深度學(xué)習在電梯轎廂振動故障診斷中的應(yīng)用研究*

張興合，高丙朋*，陳 飛，南新元

(1.新疆大學(xué) 電氣工程學(xué)院，新疆 烏魯木齊 830001;2.新疆維吾爾自治區(qū)特種設(shè)備檢驗研究院，新疆 烏魯木齊 830001)

0 引 言

電梯異常振動是電梯故障的反映，異常振動的存在嚴重危害設(shè)備的運行安全，設(shè)備壽命和安全性能大打折扣。因此，對電梯健康進行狀態(tài)監(jiān)測和故障預(yù)測極為重要。

昆明理工大學(xué)易仕琳[1]研究了電梯的結(jié)構(gòu)、故障產(chǎn)生原因和故障診斷預(yù)測。山東大學(xué)王健[2]研究了支持向量機在電梯故障預(yù)測上的應(yīng)用。李敬偉等[3]針對導(dǎo)軌不平順作用下曳引電梯轎廂的水平方向振動，對導(dǎo)軌在不同激振頻率下電梯轎廂的動態(tài)特性原理進行了分析研究。浙江大學(xué)王志平[4]利用電梯運行特征大數(shù)據(jù)，研究了高速電梯的急停故障快速診斷。馮鑫等[5]優(yōu)化BP神經(jīng)網(wǎng)絡(luò)理論，進行了電梯故障診斷。徐金海等[6]利用振動信號時域峰值、頻域頻率值及功率譜密度和時頻域能量分布的多參數(shù)振動特征量,對電梯機械部件不同工況下的振動特性進行了研究。

由于電梯轎廂振動信號復(fù)雜，涉及因素眾多，且相互影響。以上方法都暴露出特征發(fā)掘不夠的問題。

相比人工特征，深度學(xué)習提取特征更加全面。深度學(xué)習作為機器學(xué)習領(lǐng)域的新型方法，其具有強大的特征提取能力[7-9]。將深度學(xué)習應(yīng)用在故障診斷領(lǐng)域的研究已經(jīng)逐漸引起國內(nèi)外學(xué)者的重視[10]。陳志平等[11,12]研究了大數(shù)據(jù)分析方法在電梯故障診斷與預(yù)測，最終可準確地對電梯機械系統(tǒng)故障進行診斷與預(yù)測，驗證了電梯轎廂振動信號對電梯故障診斷的可行性。

電梯承運質(zhì)量測試儀采集到的信號，包括垂直方向振動信號和水平方向振動信號。但電梯水平方向振動信號對電梯導(dǎo)向系統(tǒng)的故障以及電梯老化有較高的敏感度，而這些故障對電梯的承運安全起到?jīng)Q定性作用。

通常，電梯水平方向振動主要體現(xiàn)3種運行狀況：(1)正常運行振動對應(yīng)電梯導(dǎo)軌向系統(tǒng)正常；(2)沖擊性異常振動對應(yīng)導(dǎo)軌接頭的間隙及距離錯差或?qū)к壠矫嬗型黄鸬裙收希?3)周期性異常振動對應(yīng)滾動導(dǎo)靴的外形不規(guī)則，或者導(dǎo)輪的外圓面有突起干擾點等故障。

筆者針對電梯系統(tǒng)運行過程中故障診斷精確度不夠高的問題，和電梯轎廂振動故障診斷在卷積神經(jīng)網(wǎng)絡(luò)運用上的空白問題，研究深度學(xué)習在電梯轎廂振動故障診斷中的應(yīng)用。

1 基本原理介紹

卷積神經(jīng)網(wǎng)絡(luò)(CNN)是深度學(xué)習算法中的一種，在特征自學(xué)習分類中廣泛應(yīng)用。CNN通常包括輸入層、卷積層、池化層和最后的全連接層[13]。

卷積層是對圖像進行卷積運算，提取出圖像特征。卷積核相當于一個窗口，在輸入圖像上一個stride的大小進行平移和上下移動，當卷積核在圖像上移動一遍的時候就完成了對輸入圖像的卷積運算，即：

(1)

卷積層使用PyTorch中的conv2d,conv2d參數(shù)包括輸入通道數(shù)，輸出通道數(shù)也就是卷積核個數(shù)、卷積核尺寸、步長、填充空洞、分組和偏置。卷積層輸出的尺寸與輸入和卷積核的關(guān)系量化公式如下：

(2)

式中：Hin，Hout—卷積層的輸入輸出；p[0]—輸出層的填充值；d[0]—卷積核的空洞值；k[0]—卷積核的尺寸；stride[0]—卷積核的步進。

本文采用Relu函數(shù)作為激活函數(shù)，反向傳播過程中不會影響總體的梯度。且Relu層輸出均為正數(shù)，負半軸導(dǎo)致死神經(jīng)元。梯度大于0的時候是1也可以緩解梯度消失。

以上過程的運行為卷積神經(jīng)網(wǎng)絡(luò)的前向傳播，網(wǎng)絡(luò)訓(xùn)練主要包括參數(shù)前向傳播和誤差反向傳播。前向傳播是將頻譜圖輸入到網(wǎng)絡(luò)中，經(jīng)卷積、池化、全連接層等操作。誤差反向傳播通過計算實際故障識別結(jié)果與標簽之間的誤差，將得到的誤差值反向傳播，得到各層的誤差[14]，進而修正每層網(wǎng)絡(luò)的權(quán)值和偏置。

本研究對網(wǎng)絡(luò)權(quán)值和偏置的修正采用SGD隨機梯度下降法進行修正，梯度下降法的優(yōu)化思想是用當前位置負梯度方向作為搜索方向，即當前位置的最快下降方向，所以也被稱為是最速下降法。

簡單神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意如圖1所示。

圖1 簡單神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

圖1中，一個5層的神經(jīng)網(wǎng)絡(luò)每層包含一個神經(jīng)元，則有：

zi=xiωi+bi

(3)

hi=σ(zi)

(4)

x4=h3,x3=h2,x2=h1

(5)

式中：xi—每層輸入；bi—偏置；ωi—權(quán)重；zi—輸出；hi—激活后的輸出；σ—神經(jīng)元的激活函數(shù)。

設(shè)最終的損失函數(shù)為L，則可利用鏈式法則的反向傳播方法求L關(guān)于xi的梯度過程，即：

(6)

式中：L—最終輸出的損失函數(shù)。

2 殘差神經(jīng)網(wǎng)絡(luò)在本研究的應(yīng)用

殘差神經(jīng)網(wǎng)絡(luò)用來解決深層網(wǎng)絡(luò)效果出現(xiàn)退化的問題。在深層網(wǎng)絡(luò)中，存在梯度消失或梯度爆炸。雖然初始歸一化和中間歸一化在很大程度上解決了這一問題，但在更深層次的網(wǎng)絡(luò)上歸一化不能有效解決梯度問題。對此，學(xué)者[15]提出了Res-Net(residual neural network)，對隨著網(wǎng)絡(luò)的加深網(wǎng)絡(luò)出現(xiàn)梯度爆炸或梯度消失現(xiàn)象進行了優(yōu)化。

筆者采用由BasicBlock組成的Resnet18網(wǎng)絡(luò)模型為主體。本研究網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如表1所示。

表1 本研究網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)表

表1中，每一個BasicBlock中包含兩個卷積層，加上卷積層1和最后的全連接層共18個卷積層，是其中Resnet18的由來。

此外，在不同環(huán)境的電梯使用情況不同，所以每次采集信號都應(yīng)嚴格控制變量、測量標準。但在測量過程中會出現(xiàn)測量錯誤信號、偶然錯誤，影響測量精度和數(shù)據(jù)可信度。

在處理信號時，應(yīng)篩選掉出現(xiàn)測量錯誤和偶然錯誤信號，采用信號中間穩(wěn)定部分作為研究對象，提高研究的可參考性。

3 實驗及結(jié)果分析

3.1 信號的采集與預(yù)處理

該實驗采用新疆維吾爾自治區(qū)特種設(shè)備檢驗研究院的電梯承運質(zhì)量測試儀(由PMT公司制造的EVA-625型)，對信號進行分類標簽后，進行數(shù)據(jù)預(yù)處理，分離出水平方向振動信號和豎直方向信號。

經(jīng)過半年的特定信號采集，共采集到了185條數(shù)據(jù)，經(jīng)過篩選和數(shù)據(jù)預(yù)處理，得到153條可用數(shù)據(jù)，其中測試集15條數(shù)據(jù)，訓(xùn)練集122條數(shù)據(jù)，驗證集16條數(shù)據(jù)。預(yù)處理后的信號在不經(jīng)過連續(xù)小波變換之前，作為輸入采用傳統(tǒng)的特征工程加支持向量機方法進行診斷，統(tǒng)計診斷正確率。

筆者采用10折交叉驗證(10-fold Cross Validation,K-CV)、基于遺傳算法優(yōu)化參數(shù)的支持向量機(GA-LSSVM)和基于粒子群優(yōu)化的最小二乘法的支持向量機(PSO-LSSVM)進行了對比試驗。筆者建立了10個模型，把10個模型分類準確率的平均值作為該方法下分類器的性能指標。筆者將支持向量機的參數(shù)集用遺傳算法和粒子群算法進行了優(yōu)化，得到了參數(shù)的最優(yōu)解，避免進入局部最優(yōu)；將預(yù)處理后的信號輸入?yún)?shù)優(yōu)化的支持向量機訓(xùn)練中，得到了最終的分辨結(jié)果與深度學(xué)習方法，進行了對比。

深度學(xué)習網(wǎng)絡(luò)對電梯運行狀態(tài)分類如圖2所示。

圖2 深度學(xué)習網(wǎng)絡(luò)對電梯運行狀態(tài)分類

由圖2可見，將預(yù)處理后的數(shù)據(jù)經(jīng)過連續(xù)小波變換將一維時域振動信號變換成二維時頻信號，從頻譜特性分析得出電梯運行特征，連續(xù)小波變換在不同的尺度來滿足對細節(jié)分析的需求。

本研究流程框圖如圖3所示。

圖3 本研究流程框圖

由圖3可見，處理好的數(shù)據(jù)分為訓(xùn)練集、驗證集和測試集；訓(xùn)練集輸入網(wǎng)絡(luò)訓(xùn)練，然后對驗證集和測試集進行驗證和測試。

3.2 網(wǎng)絡(luò)訓(xùn)練

筆者將采集的實驗數(shù)據(jù)進行數(shù)據(jù)預(yù)處理，后通過連續(xù)小波變換變換成二維時頻信號進行數(shù)據(jù)增強，然后歸一化為標準數(shù)據(jù)，輸入到模型中。

在調(diào)試過程中確保網(wǎng)絡(luò)模型輸入輸出正確的同時，還要特別注意學(xué)習率(Lr)、訓(xùn)練迭代次數(shù)(Epoch)以及輸入批大小(Batchsize)等超參數(shù)的設(shè)置。

每次設(shè)置超參數(shù)，觀察對辨別精度的影響。超參數(shù)設(shè)置對網(wǎng)絡(luò)訓(xùn)練的影響如表2所示。

表2 超參數(shù)設(shè)置對網(wǎng)絡(luò)訓(xùn)練的影響

表2中，每批輸入圖片的多少影響網(wǎng)絡(luò)的訓(xùn)練精度，如果學(xué)習率初始值比較大，還是會造成過擬合。

該實驗采用深度學(xué)習網(wǎng)絡(luò)訓(xùn)練模型對電梯轎廂振動的信號進行分類，分類出電梯的不同運行狀態(tài)。

網(wǎng)絡(luò)訓(xùn)練精度和誤差曲線如圖4所示。

圖4 網(wǎng)絡(luò)訓(xùn)練精度和誤差曲線圖注：Acc value—訓(xùn)練精度；Train_acc—訓(xùn)練集精度；Vaid_acc—驗證集精度；loss value—訓(xùn)練誤差；Train_loss—訓(xùn)練集誤差；Valid_loss—驗證集誤差

由圖4可知，在120個epochs(迭代次數(shù))附近的時候，驗證集達到了100%驗證精確度，后訓(xùn)練集達到了98.68%訓(xùn)練準確度。

各模型診斷結(jié)果對比如表3所示。

表3 各模型診斷結(jié)果對比

從表3可以看出：基于Resnet的故障診斷準確率高于特征工程的分辨準確率，而且在參數(shù)設(shè)置合適的情況下，準確率上限更高；訓(xùn)練過程中可用tensorboard觀察權(quán)值數(shù)據(jù)梯度直方圖，可以明顯看出各層參數(shù)梯度在不斷集中，網(wǎng)絡(luò)訓(xùn)練過程成效顯著。

可見：深度學(xué)習網(wǎng)絡(luò)對電梯轎廂振動信號的分類精度明顯高于傳統(tǒng)機器學(xué)習算法精度，證明了電梯轎廂振動用深度學(xué)習來處理的可行性。

4 結(jié)束語

本文采用深度學(xué)習方法，針對電梯轎廂的振動進行故障診斷；電梯承運質(zhì)量檢測儀采集轎廂振動信號，將信號分離出水平振動信號，采用連續(xù)小波變換將一維時域信號變換成二維時頻信號；經(jīng)過數(shù)據(jù)預(yù)處理和數(shù)據(jù)增強輸入到深度學(xué)習神網(wǎng)絡(luò)，通過調(diào)整參數(shù)訓(xùn)練網(wǎng)絡(luò)。

實驗結(jié)果表明：該方法對故障驗證集分辨率達到了100%，訓(xùn)練集分辨率達到了98.68%，對比傳統(tǒng)機器學(xué)習故障診斷分辨率提高了3個百分點；該結(jié)果證明了深度學(xué)習在電梯轎廂振動故障診斷方面的可行性。