一种基于声音信号的电梯控制柜故障诊断方法与流程

本发明涉及电梯，尤其是涉及一种基于声音信号的电梯控制柜故障诊断方法。

背景技术：

1、电梯控制柜是电梯系统中一个非常重要的部件，能够起到收集电梯内部各按钮、传感器的信息，判断电梯状态控制柜的稳定运作，对电梯系统的安全运行起到了非常重要的作用。控制柜一般放在机房内，由金属框架及螺栓拼装组成，内有控制主板、继电器、变压器、线路以及其他元器件等。电梯控制柜故障按类型分为控制系统故障、电气元件故障、机械结构误动故障等。传统的对于电梯控制柜的故障诊断方法多是基于维保人员的经验，由于控制柜内元器件、线路繁多复杂，以及在线路故障时易发生触电危险，依靠经验对电梯控制柜进行故障诊断既没有时效性、有一定危险，且其诊断结果也未必合理可靠。为了改进这方面问题，现有的诊断方法通过在电梯控制柜的电路中连入相应的传感器进行电流、电压、振动数据等的采集，并根据这些采集的数据判断故障情况；但是这种方式需要在控制柜内连入多种元器件，增加了线路的复杂程度，还需要判断接入的传感器线路是否正确，任何一个传感器数据的采集错误都会影响最终的故障诊断结果的可靠性，不利于提高控制柜的故障维修效率。

2、在中国专利文献上公开的“一种控制柜智能故障诊断系统及故障诊断方法”，其公开号为cn110231529a，公开日期为2019-09-13，所述控制柜智能故障诊断系统由振动传感器、温度变送器、电流变送器、电压变送器、数据采集卡、工控机、显示装置、报警装置、接线端子排、故障诊断软件、振动采样电阻、温度采样电阻、电流采样电阻、电压采样电阻、电源组成；在控制柜工作过程中，通过采集其振动、温度、电流、电压参数，实现控制柜的故障状态检测，从而判断控制柜是否为健康状态或者变压器短路故障、变频器输入缺相故障、变频器输出缺相故障、继电器跳动故障、变压器扰动温升故障中的某一类故障。但是该技术中需要的传感器种类和数量繁多，接入控制柜电路中会使得线路更加复杂，并且传感器数量越多因为各种原因个发生的数据采集故障概率越高，且不同种类数据采集的结果也会存在差异，使得最终的故障诊断结果的可靠性受到较大的影响，不利于提高控制柜的故障维修效率。

技术实现思路

1、本发明是为了克服现有技术中进行电梯控制柜故障诊断方法的最终故障诊断结果可靠性不足，不利于提高控制柜的故障维修效率的问题，提供了一种基于声音信号的电梯控制柜故障诊断方法，根据不同故障类型产生的声音信号的差异，提取相应的信号特征与故障对应组合并构建神经网络模型进行训练得到最终的故障诊断模型，利用故障诊断模型对电梯控制柜发出的声音信号进行故障诊断，只需要采集声音信号进行判断，影响诊断结果的因素少使得故障诊断结果更加可靠，利于提高控制柜的故障维修效率。

2、为了实现上述目的，本发明采用以下技术方案：

3、一种基于声音信号的电梯控制柜故障诊断方法，包括：

4、采集电梯控制柜正常运行以及不同故障类型情况下的声音信号；

5、采用欠定盲源分离法对声音信号进行分解，对分解后的声音信号按照故障类型进行分类标记；对分解后的声音信号进行预处理后提取信号特征，建立故障声音特征数据库；

6、构建pso-bp神经网络模型并通过故障声音特征数据库进行训练得到故障诊断模型，利用故障诊断模型进行电梯控制柜的故障诊断。

7、本发明中通过分析控制柜各故障机理可知，在发生故障时相关设备运行时的声音信号会发生变化，声音信号中蕴含着丰富的特征量，这是凭借人工经验无法分辨的，依据声音信号不同的特征，可识别出控制柜中不同元器件的故障，有利于提前准备好相关维修措施，提高维修效率；仅通过声音信号的采集来进行故障诊断可以减少影响诊断结果的因素，从而提升故障诊断结果的可靠性；通过声音信号来进行故障诊断也可避免人员直接接触控制柜，在一定程度上降低了危险性；在本发明中只需要在控制柜内安装声压传感器或将其集成到控制板上即可，相比于现有技术中添加各种电压、电流、振动等传感器的方法更加节约控制柜内的空间，也不会改动控制柜内的线路。

8、作为优选，所述对声音信号进行分解的过程包括：

9、对于声音信号采用s变换后进行均值聚类估算出源信号个数和混叠矩阵；

10、将混叠矩阵由对角矩阵和0矩阵组合表示后，通过零空间形式表达源信号；

11、通过最大似然估计法估计源信号的后验概率，恢复出声音信号中的源信号。

12、本发明中在控制柜内只安装声压传感器，其数量根据情况一般为一个或两个，但是控制柜内各个部件的数量繁多，从而使得声音的源信号数量大于采集到的声音信号数量，所以需要将声音信号进行分解，将有多个源信号混合成的声音信号重新恢复成原有的源信号。

13、作为优选，对分解后的声音信号进行预处理后提取信号特征的过程包括：

14、使用多贝西小波系对分解后的声音信号进行小波去噪处理；

15、对去噪后的声音信号采用切比雪夫低通滤波滤除高频干扰，完成分解后的声音信号的预处理；对预处理后的声音信号提取其梅尔倒谱系数作为信号特征。

16、本发明中分解后的声音信号即为若干个源信号，对这些源信号进行预处理和信号特征提取；预处理中先进行小波去噪去除声音信号中的白噪声，从而降低底噪提升声音质量；在正常运行时，电梯控制柜内也会产生大量无关的电磁噪声，而电磁噪声的频段集中在高频段，因此再通过低通滤波滤除高频干扰后进行信号特征的提取。

17、作为优选，声音信号x(t)和源信号s(t)之间可以表示为x(t)＝as(t)，其中a为混叠矩阵；混叠矩阵a＝[λ 0m·(n-m)]由一个m阶对角矩阵λ和m·(n-m)维的0矩阵组成，m为声音信号个数，n为源信号个数；

18、源信号的零空间形式表达为s＝a#x+v2r，其中v2代表a的零空间，r为s的后n-m个值组成的n-m维列向量；v和u为混叠矩阵进行奇异值分解后的表达a＝u[λ 0m·(n-m)]v。

19、本发明中是在混叠矩阵和源信号个数都通过s变换和聚类分析后已知的情况下，从声音信号得到源信号的估计方法，通过零空间形式对源信号进行表达，在混叠矩阵已知的情况下，只需要估计n-m个r的值就相当于完成了n个源信号s的估计，更利于后续从声音信号后中恢复出源信号。

20、作为优选，所述恢复出声音信号中源信号的过程包括：

21、将源信号的概率密度函数表达为

22、

23、其中σ为源信号的方差，γ(·)为gamma函数，β为调整函数模型的参数；

24、对于参数向量q＝[σ1，σ2，...，σn，β1，β2，...，βn]t，构造其先验似然函数并通过最大似然估计法得到q的结果；

25、计算关于r的后验概率均值，r为零空间表达的源信号中的r的分布序列，以计算出的r的后验概率均值和参数向量q代入源信号的零空间表达式中得到源信号的估计值。

26、本发明中为了能同时分离服从任意分布的源信号，选取了具有对称单峰分布特性的广义高斯模型作为源信号的概率密度，通过调节β的值可以得到不同的分布函数模型；在此基础上通过最大似然估计法得到参数向量q的结果以及关于r的后验概率均值，从而得到源信号的估计值完成源信号的恢复。

27、作为优选，所述混叠矩阵的第i列向量为

28、

29、其中n为s变换后进行模糊c均值聚类得到的聚类数目，即源信号个数；为属于ci聚类的成员个数；为属于ci聚类的成员时频点(t，k)的集合，xs(t，k)为声音信号的s变换结果，re[·]为取实部运算。

30、本发明中首先对声音信号进行s变换，s变换不同于短时傅里叶变换之处在于它的窗函数的高度和宽度随频率而变化，克服了短时傅里叶变换窗口高度和宽度固定的缺陷；此外在完成s变换后由于源信号数量是未知的，因此需要采用聚类技术来确定源信号的个数；采用模糊c聚类后对不同的c的聚类结果进行评估得到最优聚类数即为源信号个数；在确定了源信号个数后混叠矩阵根据最优聚类下的元素进行估算得到。

31、作为优选，对预处理后的声音信号提取其梅尔倒谱系数作为信号特征的过程包括：对预处理后的声音信号做短时傅里叶变换得到频谱并进一步转换为功率谱；

32、构造梅尔滤波器组，将功率谱通过梅尔滤波器组，并计算每个梅尔滤波器输出的对数能量；对对数能量进行离散余弦变换得到梅尔倒谱系数。

33、本发明中梅尔倒谱系数是在mel标度频率域提取出来的倒谱参数，mel标度描述了人耳频率的非线性特性；采用梅尔滤波器的目的在于对频谱进行平滑化，并消除谐波的作用，突显原先声音信号的共振峰，其输出结果不受声音音调高低的影响；对对数能量进行离散余弦变换得到梅尔倒谱系数只反映了静态特征，可以通过静态特征的差分谱来获得声音的动态特征，通过静态和动态特征的结合来提高信号特征提取的性能。

34、作为优选，所述得到故障诊断模型的过程包括：

35、对bp神经网络进行参数初始化并确定输入层、隐含层和输出层的节点数；

36、建立种群粒子与bp神经网络之间的映射关系；

37、通过pso算法计算得到种群最优解，并映射回bp神经网络作为权值和阈值；

38、通过故障声音特征数据库对更新后的bp神经网络进行训练得到故障诊断模型。

39、本发明中在完成训练得到故障诊断模型后还可以采用准确率、精确率和召回率来评价模型的性能，准确率为识别正确的样本与所有统计样本之比；精确率为所有被识别为正样本与实际正样本之比；召回率为所有被预测为正样本与实际正样本之比。

40、本发明具有如下有益效果：根据不同故障类型产生的声音信号的差异，提取相应的信号特征与故障对应组合并构建神经网络模型进行训练得到最终的故障诊断模型，利用故障诊断模型对电梯控制柜发出的声音信号进行故障诊断，不需要在控制柜原有的线路中进行改动接入，只需要采集声音信号进行判断，影响诊断结果的因素少使得故障诊断结果更加可靠，利于提高控制柜的故障维修效率。