電梯運行高峰期的異常診斷算法研究

甘晶　曾亞輝　陳華

摘要：運行高峰期電梯提升高度跨度大，起停加速頻次快。利用物聯網技術建立電梯大數據監測平臺已成為主流，傳統的故障檢測手段往往依賴于故障指標體系及專家經驗，這提高了監測數據的使用門檻。針對該問題，提出一種改進的基于頻域數據增強Transformer。通過對運轉高峰期監測數據建模與分析，實現了對電梯運行狀態的準確預測，對電梯運行高峰期隱患進行診斷。實驗結果表明，該方法相比于其它預測算法，有更高的預測準確率和異常診斷效率。

關鍵詞：故障診斷；Transformer；變分自編碼器；頻域增強

一、前言

我國是全球電梯保有率最高的國家[1]。隨著電梯使用率的增長，電梯的事故數逐漸增多。電梯事故會對居民及住戶造成嚴重的財產及生命的損失。要減少這類安全隱患，需要加強運行階段設備的維護管理及檢測監督。因此，如何高效地監管及維護成為了一個迫切需要解決的問題。

特種設備的監管及維護往往有兩種方式：定期巡檢及故障后勘查。隨著技術發展，自動化診斷系統逐漸取代了人工診斷。但在實際應用中，在不同環境下對復雜機電系統運行狀建模具有很高的難度，降低了自動化診斷的易用性與經濟性[2， 3]。

隨著人工智能時代的到來，電梯物聯網平臺的監測大數據為人工智能技術打下了基礎[4]。不需要對電梯運行狀態進行建模分析，只需對監測數據進行學習，便可開展故障診斷、運行狀況監測及設備壽命預測等工作，因此這類方法往往具有更低的成本和更高的易用性。

基于上述情況，本文提出一種基于頻域信號增強的Transformer模型（Frequency Enhanced Decomposition Transformer，FEDformer）與變分自編碼器（Variational Autoencoder，VAE）相結合的電梯異常診斷算法，該算法的主要貢獻為：

（1）一種基于數據驅動的方法，可以利用大數據平臺電梯監測數據，實時進行故障診斷；

（2）基于FEDformer的結構，使算法對有更想的抗噪音干擾能力，在長程序列上有更高的穩定性，做出對未來運行狀況更準確的預測；

（3）受到VAE的啟發，將變分推斷引入注意力機制，利用Variational-FEDformer獲得特征更規范且具備連續性的編碼隱空間，作為解碼器的輸入，在同樣的模型參數下，提高了模型表達能力。

二、相關工作

近年來，已經有不少研究在探索如何將人工智能和機器學習相關技術應用于電梯診斷應用當中[5-10]。

宗等人提出的診斷模型結合了模糊Petri網與神經網絡，對電梯故障模型進行學習，得到了電梯不同運行期的故障診斷模型[11]。李等人基于電梯門故障數據，利用BP神經網絡與仿真系統預測電梯門系統故障[12]。王針對電梯高速急停問題，利用監測平臺提供的電梯高速運行特征大數據，利用模糊神經網絡，建立了高速電梯急停故障診斷模型[13]。沈基于其設計的電梯大數據平臺，結合循環神經網絡和擴張因果卷積網絡，設計了一種電梯運行故障預測模型[14]。張等人通過分析電梯運行時的振動信息，利用ResNet對分離后的振動信號進行分類診斷，提高了故障的診斷率[15]。Zhou等人提出了FEDformer[16]，使用頻域信息，獲得更好的故障診斷結果。

三、問題分析

（一）任務描述

電梯故障成因復雜且工作環境及工作模式不固定，給監測指標體系關系量化與關鍵指標分析工作帶來了極大的困難，且難以對未來一段時間的運行狀態進行預測。因此，利用人工智能技術中的深度學習方法強大的表征能力和模擬能力，可以大大降低電梯運行監測指標的異常檢測工作量，并使檢測工作具備預測能力。

（二）行業數據分析

通過對應急救援工單的142234起電梯事故進行分析，電梯故障50種主要情況占比為58.3%。在所有的故障類型中，“生活垃圾導致開關門受阻”有18861起，“電梯運行過程中出現停電”有11848起，“廳門鎖失效”有6177起，具體數據如表1所示。

（三）問題建模

針對大數據平臺采集的各類監測數據，我們以曳引系統相關傳感器為研究對象，數據包含曳引機的振動信號（dB）、曳引機軸承轉速（rpm）、曳引機工作環境濕度與電梯每天行駛里程。

本文對平臺提供的電梯高峰運行時期的監控數據進行建模與分析。基于平臺給定的電梯運行狀態標簽，給出一種電梯運轉高峰期故障隱患預測方法，通過預測電梯高峰時期的曳引系統運行狀況，根據模擬的結果給出監測狀況診斷。如圖1所示。

四、電梯運轉高峰期異常診斷算法

本文中，我們基于平臺提供的曳引系統監測數據，提出了一種電梯高峰時期異常診斷算法。整體的故障診斷方法如圖1所示。

在原始的Transformer上，FEDformer通過利用低秩矩陣近似（low-rank approximation）降低注意力機制中矩陣計算引入的復雜度，同時利用頻域數據的特性，低秩近似后頻域中的采樣造成的損失不會影響預測效果。這使得注意力機制可以用更少的信息，捕捉到幾乎一樣的特征，且大幅度降低復雜度。

受到變分自編碼器啟發，本文對FEDformer編碼器和解碼器的進行約束，提出Variational-FEDformer（VFEDformer），利用編碼器和解碼器近似輸入的條件密度，擴展編碼器頻域信號隱空間的可變性。圖2中顯示了VFEDformer的結構。

設序列數據維度為D，則編碼器的輸入 ，則編碼器定義為：

其中，表示經過第l層的第i個周期/趨勢分解模塊（MOEDecomp）后的到的周期項，FEB為頻率增強模塊。在頻率增強模塊中，若有長度為m的監測序列數據，則設為，通過傅立葉變換，將轉換為。m組數據變換后組合成矩陣，接著基于服從于高斯分布的隨機采樣，從d維的頻域數據中采樣s維的數據，得到，認為完成了一次頻域數據增強，模塊內包含學習參數R。，為編碼器輸出的分布參數。同樣的，解碼器定義為：

其中，，分別表示第l層解碼器經第i個周期/趨勢分解模塊處理后的周期項與趨勢項，，表示第i個趨勢項的投影算子。VFEDformer的最終輸出為，其中將投影回輸入維度。

其中，頻率增強模塊、頻域注意力內的全連接網絡和前饋網絡層內都有可學習的參數W，根據均方誤差（Mean Square Error）進行批量梯度下降優化。編碼器內概率密度網絡通過進行優化。

五、實驗

通過對電梯數據集進行仿真驗證所提出算法的有效性。所有仿真實驗均采用標準的5折交叉驗證方法，所有結果都是獨立運行10次得到的平均值。仿真實驗分為預測實驗和異常檢測實驗兩部分。預測實驗通過對比算法對未來一段時間電梯運行監測信號的預測準確率來評估算法的好壞，驗證算法在電梯監測數據集上的預測準確率，預測實驗結果如表2所示。

從表2中我們可以看到VFEDformer在預測誤差上有更好的表現。可能因為引入更多的數據操作，在預測時間上不減反增。

預測模型的輸出為未來一段時間的運行狀態參數。異常值檢測實驗在不同模型預測的未來狀態上進行，通過在預測模型的輸出上應用則異常檢測算法，便可以實現對電梯高峰期運行狀況的預測，并驗證不同預測算法在電梯故障預測上的有效性，異常值檢測實驗結果如表3所示。

從表中可以看到，VFEDformer預測結果的檢測效果都要優于其它的時間序列預測算法。

六、結語

本文探討了基于大數據平臺的電梯安全監測問題，提出了一種電梯監測數據異常診斷方法。實驗結果表明，本文所提方法的預測準確率優于傳統機器學習方法，具備能夠部署在大數據平臺上的能力。H

參考文獻

[1]恩旺，劉子金，張淼.中國電梯行業的技術發展與趨勢[J].建筑科學，2018，34（09）：110-118.

[2]劉松國，韓樹新，李偉忠，等.電梯運行狀態監測與故障遠程報警系統研究[J].自動化與儀表，2011，26（10）：42-46.

[3]FLORES A， CARVALHO J， CARDOSO A. Mechanical fault detection in an elevator by remote monitoring; proceedings of the 2008 18th International Conference on Electrical Machines， F， 2008 [C]. IEEE.

[4]金曉磊，潘鵬.機器人視覺的電梯轎廂門狀態識別系統[J].單片機與嵌入式系統應用，2018，18（04）：28-31.

[5]徐姍.基于高階譜和支持向量機的電梯故障診斷[D].華僑大學，2013.

[6]崔琪.基于數據融合的電梯故障診斷方法研究[D].武漢理工大學，2014.

[7]盛山山.基于數據挖掘的電梯故障預測研究[D].廣東工業大學，2018.

[8]熊瑞庭.基于模糊神經網絡的電梯故障診斷系統的研究[D].武漢： 武漢理工大學，2009.

[9]陶鵬，孫曉明，張超.基于神經網絡推理策略的電梯故障診斷法[J].武漢理工大學學報（信息與管理工程版），2009，31（06）：950-953.

[10]劉影，趙迎龍，魏斌，等.基于優化神經網絡的電梯故障診斷系統研究[J].自動化與儀器儀表，2022（05）：88-92.

[11]宗群，馬宏波，王中海.基于NNFPN模型的電梯故障診斷方法的研究[J].控制與決策，2005（03）：341-344.

[12]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（01）：8-10.

[13]王志平.基于高速電梯運行特征大數據分析的急停故障診斷技術及應用[D].浙江大學，2016.

[14]沈志鵬.基于大數據的電梯安全監測方法研究與應用[D].浙江工業大學，2018.

[15]張興合，高丙朋，陳飛，等.深度學習在電梯轎廂振動故障診斷中的應用研究[J].機電工程，2021，38（02）：260-264.

[16]ZHOU T， MA Z， WEN Q， et al. Fedformer： Frequency enhanced decomposed transformer for long-term series forecasting; proceedings of the International Conference on Machine Learning， F， 2022 [C]. PMLR.