The invention discloses a fault diagnosis method based on wavelet packet decomposition and neural network. The invention aims at the vertical elevator, and comprehensively uses the wavelet packet decomposition method and the full connection neural network to diagnose the excessive vibration fault of the elevator based on the acceleration signal of the elevator. The invention considers the non stationarity of the elevator acceleration signal in the actual environment, decomposes the acceleration signal into sub signals by using wavelet packet decomposition, extracts the time-frequency characteristics of the sub signals, combines them into feature vectors, and finally uses the full connection neural network to classify the positive and negative samples according to the feature vectors of the acceleration signal, so as to establish a positive sample identification method And negative sample model for on-line fault diagnosis. This method realizes the effective real-time diagnosis for the excessive vibration fault of the vertical elevator, which has a good diagnosis effect, ensures the safety of the elevator in the operation process, and reduces the occurrence of accidents.
【技术实现步骤摘要】
基于小波包分解和神经网络的直梯振动过大故障诊断方法
本专利技术属于加速度信号的故障诊断
,特别是针对一种面向直梯振动过大的基于小波包分解和全连接神经网络的故障诊断方法。
技术介绍
直梯是一种在城市建筑中使用非常广泛的特种设备,其安全可靠性直接关系着居民的人身安全。根据国家质检总局发布的《国家市场监督管理总局关于2017年全国特种设备安全状况情况的通报》,截至2017年底,全国特种设备总量达1296.52万台,比2016年底上升8.31%,其中电梯数量为562.7万台。2017年,全国发生特种设备事故和相关事故238起,死亡251人,受伤145人,与2016年相比,事故起数增加5起、增幅2.15%,死亡人数减少18人、降幅6.69%,受伤人数增加5人、增幅3.57%。而其中电梯事故有28起是由于操作不当或违章作业所造成的,有7起事故是由于设备缺陷和安全附件失效或保护装置失灵等原因所造成的,有7起是由于应急救援(自救)不当造成的,5起是由于维护保养、安全管理不到位造成的。因此,电梯的安全问题日益得到公众的关注,对电梯进行有效的故障诊断也具有及其重要的实际意义。运行中的电梯如果出现振动过大的故障,将会影响乘客的舒适感,严重情况下甚至会造成乘客的恐慌,导致乘客做出一些错误的自救行为。因此,对电梯振动过大这一故障进行诊断,可以有效地保障电梯运行过程中的安全性。电梯作为一种机械设备,其加速度信号中包含了大量的设备状态信息,如何从复杂的非平稳信号中提取特征是当前学者研究的主要内容。针对加速度信号的处理方法有时域分析法 ...
【技术保护点】
1.一种基于小波包分解和神经网络的直梯振动过大故障诊断方法,其特征在于,包括以下步骤:/n(1)使用采样频率为100Hz的加速度传感器采集电梯运行过程中的正常状态和振动过大状态的加速度信号,以电梯进行一次加速-匀速-减速的运动过程所采集到的原始加速度信号作为一个原始加速度信号样本,进行模型训练,包括以下步骤:/n(1.1)对原始加速度信号样本进行三层小波包分解:将原始的加速度信号分解为8个子信号s
【技术特征摘要】
1.一种基于小波包分解和神经网络的直梯振动过大故障诊断方法,其特征在于,包括以下步骤:
(1)使用采样频率为100Hz的加速度传感器采集电梯运行过程中的正常状态和振动过大状态的加速度信号,以电梯进行一次加速-匀速-减速的运动过程所采集到的原始加速度信号作为一个原始加速度信号样本,进行模型训练,包括以下步骤:
(1.1)对原始加速度信号样本进行三层小波包分解:将原始的加速度信号分解为8个子信号si(i=1,2,3,...,8),其中si表示第i个子信号,s1为近似信号,s2,s3,...,s8为频率范围逐渐增大的细节信号。
(1.2)针对(1.1)中的8个子信号,分别计算其能量值Ei(i=1,2,3,...,8),对于子信号s1,计算其4个常用的时域特征均方根值Xrms、峰值指标Cf、峭度指标Kf、波形指标Sf,将上述12个特征值组合成加速度信号对应的特征向量X=[XrmsCfKfSfE1E2E3E4E5E6E7E8]。
(1.3)构建输入层维度为12、两个隐藏层维度为50、输出层维度为2的全连接神经网络。
(1.4)将(1.2)中得到的特征向量X及对应的标签数据输入到(1.3)构建的神经网络模型中进行训练,得到基于神经网络的电梯振动过大故障诊断模型。
(2)实时采集电梯运行过程中的加速度信号,按照步骤1.1-1.2得到加速度信号对应的特征向量,将特征向量输入到按照步骤1.3-1.4训练好的神经网络模型进行故障诊断。
2.根据权利要求1所述的故障诊断方法,其特征在于,所述的步骤(1.1)中,针对原始加速度信号进行三层小波包分解,所使用的小波函数为Daubechies小波中的db1小波,具体分解方法如下:
其中,是第j层小波包分解得到的第i个子信号,t是时间变量,是近似信号,是细节信号,H和G是滤波器系数...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。