CN113086798B - 基于门控循环网络和典型相关分析的电梯故障检测方法 - Google Patents
基于门控循环网络和典型相关分析的电梯故障检测方法 Download PDFInfo
- Publication number
- CN113086798B CN113086798B CN202110365782.9A CN202110365782A CN113086798B CN 113086798 B CN113086798 B CN 113086798B CN 202110365782 A CN202110365782 A CN 202110365782A CN 113086798 B CN113086798 B CN 113086798B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- gated
- unit neural
- current
- 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.)
- Active
Links
Images
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
Landscapes
- Indicating And Signalling Devices For Elevators (AREA)
- Maintenance And Inspection Apparatuses For Elevators (AREA)
Abstract
基于门控循环网络和典型相关分析的电梯故障检测方法。该方法是基于门控循环单元神经网络和典型相关分析的垂直电梯故障检测方法,检测电梯运行的电机电流、制动器电流、安全电路电流和车门电机电流四种电流数据和三个方向上的振动数据;对离线数据进行预处理后分别输入两个门控循环单元神经网络同时进行训练,使两个门控循环单元神经网络的输出进行典型相关分析后得到的相关系数最大;将在线数据经过预处理后输入到训练好的两个网络中,将相关系数与阈值比较来实现故障检测。
Description
技术领域
本发明涉及电梯安全检测技术领域,尤其涉及基于门控循环网络和典型相关分析的电梯故障检测方法。
背景技术
当前电梯技术快速发展,电梯已经大量安装在大厦、工厂、货运码头等地方。作为运送旅客和货物的重要工具,其可靠性对人类安全和经济发展至关重要。如何监测电梯运行状态和保障电梯安全可靠具有十分重要的意义。电梯是机电密切结合的系统,在运行过程中必然伴随着机械振动,而振动数据里蕴含着丰富的电梯运行状态信息,通过检测电梯振动数据可以很好的监控电梯的运行状态。但是仅仅监控电梯振动信号并不能全面检测电梯故障情况,电梯系统包含了牵引电机、轿厢、制动器和门电机等很多部分,通过对各个电梯部分进行电流数据检测可以检测更多的电梯故障问题。将电梯电流数据和振动数据结合进行全面的电梯故障检测,为电梯安全提供保障。
现有的电梯或电梯部件的状态监测故障检测技术可以大致分为基于模型的方法和数据驱动的方法两类。基于模型的电梯故障检测方法得到了广泛的认可,但这类方法的性能依赖于模型的精确性。同时由于当前传感器技术和信息技术的发展,数据采集和数据处理变得更容易,基于数据的电梯故障检测方法具有非常大的应用前景。
现在已有一些基于数据的电梯故障检测方法,尤其是一些基于神经网络的故障检测方法,例如专利(公告号CN110668276B)采用PSO优化的BP神经网络预测电梯故障,专利(公告号CN109607344B)采用神经网络预测电梯故障,专利(公告号 CN108569607B)双向门控循环神经网络进行电梯故障预警,专利(公告号 CN107886168B)采用多层感知器神经网络进行电梯故障识别。
这些方法有其各自的优点,但是这些方法并不是特别适用于使用电流数据和振动数据的电梯故障检测。电梯的电流数据和振动数据在物理意义上是相关的,电梯故障会同时反应在这两类数据上,现有的其他基于神经网络的电梯故障检测方法不能体现出这两类数据的关联性,而本专利提出的基于门控循环单元神经网络和典型相关分析的方法通过门控循环单元神经网络对两类数据分别进行非线性变换,然后再进行典型相关分析,这样就利用了电梯电流数据和振动数据的关联关系进行故障检测。而且现有的其他基于神经网络的电梯故障检测方法对于故障数据集的需求比较大,才能训练得到比较好的网络,但是在实际中很难获得大量的故障数据。而本发明的中故障数据是不用来训练网络的,只需要少量故障数据用来计算检测阈值,因此在实际电梯故障检测应用中,具有更好的实际应用价值。
发明内容
发明目的:针对垂直电梯存在的上述问题,本发明提出基于门控循环网络和典型相关分析的电梯故障检测方法。
技术方案:为实现本发明的目的,本发明所采用的技术方案是:基于门控循环网络和典型相关分析的电梯故障检测方法,包括以下步骤:
S1,数据采集,通过电梯电流数据采集模块和电梯振动数据采集模块采集电梯牵引电机电流、制动器电流、安全电路电流、车门电机电流数据以及纵向、横向、垂直方向三个方向上的振动数据,获得用来进行故障检测的数据样本,通过数据传输设备将采集到的数据上传存储至系统数据库中;
S2,数据预处理,首先对数据进行归一化处理,然后对电流数据和振动数据采用小波包多阈值去噪,对去噪后的振动数据进行峰值事件检测,找到加速或减速事件的振动数据局部最大值和最小值,之后根据预设的时间跨度生成数据集,最后进行数据对准,根据预设的时间跨度对峰值事件附近的电流数据和振动数据进行窗口化,将窗口化后的参考数据与检测到的峰值事件附近的数据进行数据对准,得到数据对准后的具有相同时间跨度的电流数据和振动数据段;
S3,离线模型训练,进行基于门控循环单元神经网络和典型相关分析结合方法的离线模型训练,得到符合收敛性的两个门控循环单元神经网络模型;
S4,在线故障检测,根据步骤一和步骤二得到经过预处理的电梯实时电流和振动数据,将实时数据四种电流数据输入一号门控循环单元神经网络,将三种振动数据输入二号门控循环单元神经网络,对两个门控循环单元神经网络的输出进行典型相关分析得到相关系数,将相关系数与阈值进行比较,超过阈值则视为发生故障。
作为本发明进一步改进,步骤S3所述门控循环单元神经网络包括:
rt=σ(Wzxt+Vzht-1+bz)
zt=σ(Wrxt+Vrht-1+br)
其中Wz,Wr,Wc,Vz,Vr,Vc,bz,br是权重矩阵,通过模型训练调整这些权重矩阵,σ是sigmoid激活函数,xt是当前t时刻的输入,ht-1是当前时刻之前的t-1时刻的隐藏状态,⊙是点乘运算,直接将隐藏状态ht作为门控循环单元神经网络的输出。
作为本发明进一步改进,步骤S3中所述典型相关分析包括:
S321,将一号门控循环单元神经网络的输出和二号门控循环单元神经网络的输出进行标准化,计算其方差Σ11、Σ22和协方差Σ21、Σ12;
S323,计算矩阵A和B的特征值和特征向量a和b,将A和B进行转化成向量,求得a和b约束条件下的矩阵A′和B′,并计算其相关系数,从而得到两个门控循环单元神经网络的输出的典型相关系数。
作为本发明进一步改进,步骤S3中所述离线模型训练具体包括:
将正常运行的四种电流数据作为一号数据集,将正常运行的三种振动数据作为二号数据集,构建对应一号数据集的一号门控循环单元神经网络和对应二号数据集的二号门控循环单元神经网络,两个网络具有相同的输出数据长度;采用典型相关分析方法来计算一号门控循环单元神经网络的输出和二号门控循环单元神经网络的输出之间的相关系数;根据相关系数训练一号、二号门控循环单元神经网络,使相关系数最大;用所有离线训练集数据训练两个门控循环单元神经网络。
与现有技术相比,本发明具有以下有益效果:
1.与现有的电梯故障检测方法不同,本方法综合考虑了电梯运行的电机电流、制动器电流、安全电路电流和车门电机电流四种电流数据和三个方向上的振动数据,并对电梯电流数据和振动数据进行了归一化和小波包多阈值去噪,且对数据加速事件或减速事件附近的数据进行了数据对准,降低了电梯加速或者减速运行过程导致的电流和振动数据变化对故障检测效果的影响。
2.与现有的电梯故障检测方法不同,本方法使用两个门控循环单元神经网络分别处理电流数据与振动数据,将两个门控循环单元神经网络的输出进行典型相关分析得到相关系数,通过电梯电流和振动数据训练两个门控循环单元神经网络使最后典型相关分析得到相关系数最大,完成神经网络模型离线训练。将电梯的实时电流和振动数据输入训练好的两个门控循环单元神经网络,将典型相关分析得到的相关系数与阈值比较,如果相关系数超出阈值,则视为发生了故障,实现了故障检测。本发明的方法体现了电梯电流数据和振动数据的关联性,用门控循环单元神经网络对数据进行非线性变换,从而利用两类数据的关联关系进行故障检测,提高了电梯故障检测的可靠性。
3.与现有的电梯故障检测方法不同,本方法不需要使用故障数据来对门控循环单元神经网络进行训练,而只需要用正常运行的数据来训练网络,故障数据则只是用来获得相关系数阈值。在实际中,正常运行的电流和振动数据远远多于故障时的电流和振动数据,现有的故障检测方法需要大量的故障数据才能得到相对准确的故障检测效果,而本方法对故障数据数量的要求特别小,少量故障数据即可实现准确的故障检测。
附图说明
图1是本发明整体方法原理流程图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明提供基于门控循环单元神经网络和典型相关分析的垂直电梯故障检测方法,检测电梯运行的电机电流、制动器电流、安全电路电流和车门电机电流四种电流数据和三个方向上的振动数据;对离线数据进行预处理后分别输入两个门控循环单元神经网络同时进行训练,使两个门控循环单元神经网络的输出进行典型相关分析后得到的相关系数最大;将在线数据经过预处理后输入到训练好的两个网络中,将相关系数与阈值比较来实现故障检测。
本发明的整体算法原理流程如图1所示。
本发明通过以下技术方案实现:
S1,数据采集。通过电梯电流数据采集模块和电梯振动数据采集模块采集电梯牵引电机电流、制动器电流、安全电路电流和车门电机电流数据和三个方向上的振动数据,获得用来进行故障检测的数据样本,通过数据传输设备将采集到的数据上传存储至系统数据库中。
S2,数据预处理。首先对数据进行归一化处理。然后对电流数据和振动数据采用小波包多阈值去噪,对去噪后的电流数据和振动数据进行峰值事件检测,找到加速或减速事件的振动数据局部最大值和最小值。之后根据预设的时间跨度生成数据集。最后进行数据对准,根据预设的时间跨度对峰值事件附近的电流数据和振动数据进行窗口化,将窗口化后的参考数据与检测到的峰值事件附近的数据进行数据对准,得到数据对准后的具有相同时间跨度的电流数据和振动数据段。
S21,小波包多阈值去噪包括以下步骤:
S211,对振动信号进行小波变换,选择小波并确定小波分解的层次,根据最佳树函数选择最优基。
S212,对小波系数作门限阈值处理。中低频率的部分选用minimaxi阈值,高频率的部分选用sqtwolog阈值。
S213,利用估计的小波系数进行小波重构,得到去噪后的信号。
S22,数据对准包括以下步骤:
S221,根据振动数据找到加速或减速事件的时间位置。
S222,将加速或减速事件附近的振动数据提取出来记为Y,
S223,设置一个时间窗口的数据量m=100,设置窗口计数器k=1。
S224,从Y(k)中找到其局部最大值ymax和最小值ymin。
S225,在检测到的峰值附近,通过最小化L2范数使检测到数据与参考数据对齐。
S226,设置窗口计数器k=k+1,并重复S224和S225,直到数据集结束。
S3,离线模型训练。进行基于门控循环单元神经网络和典型相关分析结合方法的离线模型训练,得到符合收敛性的两个门控循环单元神经网络模型。
S31,所述门控循环单元神经网络包括:
rt=σ(Wzxt+Vzht-1+bz )
zt=σ(Wrxt+Vrht-1+br)
其中Wz,Wr,Wc,Vz,Vr,Vc,bz,br是权重矩阵,通过模型训练调整这些权重矩阵。σ是sigmoid激活函数,xt是当前t时刻的输入,ht-1是当前时刻之前的t-1时刻的隐藏状态,⊙是点乘运算。直接将隐藏状态ht作为门控循环单元神经网络的输出。
S32,S3中所述典型相关分析包括:
S321,将一号门控循环单元神经网络的输出和二号门控循环单元神经网络的输出进行标准化,计算其方差Σ11、Σ22和协方差Σ21、Σ12。
S323,计算矩阵A和B的特征值和特征向量a和b,将A和B进行转化成向量,求得a和b约束条件下的矩阵A′和B′,并计算其相关系数,从而得到两个门控循环单元神经网络的输出的典型相关系数。
S33,S3中所述离线模型训练具体包括:
将正常运行的四种电流数据作为一号数据集,将正常运行的三种振动数据作为二号数据集,构建对应一号数据集的一号门控循环单元神经网络和对应二号数据集的二号门控循环单元神经网络,两个网络具有相同的输出数据长度;采用典型相关分析方法来计算一号门控循环单元神经网络的输出和二号门控循环单元神经网络的输出之间的相关系数;根据相关系数训练一号、二号门控循环单元神经网络,使相关系数最大;用所有离线训练集数据训练两个门控循环单元神经网络。
S4,在线故障检测。根据步骤一和步骤二得到经过预处理的电梯实时电流和振动数据,将实时数据四种电流数据输入一号门控循环单元神经网络,将三种振动数据输入二号门控循环单元神经网络,对两个门控循环单元神经网络的输出进行典型相关分析得到相关系数,将相关系数与阈值进行比较,超过阈值则视为发生故障。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (4)
1.基于门控循环网络和典型相关分析的电梯故障检测方法,其特征在于,包括以下步骤:
S1,数据采集,通过电梯电流数据采集模块和电梯振动数据采集模块采集电梯牵引电机电流、制动器电流、安全电路电流、车门电机电流数据以及纵向、横向、垂直方向三个方向上的振动数据,获得用来进行故障检测的数据样本,通过数据传输设备将采集到的数据上传存储至系统数据库中;
S2,数据预处理,首先对数据进行归一化处理,然后对电流数据和振动数据采用小波包多阈值去噪,对去噪后的振动数据进行峰值事件检测,找到加速或减速事件的振动数据局部最大值和最小值,之后根据预设的时间跨度生成数据集,最后进行数据对准,根据预设的时间跨度对峰值事件附近的电流数据和振动数据进行窗口化,将窗口化后的参考数据与检测到的峰值事件附近的数据进行数据对准,得到数据对准后的具有相同时间跨度的电流数据和振动数据段;
S3,离线模型训练,进行基于门控循环单元神经网络和典型相关分析结合方法的离线模型训练,得到符合收敛性的两个门控循环单元神经网络模型;
S4,在线故障检测,根据步骤一和步骤二得到经过预处理的电梯实时电流和振动数据,将实时数据四种电流数据输入一号门控循环单元神经网络,将三种振动数据输入二号门控循环单元神经网络,对两个门控循环单元神经网络的输出进行典型相关分析得到相关系数,将相关系数与阈值进行比较,超过阈值则视为发生故障。
2.根据权利要求1所述的基于门控循环网络和典型相关分析的电梯故障检测方法,其特征在于,步骤S3所述门控循环单元神经网络包括:
rt=σ(Wzxt+Vzht-1+bz)
zt=σ(Wrxt+Vrht-1+br)
其中Wz,Wr,Wc,Vz,Vr,Vc,bz,br是权重矩阵,通过模型训练调整这些权重矩阵,σ是sigmoid激活函数,xt是当前t时刻的输入,ht-1是当前时刻之前的t-1时刻的隐藏状态,⊙是点乘运算,直接将隐藏状态ht作为门控循环单元神经网络的输出。
4.根据权利要求1所述的基于门控循环网络和典型相关分析的电梯故障检测方法,其特征在于,步骤S3中所述离线模型训练具体包括:
将正常运行的四种电流数据作为一号数据集,将正常运行的三种振动数据作为二号数据集,构建对应一号数据集的一号门控循环单元神经网络和对应二号数据集的二号门控循环单元神经网络,两个网络具有相同的输出数据长度;采用典型相关分析方法来计算一号门控循环单元神经网络的输出和二号门控循环单元神经网络的输出之间的相关系数;根据相关系数训练一号、二号门控循环单元神经网络,使相关系数最大;用所有离线训练集数据训练两个门控循环单元神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110365782.9A CN113086798B (zh) | 2021-04-06 | 2021-04-06 | 基于门控循环网络和典型相关分析的电梯故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110365782.9A CN113086798B (zh) | 2021-04-06 | 2021-04-06 | 基于门控循环网络和典型相关分析的电梯故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113086798A CN113086798A (zh) | 2021-07-09 |
CN113086798B true CN113086798B (zh) | 2022-02-08 |
Family
ID=76673779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110365782.9A Active CN113086798B (zh) | 2021-04-06 | 2021-04-06 | 基于门控循环网络和典型相关分析的电梯故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113086798B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114019298B (zh) * | 2021-09-28 | 2023-12-05 | 中电华创(苏州)电力技术研究有限公司 | 一种基于pcc-svm的发电机转子匝间短路在线监测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102491140A (zh) * | 2011-12-27 | 2012-06-13 | 阳西县电梯配件有限公司 | 基于特征信号的电梯安全检测装置及电梯安全检测方法 |
CN104925613B (zh) * | 2015-06-03 | 2017-10-13 | 安徽中科福瑞科技有限公司 | 一种电梯在线安全检测预警装置的检测预警方法 |
CN108569607B (zh) * | 2018-06-22 | 2020-10-27 | 西安理工大学 | 基于双向门控循环神经网络的电梯故障预警方法 |
CN109060347B (zh) * | 2018-10-25 | 2020-01-14 | 哈尔滨理工大学 | 基于堆叠消噪自动编码器和门控循环单元神经网络的行星齿轮故障识别方法 |
-
2021
- 2021-04-06 CN CN202110365782.9A patent/CN113086798B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113086798A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112784965B (zh) | 面向云环境下大规模多元时间序列数据异常检测方法 | |
Heydarzadeh et al. | A two-stage fault detection and isolation platform for industrial systems using residual evaluation | |
US11780452B2 (en) | Method and system for fault diagnoses of intelligent vehicles | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN112015153B (zh) | 一种无菌灌装生产线异常检测系统和方法 | |
Liu et al. | Multidimensional feature fusion and ensemble learning-based fault diagnosis for the braking system of heavy-haul train | |
CN109917777B (zh) | 基于混合多采样率概率主成分分析模型的故障检测方法 | |
CN112193959A (zh) | 电梯异响检测方法及系统 | |
CN108490923A (zh) | 用于电气牵引系统的微小故障检测与定位的系统设计方法 | |
Chang et al. | Remaining useful life prediction for rolling bearings using multi-layer grid search and LSTM | |
CN113188807B (zh) | 一种abs结果自动判定算法 | |
CN113848417A (zh) | 轨道交通供电设备故障预测方法及装置 | |
CN113086798B (zh) | 基于门控循环网络和典型相关分析的电梯故障检测方法 | |
CN112478975A (zh) | 基于音频特征的电梯门故障检测方法 | |
CN112985830A (zh) | 一种abs结果自动判定算法 | |
CN110991471A (zh) | 一种高速列车牵引系统故障诊断方法 | |
CN114997218A (zh) | 一种针对轨道车辆车轮多边形磨耗的识别检测方法 | |
Qiu et al. | A piecewise method for bearing remaining useful life estimation using temporal convolutional networks | |
CN114897138A (zh) | 基于注意力机制和深度残差网络的系统故障诊断方法 | |
CN114781458A (zh) | 基于自适应小波和注意力机制的时频记忆神经网络的配电网初期故障识别方法 | |
CN116467570B (zh) | 一种基于数据驱动的重载机车车钩摆角定量识别方法 | |
CN109580260A (zh) | 一种轨道车辆门系统的亚健康诊断方法 | |
CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 | |
CN113076235A (zh) | 一种基于状态融合的时序异常检测方法 | |
CN113987905A (zh) | 一种基于深度信念网络的自动扶梯制动力智能诊断系统 |
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 |