一种基于多传感器数据输入的电扶梯故障诊断方法

本发明涉及故障诊断领域，尤其涉及一种基于多传感器数据输入的电扶梯故障诊断方法。

背景技术：

1、随着城市化进程的加速和公共设施的不断完善，电扶梯作为一种重要的垂直运输工具，在各大商场、地铁站、机场等公共场所得到了广泛应用，然而，电扶梯的故障问题也随之而来，给公共安全带来了一定的威胁，为了确保电扶梯的安全运行，及时有效地进行故障诊断显得尤为重要，在此背景下，对于电扶梯故障诊断技术的研发和应用显得尤为重要。

2、在现有研究背景下，电扶梯诊断由于物理结构复杂，故障种类繁多，现有的故障诊断方法往往只利用电扶梯某些部位或者某种数据进行诊断，不能充分的利用电扶梯各部位各种类型的关键信息，并且电扶梯运行时故障的发生率较小，因此存在故障类别信号丰富度不足等问题，此外由于缺少实际故障数据，现有的基于深度学习的故障诊断方法都重在根据已有的实验室故障信号数据以及模拟数据来进行网络训练以提升故障诊断的准确率，没有利用电扶梯实际运行的实时数据，并且由于电扶梯结构复杂且运行工况多样，环境噪声较大，各部位存在一定的相互影响，将使用模拟数据所训练出的诊断网络应用在实际状况下往往不能达到预期效果。

3、因此提出一种能够利用电扶梯大量的信号数据、能够扩充电扶梯故障类别信号丰富度、对电扶梯的故障实现准确识别并且能够利用电扶梯不断采集的新的实时数据实现电扶梯故障诊断准确率的不断提高的故障诊断方法具有重要意义。

技术实现思路

1、针对以上问题，本发明提供的一种基于多传感器数据输入的电扶梯故障诊断方法采用如下的技术方案：

2、s1，电扶梯原始数据的采集：使用四个振动温度传感器分别采集涨紧轮轴承座水平振动数据 α1( t)、电机轴承座水平振动数据 α2( t)、减速箱轴承座垂直振动数据 α3( t)、减速箱底座垂直振动数据 α4( t)，以及四个部位的温度 β1( t)、 β2( t)、 β3( t)、 β4( t)，使用一个应力温度传感器采集梯级链张紧弹簧位移数据 α5( t)，以及该部位的温度 β5( t)，使用一个噪声传感器采集驱动主轴噪声数据 γ( t)，并进行分块保存，并将数据汇合起来 x( t)={ α( t), β( t), γ( t)},其中 α( t)={ α1( t), α2( t), α2( t),  α4( t), α5( t)}, β( t)={ β1( t), β2( t), β3( t), β4( t), β5( t),}，用于为后续步骤提供数据；

3、s2，数据预处理：对获取的电扶梯各部位传感器所采集数据所进行的预处理，其有三个步骤：

4、s2.1，数据清洗：将采集而来的原始信号 x( t)={ α( t), β( t), γ( t)}，进行数据清洗，将传感器异常时所采集的错误值进行清除，得到清洗后的数据 x ′( t)={ α '( t), β '( t), γ '( t)}；

5、s2.2，改进小波阈值函数去噪，其有四个步骤：

6、s2.2.1，将经过数据清洗后的信号 x ′( t)={ α '( t), β '( t), γ '( t)}进行小波变化多尺度分解，得到高频系数组 h={ h1, h2, h3,…, hi}和低频系数组 d={ d1, d2, d3,…, di},i为数据的分解层数；

7、s2.2.2，利用改进小波阈值函数对分解后的高频系数组进行处理，对于传统的软阈值处理与硬阈值处理函数，本发明使用一种新的改进阈值函数：

8、, h为小波系数， hs为处理后的小波系数， λ为阈值， d为一个可变数值，sign为符号函数，这个阈值函数会随着 d的变化而变化，并且使用了一种新的改进阈值公式：， j为分解尺度，nj为第j层高频系数，σ为噪声标准偏差，可知阈值λ是可变的,因在分母中增加了尺度,通过分解层数的增加,可对其进行修正；

9、s2.2.3，小波逆变换重构信号，将处理后的高频系数 h,低频系数d和小波函数通过逆小波变换重组，并使用信噪比(snr)进行性能评估；

10、s2.2.4，对参数 d进行变换优化，通过对比前一次信号质量与当前信号质量的性能评估来改进参数 d的值达到最佳降噪效果，最后输出降噪后的信号为 x ′'( t)={ α ''( t), β ''( t), γ ''( t)}；

11、s2.3，数据归一化:去噪后的信号 x ′'( t)={ α ''( t), β ''( t), γ ''( t)}进行归一化，得到 x ′''( t)={ α '''( t), β '''( t), γ '''( t)}，以消除各传感器之间量纲的差异，为后续的数据集划分以及模型训练提供帮助；

12、s3，故障数据集设置:对电扶梯的六个传感器所采集并预处理后的数据 x ′'( t)={ α ''( t), β ''( t), γ ''( t)}进行关联性分析，所采集并进行处理后的数据 α '''1( t)、 α '''2( t)、 α '''3( t)、 α '''4( t)都能监测到轴承类故障，把这四个数据通过样本拼接法融合到振动数据节点 z1以及将其对应时刻的温度数据 β '''1( t)、 β '''2( t)、 β '''3( t)、 β '''4( t) 融合到温度数据节点 t1，并把这两个节点与噪声数据节点 γ ″'( t)通过特征拼接法融合为轴承类故障的数据集 a( t)={ a1( t), a2( t),…, an( t)}，n为轴承类故障的具体故障类别数， α '''1( t)、 α '''3( t)、 α '''4( t)都能监测到齿轮类故障，把这三个数据中通过样本拼接法融合到振动数据节点 z2以及将其对应时刻的温度数据 β '''1( t)、 β '''3( t)、 β '''4( t)融合到温度数据节点 t2，并把这两个节点与噪声数据节点 γ ″'( t) 通过特征拼接法融合为齿轮类故障的数据集 b( t)={ b1( t), b2( t),…, bh( t)}，h为齿轮类故障的具体故障类别数， α '''2( t)、 α '''5( t)都能监测到梯级链类故障，把这两个数据通过样本拼接法融合到振动数据节点 z3以及将其对应时刻的温度数据 β '''2( t)、 β '''5( t)汇集到温度数据节点 t3点，并把这两个节点与噪声数据节点 γ ″'( t) 通过特征拼接法融合为梯级链类故障的数据集 e( t)={ e1( t), e2( t),…, em( t)}，m为梯级链类故障的具体故障类别数，

13、s4，故障识别与云端模型更新，其有五个步骤：

14、s4.1，将设置好的数据集传入cnn-gru故障识别模型得到识别结果；

15、s4.2，将故障数据集设置后的数据集 a( t)、 b( t)、 e( t)与将其输入cnn-gru识别模型得到的故障类别结果 y={ y1, y2, y3,…, ys},s为总的故障类别数，上传至云端；

16、s4.3，判断是否达到时间阈值k，达到则开启云端模型训练;

17、s4.4，云端模型训练，其分为六个步骤：

18、步骤一，将上传的数据集 a( t)、 b( t)、 e( t),以及由cnn-gru识别模型得到故障类别结果 y={ y1, y2, y3,…, ys}接收，s为总的故障类别数，并且以7:3的比例划分为训练集和验证集，并初始化cnn-gru模型卷积层的卷积核大小 f、个数 j以及门控循环单元(gru)的个数 u；

19、步骤二，把验证集交叉熵损失作为适应度函数， n为样本点数量，s为故障类别数， y ic为符号函数,当样本 i的真实类别等于c取1，否则取0， p ic为观测样本 i属于类别 c的预测概率，使用cfoa优化算法对cnn-gru的卷积核大小 f及个数 j以及gru的个数 u进行寻优；

20、步骤三，将划分好的数据集输入cnn-gru模型进行模型训练；

21、步骤四，判断模型准确率是否高于p，否则返回验证集交叉熵损失 l；

22、步骤五，判断是否达到最大迭代次数g,没有则重复步骤二到步骤五直到模型准确率高于p，或者达到最大迭代次数g；

23、步骤六，保存寻找到的最佳cnn-gru模型的卷积层的最优卷积核大小 f '及个数 j '以及gru的个数 u '的模型参数；

24、s4.5，模型参数更新：在云端模型训练阶段，记录当前训练的平均准确率 p now，并将此准确率与上一次模型更新时的准确率相比，当此准确率较高时，则将模型参数通过通信网络传回故障识别部分，之后结束模型训练，并将cnn-gru故障识别网络的参数更新。

25、本发明的有益效果是，采用改进小波阈值函数的信号去噪方法，将去噪后的信号使用snr进行性能评估，并根据性能评估的结果逐渐改善小波阈值函数达到了逐步提高信号的降噪效果，对于现有诊断方法没有充分利用到电扶梯的各类别信号进行故障诊断，对电梯传感器进行故障关联性分析，同时利用多个传感器的多种数据来进行电扶梯的故障诊断，对于故障识别方面，将多传感器数据输入cnn-gru网络，由cnn特征提取网络能够提取输入数据中的特征，并且使用gru故障识别网络得出最终的识别结果，并且对于电扶梯的不断采集的实际数据，采用云端模型更新的方法，将故障识别结果与数据上传云端，使用cfoa优化算法对cnn-gru网络参数进行寻优，构建最佳cnn-gru故障识别网络，提高了网络的判别准确率，并且经过多传感器数据输入后训练出的网络泛化性能良好，可以将电扶梯各个部位的故障都能准确的识别出来。