一种基于贝叶斯网络的电梯健康诊断方法技术

本发明专利技术公开了一种基于贝叶斯网络的电梯健康诊断方法，本方法利用电梯故障的不同样本进行贝叶斯网络结构和参数学习,并采用蒙特卡洛推理机制，建立起一个符合电梯运行机理的贝叶斯网络电梯故障诊断模型。相比其他只针对特征状态本身进行预测的诊断方法，贝叶斯网络电梯故障诊断模型考虑到了复杂系统状态变量间的相互制约关系，更加科学严谨，通过已有的数据样本验证了该方法可实现较高的预测率，因此，基于贝叶斯网络的健康诊断方法在电梯健康诊断和预测方面是非常有效的，具有广阔的应用前景。

【技术实现步骤摘要】
一种基于贝叶斯网络的电梯健康诊断方法
本专利技术涉及计算机及电梯
，特别涉及一种基于贝叶斯网络的电梯健康诊断方法。
技术介绍
随着我国科学技术的不断发展，国内城市的交通变得十分便利，大部分城市开始修建地铁。地铁站的正常秩序离不开电梯的运行，从而电梯的维护就显得尤为重要，地铁站中电梯健康诊断是电梯维护的重要内容。目前，基于概率推理的贝叶斯网络(BayesianNet-work)是近几年发展起来的、为解决不确定性、不完整性问题而提出的一种技术，它对于解决复杂设备不确定性和互连性引起的故障有很大的优势，作为一种对概率关系有向图解的描述方法，结合了先验信息，使用概率的相关理论解决在描述由于系统不同信号以及信号关联而产生的不确定性问题，通过贝叶斯定理计算出后验概率，可以应用于依赖多种控制因素的决策，目前贝叶斯网络已经开始用于故障诊断领域，但还未引用在对电梯故障的诊断上。电梯系统结构复杂，由七大子系统构成，并且系统部件间关系复杂，根据其运行状态很难建立相应的数学模型。在电梯故障诊断领域中，表征电梯系统故障状态的信号很多，且由于故障预测是在故障未出现之前对相关重要信号的研究过程，诊断对象复杂、测试手段有局限性以及知识不精确，使得电梯的故障诊断存在许多不确定性，主要包括：指标信号之间具有很多的相关性和互连性；同一故障可能由一个或多个异常信号引起，或某一异常信号可能同时引起单个或多个故障。目前绝大多数文献是围绕简单系统的故障诊断，并取得了一定的科研成果，而目前国内外文献针对电梯系统故障预测的相关报道极少。因此，研究基于贝叶斯网络的健康诊断方法在电梯健康诊断和预测方面是非常有必要的，具有广阔的应用前景。
技术实现思路
本专利技术的目的在于克服现有技术的缺点与不足，提供一种基于贝叶斯网络的电梯健康诊断方法，实现对电梯故障特征的筛选，预测电梯系统的故障和主要部件的故障率，对电梯运行的状态进行健康评估。本专利技术的目的通过以下的技术方案实现：一种基于贝叶斯网络的电梯健康诊断方法，包括以下步骤：1、筛选电梯易出故障关键部件及故障特征，建立基于贝叶斯网络的电梯故障诊断模型；2、在给定一个数据样本集合D的前提下，寻找一个与训练样本集合D匹配最好的网络结构；3、实现贝叶斯网络参数学习；4、应用训练完备的贝叶斯网络,通过故障特征节点的实时状态,推断故障节点发生故障的概率。优选的，先验概率来源于前人通过具体实践得到的概率数据，包括来自电梯说明书、地铁公司使用电梯记录的数据统计以及以往电梯的研究文献；针对在资料没有或不全，没有实践的情况下得到的数据，先验概率来源于领域专家长期的实践经验评估。优选的，在贝叶斯网络模型中包含2种节点：具体故障节点和故障特征节点；故障特征节点之间相连，同时故障特征节点与具体故障节点之间相连。优选的，在FullBNT-1.04平台上运用matlab辅助工具初步建立电梯系统故障诊断的贝叶斯网络模型图。优选的，步骤2中，贝叶斯网络结构学习算法采用K2评分算法,用P(G,D)作为评分函数：其中，P(G)是网络结构G的先验概率，Xi为网络节点，Xi有等ri个状态，即节点Xi对应的父节点集为∏i，πi为∏i的配置，πi排列顺序为1,2…qi，Nijk是在数据集D中满足Xi＝xik且πi＝j的情况数量。优选的，步骤3中，采用EM算法实现贝叶斯网络参数学习，即在样本数据基础上，寻求网络各节点的概率分布；利用网络拓扑结构和训练样本集以及先验知识，确定贝叶斯网络模型各结点处的条件概率密度，记为P(θ|D,G)；求解收敛到局部节点最优参数的过程：首先初始化配置，然后经过迭代E和M两步寻找最大后验概率假设，并收敛最优值。具体的，对数据进行最大似然估计，模拟最符合结构的参数，具体步骤如下：(1)E步(期望)h,i,j,k,l,s∈N其中E是期望值；D是训练样本；表示寻找的最优参数，Xi的值域是qi是配置πi的排列顺序1,…,qi；Nijk是在数据集D中满足变量值Xi＝xik且πi＝j的条件发生次数；yl是D中丢失的数据个数；Sh是贝叶斯网络结构选择假设。(2)M步(最大估计)最大似然估计函数：最大后验估计：Ni′jk是先验充分统计因子；Nijk是样本数据充分统计因子，i,j,k,h,q∈N。优选的，为提高多节点复杂贝叶斯网络的运算效率，采用贝叶斯网络近似推理算法：蒙特卡洛算法；此方法无需联合树等其他的辅助结构，只需利用一个随机数发生器和贝叶斯模型的条件概率分布表来确定每个电梯故障特征节点的状态，然后产生大量的样本，每个变量保存一个计数，同时记录该变量处于每种状态的次数，产生所有的样本以后计算概率。本专利技术与现有技术相比，具有如下优点和有益效果：本专利技术提出了一种新颖的电梯健康诊断方法。本方法利用电梯故障的不同样本进行贝叶斯网络结构和参数学习,并采用蒙特卡洛推理机制，建立起一个符合电梯运行机理的贝叶斯网络电梯故障诊断模型。利用不同种类故障的数据样本进行实验，检验了该方法在判断电梯故障中具有较高的正确率，为目前电梯系统的故障预测及安全性能提供了辅助手段。相比其他只针对特征状态本身进行预测的诊断方法，贝叶斯网络电梯故障诊断模型考虑到了复杂系统状态变量间的相互制约关系，更加科学严谨，通过已有的数据样本验证了该方法可实现较高的预测率，因此，基于贝叶斯网络的健康诊断方法在电梯健康诊断和预测方面是非常有效的，具有广阔的应用前景。附图说明图1为实施例方法的实施流程图。图2为曳引驱动贝叶斯网络模型图。图3为在有完备数据与不完备数据条件下诊断正确率的比较。图4为在不同数据量训练的情况下对电梯故障诊断的正确率。图5为在不同数据量下电梯贝叶斯网络训练时间。具体实施方式下面结合实施例及附图对本专利技术作进一步详细的描述，但本专利技术的实施方式不限于此。实施例1、对曳引式电梯的故障特征筛选，包括电梯基本结构中的曳引系统、导向系统、门系统、轿厢、重量平衡系统、电力拖动系统、电气控制系统、安全保护系统八大系统。以及对电梯安全运行起重要作用的部件，包括：曳引驱动、悬挂装置、轿厢架和轿厢、对重、门系统、安全保护、电气控制、导轨。筛选出其中易出故障关键部件及故障特征如表1所示，电梯主要故障特征如表2所示：表1电梯系统故障关键部件及其安全指标表2电梯主要故障特征2、结合贝叶斯网络原理，运用贝叶斯网络中的概率理论：先验概率：由专业人员进行评估或者查阅历史文献所得到的概率值。先验概率按照来源划分成两种，第一种是客观的数据，具体是指前人通过具体实践得到的概率数据，本实施例中的先验数据来自电梯说明书、地铁公司使用电梯记录的数据统计、以及以往电梯的研究文献等；第二种是主观概率，是在资料没有或不全，没有实践的情况下得到的数据，主要是凭领域专家长期的实践经验评估。后验概率：根据贝叶斯公式，对先验概率进行修正，使其更符合实际情况。贝叶斯公式：基于贝叶斯网络的电梯故障诊断方法即是应用训练完备的贝叶斯网络,通过故障特征节点的实时状态,推断故障节点发生故障的概率。3、建立一个基于贝叶斯网络的电梯故障诊断模型：由于电梯系统结构非常复杂，完整的贝叶斯网络模型节点数量众多，以曳引驱动贝叶斯网络模型为例，阐述基于贝叶斯网络的电梯故障诊断模型。在贝叶斯网络模型中包含2种节点：(1)具体故障节点；(2)故障特征节点。故本文档来自技高网...

【技术保护点】
1.一种基于贝叶斯网络的电梯健康诊断方法，其特征在于，包括以下步骤：S1、筛选电梯易出故障关键部件及故障特征，建立基于贝叶斯网络的电梯故障诊断模型；S2、在给定一个数据样本集合D的前提下，寻找一个与训练样本集合D匹配最好的网络结构；S3、实现贝叶斯网络参数学习；S4、应用训练完备的贝叶斯网络,通过故障特征节点的实时状态,推断故障节点发生故障的概率。

【技术特征摘要】
1.一种基于贝叶斯网络的电梯健康诊断方法，其特征在于，包括以下步骤：S1、筛选电梯易出故障关键部件及故障特征，建立基于贝叶斯网络的电梯故障诊断模型；S2、在给定一个数据样本集合D的前提下，寻找一个与训练样本集合D匹配最好的网络结构；S3、实现贝叶斯网络参数学习；S4、应用训练完备的贝叶斯网络,通过故障特征节点的实时状态,推断故障节点发生故障的概率。2.根据权利要求1所述的基于贝叶斯网络的电梯健康诊断方法，其特征在于，先验概率来源于前人通过具体实践得到的概率数据，包括来自电梯说明书、地铁公司使用电梯记录的数据统计以及以往电梯的研究文献；针对在资料没有或不全，没有实践的情况下得到的数据，先验概率来源于领域专家长期的实践经验评估。3.根据权利要求1所述的基于贝叶斯网络的电梯健康诊断方法，其特征在于，在贝叶斯网络模型中包含2种节点：具体故障节点和故障特征节点；故障特征节点之间相连，同时故障特征节点与具体故障节点之间相连。4.根据权利要求1所述的基于贝叶斯网络的电梯健康诊断方法，其特征在于，在FullBNT-1.04平台上运用matlab辅助工具初步建立电梯系统故障诊断的贝叶斯网络模型图。5.根据权利要求1所述的基于贝叶斯网络的电梯健康诊断方法，其特征在于，步骤2中，贝叶斯网络结构学习算法采用K2评分算法,用P(G,D)作为评分函数：其中，P(G)是网络结构G的先验概率，Xi为网络节点，Xi有等ri个状态，即节点Xi对应的父节点集为∏i，πi为∏i的配置，πi排列顺序为1,2…qi，Nij...

【专利技术属性】
技术研发人员：周曙，周羿，刘新东，张新征，张建芬，刘畅，陈哲，
申请(专利权)人：暨南大学，
类型：发明
国别省市：广东,44