一种基于大数据的扶梯振动趋势预测方法技术

一种基于大数据的扶梯振动趋势预测方法，包括收集扶梯多路大数据信息，分离各独立成分信息，滤波后重构纯净的振动源信号特征，对应构建扶梯振动数据集，建立识别模型并进行工况判别，对电动扶梯振动趋势进行预测，该方法可解决了高噪声环境的干扰和多工况扶梯趋势杂混难以独立提取，趋势序列预测准确等问题，能对扶梯振动趋势进行有效的预测。对扶梯振动趋势进行有效的预测。对扶梯振动趋势进行有效的预测。

【技术实现步骤摘要】
一种基于大数据的扶梯振动趋势预测方法


[0001]本专利技术涉及信息处理
，涉及大数据分析与智能预测领域领域，尤其涉及一种基于大数据的扶梯振动趋势预测方法。

技术介绍

[0002]电动扶梯，亦称自动行人电梯，是带有循环运行阶梯的一类扶梯，是用于向上或向下倾斜运送乘客的固定电力驱动设备，常用于商场、天桥、地铁站等公共设施。由于使用人数众多，其安全及维护问题也是十分重要的。目前扶梯维护主要分为定期保养型维护、夜间停机检维修及临时故障维修，而运行过程中由机电系统或传感器记录数据是一种检测故障的重要手段。扶梯运行数据包括电机转速、键相值、电机功率、电机电流等代表运行状态的过程量信号和电机、减速箱、主驱动轮、梯级链涨紧轮等测点的振动信号，尤其是振动信号，是对扶梯运行状态进行监控与诊断故障的重要依据。利用智能化手段，对关键测点进行振动分析，对扶梯的故障预警和全生命周期维护尤为关键。
[0003]扶梯的大部分故障都具有时间依存性的、可预知的趋势性故障，采用科学有效的故障预测方法往往能够揭示故障的发展变化，有利于避免设备恶性事故的发生。故障趋势预测是避免发生恶性事故并实现机电设备的现代预知维护的关键技术。
[0004]现有技术中，例如公开号为CN 110937489 B的专利技术专利公开了自动扶梯的在线故障监控预警方法及系统，具体公开了：获取多个传感器的数据进行融合传感器特征得到关键部件的实时信号特征，进行转换后将实时信号特征和正常信号特征转化为分布变化并进行对比以得到健康值，最终实现扶梯故障预警，但是其并未将多个不同的振动特征进行分离，精度不够；例如公开号为CN 111650919 B的专利技术专利公开了多维度监测的自动扶梯故障预测与健康管理方法及系统，其通过获取长时监测样本数据包括多个零部件的多个维度监测数据，通过构建深度迭代的神经网络学习模型进行实时故障判断和实时健康状态判断，利用机器学习模型，并循环反馈进行预警，虽然其利用多个部件的多个维度监测数据，并采用了机器学习的方法进行预测，但是其多维度监测数据的处理方式相对简单，预测过程也是基于迭代方式，效率低，且需要的数据量大；公开号为CN 114920122 A的专利技术专利公开了一种基于迁移学习的自动扶梯故障预警方法及系统，其也公开了采集目标扶梯的待分析特征数据，待分析特征数据包括多个部件的振动数据、温度数据和噪声数据，将所述待分析特征数据输入故障预警识别模型进行分析识别后进行预警，虽然其也利用多个部件的多个维度的监测数据，机器学习建模，但是其并故障和噪声信息耦合在一起，结果预测精度较低。
[0005]目前扶梯机组工况复杂，根据不同适用条件分为定速工况、变速工况、转速工况，不定期的工况切换给趋势预测带来困难。此外，常年工作在强噪条件下，故障特征量常年与噪声信息耦合在一起，噪声对振动故障趋势预测干扰大。

技术实现思路

[0006]本专利技术的目的在于克服现有技术的不足，提供一种基于大数据的扶梯振动趋势预测方法，能对扶梯振动趋势进行有效的预测。
[0007]本专利技术提供了一种基于大数据的扶梯振动趋势预测方法，包括如下步骤：
[0008](1)收集扶梯各个关键部件对应的多路大数据信息，分别从多路大数据信息的混合信号中分离各独立成分信息，将噪声成分滤波后重构纯净的振动源信号特征，对应构建扶梯振动数据集；
[0009](2)基于扶梯振动数据集建立识别模型，并应用识别模型对扶梯振动数据进行工况判别；
[0010](3)基于工况判别结果，对电动扶梯振动趋势进行预测；
[0011](4)基于预设故障程度判别标准，评估扶梯当下工作状态的健康程度。
[0012]其中，所述步骤(1)中收集扶梯各个关键部件对应的多路大数据信息，具体为：采集电动扶梯各个关键部件分别对应的多个测点的振动波形信号，其中测点涵盖电机、减速箱、主驱动轮、梯级链涨紧轮中的至少一个关键部件。
[0013]其中，所述步骤(1)中在采用独立成分分析法剔除噪声成分。
[0014]其中，所述步骤(2)中建立识别模型通过构建Kmeans聚类模型实现。
[0015]其中，所述步骤(1)具体包括如下步骤：
[0016](1.1)采集电动扶梯各个关键部件分别对应的多个测点的振动波形信号；
[0017](1.2)在噪声成分滤波中，将每个部件的多个传感器源作为独立成分分析ICA的独立元进行处理，即将同一部件的多个测点的振动波形作为独立元进行独立成分分析ICA，分离出各个倍频的分量，剔除全频带上的噪声，重构振动源信号特征。
[0018]其中，所述步骤(3)具体为收集同一工况下去噪的振动趋势序列，进行平滑处理，再通过差分整合移动平均自回归预测模型对振动趋势进行预测。
[0019]其中，所述步骤(3)具体为：
[0020](3.1)收集同一工况下去噪的振动趋势序列，对振动趋势序列进行滑动窗口平均化处理；
[0021](3.2)检查趋势序列平稳性，如果检查不能通过，则对序列做差分直到满足平稳性条件为止，记录差分次数i；
[0022](3.3)根据趋势序列的AIC信息量整定最优的AR阶次p，以及最优MA阶次q；
[0023](3.4)以p和q阶次构造差分整合移动平均自回归模型对趋势序列进行预测，以差分次数i还原源序列，得到满足置信度下的预测范围和若干时间长度的预测结果。
[0024]其中，差分整合移动平均自回归模型为：
[0025]x
t
＝φ0+φ1x
t
‑1+
…
+φ
p
x
t
‑
p
+ε
t
+θ1ε
t
‑1+
…
+θ
q
ε
t
‑
q
[0026]其中ε
t
是一个白噪声序列，AR系数MA系数
[0027]本专利技术的基于大数据的扶梯振动趋势预测方法，可以实现多工况自适应的，通过预先工况判别，收集同一工况下的振动趋势序列，避免不同工况下的趋势数据杂混使得预测失去意义；通过独立成分分析提取多源信号中非噪声部分，避免受到强背景噪声的干扰；通过机器学习预测模型对趋势序列进行预测，故障程度判别标准可以是可自主设定的报警限，也可以是自适应自拟合的动态阈值，对趋势发展情况进行故障程度分析，得到当前扶梯
振动的状态评估和未来的发展倾向建议，便于及时地进行预测性维护。通过对扶梯多工况杂混的工作状态进行划分、有效预测和对预测结果进行直观有效的判别，通过该方法可解决了高噪声环境的干扰和多工况扶梯趋势杂混难以独立提取的难点，趋势序列预测准确，趋势故障预测维护性意见直观明了，为扶梯的全生命周期健康运行管理提供了技术支持。
附图说明
[0028]图1为基于聚类的扶梯运行工况划分方法流程图；
[0029]图2为基于大数据的扶梯振动趋势预测方法流程图。
具体实施方式
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据的扶梯振动趋势预测方法，其特征在于，包括如下步骤：(1)收集扶梯各个关键部件对应的多路大数据信息，分别从多路大数据信息的混合信号中分离各独立成分信息，将噪声成分滤波后重构纯净的振动源信号特征，对应构建扶梯振动数据集；(2)基于扶梯振动数据集建立识别模型，并应用识别模型对扶梯振动数据进行工况判别；(3)基于工况判别结果，对电动扶梯振动趋势进行预测；(4)基于预设故障程度判别标准，评估扶梯当下工作状态的健康程度。2.如权利要求1所述的方法，其特征在于：所述步骤(1)中收集扶梯各个关键部件对应的多路大数据信息，具体为：采集电动扶梯各个关键部件分别对应的多个测点的振动波形信号，其中测点涵盖电机、减速箱、主驱动轮、梯级链涨紧轮中的至少一个关键部件。3.如权利要求1或2所述的方法，其特征在于：所述步骤(1)中在采用独立成分分析法剔除噪声成分。4.如权利要求1所述的方法，其特征在于：所述步骤(2)中建立识别模型通过构建Kmeans聚类模型实现。5.如权利要求1所述的方法，其特征在于：所述步骤(1)具体包括如下步骤：(1.1)采集电动扶梯各个关键部件分别对应的多个测点的振动波形信号；(1.2)在噪声成分滤波中，将每个部件的多个传感器源作为独立成分分析ICA的独立元进行处理，即将同一部件的多个测点的振动波形作为独立元进行独立成分分析ICA，分离出各个倍频的分量，剔除全频带上的噪声，重构振动源信...

【专利技术属性】
技术研发人员：闫磊，房斌，宋佑举，寿柳姣，姜文文，
申请(专利权)人：青岛城市轨道交通科技有限公司，
类型：发明
国别省市：