进行测量，然后与正常电路中各点的电阻值相比较，确定故障元件好坏，从而找出故障点。
推断替代法：很多电梯常见故障不一定会发生在电梯运行过程中，采用传统的检测方法无法直接发现，工作人员需结合电梯的运行状态，根据电梯系统的电路图，仔细分析电梯故障，推断电梯可能出现的问题，然后有针对性地进行检查，例如，紧固电气导线的连接、清洁导电片等，在条件允许的情况下，用正常的电气元件替代可能存在问题的电气元件，通过替代法来排除电梯运行故障。
观察法：观察法是指通过鼻闻、耳听、眼看的方法，判断电梯系统是否正常，有无存在异常情况，仔细检查故障范围或者故障点，例如，检查电器元件是否灵活动作、外观是否存在损坏；接触器线圈断电后是否可以灵活释放；接触器、继电器的吸合情况；机械装置是否灵活配合电气元件运行；电器元件是否出现绝缘烧毁、异味和异声等。
主拖动系统的故障排除：针对电梯运行出现不连续性的问题，需要结合电梯的实际情况，科学的故障检测方法对电梯的进行检查，对电梯的电机轴承、接触点等部位进行检查，如果发现问题，需要及时进行处理，促使电梯的主拖动系统可以处于稳定的运行状态。例如：针对接触点的接触不良故障，可以采用电压法，对接触点进行检查，通过电压法，测量接触器的导电接点之间的电压，可以发现接触点的接触情况。
发明内容
1、发明目的。
本发明提出了一种预判故障的电梯智能维保预测方法及系统，更为智能的电梯状态检测方法，实现一种全天监控的、判断精准的电梯故障检测方法。
2、本发明所采用的技术方案。
本发明提出了一种用于预判故障的电梯智能维保预测方法，在读取到深度学习数据后，使用采用RBF神经网络的自组织学习选取来实现电梯门的实时系统故障预测：
第一层输入层假设输入观测电梯数据样本为x1,x2,…,xn,该放大的网络中心可以变化，将通过对神经网络资源的再分配，用K-均值聚类法学习使得RBF的隐含层神经元中心位于输入空间重要的区域；并给定η和α的取值及迭代终止精度ε的值；
第二层隐含层用采用双曲正切函数,网络把系统的动态直接包含于网络结构之中,无需了解系统阶数,就能学习非线性动态系统；
第三层输出层，对隐含层神经元输出的信息进行线性加权后输出，作为整个神经网络的输出结果。
为了克服其收敛速度慢,在神经网络学习时引入动量项因子.具体步骤如下:采用均方误差作为训练的目标函数此算法在共扼梯度算法基础上作进一步间插全局收敛。
更进一步，使用Fi-bonacci方法线性搜索确定,神经网络的激活函数采用双曲正切函数。
本发明提出了一种用于预判故障的电梯智能维保预测系统，在读取到深度学习数据后，使用采用RBF神经网络的自组织学习选取来实现电梯门的实时系统故障预测：
第一层输入层假设输入观测电梯数据样本为x1,x2,…,xn,该放大的网络中心可以变化，将通过对神经网络资源的再分配，用K-均值聚类法学习使得RBF的隐含层神经元中心位于输入空间重要的区域；并给定η和α的取值及迭代终止精度ε的值；
第二层隐含层用采用双曲正切函数,网络把系统的动态直接包含于网络结构之中,无需了解系统阶数,就能学习非线性动态系统；
第三层输出层，对隐含层神经元输出的信息进行线性加权后输出，作为整个神经网络的输出结果。
更进一步，还包括采用均方误差作为训练的目标函数模块，此算法在共扼梯度算法基础上作进一步间插全局收敛。
更进一步，还包括使用Fi-bonacci方法线性搜索确定,神经网络的激活函数采用双曲正切函数模块。
3、本发明所产生的技术效果。
(1)提高工作效率、减少工作周期
本发明将进行24小时实时智能分析预判，提供精准的故障点从而减少以往人工排查电梯故障的时间，实现真正智能的电梯故障预测。
(2)故障优先级
采用优先级制度展现电梯维护优先级，使维保更加具有条理性、顺序性。
附图说明
图1为本发明流程图。
图2为本发明系统结构图。
具体实施方式
实施例1
通过少传感器的数据采集分析出的深度学习数据，完成基于RBF神经网络的电梯门系统故障预测
在读取到深度学习数据后，使用采用RBF神经网络的自组织学习选取来实现电梯门的实时系统故障预测。
主要实现方法为：第一层输入层假设输入观测电梯数据样本为x1,x2,…,xn,该放大的网络中心可以变化，将通过对神经网络资源的再分配，用K-均值聚类法学习使得RBF的隐含层神经元中心位于输入空间重要的区域。并给定η和α的取值及迭代终止精度ε的值。第二层隐含层用采用双曲正切函数,网络把系统的动态直接包含于网络结构之中,无需了解系统阶数,就能学习非线性动态系统.第三层输出层，对隐含层神经元输出的信息进行线性加权后输出，作为整个神经网络的输出结果。为了克服其收敛速度慢,在神经网络学习时引入动量项因子.具体步骤如下:采用均方误差作为训练的目标函数此算法在共扼梯度算法基础上作进一步间插,以保证全局收敛性.使用迭代次数的目的是为了避免由于有时对系统输入信息认识不足,引起目标函数收敛性能较差出现死循环.使用Fi-bonacci方法线性搜索确定,神经网络的激活函数采用双曲正切函数,为了提高训练精度,需对输入样本作归一化处理.通过该神经网络预测出电梯正常运行极值，并给出故障位置以便维保。(详情如图1-2)
根据故障值超出预测数据的强度和故障发生时间可分为4个阶段，分别为：严重故障状态、一般故障状态、轻度故障状态、健康状态。从而体现该电梯目前的运行状态与故障发生的紧急程度。

Claims (6)

1.一种用于预判故障的电梯智能维保预测方法，其特征在于：在读取到深度学习数据后，使用采用RBF神经网络的自组织学习实现电梯门的实时系统故障预测：
第一层输入层假设输入观测电梯数据样本为x1,x2,…,xn,该放大的网络中心可以变化，将通过对神经网络资源的再分配，用K-均值聚类法学习使得RBF的隐含层神经元中心位于输入空间重要的区域；并给定η和α的取值及迭代终止精度ε的值；
第二层隐含层用采用双曲正切函数,网络把系统的动态直接包含于网络结构之中,无需了解系统阶数,就能学习非线性动态系统；
第三层输出层，对隐含层神经元输出的信息进行线性加权后输出，作为整个神经网络的输出结果。
2.根据权利要求1所述的用于预判故障的电梯智能维保预测方法，其特征在于：采用均方误差作为训练的目标函数此算法在共扼梯度算法基础上作进一步间插全局收敛。
3.根据权利要求2所述的用于预判故障的电梯智能维保预测方法，其特征在于：使用Fi-bonacci方法线性搜索确定,神经网络的激活函数采用双曲正切函数。
4.一种用于预判故障的电梯智能维保预测系统，其特征在于：在读取到深度学习数据后，使用采用RBF神经网络的自组织学习选取来实现电梯门的实时系统故障预测：
第一层输入层假设输入观测电梯数据样本为x1,x2,…,xn,该放大的网络中心可以变化，将通过对神经网络资源的再分配，用K-均值聚类法学习使得RBF的隐含层神经元中心位于输入空间重要的区域；并给定η和α的取值及迭代终止精度ε的值；
第二层隐含层用采用双曲正切函数,网络把系统的动态直接包含于网络结构之中,无需了解系统阶数,就能学习非线性动态系统；
第三层输出层，对隐含层神经元输出的信息进行线性加权后输出，作为整个神经网络的输出结果。
5.根据权利要求4所述的用于预判故障的电梯智能维保预测系统，其特征在于：还包括采用均方误差作为训练的目标函数模块，此算法在共扼梯度算法基础上作进一步间插全局收敛。
6.根据权利要求4所述的用于预判故障的电梯智能维保预测系统，其特征在于：还包括使用Fi-bonacci方法线性搜索确定,神经网络的激活函数采用双曲正切函数模块。
CN201811307373.8A 2018-11-05 2018-11-05 用于预判故障的电梯智能维保预测方法及系统 Pending CN109179133A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811307373.8A CN109179133A (zh) 2018-11-05 2018-11-05 用于预判故障的电梯智能维保预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811307373.8A CN109179133A (zh) 2018-11-05 2018-11-05 用于预判故障的电梯智能维保预测方法及系统

Publications (1)

Publication Number Publication Date
CN109179133A true CN109179133A (zh) 2019-01-11

Family

ID=64941806

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811307373.8A Pending CN109179133A (zh) 2018-11-05 2018-11-05 用于预判故障的电梯智能维保预测方法及系统

Country Status (1)

Country Link
CN (1) CN109179133A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110436294A (zh) * 2019-08-08 2019-11-12 杭州吉时语科技有限公司 一种电瓶车入电梯检测方法
CN113734928A (zh) * 2021-08-24 2021-12-03 东营市特种设备检验研究院 一种基于神经网络的在用电梯故障预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184079A (zh) * 2015-09-08 2015-12-23 常熟理工学院 一种液压凿岩机的凿岩状态辨识方法
CN105550748A (zh) * 2015-12-09 2016-05-04 四川长虹电器股份有限公司 基于双曲正切函数的新型神经网络的构造方法
CN106600059A (zh) * 2016-12-13 2017-04-26 北京邮电大学 基于改进rbf神经网络的智能电网短期负荷预测方法
CN106815971A (zh) * 2016-12-21 2017-06-09 西安工程大学 一种基于rbf神经网络的滑坡灾害预报方法
CN107886168A (zh) * 2017-11-07 2018-04-06 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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184079A (zh) * 2015-09-08 2015-12-23 常熟理工学院 一种液压凿岩机的凿岩状态辨识方法
CN105550748A (zh) * 2015-12-09 2016-05-04 四川长虹电器股份有限公司 基于双曲正切函数的新型神经网络的构造方法
CN106600059A (zh) * 2016-12-13 2017-04-26 北京邮电大学 基于改进rbf神经网络的智能电网短期负荷预测方法
CN106815971A (zh) * 2016-12-21 2017-06-09 西安工程大学 一种基于rbf神经网络的滑坡灾害预报方法
CN107886168A (zh) * 2017-11-07 2018-04-06 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王红英: "《大功率固体激光器的发展及应用》", 31 May 2018 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110436294A (zh) * 2019-08-08 2019-11-12 杭州吉时语科技有限公司 一种电瓶车入电梯检测方法
CN113734928A (zh) * 2021-08-24 2021-12-03 东营市特种设备检验研究院 一种基于神经网络的在用电梯故障预测方法

Similar Documents

Publication Publication Date Title
CN109842373B (zh) 基于时空分布特性的光伏阵列故障诊断方法及装置
CN106021806B (zh) 一种基于核函数极限学习机的光伏组串故障诊断方法
CN106712713A (zh) 一种光伏电站的监测系统以及监测和异常定位方法
CN110879377B (zh) 基于深度信念网络的计量装置故障溯源方法
CN110533331B (zh) 一种基于输电线路数据挖掘的故障预警方法和系统
CN112834211A (zh) 一种风电机组传动系统故障预警方法
CN110348513A (zh) 一种基于深度学习的风电机组故障预测方法
CN103245861A (zh) 一种基于贝叶斯网络的变压器故障诊断方法
CN113011763B (zh) 一种基于时空图卷积注意力的桥梁损伤识别方法
CN111985558A (zh) 一种电能表异常诊断方法及其系统
CN109179133A (zh) 用于预判故障的电梯智能维保预测方法及系统
CN109492866A (zh) 一种配电网运行状态智能评估方法
CN111126489A (zh) 一种基于集成学习的输电设备状态评价方法
CN112305388B (zh) 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法
CN114370380A (zh) 一种计及气象因素的风电机组故障诊断方法
CN113466597A (zh) 一种轨道交通供电系统设备状态智能检测方法
CN112085108B (zh) 基于自动编码器及k均值聚类的光伏电站故障诊断算法
CN112183877A (zh) 一种基于迁移学习的光伏电站故障智能诊断方法
Yun et al. Research on fault diagnosis of photovoltaic array based on random forest algorithm
Caponetto et al. Application of Electrochemical Impedance Spectroscopy for prediction of Fuel Cell degradation by LSTM neural networks
CN110221173B (zh) 一种基于大数据驱动的配电网智能诊断方法
CN102735760A (zh) 基于极端学习机的变压器油色谱数据预测方法
CN117113166A (zh) 一种基于改进的集成学习的工业锅炉故障检测方法
CN117289090A (zh) 一种开关柜局放监测系统
CN117287352A (zh) 一种风电机组状态监测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190111