一种基于大数据学习的电梯故障预测方法与流程

本发明涉及电梯故障诊断及预测领域，具体地说是一种基于大数据学习的电梯故障预测方法。

背景技术：

故障诊断及故障预测技术是保证电梯等复杂装备的安全、稳定运行的重要技术之一。故障诊断技术通过对装备运行状态的监测及其相应数据的分析处理，实现对装备运行故障的预测和诊断，判断装备的状态是否处于异常状态，或故障状态发生的的具体部位或甚至具体的零部件，预测故障的发展趋势，该技术已广泛应用于大型汽轮机组、航空发动机、高速电梯等复杂装备的运行监测控制，被列为中国智能装备产业重点发展的九大关键智能基础共性技术之一。

随着装备复杂程度的增加，对于装备运行的监测往往存在装备监测点多、监测点的采样频率高、数据收集时间长等特点，使得复杂装备故障诊断系统需要处理的运行数据量呈现爆炸性增长，数百太比特级甚至拍比特级规模的大数据已经屡见不鲜。海量运行数据的产生，意味着复杂装备故障预测诊断技术迎来了它的大数据时代，也对故障诊断技术的发展提出了新的挑战。由于大数据往往隐含着很多在小数据量时不具备的深度知识和价值，只有通过大数据的智能化分析和挖掘，才能将其价值显露出来，因此将大数据分析与机器学习技术应用于装备运行过程的故障预测诊断，通过从复杂装备运行特征大数据中挖掘出故障信息，实现运行故障的快速诊断，是近年大数据在装备领域的重要应用之一。

技术实现要素：

针对现有技术的不足，本发明提供一种基于大数据学习的电梯故障预测方法，包括以下步骤：

步骤1：获取电梯运行的历史大数据；

步骤2：对大数据分析电梯运行故障特征提取，将其作为训练样本；

步骤3：依据电梯运行特征参数与电梯运行故障原因的对应关系，建立基于深度卷积神经网络的电梯运行故障预测模型；

步骤4：在电梯运行过程中，实时的获取电梯运行大数据，并做故障特征信息提取，利用深度卷积神经网络预测模型，做出故障的预测。

优选的，获取电梯运行的大数据过程及方法包括以下步骤：

步骤1：建立数据采集的传感器网络；

步骤2：采集永磁同步曳引机的电流、永磁同步曳引机的振动参数、轿厢速度、轿厢加速度、轿厢的载重、轿厢箱体工作环境噪声；

步骤3：对采集到的信息依据小波模极大值的方法进行降噪处理，并进行特征信息提取，得到可以作为预测模型训练参数的电梯运行历史大数据。

优选的，依据电梯运行特征参数与电梯运行故障原因的对应关系包括以下步骤：

步骤1：对电梯历史特征大数据的各项特征参数进行分析；

步骤2：追根溯源，依据先验知识，获取故障原因与电梯运行特征参数的对应关系；以此建立预测模型输入x到输出y的映射关系；

步骤3：对故障原因进行编码，每一种故障原因的出现的概率做为故障预测模型的输出，特征参数作为故障预测模型的输入。

优选的，建立并训练基于深度卷积神经网络的电梯运行故障预测模型包括以下步骤：

步骤1：将上述特征参数数据进行归一化处理后，作为深度卷积神经网络模型的输入；

步骤2：利用tensorflow搭建深度卷积神经网络模型；

步骤3：基于训练数据、特征参数作为模型的输入向量x，故障原因出现的概率作为输出y,实际故障原因作为y′；

步骤4：依据真实故障原因与模型预测故障原因计算出交叉熵，将此交叉熵作为模型的损失函数；计算公式为：

步骤5：利用批梯度下降法，对模型进行训练，不断更新模型的权值和偏差，使得损失函数最小化，直至获得电梯故障预测模型。

优选的，利用训练好的故障预测模型对电梯故障做出预测包括以下步骤：

步骤1：利用传感器网络，实时采集电梯运行时的各项数据；

步骤2：对数据利用小波模极大值的方法进行数据滤波，并进行特征参数提取；

步骤3：特征参数输入到电梯故障预测模型中，得到可能的故障概率分布，从而对电梯的故障做出预测。

本发明

(1)详细分析电梯运行故障出现的原因的方法，建立运行故障原因的关联结构模型，通过传感器采集运行特征大数据，在基于此数据分析的基础上建立电梯运行特征参数与运行故障原因的对应关系；

(2)基于大数据分析的电梯运行故障的特征信息提取，由于在电梯运行特征大数据中有较多噪声的问题，提出基于小波模极大值的复杂装备信号降噪方法，对特征大数据进行处理，提高复杂装备运行数据的信噪比。针对复杂装备运行特征大数据维数多、规模大等问题，提出基于粗糙集属性约简的运行故障特征提取方法，筛选运行特征大数据中的冗余属性，获取与复杂装备运行故障相关的特征参数；

(3)基于深度卷积神经网络(dcnn)的电梯故障预测，建立了基于电梯运行故障预测的深度卷积神经网络(dcnn)模型，提高了电梯故障预测的准确性。

本发明具有以下有益效果及优点：

1.对大数据进行降噪处理，得到更多有效的数据；

2.对电梯运行参数进行分析，获取特征参数；

3.建立深度神经网络预测模型，使故障预测更加精准。

附图说明

图1是本发明的电梯运行数据采集硬件结构图；

图2是电梯故障原因与特征参数对应分析图；

图3是深度卷积神经模型工作过程图。

具体实施方式

下面结合附图及实施例对本发明做进一步的详细说明。

1.本发明涉及一种基于大数据学习的电梯故障预测方法，参见图1-3，包括以下步骤：

步骤1：获取电梯运行的历史大数据；

步骤2：对大数据分析电梯运行故障特征提取，将其作为训练样本；

步骤3：依据电梯运行特征参数与电梯运行故障原因的对应关系，建立基于深度卷积神经网络(dcnn)的电梯运行故障预测模型

步骤4：在电梯运行过程中，实时的获取电梯运行大数据，并做故障特征信息提取，利用深度卷积神经网络(dcnn)预测模型，做出故障的预测。

获取电梯运行的大数据过程及方法包括以下步骤:

步骤1：建立数据采集的传感器网络；

步骤2：采集永磁同步曳引机的电流、永磁同步曳引机的振动参数，轿厢速度,轿厢加速度，轿厢的载重，轿厢箱体工作环境噪声；

步骤3：对采集到的信息依据小波模极大值的方法进行降噪处理，并进行特征信息提取，得到可以作为预测模型训练参数的电梯运行历史大数据。

依据电梯运行特征参数与电梯运行故障原因的对应关系包括以下步骤：

步骤1：对电梯历史特征大数据的各项特征参数进行分析；

步骤2：追根溯源，依据先验知识，获取故障原因与电梯运行特征参数的对应关系；以此建立预测模型输入x到输出y的映射关系；

步骤3：对故障原因进行编码，每一种故障原因的出现的概率做为故障预测模型的输出，特征参数作为故障预测模型的输入。

建立并训练基于深度卷积神经网络(dcnn)的电梯运行故障预测模型：

步骤1：将上述特征参数数据进行归一化处理后，作为深度卷积神经网络(dcnn)模型的输入；

步骤2：利用tensorflow搭建深度卷积神经网络模型；

步骤3：基于训练数据，特征参数作为模型的输入向量x，故障原因可能出现的概率作为输出y,实际故障原因作为y′；

步骤4：依据真实故障原因与模型预测故障原因计算出交叉熵，将此交叉熵作为模型的损失函数；计算公式为：

步骤5：利用批梯度下降法，对模型进行训练，不断更新模型的权值和偏差，使得损失函数最小化，直至获得电梯故障预测模型。

利用训练好的故障预测模型对电梯故障做出预测包括以下步骤：

步骤1：利用传感器网络，实时采集电梯运行时的各项数据；

步骤2：对数据利用小波模极大值的方法进行数据滤波，并进行特征参数提取；

步骤3：特征参数输入到电梯故障预测模型中，得到可能的故障概率分布，从而对电梯的故障做出预测。