CN111170103A - 设备故障识别方法 - Google Patents

Abstract

本发明揭示了一种设备故障识别方法，包括：采集设备设定部件运行过程中设定方向的加速度数据；抓取到设备运行一次完整的加速度数据信号；将设备运动一次的完整加速度数据信号进行变换，得到信号的细节因数；对获取的细节因数进行重构，得到有实际意义的加速度数据，同时获取到此次运行信号的五维数据；根据重构后的加速度数据的特征和五维数据，通过识别设备来确认电梯的运行状态，如果存在突变，则记录突变幅度，位置等信息，并根据突变故障和故障模型进行分析。如果深入分析没有发现突变，则作无突变类别故障处理，根据对应的故障模型进行对比分析，给出故障概率，原因，维修建议。本发明可实时获取设备状态，并根据相关的特征确定设备的问题。

Description

设备故障识别方法

技术领域

本发明属于设备故障检测技术领域，涉及一种设备故障识别方法。

背景技术

国家统计根据对传统地产，轨道交通，更新换代等领域需求的分析，预计2020年国内电梯销量将持续增加，仅2013年到2017年，国内电梯的保有量从300万猛增到近600万，同时国内房产竣工面积也在稳定上升。

在国内电梯数量和发展前景都在猛增的同时，电梯却缺乏有效的技术手段进行安全监管，仅仅是依靠维护人员定期检测和维护。但随着近年来电梯数量的急剧提升，维护人员维持不变，想要保证及时的电梯保养和维护变得越来越难，而且电梯结构复杂，当出现问题时无法准确定位，排查会大量浪费时间，降低效率，同时也会影响维护人员后续的电梯保养维护工作。

现实中也常常出现由于乘客被困才发现电梯故障，导致发现不及时并且救援不及时产生的财产损失和人员伤亡，因此开发一套对电梯故障能自主识别判断的系统也变得更加重要，通过机器识别后可以直接对症下药，减少时间的消耗，及时提升电梯的安全和用户的体验。

发明内容

本发明提供一种设备故障识别方法，可实时获取设备状态，并根据相关的特征确定设备的问题。

为解决上述技术问题，根据本发明的一个方面，采用如下技术方案：

一种设备状态识别方法，所述方法包括：

步骤1：将三轴加速度传感器装配到电梯上；

步骤2：三轴加速度传感器收集到数据后，确认包有效，然后通过筛选算法，排除电梯静止时收集到的数据后，传输数据到数据中心，数据中心搭建好对应的服务器与数据库，等待接收数据；

步骤3：接收到信号后，对信号进行一阶小波变换，得到信号的近似因数和细节因数；得到细节因数和近似因数后，排除掉用不上的近似因数，对细节因数进行重构，重构后的信号为有实际意义的数据；

步骤4：通过设备状态识别模块，获取到电梯的五维数据(包括加速期、匀速期、减速期、爬升期、平层期)。数据库中记录了安装好设备后电梯试运行的正常数据，通过与获取到的五维数据和其特征做对比，当特征不再正常值范围内时，则判断电梯出现了异常。

步骤5：判断电梯出现异常后，先判断信号中是否存在突变。当存在突变时系统根据算法反馈的突变内容进行分析，记录突变幅度，发生的时间位置等，，当没有突变内容时，则怀疑存在不明显的突变，提升小波变换分解的阶数，对信号进行多阶深入分析，小波变换对目前信号的分解最高阶数为4，意味着当阶数超过四级时反馈的结果无意义，当超过4次时仍然没有结果反馈，则认为信号无突变，无相关故障。

步骤6：如果电梯出现异常，但是经过深入分析并无突变出现，则确认电梯出现了突变以外的异常，把此次运行数据整理完善后，通过故障模型模块，进行故障分析对比，来推测故障概率最高的几种故障，并给出相应的原因和维修建议。

根据本发明的另一方面，采用如下技术方案：一种设备状态识别方法，所述方法包括：

步骤S1、采集设备设定部件运行过程中设定方向的加速度数据；

步骤S2、抓取到设备运行一次完整的加速度数据信号；

步骤S3、将设备运动一次的完整加速度数据信号进行小波变换，得到加速度数据信号的细节因数；

步骤S4、对获取的细节因数进行重构，得到有实际意义的加速度数据；

步骤S5、根据重构后的加速度数据的特征识别设备的运行状态，有突变则根据突变类故障处理，初步无发现则多阶进行深入分析。。

步骤S6、如果深入分析没有发现突变，则作无突变类别故障处理，根据对应的故障模型进行对比分析，给出故障概率，原因，维修建议等。

作为本发明的一种实施方式，步骤S3中，对原始加速度信号进行一阶离散小波变换，获得近似系数和细节系数；近似系数代表小波分解后的低频信息，细节系数代表小波分解后的高频信息；

将原始信号分解为低频近似分量和高频细节分量，低频分量是由X轴方向的加速度方向信号与低通滤波器先卷积运算然后1/2抽偶样所得；高频分量是由X轴方向的加速度方向信号与高通滤波器先卷积运算然后1/2抽偶所得，离散变换的卷积公式如下：xn*hn＝k＝-∞∞xk·h[n-k]；其中，x[n]代表信号数据,h[n]代表小波在时间轴上移动的窗函数,x[k]则代表信号数据的序号,h[n-k]代表小波在时间轴上移动的窗函数。

作为本发明的一种实施方式，步骤S3中，利用离散小波变换算法对信号进行分析；

整个离散小波的处理过程由信号通过一个冲激响应为h[n]的半带数字低通滤波器开始，对信号滤波的过程在数学上等效为信号与滤波器冲激响应的卷积，离散时间的卷积定义如下：

其中，k代表信号数据的序号,y_high则代表高通滤波器,y_low则代表低通滤波器g[-n+2k]代表信号小波变换后的近似因数,h[-n+2k]代表信号通过小波变换后的细节因数；

半带低通滤波器滤除了信号中超过最高频率一半的所有频率分量,对离散信号来说，频率的单位常用弧度来表示；

信号通过半带低通滤波器之后，根据奈奎斯特采样定理，由于信号此时最高频率为pi/2弧度而不是pi弧度，所以需要扔掉一半的采样点；半带低通滤波器滤除了一般频率信息，丢弃了一半信息，因此滤波处理以后，分辨率也将为一半；需要说明的是，此举并不会对结果造成问题，因为从信号中滤除一般的频率分量使得信号中一般的采样点变为亢余数据，丢掉亢余数据不会丢失任何信息，以上流程用数学公式表达如下：

其中，y[n]为丢掉亢余数据的结果,h[k]代表小波在时间轴上移动的窗函数结果集的序号,x[2n-k]函数则代表滤波处理的过程,n代表序号k在数据集中对应的数据；

离散小波变换通过在不同的频段利用不同的分辨率来讲信号分解为近似因数和细节因数；其中用到两组函数为尺度函数和小波函数，分别对应低通滤波器和高通滤波器；想分解到不同的频段可以再时域将信号数据不断地通过高通和低通滤波器来实现；原始信号x[n]首先通过一个半带高通滤波器g[n]和一个半带低通滤波器h[n]；由于滤波后信号的频率变为pi/2，根据奈奎斯特采样定理，丢掉一半的采样点，于是向下进行2倍下采样处理，即每隔一个点扔掉一个点，这就是第一阶小波变换；其中yhigh[k]和ylow[k]分别经过2倍下采样处理后的高通和低通滤波器输出得到，具体数学公式如下：

y_high[k]＝∑_nx[n]·g[2k-n]；

y_low[k]＝∑_nx[n]·h[2k-n]；

其中，y_high为下采样处理后得到的高频结果，y_low则代表下采样处理过后的低频结果，x[n]代表待分解的原始信号,g[2k-n]代表高通滤波器得到的高频因数，即细节因数,h[2k-n]代表低通滤波器得到的低频因数，即近似因数；

通过小波变换分解信号后得到信号的近似因数和细节因数，此时近似因数和细节因数未经重构仍属于无量纲的系数，只有经过重构过后，才具有实际量纲意义的信号；高频乃是信号边缘或信号重变化剧烈的地方，低频则是整个信号的综合状况。

作为本发明的一种实施方式，步骤S4中，将某一层次的低频分量和高频分量重新构造为上一层次的低频近似分量，分为低频近似分量重构和高频细节重构；低频近似分量先进行奇数序号插值，然后与低通重构滤波器进行卷积运算，得到低频分量重构部分；类似的，高频细节分量也先进性奇数序号插值，然后与高通重构滤波器进行卷积运算，得到高频分量重构部分，将两个卷积的结果进行相加，并取中间值即可得到重构信号，相关公式如下：

其中，k代表信号数据的序号,y_high则代表高通滤波器,y_low则代表低通滤波器g[-n+2k]代表信号小波变换后的近似因数,h[-n+2k]代表信号通过小波变换后的细节因数。

作为本发明的一种实施方式，步骤S5中，根据重构后的加速度数据的均方根值或/和最大值或/和峭度指标识别设备的状态；

峭度是把幅值进行四次方处理，一个脉冲信号按4次方关系变化后，高的幅值就会突显出来，低的幅值就会被抑制，这样就很容易从频率上识别故障；峭度指标则反映了振动信号的冲击特征；在小波重构信号的特征提取中，峭度指标越高，则代表信号中突变的幅度越大，峭度指标公式如下：

其中,

均方根值也称有效值，用来反应信号的能量大小，特别适用于具有随机振动性质的物体测量；在故障诊断中，均方根值用来反应各个运动体在运动时有欲精度和表面点蚀产生的不规则震动状况；而在小波重构后信号的提取中，当整个信号振幅越不平稳时，高低起伏差距越大，信号的均方根值则越高，均方根值的公式如下：

方差的公式为

方差或标准差是测算一组数据离散趋势的一种指标；方差为变量值与其均值离差平方的平均数，标准差为方差的算术平方根。

作为本发明的一种实施方式，步骤S5中，根据加速度数据分析出信号的运行数据量长度、加速期减速期波峰极值、数据的方差值，判断出设备运行的大概状况；加速度获取模块把加速度数据传输到系统中后，根据当前等级对加速度数据进行小波变换，并对变换后的细节因数进行重构，获得有意义的数据集，然后提取数据集的特征；

对设备故障进行分析，分析的对象包括电梯的加速度时域数据，小波变换并重构后的时频域数据；识别是否存在故障中设定特征:突变；当设备存在突变时，电梯加速度信号进行小波变换并重构后的时频域数据的峭度指标会远超出原先收集好的正常数据，同时其最大值也是远超正常范围值，此时则初步判断电梯出现故障，大概率是急停或带速停车所导致信号上产生突变，然后通过获得突变位置来确定电梯运行到哪一步产生了突变，获取到电梯的五维数据，然后把突变位置和五维中的位置所对应起来，根据时域特征来分析各类故障可能发生的概率；如果没有突变，则取收集好的电梯正常运行数据和此次电梯运行的数据进行对比，推测没有突变的情况下各类可能发生的故障的百分比概率；

当没有检测到突变内容时，则判断存在不明显的突变，有时信号产生变化，但持续的时间相比突变较长，已不是突变，而是异常，异常也是电梯出现意料外状况的一种现象，而单阶小波变换把短时突变表现在重构后的信号里，但对于持续时间较长的异变无法则无法反应在信号数据上，此时提升小波变换分解的阶数，对信号进行多阶深入分析；小波变换对目前信号的分解最高阶数为4，意味着当阶数超过四级时，根据目前的电梯加速度数据长度，反馈的结果将无意义，当超过4次时仍然没有结果反馈，则认为信号无隐藏突变或长时突变，然后通过分析其他数据特征，确定有无故障，故障的发生百分比概率。

本发明的有益效果在于：本发明提出的设备故障识别方法，根据三轴传感器收集到轿厢的状态信息，传送到数据中心，数据中心根据收集到的数据进行实时算法分析判断，确认电梯的健康状况和运行状况，并根据相关的特征定位电梯的问题。维护人员可以直接定位电梯位置和具体原因，对维修和保养都具有针对性，可以更高效的解决问题。

本发明根据三轴传感器采集信号数据，以大量的电梯信号为基础，经过筛选后确定信号异常时，信号数据突变剧烈，通过小波变换对实时信号进行分析演算，可以准确得出信号的突变时间，将数据报备后第一时间交予当地维护维修人员。维护人员对电梯第一时间进行针对性维护处理，大大的减少电梯事故所带来的严重后果，消除不良影响，提高乘客的满意度和安全感。

在判断故障多了之后，故障的信号数据积累下来，通过模拟算法建立相关故障预测模型，并可以预测一段时间内的电梯故障，数据中心计算完毕后可以第一时间提示到相关电梯，显示故障提示，将事故扼杀在摇篮里

本发明利用的三轴传感器成本低，结构简单，同时安装配置方便，适配能力强，能在各种品牌的电梯上使用。

附图说明

图1为本发明一实施例中设备故障识别方法的流程图。

图2为本发明一实施例中加速度信号分段示意图。

具体实施方式

下面结合附图详细说明本发明的优选实施例。

为了进一步理解本发明，下面结合实施例对本发明优选实施方案进行描述，但是应当理解，这些描述只是为进一步说明本发明的特征和优点，而不是对本发明权利要求的限制。

该部分的描述只针对几个典型的实施例，本发明并不仅局限于实施例描述的范围。相同或相近的现有技术手段与实施例中的一些技术特征进行相互替换也在本发明描述和保护的范围内。

本发明揭示一种设备状态识别方法，图1为本发明一实施例中设备故障识别方法的流程图；请参阅图1，在本发明的一实施例中，所述方法包括如下步骤：

步骤1：将三轴加速度传感器装配到电梯上；

步骤2：三轴加速度传感器收集到数据后，确认包有效，然后通过筛选算法，排除电梯静止时收集到的数据后，传输数据到数据中心，数据中心搭建好对应的服务器与数据库，等待接收数据；

步骤3：接收到信号后，对信号进行一阶小波变换，得到信号的近似因数和细节因数；得到细节因数和近似因数后，排除掉用不上的近似因数，对细节因数进行重构，重构后的信号为有实际意义的数据；

步骤4：通过设备状态识别模块，获取到电梯的五维数据(包括加速期、匀速期、减速期、爬升期、平层期)；数据库中记录了安装好设备后电梯试运行的正常数据，通过与获取到的五维数据和其特征做对比，当特征不再正常值范围内时，则判断电梯出现了异常。

步骤5：判断电梯出现异常后，先判断信号中是否存在突变。当存在突变时系统根据算法反馈的突变内容进行分析，记录突变幅度，发生的时间位置等，，当没有突变内容时，则怀疑存在不明显的突变，提升小波变换分解的阶数，对信号进行多阶深入分析，小波变换对目前信号的分解最高阶数为4，意味着当阶数超过四级时反馈的结果无意义，当超过4次时仍然没有结果反馈，则认为信号无突变，无相关故障。

步骤6：如果电梯出现异常，但是经过深入分析并无突变出现，则确认电梯出现了突变以外的异常，把此次运行数据整理完善后，通过故障模型模块，进行故障分析对比，来推测故障概率最高的几种故障，并给出相应的原因和维修建议。

在本发明的一实施例中，本发明的设备状态识别方法包括如下步骤：

步骤S1、采集设备设定部件运行过程中设定方向的加速度数据；

步骤S2、抓取到设备运行一次完整的加速度数据信号；

步骤S3、将设备运动一次的完整加速度数据信号进行小波变换，得到加速度数据信号的细节因数；

步骤S4、对获取的细节因数进行重构，得到有实际意义的加速度数据；

步骤S5、根据重构后的加速度数据的特征识别设备的运行状态，有突变则根据突变类故障处理，初步无发现则多阶进行深入分析；

步骤S6、如果深入分析没有发现突变，则作无突变类别故障处理，根据对应的故障模型进行对比分析，给出故障概率、原因、维修建议等。

在本发明的一实施例中，步骤S3中，对原始加速度信号进行一阶离散小波变换，获得近似系数和细节系数；近似系数代表小波分解后的低频信息，细节系数代表小波分解后的高频信息。将原始信号分解为低频近似分量和高频细节分量，低频分量是由X轴方向的加速度方向信号与低通滤波器先卷积运算然后1/2抽偶样所得；高频分量是由X轴方向的加速度方向信号与高通滤波器先卷积运算然后1/2抽偶所得，离散变换的卷积公式如下：xn*hn＝k＝-∞∞xk·h[n-k]；其中，x[n]代表信号数据,h[n]代表小波在时间轴上移动的窗函数,h[n-k]代表小波在时间轴上移动的窗函数,x[k]则代表信号数据的序号。

在本发明的一实施例中，步骤S3中，利用离散小波变换算法对信号进行分析。整个离散小波的处理过程由信号通过一个冲激响应为h[n]的半带数字低通滤波器开始，对信号滤波的过程在数学上等效为信号与滤波器冲激响应的卷积，离散时间的卷积定义如下：

其中，x[n]代表信号数据,h[n]代表小波在时间轴上移动的窗函数,x[k]则代表信号数据的序号，h[n-k]代表小波在时间轴上移动的窗函数。

半带低通滤波器滤除了信号中超过最高频率一半的所有频率分量,对离散信号来说，频率的单位常用弧度来表示；

信号通过半带低通滤波器之后，根据奈奎斯特采样定理，由于信号此时最高频率为pi/2弧度而不是pi弧度，所以需要扔掉一半的采样点；半带低通滤波器滤除了一般频率信息，丢弃了一半信息，因此滤波处理以后，分辨率也将为一半；需要说明的是，此举并不会对结果造成问题，因为从信号中滤除一般的频率分量使得信号中一般的采样点变为亢余数据，丢掉亢余数据不会丢失任何信息，以上流程用数学公式表达如下：

其中，y[n]为丢掉亢余数据的结果,h[k]代表小波在时间轴上移动的窗函数结果集的序号,x[2n-k]函数则代表滤波处理的过程,n代表序号k在数据集中对应的数据。

离散小波变换通过在不同的频段利用不同的分辨率来讲信号分解为近似因数和细节因数；其中用到两组函数为尺度函数和小波函数，分别对应低通滤波器和高通滤波器；想分解到不同的频段可以再时域将信号数据不断地通过高通和低通滤波器来实现；原始信号x[n]首先通过一个半带高通滤波器g[n]和一个半带低通滤波器h[n]；由于滤波后信号的频率变为pi/2，根据奈奎斯特采样定理，丢掉一半的采样点，于是向下进行2倍下采样处理，即每隔一个点扔掉一个点，这就是第一阶小波变换；其中yhigh[k]和ylow[k]分别经过2倍下采样处理后的高通和低通滤波器输出得到，具体数学公式如下：

y_high[k]＝∑_nx[n]·g[2k-n]；

y_low[k]＝∑_nx[n]·h[2k-n]；

其中，y_high为下采样处理后得到的高频结果，y_low则代表下采样处理过后的低频结果，x[n]代表待分解的原始信号,g[2k-n]代表高通滤波器得到的高频因数，即细节因数,h[2k-n]代表低通滤波器得到的低频因数，即近似因数。

通过小波变换分解信号后得到信号的近似因数和细节因数，此时近似因数和细节因数未经重构仍属于无量纲的系数，只有经过重构过后，才具有实际量纲意义的信号；高频乃是信号边缘或信号重变化剧烈的地方，低频则是整个信号的综合状况。

在本发明的一实施例中，步骤S4中，将某一层次的低频分量和高频分量重新构造为上一层次的低频近似分量，分为低频近似分量重构和高频细节重构；低频近似分量先进行奇数序号插值，然后与低通重构滤波器进行卷积运算，得到低频分量重构部分；类似的，高频细节分量也先进性奇数序号插值，然后与高通重构滤波器进行卷积运算，得到高频分量重构部分，将两个卷积的结果进行相加，并取中间值即可得到重构信号，相关公式如下：

其中，k代表信号数据的序号,y_high则代表高通滤波器,y_low则代表低通滤波器g[-n+2k]代表信号小波变换后的近似因数,h[-n+2k]代表信号通过小波变换后的细节因数。

在本发明的一实施例中，步骤S5中，根据重构后的加速度数据的均方根值或/和最大值或/和峭度指标识别设备的状态；

峭度是把幅值进行四次方处理，一个脉冲信号按4次方关系变化后，高的幅值就会突显出来，低的幅值就会被抑制，这样就很容易从频率上识别故障；峭度指标则反映了振动信号的冲击特征；在小波重构信号的特征提取中，峭度指标越高，则代表信号中突变的幅度越大，峭度指标公式如下：

其中,

均方根值也称有效值，用来反应信号的能量大小，特别适用于具有随机振动性质的物体测量；在故障诊断中，均方根值用来反应各个运动体在运动时有欲精度和表面点蚀产生的不规则震动状况；而在小波重构后信号的提取中，当整个信号振幅越不平稳时，高低起伏差距越大，信号的均方根值则越高，均方根值的公式如下：

方差的公式为

方差或标准差是测算一组数据离散趋势的一种最常见的指标，它是测算数值型数据离散程度中最重要的方法；方差为变量值与其均值离差平方的平均数，标准差为方差的算术平方根。

在本发明的一实施例中，步骤S5中，根据加速度数据分析出信号的运行数据量长度、加速期减速期波峰极值、数据的方差值，判断出设备运行的大概状况；加速度获取模块把加速度数据传输到系统中后，根据当前等级对加速度数据进行小波变换，并对变换后的细节因数进行重构，获得有意义的数据集，然后提取数据集的特征。

对设备故障进行分析，分析的对象包括电梯的加速度时域数据，小波变换并重构后的时频域数据；识别是否存在故障中设定特征:突变；当设备存在突变时，电梯加速度信号进行小波变换并重构后的时频域数据的峭度指标会远超出原先收集好的正常数据，同时其最大值也是远超正常范围值，此时则初步判断电梯出现故障，大概率是急停或带速停车所导致信号上产生突变，然后通过获得突变位置来确定电梯运行到哪一步产生了突变，获取到电梯的五维数据，然后把突变位置和五维中的位置所对应起来，根据时域特征来分析各类故障可能发生的概率；如果没有突变，则取收集好的电梯正常运行数据和此次电梯运行的数据进行对比，推测没有突变的情况下各类可能发生的故障的百分比概率。

当没有检测到突变内容时，则判断存在不明显的突变，有时信号产生变化，但持续的时间相比突变较长，已不是突变，而是异常，异常也是电梯出现意料外状况的一种现象，而单阶小波变换把短时突变表现在重构后的信号里，但对于持续时间较长的异变无法则无法反应在信号数据上，此时提升小波变换分解的阶数，对信号进行多阶深入分析；小波变换对目前信号的分解最高阶数为4，意味着当阶数超过四级时，根据目前的电梯加速度数据长度，反馈的结果将无意义，当超过4次时仍然没有结果反馈，则认为信号无隐藏突变或长时突变，然后通过分析其他数据特征，确定有无故障，故障的发生百分比概率。

在本发明的一实施例中，所述步骤S5包括：

电梯五维数据获取步骤，获取电梯运行数据的五维结构；所述五维数据包括加速期加速度数据、匀速期加速度数据、减速期加速度数据、爬升期加速度数据、平层期加速度数据；

电梯五维数据比对步骤，将所述电梯五维数据获取步骤实时获取的电梯五维数据与电梯在正常状态下运行的五维数据进行比对，判断是否有异常；

小波变换步骤，将电梯加速度数据信号进行小波变换，得到加速度数据信号的时频域；

时频域特征检测步骤，检测时频域中的设定特征，发现加速度数据信号中是否存在异常且剧烈的突变；

突变位置获取步骤，获取加速度数据信号的突变位置；

电梯运行异常判断步骤，根据所述突变位置获取单元获取的突变位置判断电梯运行的异常位置对应电梯运行的阶段。

在本发明的一实施例中，所述步骤S5包括：

信号特征提取步骤，提取电梯运行的相关数据，包括五维数据的五个特征，即极值、峭度指标、均方根值、方差、极值；

故障初步判断步骤，将所述信号特征提取单元提取的电梯运行数据与电梯正常运行的五维数据进行比对，初步判断电梯运行是否正常；以及

故障概率获取步骤，根据所述信号特征提取单元提取的电梯运行数据，和故障模型模块中保存的故障模型进行对比分析，得出最终结果，并以此判断电梯处于各个故障的概率。

所述故障模型模块收录多个故障的特征，根据设备状态识别系统得到结果后，通过和设备故障识别系统进行连接，根据其结果得到电梯的五维数据以及除五维数据外的其他设定特征，再和故障模型进行对比，从而判断多个故障的发生概率，推荐关注零部件，维修建议思路。

在本发明的一实施例中，本发明方法用来检测电梯是否存在故障；通过三轴高精度传感器收集电梯的状态数据，数据通过通信模块传输到数据中心，然后数据中心对传输来的数据进行分析并判断出数据的状态，给出维护人员或监控人员提示，提升维护效率，保障电梯的安全。

本发明中的加速度传感器芯片采用BOSCH的BMA421三轴加速度传感器，其测量精度约为0.98mg/LSB，传感器单轴值范围为+-2048LSB。通过加装在电梯光幕上，X轴采集电梯上下行加速度数据，Y轴采集开关门数据，Z轴采集电梯轿厢在与开关门垂直的水平方向上的数据。

所述加速度模块每5ms采集一次三轴数据，同一轴每采集6点数据的平均值作为一个采样点，即每轴采样频率为30ms/point。数据从单片机上传到云端之前，需要先判断其有效性，即数据是否载有电梯运动的信息，电梯保持静止时数据舍弃，具体方法如下。图2为本发明一实施例中加速度信号分段示意图；请参阅图2，每当采集到三轴各100个采样点(三轴同时采集)后，将之作为一个包并分配一个包ID(每次包ID自增1)，分别计算三轴数据的均方差。若任意一轴数据均方差值超过设定阈值(100)，则认为该数据有效需要保留并上传云端，记录每次满足条件上传的包ID为n(每次更新此值)。若不满足条件，求得目前包ID与n的差，若小于18则上传，若大于则舍弃。此方法可以在电梯停止运行54s后，停止上传数据，以减少单片机上传到云端的数据量以及云端所需的存储量。

数据上传到数据中心后，根据本发明的小波变换算法对信号进行分析。选取的是离散小波变换，离散小波变换在通过不同频段时利用不同分辨率来将信号分解为粗略的近似因数和细节因数，这个过程中离散小波变换用到了两组函数，即尺度函数和小波函数，分别对应低通滤波器和高通滤波器。将信号分解到不同的频段即可简单的在时域将信号不断地通过高通和低通滤波器来实现。通过小波变换分解信号后得到信号的近似因数和细节因数，此时近似因数和细节因数未经重构仍属于无量纲的系数，只有经过重构过后，才具有实际量纲意义的信号。高频乃是信号边缘或信号重变化剧烈的地方，低频则是整个信号的综合状况。本发明则是对细节因数进行重构，重构后的信号对于信号的突变十分敏感，可以通过相关的信号特征计算得出信号的状况，再根据故障的特征一一对比，从而完成故障的判断。

综上所述，本发明提出的设备故障识别方法，根据三轴传感器收集到轿厢的状态信息，传送到数据中心，数据中心根据收集到的数据进行实时算法分析判断，确认电梯的健康状况和运行状况，并根据相关的特征定位电梯的问题。维护人员可以直接定位电梯位置和具体原因，对维修和保养都具有针对性，可以更高效的解决问题。

这里本发明的描述和应用是说明性的，并非想将本发明的范围限制在上述实施例中。这里所披露的实施例的变形和改变是可能的，对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是，在不脱离本发明的精神或本质特征的情况下，本发明可以以其它形式、结构、布置、比例，以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下，可以对这里所披露的实施例进行其它变形和改变。

Claims (7)

1.一种设备状态识别方法，其特征在于：所述方法包括：

步骤1：将三轴加速度传感器装配到电梯上；

步骤2：三轴加速度传感器收集到数据后，确认包有效，然后通过筛选算法，排除电梯静止时收集到的数据后，传输数据到数据中心，数据中心搭建好对应的服务器与数据库，等待接收数据；

步骤3：接收到信号后，对信号进行一阶小波变换，得到信号的近似因数和细节因数；得到细节因数和近似因数后，排除掉用不上的近似因数，对细节因数进行重构，重构后的信号为有实际意义的数据；

步骤4：通过设备状态识别模块，获取到电梯的五维数据，包括加速期、匀速期、减速期、爬升期、平层期；数据库中记录了安装好设备后电梯试运行的正常数据，通过与获取到的五维数据和其特征做对比，当特征不再正常值范围内时，则判断电梯出现了异常；

步骤5：判断电梯出现异常后，先判断信号中是否存在突变；当存在突变时系统根据算法反馈的突变内容进行分析，记录突变幅度，发生的时间位置；当没有突变内容时，则怀疑存在不明显的突变，提升小波变换分解的阶数，对信号进行多阶深入分析，小波变换对目前信号的分解最高阶数为4，意味着当阶数超过四级时反馈的结果无意义，当超过4次时仍然没有结果反馈，则认为信号无突变，无相关故障；

步骤6：如果电梯出现异常，但是经过深入分析并无突变出现，则确认电梯出现了突变以外的异常，把此次运行数据整理完善后，通过故障模型模块，进行故障分析对比，来推测故障概率最高的几种故障，并给出相应的原因和维修建议。

2.一种设备状态识别方法，其特征在于：所述方法包括：

步骤S1、采集设备设定部件运行过程中设定方向的加速度数据；

步骤S2、抓取到设备运行一次完整的加速度数据信号；

步骤S3、将设备运动一次的完整加速度数据信号进行小波变换，得到加速度数据信号的细节因数；

步骤S4、对获取的细节因数进行重构，得到有实际意义的加速度数据；

步骤S5、根据重构后的加速度数据的特征识别设备的运行状态，有突变则根据突变类故障处理，初步无发现则多阶进行深入分析；

步骤S6、如果深入分析没有发现突变，则作无突变类别故障处理，根据对应的故障模型进行对比分析，给出故障概率、原因、维修建议。

3.根据权利要求2所述的设备故障识别方法，其特征在于：

所述步骤S3中，对原始加速度信号进行一阶离散小波变换，获得近似系数和细节系数；近似系数代表小波分解后的低频信息，细节系数代表小波分解后的高频信息；

将原始信号分解为低频近似分量和高频细节分量，低频分量是由X轴方向的加速度方向信号与低通滤波器先卷积运算然后1/2抽偶样所得；高频分量是由X轴方向的加速度方向信号与高通滤波器先卷积运算然后1/2抽偶所得，离散变换的卷积公式如下：xn*hn＝k＝-∞∞xk·h[n-k]；其中，x[n]代表信号数据,h[n]代表小波在时间轴上移动的窗函数,x[k]则代表信号数据的序号，h[n-k]代表小波在时间轴上移动的窗函数。

4.根据权利要求2或3所述的设备故障识别方法，其特征在于：

所述步骤S3中，利用离散小波变换算法对信号进行分析；

整个离散小波的处理过程由信号通过一个冲激响应为h[n]的半带数字低通滤波器开始，对信号滤波的过程在数学上等效为信号与滤波器冲激响应的卷积，离散时间的卷积定义如下：

其中，x[n]代表信号数据,h[n]代表小波在时间轴上移动的窗函数,h[n-k]代表小波在时间轴上移动的窗函数,x[k]则代表信号数据的序号；

半带低通滤波器滤除了信号中超过最高频率一半的所有频率分量,对离散信号来说，频率的单位常用弧度来表示；

信号通过半带低通滤波器之后，根据奈奎斯特采样定理，由于信号此时最高频率为pi/2弧度而不是pi弧度，所以需要扔掉一半的采样点；半带低通滤波器滤除了一半频率信息，丢弃了一半信息，因此滤波处理以后，分辨率也将为一半；需要说明的是，此举并不会对结果造成问题，因为从信号中滤除一半的频率分量使得信号中一半的采样点变为亢余数据，丢掉亢余数据不会丢失任何信息，以上流程用数学公式表达如下：

其中，y[n]为丢掉亢余数据的结果,h[k]代表小波在时间轴上移动的窗函数结果集的序号,x[2n-k]函数则代表滤波处理的过程,其中n代表序号k在数据集中对应的数据；

离散小波变换通过在不同的频段利用不同的分辨率来讲信号分解为近似因数和细节因数；其中用到两组函数为尺度函数和小波函数，分别对应低通滤波器和高通滤波器；想分解到不同的频段可以再时域将信号数据不断地通过高通和低通滤波器来实现；原始信号x[n]首先通过一个半带高通滤波器g[n]和一个半带低通滤波器h[n]；由于滤波后信号的频率变为pi/2，根据奈奎斯特采样定理，丢掉一半的采样点，于是向下进行2倍下采样处理，即每隔一个点扔掉一个点，这就是第一阶小波变换；其中yhigh[k]和ylow[k]分别经过2倍下采样处理后的高通和低通滤波器输出得到，具体数学公式如下：

y_high[k]＝∑_nx[n]·g[2k-n]；

y_low[k]＝∑_nx[n]·h[2k-n]；

其中，y_high为下采样处理后得到的高频结果，y_low则代表下采样处理过后的低频结果，x[n]代表待分解的原始信号,g[2k-n]代表高通滤波器得到的高频因数，即细节因数,h[2k-n]代表低通滤波器得到的低频因数，即近似因数；

通过小波变换分解信号后得到信号的近似因数和细节因数，此时近似因数和细节因数未经重构仍属于无量纲的系数，只有经过重构过后，才具有实际量纲意义的信号；高频乃是信号边缘或信号重变化剧烈的地方，低频则是整个信号的综合状况。

5.根据权利要求2所述的设备故障识别方法，其特征在于：

所述步骤S4中，将某一层次的低频分量和高频分量重新构造为上一层次的低频近似分量，分为低频近似分量重构和高频细节重构；低频近似分量先进行奇数序号插值，然后与低通重构滤波器进行卷积运算，得到低频分量重构部分；类似的，高频细节分量也先进性奇数序号插值，然后与高通重构滤波器进行卷积运算，得到高频分量重构部分，将两个卷积的结果进行相加，并取中间值即可得到重构信号，相关公式如下：

其中，k代表信号数据的序号,y_high则代表高通滤波器,y_low则代表低通滤波器g[-n+2k]代表信号小波变换后的近似因数,h[-n+2k]代表信号通过小波变换后的细节因数。

6.根据权利要求2所述的设备故障识别方法，其特征在于：

所述步骤S5中，根据重构后的加速度数据的均方根值或/和最大值或/和峭度指标或/和极值识别设备的状态；

峭度是把幅值进行四次方处理，一个脉冲信号按4次方关系变化后，高的幅值就会突显出来，低的幅值就会被抑制，这样就很容易从频率上识别故障；峭度指标则反映了振动信号的冲击特征；在小波重构信号的特征提取中，峭度指标越高，则代表信号中突变的幅度越大，峭度指标公式如下：

其中,

均方根值也称有效值，用来反应信号的能量大小，特别适用于具有随机振动性质的物体测量；在故障诊断中，均方根值用来反应各个运动体在运动时有欲精度和表面点蚀产生的不规则震动状况；而在小波重构后信号的提取中，当整个信号振幅越不平稳时，高低起伏差距越大，信号的均方根值则越高，均方根值的公式如下：

方差的公式为

方差或标准差是测算一组数据离散趋势的一种指标；方差为变量值与其均值离差平方的平均数，标准差为方差的算术平方根。

7.根据权利要求2所述的设备故障识别方法，其特征在于：

步骤S5中，根据加速度数据分析出信号的运行数据量长度、加速期减速期波峰极值、数据的方差值，判断出设备运行的大概状况；加速度获取模块把加速度数据传输到系统中后，根据当前等级对加速度数据进行小波变换，并对变换后的细节因数进行重构，获得有意义的数据集，然后提取数据集的特征；

对设备故障进行分析，分析的对象包括电梯的加速度时域数据，小波变换并重构后的时频域数据；识别是否存在故障中设定特征:突变；当设备存在突变时，电梯加速度信号进行小波变换并重构后的时频域数据的峭度指标会远超出原先收集好的正常数据，同时其最大值也是远超正常范围值，此时则初步判断电梯出现故障，大概率是急停或带速停车所导致信号上产生突变，然后通过获得突变位置来确定电梯运行到哪一步产生了突变，获取到电梯的五维数据，然后把突变位置和五维中的位置所对应起来，根据时域特征来分析各类故障可能发生的概率；如果没有突变，则取收集好的电梯正常运行数据和此次电梯运行的数据进行对比，推测没有突变的情况下各类可能发生的故障的百分比概率；

当没有检测到突变内容时，则判断存在不明显的突变，有时信号产生变化，但持续的时间相比突变较长，已不是突变，而是异常，异常也是电梯出现意料外状况的一种现象，而单阶小波变换把短时突变表现在重构后的信号里，但对于持续时间较长的异变无法则无法反应在信号数据上，此时提升小波变换分解的阶数，对信号进行多阶深入分析；小波变换对目前信号的分解最高阶数为4，意味着当阶数超过四级时，根据目前的电梯加速度数据长度，反馈的结果将无意义，当超过4次时仍然没有结果反馈，则认为信号无隐藏突变或长时突变，然后通过分析其他数据特征，确定有无故障，故障的发生百分比概率。

Images