CN109726736A - 训练电梯抱闸故障诊断模型、抱闸故障诊断的方法及系统 - Google Patents
训练电梯抱闸故障诊断模型、抱闸故障诊断的方法及系统 Download PDFInfo
- Publication number
- CN109726736A CN109726736A CN201811429230.4A CN201811429230A CN109726736A CN 109726736 A CN109726736 A CN 109726736A CN 201811429230 A CN201811429230 A CN 201811429230A CN 109726736 A CN109726736 A CN 109726736A
- Authority
- CN
- China
- Prior art keywords
- signal
- elevator
- training
- brake
- identified
- 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
Links
- 238000012549 training Methods 0.000 title claims abstract description 153
- 238000003745 diagnosis Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 63
- 239000013598 vector Substances 0.000 claims abstract description 39
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 32
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 230000015654 memory Effects 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013102 re-test Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Landscapes
- Maintenance And Inspection Apparatuses For Elevators (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
本发明公开了一种训练电梯抱闸故障诊断模型、抱闸故障诊断的方法及系统，其中，训练电梯抱闸故障诊断模型的方法，包括：获取电梯的抱闸训练信号对其进行小波包分解，将各频带信号的能量构建电梯的抱闸训练信号的特征信息；利用特征信息对神经网络模型训练得到电梯抱闸故障诊断模型。利用对电梯抱闸信号小波分解后的各频带信号的能量作为故障敏感的特征参数，有利于提升电梯抱闸故障诊断的可信度。本发明提供的电梯抱闸故障诊断方法及系统，将采集电梯抱闸信号输入电梯抱闸故障诊断模型中，通过不同特征向量识别正常和故障异常时对应的能量在不同频带的特征，实时监控电梯抱闸的状态，在闸瓦发生松动或异常时及时告警，避免了电梯安全事故的发生。
Description
技术领域
本发明涉及机电设备安全技术领域，具体涉及一种训练电梯抱闸故障诊断模型、抱闸故障诊断的方法及系统。
背景技术
电梯给人们带来了更多便利的同时，其故障问题也会严重影响人们的安全。由于电梯需要长时间运行，其安全隐患很大，特别是电梯抱闸，它是电梯最重要的安全保障，一旦发生问题会造成致命的后果。抱闸是当电梯轿厢处于静止且马达处于失电状态下防止电梯再移动的机电装置。目前，现有的大部分电梯系统工作机制缺少抱闸故障检测手段，当抱闸瓦片松动时，并不会影响门锁回路和安全回路的工作状态。因为只是闸瓦瓦片出现松动，安全回路和门锁回路可能都是正常状态并也能够正常的开闸和下闸，电梯系统虽然是显示正常工作的，但其实电梯此时是存在较大的安全隐患。并且一般只能进行人工的检测维修，人工检查的方式不具备实时性，可靠性不高，不能有效的实时掌控电梯抱闸状态，存在很大安全隐患。
发明内容
因此，本发明提供一种训练电梯抱闸故障诊断模型、抱闸故障诊断的方法及系统，克服了现有技术中不能有效的实时掌控电梯抱闸状态，存在安全隐患的缺陷。
第一方面，本发明实施例提供了一种训练电梯抱闸故障诊断模型的方法，包括如下步骤：获取电梯的抱闸训练信号；对所述电梯的抱闸训练信号进行小波包分解，提取所述电梯的抱闸训练信号中的各频带信号；获取所述各频带信号的能量；根据所述各频带信号的能量构建所述电梯的抱闸训练信号的特征信息；利用所述特征信息对神经网络模型进行训练，得到所述电梯抱闸故障诊断模型。
在一实施例中，所述电梯的抱闸训练信号包括：正常抱闸训练信号和异常抱闸训练信号。
在一实施例中，所述根据所述各频带信号的能量构建所述电梯的抱闸训练信号的特征信息的步骤，包括：以所述各频带信号的能量为元素，构建所述电梯的抱闸训练信号的特征向量；对所述特征向量进行归一化处理，生成所述特征信息。
在一实施例中，所述利用所述特征信息对神经网络模型进行训练，得到所述电梯抱闸故障诊断模型的步骤，包括：提取第一预设数量电梯的抱闸训练信号的特征信息作为训练样本，输入到概率神经网络模型进行训练；提取第二预设数量电梯的抱闸训练信号的特征信息作为测试数据，输入到所述概率神经网络模型，得到诊断结果；判断所述诊断结果的准确率大于或等于预设阈值；当所述诊断结果的准确率大于或等于预设阈值时，得到所述电梯抱闸故障诊断模型。
在一实施例中，当所述诊断结果的准确率小于预设阈值时，调整所述概率神经网络模型的关键参数，直至诊断结果的准确率大于或等于所述预设阈值时，得到所述电梯抱闸故障诊断模型。
第二方面，本发明实施例提供一种电梯抱闸故障诊断的方法，包括如下步骤：获取待识别的电梯抱闸信号；对所述待识别的电梯抱闸信号进行小波包分解，提取所述待识别的电梯抱闸信号中的各频带信号；获取所述待识别的电梯抱闸信号各频带信号的能量；利用所述待识别的电梯抱闸信号各频带信号的能量构建所述待识别电梯抱闸信号的特征信息；根据所述待识别电梯抱闸信号的特征信息确定所述待识别的电梯抱闸信号所对应的结果信息，其中，所述结果信息用于指示所述待识别的电梯抱闸信号是否为故障信号。
在一实施例中，所述根据所述待识别电梯抱闸信号的特征信息确定所述待识别的电梯抱闸信号所对应的结果信息的步骤，包括：将所述待识别电梯抱闸信号的特征信息，输入到根据本发明提供第一方面所述的训练电梯抱闸故障诊断模型的方法得到的电梯抱闸故障诊断模型以得到所述结果信息。
在一实施例中，所述将所述待识别电梯抱闸信号的特征信息，输入到根据提供第一方面所述的训练电梯抱闸故障诊断模型的方法得到的电梯抱闸故障诊断模型以得到所述结果信息的过程，包括：对训练样本的特征向量以及待识别的电梯抱闸信号的特征向量进行归一化处理；将归一化处理后训练样本的特征向量以及待识别的电梯抱闸信号的特征向量输入到所述电梯抱闸故障诊断模型；计算所述归一化处理后的训练样本的特征向量与待识别的电梯抱闸信号的特征向量的匹配度；根据所述匹配度及预设激活函数得到所述结果信息。
第三方面，本发明实施例提供一种训练电梯抱闸故障诊断模型的系统，包括：电梯的抱闸训练信号获取模块，用于获取电梯的抱闸训练信号；训练频带信号提取模块，用于对所述电梯的抱闸训练信号进行小波包分解，提取所述电梯的抱闸训练信号中的各频带信号；训练频带信号能量获取模块，用于获取所述各频带信号的能量；特征信息构建模块，用于利用所述各频带信号的能量构建所述电梯的抱闸训练信号的特征信息；训练模块，用于利用所述特征信息对神经网络模型进行训练，得到所述电梯抱闸故障诊断模型。
第四方面，本发明提供一种电梯抱闸故障诊断的系统，包括：待识别的电梯抱闸信号获取模块，用于获取待识别的电梯抱闸信号；待识别频带信号提取模块，对所述待识别的电梯抱闸信号进行小波包分解，提取所述待识别的电梯抱闸信号中的各频带信号；待识别频带信号能量获取模块，用于获取所述待识别的电梯抱闸信号各频带信号的能量；待识别频带信号特征信息构建模块，利用所述待识别的电梯抱闸信号各频带信号的能量构建所述待识别电梯抱闸信号的特征信息；结果信息确定模块，用于根据所述待识别电梯抱闸信号的特征信息确定所述待识别的电梯抱闸信号所对应的结果信息，其中，所述结果信息用于指示所述待识别的电梯抱闸信号是否为故障信号。
第五方面，本发明提供一种计算机设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行本发明提供的第一方面或第二方面任一项所述的方法。
第六方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行本发明提供的第一方面或第二方面任一项所述的方法。
本发明技术方案，具有如下优点：
1、本发明实施例提供了一种训练电梯抱闸故障诊断模型的方法及系统，其中，训练电梯抱闸故障诊断模型的方法，包括：获取电梯的抱闸训练信号，对电梯的抱闸训练信号进行小波包分解，提取电梯的抱闸训练信号中的各频带信号；进而获取各频带信号的能量构建电梯的抱闸训练信号的特征信息；利用特征信息对神经网络模型进行训练，得到电梯抱闸故障诊断模型。由于电梯抱闸系统出现故障时，会对各频带内信号的能量有较大的影响，本发明提供的训练电梯抱闸故障诊断模型的方法及系统，利用对电梯抱闸信号小波分解后的各频带信号的能量作为故障敏感的特征参数，有利于提升电梯抱闸故障诊断的可信度。
2、本发明提供的电梯抱闸故障诊断的方法及系统，将采集电梯抱闸信号输入电梯抱闸故障诊断模型中，通过不同特征向量识别正常和故障异常时对应的能量在不同频带的特征，进而通过识别运行中的电梯抱闸信号，实时监控电梯抱闸的状态，在闸瓦发生松动或异常时，及时进行告警，避免了电梯安全事故的发生。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的训练电梯抱闸故障诊断模型的方法的一个具体示例的流程图；
图2为本发明实施例提供的训练电梯抱闸故障诊断模型的方法中执行步骤S5的一个具体示例的流程图；
图3为本发明实施例提供的训练电梯抱闸故障诊断模型的方法中测试数据分类结果误差分析结果示意图。
图4为本发明实施例提供的电梯抱闸故障诊断的方法的一个具体示例的流程图；
图5为本发明实施例提供的电梯抱闸故障诊断的方法中执行步骤S15的一个具体示例的流程图；
图6为本发明实施例提供的训练电梯抱闸故障诊断模型的系统一个具体示例的组成图；
图7为本发明实施例提供的电梯抱闸故障诊断的系统一个具体示例的组成图；
图8为本发明实施例提供的计算机设备的一个具体示例的组成图。
具体实施方式
下面将结合附图对本发明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。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本发明实施例提供一种训练电梯抱闸故障诊断模型的方法，如图1所示，该方法包括如下步骤：
步骤S1：获取电梯的抱闸训练信号。
本发明实施例中，将压电式加速度传感器固定在抱闸闸瓦上，获取电梯的抱闸信号。电梯的抱闸训练信号包括：正常抱闸训练信号和异常抱闸训练信号。
步骤S2：对电梯的抱闸训练信号进行小波包分解，提取电梯的抱闸训练信号中的各频带信号。
小波包分解实质上是对被检测信号的多带通滤波，电梯正常运行状态与故障状态下的机器的输出信号的各频带的成分是不同的，基于此通过分析机器结构和失效机理可找出机器的特征频率，根据这些频率分量的变化确定故障是否发生直至找出故障原因。利用小波分解对传感器采集的信号进行分解，对分解后的不同频带内的分解系数进行时域重构，分别对重构时间序列的方法提取对故障敏感的特征参数。
本发明实施例中，对获取电梯的抱闸训练信号进行三层小波包分解(仅以此举例不以此为限，在其他实施例中，可以为对电梯的抱闸训练信号进行其他层的小波包分解)分别提取由低频到高频的8个频带的小波包分解系数，其中，(0,0)节点代表原始信号S，(1,0)节点代表小波包分解的第一层低频系数X10，其他节点以此类推。
本发明实施例中，只对第三层所有节点进行分析，则总信号S可以表示为：
S＝S30+S31+S32+S33+S34+S35+S36+S37
其中，S3j(j＝0，1，…，7)表示8个频段的小波包分解信号。假定原始信号S中，最低频率成分为0，最高频率成分为1，则提取的S3j(j＝0，1，…，7)所代表的频率范围见表1所示：
表1
步骤S3：获取各频带信号的能量。
由于电梯抱闸系统出现故障时，会对各频带内信号的能量有较大的影响，因此本发明实施例中，将各频带信号的能量作为故障敏感的特征参数，设S3j(j＝0，1，…，7)对应的能量为E3j(j＝0，1，…，7)，通过公式(1)计算各频带信号的能量：
其中，x表示信号中离散点的具体值；k表示信号的长度。
步骤S4：根据各频带信号的能量构建电梯的抱闸训练信号的特征信息。
本发明实施例中，以各频带信号的能量为元素可以构造一个特征向量，特征向量T构造如下：
T＝[E30，E31，E32，E33，E34，E35，E36，E37] (2)，
在实际应用中，当能量较大时，E3j(j＝0，1，…，7)通常是一个较大的数值，在数据分析上会带来不便。由此，可以对特征向量T进行改进，即对向量进行归一化处理，令
则为归一化后的向量T′为：
T′＝[E30/E，E31/E，E32/E，E33/E，E34/E，E35/E，E36/E，E37/E，]。
步骤S5：利用特征信息对神经网络模型进行训练，得到电梯抱闸故障诊断模型。
在一具体实施例中，执行步骤S5，如图2所示，具体包括以下步骤：
步骤S51：提取第一预设数量电梯的抱闸训练信号的特征信息作为训练样本，输入到概率神经网络模型进行训练。
步骤S52：提取第二预设数量电梯的抱闸训练信号的特征信息作为测试数据，输入到概率神经网络模型，得到诊断结果。
在本发明实施例中，分别获取25个正常抱闸训练信号(分为两组，分别如表2和表3中所示)和分别取25个异常抱闸训练信号(分为两组，分别表4和表5中所示)的小波分解结果进行分析，分别选取四个表中的前五个信号，共20个信号的特征向量为训练样本，对概率神经网络模型进行训练，每组信号剩余信号的特征向量，共30个信号作为测试数据。
表2
表3
| E<sub>30</sub> | E<sub>31</sub> | E<sub>32</sub> | E<sub>33</sub> | E<sub>34</sub> | E<sub>35</sub> | E<sub>36</sub> | E<sub>37</sub> | |
| 1 | 1.1394 | 0.3875 | 0.3979 | 0.4986 | 0.7579 | 0.6243 | 0.4323 | 0.5190 |
| 2 | 1.1283 | 0.3541 | 0.3562 | 0.4270 | 0.7110 | 0.6047 | 0.3800 | 0.4946 |
| 3 | 1.1421 | 0.3544 | 0.3580 | 0.4245 | 0.7109 | 0.6011 | 0.3902 | 0.4814 |
| 4 | 1.1439 | 0.3528 | 0.3583 | 0.4112 | 0.7180 | 0.6191 | 0.3805 | 0.4779 |
| 5 | 1.1370 | 0.3607 | 0.3657 | 0.4405 | 0.7373 | 0.6259 | 0.4011 | 0.5169 |
| 6 | 1.1382 | 0.3504 | 0.3568 | 0.4262 | 0.7229 | 0.6323 | 0.3761 | 0.5003 |
| 7 | 1.1358 | 0.3549 | 0.3666 | 0.4215 | 0.7220 | 0.6264 | 0.3789 | 0.4864 |
| 8 | 1.1243 | 0.3633 | 0.3701 | 0.4429 | 0.7478 | 0.6710 | 0.3989 | 0.5099 |
| 9 | 1.1227 | 0.3399 | 0.3526 | 0.4210 | 0.7090 | 0.6183 | 0.3740 | 0.4962 |
| 10 | 1.1289 | 0.3780 | 0.3802 | 0.4574 | 0.7547 | 0.6339 | 0.4082 | 0.5083 |
| 11 | 1.1322 | 0.3490 | 0.3583 | 0.4241 | 0.7169 | 0.6077 | 0.3780 | 0.4916 |
| 12 | 1.1493 | 0.3756 | 0.3776 | 0.4482 | 0.7551 | 0.6593 | 0.3994 | 0.5087 |
| 13 | 1.1261 | 0.3342 | 0.3438 | 0.4121 | 0.6618 | 0.5551 | 0.3585 | 0.4546 |
| 14 | 1.1142 | 0.3885 | 0.4015 | 0.4832 | 0.7902 | 0.6685 | 0.4329 | 0.5311 |
| 15 | 1.0853 | 0.3119 | 0.3170 | 0.3694 | 0.5688 | 0.4737 | 0.3822 | 0.3934 |
表4
表5
| E<sub>30</sub> | E<sub>31</sub> | E<sub>32</sub> | E<sub>33</sub> | E<sub>34</sub> | E<sub>35</sub> | E<sub>36</sub> | E<sub>37</sub> | |
| 1 | 1.2127 | 0.4192 | 0.4067 | 0.5405 | 0.7660 | 0.7342 | 0.4460 | 0.7082 |
| 2 | 1.2353 | 0.4396 | 0.4848 | 0.6170 | 0.8286 | 0.7395 | 0.5102 | 0.7590 |
| 3 | 1.2426 | 0.5008 | 0.5174 | 0.5782 | 0.9334 | 0.8340 | 0.5060 | 0.7948 |
| 4 | 1.2036 | 0.4218 | 0.4536 | 0.5511 | 0.8648 | 0.7773 | 0.4841 | 0.6780 |
| 5 | 1.1916 | 0.3794 | 0.4156 | 0.4998 | 0.8156 | 0.7320 | 0.4553 | 0.6432 |
| 6 | 1.2086 | 0.4061 | 0.4535 | 0.5432 | 0.8499 | 0.7536 | 0.4841 | 0.7032 |
| 7 | 1.2166 | 0.4182 | 0.4717 | 0.5802 | 0.8450 | 0.7842 | 0.5036 | 0.7088 |
| 8 | 1.2201 | 0.3923 | 0.4152 | 0.4918 | 0.7941 | 0.6958 | 0.4611 | 0.6519 |
| 9 | 1.1966 | 0.3703 | 0.3868 | 0.4940 | 0.7576 | 0.7251 | 0.4106 | 0.6323 |
| 10 | 1.1872 | 0.3685 | 0.3870 | 0.4869 | 0.7683 | 0.7238 | 0.4618 | 0.6246 |
| 11 | 1.1931 | 0.3845 | 0.4128 | 0.5426 | 0.7649 | 0.7493 | 0.4638 | 0.6662 |
| 12 | 1.1720 | 0.3751 | 0.4273 | 0.5025 | 0.7337 | 0.6909 | 0.4318 | 0.6543 |
| 13 | 1.1846 | 0.3407 | 0.3557 | 0.4607 | 0.6541 | 0.6496 | 0.3717 | 0.5497 |
| 14 | 1.1792 | 0.3783 | 0.4365 | 0.5024 | 0.8595 | 0.7469 | 0.4415 | 0.6768 |
步骤S53：判断诊断结果的准确率大于或等于预设阈值。
本发明实施例中，诊断结果的准确率的预设阈值为92％(仅以此举例，不以此为限)，30组测试数据分类结果误差分析结果如图3所示，在30组测试数据中，有2组数据经概率神经网络模型分类得出结果错误，分类的正确率为93.33％，因此，诊断结果的准确率大于预设阈值。
步骤S54：当诊断结果的准确率大于或等于预设阈值时，得到电梯抱闸故障诊断模型。
本发明实施例中，当测试数据的分类结果的准确率大于预设阈值，说明概率神经网络模型中的关键参数，例如连接权重、平滑因子等的设置合理，进而确定该概率神经网络模型为电梯抱闸故障诊断模型。
步骤S55：当诊断结果的准确率小于预设阈值时，调整概率神经网络模型的关键参数，返回执行步骤S52重新进行测试得到诊断结果，直至诊断结果的准确率大于或等于预设阈值时，得到电梯抱闸故障诊断模型。
本发明实施例中，当测试数据的分类结果的准确率小于预设的准确率阈值时，合理的调整连接权重、平滑因子等概率神经网络模型的关键参数，使得测试数据的分类结果的准确率大于或等于预设阈值时，确定该概率神经网络模型为电梯抱闸故障诊断模型。
本发明实施例提供的训练电梯抱闸故障诊断模型的方法，对获取正常抱闸训练信号和异常抱闸训练信号进行小波包分解，提取训练信号中的各频带信号；获取各频带信号的能量作为电梯的抱闸训练信号的特征向量，将提取的多组特征向量输入概率神经网络进行训练，得到电梯抱闸故障诊断模型，本发明提供的训练电梯抱闸故障诊断模型的方法，利用对电梯抱闸信号小波分解后的各频带信号的能量作为故障敏感的特征参数，有利于提升电梯抱闸故障诊断的可信度。
实施例2
本发明实施例提供一种电梯抱闸故障诊断的方法，如图4所示，包括如下步骤：
步骤S11:获取待识别的电梯抱闸信号。
本发明实施例中，是将压电式加速度传感器固定在抱闸闸瓦上实时采集到的电梯抱闸信号。
步骤S12:对待识别的电梯抱闸信号进行小波包分解，提取待识别的电梯抱闸信号中的各频带信号。
本发明实施例中，对获取电梯的抱闸训练信号进行三层小波包分解(仅以此举例不以此为限，在其他实施例中，可以对电梯的抱闸训练信号进行其他层数的小波包分解)分别提取由低频到高频的8个频带的小波包分解系数，对第三层所有信号进行分析。
步骤S13:获取待识别的电梯抱闸信号各频带信号的能量。
本发明实施例中，通过上述的公式(1)计算待识别的电梯抱闸信号各频带信号的能量，在此不再赘述。
步骤S14:利用待识别的电梯抱闸信号各频带信号的能量构建待识别电梯抱闸信号的特征信息。
步骤S15:根据待识别电梯抱闸信号的特征信息确定待识别的电梯抱闸信号所对应的结果信息，其中，结果信息用于指示待识别的电梯抱闸信号是否为故障信号。
本实施例中，将待识别电梯抱闸信号的特征信息，输入到根据实施例1中所述的训练电梯抱闸故障诊断模型的方法得到的电梯抱闸故障诊断模型以得到结果信息，如图5所示，具体包括：
步骤S21:对训练样本的特征向量以及待识别的电梯抱闸信号的特征向量进行归一化处理。
本发明实施例中，设X为训练样本矩阵，该矩阵的训练样本有m个，每一个样本位数为n如下：
归一化系数为：
归一化后的训练样本C为：Cm×n＝Bm×1[11…1]1×n·Xm×n。
本发明实施例中，假设将由P个n维向量组成的矩阵称为待识别样本矩阵，则经归一化后，需要待识别的输入样本矩阵为：
归一化的训练样本Ci(i＝0，1，…，m)；归一化的待识别分类样本Di(i＝0，1，…，p)。
步骤S22：将归一化处理后训练样本的特征向量以及待识别的电梯抱闸信号的特征向量输入到电梯抱闸故障诊断模型。
本发明实施例中，使用的电梯抱闸故障诊断模型为上述实施例1中训练的概率神经网络模型，归一化处理后训练样本的特征向量以及待识别的电梯抱闸信号的特征向量输入输入层。
步骤S23：计算归一化处理后的训练样本的特征向量与待识别的电梯抱闸信号的特征向量的匹配度。
在电梯抱闸故障诊断模型中，通过计算模式距离来确定待识别的电梯抱闸信号与训练样本之间的匹配度，本发明实施例中，通过公式(4)计算欧氏距离，即计算待识别的归一化的样本向量di与每一个归一化后的训练样本C的欧式距离E:
步骤S24：根据匹配度及预设激活函数得到结果信息。
本发明实施例中，通过高斯函数激活模式层，归一化后的训练样本与待识别样本，被取平滑因子即标准差为б＝0.1的高斯函数激活，得到初始概率矩阵：
其中，为高斯函数。
假设样本有m个，那么一共可以分为C类，并且各类样本的数目都相同，设为k，则可以在概率神经网络模型中的求和层求得各个样本属于各类的初始概率和S：
其中，ppl表示各个样本属于各类的初始概率。
通过公式(5)计算概率probij，即第i个样本属于第j类的概率：
其中，Sij表示第i个样本的初始概率和，Sil表示某个已知类别的初始概率和。
本发明实施例中，根据计算的概率结果，在输出层可以将待识别的电梯抱闸信号分为正常信号和异常信号两类。
本发明实施例提供的电梯抱闸故障诊断方法，通过对获取待识别的电梯抱闸信号，进行小波包分解，计算各频带信号的能量；利用各频带信号的能量构建待识别电梯抱闸信号的特征信息，将采集电梯抱闸信号输入电梯抱闸故障诊断模型中，通过不同的故障特征向量识别不同故障对应的能量在不同频带的特征，进而能够实时监控电梯抱闸的状态，在闸瓦发生松动或异常时，及时进行告警，避免了电梯安全事故的发生。
实施例3
本发明实施例提供一种训练电梯抱闸故障诊断模型的系统，如图6所示，包括：
抱闸训练信号获取模块1，用于获取电梯的抱闸训练信号。具体地，该抱闸训练信号获取模块1可执行实施例1中步骤S1所描述的方法，在此不再赘述。
训练频带信号提取模块2，用于对所述电梯的抱闸训练信号进行小波包分解，提取所述电梯的抱闸训练信号中的各频带信号。具体地，该训练频带信号提取模块2可执行实施例1中步骤S2所描述的方法，在此不再赘述。
训练频带信号能量获取模块3，用于获取所述各频带信号的能量。具体地，该训练频带信号能量获取模块3可执行实施例1中步骤S3所描述的方法，在此不再赘述。
特征信息构建模块4，用于利用所述各频带信号的能量构建所述电梯的抱闸训练信号的特征信息。具体地，该特征信息构建模块4可执行实施例1中步骤S4所描述的方法，在此不再赘述。
训练模块5，用于利用所述特征信息对神经网络模型进行训练，得到所述电梯抱闸故障诊断模型。具体地，该训练模块5可执行实施例1中步骤S5所描述的方法，在此不再赘述。
本发明实施例提供的训练电梯抱闸故障诊断模型的方法，对获取正常抱闸训练信号和异常抱闸训练信号进行小波包分解，提取训练信号中的各频带信号；获取各频带信号的能量作为电梯的抱闸训练信号的特征向量，将提取的多组特征向量输入概率神经网络进行训练，得到电梯抱闸故障诊断模型，本发明提供的训练电梯抱闸故障诊断模型系统，利用对电梯抱闸信号小波分解后的各频带信号的能量作为故障敏感的特征参数，有利于提升电梯抱闸故障诊断的可信度。
实施例4
本发明实施例提供一种训练电梯抱闸故障诊断模型的系统，如图7所示，包括：
待识别的电梯抱闸信号获取模块11，用于获取待识别的电梯抱闸信号。具体地，待识别的电梯抱闸信号获取模块11可执行实施例2中步骤S11所描述的方法，在此不再赘述。
待识别频带信号提取模块12，用于对所述待识别的电梯抱闸信号进行小波包分解，提取所述待识别的电梯抱闸信号中的各频带信号。具体地，该待识别频带信号提取模块12可执行实施例2中步骤S12所描述的方法，在此不再赘述。
待识别频带信号能量获取模块13，用于获取所述待识别的电梯抱闸信号各频带信号的能量。具体地，该待识别频带信号提取模块13可执行实施例2中步骤S13所描述的方法，在此不再赘述。
待识别频带信号特征信息构建模块14，用于利用所述各频带信号的能量构建所述电梯的抱闸训练信号的特征信息；具体地，该待识别频带信号特征信息构建模块14可执行实施例2中步骤S14所描述的方法，在此不再赘述。
结果信息确定模块15，用于根据待识别电梯抱闸信号的特征信息确定所述待识别的电梯抱闸信号所对应的结果信息，其中，所述结果信息用于指示所述待识别的电梯抱闸信号是否为故障信号。具体地，该结果信息确定模块15可执行实施例2中步骤S15所描述的方法，在此不再赘述。
本发明实施例提供的电梯抱闸故障诊断系统，通过对获取待识别的电梯抱闸信号，进行小波包分解，计算各频带信号的能量；利用各频带信号的能量构建待识别电梯抱闸信号的特征信息，将采集电梯抱闸信号输入电梯抱闸故障诊断模型中，通过不同的故障特征向量识别不同故障对应的能量在不同频带的特征，进而能够实时监控电梯抱闸的状态，在闸瓦发生松动或异常时，及时进行告警，避免了电梯安全事故的发生。
实施例5
本发明实施例提供一种计算机设备，如图8所示，包括：至少一个处理器401，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口403，存储器404，至少一个通信总线402。其中，通信总线402用于实现这些组件之间的连接通信。其中，通信接口403可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口403还可以包括标准的有线接口、无线接口。存储器404可以是高速RAM存储器(Ramdom Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器404可选的还可以是至少一个位于远离前述处理器401的存储装置。其中处理器401可以执行图1描述的训练电梯抱闸故障诊断模型的方法或图4描述的电梯抱闸故障诊断的方法，存储器404中存储一组程序代码，且处理器401调用存储器404中存储的程序代码，以用于执行实施例1中的训练电梯抱闸故障诊断模型的方法或实施例2描述的电梯抱闸故障诊断的方法，
其中，通信总线402可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。通信总线402可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条线表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器404可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard diskdrive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)；存储器404还可以包括上述种类的存储器的组合。
其中，处理器401可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。
其中，处理器401还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmablegate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic,缩写：GAL)或其任意组合。
可选地，存储器404还用于存储程序指令。处理器401可以调用程序指令，实现如本申请实施例1中的训练电梯抱闸故障诊断模型的方法或实施例2描述的电梯抱闸故障诊断的方法，
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机可执行指令，该计算机可执行指令可执行上述实施例1中的训练电梯抱闸故障诊断模型的方法或实施例2描述的电梯抱闸故障诊断的方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (12)
1.一种训练电梯抱闸故障诊断模型的方法，其特征在于，包括如下步骤：
获取电梯的抱闸训练信号；
对所述电梯的抱闸训练信号进行小波包分解，提取所述电梯的抱闸训练信号中的各频带信号；
获取所述各频带信号的能量；
根据所述各频带信号的能量构建所述电梯的抱闸训练信号的特征信息；
利用所述特征信息对神经网络模型进行训练，得到所述电梯抱闸故障诊断模型。
2.根据权利要求1所述的训练电梯抱闸故障诊断模型的方法，其特征在于，所述电梯的抱闸训练信号包括：正常抱闸训练信号和异常抱闸训练信号。
3.根据权利要求2所述的训练电梯抱闸故障诊断模型的方法，其特征在于，所述根据所述各频带信号的能量构建所述电梯的抱闸训练信号的特征信息的步骤，包括：
以所述各频带信号的能量为元素，构建所述电梯的抱闸训练信号的特征向量；
对所述特征向量进行归一化处理，生成所述特征信息。
4.根据权利要求3所述的训练电梯抱闸故障诊断模型的方法，其特征在于，所述利用所述特征信息对神经网络模型进行训练，得到所述电梯抱闸故障诊断模型的步骤，包括：
提取第一预设数量电梯的抱闸训练信号的特征信息作为训练样本，输入到概率神经网络模型进行训练；
提取第二预设数量电梯的抱闸训练信号的特征信息作为测试数据，输入到所述概率神经网络模型，得到诊断结果；
判断所述诊断结果的准确率大于或等于预设阈值；
当所述诊断结果的准确率大于或等于预设阈值时，得到所述电梯抱闸故障诊断模型。
5.根据权利要求4所述的训练电梯抱闸故障诊断模型的方法，其特征在于，当所述诊断结果的准确率小于预设阈值时，调整所述概率神经网络模型的关键参数，直至诊断结果的准确率大于或等于所述预设阈值时，得到所述电梯抱闸故障诊断模型。
6.一种电梯抱闸故障诊断的方法，其特征在于，包括如下步骤：
获取待识别的电梯抱闸信号；
对所述待识别的电梯抱闸信号进行小波包分解，提取所述待识别的电梯抱闸信号中的各频带信号；
获取所述待识别的电梯抱闸信号各频带信号的能量；
利用所述待识别的电梯抱闸信号各频带信号的能量构建所述待识别电梯抱闸信号的特征信息；
根据所述待识别电梯抱闸信号的特征信息确定所述待识别的电梯抱闸信号所对应的结果信息，其中，所述结果信息用于指示所述待识别的电梯抱闸信号是否为故障信号。
7.根据权利要求6所述的电梯抱闸故障诊断的方法，其特征在于，所述根据所述待识别电梯抱闸信号的特征信息确定所述待识别的电梯抱闸信号所对应的结果信息的步骤，包括：
将所述待识别电梯抱闸信号的特征信息，输入到根据权利要求1-5中任一项所述的训练电梯抱闸故障诊断模型的方法得到的电梯抱闸故障诊断模型以得到所述结果信息。
8.根据权利要求7所述的电梯抱闸故障诊断的方法，其特征在于，所述将所述待识别电梯抱闸信号的特征信息，输入到根据权利要求1-5中任一项所述的训练电梯抱闸故障诊断模型的方法得到的电梯抱闸故障诊断模型以得到所述结果信息的过程，包括：
对训练样本的特征向量以及待识别的电梯抱闸信号的特征向量进行归一化处理；
将归一化处理后训练样本的特征向量以及待识别的电梯抱闸信号的特征向量输入到所述电梯抱闸故障诊断模型；
计算所述归一化处理后的训练样本的特征向量与待识别的电梯抱闸信号的特征向量的匹配度；
根据所述匹配度及预设激活函数得到所述结果信息。
9.一种训练电梯抱闸故障诊断模型的系统，其特征在于，包括：
抱闸训练信号获取模块，用于获取电梯的抱闸训练信号；
训练频带信号提取模块，用于对所述电梯的抱闸训练信号进行小波包分解，提取所述电梯的抱闸训练信号中的各频带信号；
训练频带信号能量获取模块，用于获取所述各频带信号的能量；
特征信息构建模块，用于利用所述各频带信号的能量构建所述电梯的抱闸训练信号的特征信息；
训练模块，用于利用所述特征信息对神经网络模型进行训练，得到所述电梯抱闸故障诊断模型。
10.一种电梯抱闸故障诊断的系统，其特征在于，包括：
待识别的电梯抱闸信号获取模块，用于获取待识别的电梯抱闸信号；
待识别频带信号提取模块，用于对所述待识别的电梯抱闸信号进行小波包分解，提取所述待识别的电梯抱闸信号中的各频带信号；
待识别频带信号能量获取模块，用于获取所述待识别的电梯抱闸信号各频带信号的能量；
待识别频带信号特征信息构建模块，利用所述待识别的电梯抱闸信号各频带信号的能量构建所述待识别电梯抱闸信号的特征信息；
结果信息确定模块，用于根据所述待识别电梯抱闸信号的特征信息确定所述待识别的电梯抱闸信号所对应的结果信息，其中，所述结果信息用于指示所述待识别的电梯抱闸信号是否为故障信号。
11.一种计算机设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述权利要求1-5中或6-8中任一项所述的方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行所述权利要求1-5中或6-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811429230.4A CN109726736A (zh) | 2018-11-27 | 2018-11-27 | 训练电梯抱闸故障诊断模型、抱闸故障诊断的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811429230.4A CN109726736A (zh) | 2018-11-27 | 2018-11-27 | 训练电梯抱闸故障诊断模型、抱闸故障诊断的方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109726736A true CN109726736A (zh) | 2019-05-07 |
Family
ID=66294971
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811429230.4A Pending CN109726736A (zh) | 2018-11-27 | 2018-11-27 | 训练电梯抱闸故障诊断模型、抱闸故障诊断的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109726736A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112149289A (zh) * | 2020-09-11 | 2020-12-29 | 西人马联合测控（泉州）科技有限公司 | 电梯抱闸故障确定方法、装置、设备及存储介质 |
| CN117163790A (zh) * | 2023-09-05 | 2023-12-05 | 山东广日数字科技有限公司 | 一种故障报警方法、故障报警装置、电梯及可读存储介质 |
| CN117361256A (zh) * | 2023-10-10 | 2024-01-09 | 广东全联富士电梯有限公司 | 一种基于人工智能的电梯安全管理方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103489009A (zh) * | 2013-09-17 | 2014-01-01 | 北方信息控制集团有限公司 | 基于自适应修正神经网络的模式识别方法 |
| CN205772586U (zh) * | 2016-04-11 | 2016-12-07 | 西人马（厦门）科技有限公司 | 电梯故障诊断装置、和用于电梯故障诊断的控制器 |
| CN106219342A (zh) * | 2016-08-19 | 2016-12-14 | 广州广日电梯工业有限公司 | 基于时频转换算法的电梯自诊断及预诊断系统和方法 |
| CN107202952A (zh) * | 2017-07-06 | 2017-09-26 | 北京信息科技大学 | 基于小波神经网络的回转窑故障诊断方法、故障诊断gui及系统 |
| CN108535648A (zh) * | 2018-03-29 | 2018-09-14 | 上海交通大学 | 电机故障诊断方法和系统 |
-
2018
- 2018-11-27 CN CN201811429230.4A patent/CN109726736A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103489009A (zh) * | 2013-09-17 | 2014-01-01 | 北方信息控制集团有限公司 | 基于自适应修正神经网络的模式识别方法 |
| CN205772586U (zh) * | 2016-04-11 | 2016-12-07 | 西人马（厦门）科技有限公司 | 电梯故障诊断装置、和用于电梯故障诊断的控制器 |
| CN106219342A (zh) * | 2016-08-19 | 2016-12-14 | 广州广日电梯工业有限公司 | 基于时频转换算法的电梯自诊断及预诊断系统和方法 |
| CN107202952A (zh) * | 2017-07-06 | 2017-09-26 | 北京信息科技大学 | 基于小波神经网络的回转窑故障诊断方法、故障诊断gui及系统 |
| CN108535648A (zh) * | 2018-03-29 | 2018-09-14 | 上海交通大学 | 电机故障诊断方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| 李震球 等: "基于概率神经网络的配电网接地故障选线方法", 《南昌大学学报(工科版)》 * |
| 贺无名 等: "基于LS-SVM的电梯制动器故障诊断", 《工矿自动化》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112149289A (zh) * | 2020-09-11 | 2020-12-29 | 西人马联合测控（泉州）科技有限公司 | 电梯抱闸故障确定方法、装置、设备及存储介质 |
| CN117163790A (zh) * | 2023-09-05 | 2023-12-05 | 山东广日数字科技有限公司 | 一种故障报警方法、故障报警装置、电梯及可读存储介质 |
| CN117163790B (zh) * | 2023-09-05 | 2024-05-10 | 山东广日数字科技有限公司 | 一种故障报警方法、故障报警装置、电梯及可读存储介质 |
| CN117361256A (zh) * | 2023-10-10 | 2024-01-09 | 广东全联富士电梯有限公司 | 一种基于人工智能的电梯安全管理方法及系统 |
| CN117361256B (zh) * | 2023-10-10 | 2024-03-12 | 广东全联富士电梯有限公司 | 一种基于人工智能的电梯安全管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2018224055A2 (zh) | 多维数据异常检测方法及装置 | |
| CN111108362A (zh) | 异常声音探测装置、异常模型学习装置、异常探测装置、异常声音探测方法、异常声音生成装置、异常数据生成装置、异常声音生成方法以及程序 | |
| CN109726736A (zh) | 训练电梯抱闸故障诊断模型、抱闸故障诊断的方法及系统 | |
| CN114579380B (zh) | 一种计算机系统故障的人工智能检测系统及方法 | |
| CN113642754A (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
| CN113438114B (zh) | 互联网系统的运行状态监控方法、装置、设备及存储介质 | |
| CN110570544A (zh) | 飞机燃油系统故障识别方法、装置、设备和存储介质 | |
| CN112478975A (zh) | 基于音频特征的电梯门故障检测方法 | |
| CN113835962A (zh) | 一种服务器故障检测方法、装置、计算机设备及存储介质 | |
| CN115858794B (zh) | 用于网络运行安全监测的异常日志数据识别方法 | |
| CN116401137B (zh) | 一种芯粒健康状态预测方法、装置、电子设备及存储介质 | |
| CN116668083A (zh) | 一种网络流量异常检测方法及系统 | |
| CN115798516A (zh) | 一种可迁移的端到端声信号诊断方法及系统 | |
| CN114333317B (zh) | 一种交通事件的处理方法、装置、电子设备及存储介质 | |
| EP2447888A1 (en) | System and method for determining fault diagnosability of a health monitoring system | |
| CN113487223B (zh) | 一种基于信息融合的风险评估方法和评估系统 | |
| CN117076869B (zh) | 旋转机械时频域融合故障诊断方法及系统 | |
| Harmouche et al. | Faults diagnosis and detection using principal component analysis and Kullback-Leibler divergence | |
| CN116627116B (zh) | 一种流程工业故障定位方法、系统及电子设备 | |
| CN112203311B (zh) | 网元异常诊断方法、装置、设备及计算机存储介质 | |
| CN116956197A (zh) | 基于深度学习的能源设施故障预测方法、装置及电子设备 | |
| CN116661954A (zh) | 虚拟机异常预测方法、装置、通信设备及存储介质 | |
| CN116384223A (zh) | 基于退化状态智能辨识的核设备可靠性评估方法及系统 | |
| CN114548178A (zh) | 一种电梯故障检测方法、装置、计算机设备及存储介质 | |
| CN114580472A (zh) | 工业互联网中因果与注意力并重的大型设备故障预测方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20190813 Address after: 100083 Beijing Haidian District Chengfu Road, 45 Zhongguancun Zhijiao Street, 2 floors East 202 Applicant after: Xiren Ma Diyan (Beijing) Technology Co., Ltd. Address before: 710065 Room 12201, Block A, Xi'an National Digital Publishing Base, 996 Tiangu 7th Road, Xi'an High-tech Zone, Shaanxi Province Applicant before: Xirenma (Xi'an) Measurement and Control Technology Co., Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190507 |