基于BP神經網絡的電梯制動距離預測系統

蓋曉東 李溪水 秦文江 黃啟斌 盧俊文

摘要：針對現有電梯制動距離預測系統容易受到外界噪聲干擾、忽略制動傳感器數據的問題，設計一種基于BP神經網絡的制動距離預測系統。該系統從電梯控制系統和電梯預測模型兩方面對電梯運行狀態進行監測和預測，可根據電梯制動系統和末端行程系統的運行參數，對電梯制動距離進行準確預測。為驗證系統有效性，利用單片機搭建了實驗仿真平臺，在不同應用環境下對電梯的制動距離預測進行了大量實驗。實驗結果表明，該系統操作簡單、可擴展性好，能有效解決復雜環境下電梯制動距離的準確預測。

關鍵詞：電梯控制;BP神經網絡;正則化;制動距離

中圖分類號：TP311? ? ?文獻標識碼：A

文章編號：1009-3044（2019）23-0200-03

開放科學（資源服務）標識碼（OSID）：

1 引言

完善的電梯故障檢測和預警技術是電梯安全運行的重要保證。當電梯發生故障時，電梯緊急制動能力固然重要，若能準確預測電梯運行狀態的實時變化，不但能為系統決策提供有力依據，還能發挖掘電梯潛在運行故障，進而做到防患未然。

電梯的運轉過程，在理論上可抽象為制動器的“旋轉-直線”運動模型。為此，文獻[1]以數學模型設計了電梯制動力矩。在文獻[2]中詳細分析電梯制動器的力學結構，并以此建立理論模型，給出典型客梯運行過程中制動距離與制動時間的關系。

然而，在電梯的實際運作過程中，由于鋼索與曳引輪間摩擦、曳引輪自身阻力、轎廂與導軌間摩擦、負載變化等多種因素影響，使得運行狀態的預測異常復雜。為解決以上問題，文獻[3]應用RBF神經網絡預測電梯的制動距離，該方法可有效逼近電梯制動距離的非線性變化關系。文獻[4]設計一種基于馬氏距離和粒子群算法的神經網絡算法，可快速預測電梯故障信息。文獻[5]將BP神經網絡應用于電梯控制系統，在運行時間和動態分區原則的約束下，計算出最優調度策略。然而，以上方法僅考慮電梯轎廂的運行參數信息作為神經網絡輸入，而忽略了制動器相關數據（如制動力），很難達到精確預測。

本文將從電梯控制系統（包括制動器和轎廂）和智能預測模型兩方面入手，就電梯制動距離進行實時檢測和預測。圖1給出了本文系統工作原理圖。本系統可分為訓練和測試兩個階段。在訓練階段，系統掃描安裝于電梯轎廂和制動器上的傳感器，在時間序列上捕捉電梯的運行狀態數據，如制動器壓力、制動器轉速、轎廂重量及轎廂速度等參數;其后對采集到的數據進行預處理，如刪除無效數據、歸一化處理等;最后將數據輸入到BP神經網絡中訓練模型。在測試階段，系統采取與訓練階段同樣的方式收集傳感器數據，將數據輸入訓練階段所獲得模型，最終得到預測結果。

2 BP神經網絡

2.1 網絡結構

BP（Back Propagation）神經網絡是20世紀80年代被提出的一種結合誤差反向傳播算法的多層前饋網絡。由于其網絡結構簡單，且能夠有效處理輸入-輸出數據的復雜非線性關系，得到了廣泛的應用。BP神經網絡結構可分為輸入層、隱藏層和輸出層，每一層均有若干神經元（以下簡稱節點）。其中，輸入層和輸出層的神經元數由訓練樣本屬性決定，而隱藏層的節點數則需根據模型復雜度設定。以往研究表明，若提供足夠多隱藏層節點數，則一個3層的BP神經網絡結構可實現任意[n]維到[m]維數據的映射[6]。

圖2展示了一個典型的3層神經網絡結構，可以看出每一層的節點與上一層的節點之間相連。例如，在隱藏層，每個節點是輸入層節點的線性組合，而該層節點的輸出是經過激活函數調整后的值。對神經網絡的訓練過程，即為確定層與層之間鏈接的權重值。為衡量網絡模型訓練的合理性，需要有效模型預測值與目標值逼近程度。以均方誤差（Mean Squared Error， MSE）為例，設共有[n]組待測試數據，第[i]組數據的預測值和真實值分別為[yi]和[yi]，則MSE可表示為：

[1ni=1nyi-yi2? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?][1]

MSE值越小，代表預測的結果越準確。

2.2 正則化網絡結構

當數據樣本較少時，網絡模型的訓練過程很容易出現過擬合現象。為提高BP神經網絡的泛化能力，一種有效的方法是為模型增加正則化項。引入正則化項后，BP神經網絡的目標函數可表示為：

[γMSE+（1-γ）MSW? ? ? ? ? ? ? ? ? ? ? ? ? ? ?2]

其中，[γ]是調節因子，設[w]為模型的權重向量，MSW定義為：

[MSW=1ni=1nw2i? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?3]

3 實驗環境搭建與數據采集

3.1 數據采集

本小節詳細描述系統實驗仿真環境搭建及傳感器數據采集的實現細節，所實現實驗仿真平臺如圖3所示。

可看出，系統主要由輪盤、壓力傳感器、光柵、光柵讀頭、制動片、鋼線繩、控制器、載重托盤等組成。其中，壓力傳感器采用大洋DYMH-02膜盒式荷重傳感器（0-5kg），光柵采用150LPI壓電寫真機光柵帶，光柵讀頭為H9720工正解碼器、控制器采用Arduino UNO R3、輪盤測速傳感器采用ASLONG GA25-370G光電編碼器。

仿真平臺工作流程為：1）將砝碼放置于載重托盤上;2）轉動輪盤將載重托盤移動至初始位置;3）將制動片壓在輪盤上，保證托盤處于靜止狀態;4）放松制動片，讓載重托盤在重力作用下自由下落。同時，按下數據記錄開關按鈕，數據采集周期設置為10毫秒;5）當托盤到達指定位置時，松開數據記錄開關按鈕，保存數據，并結束本次數據采集。

3.2 數據預處理

由于實驗操作過程中，存在一定的人為操作導致的誤差，需要對實驗數據進行篩選?？紤]到預測系統的實際應用場景很難支持實時的人為數據處理。通過對所采集到數據的觀察，本文采用相鄰數據間變化規律剔除冗余數據，主要包括電梯靜止狀態和停止狀態下的冗余數據。設[t]時刻所采集到數據向量為[xt=[x1t，x2t，…，xdt]]，其中[d]代表電梯運行參數的種類數，如電梯的速度、制動距離和制動力等。設[t+1]時刻采集到的數據向量為[xt+1=[vt+1，dt+1，…，pt+1]]，若[absvt+1-vtvt

為消除數據特征差異性對神經網絡可能造成的影響，需要將數據特征進行歸一化處理。本文將數據的所有特征均歸一化到[-1，1]區間內。設數據某一特征中數值最大值和最小值分別為[fmax]和[fmin]，待歸一化的數據為[x]，則歸一化后的數據[y]可表示為：

[y=2*（x-fmin）fmax-fmin-1，? ? ?if fmax≠fmin0.5，? ? ? ? ? ? ? ? ? ? ? ? ? if fmax=fmin? ? ? ? ? ?（4）]

4 實驗結果與分析

為驗證本文所提出方法的有效性，就電梯制動距離預測準確度與轎廂速度、制動力、運行時間的相關性進行詳細分析。

4.1 實驗設置及評價指標

本文采用BP神經網絡采用3層網絡結果，包括輸入層、隱藏層和輸出層。其中，輸入數據特征為載重（單位g）、轎廂速度（m/s）、制動力（N）和運行時間（ms），即輸入層節點數為4; 隱藏層的節點數為7;輸出結果為待預測的距離（m），即輸出層節點數為1。神經網絡的迭代數數（epochs）設置為100，目標誤差（goal）設置為[10-4]，正則化因子（regularization）設置為[10-10]。在模型訓練過程中，將數據樣本分別按照0.7， 0.15和0.15的比例劃分為訓練數據集（training set）、驗證集（validation set）和測試集（testing set）。

本系統旨在使預測結果與真實結果盡量逼近，同時，為有效評價單組數據預測的準確度并刪除數據大小差異所帶來的影響。設真實值為[x]，預測值為[y]，定義單組數據預測誤差為：

[x-yx? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?5]

4.2 電梯制動距離預測結果

表1-表3分別展示了本文方法在系統負載為500g、600g和700g時的預測結果。從表1中可以看出，預測的誤差值隨著轎廂速度的逐漸增大將不斷減小，且該現象在表2和表3中也表現得較為突出。例如，在表2中，當轎廂速度為0.1396時，預測的誤差達到22.24%。隨著負載重量的增大，預測誤差也出現逐步減小的趨勢。例如，當負載為700g，且轎廂速度為0.1396時，預測誤差為3.05%。出現這些現象的主要原因，可能是當轎廂的速度和載重較大時，外界噪聲的干擾將會得到抑制，進而有效提高預測的準確度。圖4展示了本文預測結果與真實結果的對比圖，從圖中可以看出當轎廂速度越快（曲線越陡）時，預測方法能更準確地對數據建模。

4.3 預測準確度與隱藏層節點數關系

BP神經網絡訓練過程中一項重要的工作是需要確定隱藏層節點數（以下簡稱節點數）。通常節點數越多，模型的表達能力越強，模型也越復雜。但節點數也并非越多越好，若節點數過多則必然導致模型的參數增大，在訓練樣本有限的情況下，很容易出現過擬合現象。

為確定最佳節點數，本文研究了模型在不同節點數情況下的MSE。在本次實驗中，采用與3.1小節相同的參數設置方法。由于模型對于參數的初始值較為敏感，對于每個節點數重復實驗5次，然后取5次實驗結果的平均值作為該節點數下模型的最終結果。圖5展示了本次實驗結果。從圖中可以看出，當節點數較少時，如1個節點，模型擬合的效果較差，MSE將近21，其可能的原因是節點數過少時模型出現欠擬合;隨著節點數的不斷增加，MSE也隨之減少;當節點數為7時，模型擬合效果達到最佳;當節點數超過7時，MSE呈現略微增加趨勢，其可能的原因是節點數過多時模型出現過擬合。因此，節點數7是本文模型的最佳選擇，這也是本文第3.1小節中，將隱藏層節點數設置為7的原因。

5總結

為解決復雜環境下電梯制動距離的準確預測，本文提出一種基于BP神經網絡的預測系統。該系統融合了電梯制動器和電梯末端系統的運行參數，并借助BP神經網絡實現制動距離的預測。為驗證系統有效性，在單片機上配合多種類型傳感器，構建了一套電梯制動距離監測和預測系統。實驗結果證明了本文所提出設計方案的可行性。在未來工作中，將重點研究電梯制動距離的在線預測方法。

參考文獻：

[1] 葉穆. 上上下下的安全衛士——電梯制動系統專題：電梯制動器的制動減速度和制停距離分析[J]. 中國電梯， 2007：15-17.

[2] 陳傳斌. 電梯制動器的結構和制動力的理論分析與計算[J]. 中國特種設備安全， 2007， （12）：47-50.

[3] 丁寶， 唐海燕， 丁艷虹， 等. 電梯零速停靠的RBF神經網絡預測算法[J]. 哈爾濱工業大學學報， 2009（7）：64-67.

[4] 王賽男， 陳敢. 基于改進神經網絡的電梯故障診斷[J]. 長江工程職業技術學院學報， 2018（2）：25-27.

[5] 劉劍， 梁延東. 電梯運行的神經網絡控制[J]. 沈陽建筑工程學院學報， 1999， 15（3）：289-292.

[6]焦斌， 葉明星. BP神經網絡隱層單元數確定方法[J]. 上海電機學院學報， 2013（3）：113-116.

【通聯編輯：梁書】