[發(fā)明專利]基于門控循環(huán)網(wǎng)絡(luò)和典型相關(guān)分析的電梯故障檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110365782.9
• 申請(qǐng)日: 2021-04-06
• 公開（公告）號(hào): CN113086798B
• 公開（公告）日: 2022-02-08
• 發(fā)明（設(shè)計(jì)）人: 樊欣宇;賈麗君;李晨陽;王美蓉;李世情;許凡凡
• 申請(qǐng)（專利權(quán)）人: 中南大學(xué)
• 主分類號(hào): B66B5/00
• 分類號(hào): B66B5/00
• 代理公司: 南京眾聯(lián)專利代理有限公司 32206
• 代理人: 蔣昱

1.基于門控循環(huán)網(wǎng)絡(luò)和典型相關(guān)分析的電梯故障檢測(cè)方法，其特征在于，包括以下步驟：

S1，數(shù)據(jù)采集，通過電梯電流數(shù)據(jù)采集模塊和電梯振動(dòng)數(shù)據(jù)采集模塊采集電梯牽引電機(jī)電流、制動(dòng)器電流、安全電路電流、車門電機(jī)電流數(shù)據(jù)以及縱向、橫向、垂直方向三個(gè)方向上的振動(dòng)數(shù)據(jù)，獲得用來進(jìn)行故障檢測(cè)的數(shù)據(jù)樣本，通過數(shù)據(jù)傳輸設(shè)備將采集到的數(shù)據(jù)上傳存儲(chǔ)至系統(tǒng)數(shù)據(jù)庫中；

S2，數(shù)據(jù)預(yù)處理，首先對(duì)數(shù)據(jù)進(jìn)行歸一化處理，然后對(duì)電流數(shù)據(jù)和振動(dòng)數(shù)據(jù)采用小波包多閾值去噪，對(duì)去噪后的振動(dòng)數(shù)據(jù)進(jìn)行峰值事件檢測(cè)，找到加速或減速事件的振動(dòng)數(shù)據(jù)局部最大值和最小值，之后根據(jù)預(yù)設(shè)的時(shí)間跨度生成數(shù)據(jù)集，最后進(jìn)行數(shù)據(jù)對(duì)準(zhǔn)，根據(jù)預(yù)設(shè)的時(shí)間跨度對(duì)峰值事件附近的電流數(shù)據(jù)和振動(dòng)數(shù)據(jù)進(jìn)行窗口化，將窗口化后的參考數(shù)據(jù)與檢測(cè)到的峰值事件附近的數(shù)據(jù)進(jìn)行數(shù)據(jù)對(duì)準(zhǔn)，得到數(shù)據(jù)對(duì)準(zhǔn)后的具有相同時(shí)間跨度的電流數(shù)據(jù)和振動(dòng)數(shù)據(jù)段；

S3，離線模型訓(xùn)練，進(jìn)行基于門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)和典型相關(guān)分析結(jié)合方法的離線模型訓(xùn)練，得到符合收斂性的兩個(gè)門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)模型；

S4，在線故障檢測(cè)，根據(jù)步驟一和步驟二得到經(jīng)過預(yù)處理的電梯實(shí)時(shí)電流和振動(dòng)數(shù)據(jù)，將實(shí)時(shí)數(shù)據(jù)四種電流數(shù)據(jù)輸入一號(hào)門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)，將三種振動(dòng)數(shù)據(jù)輸入二號(hào)門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)，對(duì)兩個(gè)門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)的輸出進(jìn)行典型相關(guān)分析得到相關(guān)系數(shù)，將相關(guān)系數(shù)與閾值進(jìn)行比較，超過閾值則視為發(fā)生故障。

2.根據(jù)權(quán)利要求1所述的基于門控循環(huán)網(wǎng)絡(luò)和典型相關(guān)分析的電梯故障檢測(cè)方法，其特征在于，步驟S3所述門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)包括：

建立重置門r_t和更新門z_t，基于重置門計(jì)算候選隱藏狀態(tài)基于更新門和候選隱藏狀態(tài)計(jì)算隱藏狀態(tài)h_t，重置門、更新門、候選隱藏狀態(tài)和隱藏狀態(tài)h_t的計(jì)算公式如下：

r_t＝σ(W^zx_t+V^zh_t-1+b^z)

z_t＝σ(W^rx_t+V^rh_t-1+b^r)

其中W^z,W^r,W^c,V^z,V^r,V^c,b^z,b^r是權(quán)重矩陣，通過模型訓(xùn)練調(diào)整這些權(quán)重矩陣，σ是sigmoid激活函數(shù)，x_t是當(dāng)前t時(shí)刻的輸入，h_t-1是當(dāng)前時(shí)刻之前的t-1時(shí)刻的隱藏狀態(tài)，⊙是點(diǎn)乘運(yùn)算，直接將隱藏狀態(tài)h_t作為門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)的輸出。

3.根據(jù)權(quán)利要求1所述的基于門控循環(huán)網(wǎng)絡(luò)和典型相關(guān)分析的電梯故障檢測(cè)方法，其特征在于，步驟S3中所述典型相關(guān)分析包括：

S321，將一號(hào)門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)的輸出和二號(hào)門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)的輸出進(jìn)行標(biāo)準(zhǔn)化，計(jì)算其方差Σ₁₁、Σ₂₂和協(xié)方差Σ₂₁、Σ₁₂；

S322，計(jì)算矩陣

S323，計(jì)算矩陣A和B的特征值和特征向量a和b，將A和B進(jìn)行轉(zhuǎn)化成向量，求得a和b約束條件下的矩陣A′和B′，并計(jì)算其相關(guān)系數(shù)，從而得到兩個(gè)門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)的輸出的典型相關(guān)系數(shù)。

4.根據(jù)權(quán)利要求1所述的基于門控循環(huán)網(wǎng)絡(luò)和典型相關(guān)分析的電梯故障檢測(cè)方法，其特征在于，步驟S3中所述離線模型訓(xùn)練具體包括：

將正常運(yùn)行的四種電流數(shù)據(jù)作為一號(hào)數(shù)據(jù)集，將正常運(yùn)行的三種振動(dòng)數(shù)據(jù)作為二號(hào)數(shù)據(jù)集，構(gòu)建對(duì)應(yīng)一號(hào)數(shù)據(jù)集的一號(hào)門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)和對(duì)應(yīng)二號(hào)數(shù)據(jù)集的二號(hào)門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)，兩個(gè)網(wǎng)絡(luò)具有相同的輸出數(shù)據(jù)長度；采用典型相關(guān)分析方法來計(jì)算一號(hào)門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)的輸出和二號(hào)門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)的輸出之間的相關(guān)系數(shù)；根據(jù)相關(guān)系數(shù)訓(xùn)練一號(hào)、二號(hào)門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)，使相關(guān)系數(shù)最大；用所有離線訓(xùn)練集數(shù)據(jù)訓(xùn)練兩個(gè)門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)。