面向不等長時間序列的電梯故障早期預測

吉訓生，王大智，李 曉

(江南大學 物聯網工程學院，江蘇 無錫 214122)

1 引 言

電梯是日常生活中頻繁使用的樓層交通工具，我國目前電梯擁有量已達到500多萬臺，電梯擁有量呈持續增長態勢[1]，伴隨而來的電梯故障問題也日益突出[2].目前，對電梯故障的識別大都依賴人工進行現場識別或者通過部件振動信號進行診斷[3]，診斷效果較差.電梯是一種依靠電機運動的起重運輸裝置，用電機電信號的變化來描述電梯狀態變化，通過電信號的分析來識別電梯已有或潛在故障，可以提高電梯的安全性和可靠性[4].

穩定持續的數據采集設備和大量可用的時間序列為電梯長期運行狀態監測提供了巨大的機遇.但是，采集的大部分數據仍沒有被標記，主要是由于無法控制實時采集的設置和人工專家離線標記的繁瑣，因此，嚴重依賴標簽的傳統監督數據分析模型變得十分不利.近年來，針對正常數據的稀疏標記和異常數據的實時檢測問題，無監督學習方法受到研究者們的廣泛關注[5].然而，對于即將發生故障的早期預測并沒有得到很好的解決[6].故障事件可能在它發生之前就已對正常的事件產生微妙和漸近的變化，對正常數據進行無監督分析并發現這些變化可以對故障進行有效預防.

自動編碼器是一種無監督深度表示學習模型，近年來在學習圖像[7]和文本[8]等數據信息方面受到了廣泛的關注.當涉及到時間序列分析時，該模型由于無法準確重建異常數據點，并增加了正常數據重構誤差的缺陷，研究者們多采用通過改進自動編碼網絡算法進行故障診斷[9].邵寶珠等人[10]將非負約束自動編碼器(Non-negative Constrain Auto-Encoder，NCAE)堆疊，并將堆疊的網絡應用于電纜電流的故障診斷，通過仿真實驗，證明了該方法的可行性.王奉濤等人[11]對混沌螢火蟲優化算法與核去噪自動編碼器(Kernel Denosing Auto-Encoder，KDAE)進行了研究，并將該算法與中介軸承時域數據故障診斷相結合，解決了傳統自動編碼器泛化性較差的問題，并提高了故障診斷的準確率.Luay等人[12]組合自動編碼器與軟網輸出層(Softnet Output Layer，SOL)，提高了自動編碼網絡的性能，使腦電圖信號特征提取的效果得到改善.在眾多改進的自動編碼網絡中，長短時記憶自動編碼器(Long Short-Term Memory networks Auto-Encoder，LSTM-AE)以其長時間記憶特性、重構誤差在捕捉信號可見急劇變化的優異表現被提出應用于序列到序列的學習任務中，比如機器翻譯[13].雖然重構誤差在無監督檢測突變方面取得了優異的性能，但由于重構任務的復雜性，重構誤差在預測即將發生事件的性能較差[14].

目前，基于時間序列深度異常檢測的研究還沒有擴展到運行過程是間歇性、非周期、非高斯的特種設備中，尤其是電梯曳引機電流信號的分析.對LSTM-AE的重構誤差改進的算法很多，但很少有人針對重構誤差預測即將發生的事件性能差這一缺點進行改進.為此，本文提出了將相關特征選擇(Correlation Feature Selection，CFS)、LSTM-AE和多層感知機(Multi-Layer Perception，MLP)3種算法相融合改進網絡結構，并對時間序列固定長度截取和網絡固定長度輸入的不足進行劃分和填充，并應用于電梯故障診斷中，有效提高了電梯故障診斷精度.在改進的算法中，首先對長時間序列按照電梯運行過程進行截取劃分，減少了不同運行過程固定長度截取而導致的診斷性能差的問題.在此基礎上，將不等長時間序列片段經過補零填充，有效滿足了LSTM-AE固定長度輸入的要求.在電梯故障診斷中引入非時間序列模型多層感知機網絡，結合考慮深層編碼特征和低相關性主要特征，大大提高LSTM-AE重構誤差在早期預測方面的性能，診斷結果更加可靠.

2 LSTM自動編碼

循環神經網絡(Recurrent Neural Network，RNN)因為其具有保護時間信息的強大功能，被廣泛應用于序列數據建模和特征提取[15]，但由于梯度消失或梯度爆炸問題，標準RNN幾乎不能長時間存儲信息.改進的RNN體系結構LSTM緩解了這一問題[16].LSTM相比RNN多了一個門機制和用來存儲的細胞記憶單元.一個LSTM神經元包含一個記憶細胞，ct有一個權值為1的循環自連接的邊，可以拷貝自身狀態的真實值和累積的外部信號.在每一個時間步長t，神經元可以選擇寫入、復位或讀取由輸入門it、遺忘門ft和輸出門ot控制的記憶細胞.

LSTM的三個門控單元it、ft、ot三者計算方式都相同，區別只是使用了不同權重矩陣以便反向傳播時對三個門獨立更新.三個門控單元經過sigmoid歸一化到[0，1]區間，可看成是二值輸出[0，1]，即門控單元是控制信息流通的開關.it、ft、ot的表達式如式(1)～式(3)所示.

it=sigm(Wxixt+Whiht-1+bi)

(1)

ft=sigm(Wxfxt+Whfht-1+bf)

(2)

ot=sigm(Wxoxt+Whoht-1+bo)

(3)

LSTM對各維度特征的門控單元也是獨立更新的，為了簡化表示，可以只考慮一維情況，從一維推廣到多維很直觀[17].化簡到一維后，ct，ht最初公式中向量的內積可以轉化成數與向量的乘積，如式(4)～式(6).

gt=tanh(Wxgxt+Whght-1+bg)

(4)

ct=ft*ct-1+it*gt

(5)

ht=ot*tanh(ct)

(6)

其中，bi、bf、bo和bg是m維偏置矢量，Wxi、Wxf、Wxo和Wxg是Rm中的權重參數，Whi、Whf、Who和Whg是Rm×m中的權重矩陣，ht是迭代t處的LSTM的輸出矢量.

輸出門ot-1用于保存ct-1中對ht-1有用的信息；輸入門it用于判斷當前輸入xt是否對上文信息有用，當it=1時，使用xt作為輸入.遺忘門ft用于判斷當前細胞狀態ct對上一個細胞狀態ct-1的依賴程度，當前輸入xt如果依賴上文信息，關閉遺忘門.細胞狀態ct包含了當前輸入xt和上一時刻細胞狀態ct-1的信息，并且由于ct和ct-1之間的短路連接，在反向傳播時，ct的梯度可以直接傳播給ct-1，這也是LSTM能夠有效緩解RNN中梯度消失和梯度爆炸的關鍵[18].

圖1 LSTM自動編碼器Fig.1 Long short-term memory networks auto-encoder

使用LSTM神經元來構建LSTM-AE，LSTM-AE包括編碼器和解碼器兩部分.編碼器學習輸入時間序列的向量表示，解碼器再使用這種向量表示來重構時間序列.編碼器和解碼器共享類似結構，即堆疊若干LSTM層.與傳統的數據變換不同，網絡能夠保留序列的有效時間信息.如圖1所示，輸入的時間序列片段，yi(k)，1

3 改進的LSTM-AE方法

3.1 時間序列的劃分

由于電梯運行是一個間歇性、非周期和非高斯的過程，曳引機的電流時間序列片段長度與運行過程長短有關.因此，得到的電梯曳引機電流數據也是由不等長時間序列組成.傳統時間序列劃分是通過固定長度矩形窗截取，以滿足LSTM-AE固定長度輸入的要求，不適合電梯這類不等長、非周期的時間序列.如圖2所示，根據電梯靜態與動態數據交錯的特性，將電流時間序列劃分為不等長的時間序列片段.

3.2 不等長時間序列的填充

為滿足網絡固定長度輸入的要求，對電梯曳引機不等長時間序列進行補零填充.針對不同層高的樓宇，時間序列填充通常以最長時間序列為標準進行補零填充.當樓宇為超高層建筑時，電梯的最長時間序列會遠遠超過中低層建筑.若再以原本的填充方式不僅耗時也浪費運算空間.因此，本文提出三種不等長時間序列的填充方式，如圖3所示.第一種填充方式直接填充，缺點是需要知道最長序列長度；第二種填充方式，將不等長時間序列加入到特殊填充隊列里，隊列讀取少量數據時找出最長的時間序列，其他序列都填充到最長序列中.不需要知道整體最長尺寸，運算的時間和空間要求降低，可以不斷變更批訓練的數量，但很可能退化回到填充方式1；第三種填充方式，同時運行的不同隊列對不等長時間序列進行填充，很大程度上壓縮了運算時間與空間的需求.

圖2 不等長時間序列的提取Fig.2 Extraction of unequal length time sequences

圖3 不等長時間序列的填充Fig.3 Filling of unequal length time sequences

3.3 改進的網絡結構

LSTM-AE被訓練來重建“正常”的時間序列，目標時間序列本身就是輸入時間序列，然后利用任意未來事件點的重構誤差判斷出該時刻異常的可能性.LSTM-AE重構誤差在捕捉信號急劇變化表現很好.但由于重構任務的復雜性，對于預測即將發生的事件，重構誤差的性能較差.因此，LSTM-AE能很好地檢測實時故障，但對于故障的早期預測問題并沒有得到很好解決.

LSTM神經元會認為越往后的輸入越重要，這是因為序列從前往后輸入，最后一個輸入的信息會更多的留下來，而且LSTM很容易過擬合[19].這樣我們使用LSTM-AE對時間序列片段進行壓縮，并不能最大程度的提取全部有用信息，以至于最后預測結果并不會很好.通過相關性特征選擇，可以發現電梯的啟動最大電流是相關性最小的特征，同時也是初始輸入網絡的特征.因此，選擇電梯的最大啟動電流作為深層特征編碼值的附加信息.

論文設計了一個多層感知機網絡，如圖4所示，該網絡包含輸入層、兩個隱含層和一個輸出層.隱含層節點個數設置為最長時間序列的長度.學習速率設置為0.01，批處理樣本數量設置為64，迭代200次，優化器選擇Adam.通過堆疊三個稱為深度LSTM網絡的LSTM層來構建LSTM-AE網絡，在訓練好的LSTM-AE的基礎上，只保留編碼器部分以簡化網絡結構.具有LSTM-AE編碼部分的改進網絡能夠間隔長期時間動態并自動學習特征表示，而且表現優秀的LSTM編解碼器一定也是很好的編碼器.時間序列片段經過編碼器得到信號的深層特征，將信號的深層特征編碼值與相關性最小特征啟動電流值輸入多層感知機網絡來重構預測啟動電流值.引入附加輸入作為一種輔助信息來彌補LSTM神經元對初始輸入重要性的忽略.通過比較預測值和真實值，設定閾值揭示故障發生前的隱藏變化，實現故障的早期預測.

圖4 LSTM-AE+MLP網絡結構Fig.4 LSTM-AE+MLP network structure

4 實驗結果與分析

實驗選擇某小區同批次生產并同時投入使用的74臺層高為23層的電梯數據，實驗數據的采集來自實驗室開發出的基于電梯物聯網的數據采集系統，采集的數據包括電梯的運行速度、瞬時電壓、瞬時電流、頻率、當前樓層、系統狀態、控制器狀態、電梯故障、電梯狀態和轎廂狀態.數據采樣周期為5s，當電梯靜止時的采樣周期是3～4min.

在數據采集過程中已進行了數據清理，如圖5所示.可以發現，同臺電梯相同運行過程表現出的時間序列形狀十分相近，但仍有因為控制器編碼受干擾導致的明顯錯誤.首先找到13層到3層所有樣本的基線標準值，然后將每個樣本與基線樣本值進行一元線性回歸運算，最后刪除線性平移量與傾斜平移量大的樣本，實現同種運行狀態數據的篩選.如圖6 所示，該臺電梯13層到3層電梯電機電流的時間序列經過篩選后濾除了明顯的不可用數據.

圖5 未經篩選的某一下行過程數據Fig.5 Unfiltered downlink process data

圖6 篩選后的采集數據Fig.6 Filtered downlink process data

圖7給出了電梯某一上行運行情況，電梯上行過程也具有相近的時間序列形狀.如圖8所示，它展示了同一臺電梯的不同運行狀態電機電流時間序列的均值，對于每一種運行狀態，它以一條線相連不同采樣時刻電流的均值.無論是時間序列的長度還是最大啟動電流或者是最大制動電流，電梯的不同運行過程表現出明顯的差異性.

圖7 經篩選后的采集數據Fig.7 Filtered uplink process data

圖8 不同電梯運行情況的差線圖Fig.8 Deviation chart of different elevator operation

通過測量可知，每臺電梯平均每天有150次運行過程.根據物聯網電梯維保平臺系統的某一電梯安全開關斷開故障的時間信息，選擇故障發生之前一個月的電梯電機運行電流時間序列數據作為訓練樣本，故障當天的數據作為測試樣本.針對不等長時間序列，采用填充方式1對事件序列進行補零.由表1可知，不等長時間序列片段的最大長度為10.通過LSTM自動編碼器對時間序列片段進行編碼，編碼值很大程度上保留了時間序列的長度和內在結構信息，實現了不等長時間序列信息的壓縮與提取.

表1 不同電梯運行測試集的編碼情況
Table.1 Code for different elevator running test sets

編號0123456789編碼值啟動電流9350.0021.5611.1301.0561.0070.7080.0020.0000.0000.00030.3461.56114530.0020.5980.8310.7950.6900.0810.0020.0000.0000.00022.6130.59813730.0021.4291.0650.6360.0020.0000.0000.0000.0000.00023.9121.42910020.0021.1671.1661.1281.0360.0190.0020.0000.0000.00028.2161.16718650.0021.2721.0200.9660.9450.9150.6690.0020.0000.00031.0361.2722480.0020.3740.0910.0020.0000.0000.0000.0000.0000.0005.6420.3743330.0021.7630.8940.1600.0020.0000.0000.0000.0000.00021.8721.76315010.0020.1740.3551.2330.0020.0000.0000.0000.0000.00012.4480.1749440.0020.0840.7320.0020.0000.0000.0000.0000.0000.0007.4880.0845360.0020.2520.1000.0020.0000.0000.0000.0000.0000.0004.8310.252

某臺電梯的各種運行狀態的電機電流時間序列片段經過方式1進行填充，將每一個采樣點時刻的電流數據作為該時間序列的特征變量.不同時刻采樣特征的相關矩陣熱力圖如圖9所示，如果變量之間的相關性是‘1’，則意味著它們高度相關且受直接正比例的約束；如果變量之間的相關性是‘-1’，則意味著它們高度相關且受直接反向比例的約束.我們發現采樣時刻'1'對應的相關性最低，即啟動最大電流在整個時間序列片段中變化最大.結合實際，電梯故障也一般發生啟動或制動時刻.因此，選擇最大啟動電流與編碼值一同輸入改進的網絡結構中預測每個時間序列片段的最大啟動電流.

如圖10所示，LSTM自動編碼器與多層感知機結合的網絡是收斂的.將待測試的不等長時間序列填充為最大時間序列長度10，輸入已經訓練好的LSTM自動編碼器進行編碼，將編碼值與最大啟動電流值輸入多層感知機網絡進行預測每個運行過程的最大啟動電流.

圖9 不同時刻采樣特征的相關系數矩陣Fig.9 Correlation coefficient matrix of samplingfeatures at different times

如圖11所示，通過比較預測值和真實值，計算它們的誤差，通過設定誤差閾值±0.5，成功檢測出故障和故障發生前6層，安全開關斷開，電梯故障產生.因此，通過設置閾值可以實現電梯故障早期預警，根據電梯運行樓層信息13層確定需要的維保部件.

圖10 改進網絡的loss曲線圖Fig.10 Loss curve of the improved network

的早期異常.此處異常情況以電梯安全開關開合為標志.電梯運行過程在早期預測故障點處13層到3層產生了異常，影響了該電梯電機電流時間序列的值與結構，當電梯運行13層到

圖11 長時特征的電梯故障早期預測Fig.11 Early prediction of elevator failure withlong-length characteristics

上述時間序列是針對長時間的運行過程而言，對于短時間序列由于采樣點過少，時間序列的信息相比于長時間序列較少，可以通過減少LSTM自動編碼器+多層感知機網絡的層數來重構預測啟動最大電流，同樣實現電梯故障的早期預測.如圖12所示，電梯發生運行中門鎖斷開故障，檢測到的電梯故障早期預測為相鄰的兩個運行過程，4層到3層，3層到4層，在3層停留還產生突變電流.因此，推測電梯在3層的門機系統出現故障需要維保.

圖12 短時特征的電梯故障的早期預測Fig.12 Early prediction of elevator failure withshort-length characteristics

表2列出了不等長時間序列填充方式的效果比較.可以看出，傳統LSTM-AE通過固定長度劃分時間序列的方法并不適用于電梯這類間歇性過程，且可以明確劃分時間序列片段的情況.LSTM-AE+MLP網絡可以成功識別電梯早期故障，平均準確率達到85.3%.通過比較不同時間序列的填充方式，填充方式1雖然訓練時間較長但是均方根誤差最小.對于社區、百貨、醫院等中低層建筑，填充方式1即可滿足需求.對于超高層建筑電梯數據使用的填充方式3，可以很大程度壓縮訓練與測試的時間.

表2 不等長時間序列的填充方式的比較
Table 2 Comparison of the filling methods of unequal length time sequences

不同填充方式報警閾值訓練時間測試集RSME平均準確率平均提前預測時間LSTM-AE/±0.8201s49.3463//LSTM-AE填充方式1±0.4214s0.253085.3%41分鐘+填充方式2±0.5209s0.269181.7%37分鐘MLP填充方式3±0.4207s0.285480.1%34分鐘

5 結 論

本文采用LSTM-AE的編碼部分與MLP相結合的方式簡化LSTM自動編碼器的網絡結構，解決了LSTM-AE重構誤差在預測即將發生的事件的性能較差的問題.為了適應電梯這類間歇性、非周期和非高斯運行過程，改變時間序列片段截取方式.針對運算時間和空間的優化，提出三種不等長時間序列的填充方式.通過相關特征選擇確定附加特征信息彌補了遞歸網絡對初始輸入重要性忽略的缺點.仿真實驗表明，LSTM-AE+MLP結合的改進模型相比傳統的固定長度時間序列劃分方法具有更高的故障早期預測準確率，平均準確率達到85.3%.為電梯故障早期預測和不等長時間序列異常檢測提供了一種切實可行的辦法.