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技术

本发明专利技术公开了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。本发明专利技术针对的是直梯，综合运用小波包分解法和全连接神经网络，基于电梯加速度信号对电梯振动过大故障进行诊断。本发明专利技术考虑了电梯加速度信号在实际环境中的非平稳性，利用小波包分解将加速度信号分解为子信号，再对子信号提取时频域特征，将其组合成特征向量，最后利用全连接神经网络根据加速度信号的特征向量对正样本和负样本进行二分类处理，建立能够识别正样本和负样本的模型，用于在线故障诊断。该方法实现了针对直梯振动过大故障的有效实时诊断，具有较好的诊断效果，保障了载人电梯运行过程中的安全性，减少了事故的发生。

Fault diagnosis method based on wavelet packet decomposition and neural network

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、频域分析法、时频域分析法，一般为了较好地同时反映出信号在时域和频域的特征，会选择时频域分析法对加速度信号进行预处理，例如小波分解法(WT)、经验模态分解(EMD)等。在对信号进行预处理之后，由于分解得到的子信号较多，信号的时频域特征也很多，很难通过提取单一的统计特征来有效地反应设备的故障信息。因此，针对分解后的子信号，计算其常用的时频域特征，构成特征向量，输入到训练好的神经网络模型中进行故障诊断。相比于人工筛选有效的时频域特征，利用神经网络进行有监督学习，可以自动提取出有效的时频域特征，反映出设备的故障信息。
技术实现思路
本专利技术的目的在于针对一种面向直梯这一特种设备，提供了一种基于小波包分解和神经网络的故障诊断方法。该方法首先利用小波包分解法对直梯的加速度信号样本进行三层小波包分解，得到8个子信号，再对子信号进行常用的时频域特征计算，组合成特征向量，然后将特征向量输入到神经网络模型中进行分类处理。该专利技术可在线实时对电梯进行振动过大故障诊断，有效地提高了故障诊断效率，保障了电梯运行安全。本专利技术的目的是通过以下技术方案实现的：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，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。进一步地，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；因此三层小波包分解后的8个子信号满足进一步地，所述的步骤(1.2)中，针对8个子信号，分别计算其能量值Ei(i＝1,2,3,…,8)，以及针对子信号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，具体计算方法如下：(3.1)设子信号si(i＝1,2,3,…,8)的序列为{xi,k},k＝1,2,…,N，其中N为数据点数目。(3.2)计算(3.1)中子信号si(i＝1,2,3,…,8)序列的能量值(3.3)计算(3.1)中子信号s1序列的均方根值(3.4)计算(3.1)中子信号s1序列的峰值指标(3.5)计算(3.1)中子信号s1序列的峭度指标(3.6)计算(3.1)中子信号s1序列的波形指标进一步地，所述的步骤(1.3)中，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，神经网络模型的损失函数是交叉熵损失函数L，第一层隐藏层后面连接的激活函数是Sigmoid函数，第二层隐藏层后面连接的激活函数是Tanh函数，输出层后面连接的激活函数是Sigmoid函数。具体的函数公式如下：y是样本的真实值，是模型对样本的预测值；u是激活函数的输入。进一步地，所述的步骤(1.4)中，将步骤(1.2)中所得到的特征向量输入到神经网络模型中进行训练，其中训练的具体方法采用的是Adam梯度下降方法，训练到loss收敛即得到故障诊断模型。训练中，网络的权重初始化采用Normal初始化，偏置均以0为初始化。本专利技术的有益效果是：本专利技术从直梯的加速度信号入手，首先利用小波包分解法对原始的加速度信号进行三层分解，得到8个子信号；接下来计算8个子信号的常用的时频域特征，并将计算出的时频域特征组合成原始加速度信号所对应的特征向量。接下来构建一个全连接神经网络，将特征向量输入到神经网络中进行分类，对有效特征进行提取，实现故障诊断。本专利技术实现了针对电梯振动过大故障的有效实时诊断，具有较好的诊断效果，保障了载人电梯运行过程中的安全性，减少了事故的发生。附图说明图1是本专利技术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流程图。图2是实例中正常原始信号与振动过大原始信号的对比图，其中a为正样本，b为负样本。图3是原始振动信号图。图4是原始振动信号经过小波包分解得到的子信号图。图5是实例中神经网络结构本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：赵春晖，郑琪，李泽华，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33