住宅汽车电梯故障诊断方法、装置、电子设备及存储介质与流程

1.本发明属于故障诊断技术领域，尤其涉及一种住宅汽车电梯故障诊断方法、装置、电子设备及存储介质。


背景技术：

2.近年来，随着梯联网的发展，电梯的故障诊断也进入了“大数据”时代，而第四代住宅汽车电梯的智能化程度更高，但健康状态的自主诊断能力还不能满足要求。由于工况复杂、型号繁多、缺乏完备样本等特性，传统的故障识别方法效果不理想，这由于目标域数据与源域数据的分布类型不同导致的，因此，在分布类型不尽相同的情况下，如何用小规模的电梯源域数据批量识别目标电梯故障类别已成为迫切需要解决的难题。


技术实现要素：

3.本发明的目的是提供一种住宅汽车电梯故障诊断方法，为克服已有故障诊断方法在第四代住宅汽车电梯曳引机故障诊断中的不足。
4.为达到上述目的，本发明的方案为：一种住宅汽车电梯故障诊断方法，其包括以下步骤：
5.一.采集目标曳引机运行状态信号，并提取相应的特征，并形成目标样本特征矩阵；
6.二.利用迁移成分分析法，将目标样本特征矩阵以及带标签的源域特征矩阵映射到新的特征空间中；
7.三.建立概率分类器，计算目标样本属于每种故障的概率；
8.四.输出目标曳引机的故障类别。
9.优化的，所述的迁移成分分析法指将边缘分布不同的源域和目标域，即 p(xs)≠p(x
t
)，通过一个映射φ，φ(xs)＝x
′s，φ(x
t
)＝x
′
t
，使得p(x
′s)≈p(x
′
t
)。
10.优化的，迁移成分分析法采用最大均值差异作为度量准则，具体公式如下：
[0011][0012]
其中，d(x
′s，x
′
t
)为x
′s与x
′
t
的最大均值差异。
[0013]
优化的，所述的概率分类器，用p
ij
表示目标域归属源域xs第j类的概率，则归属xs所有类别的概率之和为1，即
[0014][0015]
目标样本归属的类别是确定的，即p
ij
的值只有0和1两种情况，当p
ij
＝1时，属于
第j类，当p
ij
＝0时，不属于第j类，每个标签至少有一个目标域的样本和它匹配，因此
[0016][0017]
优化的，所述步骤四的实现方式为：计算目标样本到源域样本中心的欧氏距离：记cj表示源域第j类样本中心，可以通过下式获得：
[0018][0019]
其中，表示源域中第j类样本的数量，是指示函数，当条件成立时，值为1，否则值为0，
[0020]
记d
ij
表示目标域样本到源域第j类样本中心的距离，通过欧氏距离进行计算，具体如下：
[0021][0022]
然后，建立如下代价函数：
[0023][0024][0025]
通过上式可以求得概率矩阵，然后目标样本的分类标签可以利用下式求得：
[0026]
输出计算所得标签就完成目标样本的识别。
[0027]
优化的，所述特征包括时域特征、频域特征以及时频域特征。
[0028]
本发明还提供了一种住宅汽车电梯曳引机故障诊断装置，它包括：
[0029]
采集模块，用于采集曳引机运行状态信号；
[0030]
第一生成模块，用于从所述采集模块所采集的信号中提取相应的特征，并生成特征与故障类型的对应关系；
[0031]
第二生成模块，用于当所述曳引机发生故障时，根据相应的特征生成故障类型。
[0032]
优化的，它还包括：发送模块，当所述曳引机发生故障时，根据相应的特征生成故
障类型并将将故障类型发送至终端。
[0033]
本发明还提供了一种电子设备，它包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信；
[0034]
存储器，用于存放计算机程序；
[0035]
处理器，用于执行存储器上所存放的程序，实现以下流程：
[0036]
采集曳引机运行状态信号；
[0037]
用于从所述采集模块所采集的信号中提取相应的特征，并生成特征与故障类型的对应关系；
[0038]
用于当所述曳引机发生故障时，根据相应的特征生成故障类型。
[0039]
本发明还提供了一种存储介质，
[0040]
所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现以下流程：
[0041]
采集曳引机运行状态信号；
[0042]
用于从所述采集模块所采集的信号中提取相应的特征，并生成特征与故障类型的对应关系；
[0043]
用于当所述曳引机发生故障时，根据相应的特征生成故障类型。
[0044]
本发明与现有故障诊断方法相比：针对第四代住宅汽车电梯曳引机工况复杂、型号繁多、新旧并存、数据不完备的情况，提供了基于迁移成分分析和概率分类器的简易迁移学习的故障诊断方法，通过采集目标曳引机运行状态数据，提取有关特征，利用已有的或实验获得的带标签的曳引机分类故障数据，通过提出的迁移学习方法，识别并输出目标曳引机的故障类别。对不同工况、不同型号、新旧程度不同的曳引机故障识别精度更高，比利用深度学习方法建立深度故障识别网络更简单，需要设定的参数更少，相同条件下运算时间更少，具有较高的工程应用价值。
附图说明
[0045]
图1为本发明住宅汽车电梯故障诊断方法流程图；
[0046]
图2为单个目标域对单个源域的平均识别率对比图(其中a表示本方法的识别率)；
[0047]
图3为多个目标域对多个源域的平均识别率对比图(其中a表示本方法的识别率)。
具体实施方式
[0048]
下面结合附图，进一步阐明本发明。
[0049]
本发明针对第四代住宅汽车电梯曳引机工况复杂、型号繁多、新旧并存、数据不完备的情况，提出了一种基于迁移成分分析和概率矩阵的简易迁移学习的故障诊断方法，通过采集目标曳引机运行状态数据，提取有关特征，利用已有的或实验获得的带标签的曳引机分类故障数据，通过提出的迁移学习方法，识别并输出目标曳引机的故障类别；其对曳引机故障诊断识别方法主要包含以下步骤：
[0050]
一.采集目标曳引机运行状态信号，并提取相应的特征；
[0051]
具体是采用振动传感器采集曳引机在运行过程中的振动信号，然后提取特征，关于特征提取，具体特征包括如时域特征、频域特征以及时频域特征等，有很多方法已经在工
程中应用，可根据识别效果进行优选，本发明不作过多说明。
[0052]
二.利用迁移成分分析法，将目标样本特征矩阵以及带标签的源域特征矩阵映射到新的特征空间中；
[0053]
具体是将边缘分布不同的源域和目标域，即p(xs)≠p(x
t
)，通过一个映射φ，φ(xs)＝x
′s，φ(x
t
)＝x
′
t
，使得p(x
′s)≈p(x
′
t
)。
[0054]
采用最大均值差异作为度量准则：
[0055][0056]
其中，d(x
′s，x
′
t
)为x
′s与x
′
t
的最大均值差异，具体求解过程如下：
[0057]
将其变换成如下形式：
[0058]
tr(kl)-λtr(k)
[0059]
其中，k为核矩阵，
[0060][0061]
l为分布差异矩阵，具体计算如下：
[0062][0063]
引入一个低秩矩阵得到一个新的核矩阵：
[0064][0065]
至此，迁移成分分析法最后的优化目标是：
[0066][0067]
s.t.w
t
khkw＝im[0068]
其中，h为一个中心矩阵，其中，h为一个中心矩阵，为元素全是1列向量，im是单位矩阵，求解(klk+μi)-1
khk的前m个特征值，即为所求的w。
[0069]
令
[0070][0071]
上式表示将两个矩阵横向拼接。
[0072]
z＝w
t
x
[0073]
x
′s＝(z(～，1：ns))
t
[0074]
z(～，1：ns)表示取矩阵z的1至ns列，
[0075]
x
′
t
＝(z(～，ns+1：end))
t
[0076]
x
′s、x
′
t
即为源域和目标域的映射结果。
[0077]
三.建立概率分类器，计算目标样本属于每种故障的概率；
[0078]
概率分类器，举例说明如下：
[0079]
记样本的分类标签集为y∈{1，
…
，l}，假设存在如下概率分类矩阵，共有4 类样本，其中，归属4类的概率分别为0.1，0.1，0.6，0.2，最大概率为0.6，也就是说属于第3类的可能性最大，同理可得等测试样本的归类。
[0080][0081]
需要说明的是，要使用这个概率矩阵进行目标域样本的分类，有一个前提就是目标域和源域具有相同的标签空间(即ys＝y
t
)，
[0082]
具体用p
ij
表示目标域归属源域xs第j类的概率，那么归属xs所有类别的概率之和应为1，即
[0083][0084]
事实上，目标样本归属哪一个类别是确定的，也就是说p
ij
的值只有0和1 两种情况，当p
ij
＝1说明属于第j类，否则，p
ij
＝0说明不属于第j类。又由于每个标签至少有一个目标域的样本和它匹配，所以有下式成立
[0085][0086]
记cj表示源域第j类样本中心，可以通过下式获得：
[0087][0088]
其中，表示源域中第j类样本的数量，是指示函数，当条件成立时值为 1，否则值为0。
[0089]
记d
ij
表示目标域样本到源域第j类样本中心的距离，通过欧氏距离进行计算，具体如下：
[0090][0091]
综上，可以建立如下代价函数：
[0092][0093][0094]
通上式可以求得概率矩阵。
[0095]
四.输出目标曳引机的故障类别；
[0096]
具体目标样本的分类标签可以利用下式求得：
[0097][0098]
输出计算所得标签就完成了目标样本的识别。
[0099]
基于上述方法的住宅汽车电梯曳引机故障诊断装置，它包括：
[0100]
采集模块，用于采集曳引机运行状态信号；
[0101]
第一生成模块，用于从所述采集模块所采集的信号中提取相应的特征，并生成特征与故障类型的对应关系；
[0102]
第二生成模块，用于当所述曳引机发生故障时，根据相应的特征生成故障类型；
[0103]
发送模块，当所述曳引机发生故障时，根据相应的特征生成故障类型并将将故障类型发送至终端。
[0104]
基于上述方法的电子设备，它包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信；在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器，其中，存储器可能包含内存，例如高速随机存取存储器(random-accessmemory，ram)，也可能还包括非易失性存储器(non-volatilememory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是isa(industrystandardarchitecture，工业标准体系结构)总线、pci(peripheralcomponentinterconnect，外设部件互连标准)总线或eisa(extendedindustrystandardarchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成设备监测装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
[0105]
采集曳引机运行状态信号；
[0106]
用于从所述采集模块所采集的信号中提取相应的特征，并生成特征与故障类型的
对应关系；
[0107]
用于当所述曳引机发生故障时，根据相应的特征生成故障类型。
[0108]
基于上述方法的计算机可读存储介质，包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器 (dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器 (cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现以下流程：
[0109]
采集曳引机运行状态信号；
[0110]
用于从所述采集模块所采集的信号中提取相应的特征，并生成特征与故障类型的对应关系；
[0111]
用于当所述曳引机发生故障时，根据相应的特征生成故障类型。
[0112]
以上详细叙述了本发明的实施方式，但本发明并不限于上述实施方式中的具体细节，凡在本发明技术构思范围内对本发明技术方案进行等同变换的，均受本发明的保护。