CN109292567A - 一种基于bp神经网络的电梯故障预测方法 - Google Patents

Abstract

本发明公开了一种基于BP神经网络的电梯故障预测方法，包括如下步骤：(1)通过安装于电梯轿厢上的传感器组，采集电梯运动的实时数据；(2)对已采集到的电梯运动的历史数据和标准数据进行预处理并提取特征参量，其中一部分作为数据样本，另一部分作为测试样本；(3)建立bp神经网络诊断模型，输入采集的数据样本，进行训练；(4)再将测试样本输入到已训练好的bp神经网络，根据训练样本与测试样本的识别正确率，优化其训练算法，使用优化后的神经网络参数配置，对电梯进行故障检测。本发明电梯故障诊断方法具有实时、诊断精度高的优点，可实时判断电梯是否有安全隐患，减少了人力维护电梯安全的成本，最终实现安全性能和经济效益的平衡。

Description

一种基于BP神经网络的电梯故障预测方法

技术领域

本发明涉及智能电梯安全监测技术，尤其涉及一种基于BP神经网络的电梯故障预测方法。

背景技术

就目前国内电梯行业现状而言，电梯轿厢运动状态监测方面仍存在诸多问题。由于我国电梯基数庞大，尽管电梯行业发展良好，但与之密切相关的电梯维修与保养水平却难以跟上行业前进的步伐，这是我国电梯安全事故发生频率居高不下的重要原因。

而目前大多楼宇电梯工作在独立封闭的环境中，维保人员无法实时掌握电梯工作状态并及时处理电梯运行中产生的问题。且国家在电梯的监测环节中缺乏高效准确的监测技术手段和设备，检验机构尚未建立完善的远程监控网络。而对电梯高频率的维护检查会使维护成本大大增加，给用户带来很大的经济负担。

随着光纤网络、以太网络和无线网络等技术的发展，新建的楼宇小区基本都铺设了网络线路，而老式小区也可以使用无线局域网或GPRS/3G无线通信网络。利用这些网络设施，可以将高精度传感器所采集的小区电梯的运行数据实时传输到后台服务器，实时监控电梯设备的各运行数据。bp神经网络具有推测、自学、联想、容错、记忆等诸多特点，其可以通过输入的电梯各运动参数的变化，及时发现设备存在的潜在问题，大大降低电梯设备故障率，为用户节省了维护成本，提高用户使用的满意程度。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于bp神经网络的电梯故障诊断方法。

本发明解决其技术问题所采用的技术方案是：一种基于BP神经网络的电梯故障预测方法，包括以下步骤：

1)通过安装于电梯轿厢顶部的传感器组，采集电梯运动的实时数据，并通过安装于轿厢上及梯井顶部的数据传输设备将数据上传至数据库；

2)对已采集到的电梯运动的历史数据和标准数据进行预处理并提取特征参量，其中一部分作为训练样本，另一部分作为测试样本；

3)建立bp神经网络诊断模型，输入采集的训练样本，进行训练；

4)再将测试样本输入到已训练好的bp神经网络，根据训练样本与测试样本的识别正确率，通过调整隐含层数、隐含层节点数和迭代次数优化训练算法，使用优化后的神经网络参数配置，对电梯进行故障检测。

按上述方案，所述步骤1)中的传感器组包括采集电梯轿厢三维加速度和角速度信号的MEMS六轴运动传感器和采集电梯轿厢所在高度气压信号的气压传感器。通过处理电梯运动加速度、角速度信号和高度信号，获得轿厢实时运行状态数据，并将其上传到后台服务器的数据库中。

电梯设备在正常运行时的加速度和速度变化在一定合理区间内具有连续性。在一次完整的启动到匀速运行或者匀速运行到停止的过程中，电梯轿厢的运行加速度将满足从零加速到某个加速度值再减速到零的过程；在一次完整的启停过程中，电梯轿厢的运行速度将满足从零加速到某个匀速值再减速到零的变化过程。尽管电梯每次的载重值的差异会导致匀速值及加速度的不同，但上述各加速度及速度仍应该在其安全运行的区间。否则电梯设备的电动机、悬挂绳、安全钳和载重传感器等部件可能存在安全隐患。

考虑到电梯在运行中的轻微晃动，电梯设备在正常运行时在X、Y和Z轴三个方向上均应该保持很小的倾角，其三维运行姿态仍应在其安全运行区间内。否则电梯设备的导轨、导靴和减震器等部件可能存在安全隐患。

按上述方案，所述步骤2)中的历史数据和标准数据包括电梯轿厢的三维加速度数据、三维运行姿态数据、z方向加速度数据进行预小波变换后的频谱数据以及针对具体电梯设备的初始数据。

按上述方案，所述步骤2)中特征参量提取方法按照时间顺序，根据各类型数据在相同时间长度采样点的权重进行整合及归一化处理；对所述处理后的数据以N个数据点为一组进行分割，获得各组训练样本矢量数据；并根据各组训练样本数据分别对应的电梯故障类型，获得各组矢量数据的故障类型。

按上述方案，所述步骤3)中所述bp神经网络由输入节点层、隐含层、输出节点层和层间节点的连接组成；根据各组训练样本包括的N个矢量数据即获得待构建bp神经网络输入层神经元数目N；根据输入层神经元数目N和输出层神经元数目M可获得隐含层神经元数目K；所述隐含层的激励函数g(x)为sigmoid 函数

所述输入节点层的目标误差函数为：

其中，Y_k为期望输出；O_k为输出层的输出；

所述隐含层的输出为：

其中，j为输入层节点；i为隐含层节点。

所述输出层的输出为：

其中，k为隐含层节点，m为输入层节点。

按上述方案，所述步骤4)中的测试样本矢量数据及其所对应的电梯故障类型，针对训练后的bp神经网络进行测试。针对测试结果，采用所述神经网络误差函数进行分析，获得训练后的精度。虽然在一定程度下，增加隐含层数、隐含层节点数、迭代次数，可以提高识别正确率，但超过一定程度也会出现过拟合的现象，即随着训练能力的提高，预测能力反而降低。这是因为网络学习了过多的样本细节，所以无法反映样本所包含的规律。因此需要通过调整输入层神经元数目N、输出层神经元数目M以及隐含层神经元数目K来提高所述神经网络精度。

将实时采集到并预处理后的电梯运动数据输入已经训练好的bp神经网络，实时对电梯设备当前运行参数进行分析，推断其是否正常，并根据累计数据的变化趋势推断潜在风险发生的概率。

所述电梯故障类型分别为：电梯设备的电动机、悬挂绳、安全钳和载重传感器等部件出现故障；或者电梯设备的导轨、导靴和减震器等部件出现故障。

本发明产生的有益效果是：

1.通过bp神经网络对电梯故障进行诊断预测，可以发现处于萌芽状态的故障风险，及时通知维保人员进行检修，降低电梯事故率。并且随着时间累积和数据丰富，模型的预测准确性会不断提高。

2.本发明方法能够实时连续采集电梯运行参数并进行计算，解决了维保人员无法实时掌握电梯运行状态并及时处理电梯运行中产生的故障的问题。本本发明方法不依赖于电梯原有电机系统，适用于不同型号的电梯，算法可移植性高。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例的方法流程图；

图2是本发明实施例的结构示意图；

图3是本发明实施例的bp神经网络结构图。

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用以解释本发明，并不用于限定本发明。

如图1和图2所示，一种基于BP神经网络的电梯故障预测方法，包括以下步骤：

1)通过安装于电梯轿厢顶部的传感器组，采集电梯运动的实时数据；

电梯设备在正常运行时的加速度和速度变化在一定合理区间内具有连续性。在一次完整的启动到匀速运行或者匀速运行到停止的过程中，电梯轿厢的运行速度加速度将满足从零加速到某个加速度值再减速到零的过程；在一次完整的启停过程中，电梯轿厢的运行速度将满足从零加速到某个匀速值再减速到零的变化过程。尽管电梯每次的载重值的差异会导致匀速值及加速度的不同，但上述各加速度及速度仍应该在其安全运行的区间。否则电梯设备的电动机、悬挂绳、安全钳和载重传感器等部件可能存在安全隐患。

考虑到电梯在运行中的轻微晃动，电梯设备在正常运行时在X、Y和Z轴三个方向上均应该保持很小的倾角，其三维运行姿态仍应在其安全运行区间内。否则电梯设备的导轨、导靴和减震器等部件可能存在安全隐患。

因此我们先根据国家标准设定速度参数值、加速度参数值以及三位角速度参数值作为电梯运动的标准数据。再通过MEMS六轴运动传感器采集电梯轿厢三维加速度和角速度信号，获得轿厢实时运行状态数据，并将其传输到后台服务器的数据库，为接下来训练bp神经网络做准备。因此，历史数据和标准数据包括电梯轿厢的三维加速度数据、三维运行姿态数据、z方向加速度数据进行预小波变换后的频谱数据以及针对具体电梯设备的初始数据。

2)按照时间顺序，进行数据的特征参量提取。根据各类型数据在相同时间长度采样点的权重进行整合及归一化处理；对所述处理后的数据以N个数据点为一组进行分割，获得各组训练样本矢量数据；并根据各组训练样本数据分别对应的电梯故障类型，获得各组矢量数据的故障类型。将百分之七十的矢量数据作为上述的训练样本，百分之三十作为上述的测试样本。

3)建立bp神经网络诊断模型，输入采集的数据样本，进行训练；bp神经网络由输入节点层、隐含层、输出节点层和层间节点的连接组成，如图3。根据各组训练样本的N个矢量数据即获得待构建bp神经网络输入层神经元数目N；根据输入层神经元数目N和输出层神经元数目M可获得隐含层神经元数目K。

bp神经网络的训练过程如下：

①神经网络初始化，输入层神经节点数为系统特征因子(自变量)数N，输出层节点数为系统目标个数M。隐含层节点一般设为输入层节点数的75％。

②为网络提供一组训练样本；

③对每个训练样本p循环；

a.逐层正向计算网络各节点的输入和输出；

b.计算第p个样本的输出误差和网络的总误差E；

c.当E小于允许误差ε或者达到指定的迭代次数时，学习过程结束；否则，进行误差反向传播；

d.反向逐层计算网络各节点误差；

e.修正网络连接权值；

其中隐含层的激励函数g(x)为sigmoid函数

输入节点层的目标误差函数为：

其中Y_k为期望输出。

隐含层的输出为：

其中j为输入层节点；i为隐含层节点。

输出层的输出为：

其中k为隐含层节点，m为输入层节点。

4)再将测试样本输入到已训练好的bp神经网络，根据训练样本与测试样本的识别正确率，优化其训练算法、隐含层数，隐含层节点数和迭代次数，使用优化后的神经网络参数配置，对电梯进行故障检测。

测试样本矢量数据及其所对应的电梯故障类型，针对训练后的bp神经网络进行测试。针对测试结果，采用所述神经网络误差函数进行分析，获得训练后的精度。虽然在一定程度下，增加隐含层数、隐含层节点数、迭代次数，可以提高识别正确率；但超过一定程度也会出现过拟合的现象，即随着训练能力的提高，预测能力反而降低。这是由于网络学习了过多的样本细节，无法反映样本所包含的规律。因此需要通过调整输入层神经元数目N、输出层神经元数目M 以及隐含层神经元数目K提高所述神经网络精度。

将实时采集到并预处理后的电梯运动数据输入已经训练好的bp神经网络，实时对电梯设备当前运行参数进行分析，推断其是否正常，并根据累计数据的变化趋势推断潜在风险发生的概率。

网络根据输入数据及历史数据综合推算出本部电梯存在风险的概率，当概率超过初始设定的阈值时，将发出安全故障警告。所述电梯故障类型分别为：电梯设备的电动机、悬挂绳、安全钳和载重传感器等部件出现故障；或者电梯设备的导轨、导靴和减震器等部件出现故障。

本申请的技术方案能够通过构建bp神经网络对电梯故障进行诊断预测，可以发现处于萌芽状态的故障风险，及时通知维保人员进行检修，降低电梯事故率，并且随着时间累积和数据丰富，模型的预测准确性会不断提高。还能够实时连续采集电梯运行参数并进行计算，解决了维保人员无法实时掌握电梯工作状态并及时处理电梯运行中产生故障的问题。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (5)

1.一种基于BP神经网络的电梯故障预测方法，其特征在于，包括以下步骤：

1)通过安装于电梯轿厢顶部的传感器组，采集电梯运动的实时数据，并通过安装于轿厢上及梯井顶部的数据传输设备将数据上传至数据库；

2)对已采集到的电梯运动的历史数据和标准数据进行预处理并提取特征参量，其中一部分作为训练样本，另一部分作为测试样本；

3)建立bp神经网络诊断模型，输入采集的训练样本，进行训练；

4)再将测试样本输入到已训练好的bp神经网络，根据训练样本与测试样本的识别正确率，通过调整隐含层数、隐含层节点数和迭代次数优化训练算法，使用优化后的神经网络参数配置，对电梯进行故障检测。

2.根据权利要求1所述的基于BP神经网络的电梯故障预测方法，其特征在于，所述步骤1)中的传感器组包括采集电梯轿厢三维加速度和角速度信号的MEMS六轴运动传感器和采集电梯轿厢所在高度气压信号的气压传感器。通过处理电梯运动加速度、角速度信号和高度信号，获得轿厢实时运行状态数据，并将其上传到后台服务器的数据库中。

3.根据权利要求1所述的基于BP神经网络的电梯故障预测方法，其特征在于，所述步骤2)中的历史数据和标准数据包括电梯轿厢的三维加速度数据、三维运行姿态数据、z方向加速度数据进行预小波变换后的频谱数据以及针对具体电梯设备的初始数据。

4.根据权利要求1所述的基于BP神经网络的电梯故障预测方法，其特征在于，所述步骤2)中特征参量提取方法按照时间顺序，根据各类型数据在相同时间长度采样点的权重进行整合及归一化处理；对所述处理后的数据以N个数据点为一组进行分割，获得各组训练样本矢量数据；并根据各组训练样本数据分别对应的电梯故障类型，获得各组矢量数据的故障类型。

5.根据权利要求1所述的基于BP神经网络的电梯故障预测方法，其特征在于，所述步骤3)中所述bp神经网络由输入节点层、隐含层、输出节点层和层间节点的连接组成；根据各组训练样本包括的N个矢量数据即获得待构建bp神经网络输入层神经元数目N；根据输入层神经元数目N和输出层神经元数目M可获得隐含层神经元数目K；所述隐含层的激励函数g(x)为sigmoid函数

所述输入节点层的目标误差函数为：

其中，Y_k为期望输出值；O_k为输出层的实际输出值；

所述隐含层的输出为：

其中，j为输入层节点；i为隐含层节点。

所述输出层的输出为：

其中，k为隐含层节点，m为输入层节点。