CN115159288A - 一种电梯故障识别方法 - Google Patents

Abstract

本发明提出了一种电梯故障识别方法，涉及电梯技术领域，通过采集电梯故障数据中具有代表性的特征指标，对电梯运行过程中易发生故障的部件进行指标的划分，同时对多个特征指标进行了测定，提高了数据的可信度，避免了因为数据不全而导致的错诊和漏诊；采用Floyd局部线性嵌入算法对电梯故障数据进行降维处理，并通过加权K均值聚类算法对降维后的数据进行分类处理，从而实现了电梯的故障识别与分类。本发明专利综合考虑了Floyd算法改进LLE算法以及加权K均值聚类的优缺点，不仅解决了传统降维方法因没有合适的聚类中心分类准确率低的问题，还解决了K均值聚类耗时长的问题，从而提高了电梯故障识别的精度与效率。

Description

一种电梯故障识别方法

技术领域

本发明涉及电梯技术领域，尤其涉及一种电梯故障识别方法。

背景技术

近年来，随着国民经济突飞猛进地发展，高楼大厦比比皆是，电梯行业随之得到了广泛地应用，日益体现出其不可或缺的价值。然而，随着电梯被广泛地应用于各商场、住宅、公司大楼之中，随之而来的问题也不断地暴露在广大居民面前。随着电梯总量的扩大，电梯事故也逐渐增多。尽管电梯的制造、诊断技术都得到了大大地提升，但电梯事故量依然呈上升趋势。因此，对电梯进行故障诊断具有重要意义。

电梯系统可以分为电气和机械两部分，其中机械部分包括曳引系统、导向系统、轿厢和门系统、平衡系统和机械安全保护装置。电气部分包括电力驱动系统和电气安全保护装置。因此，电梯的运行状态通常分为正常运行、曳引摩擦、调速控制、安全防护、电力驱动五种状态。

现有研究中，电梯故障识别方法主要有BP神经网络、主成分分析(PrincipalComponent Analysis,PCA)、支持向量机(Support Vector Machine,SVM)这三类。

BP神经网络作为一种常用的有监督的分类算法，其通常需要对样本进行训练，这需要消耗大量的时间；PCA作为一种基于降维的机器学习算法，其通常选取对样本贡献率大的成分来代表整个样本，而忽略掉的对样本贡献率小的成分往往含有反映样本特征的关键信息，容易导致错误的分类；SVM作为一种适用于小样本的机器学习算法，当样本量过大时，其参数的选择往往存在一定的不适应性。

发明内容

有鉴于此，本发明提出了一种电梯故障识别方法，基于Floyd局部线性嵌入算法(Floyd Algorithm Local Linear Embedding，FLLE)和加权K均值(Weighted K-means，W-K-means)聚类算法，既解决了传统降维方法因没有合适的聚类中心分类准确率低的问题，又解决了K-means耗时长的问题。

本发明的技术方案是这样实现的：本发明提供了一种电梯故障识别方法，包括以下步骤：

S1，采集含有电梯实时状态的数据信息，建立电梯故障数据库；

S2，将步骤S1采集的数据采用FLLE进行降维处理；

S3，将步骤S2处理后的数据放到W-K-means分类器进行分类，以实现电梯的故障识别和分类。

在以上技术方案的基础上，优选的，步骤S1中，具体包括以下步骤：

S101、电梯正常运行时切断主电源开关，用激光位移传感器测量从断电时刻到曳引轮停止时钢丝绳的滑行距离；

S102、模拟电梯限速器安全钳联动试验，弹簧拉力计固定于连杆机构处，当连杆机构动作时测量其提拉力；

S103、采用转速表测量曳引机转速；

S104、利用限速器校验仪测量限速器转速；

S105、利用弹簧测力计人为的对电引轮两侧的抱闸装置进行松闸试验，测量松闸时刻的拉力大小；

S106、利用砝码分别试验75％和100％额定载重量，将钳形电流表置于主开关处分别测量电梯上下行的电流大小；

S107、将电梯加减速度测量仪置于轿厢中，利用加速度传感分别测量电梯启动时最大加速度和制动时最大的减速度；

S108、利用上述测量方法采集电梯故障数据，建立电梯故障数据库。

在以上技术方案的基础上，优选的，步骤S2中，具体包括以下步骤：

S201、寻找每个数据点的一组近邻：记样本个数为n，采用欧氏距离计算样本之间的距离d_ij，找到每个数据点的k个最近邻的重构邻域；

S202、构建重构误差函数ε_i(W)，计算由邻域线性重构的最佳权值W_j；

S203、计算最佳重构的低维嵌入向量并求稀疏对称矩阵的最小特征模。

更进一步优选的，步骤S201具体为：

记样本个数为n，采用欧氏距离计算样本x_i(i＝1,2,3,...,n)和x_j(j＝1,2,3,...,n)之间的距离d_ij，找到每个数据点的k个最近邻的重构邻域：

式(1)中，G(x_i,x_j)表示x_i与x_j的测地距离，M(i)和M(j)为x_i、x_j分别和其他相邻点之间的距离的平均值，如式(2)和式(3)所示：

利用Floyd算法计算两点间的测地距离后，将测地距离的计算结果代入公式(1)、(2)、(3)中，得到k近邻距离。

优选的，步骤S202具体为：

根据邻点x_j计算点x_i的重心坐标，原始点由线性组合重构，并由其邻居的权重矩阵W_ij给出，重构误差由代价函数衡量：

式(4)中，ε_i是重构误差；G_jk是局部格拉姆矩阵；W_j为最佳权值矩阵，W_k为k个邻点的权重矩阵；

G_jk＝(x_i-x_j)^T(x_i-x_k) (5)

G_jk是正定对称矩阵，式(4)是一个约束最小二乘问题，在两个约束条件下最小化：

式(6)是系数的约束，即每个数据点仅从其邻居重构，式(7)表示权重矩阵每行之和等于1，因此式(4)可以写为以下约束形式：

式(8)用拉格朗日乘子法计算，由于G_jk是正定对称矩阵，所以存在矩阵G_jk的逆，最优权值由式(9)计算：

优选的，步骤S203具体为：

计算最佳重构的低维嵌入向量并求稀疏对称矩阵的最小特征模：将高维空间中的点x_i、x_j映射到低维空间中的点Y_i、Y_j上，低维空间Y由以下函数计算：

代价函数(10)基于局部线性重构误差，其中(Y_i·Y_j)是内积，M_ij是N×N的稀疏矩阵，N是数据点的数目，

式中，δ_ij是N×N的单位矩阵，W_ji是W_ij的转置矩阵，

是W_ji的第k₃行，

是W_ij的第k₃列；

M_ij是正定对称矩阵，低维嵌入向量的所有中心都在原点，即：

单位协方差约束：

式(10)可以转化为约束优化问题：

在以上技术方案的基础上，优选的，所述S3基于K-means算法，K-means算法具体为：

设N₁个待分类样本的集合为Z＝{z_i,i＝1,2,...,N₁}，聚类中心的个数为K₁，聚类中心V＝{v_j,j＝1,2,...,K₁}，其中u_j(z_i)表示第i个样本z_i与第j个聚类中心v_j的隶属度：

所有隶属度形成隶属度矩阵

式中，d(z_i,v_j)为z_i与v_j的欧式距离，J为目标函数，K₁为聚类中心的个数，聚类中心V＝{v_j,j＝1,2,...,K₁}；

d(z_i,v_j)＝||z_i-v_j|| (17)

聚类中心的计算公式如下：

K-means算法可以简化为一个数学规划问题P，其代价函数的模糊形式为：

式中，K₁是聚类中心的个数，U是一个K₁×N₁的实数矩阵，R是聚类平均值r的集合

m是变量的数目，d是距离函数。

更进一步优选的，所述W-K-means具体为：

W-K-means把一个新的未知集合Q＝{q₁,q₂,…,q_m}引入P中，修改后的代价函数定义如下：

式中，

是样本Z的权重，且β≠1。

本发明的一种电梯故障识别方法相对于现有技术具有以下有益效果：

(1)对电梯运行过程中的易发生故障的部件进行指标的划分，同时对多个特征指标进行了测定，提高了数据的可信度，避免了因为数据不全而导致的错诊和漏诊。

(2)提出了一种基于FLLE和W-K-means的电梯故障识别方法，既解决了传统降维方法因没有合适的聚类中心分类准确率低的问题，又解决了K-means耗时长的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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为本发明的一种电梯故障识别方法的步骤流程图；

图2为本发明的一种电梯故障识别方法的数据采集的样本指标图；

图3为本发明的一种电梯故障识别方法的实施例的流程图；

图4为本发明的一种电梯故障识别方法的实施例的FLLE模型聚类结果图；

图5为本发明的一种电梯故障识别方法的实施例的FLLE和W-K-means模型聚类结果图；

具体实施方式

下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。

如图2所示，本发明的电梯故障样本数据库包括以下样本特征：钢丝绳滑矩、安全钳动作提拉力、限速器转速、抱闸拉力、上下行电流、上下行速度。

(1)钢丝绳滑矩：用来判断电引轮上的钢丝绳是否会因摩擦力不足而打滑，根据GB7588-2003《电梯制造与安装安全规范》规定，钢丝绳滑矩为：

式中，v为电梯的额定速度，r为钢丝绳倍率，a为加速度，一般情况下为-0.5m/s²。

(2)安全钳动作提拉力：电梯出现超速、坠落等情况时，由提拉杆联动机构拉动安全钳动作。

(3)限速器转速：电梯的一种安全保护装置，当发生轿厢超速或坠落时带动安全钳动作，目前在用电梯一般为渐进式安全钳，其限速器的转速为：

式中：V为最大速度，V₀为额定速度。

(4)抱闸拉力：抱闸由弹簧和闸瓦组成，抱闸的可靠性是衡量电梯能否有效制动的重要指标，抱闸出现损坏则电梯会出现溜车现象。

(5)上下行电流：测定不同状态的上下行电流，能计算出平衡系数的范围和电机的功率，如果电梯的平衡系数设定不合适，电机功率偏小会使电梯启动后出现倒拉，发生溜车或冲顶。

(6)上下行速度：依据电梯速度公式为：

式中:d为曳引轮直径，n为电机转速，i_曳为曳引比，i_减为曳引机减速器减速比。

根据图2的特征指标对应的特征值以及步骤S1的数据采集方法分别测量5种不同电梯故障的数据，其中，每类故障测量30组，因此待处理的数据是150×10的一个特征矩阵。

如图3所示，得到上述数据后，采用FLLE进行降维处理接着将FLLE处理后的数据放到W-K-means分类器进行分类，以实现电梯的故障识别和分类。

FLLE是基于LLE算法的一种改进，LLE算法包括三个步骤：

(1)寻找每个数据点的一组近邻。设X＝{x₁,x₂,...,x_n}是给定的n个点的数据集，x_i∈R^D；采用欧氏距离计算样本之间的距离d_ij(i,j∈1,2,...,n)，找到每个数据点的k个最近邻的重构邻域。

(2)计算由邻域线性重构的最佳权值。LLE根据邻点x_j计算点x_i的重心坐标。原始点由线性组合重建，并由其邻居的权重矩阵W_ij给出。重构误差由代价函数衡量：

式(4)中，ε_i是重构误差；G_jk是局部格拉姆矩阵；W_j为最佳权值矩阵，W_k为k个邻点的权重矩阵；

G_jk＝(x_i-x_j)^T(x_i-x_k) (5)

G_jk是正定对称矩阵，式(4)是一个约束最小二乘问题，在两个约束条件下最小化：

式(6)是系数的约束，即每个数据点仅从其邻居重构，式(7)表示权重矩阵每行之和等于1，因此式(4)可以写为以下约束形式：

式(8)用拉格朗日乘子法计算，由于G_jk是正定对称矩阵，所以存在矩阵G_jk的逆，最优权值由式(9)计算：

(3)计算最佳重构的低维嵌入向量并求稀疏对称矩阵的最小特征模：将高维空间中的点x_i、x_j映射到低维空间中的点Y_i、Y_j上，低维空间Y由以下函数计算：

代价函数(10)基于局部线性重构误差，其中(Y_i·Y_j)是内积，M_ij是N×N的稀疏矩阵，N是数据点的数目，

式中，δ_ij是N×N的单位矩阵，W_ji是W_ij的转置矩阵，

是W_ji的第k₃行，

是W_ij的第k₃列；

M_ij是正定对称矩阵，式(11)是一个极小化问题，可以在不影响重建误差的情况下将Y_i变换到任何位置，因此，可以添加约束以消除(11)中的平移自由度，这要求低维嵌入向量的所有中心都在原点，即：

为了消除旋转和比例自由度，增加单位协方差约束：

式(10)可以转化为约束优化问题：

式(14)可以通过多种方式求解。最有效的方法是计算矩阵M的一个相对最小的(d+1)个特征值，其特征向量是通过使用拉格朗日乘子优化的。特征值对应特征向量是一个元素全为1的向量；它表示对应0特征值的平移自由度，需要去除。保留的d个特征向量形成LLE的输出。

为了提高高维稀疏数据集的降维效果，FLLE对传统LLE算法进行了改进。用式(1)代替了LLE算法中的欧几里德距离：

式(1)中，G(x_i,x_j)表示x_i与x_j的测地距离，M(i)和M(j)为x_i、x_j分别和其他相邻点之间的距离的平均值，如式(2)和式(3)所示：

利用Floyd算法计算两点间的测地距离后，将测地距离的计算结果代入公式(1)(2)(3)中，得到k近邻距离，FLLE其余计算过程与LLE相同。

W-K-means是K-means的一种改进，K-means具有算法简单、收敛速度快且局部搜索能力强的优点，K-means算法的具体原理如下：

设N₁个待分类样本的集合为Z＝{z_i,i＝1,2,...,N₁}，聚类中心的个数为K₁，聚类中心V＝{v_j,j＝1,2,...,K₁}，u_j(z_i)表示第i个样本z_i与第j个聚类中心v_j的隶属度：

由于每个样本必须属于且仅属于一个分组，所以有

所有隶属度形成隶属度矩阵

K-means算法的聚类准则就是寻求最优分类矩阵和聚类中心，使目标函数J取得最小值；

式中，d(z_i,v_j)为z_i与v_j的欧式距离，

d(z_i,v_j)＝||z_i-v_j|| (17)

聚类中心的计算公式如下：

K-means算法可以简化为一个数学规划问题P，其代价函数的模糊形式为：

式中，K₁是聚类中心的个数，U是一个K₁×N₁的实数矩阵，R是聚类平均值r的集合

m是变量的数目，d是距离函数。

W-K-means算法的核心思想是给每个特征维度初始化一个权重值，等到目标函数收敛时，噪音维度所对应的权重就会趋于0，从而使得在计算样本间的距离时能够尽可能的忽略噪音维度的影响。

为了在最小化P的过程中发现变量的最优权重，W-K-means把一个新的未知集合Q＝{q₁,q₂,…,q_m}引入P中。修改后的代价函数定义如下：

式中，

是样本Z的权重，且β≠1。

但是，W-K-means算法的计算速度与变量的数目成线性关系，也就是说，变量的数目越多，W-K-means算法耗时也就越长。因此，本发明提出一种基于FLLE和W-K-means的分类方法对电梯故障的类型进行分类识别。

将待处理的数据分别输入到FLLE模型和本发明的FLLE和W-K-means模型中，分别得到图4和图5的的结果，

从图4可以看出，FLLE虽然成功的将电梯故障的高维特征降到低维空间中，但其聚类结果不太准确，主要存在两个问题，第一个是没有将同一类型电梯故障(如曳引摩擦)聚在一起，第二个是不同类电梯故障的样本并没有尽可能的远离，这是因为降维方法并没有选择合适的聚类中心而去聚类；而从图5可以看出，本文所提的基于FLLE和W-K-means的分类方法成功将电梯不同故障类型分离开来，实现了不同故障样本尽可能远离而同类故障样本尽可能靠近。说明了本文所提的基于FLLE和W-K-means的分类方法是电梯故障类型分类的有效手段。

以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种电梯故障识别方法，其特征在于：包括以下步骤，

S1，采集含有电梯实时状态的数据信息，建立电梯故障数据库；

S2，将步骤S1采集的数据采用FLLE进行降维处理；

S3，将步骤S2处理后的数据放到W-K-means分类器进行分类，以实现电梯的故障识别和分类。

2.如权利要求1所述的电梯故障识别方法，其特征在于：所述步骤S1具体包括：

S101、电梯正常运行时切断主电源开关，用激光位移传感器测量从断电时刻到曳引轮停止时钢丝绳的滑行距离；

S102、模拟电梯限速器安全钳联动试验，弹簧拉力计固定于连杆机构处，当连杆机构动作时测量其提拉力；

S103、采用转速表测量曳引机转速；

S104、利用限速器校验仪测量限速器转速；

S105、利用弹簧测力计人为的对电引轮两侧的抱闸装置进行松闸试验，测量松闸时刻的拉力大小；

S106、利用砝码分别试验75％和100％额定载重量，将钳形电流表置于主开关处分别测量电梯上下行的电流大小；

S107、将电梯加减速度测量仪置于轿厢中，利用加速度传感分别测量电梯启动时最大加速度和制动时最大的减速度；

S108、利用上述测量方法采集电梯故障数据，建立电梯故障数据库。

3.如权利要求1所述的电梯故障识别方法，其特征在于：所述步骤S2具体包括：

S201、寻找每个数据点的一组近邻：记样本个数为n，采用欧氏距离计算样本之间的距离d_ij，找到每个数据点的k个最近邻的重构邻域；

S202、构建重构误差函数ε_i(W)，计算由邻域线性重构的最佳权值W_j；

S203、计算最佳重构的低维嵌入向量并求稀疏对称矩阵的最小特征模。

4.如权利要求3所述的电梯故障识别方法，其特征在于：所述步骤S201具体包括：记样本个数为n，采用欧氏距离计算样本x_i(i＝1,2,3,...,n)和x_j(j＝1,2,3,...,n)之间的距离d_ij，找到每个数据点的k个最近邻的重构邻域：

式(1)中，G(x_i,x_j)表示x_i与x_j的测地距离，M(i)和M(j)为x_i、x_j分别和其他相邻点之间的距离的平均值，如式(2)和式(3)所示：

利用Floyd算法计算两点间的测地距离后，将测地距离的计算结果代入公式(1)、(2)、(3)中，得到k近邻距离。

5.如权利要求4所述的电梯故障识别方法，其特征在于：所述步骤S202具体包括：根据邻点x_j计算点x_i的重心坐标，原始点由线性组合重构，并由其邻居的权重矩阵W_ij给出，重构误差由代价函数衡量：

式(4)中，ε_i是重构误差；G_jk是局部格拉姆矩阵；W_j为最佳权值矩阵，W_k为k个邻点的权重矩阵；

G_jk＝(x_i-x_j)^T(x_i-x_k) (5)

G_jk是正定对称矩阵，x_k是x_i的相邻点，式(4)是一个约束最小二乘问题，在两个约束条件下最小化：

式(6)是系数的约束，式(4)可以写为以下约束形式：

最佳权值由式(9)计算：

6.如权利要求5所述的电梯故障识别方法，其特征在于：所述步骤S203具体包括：计算最佳重构的低维嵌入向量并求稀疏对称矩阵的最小特征模，具体计算过程包括，将高维空间中的点x_i、x_j映射到低维空间中的点Y_i、Y_j上，低维空间Y由以下函数计算：

代价函数(10)基于局部线性重构误差，其中(Y_i·Y_j)是内积，M_ij是N×N的稀疏矩阵，N是数据点的数目，k₃为近邻点的数量；

式中，δ_ij是N×N的单位矩阵，W_ji是W_ij的转置矩阵，W_k3i是W_ji的第k₃行，W_k3j是W_ij的第k₃列；

M_ij是正定对称矩阵，低维嵌入向量的所有中心都在原点，即：

单位协方差约束：

式(10)可以转化为约束优化问题：

7.如权利要求1所述的电梯故障识别方法，其特征在于：所述步骤S3包括：

K-means算法原理如下：

设N₁个待分类样本的集合为Z＝{z_i,i＝1,2,...,N₁}，聚类中心的个数为K₁，聚类中心V＝{v_j,j＝1,2,...,K₁}，其中u_j(z_i)表示第i个样本z_i与第j个聚类中心v_j的隶属度：

所有隶属度形成隶属度矩阵

式中，d(z_i,v_j)为z_i与v_j的欧式距离，J为目标函数，u为隶属度函数，K₁为聚类中心的个数，聚类中心V＝{v_j,j＝1,2,...,K₁}；

d(z_i,v_j)＝||z_i-v_j|| (17)

聚类中心的计算公式如下：

将K-means算法简化为一个数学规划问题P，其代价函数的模糊形式为：

式中，K₁是聚类中心的个数，U是一个K₁×N₁的实数矩阵，R是聚类平均值r的集合

m是变量的数目，l是取的近邻点数目，d是距离函数。

8.如权利要求7所述的电梯故障识别方法，其特征在于：所述步骤S3还包括：

W-K-means把一个新的未知集合Q＝{q₁,q₂,…,q_m}引入P中，修改后的代价函数定义如下：

式中，

是样本Z的权重，且β≠1。

Images