一种基于卷积神经网络的电梯故障识别方法技术

本发明专利技术公开了一种基于卷积神经网络的电梯故障识别方法，包括：步骤一、采集电梯运动数据，并通过小波变换转换为时‑频谱图作为样本集；步骤二、将样本集中的时‑频谱图分为训练集和测试集，对训练集中样本标记故障种类以及故障程度，作为数据样本的已知标签；步骤三、建立卷积神经网络，将训练集中的时‑频谱图输入卷积神经网络并提取分类前一层的特征；步骤四、根据步骤二中给定的标签和步骤三提取的特征，训练多类SVM分类器；步骤五、训练完成后，得到SVM分类器对每一类故障的预测率；步骤六、检测识别。本发明专利技术实现了一种角度新颖、符合实际情况、准确度高的电梯故障识别方法，且对硬件要求低、可移植性高。

An elevator fault recognition method based on convolution neural network

The invention discloses an elevator fault identification method based on the convolution neural network, including step 1, collecting the motion data of the elevator, and using the wavelet transform as the sample set. Step two, divide the time spectrum map into the training set and the test set, and mark the fault of the training centralized sample. Type and degree of failure as a known label for data samples; step three, a convolution neural network is established to input the convolution neural network into the convolution neural network and extract the features of the first layer of classification; step four, the multi class SVM classifier is trained according to the characteristics proposed by the label and step three given in step 2. Step five, after training, the prediction rate of each classifier is obtained by SVM classifier; step six, detection and recognition. The invention realizes an elevator fault recognition method with novel angle, high accuracy and high accuracy, and has low hardware requirements and high portability.

【技术实现步骤摘要】
一种基于卷积神经网络的电梯故障识别方法
本专利技术属于电梯故障检测领域，特别涉及一种基于卷积神经网络的电梯故障识别方法。
技术介绍
对国内电梯行业现状而言，对电梯轿厢运动状态的监测仍存在诸多问题。我国由于电梯基数庞大，尽管电梯行业发展平稳，但与之密切相关的电梯维修与保养水平却难以跟上行业前进的步伐，导致了我国电梯安全事故率居高不下。当前大多楼宇电梯工作在独立封闭的环境中，维保人员无法实时掌握电梯工作状态并及时处理电梯运行中产生的问题。且国家在电梯的监测环节中缺乏高效准确的监测技术手段和设备，检验机构尚未建立完善远程监控网络。而对电梯高频率的维护检查会使维护成本大大增加，给用户带来很大的经济负担。目前的国内电梯安全检测方法有很多不完善的地方，对主要问题说明如下：1)大多以电梯电机系统中的数据柜为数据源，因此依赖于具体的电梯种类与型号，可移植性差；2)故障的判断方法为简单地检查电梯运动数据是否超过一个固定的阈值，不能根据电梯所处的不同运动状态调整该阈值，因此无法结合运动状态进行判断，准确性差；3)故障的判断方法基于对信号在时域的数据分析，没有考虑信号在频域所提供的信息，因此信息来源单一，准确性差。卷积神经网络是当前图像识别领域的研究热点。它的权值共享网络架构使之更类似于生物神经网络，降低了网络模型的复杂性，减少了权值的数量。该优点在网络的输入是多维图像时更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。卷积网络是为识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移/比例缩放/倾斜或者共他形式的变形具有高度不变性。
技术实现思路
针对现有技术的不足，本专利技术提出了一种角度新颖、符合实际情况、准确度高的基于卷积神经网络的电梯故障识别方法。本专利技术是这样实现的：一种基于卷积神经网络的电梯故障识别方法，包括如下步骤：步骤一、采集电梯在不同工作状态下的运动数据，并将运动数据通过小波变换转换为时-频谱图，将得到的时-频谱图作为样本集，并对样本集中的时-频谱图进行预处理；步骤二、将样本集中的时-频谱图分为训练集和测试集，对训练集中样本标记故障种类以及故障程度，作为数据样本的已知标签；步骤三、建立卷积神经网络，将训练集中的时-频谱图输入卷积神经网络并提取分类前一层的特征；步骤四、根据步骤二的标签和步骤三提取的特征，训练多类SVM分类器；步骤五、训练完成后，得到SVM分类器对每一类故障的预测率；步骤六、将电梯的实时运动数据通过步骤一的方法进行采集和预处理后，输入SVM分类器进行故障检测，从而有效识别电梯故障。本专利技术创新性的通过采集电梯的运动数据，结合小波变换、卷积神经网络处理，SVM分类器训练，从而能够获得SVM分类器对每一类故障的预测率，后续仅需采集电梯的运动数据并处理，就能够利用SVM分类器进行电梯故障的检测和识别，准确有效，而且手段新颖。为了更具体的说明本专利技术的技术方案，下面对本专利技术的每一个步骤进行具体而详细的论述。步骤一中，运动数据的采集可以采用传感器采集，采集的不同工作状态下的运动数据主要包括电梯正常运行和电梯发生故障时的运动数据，而运动数据具体包括电梯运动的Z方向加速度和三维运行姿态数据，三维运行姿态数据分别为以x方向为轴的角加速度，以y方向为轴的角加速度，以z方向为轴的角加速度。其中，传感器可以为MEMS六轴运动传感器。进一步的，电梯发生故障时的运动数据，包括电梯发生不同故障、以及发生故障的不同程度时的数据。具体而言，电梯发生不同故障，是指电梯设备的电动机、悬挂绳、安全钳和载重传感器部件出现的故障，主要根据电梯z方向加速度异常数据进行判别；以及电梯设备的导轨、导靴和减震器部件出现的故障，主要根据电梯三维运行姿态的异常数据进行判别。发生故障的不同程度，分别用I型故障、II型故障、III型故障来表示，其中I型故障的故障程度最为严重，III型故障的故障程度最低，具体的故障不同程度的划分依据根据国家标准转化为阈值，对训练集数据进行阈值比较并根据故障种类及程度不同进行标记。步骤一中，采集的运动数据在小波变换前，还需要进行卡尔曼滤波，以降低噪声和干扰额影响。卡尔曼滤波为本领域通晓的技术手段，在此不进行详述。步骤一中，令t表示电梯一次完整的加速(减速)至匀速的过程所经历的时间，经实验表明，不同型号的电梯t值也不同，经过卡尔曼滤波之后的运动数据，以t秒/段的速率进行分割，然后再通过小波变换成时-频谱图。步骤一中，小波变换是指用有限长或快速衰减的、称为母小波的振荡波形来表示信号。该波形被缩放和平移以匹配输入的信号。小波变换的数学形式为：其中x为原信号，X为x经小波变换后的输出，ψ为母小波。所述的母小波需满足以下条件：另外，预处理包括：将小波变换后的时-频谱图缩放成大小为227×227像素的彩色图片。预处理还包括：在传输图片至卷积神经网络输入层时，每次读取图像时都调用读函数。所述读函数是将图像先灰度化，再重复灰度化图像3次形成RGB图像，再对图像进行缩放；缩放时应注意宽高比，保证输入卷积神经网络的图片大小始终为227×227像素。步骤二中，将样本集中百分之七十的数据作为训练集，百分之三十数据作为测试集。由于故障数据量有限，因此按照机器学习训练时的习惯将训练集和测试集的比例设置为7:3。步骤三中，卷积神经网络为AlexNet网络架构，该网络共有8层，其中前5层为卷积层，后三层为全连接层，最后一个全连接层的输出为一个具有融合了标签1000个分类特征的Softmax函数。所述卷积层在卷积神经网络中用于图像特征的抽象和提取，其核心操作是一个卷积核对图像做自上而下，自左而右的加权和。这里所述的卷积核的尺寸是网络事先指定的，但是卷积核内的参数全部都是需要不断学习得到的。卷积核的厚度等于被卷积的图像的通道数，卷积核的个数等于卷积操作后输出的通道数。下面将给出五层卷积层的卷积核的相关参数：卷积层conv1：96*11*11*3(卷积核个数/宽/高/厚度)卷积层conv2：256*5*5*48(卷积核个数/宽/高/厚度)卷积层conv3：384*3*3*256(卷积核个数/宽/高/厚度)卷积层conv4：384*3*3*192(卷积核个数/宽/高/厚度)卷积层conv5：256*3*3*192(卷积核个数/宽/高/厚度)在每一次卷积操作之后都会进行池化操作，用于特征融合和降维，其中所有参数都是网络事先设置好的，不需要通过学习得到。全连接层负责逻辑推断，其权系数都是通过学习得到。第一层全连接层fc6用于链接卷积层的输出，去除空间信息即通道数，将三维矩阵变为向量。全连接层的每一个结点都与上一层的所有结点相连，用来把之前架构层提取到的特征综合起来。我们将提取fc7层或fc8层综合的特征作为SVM分类器的输入特征向量。步骤四中，假设训练数据集在一个给定的特征空间上，其中训练数据集表示为T{(x1，y1)，(x2，y2)，...，(xN，yN)}其中，xi∈x＝Rn，yi∈y＝{1，-1}，i＝1，2，...，N，xi为第i个特征向量，yi为xi的类标记，当yi＝1时，称xi为正例；当yi＝-1时，称xi为负例，(xi，yi)称为样本点SVM分类器根据间隔最大化准则构造最优超平面进行分类；其中最优超平面表示本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的电梯故障识别方法，其特征在于包括如下步骤：步骤一、采集电梯在不同工作状态下的运动数据，并将运动数据通过小波变换转换为时‑频谱图；将得到的时‑频谱图作为样本集，并对样本集中的时‑频谱图进行预处理；步骤二、将样本集中的时‑频谱图分为训练集和测试集，对训练集中样本标记故障种类以及故障程度，作为数据样本的已知标签；步骤三、建立卷积神经网络，将训练集中的时‑频谱图输入卷积神经网络并提取分类前一层的特征；步骤四、根据步骤二中的标签和步骤三提取的特征，训练多类SVM分类器；步骤五、训练完成后，得到SVM分类器对每一类故障的预测率；步骤六、将电梯的实时运动数据通过步骤一的方法进行采集和预处理后，输入SVM分类器进行故障检测，有效识别电梯故障。

【技术特征摘要】
1.一种基于卷积神经网络的电梯故障识别方法，其特征在于包括如下步骤：步骤一、采集电梯在不同工作状态下的运动数据，并将运动数据通过小波变换转换为时-频谱图；将得到的时-频谱图作为样本集，并对样本集中的时-频谱图进行预处理；步骤二、将样本集中的时-频谱图分为训练集和测试集，对训练集中样本标记故障种类以及故障程度，作为数据样本的已知标签；步骤三、建立卷积神经网络，将训练集中的时-频谱图输入卷积神经网络并提取分类前一层的特征；步骤四、根据步骤二中的标签和步骤三提取的特征，训练多类SVM分类器；步骤五、训练完成后，得到SVM分类器对每一类故障的预测率；步骤六、将电梯的实时运动数据通过步骤一的方法进行采集和预处理后，输入SVM分类器进行故障检测，有效识别电梯故障。2.根据权利要求1所述基于卷积神经网络的电梯故障识别方法，其特征在于：步骤一中，运动数据的采集采用传感器采集，采集的不同工作状态下的运动数据包括电梯正常运行和电梯发生故障时的运动数据，运动数据具体包括电梯运动的z方向加速度和三维运行姿态数据，三维运行姿态数据分别为以x方向为轴的角加速度、以y方向为轴的角加速度、以z方向为轴的角加速度。3.根据权利要求1所述基于卷积神经网络的电梯故障识别方法，其特征在于：采集的运动数据在小波变换前，还需要进行卡尔曼滤波，经过卡尔曼滤波之后的运动数据，以t秒/段的速率进行分割，t表示电梯一次完整的加速或减速至匀速的过程所经历的时间。4.根据权利要求1或3所述基于卷积神经网络的电梯故障识别方法，其特征在于：所述小波变换是指用有限长或快速衰减的、称为母小波的振荡波形来表示信号，该波形被缩放和平移以匹配输入的信号；小波变换的数学形式为：其中x为原信号，X为x经小波变换后的输出，ψ为母小波；所述的母小波需满足以下条件：5.根据权利要求1所述基于卷积神经网络的电梯故障识别方法，其特征在于：预处理包括：将已知不同故障种类的电梯运动数据经小波变换后的时-频谱图缩放成大小为227×227像素的彩色图片并根据故障种类的不同与不同标签相匹配；还包括：在传输图片至卷积神经网络输入层时，每次读取图像时都调用读函数；所述读函数是将图像先灰度化，再重复灰度化图像3次形成RGB图像，再对图像进行缩放；缩放时应注意宽高比，保证输入卷积神经网络的图片大小始终为227×227像素。6.根据权利要求1所述基于卷积神经网络的电梯故障识别方法，其特征在于：步骤二中，将样本集中百分之七十的数据作为训练集，百分之三十数据作为测试集。7.根据权利要求1所述基于卷积神经网络的电梯故障识别方法，其特征在于：步骤三中，卷积神经网络为AlexNet网络架构，该网络共有8层，其中前5层为卷积层，后三层为全连接层，最后一个全连接层的输出为一个具有融合了标签1000个分类特征的Softmax函数。8.根据权利要求1所述基于卷积神经网络的电梯故障识别方法，其特征在于：步骤四中，假设训练数据集在一个给定的特征空间上，其中训练数据集表示为T{(x1，y1)，(x2，y2)，...，(xN，yN)}其中，xi∈x＝Rn，yi∈y＝{1，-1}，i＝1，2，...，N，xi为第i个特征向量，yi为xi的类...

【专利技术属性】
技术研发人员：李立，高懿凝，王碧杉，文治，黄睿，付子豪，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42