基于機器學習的電梯故障診斷云系統

沈世焜

(江蘇安全技術職業學院電氣工程學院,江蘇 徐州221000)

目前,不同類型的電梯在商場、公寓、工廠、醫院、車站、街道立交橋等場所的使用越來越多,人們對電梯的安全性和可靠性要求越來越高。在大多數情況下,電梯由維護工程師定期檢查。然而,維修工程師的檢查結果往往過于主觀,無法保證電梯的安全水平。因此,一些電梯狀態監測和故障診斷系統或設備已經被研究人員和工程師提出。文獻[1]提出了一種基于移動電話GPRS 通信的電梯狀態遠程監控系統。介紹了該系統中不同傳感器和處理器的選擇和安裝,并對其軟件功能進行了分析。在分析了傳統故障診斷方法的優缺點后,文獻[2]提出了基于多智能體技術的電梯故障診斷方法。建立了電梯故障診斷模型,描述了故障診斷系統的結構和步驟,最后討論了電梯故障診斷方法的算法和步驟。文獻[3]討論了現有電梯故障診斷系統和技術在實時性方面的不足,提出了基于模糊神經網絡和D-S 證據理論的信息融合算法來實現電梯故障診斷,設計了基于FPGA 的數據采集與特征提取裝置。文獻[4]基于大量電梯故障數據,分析了中國新疆地區電梯運行故障特征,但并非基于大數據實現電梯故障自動診斷。文獻[5]結合各類電梯狀態信息集成的需要,利用物聯網和互聯網技術,設計了電梯遠程監控系統。然而,在電梯系統中安裝的監控設備顯然會增加成本。

針對現有電梯監控設備和故障診斷系統存在的問題,提出了一種基于機器學習的電梯故障診斷云系統。該系統通過智能設備的振動傳感器感器檢測電梯的振動狀況,并將監測數據從智能設備傳輸到云服務器。然后構建了基于大數據及機器學習的電梯故障診斷與預測的總體方案,采用非監督學習建立電梯故障模型,采用監督學習對所提取到的電梯轎廂振動特征參數進行了充分的數據挖掘與分析。第一節分析了智能電梯故障診斷系統的體系結構。第二節介紹了該云系統的軟件需求。第三節給出了電梯振動和聲音監測實驗。

1 電梯故障診斷系統體系結構

本系統以電梯使用單位(如商場、住宅、工廠、醫院等)的檢測以及政府的電梯保安人員為基礎。檢測時建議將智能設備放置在電梯的固定位置,啟動振動傳感器數據采集專用應用程序,數據采集應在干擾較小的條件下進行。本系統結構如圖1所示,應用程序在獲得振動數據后,通過互聯網傳輸到云服務器。云服務器是基于云集群和虛擬化技術開發的。這些服務器安全性高、性能好、容災能力強,而且價格相對低廉、易于擴展。在云服務器中,基于大數據的無監督學習和監督學習,對電梯的健康狀況進行評估,并做出維護/檢查決策。

圖1 本系統結構圖

2 基于智能設備的電梯振動數據采集

為了驗證所提出的基于智能手機的電梯故障診斷系統的可行性,利用紅米K20Pro 智能手機對所屬電梯的振動和噪聲信號進行了數據采集實驗。試驗結果如圖2、3 所示。圖2 和3 給出了某部電梯在同一運行時水平X 方向和水平Y 方向的振動試驗結果。發現智能手機加速度/振動傳感器在水平方向存在系統測量誤差,誤差約為0.2m/s2。電梯運行過程中,水平方向的振動幅度約為0.1m/s2。在圖2 和3 中的5s 處,電梯門關上了,其水平方向的振幅明顯增大,近似達到-0.3-1.4m/s2。

圖2 X 方向的振動試驗結果

圖4 顯示了垂直Z 方向的振動試驗結果,試驗位置的重力加速度為9.7952m/s2。垂直Z 方向的振動信號能很好地解釋被測電梯的加減速過程。這種振動信號與電梯機械或電氣部件的健康狀況有著明顯的聯系,是電梯故障診斷的一個非常重要的指標。

圖3 Y 方向的振動試驗結果

圖4 Z 方向的振動試驗結果

然后,選取五臺相同型號的電梯分別進行檢測,針對檢測到的五臺電梯垂直Z 方向的振動數據分別計算平均值、均方根、偏度、峰度和峰- 峰值,這五個特征,如表1 所示。

表1 電梯垂直Z 軸方向振動數據特征值

表1 給出了五個特征的結果。結果表明,不同狀態的電梯的振動特征不同,這表明振動特征可作為電梯故障診斷系統的關鍵依據。

3 基于機器學習的故障診斷

依據電梯振動數據,基于機器學習的故障診斷采用無監督學習聚類分析方法建立電梯故障模型,而有監督學習則利用回歸分析對電梯故障進行診斷和預測。

3.1 無監督學習的故障診斷模型

無監督學習方法通過聚類分析的多次迭代建立電梯故障診斷模型,當模型收斂時算法停止。假設提取了一批電梯轎廂Z軸方向的振動信號的特征數據：

特征1=A1,A2,A3,…

特征2=B1,B2,B3,…

其中：特征1、特征2 為電梯轎廂Z 軸方向的振動數據特征。電梯特征分類張成空間稱為電梯故障診斷特征空間；[Ai,Bi](i=1,2,3,…)對應為第i 個電梯轎廂振動數據中的振動特征值向量。同時為了建立電梯故障診斷模型,還需要獲取對應的訓練樣本的診斷結果信息,例如特征向量[A1,B1]→C1對應電梯狀態為無故障；特征向量[A2,B2]→C2對應電梯狀態為故障1；特征向量[A3,B3]→C3對應的電梯狀態為故障2。我們將以上這種帶有故障診斷結果狀態信息稱為故障標記。同時將帶有這種故障診斷標記信息的電梯轎廂振動特性數據稱為診斷實例,再將電梯轎廂Z 軸方向的振動數據和診斷結果形成一個新的特征向量[Ai,Bi,Ci]。其中的故障診斷標記信息“正常”、“故障1”和“故障2”不作為訓練樣本的結果信息,而是與電梯轎廂振動特性數據一起等效地放入訓練樣本中,形成一個新的特征向量。

3.2 監督學習的故障診斷與預測

監督學習利用回歸分析方法,根據電梯轎廂Z 軸方向的振動歷史監測數據,給出了故障系數。電梯故障系數是故障出現的可能性指標。本文電梯機械系統故障風險系數的計算方法如下：

電梯故障i 對應的電梯轎廂振動特征向量為[Ai,Bi,Ci,…],其k 范數(k=1,2,3,…,∞)為normk。無故障發生時對應特征向量為 [A0,B0,C0,…] 取其k 范數為norm0,二者之差為normk-norm0,將其歸一化即為故障i 的風險系數,例如當故障i發生時,其故障風險系數值為1；當故障i 未發生且故障排除時間剛好足夠時,其故障風險系數值為臨界值。

設D={x1,x2,…,xm}表示一個包含m 個電梯轎廂振動特性數據的數據集。通過D 描述每個電梯轎廂振動特性數據,然后每個電梯轎廂振動特征數據[xi1,xi2,…,xid]是d 維樣本空間中的向量。其中,xi∈x 是xi在第j 個特征分類上的值,d 是樣本數據 維數。電梯故障預測的任務一般是從訓練集{(x1,y1),(x2,y2)…(xm,ym)}中學習,建立從輸入空間x 到輸出空間γ：X→γ 的映射f。

4 結論

本文提出了一種基于智能設備振動監測和機器學習的電梯故障診斷云系統方案,首先通過智能設備的振動測試,發現X、Y 兩個方向的振動數據存在系統誤差,而垂直Z 方向的振動數據能反映電梯機電部分的健康狀況,并對振動數據進行了五個特征的計算。基于故障特征,進一步通過無監督學習與監督學習對電梯轎廂振動特征參數進行數據挖掘與分析,分析得出電梯機械系統各種故障隱患與電梯運行時振動信號之間的內在關系,從而實現電梯系統中的各種故障診斷和預測。