基于数据驱动的电梯故障诊断与预警方法

1.一种基于数据驱动的电梯故障诊断与预警方法，其特征是，借助于远程服务中心、故障诊断与预测终端和电梯控制器实现，包括如下步骤：
首先对实时电梯故障数据进行挖掘获得电梯故障数据流中的特征信息，并将挖掘结果保存在故障诊断与预测终端的电梯故障案例库中，作为电梯故障知识库的来源；然后利用电梯故障案例库对故障诊断与预测终端上的电梯故障知识库进行更新，通过相似度匹配计算，实现电梯故障知识库的及时更新，再针对新电梯故障问题的特征进行案例检索，采用基于案例推理的故障诊断方法对电梯系统进行故障诊断：通过检索电梯故障知识库或临时电梯故障案例库中的知识或案例，获得与新电梯故障问题具有最相似特征的信息，解决诊断问题；
此外，利用远程服务中心上的电梯故障识别分类器，对获得的电梯故障数据流进行聚类分析，将相应的电梯故障数据流与电梯故障类型关联起来，并用此电梯故障数据流与相应故障类型训练分类器，再通过另一组电梯故障数据流与相应的故障类型对分类器进行检验，以验证训练后的分类器的正确性；远程服务中心不断更新分类器，并将最新的分类器下载到本地故障诊断与预测终端中，本地的故障诊断与预测终端实时采集电梯数据流并将其输入分类器，由分类器输出实时数据流与现有电梯故障数据流进行相似程度比较，相似程度越大，出现同种故障的可能性越大，依此进行电梯故障预测；
案例检索具体实现步骤：
(1)采集电梯故障数据流，提取特征信息并根据分类结构索引，初步检索出符合特征信息的案例种类；
(2)根据故障案例的种类将故障信息特征值与电梯故障知识库进行匹配；
(3)根据改进的欧式算法进行计算，计算出目标案例与初始匹配案例集中的所有案例的匹配度，并根据匹配度的大小进行排序，输出与目标案例最匹配的前几个案例，完成案例匹配过程；最后，显示案例匹配详细信息，并为案例修正做准备；其中：
根据电梯故障案例库中每个案例构造属性函数矩阵如下：
其中Aij代表第i个案例的第j个属性，记第j个属性的的平均值为Bj，则：
记中间变量Mij
再令：
目标案例与源案例间的改进欧氏距离为：
在传统欧式算法的基础上引入中间变量Mij，即增加一个属性值归一化的过程。
2.如权利要求1所述的基于数据驱动的电梯故障诊断与预警方法，其特征是，采用基于案例推理的故障诊断方法对电梯系统进行故障诊断是在故障诊断与预测终端上进行，并进一步细化为如下步骤：
(1)电梯故障知识库：是电梯故障诊断知识、经验的集合，主要由专家提供，包括电梯基本信息、电梯故障的分类信息以及不同种类故障需要的各种关键特征属性及其权值，并依此构建电梯故障案例库和征兆数据库；
(2)建立电梯故障案例库：维修人员根据包括电梯故障日志和维修日志的历史数据填写关于电梯故障的各种信息，并以此为依据存储案例和产生新案例；
(3)建立征兆数据库：存储电梯发生故障时采集到的故障类型数据流信息，即故障发生时电梯运行的各个参数；
(4)建立规则库：存储各种电梯故障类型之间的相互关联信息，是对故障案例库应用关联规则算法，进行数据挖掘，从众多的电梯故障案例信息中，提炼出深层次的、隐含的知识，用于电梯故障诊断，指导维修人员做出响应的维护措施；
(5)推理系统：由案例检索、案例匹配、案例调整组成，具体为：通过对电梯故障案例库进行案例检索寻找一个或多个与当前故障最相似的案例，用到的检索算法有模板检验、归纳检索、最近邻搜索；然后根据检索到的案例生成解决方案并通过案例修正对已生成的解决方案进行调整，调整的方法有转换法、替换法、特定目标驱动法；
(6)案例学习：根据维修人员的反馈信息，对电梯故障案例库进行案例复用，即如果该方案可以解决遇到的故障则保存电梯故障案例库中的维修建议，否则对该方案进行修改后保存到故障案例库，这样不断获取新知识和改进旧知识，形成新的维修方案，并添加到案例库中，使案例库不断得到扩充和完善。
3.如权利要求1所述的基于数据驱动的电梯故障诊断与预警方法，其特征是，分类器的生成过程包括数据预处理模块、特征提取模块以及分类器生成模块，其中数据预处理模块采用包括标准化、方差缩减步骤，负责剔除数据中的异常数据、冗余数据等噪声数据；特征提取模块采用主成分分析、偏最小二乘法，负责简化数据流，提高训练效率；分类器生成模块还包括神经网络、支持向量机子模块。

基于数据驱动的电梯故障诊断与预警方法\n技术领域\n[0001] 本发明涉及电梯领域，具体讲，涉及基于数据驱动的电梯故障诊断与预警方法。\n背景技术\n[0002] 由于近年来国内存在安全隐患的电梯数量迅速增长，仅通过维修人员经验或维修手册对电梯进行维护存在效率低、准确度差且往往是事后诊断等问题，不能满足电梯安全的需要。电梯需要一种智能故障诊断及预警系统保证系统安全运行。\n[0003] 国内解决电梯安全问题主要通过两个途径：一是故障发生后的故障诊断，二是维修人员定期的维护保养。而目前广泛应用的故障诊断技术主要有专家系统、模糊推理、神经网络等。但这些技术严重依赖于专家知识，专家知识获取困难成为故障诊断实施的瓶颈。另外，大多数故障诊断方法都不能提供故障预测功能，被动型诊断无法阻止故障的发生，只能依靠于电梯定期维护保养。目的不明确的定期维修保养不仅成本高、效率低，而且依靠人工检查也很难发现电梯的安全隐患。\n发明内容\n[0004] 本发明旨在克服现有技术的不足，实现电梯故障的早期发现和诊断，为达到上述目的，本发明采取的技术方案是，基于数据驱动的电梯故障诊断与预警方法，借助于远程服务中心、故障诊断与预测终端和电梯控制器实现，包括如下步骤：\n[0005] 首先对实时电梯故障数据进行挖掘获得电梯故障数据流中的特征信息，并将挖掘结果保存在故障诊断与预测终端的电梯故障案例库中，作为电梯故障知识库的来源；然后利用电梯故障案例库对故障诊断与预测终端上的电梯故障知识库进行更新，通过相似度匹配计算，实现电梯故障知识库的及时更新，再针对新电梯故障问题的特征进行案例检索，采用基于案例推理的故障诊断方法对电梯系统进行故障诊断：通过检索电梯故障知识库知识或案例，获得与新电梯故障问题具有最相似特征的信息，解决诊断问题；\n[0006] 此外，利用远程服务中心上的电梯故障识别分类器，对获得的电梯故障数据流进行聚类分析，将相应的电梯故障数据流与电梯故障类型关联起来，并用此电梯故障数据流与相应故障类型训练分类器，再通过另一组电梯故障数据流与相应的故障类型对分类器进行检验，以验证训练后的分类器的正确性；远程服务中心不断更新分类器，并将最新的分类器下载到本地故障诊断与预测终端中，本地的故障诊断与预测终端实时采集电梯数据流并将其输入分类器，由分类器输出实时数据流与现有电梯故障数据流进行相似程度比较，相似程度越大，出现同种故障的可能性越大，依此进行电梯故障预测。\n[0007] 采用基于案例推理的故障诊断方法对电梯系统进行故障诊断是在故障诊断与预测终端上进行，并进一步细化为如下步骤：\n[0008] (1)电梯故障知识库：是电梯故障诊断知识、经验的集合，主要由专家提供，包括电梯基本信息、电梯故障的分类信息以及不同种类故障需要的各种关键特征属性及其权值，并依此构建电梯故障案例库和征兆数据库；\n[0009] (2)建立电梯故障案例库：维修人员根据包括电梯故障日志和维修日志的历史数据填写关于电梯故障的各种信息，并以此为依据存储案例和产生新案例；\n[0010] (3)建立征兆数据库：存储电梯发生故障时采集到的故障类型数据流信息，即故障发生时电梯运行的各个参数；\n[0011] (4)建立规则库：存储各种电梯故障类型之间的相互关联信息，是对故障案例库应用关联规则算法，进行数据挖掘，从众多的电梯故障案例信息中，提炼出深层次的、隐含的知识，用于电梯故障诊断，指导维修人员做出响应的维护措施；\n[0012] (5)推理系统：由案例检索、案例匹配、案例调整组成，具体为：通过对电梯故障案例库进行案例检索寻找一个或多个与当前故障最相似的案例，用到的检索算法有模板检验、归纳检索、最近邻搜索；然后根据检索到的案例生成解决方案并通过案例修正对已生成的解决方案进行调整，调整的方法有转换法、替换法、特定目标驱动法；\n[0013] (6)案例学习：根据维修人员的反馈信息，对电梯故障案例库进行案例复用，即如果该方案可以解决遇到的故障则保存电梯故障案例库中的维修建议，否则对该方案进行修改后保存到故障案例库，这样不断获取新知识和改进旧知识，形成新的维修方案，并添加到案例库中，使案例库不断得到扩充和完善。\n[0014] 案例检索具体实现步骤：\n[0015] (1)采集电梯故障数据流，提取特征信息并根据分类结构索引，初步检索出符合特征信息的案例种类。\n[0016] (2)根据故障案例的种类将故障信息特征值与电梯故障知识库进行匹配。\n[0017] (3)根据改进的欧式算法进行计算，计算出该目标案例与初始匹配案例集中的所有案例的匹配度，并根据匹配度的大小进行排序，输出与目标案例最匹配的前几个案例，完成案例匹配过程；最后，显示案例匹配详细信息，并为案例修正做准备。\n[0018] 分类器的生成过程包括数据预处理模块、特征提取模块以及分类器生成模块，其中数据预处理模块采用包括标准化、方差缩减步骤，负责剔除数据中的异常数据、冗余数据等噪声数据；特征提取模块采用主成分分析、偏最小二乘法，负责简化数据流，提高训练效率；分类器生成模块还包括神经网络、支持向量机子模块。\n[0019] 本发明的技术特点及效果：\n[0020] 数据挖掘是从数据中识别出有效的、新颖的、潜在有用的以及最终可以被理解的类型。故障诊断的关键和首要问题就是故障识别，对故障进行诊断的过程也就是故障类型获取及故障识别的过程。考虑到数据挖掘技术在知识获取方面的独特优势，在故障诊断领域引入该技术是切实可行的。可以利用历史数据挖掘出其中潜在的规律，为故障诊断提供决策依据，具有实际参考价值。\n[0021] 基于数据挖掘的故障诊断及预警系统具有以下优点：\n[0022] (1)突破了电梯诊断知识获取困难、知识量少的瓶颈。能够自动地获取诊断经验而无需人工总结和输入，大大提高了诊断效率和准确性，降低了诊断成本。\n[0023] (2)对于规模较大、涉及多个变量的故障，使用对单一部件的诊断方法无法解决，利用数据挖掘技术对电梯运行数据进行整体分析可以有效进行诊断。\n[0024] (3)不仅能够为维修人员找到故障原因和位置，还能够提供相应的故障解决措施。\n[0025] (4)可对电梯运行数据进行实时监测，通过分类器得到实时数据流与故障类型的相似程度，从而实现电梯故障的早期发现及预警。\n[0026] (5)该系统具有自学习能力，不断学习新的故障数据形成新的诊断知识，随着故障数据的不断增加，系统的故障诊断能力会不断增强。\n[0027] (6)为预防性维修提供基础。基于故障预测的预防性维修减少了盲目性，使电梯在最佳故障维修时间的到有效维修，不仅降低了维修次数和成本，维修保养的效率也大大提高。\n附图说明\n[0028] 图1基于数据驱动的电梯故障诊断与预警系统整体结构图。\n[0029] 图2基于案例推理的电梯故障诊断框架图。\n[0030] 图3案例信息表示示意图。\n[0031] 图4电梯故障案例检索策略流程图。\n[0032] 图5基于分类器的电梯故障预测流程图。\n[0033] 图6电梯远程服务中心分类器生成示意图。\n[0034] 图7基于BP神经网络的分类器设计示意图。\n具体实施方式\n[0035] 本发明的目的在于提出一种基于数据驱动的电梯故障诊断与预警系统，实现高效的故障诊断及准确的故障预测。\n[0036] 现有电梯故障诊断技术存在专家知识获取困难、诊断效率低、成本高等问题，针对这些问题，本发明应用基于案例推理的故障诊断方法对电梯系统进行故障诊断，发生故障后在电梯故障案例库中检索最佳匹配案例，并按照案例信息中的故障原因、故障位置以及故障解决方法进行维护，同时故障案例库可以自动进行案例库的维护，包括增加案例，融合案例、删除冗余案例等，从而具备很强的学习能力。\n[0037] 目前大多数故障诊断系统缺乏故障预测功能，本发明借助数据挖掘技术对电梯历史数据进行分析，归纳总结出对应特定故障的数据流，综合考虑专家知识和数据流，通过将电梯运行时的数据流实时地与已知故障数据流进行对比，并对两者的相似程度进行量化计算，当相似度达到一定程度后即可对电梯系统提出故障预警，从而完成故障预测功能。该系统获取电梯运行的一般参数并自动地对运行数据进行分析，突破了专家系统获取困难的瓶颈，具有诊断效率高、成本低且能够实现故障预测功能的优点。本发明不需要加装额外传感器，可适用于各种不同品牌的电梯，拥有很好的应用前景与经济价值，该系统与方法对其他领域的故障诊断也有很高的参考价值。\n[0038] 本发明利用电梯故障数据挖掘技术，设计了一种电梯故障诊断系统，该系统不断地对从电梯系统采集到数据进行分析，依靠数据挖掘技术的知识获取能力自动高效地形成电梯系统的故障诊断知识，解决了专家知识获取难的问题，克服了目前电梯故障诊断的技术瓶颈。然后在此系统架构的基础上，提出一种基于案例推理的电梯故障诊断方法，利用上述方法形成的知识进行诊断。\n[0039] 此外，在此系统架构的基础上加入基于分类器的故障预测功能，能够实时监测电梯数据流，并利用分类器对这些数据流加以分析并识别，计算当前数据流与故障数据流的相似度大小与趋势，进而实现电梯故障的早期发现和诊断。\n[0040] 本发明借助数据挖掘技术，设计一种基于数据驱动的电梯故障诊断与预警系统，具有增强的故障诊断及预测功能。\n[0041] 本发明首先通过数据挖掘算法对实时电梯故障数据进行挖掘获得电梯故障数据流中的特征信息，并将挖掘结果保存在电梯故障案例库中，作为电梯故障知识库的来源。然后利用电梯故障案例库对电梯故障知识库进行更新，通过相似度匹配计算，实现电梯故障知识库的及时更新。再针对新问题的特征进行案例检索，通过检索电梯故障知识库的知识或案例，获得与新电梯故障问题具有最相似特征的信息，用于解决诊断问题。\n[0042] 此外，设计用于电梯故障识别分类器，对获得的一组数据流进行聚类分析，将相应的数据流与故障类型关联起来，并用此数据流与相应故障类型训练分类器，再通过另一组数据流与相应的故障类型对分类器进行检验，以验证训练后的分类器的正确性。远程服务中心不断更新分类器，并将最新的分类器下载到本地诊断终端中，本地诊断终端实时采集电梯数据流并将数据流输入分类器，由分类器输出实时数据流与现有故障数据流的相似程度，相似度越大，出现同种故障的可能性越大，可依次进行电梯故障预测。\n[0043] 下面结合附图对本发明作进一步详述。\n[0044] 本发明的核心是通过对电梯运行数据流进行分析，挖掘故障时数据流的特征信息，发现与电梯故障类型相对应的数据流，并将其转化为专家经验，存入电梯故障诊断案例库，再采用基于案例推理的故障诊断方法对电梯系统进行故障诊断。此外，设计故障数据流分类器，可实时地对电梯当前数据流进行实时分类，并通过基于距离的相似度算法计算当前数据流与电梯故障数据流相似度大小，相似度越大故障可能性越大，根据此相似度趋势或通过设置门限值的方法进行故障预测。\n[0045] 参见图1，基于数据驱动的电梯故障诊断与预警系统包括三个部分：远程服务中心、故障诊断与预测终端和电梯控制器。\n[0046] 故障发生时，电梯控制器记录系统中的故障码以及当前电梯系统中的各个参数，如：曳引机转速、轿厢加速度、变频器电压、变频器电流、平层信号、冲顶信号、撞底信号、门机信号等。并将故障码和当前参数一并传入本地诊断平台。正常运行时，只需要把当前系统参数实时发送到本地诊断终端以供故障预测。\n[0047] 本地诊断终端中设置电梯故障诊断与预测软件以及SQLServer2005数据库软件，当接收到电梯故障码和当前参数后将提取该故障类型的特征值，然后依此在案例库中寻找最佳匹配案例，再将此故障信息与匹配的故障原因和解决方法通过Internet或手机等移动终端传送给远端维修人员；如果在匹配最佳案例时发现当前与最佳案例的匹配度小于门限值，则将此故障认定为新故障类型，并将当前的故障信息传送到远程服务中心。另一方面，电梯故障诊断与预测软件中集成利用COM组件编程编写的分类器模块，完成电梯故障的预测功能。\n[0048] 远程服务中心负责收集所有电梯系统故障时的数据流，并用这些故障状态下的数据流训练存储在服务中心内的分类器和案例库，不断更新分类器和案例库使故障类型识别和诊断愈加准确；远程服务中心定期的把最新的分类器和案例库下载到本地诊断终端，并对电梯故障预警信息做出响应。\n[0049] 参见图2，基于案例推理的电梯故障诊断框架主要包括四个数据库、一个推理系统以及一个案例学习模块。各部分具体描述如下：\n[0050] (1)知识库：电梯故障诊断知识、经验的集合，它主要由专家提供，包括电梯基本信息、电梯故障的分类信息以及不同种类故障需要的各种关键特征属性及其权值，并依此构建电梯故障案例库和征兆数据库。\n[0051] (2)故障案例库：维修人员根据电梯故障日志和维修日志等历史数据填写关于电梯故障的各种信息，并以此为依据存储案例和产生新案例。\n[0052] (3)征兆数据库：电梯发生故障时采集到的故障类型数据流信息，即故障发生时电梯运行的各个参数。\n[0053] (4)规则库：各种电梯故障类型之间的相互关联信息。是对故障案例库应用关联规则算法，进行数据挖掘，从众多的电梯故障案例信息中，提炼出深层次的、隐含的知识，用于电梯故障诊断，指导维修人员做出响应的维护措施。\n[0054] (5)推理系统：诊断系统的核心，由案例检索、案例匹配、案例调整组成。通过对电梯故障案例库进行案例检索寻找一个或多个与当前故障最相似的案例，可能用到的检索算法有模板检验、归纳检索、最近邻搜索等。然后根据检索到的案例生成解决方案并通过案例修正对已生成的解决方案进行调整调整的方法可能有转换法、替换法、特定目标驱动法，大部分的案例调整都是通过人机交互方式完成的。推理系统决定了诊断效率的高低，实现从已有的案例集中找到与当前问题最为相似的案例，并提供相应的故障解决方案。\n[0055] (6)案例学习：根据维修人员的反馈信息，对电梯故障案例库进行案例复用，即如果该方案可以解决遇到的故障则保存电梯故障案例库中的维修建议，否则对该方案进行修改后保存到故障案例库。这样不断获取新知识和改进旧知识，形成新的维修方案，并添加到案例库中，是案例库不断得到扩充和完善。\n[0056] 参见图3，案例库中的每一个案例都由案例基本信息、故障原因和定位以及故障解决方法组成，诊断过程中电梯控制器提供故障数据流电梯信号等基本信息，诊断系统则根据这些信息进行分析，返回故障原因和定位以及故障解决方法等信息。\n[0057] 参见图4，案例检索是整个基于案例推理的电梯故障诊断流程的关键，以下是具体实现步骤：\n[0058] (1)采集故障电梯的故障数据流，提取特征信息并根据分类结构索引，初步检索出符合特征信息的案例种类。\n[0059] (2)根据故障案例的种类将故障信息特征值与案例集进行匹配。\n[0060] (3)根据改进的欧式算法进行计算，计算出该目标案例与初始匹配案例集中的所有案例的匹配度，并根据匹配度的大小进行排序，输出与目标案例最匹配的前几个案例，完成案例匹配过程。最后，显示案例匹配详细信息，并为案例修正做准备。\n[0061] 根据电梯故障案例库中每个案例构造属性函数矩阵如下：\n[0062] \n[0063] 其中Aij代表第i个案例的第j个属性。记第j个属性的的平均值为Bj，则：\n[0064] \n[0065] 记中间变量Mij\n[0066] \n[0067] 再令：\n[0068] \n[0069] 目标案例与源案例间的改进欧氏距离为：\n[0070] \n[0071] 式中wi为专家经验给出的权重值。dti的值越大，表明目标案例与源案例之间的距离越小，相似度越高，检索过程中计算出距离最小的源案例进行诊断。\n[0072] 改进的欧式算法在传统欧式算法的基础上引入中间变量Mij，即增加了一个属性值归一化的过程，能够有效防止同一案例中的某些属性数值过大，导致检索结果偏离实际的情况出现。\n[0073] 参见图5，通过分类器对电梯故障数据流识别和相似度的计算，最终可得到故障相似度的发展趋势或与门限值的比较结果，为了保证是别的准确性，分类器有远程服务中心进行定期更新，最终完成电梯的故障预测功能。\n[0074] 参见图6，分类器的生成包括两个阶段(训练阶段和检验阶段)。用于分类器生成的故障数据流被分成两个部分，其中三分之二的数据用训练阶段，三分之一的数据用于检验阶段。训练阶段初步生成分类器，在检验阶段对已生成的分类器进行验证以保证其准确性。\n[0075] 分类器的生成过程包括数据预处理模块、特征提取模块以及分类器生成模块，其中数据预处理模块负责剔除数据中的异常数据、冗余数据等噪声数据，特征提取模块负责简化数据流，提高训练效率。分类器生成模块实质上是支持向量机、神经网络等具有非线性函数模拟功能的模块。数据预处理模块需要用到统计和数学工具包括标准化、方差缩减等，特征处理模块可能用到主成分分析、偏最小二乘等数学方法。\n[0076] 参见图7，在分类器生成模块中采用BP神经网络，定义输入层的节点数为2，输出层节点数为1，隐含层节点数为6，使用Logsig型传递函数，表示如下：\n[0077] \n[0078] 权值修改公式为：\n[0079] Wsq(t+1)＝Wsq(t)+η(t)δqys+αΔWsq(t)\n[0080] 权值其中，η为增益项，δq为误差项，ys为结点s节点的输出，α为设定的权值。\nWsq(t)的为第t次迭代权值。该分类器在Visual C++环境下实现。输入样本集和对应的训练目标集直接存储在SQL数据库中，以保证数据的通用性。将分类器模块设计为COM组件，需要时对该组件进行调用。