CN113987905A - 一种基于深度信念网络的自动扶梯制动力智能诊断系统 - Google Patents

Abstract

本发明公开一种基于深度信念网络的自动扶梯制动力智能诊断系统，包括，A．制动距离、制动器振幅以及自动扶梯技术参数的采集并将数据上传至制动性能数据库；B．深度学习建立自动扶梯制动力预估模型和建立自动扶梯制动力故障诊断模型；C．制动性能数据库对数据存储并约减；D．约减后的数据与制动力预估模型和制动力故障诊断模型对比；E．比对结果通过制动力智能诊断平台查看实时数据并预警。有益效果是，利用深度信念网络预估自动扶梯的制动力范围及从自动扶梯故障原始数据中直接提取有用故障特征并识别故障状态，能够第一时间得到制动力异常的预警和制动力故障的诊断结果，及时排查自动扶梯存在的隐患，实现智能管理，提高自动扶梯运行效率。

Description

一种基于深度信念网络的自动扶梯制动力智能诊断系统

技术领域

本发明涉及一种自动扶梯制动力检测系统；特别是涉及一种基于深度信念网络的自动扶梯制动力智能诊断系统。

背景技术

自动扶梯和自动人行道作为一种连续运输人员的专用设备，因其运行稳定、安全可靠、输送能力强、使用方便等特点而成为公共场所重要的人员运输工具，广泛应用于机场、车站、商场、超市、医院等公共场合。与此同时，由于在用量大、使用频繁、载客量多、使用环境复杂等原因，自动扶梯事故也时有发生，这些事故往往都具有涉及人员多、受伤程度重等特点，所以如何保证其安全运行，已经成为一个新的研究方向。

通过自动扶梯与自动人行道事故案例的调查分析发现，引起事故发生的主要有以下几种原因，表1事故原因及占比。

自动扶梯的逆转事故虽然不是最多的，但其危害具有群体性、社会反响强烈的特点，通常发生在满载上行的自动扶梯。造成扶梯逆转的机械故障有：驱动链断裂、梯级链断裂及工作制动器制动力矩不足。由于驱动链和梯级链设计时充分考虑了安全余量，发生断裂的概率较小，而自动扶梯在停梯时制动轮和制动闸瓦会产生摩擦，造成制动闸瓦磨损，如果保养不当就会造成制动力不足，从而会使逆转风险会大大提高。目前，在扶梯的维护保养和定期检验中，通常测量自动扶梯的制停距离来间接验证其制动能力，但制动距离包含有载荷和无载荷两种工况下的测量结果，定期检验只做空载试验，监督检验才进行有载试验，而且检验频率不高，很多的安全隐患未能在检查中得到及时发现。而且影响自动扶梯的制停距离的因素有梯级链、链轮等运动部件润滑情况、制动力性能等，单一从制动距离去评判制动力是否合格的情况有所欠缺。

现有的自动扶梯在线检测系统可实时监测、远程了解自动扶梯的使用情况和运行规律；具备一定的自动扶梯制动力预警的能力，但不能及时发现规律性的潜在风险，存在风险扩大化的危险，不具备对自动扶梯制动力的智能诊断。在“互联网”+“特种设备检测”是当前行业的大趋势下，特种设备在线监测与智能预警技术的研究在电梯领域逐渐趋于完善。因此研究一种自动扶梯制动力智能诊断系统尤为重要。

发明内容

本发明所要解决的技术问题是，提供一种能够识别制动力异常变化情况，为维保人员进行扶梯维护及修理提供技术支持，能够实时监控、数据统计、智能预警、故障诊断集成于一体，提高自动扶梯运行效率的自动扶梯制动力智能诊断系统。

本发明所采用的技术方案是，一种基于深度信念网络的自动扶梯制动力智能诊断系统，包括步骤，

A.制动距离、制动器振幅以及自动扶梯技术参数的采集并将数据上传至制动性能数据库；

B.深度学习建立自动扶梯制动力预估模型和建立自动扶梯制动力故障诊断模型；

C.制动性能数据库对数据存储并约减；

D.约减后的数据与制动力预估模型和制动力故障诊断模型对比；

E.比对结果通过制动力智能诊断平台查看实时数据并预警。

所述步骤A制动距离的采集，包括分别与处理器连接的编码器模块和制停信号模块；处理器将处理后的制停距离无线传输到制动性能数据库；

所述制动器振幅的采集，包括与处理器连接的振动传感器，处理器将处理后的制动器振幅数据无线传输到制动性能数据库。

所述步骤B深度学习建立自动扶梯制动力预估模型包括两层RBM和一层BP；所述两层RBM为全连接，BP网络为单向连接；

第一层RBM显层为制动力影响因素包括自动扶梯提升高度、名义速度、名义宽度、倾斜角、制动臂振幅、初始制动力最大值、空载上行制停距离，空载下行制停距离、使用环境等级，输入层9个神经元；

第二层RBM的神经元拟定90个；

第二层隐层h2为BP网络的输入层，最后通过BP网络输出层制输出动力预测结果。

所述建立自动扶梯制动力故障诊断模型，从故障的原始数据中直接提取有用的故障特征并识别故障状态；

明确自动扶梯制动力故障类型；

采集自动扶梯制动力故障类型的制停距离数据和制动器振动数据为输入层参数；

输入层顶层增加分类器，预处理后的故障数据输入到DBM制动力预警模型中，从模型中逐层提取故障诊断表征数据的特征；

将测试集输入到训练好的诊断模型中，对设备的健康状况进行识别。

所述自动扶梯制动力故障类型包括制动器卡阻，制动臂动作不同步和制动力矩不足。

所述制动性能数据库和制动力智能诊断平台之间还包括有对数据进行预处理的多传感器信息处理，多传感器信息处理为CPCA_DTW的多维时间序列。

本发明的有益效果是，利用深度信念网络预估自动扶梯的制动力范围以及从自动扶梯故障的原始数据中直接提取有用故障特征并识别故障状态，因此能够第一时间得到制动力异常的预警和制动力故障的诊断结果，及时排查自动扶梯存在的隐患，实现智能化管理，提高自动扶梯运行效率。

附图说明

图1是受限玻尔兹曼机(RBM)模型结构示意图；

图2是深度信念网络(DBN)模型结构示意图；

图3是本发明总体框图；

图4是自动扶梯制停距离在线检测装置框图；

图5是自动扶梯制动器振幅在线检测装置框图；

图6是基于DBN建立自动扶梯制动力预估模型结构示意图；

图7是通过BP算法微调网络权重过程示意图；

图8是基于DBN的故障诊断模型建立和训练的过程示意图；

图9是基于CPCA_DTW的多维时间序列的数据约减过程示意图；

图10是自动扶梯制动力智能诊断监控平台工作流程图。

具体实施方式

影响自动扶梯制动力的因素有很多，探究制动力与制停距离及其他因素的关系没有具体的数学模型，况且不同型号在不同使用环境下也会有一定差别，因此每台自动扶梯的制动力模型都是独一无二的。随着前沿科技的普及，人工智能机器学习方法在特种设备中的应用越来越广泛。深度学习中无监督学习的深度信念网络(Deep Belief Network，DBN)源于仿生学的模拟脑神经系统研究，通过显层和隐层神经元之间的互相激活来模拟人的大脑的学习过程，实现直接从原始数据对对象的认知与判断。深度信念网络理论可应用于自动扶梯制动力值的预估和制动力异常的诊断，通过直接从原始数据出发，对自动扶梯的基本参数、制停距离及制动臂振幅进行分类识别，因无需进行人工特征提取过程，减少了人为参与因素，增强了对自动扶梯制动力值预估的精确度和制动力异常判断的智能性。

如图1所示，受限玻尔兹曼机(Retricted Boltzmann Machines,RBM)模型是一类具有显层和隐层两层结构的随机神经网络模型，它可以理解为一种特殊的马尔科夫随机场，具有显层和隐层内部的神经元没有连接，而显层和隐层之间的神经元全部连接的特点。

在RBM中，v表示显层神经元，h表示隐层神经元，W表示任意两个相邻神经元之间连接强度的权值，a表示显层神经元自身偏置，b表示隐层神经元自身偏置。一个RBM的能量可以表示为：

其中隐层神经元hj被激活的概率为：

P(h_j|v)＝σ(b_i+∑_iW_ijv_i) (2)

由于隐层和显层间为全连接，故显层同样可被隐层激活；

P(v_i|h)＝σ(a_i+∑_jW_ijh_j) (3)

其中，

为sigmoid函数，此时函数值域为[0,1]用来描述神经元被激活的概率。同一层神经元无连接，故神经元满足概率面密度独立性：

当某一条数据x赋给显层后，RBM根据(2)式可计算出每个隐层神经元被激活的概率P(h_j|x)，取μ∈[0,1]作为阈值，当P(h_j|x)≥μ时h_j＝1，当P(h_j|x)<μ时h_j＝0,由此可得每个隐层神经是否被激活。一个RBM模型根据三个参数a,b和W既可确定。

如图2所示，深度信念网络(Deep Belief Network，DBN)是由若干层神经元组成，其组成原件为限制玻尔兹曼机(RBM),将若干个RBM“串联”起来则构成了一个DBN,前一个RBM的隐层即为下个RBM的显层，如图2所示。故深度信念网络也可以解释为由多层随机隐变量组成的贝叶斯概率生成模型。第一层显层可为输入数据，在训练阶段，通过吉布斯采样从显层抽取相关信息映射到隐层，在隐层再次通过吉布斯采样抽取信息映射到显层，在显层重构输入数据，反复执行显层与隐层之间的映射与重构过程，并在每次重构过程中不断更新权重a,b和W的值。

下面结合附图和具体实施方式对本发明作进一步详细说明：

如图3所示，本发明一种基于深度信念网络的自动扶梯制动力智能诊断系统，包括步骤，

A.制动距离、制动器振幅以及自动扶梯技术参数的采集并将数据上传至制动性能数据库；

如图4所述，制动距离的采集，包括分别与处理器连接的编码器模块和制停信号模块；编码器模块安装在扶手带返回段入口处通过电缆与处理器连接，制停信号模块安装在控制柜抱闸接触器上通过电缆与处理器连接，处理器将处理得出的制停距离无线传输到制动性能数据库。

如图5所述，制动器振幅的采集，包括与处理器连接的振动传感器；振动传感器安装在两个制动臂上，当每次自动扶梯制动器打开和闭合时，就会触发振动传感器进行工作，振动传感器与处理器连接，处理器将处理得出的制动器振幅数据无线传输到制动性能数据库。

B.深度学习建立自动扶梯制动力预估模型和建立自动扶梯制动力故障诊断模型，能够预估不同型号不同使用环境的自动扶梯的制动力范围；

如图6所示，深度学习建立自动扶梯制动力预估模型包括两层RBM和一层BP；所述两层RBM为全连接，BP网络为单向连接；

第一层RBM显层为制动力影响因素包括自动扶梯提升高度、名义速度、名义宽度、倾斜角、制动臂振幅、初始制动力最大值、空载上行制停距离，空载下行制停距离、使用环境等级，输入层9个神经元；

第二层RBM的神经元拟定90个；第二层隐层h2为BP网络的输入层，最后通过BP网络输出层制输出动力预测结果。

如图7所示，该深度信念网络训练过程为：将设备的基本技术参数直接作为输入层参数；将实时采集的制停距离信号和制动臂的振动信号进行数据预处理，处理后的数据作为输入层参数。确定学习速率、学习方向、训练的最大迭代次数、微调的最大迭代次数、样本数量及训练批次，设置神经网络算法(Neural Network)简称NN的阈值函数为Sigmoid函数，通过v1计算h1的概率，吉布斯抽样：h₁～P(h|v₁)，再通过h1重构显层v1，即利用隐层反推显层的概率分布P(v|h₁)，等满足精度要求后，第一层RBM训练完成。第二层RBM训练开始，h1作为第二层RBM的显层v2作为输入，继续上述RBM的训练方法，通过h1计算v2的概率，吉布斯抽样：v₂～P(v|h₁)通过v2计算h2的概率吉布斯抽样h₂～P(h|v₂)满足要求后完成第二层RBM的训练。h2的训练结果为BP网络的输入因子进行有监督地训练，根据BP误差后向传播算法微调网络权重，更新权重内容：

W←W+λ(P(h₁|v₁)v₁-P(h₂|v₂)v₂)

a←a+λ(v₁-v₂)

b←b+λ(v₁-v₂)

从而使模型收敛到局部最优点，最终得出制动力预估数值，完成整个预估模型网络。

在故障诊断方面，深度信念网络在面对复杂庞大的数据时，可以有效地克服传统浅层学习方法特征表达能力不足的弊病，可以从故障的原始数据中直接提取有用的故障特征并识别故障状态。

如图8所示，基于DBN的自动扶梯故障诊断模型的建立和训练：

1)首先要明确自动扶梯制动力故障类型，基本可以分为制动器卡阻，制动臂动作不同步，制动力矩不足等故障。

2)人为模拟这几种状态，采集相应的状态下的制停距离数据和制动器振动数据作为输入层参数。

3)在输入层顶层增加分类器，然后将预处理后的故障数据输入到DBM制动力预警模型中，利用故障样本训练模型，从模型中逐层提取故障诊断表征数据的特征。

4)利用网络对DBN的相关参数进行有监督微调，微调完成后，将测试集输入到训练好的诊断模型中，对设备的健康状况进行识别。

C.制动性能数据库对数据存储并约减；

采集制停距离信号和制动臂的振动信号的参数，采集这个两个信号分别依靠一个位移传感器和一个振动传感器，得到信号后，对数据进行预处理才能作为输入层参数来进行故障诊断。数据预处理在这里就是对两种不同传感器信号的数据进行整合约减，从而得到一个多传感器表征数据的信息处理方式。

基于多传感监测信息处理的故障诊断方法大致可以被分为四类：数据层融合、特征层融合、决策层融合以及多维时间序列分类。本发明采用多维时间序列分类方法。

多维时间序列分类方法主要有基于距离的方法和基于特征的方法。本文采取两种方法结合的基于CPCA_DTW的多维时间序列，即基于共同主成份分析(Common PCA，CPCA)和动态时间规整距离(Dynamic Time Warping，DTW)。CPCA在保证提取特征的基础上降低序列的维数，DTW距离则可以通过一定的优化方法在两个时间序列之间寻找最小的距离度量值。

D.约减后的数据与制动力预估模型和制动力故障诊断模型对比；

如图9所示，具体方案是先使用CPCA对信号样本进行降低维数，计算平均协方差矩阵和特征向量，特征值排序后得到约减后的序列；再使用DTW距离计算约减后序列中两两向量之间的距离，记录距离矩阵，同时对约减后的序列进行堆叠形成一维向量；最后将矩阵和一维向量结合，形成一个可以输入到DBN模型中的一维数据向量。

E.比对结果通过制动力智能诊断平台查看实时数据并预警。

如图10所示，通过基于深度信念网络的自动扶梯制动力预估模型，我们可以推测一台自动扶梯制动力的范围；通过基于深度信念网络的自动扶梯故障诊断模型，我们实现了制动力相关故障的诊断。在此基础上本发明搭建一个制动力智能诊断监控平台来实现信息化监管，将实时监控、数据统计、智能预警、故障诊断集成于一体。

在自动扶梯现场完成采集设备布置，包括制停距离检测传感器和制动器振动监测传感器。在云端系统建立并训练制动力预估模型和制动力故障诊断模型。在自动扶梯正常使用时，采集装置在每次正常停梯或紧急制动工况下提制动力相关的数据，即制动器振幅、上行/下行制动距离等，数据在物联网云端服务器进行数据存储并约减。约减后的数据与预估模型和故障诊断模型进行对比实现监测分析，当制动力衰退至亚健康状态时进入预警范围，向物联网云端服务器发出预警信号，提醒使用单位和维保单位采取相应措施。当出现疑似故障时，系统提取故障特征，与故障诊断模型比对，对制动力故障进行实时诊断，通过预估模型给出的预估值和故障诊断模型诊断出的故障类别综合分析制动力状态。数据获取后，用户可通过浏览器查看实时数据、历史数据和诊断结果。

本发明使用单位可以通过智能诊断平台实时掌握自动扶梯制动力状况，第一时间得到制动力异常的预警和制动力故障的诊断结果，及时排查自动扶梯存在的隐患，实现智能化管理，提升综合服务水平。

维保单位可以通过智能诊断平台及时弄清制动力故障的原因，并掌握制动力下降、制停距离增加的趋势，针对性地展开问题排查，并进行具有预防性的维护保养，降低自动扶梯故障率和事故率，提高维保单位的服务质量。

制造单位可以通过智能诊断平台可以对本厂家的自动扶梯进行长期信息化管理，挖掘诱发制动力相关故障的潜在因素，为优化制动系统的设计工艺提供数据支撑，提升产品质量和市场竞争力。

检验部门可以通过智能诊断平台调取自动扶梯制动力故障的历史数据和制动力长期变化趋势，便于掌握所检验自动扶梯的制动力状况和维保质量。

值得指出的是，本发明的保护范围并不局限于上述具体实例方式，根据本发明的基本技术构思，也可用基本相同的结构，可以实现本发明的目的，只要本领域普通技术人员无需经过创造性劳动，即可联想到的实施方式，均属于本发明的保护范围。

Claims (6)

1.一种基于深度信念网络的自动扶梯制动力智能诊断系统，其特征在于，包括步骤，

A．制动距离、制动器振幅以及自动扶梯技术参数的采集并将数据上传至制动性能数据库；

B．深度学习建立自动扶梯制动力预估模型和建立自动扶梯制动力故障诊断模型；

C．制动性能数据库对数据存储并约减；

D．约减后的数据与制动力预估模型和制动力故障诊断模型对比；

E．比对结果通过制动力智能诊断平台查看实时数据并预警。

2.根据权利要求1所述的基于深度信念网络的自动扶梯制动力智能诊断系统，其特征在于，

所述步骤A制动距离的采集，包括分别与处理器连接的编码器模块和制停信号模块；处理器将处理后的制停距离无线传输到制动性能数据库；

所述制动器振幅的采集，包括与处理器连接的振动传感器，处理器将处理后的制动器振幅数据无线传输到制动性能数据库。

3.根据权利要求1所述的基于深度信念网络的自动扶梯制动力智能诊断系统，其特征在于，

所述步骤B深度学习建立自动扶梯制动力预估模型包括两层 RBM和一层BP ；所述两层RBM为全连接，BP网络为单向连接；

第一层RBM 显层为制动力影响因素包括自动扶梯提升高度、名义速度、名义宽度、倾斜角、制动臂振幅、初始制动力最大值、空载上行制停距离，空载下行制停距离、使用环境等级，输入层9个神经元；

第二层RBM 的神经元拟定90个；

第二层隐层h2为 BP网络的输入层，最后通过BP网络输出层制输出动力预测结果。

4.根据权利要求1所述的基于深度信念网络的自动扶梯制动力智能诊断系统，其特征在于，

所述建立自动扶梯制动力故障诊断模型，从故障的原始数据中直接提取有用的故障特征并识别故障状态；

明确自动扶梯制动力故障类型；

采集自动扶梯制动力故障类型的制停距离数据和制动器振动数据为输入层参数；

输入层顶层增加分类器，预处理后的故障数据输入到DBM制动力预警模型中，从模型中逐层提取故障诊断表征数据的特征；

将测试集输入到训练好的诊断模型中，对设备的健康状况进行识别。

5.根据权利要求4所述的基于深度信念网络的自动扶梯制动力智能诊断系统，其特征在于，所述自动扶梯制动力故障类型包括制动器卡阻，制动臂动作不同步和制动力矩不足。

6.根据权利要求1所述的基于深度信念网络的自动扶梯制动力智能诊断系统，其特征在于，

所述制动性能数据库和制动力智能诊断平台之间还包括有对数据进行预处理的多传感器信息处理，多传感器信息处理为CPCA_DTW 的多维时间序列。

Images