ANN方法應用在電梯故障診斷中的可行性分析

張珊

電梯作為高層建筑的重要的垂直交通工具，在國民經濟和人們日常生活中發揮著極其重要的作用。電梯系統是復雜的機電一體化設備。作為特種設備之一，不但要求乘坐舒適、停靠準確，而且希望方便快捷，盡量縮短候梯和故障停梯維修時間。目前，電梯作為一種特種設備，國家對其質量和安全性提出了嚴格要求，如2003年3月國務院發布的《特種設備安全條例》中明確要求電梯至少半個月檢測一次，做到對故障及時發現和排除。

盡管現代電梯的可靠性已經大大提高，但電梯運行中關人、夾人、蹲底、沖頂等事故卻時有發生。并且，隨著城市化進程的加速，高層建筑愈加普遍，電梯使用場合愈來愈多，故障出現的頻率逐漸增大。若仍舊采用傳統的人工發現和處理的方式來解決電梯故障顯然不再是一種合理的選擇。因此，行業內所關注的重點逐漸由僅僅關注提高電梯性能轉變為保證性能的同時，提高電梯的運行可靠性和安全性。電梯的故障診斷就是一種可以提高電梯運行可靠性、大幅節省人工和維修費用、具備應用潛力的先進電梯維護方法。

機電設備故障檢測診斷的基本過程包含兩方面內容：對設備運行狀態進行檢測;發現異常情況后對設備的故障進行分析、診斷。其發展也經歷了從簡易診斷到精密診斷，從一般診斷到智能診斷，從單機診斷到網絡診斷的過程，發展速度愈來愈快。根據系統采用的特征描述和決策方法，故障檢測診斷的方法概括起來分為：基于系統數學模型的故障診斷方法和基于非模型的故障診斷方法。基于系統數學模型的故障診斷方法主要是通過觀測器估計出系統輸出，將其與輸出測量值比較，獲得故障信息，利用設定準則對故障信息進行判斷，從而對故障進行識別與定位。常見的觀測器方法包括KF濾波器、EKF濾波器、UKF濾波器以及滑模觀測器等;基于非模型的故障診斷方法主要包括基于故障診斷專家系統的診斷方法、基故障模式識別的故障診斷方法以及基于故障樹的故障診斷方法等。

1.神經網絡基本原理

當前，作為一種基于非模型的故障診斷方法，基于人工神經網絡（ANN，Artificial Neural Network）方法的故障診斷方法逐漸成為一種處理故障診斷的新興方法。具有原則上容錯、結構拓撲魯棒、聯想、推測、記憶、自適應、自學習、并行和處理復雜模式的功能，使其在工程實際存在著大量的多故障、多過程、突發性故障、龐大復雜機器和系統的監測及診斷中發揮較大作用。

該方法利用神經網絡模擬人類大腦的信息處理方式，有多個神經元連接組成計算模型。在網絡運行過程中，神經元之間互相連接、相互作用，能進行非線性和自適應信息處理，實現問題的求解、自動分類、診斷識別等，有效解決傳統方法不能或難以解決的問題。常用的神經網絡主要有BP神經網絡、RBF神經網絡、小波神經網絡、概率神經網絡等，其中，BP神經網絡目前應用最為廣泛。

BP神經網絡是采用信號前向傳播、誤差反向傳播、網絡實際輸出值和期望輸出值的誤差平方為目標函數、梯度下降法進行搜索的多層前饋神經網絡，該網絡不僅系統地解決了多層網絡的隱含層連接權值學習問題，而且無需確定信號輸入和輸出之間的映射關系或規則，在故障診斷識別領域有優良的適應性。BP 神經網絡包括輸入層、隱含層和輸出層，其 3 層網絡結構見圖 1。

2.神經網絡在電梯故障診斷中的應用

常見的電梯故障包括急停故障、門系統故障、導靴工作故障和多電梯運行系統故障等。其中，急停故障主要包括電梯控制系統故障和機械系統故障，其中電氣故障占所有急停故障事故的85%～90%。利用神經網絡處理電梯急停故障流程如圖2所示。

該方法基于電梯正常工作信息和故障信息，利用Matlab訓練 BP 神經網絡，從而獲得故障診斷模型。其中，工作信息和故障信息是指，采集了電梯在正常運行和由運行到急停故障兩個過程的振動加速度和噪聲信號，利用小波分析法對垂直方向的振動加速信號進行時域和頻域分析并提取了 5個特征參數，同時結合轎廂水平方向（x軸和y軸）振動信號峰峰值、峭度系數和噪聲極值共 9個特征參數作為急停故障特征向量，然后將特征參數樣本輸入診斷模型進行故障的識別。謝知堅等人對該類方法開展了實驗驗證，驗證了其可行性。

電梯運行過程中，門機的開關動作頻次非常高，因門系統故障導致的停梯現象也經常出現，同樣，可以利用神經網絡的故障診斷方法對門系統故障進行診斷。李俊芳等人模擬 3 種常見的門系統故障類型，通過檢測器件將故障轉化為相應的電信號，并將電信號輸入 BP 神經網絡進行門故障的診斷，實驗結果驗證了通過神經網絡建立電信號與故障間的聯系來預測故障發生的可行性。

電梯導靴工作性能的好壞直接影響乘梯舒適性，當導靴出現故障或者缺陷時，其振動信號表現為非線性和非平穩特性，蘭夏燕等人建立了基于 BP 神經網絡的電梯導靴故障診斷模型，引用云南省特種設備安全檢測研究院提供的導靴振動數據，包括導靴正常、上導靴故障、下導靴故障 3 種類型，利用改進的經驗模態分解算法對導靴振動信號進行處理并提取能量特征作為神經網絡的輸入，診斷模型的平均準確率達到 94.6%，有效地識別了電梯導靴的故障狀態。

段登等人利用神經網絡良好的非線性逼近性能構建了基于神經網絡的多電梯運行系統故障預測系統，通過數據采集終端實時收集電梯啟動困難運行速度低、平層誤差大、運行中急停、電梯正常運行中不能換速停車 4 種故障狀態數據，并導入多輸入多輸出的神經網絡診斷系統，仿真結果表明該系統能快速準確地預測出電梯運行中的故障。

3.結語

電梯故障診斷識別不僅是理論研究和工程應用的重要項目，而且能為專業技術人員檢測和維護電梯提供技術和信息支撐，對電梯的安全運行有重要意義。本報告著重講述了神經網絡的原理，并介紹了神經網絡在電梯故障診斷中的實際應用案例，通過案例可以看出神經網絡在電梯故障診斷領域具備一定的推廣性，能夠有效地融入電梯的遠程監控、檢測、診斷和預警系統。

參考文獻：

[1]? 吳永橋，余小華. 電梯故障監測保護器的研制[J]. 武漢汽車工業大學學報，2001，1，75-77.

[2]? 謝知堅. 基于ANN的電梯故障診斷系統的研究[J]. 質量技術監督研究，2016，3，43-47.

[3]? 李俊芳，曲照偉，竇立謙，等. 基于神經網絡的電梯門系統故障預測方法的研究[J]. 天津理工大學學報，2009， 25（1），8-10.

[4]? 蘭夏燕. 基于多變量預測模型的電梯導靴故障診斷研究[D]. 昆明理工大學，2018.

[5]? 段登，邱意敏，周力. 基于神經網絡的多電梯運行系統故障預測[J]. 計算機系統應用，2011，20（9），252-255.

（作者單位：無錫機電高等職業技術學校）