[發(fā)明專利]一種基于振動特征增強的扶梯驅(qū)動鏈故障診斷方法

有效

• 申請?zhí)枺?/td>: 202210562832.7
• 申請日: 2022-05-23
• 公開（公告）號: CN114873425B
• 公開（公告）日: 2023-06-23
• 發(fā)明（設(shè)計）人: 裘樂淼;張煌;王自立;楊高鵬;張樹有
• 申請（專利權(quán)）人: 浙江大學
• 主分類號: B66B29/00
• 分類號: B66B29/00;G06F30/27;G06F17/10;G01H17/00
• 代理公司: 杭州求是專利事務(wù)所有限公司 33200
• 代理人: 林超

本發(fā)明公開了一種基于振動特征增強的扶梯驅(qū)動鏈故障診斷方法。方法包括：步驟1：采集驅(qū)動鏈的振動信號。步驟2：利用振動特征增強方法對驅(qū)動鏈的振動信號進行增強，獲得放大故障特征，接著對放大故障特征輸入到故障分類模型中進行判別；步驟3：當故障分類模型的判別結(jié)果為遇到影響驅(qū)動鏈運行的故障時，則進行預警。本發(fā)明將振動信號進行特征增強后獲得放大故障特征，根據(jù)放大故障特征能夠?qū)Ψ鎏蒡?qū)動鏈進行及時的故障診斷，能夠及時對扶梯進行維護，減少維修成本。

技術(shù)領(lǐng)域

本發(fā)明屬于扶梯領(lǐng)域的一種扶梯故障檢測方法，尤其涉及一種基于振動特征增強的扶梯驅(qū)動鏈故障診斷方法。

背景技術(shù)

根據(jù)GB/T?20900-2007《電梯、自動扶梯和自動人行道風險評估和降低的方法》中關(guān)于電梯風險評估的原則與程序?qū)﹄姺鎏莸尿?qū)動裝置進行風險判別。驅(qū)動鏈輪帶動驅(qū)動鏈運轉(zhuǎn)從而帶動梯級鏈輪控制梯級鏈與梯級運作，因此驅(qū)動鏈可以認為是驅(qū)動裝置中的核心組成部分。

自動扶梯作為公共場合最常見的設(shè)備之一與人們出行安全息息相關(guān)，而其安全事故大多是由于自動扶梯零部件的疲勞失效、斷裂等原因造成的。在自動扶梯事故的統(tǒng)計中由于扶梯零部件出現(xiàn)故障而造成的事故大約占了51％，而這其中的原因大多是因為驅(qū)動鏈條，梯級鏈與梯級發(fā)生故障。此等由于扶梯出現(xiàn)零部件故障而對群眾生命造成威脅的事情一旦發(fā)生必然會造成重大的損失。而驅(qū)動鏈作為扶梯部件中最重要的組成部分往往在運行中難以針對其運行狀況進行判別導致事故難以防范，且由于實際應(yīng)用中噪聲大，往往缺陷引起的故障振動會淹沒在噪聲中導致故障難以判定。因此，需要一種方法可以對缺陷故障特征進行加強，這對驅(qū)動鏈條振動狀態(tài)檢測和故障診斷尤為重要。

發(fā)明內(nèi)容

本發(fā)明旨在解決上述所提及的問題，針對扶梯中的驅(qū)動鏈進行故障分析提供了一種基于振動特征增強的扶梯驅(qū)動鏈故障診斷方法，在扶梯運行過程中驅(qū)動鏈會出現(xiàn)鏈輪磨損，鏈條滾子磨損等不同故障類型情況從而產(chǎn)生不同的信號，通過對加速度傳感器傳輸?shù)牟煌收项愋托盘栠M行處理，提取不同故障類型信號的特征并通過神經(jīng)網(wǎng)絡(luò)對故障類型進行判別，從而將故障信息反映給預警系統(tǒng)及時對驅(qū)動裝置進行故障預警，從而提前防止事故的發(fā)生，避免造成損失。

本發(fā)明是通過以下技術(shù)方案實現(xiàn)的：

本發(fā)明包括以下步驟：

步驟1：采集驅(qū)動鏈的振動信號。

步驟2：利用振動特征增強方法對驅(qū)動鏈的振動信號進行增強，獲得放大故障特征，接著對放大故障特征輸入到故障分類模型中進行判別；

步驟3：當故障分類模型的判別結(jié)果為正常時，則不處理；否則，則根據(jù)判別結(jié)果進行預警。

所述步驟2中利用振動特征增強方法對驅(qū)動鏈的振動信號進行增強，獲得放大故障特征，具體為：

S1：利用變分分解法對振動信號進行模態(tài)分解，獲得對應(yīng)的多個模態(tài)，接著將多個模態(tài)中的第一個模態(tài)去除后對剩余模態(tài)進行重構(gòu)，獲得重構(gòu)后的振動信號；

S2：對重構(gòu)后的振動信號進行S變換，獲得特征矩陣，從特征矩陣中提取時、頻域和時頻域特征作為多個待篩選特征，根據(jù)主成分分析計算各個待選擇特征的累計貢獻率，篩選獲得累計貢獻率大于預設(shè)閾值的待篩選特征并記為待拼接特征；

S3：各個待拼接特征進行一維拼接后，獲得拼接后的特征，再利用格拉姆角場對拼接后的特征進行二維轉(zhuǎn)換，獲得特征圖，將特征圖作為放大故障特征。

所述步驟2中的故障分類模型為卷積神經(jīng)網(wǎng)絡(luò)。

所述卷積神經(jīng)網(wǎng)絡(luò)中的激活層的激活函數(shù)為ReLU。

所述卷積神經(jīng)網(wǎng)絡(luò)中的池化層采取最大池化操作。

與現(xiàn)有技術(shù)相比，本發(fā)明具備以下有益效果：