CN114920122A - 一种基于迁移学习的自动扶梯故障预警方法及系统 - Google Patents
一种基于迁移学习的自动扶梯故障预警方法及系统 Download PDFInfo
- Publication number
- CN114920122A CN114920122A CN202210480011.9A CN202210480011A CN114920122A CN 114920122 A CN114920122 A CN 114920122A CN 202210480011 A CN202210480011 A CN 202210480011A CN 114920122 A CN114920122 A CN 114920122A
- Authority
- CN
- China
- Prior art keywords
- data
- early warning
- fault
- escalator
- model
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B29/00—Safety devices of escalators or moving walkways
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B29/00—Safety devices of escalators or moving walkways
- B66B29/005—Applications of security monitors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Escalators And Moving Walkways (AREA)
Abstract
本发明公开了一种基于迁移学习的自动扶梯故障预警方法及系统,方法包括:采集目标扶梯的待分析特征数据,所述待分析特征数据包括振动数据、温度数据和噪声数据;将所述待分析特征数据输入故障预警识别模型进行分析识别,确定故障趋势等级;当所述故障趋势等级超过预设的预警阈值时,输出故障预警数据进行故障风险预警。本发明稳定性高、准确率高且成本低,可广泛应用于扶梯管理系统技术领域。
Description
技术领域
本发明涉及扶梯管理系统技术领域,尤其是一种基于迁移学习的自动扶梯故障预警方法及系统。
背景技术
现阶段城市轨道交通事业迅速发展,随着公共交通运输系统规模不断扩大,对线网中使用的特种设备特别是自动扶梯提出了更高的性能要求;得益于自动扶梯的工作连续性和强大的输送能力,自动扶梯已经成为人们出入车站、换乘及运输货物的重要客运设备,由于乘客流量大要求自动扶梯长期高负荷满载作业,因此难以避免地出现自动扶梯不同机械结构特别是传动部件的损耗;通过对自动扶梯的关键机械结构工作状态进行实时监测和风险评估,从而实现及时的故障预警和预判性维保,对于扶梯保养和避免乘客安全事故具有重要意义。
现有研究主要是通过在扶梯关键部件上安装振动传感器,获取扶梯振动信息,从中提取重要特征并结合机器学习算法,建立对扶梯的故障识别模型从而实现故障警告,然而很多时候扶梯发生故障瞬间就已经导致不可挽救的乘客伤亡事故或者机械严重磨损,此时发出警示并进行补救已经太迟;因此,还有研究针对扶梯故障趋势展开识别,通过对扶梯的振动信息进行分析,基于提取的关键特征信息,对扶梯故障发生之前的部件工况进行级别分辨,当识别到其工况属于最靠近故障发生点时发出警告,从而实现扶梯的故障趋势预警,然而这需要耗费大量扶梯样本与时间进行实验,对于现阶段的扶梯制造商而言难以实现。此外,以上都只是使用了扶梯的振动信息进行研究,并没有对扶梯的声音和温度特征进行考量,然而,传统扶梯故障辨别中噪声和温度都是很重要的指标。
发明内容
有鉴于此,本发明实施例提供一种稳定性高、准确率高且成本低的,基于迁移学习的自动扶梯故障预警方法及系统。
本发明的一方面提供了一种基于迁移学习的自动扶梯故障预警方法,包括:
采集目标扶梯的待分析特征数据,所述待分析特征数据包括振动数据、温度数据和噪声数据;
将所述待分析特征数据输入故障预警识别模型进行分析识别,确定故障趋势等级;
当所述故障趋势等级超过预设的预警阈值时,输出故障预警数据进行故障风险预警;
其中,所述故障预警识别模型通过迁移学习技术训练得到。
可选地,所述采集目标扶梯的待分析特征数据,包括以下至少之一:
通过振动检测传感器采集电机的振动数据;
通过振动检测传感器采集减速机的振动数据;
通过振动检测传感器采集地脚螺栓的振动数据;
通过振动检测传感器采集主驱动轮的振动数据;
通过振动检测传感器采集涨紧链轮的振动数据;
通过温度传感器采集减速箱机油的温度数据;
通过温度传感器采集扶手带的温度数据;
通过温度传感器采集环境的温度数据;
通过噪声检测传感器采集电机的噪声数据;
通过噪声检测传感器采集主驱动轮的噪声数据;
通过噪声检测传感器采集涨紧轮的噪声数据;
通过噪声检测传感器采集梯级的噪声数据。
可选地,所述故障预警识别模型的训练过程包括以下步骤:
获取扶梯设备的相似设备的故障趋势分级模型,其中,所述相似设备包括但不限于涡轮机系统、直梯系统和传送带系统;
根据已经训练好的相似设备的故障趋势分级模型,获取源域训练数据;并根据扶梯样本获取目标域训练数据;
根据所述源域训练数据和所述目标域训练数据构建训练集,从所述目标域训练数据中随机选取子集作为验证集;
根据所述训练集和所述验证集,从数据层面和特征层面对所述相似设备的故障趋势分级模型进行迁移学习,构建扶梯设备的故障预警识别模型。
可选地,所述根据所述训练集和所述验证集,从数据层面和特征层面对所述相似设备的故障趋势分级模型进行迁移学习,构建扶梯设备的故障预警识别模型这一步骤中,从数据层面对所述相似设备的故障趋势分级模型进行迁移学习,包括:
以所述验证集作为优化目标,根据所述训练集进行迭代训练;
在每次迭代训练过程中调整所述训练集中各个训练数据的学习权重,以实现源域到目标域故障趋势分级模型的迁移学习。
可选地,所述根据所述训练集和所述验证集,从数据层面和特征层面对所述相似设备的故障趋势分级模型进行迁移学习,构建扶梯设备的故障预警识别模型这一步骤中,从特征层面对所述相似设备的故障趋势分级模型进行迁移学习,包括:
找出源域与目标域之间共同的特征表示;
将源域训练数据和目标域训练数据从原始特征空间映射到新的特征空间,其中,所述源域训练数据和所述目标域训练数据在所述新的特征空间中的数据分布相同;
基于所述新的特征空间对所述相似设备的故障趋势分级模型进行迁移学习。
可选地,所述方法还包括:
通过物联网模块采集目标扶梯的待分析特征数据;
通过所述物联网模块将所述待分析特征数据上传到云端服务器;其中,所述云端服务器训练所述故障预警识别模型并部署所述故障预警识别模型;
通过边缘计算模块从所述云端服务器中获取故障预警识别模型和所述待分析特征数据;
所述边缘计算模块通过所述故障预警识别模型对所述待分析特征数据进行故障趋势等级识别;
当所述故障趋势等级超过预设的预警阈值时,通过显示器进行风险预警。
本发明实施例的另一方面还提供了一种基于迁移学习的自动扶梯故障预警系统,包括:
第一模块,用于采集目标扶梯的待分析特征数据,所述待分析特征数据包括振动数据、温度数据和噪声数据;
第二模块,用于将所述待分析特征数据输入故障预警识别模型进行分析识别,确定故障趋势等级;
第三模块,用于当所述故障趋势等级超过预设的预警阈值时,输出故障预警数据进行故障风险预警;
其中,所述故障预警识别模型通过迁移学习技术训练得到。
本发明实施例的另一方面还提供了一种基于迁移学习的自动扶梯故障预警系统,包括:
传感器模块,用于采集待分析特征数据;其中,所述待分析特征数据包括振动数据、温度数据和噪声数据;所述传感器模块包括振动检测传感器、温度测量传感器和噪声采集传感器;
物联网模块,用于将所述待分析特征数据上传到云端服务器;
云端服务器,用于训练故障预警识别模型并部署所述故障预警识别模型;
边缘计算模块,用于从所述云端服务器中获取故障预警识别模型和所述待分析特征数据;
故障预警显示器,用于当所述故障趋势等级超过预设的预警阈值时,进行风险预警。
本发明实施例的另一方面还提供了一种电子设备,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例的另一方面还提供了一种计算机可读存储介质,所述存储介质存储有程序,所述程序被处理器执行实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行前面的方法。
本发明的实施例采集目标扶梯的待分析特征数据,所述待分析特征数据包括振动数据、温度数据和噪声数据;将所述待分析特征数据输入故障预警识别模型进行分析识别,确定故障趋势等级;当所述故障趋势等级超过预设的预警阈值时,输出故障预警数据进行故障风险预警。本发明稳定性高、准确率高且成本低。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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系统结构示意图;
图2为本发明实施例提供的自动扶梯故障预警系统的处理流程图;
图3为本发明实施例提供的基于迁移学习的自动扶梯故障预警系统的训练流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请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仅用以解释本申请,并不用于限定本申请。
针对现有技术存在的问题,本发明提出一种基于迁移学习的自动扶梯故障预警系统,分别从扶梯三种工况特征(振动、噪声和温度)进行分析,基于现有的相似程度较高的机械设备故障识别模型,结合迁移学习算法进行故障趋势识别模型更新,从而实现自动扶梯的故障预警和预判性维保。
具体地,本发明的一方面提供了一种基于迁移学习的自动扶梯故障预警方法,包括:
采集目标扶梯的待分析特征数据,所述待分析特征数据包括振动数据、温度数据和噪声数据;
将所述待分析特征数据输入故障预警识别模型进行分析识别,确定故障趋势等级;
当所述故障趋势等级超过预设的预警阈值时,输出故障预警数据进行故障风险预警;
其中,所述故障预警识别模型通过迁移学习技术训练得到。
可选地,所述采集目标扶梯的待分析特征数据,包括以下至少之一:
通过振动检测传感器采集电机的振动数据;
通过振动检测传感器采集减速机的振动数据;
通过振动检测传感器采集地脚螺栓的振动数据;
通过振动检测传感器采集主驱动轮的振动数据;
通过振动检测传感器采集涨紧链轮的振动数据;
通过温度传感器采集减速箱机油的温度数据;
通过温度传感器采集扶手带的温度数据;
通过温度传感器采集环境的温度数据;
通过噪声检测传感器采集电机的噪声数据;
通过噪声检测传感器采集主驱动轮的噪声数据;
通过噪声检测传感器采集涨紧轮的噪声数据;
通过噪声检测传感器采集梯级的噪声数据。
可选地,所述故障预警识别模型的训练过程包括以下步骤:
获取扶梯设备的相似设备的故障趋势分级模型,其中,所述相似设备包括但不限于涡轮机系统、直梯系统和传送带系统;
根据已经训练好的相似设备的故障趋势分级模型,获取源域训练数据;并根据扶梯样本获取目标域训练数据;
根据所述源域训练数据和所述目标域训练数据构建训练集,从所述目标域训练数据中随机选取子集作为验证集;
根据所述训练集和所述验证集,从数据层面和特征层面对所述相似设备的故障趋势分级模型进行迁移学习,构建扶梯设备的故障预警识别模型。
可选地,所述根据所述训练集和所述验证集,从数据层面和特征层面对所述相似设备的故障趋势分级模型进行迁移学习,构建扶梯设备的故障预警识别模型这一步骤中,从数据层面对所述相似设备的故障趋势分级模型进行迁移学习,包括:
以所述验证集作为优化目标,根据所述训练集进行迭代训练;
在每次迭代训练过程中调整所述训练集中各个训练数据的学习权重,以实现源域到目标域故障趋势分级模型的迁移学习。
可选地,所述根据所述训练集和所述验证集,从数据层面和特征层面对所述相似设备的故障趋势分级模型进行迁移学习,构建扶梯设备的故障预警识别模型这一步骤中,从特征层面对所述相似设备的故障趋势分级模型进行迁移学习,包括:
找出源域与目标域之间共同的特征表示;
将源域训练数据和目标域训练数据从原始特征空间映射到新的特征空间,其中,所述源域训练数据和所述目标域训练数据在所述新的特征空间中的数据分布相同;
基于所述新的特征空间对所述相似设备的故障趋势分级模型进行迁移学习。
可选地,所述方法还包括:
通过物联网模块采集目标扶梯的待分析特征数据;
通过所述物联网模块将所述待分析特征数据上传到云端服务器;其中,所述云端服务器训练所述故障预警识别模型并部署所述故障预警识别模型;
通过边缘计算模块从所述云端服务器中获取故障预警识别模型和所述待分析特征数据;
所述边缘计算模块通过所述故障预警识别模型对所述待分析特征数据进行故障趋势等级识别;
当所述故障趋势等级超过预设的预警阈值时,通过显示器进行风险预警。
本发明实施例的另一方面还提供了一种基于迁移学习的自动扶梯故障预警系统,包括:
第一模块,用于采集目标扶梯的待分析特征数据,所述待分析特征数据包括振动数据、温度数据和噪声数据;
第二模块,用于将所述待分析特征数据输入故障预警识别模型进行分析识别,确定故障趋势等级;
第三模块,用于当所述故障趋势等级超过预设的预警阈值时,输出故障预警数据进行故障风险预警;
其中,所述故障预警识别模型通过迁移学习技术训练得到。
本发明实施例的另一方面还提供了一种基于迁移学习的自动扶梯故障预警系统,包括:
传感器模块,用于采集待分析特征数据;其中,所述待分析特征数据包括振动数据、温度数据和噪声数据;所述传感器模块包括振动检测传感器、温度测量传感器和噪声采集传感器;
物联网模块,用于将所述待分析特征数据上传到云端服务器;
云端服务器,用于训练故障预警识别模型并部署所述故障预警识别模型;
边缘计算模块,用于从所述云端服务器中获取故障预警识别模型和所述待分析特征数据;
故障预警显示器,用于当所述故障趋势等级超过预设的预警阈值时,进行风险预警。
本发明实施例的另一方面还提供了一种电子设备,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例的另一方面还提供了一种计算机可读存储介质,所述存储介质存储有程序,所述程序被处理器执行实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行前面的方法。
下面结合说明书附图,对本发明的具体实施过程进行详细描述:
现有技术的局限和缺点包括以下几点:
1.自动扶梯故障识别只能在故障已经发生后进行警示,此时已经给扶梯乘客造成不可挽救的事故,而且极可能导致扶梯其它部件的损坏,不能提醒维保人员进行预判性维保,从而带来额外的经济损失。
2.现有研究只针对振动数据进行故障预警建模,并没有考量噪声和温度特征对扶梯故障趋势识别的重要性。
3.对于自动扶梯故障趋势预警的研究需要建立在扶梯故障点发生过程中,现阶段缺乏这一类故障数据,而开展试验需要较高成本,难以实现。
针对现有技术的问题,本发明分别使用振动检测传感器、温度测量传感器和噪声采集传感器获取扶梯样本的工况特征,使用已经训练好的相似性较高的机械传输设备故障预警识别模型,并结合迁移学习算法建立自动扶梯故障趋势识别模型,实现故障预警,从而在故障发生之前开展预判性维保工作。该方案系统主要包括主控板、传感器、物联网模块、云端服务器、边缘计算模块和故障预警显示器。
如图1所示:本发明的故障预警系统主要由主控板、传感器、物联网模块、云端服务器、边缘计算模块和故障预警显示器组成。
其中主控板用于控制扶梯正常运行,同时控制传感器采集扶梯的工况特征数据,并传输数据到其他模块用于特征分析和故障预警识别模型训练,当扶梯系统即将出现故障时还需要把相应的故障信息传输到故障预警显示器,可以为微机板,PLC,单片机,嵌入式系统等组成的控制器。
传感器分别有振动检测传感器、温度测量传感器和噪声采集传感器,安装在扶梯关键部件上面,用于采集扶梯实时工况特征数据,例如通过振动检测传感器采集电机、减速机、地脚螺栓、主驱动轮和涨紧链轮等重要机械部件振动信息,通过温度传感器采集减速箱机油、扶手带和环境等关键部位的温度信息,通过噪声检测传感器采集电机、主驱动轮、涨紧轮和梯级等关键运行部位的噪声信息。
物联网模块把传感器获取的工况特征数据上传到云端服务器,前期的故障预警模型训练需要在服务器中开展,针对不同扶梯会建立不同的故障预警识别模型,训练好的模型通过物联网模块重新加载到扶梯故障预警系统中的边缘计算模块。
云端服务器主要负责预警系统建模和算法更新,针对迁移学习模型训练所需要的源域数据与目标域数据进行分析,包括特征表达、机器学习建模、参数调优和识别测试等一系列实验都需要在服务器中利用其高性能配置和庞大的数据库进行;此外,在扶梯系统发现故障风险并识别到预警信号时,也需要通过服务器及时地显示在预警平台上。
边缘计算模块需要实现扶梯样本的测试过程,利用建立好的故障预警模型对实时获取的扶梯样本数据进行测试,识别出故障趋势等级,当扶梯样本故障趋势等级靠近设定的故障点时返回故障预警数据,此预警信息即将通过扶梯显示器警示维保人员,同时通过物联网模块上传实时检测到的预警数据到云端服务器,在预警平台上显示,通知相关部门扶梯哪个位置存在故障风险,为维保工作的及时开展提供保障。
故障预警显示器用于警示维保人员,故障预警显示器边缘计算模块识别出扶梯即将发生故障时将通过主控板控制故障预警显示器显示扶梯哪个位置哪个部件即将出现故障,警示维保人员前往进行维保工作。
现有研究大多数针对扶梯故障识别,然而等到故障已经发生后再进行补救,对乘客的潜在危险和扶梯整梯机械系统的损坏往往力不从心,为此,本文发明了一种扶梯故障预警系统,在故障即将发生之前进行预判性维保对乘客与扶梯都更加有意义。图2所示为自动扶梯故障预警系统流程图,对于每一种类型的扶梯,如果没有相对应的故障预警模型,那么首次使用本故障预警模型则需要在前期进行故障趋势等级识别模型的训练。首先通过传感器获取的扶梯特征数据(包括振动、温度与噪声),通过物联网模块把这些工况特征数据上传到云端服务器,在服务器中进行建模,基于迁移学习的自动扶梯故障预警系统模型技术路线如图3所示,通过服务器训练得到的故障预警模型将重新使用物联网模块下载到扶梯控制系统,并在边缘计算模块进行故障趋势等级识别,边缘计算模块需要对扶梯传感器采集到的振动、温度和噪声特征数据进行分析,如果测试数据放进故障趋势识别系统中检测到故障趋势等级不靠近设定故障点,则返回值为空,重新循环;一旦识别到扶梯故障趋势等级接近设定故障点时即返回预警信号,通过故障显示器显示自动扶梯哪个位置哪个模块即将发生故障,从而警示维保人员及时前往进行维保工作。
为了实现自动扶梯的故障预警,本发明提出,针对扶梯故障发生前的工况进行趋势分析,在故障出现前分为无故障、轻度、中度和重度四类故障趋势级别,考察扶梯机械结构随着在这三个级别中所反映出来的工况特征变化,通过提取工况特征(振动、温度与噪声)中对识别四类趋势级别的关键信息,结合机器学习算法建立故障趋势分级模型,前期训练好模型后,后期基于扶梯采集的实时工况数据即可识别出相应的故障趋势等级,把相应的故障趋势级别显示在故障显示器上,实现自动扶梯的故障预警,从而提醒维保人员进行相应的维保工作。然而,现阶段大多数扶梯预警研究需要收集大量的扶梯样本数据,需要针对不同的故障趋势级别开展连续性的实验,这就要求扶梯需要在故障点发生前进行连续的数据采集,然而自动扶梯发生故障的时间点难以预知,而且不仅仅对于一台扶梯进行试验,对于同一种故障,往往需要更多的扶梯样本,这对于扶梯制造商与研究者而言不仅耗时长而且成本较高。
此外,在传统机器学习领域,通常要求采集到的扶梯样本的训练数据和测试数据均满足相同的环境特征空间分布,这是保证稳态环境下的扶梯故障预测模型性能较好的前提,这一条件十分苛刻的,在扶梯故障预警的实际应用中,通常面向的是不同提升高度和速度的扶梯形成的新场景数据,来源于原来建模环境的旧场景数据可能会过时,这些环境参数的不同可能导致采集出来的扶梯工况数据的特征空间和分布情况无法保持一致性,使得原有旧场景训练出来的模型在新场景数据上可能无法获得较理想的模式分类结果,特别是基于场景因素(提升高度和速度)差异较大的数据。为此,本文提出使用迁移学习进行自动扶梯故障预警模型训练。
为解决上述传统机器学习中样本需求量大、模型训练难度高和变化场景下的扶梯故障预警模型不稳定等问题,本文提出基于迁移学习的自动扶梯故障预警,如图3展示了基于迁移学习的自动扶梯故障预警系统技术路线。利用相似设备的故障趋势分级模型(例如涡轮机、直梯和传送带系统等)结合迁移学习算法实现自动扶梯的故障预警,分别从数据与特征两个层面把相似设备的故障趋势分级模型中的训练数据(源域)迁移到扶梯训练数据(目标域),采用迁移学习算法融合源域与目标域训练数据作为训练集,并结合机器学习算法训练趋势分级模型,从而实现基于迁移学习的自动扶梯故障预警。
从数据层面进行迁移学习时,需要混合源域与目标域训练集,形成“源+目标域”训练集,从目标域训练集中随机选取子集作为验证集,基于源域训练好的故障趋势分级模型,以验证集识别准确率作为优化目标进行重复迭代实验,由于源域与目标域数据分布的差异性,基于源域的机器学习模型在对目标域进行趋势等级识别时可能会导致误判,因此在每次迭代中都需要重新调整对“源+目标域”训练数据的学习权重,增加有利于目标任务的源域与目标域训练数据权重,降低不利于目标任务的源域数据权重,使机器学习模型朝目标域故障趋势分级方向不断优化,从而实现源域到目标域故障趋势分级模型的迁移学习。
此外,也可以从特征层面开展故障趋势分级模型的迁移学习,此时需要找出源域与目标域之间共同的特征表示,将源域和目标域训练集从原始特征空间映射到新的特征空间,在此空间中源域与目标域数据分布相同,然后基于新的特征空间进行知识迁移,便可以更好地利用易获取的大量的源域训练集进行机器学习模型,间接地实现对目标域数据的识别,从而实现源域到目标域故障趋势分级模型的迁移学习。
通过迁移学习的方案,一方面大大减少了预警模型所需要的自动扶梯样本量,节省成本和时间,另一方面,相似设备的实验资源被重复利用,基于源域训练数据的先验知识可以使未来所建立的预警系统更加稳定易于普及。此外,前期训练好自动扶梯预警模型后,后期面临不同提升高度和速度的新类型扶梯工况数据形成的新特征空间时,都可以采用迁移学习的方法进行预警模型训练。尽管新场景与旧场景扶梯特征数据在分布上可能存在差异,但在局部的特征范围内仍具有十分相似的特征,因此旧场景的模型可以从少量新场景数据中学习到有利于新场景下的扶梯故障预警的关键信息,从而针对新场景下仅仅只需要少量的扶梯样本数据就可以实现故障预警系统的建模。
综上所述,相较于现有技术,本发明具有以下优点:
1、故障预警模型稳定性更高,除了扶梯振动特征,本系统增加温度和噪声特征,综合考虑这些变量对扶梯故障预警模型的影响,提取对设备故障识别最关键的特征信息,提高预警系统的识别准确率。
2、节约成本,现在只需要少量的扶梯样本就可以训练故障预警模型,而传统机器学习模型的建立需要大量的扶梯样本进行训练,耗时而且浪费很多资源。
3、安全性更高,在自动扶梯故障发生之前发出警示,让维保人员及时的进行维保工作,为乘客安全和延长扶梯使用寿命具有重要意义。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-On ly Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种基于迁移学习的自动扶梯故障预警方法,其特征在于,包括:
采集目标扶梯的待分析特征数据,所述待分析特征数据包括振动数据、温度数据和噪声数据;
将所述待分析特征数据输入故障预警识别模型进行分析识别,确定故障趋势等级;
当所述故障趋势等级超过预设的预警阈值时,输出故障预警数据进行故障风险预警;
其中,所述故障预警识别模型通过迁移学习技术训练得到。
2.根据权利要求1所述的一种基于迁移学习的自动扶梯故障预警方法,其特征在于,所述采集目标扶梯的待分析特征数据,包括以下至少之一:
通过振动检测传感器采集电机的振动数据;
通过振动检测传感器采集减速机的振动数据;
通过振动检测传感器采集地脚螺栓的振动数据;
通过振动检测传感器采集主驱动轮的振动数据;
通过振动检测传感器采集涨紧链轮的振动数据;
通过温度传感器采集减速箱机油的温度数据;
通过温度传感器采集扶手带的温度数据;
通过温度传感器采集环境的温度数据;
通过噪声检测传感器采集电机的噪声数据;
通过噪声检测传感器采集主驱动轮的噪声数据;
通过噪声检测传感器采集涨紧轮的噪声数据;
通过噪声检测传感器采集梯级的噪声数据。
3.根据权利要求1所述的一种基于迁移学习的自动扶梯故障预警方法,其特征在于,所述故障预警识别模型的训练过程包括以下步骤:
获取扶梯设备的相似设备的故障趋势分级模型,其中,所述相似设备包括但不限于涡轮机系统、直梯系统和传送带系统;
根据已经训练好的相似设备的故障趋势分级模型,获取源域训练数据;并根据扶梯样本获取目标域训练数据;
根据所述源域训练数据和所述目标域训练数据构建训练集,从所述目标域训练数据中随机选取子集作为验证集;
根据所述训练集和所述验证集,从数据层面和特征层面对所述相似设备的故障趋势分级模型进行迁移学习,构建扶梯设备的故障预警识别模型。
4.根据权利要求3所述的一种基于迁移学习的自动扶梯故障预警方法,其特征在于,所述根据所述训练集和所述验证集,从数据层面和特征层面对所述相似设备的故障趋势分级模型进行迁移学习,构建扶梯设备的故障预警识别模型这一步骤中,从数据层面对所述相似设备的故障趋势分级模型进行迁移学习,包括:
以所述验证集作为优化目标,根据所述训练集进行迭代训练;
在每次迭代训练过程中调整所述训练集中各个训练数据的学习权重,以实现源域到目标域故障趋势分级模型的迁移学习。
5.根据权利要求3所述的一种基于迁移学习的自动扶梯故障预警方法,其特征在于,所述根据所述训练集和所述验证集,从数据层面和特征层面对所述相似设备的故障趋势分级模型进行迁移学习,构建扶梯设备的故障预警识别模型这一步骤中,从特征层面对所述相似设备的故障趋势分级模型进行迁移学习,包括:
找出源域与目标域之间共同的特征表示;
将源域训练数据和目标域训练数据从原始特征空间映射到新的特征空间,其中,所述源域训练数据和所述目标域训练数据在所述新的特征空间中的数据分布相同;
基于所述新的特征空间对所述相似设备的故障趋势分级模型进行迁移学习。
6.根据权利要求1所述的一种基于迁移学习的自动扶梯故障预警方法,其特征在于,所述方法还包括:
通过物联网模块采集目标扶梯的待分析特征数据;
通过所述物联网模块将所述待分析特征数据上传到云端服务器;其中,所述云端服务器训练所述故障预警识别模型并部署所述故障预警识别模型;
通过边缘计算模块从所述云端服务器中获取故障预警识别模型和所述待分析特征数据;
所述边缘计算模块通过所述故障预警识别模型对所述待分析特征数据进行故障趋势等级识别;
当所述故障趋势等级超过预设的预警阈值时,通过显示器进行风险预警。
7.一种基于迁移学习的自动扶梯故障预警系统,其特征在于,包括:
第一模块,用于采集目标扶梯的待分析特征数据,所述待分析特征数据包括振动数据、温度数据和噪声数据;
第二模块,用于将所述待分析特征数据输入故障预警识别模型进行分析识别,确定故障趋势等级;
第三模块,用于当所述故障趋势等级超过预设的预警阈值时,输出故障预警数据进行故障风险预警;
其中,所述故障预警识别模型通过迁移学习技术训练得到。
8.一种基于迁移学习的自动扶梯故障预警系统,其特征在于,包括:
传感器模块,用于采集待分析特征数据;其中,所述待分析特征数据包括振动数据、温度数据和噪声数据;所述传感器模块包括振动检测传感器、温度测量传感器和噪声采集传感器;
物联网模块,用于将所述待分析特征数据上传到云端服务器;
云端服务器,用于训练故障预警识别模型并部署所述故障预警识别模型;
边缘计算模块,用于从所述云端服务器中获取故障预警识别模型和所述待分析特征数据;
故障预警显示器,用于当所述故障趋势等级超过预设的预警阈值时,进行风险预警。
9.一种电子设备,其特征在于,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如权利要求1至6中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有程序,所述程序被处理器执行实现如权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210480011.9A CN114920122A (zh) | 2022-05-05 | 2022-05-05 | 一种基于迁移学习的自动扶梯故障预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210480011.9A CN114920122A (zh) | 2022-05-05 | 2022-05-05 | 一种基于迁移学习的自动扶梯故障预警方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114920122A true CN114920122A (zh) | 2022-08-19 |
Family
ID=82806308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210480011.9A Pending CN114920122A (zh) | 2022-05-05 | 2022-05-05 | 一种基于迁移学习的自动扶梯故障预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114920122A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115893167A (zh) * | 2022-11-16 | 2023-04-04 | 青岛城市轨道交通科技有限公司 | 一种基于大数据的扶梯振动趋势预测方法 |
-
2022
- 2022-05-05 CN CN202210480011.9A patent/CN114920122A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115893167A (zh) * | 2022-11-16 | 2023-04-04 | 青岛城市轨道交通科技有限公司 | 一种基于大数据的扶梯振动趋势预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106781503B (zh) | 用于监测驾驶行为的方法和装置 | |
CN110764493B (zh) | 一种适用于高速铁路的phm应用系统、方法及存储介质 | |
CN107609304B (zh) | 大跨度铁路桥梁的基于phm的故障诊断预测系统及方法 | |
CN111401583A (zh) | 基于预测性维护的自动扶梯全生命周期健康管理系统 | |
CN111274737A (zh) | 一种机械设备剩余使用寿命预测方法及系统 | |
CN101821600B (zh) | 用于改善运输道路条件的系统和方法 | |
US20220355839A1 (en) | Monitoring, predicting and maintaining the condition of railroad elements with digital twins | |
CN111207938A (zh) | 一种铁道车辆故障检测方法 | |
CN114920122A (zh) | 一种基于迁移学习的自动扶梯故障预警方法及系统 | |
CN115659263B (zh) | 一种基于大数据的船舶操控行为风险评估系统及评估方法 | |
Brahimi et al. | Development of a prognostics and health management system for the railway infrastructure—Review and methodology | |
CN114923107B (zh) | 一种基于物联网和聚类分析的扶梯润滑控制方法及装置 | |
Pires et al. | Indirect identification of wheel rail contact forces of an instrumented heavy haul railway vehicle using machine learning | |
Liu et al. | A machine learning-based clustering approach to diagnose multi-component degradation of aircraft fuel systems | |
Rahman et al. | Deep learning model for railroad structural health monitoring via distributed acoustic sensing | |
Rahman et al. | Remote Condition Monitoring of Rail tracks using Distributed Acoustic Sensing (DAS): A Deep CNN-LSTM-SW based Model | |
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 | |
CN116542517A (zh) | 一种基于三维可视化的矿山智慧监测管理系统 | |
Golovan et al. | System of Water Vehicle Power Plant Remote Condition Monitoring | |
Chen et al. | BIM-and IoT-Based Data-Driven Decision Support System for Predictive Maintenance of Building Facilities | |
Pires et al. | Measuring vertical track irregularities from instrumented heavy haul railway vehicle data using machine learning | |
CN113643517A (zh) | 一种关于转辙机的智能预警系统 | |
Blyankinshtein et al. | Improving availability of the mechanisms under harsh conditions of Arctic based on the monitoring their energy load | |
Yang et al. | Using ARM Technology to Build a Rail Transit Catenary Wear Detection Operation Platform | |
CN117622809B (zh) | 一种斗轮机运行ai监护方法和服务器 |
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 |