基于深度學習的電梯故障預警研究與應用

蘭州資源環(huán)境職業(yè)技術學院 車明浪 楊添璽

準確可靠快速的故障預警方法是電梯安全運行的關鍵。針對電梯故障預警問題，為有效預防和減少電梯安全隱患，本文所提CKFRBF預測方法具有更精確的預測結(jié)果和更短的預測時間。對于電梯及相關特種設備的故障預警系統(tǒng)的設計與開發(fā)具有一定的參考意義。

隨著我國經(jīng)濟的快速發(fā)展和城鎮(zhèn)化水平的不斷提高，樓房的高層化和現(xiàn)代化的大幅度提升，作為高層建筑中應用最廣泛的主要的垂直交通工具，電梯的數(shù)量與需求增加迅猛。然而，電梯事故的頻繁發(fā)生，對人們的日常使用產(chǎn)生很大的影響，更是對人們的生命安全構成了一種威脅。如何準確可靠快速的對電梯故障進行預警具有非常重要的意義。

針對相關故障及預警問題，相關的新方法新技術相繼產(chǎn)生。除了進行實時監(jiān)控，還可以提前預知電梯故障并為維保人員提供決策建議，加快電梯維修進度。由此可見，基于深度學習的神經(jīng)網(wǎng)絡方法以其預測精度高、具有較強的非線性映射能力等優(yōu)點在電梯故障預警中體現(xiàn)出很好的效果，為電梯故障預警提供了新思路新方法。本文為進一步提高電梯故障預警的效率和精確率，提出了一種容積卡爾曼濾波（CKF）輔助優(yōu)化徑向基神經(jīng)網(wǎng)絡（RBF）的電梯故障預警方法。

1 電梯系統(tǒng)故障預警方法需求分析

電梯故障因素分析及預警是通過對大量的電梯故障歷史信息進行統(tǒng)計分析，得到監(jiān)管者所關心的電梯故障的發(fā)生情況，從而為電梯監(jiān)管者管理電梯安全提供輔助信息?；谏疃葘W習的電梯故障預警方法關鍵在于精準快速預測,其通過各類相關傳感器收集電梯的基本運行數(shù)據(jù)以及核心部件的狀態(tài)數(shù)據(jù)，對收集到的數(shù)據(jù)進行處理和存儲，建立神經(jīng)網(wǎng)絡預測模型，并通過不斷地訓練優(yōu)化讓模型變得更加精確，從而達到電梯故障預警的目的。根據(jù)各個電梯之間的相似性，預測出電梯可能發(fā)生故障的類型，進而故障預警，所以對于相關系統(tǒng)，故障預警算法應能實現(xiàn)以下功能：（1）通過對電梯故障數(shù)據(jù)進行分析，對電梯最有可能發(fā)生故障的類型進行預警；（2）對故障診斷，快速可靠準確的確定故障原因。因此本文討論的重點是如何通過神經(jīng)網(wǎng)絡方法來實現(xiàn)電梯預警。

2 基于RBF神經(jīng)網(wǎng)絡的電梯故障預測方法

RBF是一個前饋網(wǎng)絡，包含一個輸入層、一個隱含層和一個輸出層。其訓練過程可以概括為兩個步驟，首先確定隱含層中使用的RBF特征，然后確定輸出神經(jīng)元的權重。在隱含層中，通過改變權值和偏差來減小位置和速度的預測誤差。在輸出層，預測信息通過隱含層轉(zhuǎn)發(fā)到輸出層的節(jié)點，由輸出層計算隱含神經(jīng)元的線性和。該網(wǎng)絡能夠較為準確的預測出運行中系統(tǒng)中出現(xiàn)的故障。圖1為RBF神經(jīng)網(wǎng)絡模型結(jié)構。

圖1 RBF神經(jīng)網(wǎng)絡模型

在這里,用一個在RBF中高斯函數(shù)作為隱藏層的激活函數(shù)來進行計算：

RBF的預測輸出為RBF的線性和：

其中y是RBF的輸出，為每個神經(jīng)元i的權重，為基函數(shù)向量，o為網(wǎng)絡輸出單元數(shù)。

3 所提CKF輔助優(yōu)化RBF神經(jīng)網(wǎng)絡的電梯故障預測方法

3.1 CKF算法

CKF算法的基本原理是利用三階球相容積法則來逼近非線性函數(shù)的后驗均值和協(xié)方差，同時，利用容積點進行數(shù)值計算積分。因此，容積點的權重為正，計算成本較低。該算法分為時間更新和量測更新兩部分。

（1）時間更新

計算方差和容積點的平方根：

如：

對任意函數(shù)f(x)，將容積點代入可得估計值：

其中ωi表示隨機權重，并且。

（2）量測更新

計算更新量測時，需要確定當前時刻的容積點：

然后，得到容積點對應的輸出值：

相關的協(xié)方差：

獲得k時刻狀態(tài)誤差的濾波增益、狀態(tài)估計和協(xié)方差估計：

3.2 CKF-RBF預測方法

單一的RBF神經(jīng)網(wǎng)絡在進行訓練時很難選擇最優(yōu)的內(nèi)部結(jié)構（具有適當?shù)碾[藏層權重和每層神經(jīng)元的數(shù)量），并且容易出現(xiàn)過擬合欠擬合現(xiàn)象，導致預測結(jié)果出現(xiàn)較大的誤差，這是所有神經(jīng)網(wǎng)絡的共有缺陷。本節(jié)針對這一問題，提出一種利用CKF輔助RBF的方法，在RBF訓練過程中需要調(diào)整隱含層和輸出層的權值，設計CKF作為RBF本身的輸出層的權重優(yōu)化的優(yōu)化器并將RBF輸出層產(chǎn)生的網(wǎng)絡誤差最小化，而隱藏層的權重則采用標準的RBF來計算；同時，對相關參數(shù)進行優(yōu)化，能在一定程度上解決神經(jīng)網(wǎng)絡的梯度爆炸問題，減小計算成本。所提CKF-RBF的結(jié)構如圖2所示。

圖2 所提CKF-RBF算法結(jié)構

假設連接到節(jié)點k的輸出層的權值為狀態(tài)向量，節(jié)點k的輸出結(jié)果為測量向量。節(jié)點k處的狀態(tài)空間和測量方程可以表示為：

假設yk(t+1)=ykd(t+1)，這表明節(jié)點k在t+1時刻的期望輸出等于t+1時刻的量測值。根據(jù)最小化預測輸出和測量輸出的殘差的原則，可以建立性能指標函數(shù)為：

式中，wk(t)是在訓練迭代t時，連接到輸出層的節(jié)點k的權向量；G(wk(t))是模型誤差的攝動矩陣；Dk(t)是在訓練迭代t時連接到輸出層節(jié)點k的模型誤差向量；A為半正定模型誤差加權矩陣，ykd(t)是訓練迭代t時的測量輸出；和分別為估計權值輸出層和輸出節(jié)點k在訓練迭代t時的預測；xj(t)隱含神經(jīng)元在迭代t時的輸出；為非線性函數(shù)。

當性能指標函數(shù)J取最小值時，利用式(18)可以得到模型誤差估計：

只考慮節(jié)點k的權值更新條件，度量維度(m=1)，則為：

當測量向量維數(shù)m=1時，為常數(shù)并可計算為：

表1 RBF神經(jīng)網(wǎng)絡預測模型預測結(jié)果 (實驗方案A)

表2 CKF輔助優(yōu)化的RBF神經(jīng)網(wǎng)絡預測模型預測結(jié)果 (實驗方案A)

表3 RBF與CKF優(yōu)化的神經(jīng)網(wǎng)絡預測模型均方誤差、訓練次數(shù)和預測時間對比 (實驗方案A)

表4 RBF神經(jīng)網(wǎng)絡預測模型預測結(jié)果 (實驗方案B)

式中，gj表示G的第j列j=1,2,...,q。利用式(19)所計算的模型誤差對非線性系統(tǒng)模型進行校正，得到包含模型誤差的新的權值預測估計為：

式(25)表明CKF-RBF可以在CKF的預測步驟中自適應地提高狀態(tài)估計誤差。

表5 CKF輔助優(yōu)化的RBF神經(jīng)網(wǎng)絡預測模型預測結(jié)果 (實驗方案B)

表6 RBF與CKF優(yōu)化的神經(jīng)網(wǎng)絡預測模型均方誤差、訓練次數(shù)和預測時間對比 (實驗方案B)

4 實驗驗證

實驗數(shù)據(jù)選取自電梯運行監(jiān)控預警系統(tǒng)的數(shù)據(jù)收集模塊獲取到的電梯運行參數(shù)數(shù)據(jù)集，共3658條。其中，2658條作為預測模型實驗訓練輸入數(shù)據(jù)，其他的1000條作為實驗測試輸入數(shù)據(jù)。每條數(shù)據(jù)包含10個輸入變量，這10個輸入變量是從電梯眾多運行參數(shù)中選擇的10個對預測結(jié)果影響較大的主要特征，包括：電梯運行時間、電梯運行速度、電梯運行方向、電梯轎廂噪聲、井道噪聲等特征參數(shù)，設置為X1,X2,...,X9,X10。在選擇輸出參數(shù)時，選取數(shù)據(jù)集中發(fā)生次數(shù)較多的四種故障類型作為預測模型的輸出，分別為：電梯沖頂故障、電梯蹲底故障、電梯運行超速故障和電梯運行時間超長故障，設置為Y1,Y2,Y3,Y4。選擇現(xiàn)有的標準RBF神經(jīng)網(wǎng)絡算法與本文所提的CKF輔助RBF神經(jīng)網(wǎng)絡的方法進行預測模型對比實驗。因選取的輸入數(shù)據(jù)為10個維度的參數(shù)，故神經(jīng)網(wǎng)絡模型輸入層神經(jīng)元節(jié)點個數(shù)為10；訓練數(shù)據(jù)的輸出含有4個維度的特征參數(shù)，故模型輸出層神經(jīng)元節(jié)點個數(shù)為4；隱含層神經(jīng)元節(jié)點的個數(shù)則由算法訓練優(yōu)化決定，CKF輔助優(yōu)化的RBF神經(jīng)網(wǎng)絡則是采用圖2中的算法步驟進行結(jié)構調(diào)整優(yōu)化。為了驗證所提方法的有效性和先進性，設計了兩種對比實驗方案：方案A：利用全部的2658條訓練數(shù)據(jù)對兩種方法進行訓練，即在訓練樣本充足的情況下進行訓練，比較兩種預測方法的預測精度；方案B：在總訓練樣本中選取三分之一的樣本作為實驗中的訓練樣本，即在訓練樣本不足的情況下進行訓練，比較兩種預測方法的預測精度。實驗方案A中兩種預測方法的對比試驗結(jié)果如表1和表2所示，表3為兩種算法預測均方誤差、訓練次數(shù)和預測時間的對比。實驗方案B中兩種預測方法的對比試驗結(jié)果如表4和表5所示，表6為兩種算法預測均方誤差、訓練次數(shù)和預測時間的對比。

通過表1和表2的按照實驗方案A進行實驗的兩種神經(jīng)網(wǎng)絡模型預測結(jié)果對比可知，在訓練樣本充足的情況下，兩種預測模型的準確度都比較高，可較為準確的預測出故障的發(fā)生，表明RBF神經(jīng)網(wǎng)絡算法在電梯故障預測領域的可行性，并且利用CKF優(yōu)化的RBF神將網(wǎng)絡模型的預測精度稍高。而通過表3的對比實驗結(jié)果表明，利用CKF優(yōu)化的RBF神經(jīng)網(wǎng)絡模型較標準的單一RBF神經(jīng)網(wǎng)絡模型在預測準確性和算法收斂速度上都有較好的提升。

通過表4和表5的按照實驗B進行實驗的兩種神經(jīng)網(wǎng)絡模型預測結(jié)果對比可以看出，在訓練樣本較少的情況下，本文所提的利用CKF優(yōu)化的RBF神經(jīng)網(wǎng)絡模型的優(yōu)勢更為明顯；而通過表6的對比實驗結(jié)果可以看出，在訓練樣本較少的情況下，利用CKF優(yōu)化的RBF神經(jīng)網(wǎng)絡模型無論在預測精度、算法收斂速度上，還是在預測時間上，都遠優(yōu)于標準的單一RBF神經(jīng)網(wǎng)絡模型。

結(jié)論：本文基于深度學習提出了一種CKF輔助優(yōu)化RBF神經(jīng)網(wǎng)絡的電梯故障預警方法，利用CKF的優(yōu)點來優(yōu)化調(diào)整RBF神經(jīng)網(wǎng)絡模型的結(jié)構和參數(shù)，有效的避免了單一神經(jīng)網(wǎng)絡過擬合欠擬合不穩(wěn)定的缺點，提高了故障預警的精度和效率，具有一定的參考價值和實際工程意義。