CN116067432A - 一种自动扶梯变工况故障诊断方法 - Google Patents

Abstract

本发明公开了一种自动扶梯变工况故障诊断方法，包括：步骤1：控制器将监测数据与数据库中对应阈值曲线中当前负载值所对应的阈值进行比较，判断是否发生故障：当监测数据超出当前负载条件下的阈值时，则判定发生故障，控制器发出指令，报警器发出报警信号；步骤2：当有故障发生后，控制器的数据分析模块采用FTA分析方法定性分析故障原因，并提取故障诊断规则，确定诊断模型的输入输出；通过BP神经网络构建智能诊断模型，采用历史故障数据库进行训练，并通过LM算法、遗传算法方法对模型参数进行调整，获取自动扶梯精密诊断模型，得出故障原因。该方法可通过前端监测系统发现需要应急处置的故障，提高故障应急处置效率。

Description

一种自动扶梯变工况故障诊断方法

技术领域

本发明属于电梯故障诊断技术领域，具体涉及一种自动扶梯变工况故障诊断方法。

背景技术

以前自动扶梯维修技术人员对设备进行检查，主要仍然依靠手摸、耳听等方式进行判别，具有较大的主观性；设备检查情况记录也多采用手工填写的方式，效率低。

随着科技发展，出现了自动扶梯物联网监测系统，现有的自动扶梯物联网监测系统主要是实现设备实时运行状态监视、故障汇总及报警，以及了解设备基本情况以及维保情况，提高了紧急情况下的应急救援能力。该系统的功能主要集中在自动扶梯的运行管理上，只能对自动扶梯运行状态进行监视，一旦发生事故只能事后人为干预，对于具有长历程、变工况运行特征的连续运行、大型、复杂设备，采用传统及简化的信号分析方法往往难以进行有效的故障预报，难以实现对设备各主要部件的状态分析、故障预判和风险评估分析，也不能为维护提供必要的数据支持。

自动扶梯长历程运行中工况、负载、环境变化及随机干扰等非故障因素会造成信号能量变化，例如不同的负载、额定速度及待机运行工况下，自动扶梯驱动主机和轴承的振动是不同的，负载大，振动大，负载小，振动相对较小，故障发展趋势信息往往被非故障变化信息所淹没，而通常基于能量的振动级值及功率谱的发展及变化不一定对应反映故障的发展及变化，例如当能量形式特征量数值变大时，不一定表明故障劣化，有可能是非故障因素造成，也可能是故障因素及非故障因素共同造成，这种情况下传统故障预报方法往往产生误报。

发明内容

本发明的目的在于提供一种自动扶梯变工况故障诊断方法，解决现有技术中自动扶梯物联网监测系统的故障诊断准确性与可靠性低的技术问题。

为了解决上述问题，本发明通过如下技术方案实现：

一种自动扶梯变工况故障诊断方法，包括如下步骤：

步骤1：判断是否发生故障：

自动扶梯变工况故障诊断系统中的各个传感器将当前负载下的监测数据实时传送给控制器，控制器将监测数据与数据库中对应阈值曲线中当前负载值所对应的阈值进行比较，判断是否发生故障：当监测数据超出当前负载条件下的阈值时，则判定发生故障，控制器发出指令，报警器发出报警信号；

步骤2：对故障进行智能诊断分析：

当有故障发生后，控制器的数据分析模块采用FTA分析方法定性分析故障原因，并提取故障诊断规则，确定诊断模型的输入输出；通过BP神经网络构建智能诊断模型，采用历史故障数据库进行训练，并通过LM 算法、遗传算法对模型参数进行调整，获取自动扶梯精密诊断模型，得出故障原因。

本发明中，采用设备故障趋势特征与变工况变负载状态特征的解耦分离方法，较大程度地过滤了非故障变化造成的冗余信息，提高故障诊断的准确性与可靠性。

进一步优化，步骤1中，包括如下步骤：

步骤1.1：搭建监测系统：

该监测系统包括控制器、报警器和安装在自动扶梯N个不同部位的传感器；传感器包括压电式加速度传感器、温度传感器；监测信息包括振动、电流、位移、速度和温度数据，其中，温度传感器监测采集温度信息，不同加速度传感器分别采集对应位置的振动、电流、位移和速度信息。通过采集电梯系统控制获取电机电流信号实现对扶梯实时负载的监测，不需要额外增加传感器。

步骤1.2：拟合监测信号曲线：

基于上述系统进行实验，在不同负载时，采集自动扶梯不同部位的监测信息，则每个负载值对应N个监测数据，改变M次负载值，将共测得M *N个监测数据；将每个监测部位获取的M个数据进行拟合，得到该监测部位对应的监测信号曲线：

f _i （ x） =p _i1 *x^4 + p _i2 *x^3 + p _i3 *x^2 + p _i4 *x+ p _i5        （1）

式中， f _i （ x）为自动扶梯第 i个监测部位的监测信号， x为负载； p _i1、 p _i2、 p _i3、 p _i4和 p _i5为系数，通过拟合所得； i∈[1、N]；N、M均为大于等于3的正整数；

则共获得N个不同的监测信号曲线；

步骤1.3：获取阈值曲线：

根据监测信号曲线，获取阈值曲线，每个监测信号曲线对应一个阈值曲线：

F _i （ x） =f _i （ x） +T _i1                      （2）

或者， F _i （ x） =f _i （ x） *（1 +T _i2）                  （3）

式中 F _i （ x）为监测信号的报警阈值曲线，  T _i1、 T _i2为经验参数。

上述阈值曲线及对应数据存储在控制器的数据库中。

进一步优化，监测系统中，监测信息的获取方式如下：采用压电式加速度传感器分别监测自动扶梯电机和减速器壳体振动、驱动主机地脚振动、主驱动轮和梯级链涨紧轮轴承座振动信息，采用红外温度传感器监测扶手带温度信息，从自动扶梯本身的控制系统中获取制动器制动距离和电机电流信号。

进一步优化，步骤2中对故障进行智能诊断分析，包括如下步骤：

步骤2.1：采用基于功能分析的FMEA方法对自动扶梯的故障模式及影响进行分析，获取自动扶梯的故障类型、故障原因、故障征兆以及故障趋势信息；并在FMEA的基础上，进行故障危害度分析，应用风险顺序数量化评价各故障模式的风险等级；

步骤2.2：进行故障树分析FTA，选择严酷度为Ⅰ级和Ⅱ级，且风险顺序数较大的故障模式导致的影响作为故障树的顶事件，查找相应的故障原因，根据故障原因建立故障树的每层事件，并用“与”和“或”逻辑符号将每层事件连接起来，直至查找到故障树的最小割集，分析故障成因并提取故障诊断规则，确定诊断模型的输入、输出；

步骤2.3：根据FTA 分析结果与提取的故障诊断规则，建立基于BP 神经网络的自动扶梯故障诊断模型；

步骤2.4：采用LM 算法和遗传算法对模型参数进行调整。

进一步优化，步骤2.1中，风险顺序数影响因素包括严酷度等级、发生度等级和监测度等级，按公式（4）计算风险顺序数，风险顺序数越大，表示故障的潜在风险等级越高；

R =S*O*D                         （4）

式中 R为风险顺序数， S为严酷度等级， O为发生度等级， D为监测度等级。

进一步优化，步骤2.2中，确定诊断模型的输入为U1~U5，依次为监测的振动、电流、位移、速度和温度数据；诊断模型的输出为F1~F7，依次为为自动扶梯故障模式，包括逆行故障、溜梯故障、齿轮故障、转子故障、制动器故障、轴承故障和固定螺栓松动。

进一步优化，步骤2.3中，采用试凑法，具体采用如式（5）的经验公式确定基于BP神经网络的自动扶梯故障诊断模型的隐含层节点数 m：

        （5）

式中， m为隐含层节点数； n 为输入层节点数； l 为输出层节点数； a为1 ~10 的常数。

进一步优化，步骤2.4中，采用LM 算法和遗传算法对模型参数进行调整，具体包括：

1）针对原始BP神经网络模型过于依赖初始权值和阈值的问题：引入遗传算法，利用遗传算法进行初步的全局寻优，并以寻优结果作为BP 神经网络的最初网络权值和阈值；

2）针对原始神经网络模型收敛速度慢的缺点：引入LM 算法，利用LM算法对BP 神经网络模型的权值和阈值的调整过程进行优化，使BP 神经网络模型权值和阈值最快速地接近理想值，提高了自动扶梯故障诊断推理速度和效率；

3）采用遗传算法改进优化BP 神经网络模型的权值和阈值：种群个体编码方式为实数编码，每个个体为实数串，由输入层至隐含层权值、隐含层阈值、隐含层至输出层权值及输出层阈值组成。

进一步优化，利用LM算法对BP神经网络模型的权值和阈值的调整过程进行优化中，适应度函数如公式（6）所示，由经训练样本训练BP 神经网络模型后实际输出和期望输出之间的误差绝对值和为个体适应度值。

                  （6）

式中， H为个体适应度值，表示由经训练样本训练BP 神经网络模型后实际输出和期望输出之间的误差绝对值之和； l为模型输出层节点数；为模型第 j个节点期望输出；为第 j个节点实际输出； j∈[ 1、l]。

然后，计算种群适应度值，从中寻找最优个体；进行选择、交叉、变异操作，进一步寻找最优个体并予以记录；当达到进化代数时，GA 算法寻优结束，把得到的最优个体赋给BP神经网络模型完成BP神经网络模型最优初始权值阈值获取；

w ^{( k)} 表示神经网络第 k次迭代由权值和阈值组成的向量，下一轮次的神经网络权值和阈值组成的向量 w ^{( k+1)}根据下面的规则求得：

           （7）

对于神经网络输出误差 E( w)是

    （8）

式中， D _k 为期望输出； O _k 为实际输出，LM 算法是改进高斯-牛顿法，具体表达式为

   （9）

其中，比例系数 u≥0； I为单位矩阵； J ( w)为Jacobian 矩阵；

在算法实现时 u是试探性参数，对于给定 u，如果计算得到的 w能使误差函数 E( w)降低，则 u降低；相反， u增加。

与现有技术相比，本发明的有益效果是：

本发明提出的自动扶梯变工况故障诊断方法，可通过前端监测系统发现需要应急处置的故障，可直接提高故障应急处置效率。同时，通过对故障进行智能诊断分析，并根据诊断结果，有针对性地制定维修计划，取代传统的故障修和计划修模式，实现设备科学维修，降低事故发生频率，提高设备使用可靠性和智能化管理能力。本发明还可以提高自动扶梯维保质量，减少巡检人员的数量，减少维保费用和人员投入，帮助在设备运维管理和维修保养等环节节省成本。

附图说明

图1 为自动扶梯变工况故障诊断方法流程图；

图2 为自动扶梯监测系统传感器安装部位图；

图3为自动扶梯主驱动轮轴承正常振动幅值与负载关系曲线；

图4为变负载情况下主驱动轮轴承正常振动曲线三维图；

图5为变负载情况下主驱动轮轴承内圈故障振动曲线三维图；

图6为故障树分析(FTA)流程图；

图7为自动扶梯逆行故障树模型图；

图8为基于BP 神经网络模型的自动扶梯故障诊断模型；

图9为基于LM 算法和遗传算法改进的BP 神经网络模型故障诊断算法流程图；

图10为电机轴承外圈故障现场照片；

图11为发生故障时电机振动信号的界面演示图；

图12为自动扶手带温度监测信号的界面演示图；

图13为电机电流信号的界面演示图。

实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

实施例

如图1所示，一种自动扶梯变工况故障诊断方法，包括如下步骤：

步骤1：判断是否发生故障：自动扶梯变工况故障诊断系统中的各个传感器将当前负载下的监测数据实时传送给控制器，控制器将监测数据与数据库中对应阈值曲线中当前负载值所对应的阈值进行比较，判断是否发生故障：当监测数据超出当前负载条件下的阈值时，则判定发生故障，控制器发出指令，报警器发出报警信号。

具体包括如下步骤：

步骤1.1：搭建监测系统：

该监测系统包括控制器、报警器和安装在自动扶梯N个不同部位的传感器；传感器包括压电式加速度传感器、温度传感器；监测信息包括振动、电流、位移、速度和温度数据，通过电机电流实现对扶梯实时负载的监测；

步骤1.2：拟合监测信号曲线：

基于上述系统进行实验，在不同负载时，采集自动扶梯不同部位的监测信息，则每个负载值对应N个监测数据，改变M次负载值，将共测得M *N个监测数据；将每个监测部位获取的M个数据进行拟合，得到对应的监测信号曲线：

f _i （ x） =p _i1 *x^4 + p _i2 *x^3 + p _i3 *x^2 + p _i4 *x+ p _i5        （1）

式中， f _i （ x）为自动扶梯第 i个监测部位监测信号， x为负载； p _i1、 p _i2、 p _i3、 p _i4和 p _i5通过拟合所得， i∈[1、N]；N、M均为大于等于3的正整数；

则共获得N个不同的监测信号曲线；

步骤1.3：获取阈值曲线：

根据监测信号曲线，获取阈值曲线，每个监测信号曲线对应一个阈值曲线：

F _i （ x） =f _i （ x） +T _i1                      （2）

或者， F _i （ x） =f _i （ x） *（1 +T _i2）                  （3）

式中 F _i （ x）为监测信号的报警阈值曲线，  T _i1、 T _i2为经验参数。

步骤2：对故障进行智能诊断分析：当有故障发生后，控制器的数据分析模块采用FTA分析方法定性分析故障原因，并提取故障诊断规则，确定诊断模型的输入输出；通过BP神经网络构建智能诊断模型，采用历史故障数据库进行训练，并通过LM 算法、遗传算法对模型参数进行调整，获取自动扶梯精密诊断模型，得出故障原因。

包括如下步骤：

步骤2.1：采用基于功能分析的FMEA方法对自动扶梯的故障模式及影响进行分析，获取自动扶梯的故障类型、故障原因、故障征兆以及故障趋势信息；并在FMEA的基础上，进行故障危害度分析，应用风险顺序数量化评价各故障模式的风险等级；

步骤2.2：进行故障树分析FTA，选择严酷度为Ⅰ级和Ⅱ级，且风险顺序数较大的故障模式导致的影响作为故障树的顶事件，查找相应的故障原因，根据故障原因建立故障树的每层事件，并用“与”和“或”逻辑符号将每层事件连接起来，直至查找到故障树的最小割集，分析故障成因并提取故障诊断规则，确定诊断模型的输入输出；

步骤2.3：根据FTA 分析结果与提取的故障诊断规则，建立基于BP 神经网络的自动扶梯故障诊断模型；

步骤2.4：采用LM 算法和遗传算法对模型参数进行调整。

在本实施例中，步骤1中的监测系统获取振动、电流、位移和速度信号的来源包括驱动主机壳体振动、地脚振动、减速器壳体振动、主驱动轮轴承座振动、梯级链涨紧轮轴承座振动、电机电流、主驱动链轮速度及制动距离、扶手带工作温度及环境温度，通过压电式加速度传感器采集振动信号，通过电机电流实现对扶梯实时负载的监测，监测系统传感器选型与安装方式见表1，具体安装部位见图2。

表1 监测系统传感器选型与安装方式

以主驱动轮轴承振动为例，振动幅值与负载的原始数据见表2，拟合得到正常振动幅值与负载关系如下，曲线如图3所示。

f（ x）=-0.004013* x^4+0.216* x^3-4.254* x^2+36.92* x-118.7

式中， f（ x）为主驱动轮轴承振动监测信号， x为负载。

表2 主驱动轮振动幅值与负载数据

基于篇幅限制，自动扶梯其他部位的采集数据和拟合曲线不再示出。

T _i1、 T _i2为经验参数。 T _i1一般取1~2， T _i2一般取0.2~0.8，其设置原则是：确保报警阈值曲线和正常运行状态曲线彻底分离不重叠，在正常的工作状态时，其任意负载状态下，监测信号峰值均不会超出报警线，不会引发报警；当存在故障时，在负载不断变化的情况下，监测信号变化较为剧烈，与正常工作时的监测信号相差较大，且会超出所设置报警线，尤其在高负载的情况下更加明显。

在本实施例中，以主驱动轮轴承振动信号为例，变负载情况下主驱动轮轴承正常振动曲线及报警线三维图，如图4 所示，可用下式表示

F（ x） =f（ x） *（1 +0.5）                 （4）

可以看出变负载预警方法的报警上限值随着负载变化而变化，上限值并不固定。在主驱动轮轴承处于正常的工作状态时，其任意负载状态下，其振动加速度峰值均不会超出报警线，不会引发报警，保证自动扶梯处于正常运行状态时，各信号监测值不会超出报警上限值。

当主驱动轮轴承存在内圈故障时，主驱动轮轴承振动曲线及报警线三维图如图5所示，在负载不断变化的情况下，轴承的振动变化较为剧烈，与正常工作时的振动相差较大，且会超出所设置报警线，尤其在高负载的情况下更加明显。

在本实施例中，步骤2.1中，采用基于功能分析的FMEA方法对自动扶梯的故障模式及影响进行分析，获取自动扶梯的故障类型、故障原因、故障征兆、故障趋势等信息，见表3。在FMEA 的基础上，进行危害度分析，应用风险顺序数量化评价各故障模式的风险等级，风险顺序数影响因素包括严酷度等级、发生度等级、监测度等级，按公式（4）计算风险顺序数，风险顺序数越大，表示故障的潜在风险等级越高。

R = S* O* D                         （4）

式中 R为风险顺序数， S为严酷度等级，其评价表见表4，严酷度等级越高，表示对设备和人员造成的损伤程度越大， O为发生度等级，发生度等级越高，表示故障发生的可能性越大，其评价表见表5， D为监测度等级，监测度等级越大，表示故障能被监测诊断出的难度越大，其评价表见表6。

表3 自动扶梯故障模式FMEA分析表

表4 严酷度等级评价表

表5 发生度等级评价表

表6 监测度等级评价表

在本实施例中，步骤2.2中，进行故障树分析FTA，分析流程如图6所示，选择严酷度为Ⅰ级和Ⅱ级，且风险顺序数较大的故障模式导致的影响作为故障树的顶事件，查找相应的故障原因，根据故障原因建立故障树的每层事件，并用“与”和“或”逻辑符号将每层事件连接起来，直至查找到故障树的最小割集，分析故障成因并提取故障诊断规则，确定诊断模型的输入输出。

例如采用FTA建立自动扶梯逆行故障树模型，如图7所示，图中Ｔ：自动扶梯逆行，Ｍ１：非操纵性逆转，Ｍ２：力矩链失稳或断链，Ｍ３：动力驱动链断链，Ｍ４：双排断链，Ｍ５：电压波动，Ｍ６：电机选型错误，X１：超载，X２：零件破损，摩擦突变导致转矩因素过小，X３：减速箱齿轮啮合失效，X４：主机固定不变，X５：驱动链质量低劣，X６：驱动链长期磨损严重，X７：驱动齿轮变形破断，X８：双排链松动，X９：保护装置失效，X10：电网供电不足，X11：电机功率过小。

在本实施例中，步骤2.4中，根据FTA 分析结果与提取的故障诊断规则，建立基于BP 神经网络的自动扶梯故障诊断模型，如图8所示，U1~U5为监测的振动、电流、位移、速度、温度数据，F1~F7为自动扶梯故障模式（逆行故障、溜梯故障、轴承故障、固定螺栓松动等），采用试凑法，具体采用如式(5)的一个经验公式确定隐含层节点数

                    （5）

式中， m为隐含层节点数； n为输入层节点数； l为输出层节点数， a为1 ~10 的常数。经试凑归纳，故障诊断模型隐含层节点数确定为12。

在本实施例中，步骤2.4中，采用LM 算法和遗传算法对模型参数进行调整。针对原始BP 网络过于依赖初始权值和阈值的问题，引入遗传算法，利用遗传算法进行初步的全局寻优，并以寻优结果作为BP 神经网络的最初网络权值和阈值；针对原始BP 神经网络收敛速度慢的缺点，引入LM 算法，利用LM 算法对BP 神经网络的权值和阈值的调整过程进行优化，使BP 网络权值和阈值最快速地接近理想值，提高了自动扶梯故障诊断推理速度和效率。

采用遗传算法改进优化BP 神经网络的权值和阈值。种群个体编码方式为实数编码，每个个体为实数串，由输入层至隐含层权值、隐含层阈值、隐含层至输出层权值及输出层阈值组成。例如自动扶梯故障诊断网络，有5 个输入节点，12 个隐含层节点，7 个输出节点故遗传算法种群个体长度163，进化代数为15，种群规模为10，交叉概率为0.878，变异概率为0.07。适应度函数如公式（6）所示，由经训练样本训练BP 模型后实际输出和期望输出之间的误差绝对值和为个体适应度值。

                    （6）

式中， H为个体适应度值，表示由经训练样本训练BP 神经网络模型后实际输出和期望输出之间的误差绝对值之和 l为模型输出层节点数；为模型第 j个节点期望输出；为第 j个节点实际输出； j∈[ 1、l]。

然后，计算种群适应度值，从中寻找最优个体；进行选择、交叉、变异操作进一步寻找最优个体并予以记录；当达到进化代数时，GA 算法寻优结束，把得到的最优个体赋给BP网络完成BP 网络最优初始权值阈值获取。

采用LM 算法对BP 神经网络的权值和阈值的调整过程进行优化。 w ^{( k)}表示神经网络第k次迭代由权值和阈值组成的向量，下一轮次的神经网络权值和阈值组成的向量 w ^{( k+1)}根据下面的规则求得

              （7）

对于神经网络输出误差 E( w)是

           （8）

式中， D _k  为期望输出； O _k 为实际输出，LM 算法是改进高斯-牛顿法，具体表达式为

   （9）

其中，比例系数； I为单位矩阵； J ( w)为Jacobian 矩阵。

在算法实现时 u是试探性参数，对于给定 u，如果计算得到的 w能使误差函数 E( w)降低，则 u 降低；相反， u增加。

采用LM 算法和遗传算法对BP 神经网络进行改进的故障诊断算法流程如图9 所示。对故障诊断结果的准确性进行现场验证，图10是系统诊断出的电机轴承外圈故障现场照片，图11是故障发生时电机振动信号的界面演示图，横坐标为时间，纵坐标为振动加速度数值（单位m/s²），可以看出系统诊断出电机轴承外圈发生故障时，电机振动信号明显增大，如图中圆圈标记所示。

图12为自动扶手带温度信号的界面演示图，横坐标为时间，纵坐标为扶手带温度（单位为℃），图13为电机电流信号的界面演示图，横坐标为时间，纵坐标为电机电流（单位为A），可以看出12月2日下午9点，系统诊断出扶手带驱动轴偏斜故障时一侧扶手带温度监测信号突然上升，电机电流也逐渐上升，经人工调整扶手带驱动轴位置后，电流明显下降。

通过本监测系统分析出的故障类型与现场检查发现的故障一致，说明本发明故障诊断算法是准确有效的。

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明；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 (9)

1.一种自动扶梯变工况故障诊断方法，其特征在于，包括如下步骤：

步骤1：判断是否发生故障：

自动扶梯变工况故障诊断系统中的各个传感器将当前负载下的监测数据实时传送给控制器，控制器将监测数据与数据库中对应阈值曲线中当前负载值所对应的阈值进行比较，判断是否发生故障：当监测数据超出当前负载条件下的阈值时，则判定发生故障，控制器发出指令，报警器发出报警信号；

步骤2：对故障进行智能诊断分析：

当有故障发生后，控制器的数据分析模块采用FTA分析方法定性分析故障原因，并提取故障诊断规则，确定诊断模型的输入、输出；通过BP神经网络构建智能诊断模型，采用历史故障数据库进行训练，并通过LM 算法、遗传算法对模型参数进行调整，获取自动扶梯精密诊断模型，得出故障原因。

2.根据权利要求1所述的自动扶梯变工况故障诊断方法，其特征在于，所述步骤1中，包括如下步骤：

步骤1.1：搭建监测系统：

该监测系统包括控制器、报警器和安装在自动扶梯N个不同部位的传感器；所述传感器包括压电式加速度传感器、温度传感器；监测信息包括振动、电流、位移、速度和温度数据，通过电机电流实现对扶梯实时负载的监测；

步骤1.2：拟合监测信号曲线：

基于上述系统进行实验，在不同负载时，采集自动扶梯不同部位的监测信息，则每个负载值对应N个监测数据，改变M次负载值，将共测得M*N个监测数据；将每个监测部位获取的M个数据进行拟合，得到对应的监测信号曲线：

f _i （x）=p _i1 *x^4+ p _i2 *x^3+ p _i3 *x^2+ p _i4 *x+ p _i5        （1）

式中，f _i （x）为自动扶梯第i个监测部位监测信号，x为负载；p _i1、p _i2、p _i3、p _i4和p _i5通过拟合所得，i∈[1、N]；N、M均为大于等于3的正整数；

则共获得N个不同的监测信号曲线；

步骤1.3：获取阈值曲线：

根据监测信号曲线，获取阈值曲线，每个监测信号曲线对应一个阈值曲线：

F _i （x）=f _i （x）+T _i1                  （2）

或者，F _i （x）=f _i （x）*（1+T _i2）             （3）

式中F _i （x）为监测信号的报警阈值曲线， T _i1、T _i2为经验参数。

3.根据权利要求2所述的自动扶梯变工况故障诊断方法，其特征在于，所述监测系统中，监测信息的获取方式如下：采用压电式加速度传感器分别监测自动扶梯电机和减速器壳体振动、驱动主机地脚振动、主驱动轮和梯级链涨紧轮轴承座振动信息，采用红外温度传感器监测扶手带温度信息，从自动扶梯本身的控制系统中获取制动器制动距离和电机电流信号。

4.根据权利要求1所述的自动扶梯变工况故障诊断方法，其特征在于，所述步骤2中对故障进行智能诊断分析，包括如下步骤：

步骤2.1：采用基于功能分析的FMEA方法对自动扶梯的故障模式及影响进行分析，获取自动扶梯的故障类型、故障原因、故障征兆以及故障趋势信息；并在FMEA的基础上，进行故障危害度分析，应用风险顺序数量化评价各故障模式的风险等级；

步骤2.2：进行故障树分析FTA，选择严酷度为Ⅰ级和Ⅱ级，且风险顺序数较大的故障模式导致的影响作为故障树的顶事件，查找相应的故障原因，根据故障原因建立故障树的每层事件，并用“与”和“或”逻辑符号将每层事件连接起来，直至查找到故障树的最小割集，分析故障成因并提取故障诊断规则，确定诊断模型的输入、输出；

步骤2.3：根据FTA 分析结果与提取的故障诊断规则，建立基于BP 神经网络的自动扶梯故障诊断模型；

步骤2.4：采用LM 算法和遗传算法对模型参数进行调整。

5.根据权利要求4所述的自动扶梯变工况故障诊断方法，其特征在于，所述步骤2.1中，风险顺序数影响因素包括严酷度等级、发生度等级和监测度等级，按公式（4）计算风险顺序数，风险顺序数越大，表示故障的潜在风险等级越高；

R =S*O*D                    （4）

式中R为风险顺序数，S为严酷度等级，O为发生度等级，D为监测度等级。

6.根据权利要求5所述的自动扶梯变工况故障诊断方法，其特征在于，所述步骤2.2中，确定诊断模型的输入为U1~U5，依次为监测的振动、电流、位移、速度和温度数据；诊断模型的输出为F1~F7，依次为为自动扶梯故障模式，包括逆行故障、溜梯故障、齿轮故障、转子故障、制动器故障、轴承故障和固定螺栓松动。

7.根据权利要求6所述的自动扶梯变工况故障诊断方法，其特征在于，所述步骤2.3中，采用试凑法，具体采用如式（5）的经验公式确定基于BP 神经网络的自动扶梯故障诊断模型的隐含层节点数m：

（5）

式中，m为隐含层节点数；n 为输入层节点数；l 为输出层节点数；a为1 ~10 的常数。

8.根据权利要求7所述的自动扶梯变工况故障诊断方法，其特征在于，所述步骤2.4中，采用LM 算法和遗传算法对模型参数进行调整，具体包括：

1）利用遗传算法进行初步的全局寻优，并以寻优结果作为BP 神经网络的最初网络权值和阈值；

2）利用LM算法对BP 神经网络的权值和阈值的调整过程进行优化；

3）采用遗传算法改进优化BP 神经网络的权值和阈值：种群个体编码方式为实数编码，每个个体为实数串，由输入层至隐含层权值、隐含层阈值、隐含层至输出层权值及输出层阈值组成。

9.根据权利要求8所述的自动扶梯变工况故障诊断方法，其特征在于，利用LM算法对BP神经网络的权值和阈值的调整过程进行优化中，适应度函数如公式（6）所示，由经训练样本训练BP 模型后实际输出和期望输出之间的误差绝对值和为个体适应度值：

                    （6）

式中，H为个体适应度值，表示由经训练样本训练BP 神经网络模型后实际输出和期望输出之间的误差绝对值之和；l为模型输出层节点数；为模型第j个节点期望输出；为第j个节点实际输出；j∈[1、l]；

然后，计算种群适应度值，从中寻找最优个体；进行选择、交叉、变异操作进一步寻找最优个体并予以记录；当达到进化代数时，GA 算法寻优结束，把得到的最优个体赋给BP网络，完成BP 网络最优初始权值阈值获取；

w ^(k) 表示神经网络第k次迭代由权值和阈值组成的向量，下一轮次的神经网络权值和阈值组成的向量w ^(k+1)根据下面的规则求得：

（7）

对于神经网络输出误差E(w)是

（8）

式中，D _k 为期望输出；O _k 为实际输出，LM 算法是改进高斯-牛顿法，具体表达式为

（9）

其中，比例系数u≥0；I为单位矩阵；J (w)为Jacobian 矩阵；

在算法实现时，u是试探性参数，对于给定u，如果计算得到的w能使误差函数E(w)降低，则u 降低；相反，u 增加。

Images