[發明專利]一種基于電梯運行參數的故障預測方法，終端及可讀存儲介質

有效

• 申請號: 201910297745.1
• 申請日: 2019-04-15
• 公開（公告）號: CN109969895B
• 公開（公告）日: 2021-07-23
• 發明（設計）人: 郭貝;陳全彬;李欣朔
• 申請（專利權）人: 淄博東升電梯工程有限公司
• 主分類號: B66B5/00
• 分類號: B66B5/00;B66B3/00
• 代理公司: 濟南竹森知識產權代理事務所(普通合伙) 37270
• 代理人: 孫憲維

1.一種基于電梯運行參數的故障預測方法，其特征在于，方法包括：

步驟一，獲取電梯數據中對引起電梯故障敏感的電梯參數,形成電梯參數集；

將電梯分為曳引機機構，電梯門機構，電梯轎廂機構以及電力拖動機構；

曳引機機構的電梯參數包括:曳引機溫度、曳引機三相電壓、曳引機三相電流、曳引機噪聲以及軸承振動烈度；

電梯門機構的電梯參數包括:關門速度, 門間隙，開關門噪聲以及平層精度；

電梯轎廂機構的電梯參數包括:垂直方向振動加速度, 水平方向振動加速度, 運行時轎廂噪聲以及轎廂水平度;

電力拖動機構的電梯參數包括:加速度、減速度, 平衡系數,平穩運行時速度以及鋼絲磨損程度；

步驟二，對電梯參數集進行數據處理，將電梯參數集中的參數進行異常值剔除、采用內插法對電梯參數進行缺失數據填補；

電梯每個機構數據的偏離度指標Y定義方式為：

W1，W2，Wn分別為每個機構數據的修正系數；

電梯每個機構數據的平均偏離度指標V定義方式為：

B1，B2，Bn分別為每個機構平均數據的修正系數；

構建異常值剔除模型JS=[Q,C]; Q為電梯參數集，C為預設屬性集，D為電梯參數；

對于任意的電梯參數D_i，鄰域為：

△（D，D _i）表示的是電梯參數偏離度函數，對于任意的三個電梯參數D ₁, D₂, D₃，有如下成立條件：

△（D₁，D₂）=△（D₂，D₁）；

△（D₁，D₂）≥0成立，當△（D₁，D₂）=0時，有且僅有D₁=D₂；

△（D₁，D₂）≤△（D₁，D₂）+△（D₂，D₃）；

定義電梯參數偏離度：

（1/ P（D））為電梯參數閾值；

定義電梯參數平均偏離程度為：

步驟三，調取M個時間點的電梯參數集Q，作為訓練數據集，則將M時刻電梯的同一機構作為一N維的電梯參數向量，可表示為：

則該訓練數據集應當為的矩陣形式；具體形式如下：

配置電梯參數權重矩陣U與偏離矩陣L；

（5）

其中，為第k維的電梯參數權重矩陣，值服從均值為0，且標準差為0.1的正態分布；

為第k維的偏置，初始化為常數值0.1；

預設電梯參數權重矩陣服從均值為0，且方差為0.1的正態分布；

電梯參數權重矩陣的分布是一個接近于0的數，使得神經元處于非飽和的狀態;基于ReLU的非線性，將電梯參數偏置值預設為常數值0.1，使ReLU單元在初始狀態激活觸發，實現獲得和傳播梯度值；

步驟四：構建多層卷積神經網絡的模型；

構建神經網絡卷積層和池化層，卷積層與池化層將電梯參數特征縮小，且特征抽取器連接電梯參數分類器，分類器包括：多層感知機構；

在電梯參數特征抽取器末端，系統將電梯參數特征展開，形成一個特征向量，將所述特征向量輸入至分類器；

分類器使用softmax邏輯回歸模型給不同的電梯參數對象分配概率；

softmax邏輯回歸模型分配方式包括：

為了獲取每個電梯參數屬于哪一故障類別的屬性Z，對電梯參數進行加權求和；

如果電梯參數不屬于當前所屬類別，則所述電梯參數權值為負數；

如果電梯參數不屬于當前所屬類別，則所述電梯參數權值為正數；

對于獲取的電梯參數D代表故障類型的屬性Z表示為：

（7）

其中，代表故障類型i的偏置，j代表給定數據電梯參數D的指標索引用于指標求和;

用softmax邏輯回歸模型將證據轉換成概率G：

softmax邏輯回歸模型定義的線性函數的輸出轉換成預設格式，即為關于多個故障類別的概率分布；系統獲取一電梯參數集或電梯參數，對于每一類故障的吻合度可以被softmax邏輯回歸模型轉換成為一個概率值；

softmax邏輯回歸模型定義如下：

步驟五：對電梯參數進行故障預測；

根據如下模型，對電梯參數進行故障預測；

其中U，L均是訓練得到的模型參數。