本发明专利技术公开一种电梯故障预测系统及方法，其系统包括：电梯数据采集模块，用于采集电梯运行过程数据和电梯维修数据；数据预处理模块与电梯数据采集模块通讯连接，电梯运行过程数据和电梯维修数据建立神经网络拓扑结构，得到导致电梯维修数据与之相关的关联性电梯运行过程数据；故障预测模块与数据预处理模块通讯连接，将电梯运行过程数据输入神经网络模型，计算电梯运行过程数据对应电梯维修数据的权值，结合电梯维修数据提取维修时间序列输入机器学习模型中，获取电梯剩余使用寿命；应急处理模块，根据电梯维修数据对应电梯内部设备剩余使用寿命，作出相应备用应急处理手段。通过RBF神经网络模型实现电梯故障数据的预测和使用寿命的预测。
【技术实现步骤摘要】
本专利技术属于电梯故障检测，具体来说，涉及一种电梯故障预测系统及方法。
技术介绍
1、随着“智慧城市”和“智慧电梯”的发展需求，电梯运行系统故障预测问题已受到广泛关注和讨论。目前的电梯维护通常是基于定期检查和维护计划，或者是在电梯出现故障后进行维修。这种方法存在的问题是无法提前预测潜在故障，导致电梯故障和停机时间的增加，影响用户体验和运营成本。
2、在专利号为cn201910297745.1的中国专利技术专利中，公开了一种基于电梯运行参数的故障预测方法，获取电梯数据中对引起电梯故障敏感的电梯参数，形成电梯参数集；对电梯参数集进行数据处理，将电梯参数集中的参数进行异常值剔除、采用内插法对电梯参数进行缺失数据填补；调取m个时间点的电梯参数集q，作为训练数据集，则将m时刻电梯的同一机构作为一n维的电梯参数向量，对电梯参数进行处理。构建多层卷积神经网络的模型；对电梯参数进行故障预测。基于电梯运行参数的故障预测，可以利用当前获取的电梯参数，也可以基于以往的电梯参数进行预测，建立完善的电梯故障预测模型，进行故障预测。
3、现有专利的缺陷在于，采用知识库规则的推理方式对电梯采集参数进行训练处理，以达到符合电梯参数的故障预测；但单一的知识库规则需要大量的历史数据或者专家知识库数据进行支撑才能实现对多层卷积神经网络模型的训练达到预测的效果；同时预测神经网络模型只对线性增长或者有一定规律变化的电梯运行参数进行预测，无法对变化规律较复杂的电梯运行参数和时间序列进行预测。
技术实现思路
1、针对现有电梯故障预测方法采用知识库规则的推理方式对电梯采集参数进行训练处理，以达到符合电梯参数的故障预测，但忽略了知识库规则需要大量的历史数据或者专家知识库数据进行支撑才能实现对多层卷积神经网络模型的训练达到预测的效果的问题，本专利技术提供了一种电梯故障预测系统及方法。
2、为实现上述技术目的，本专利技术采用的技术方案如下：
3、一种电梯故障预测系统，包括电梯数据采集模块、数据预处理模块、故障预测模块和应急处理模块；
4、电梯数据采集模块，用于采集电梯运行过程数据和电梯维修数据；
5、数据预处理模块与电梯数据采集模块通讯连接，通过电梯运行过程数据和电梯维修数据建立神经网络拓扑结构，分析得到导致电梯维修数据与之相关的关联性电梯运行过程数据；
6、故障预测模块与数据预处理模块通讯连接，将电梯运行过程数据输入神经网络模型中，计算电梯运行过程数据对应电梯维修数据的权值，再结合电梯维修数据提取维修时间序列输入机器学习模型中，获取电梯剩余使用寿命；
7、应急处理模块，根据每个电梯维修数据具体对应电梯内部设备剩余使用寿命，作出相应备用应急处理手段。
8、进一步地，电梯运行过程数据包括上下行信号数据、门区信号数据、上下行方向限位信号数据、轿顶急停开关信号数据、安全钳开关信号数据、轿厢限速器开关信号数据、热保护继电器信号数据、各楼层门锁开关信号数据、轿门锁开关信号数据、电梯启停速度数据、电梯匀速运行速度数据、电梯启停加速度数据、制动电压数据、制动电流数据和各项温度数据。
9、进一步地，电梯维修数据包括极限开关接触不良故障、抱闸间隙过小或制动螺杆故障、电机接触器主触点压力不足故障、swd电子板的电位器调整不当、轿顶磁开关盒故障、供电系统突然断电故障、控制电源熔丝熔断或控制开关接触不良故障、总熔断器熔丝断裂故障、换速继电器故障或换速电路通线断开使停站继电器故障和楼层继电器接触不良故障。
10、进一步地，电梯运行过程数据和电梯维修数据建立神经网络拓扑结构的详细步骤包括：
11、将电梯运行过程数据作为拓扑结构的输入层xi(i＝1，2，3...，n)，隐含层ri(i＝1，2，3...，p)节点的激活函数采用高斯函数构成，电梯维修数据作为输出层yk(k＝1，2，3...，m)；
12、输入层传递输入信号到隐含层，隐含层确定径向基函数的中心，将输入层输入的矢量数据直接映射到隐含层空间，隐含层空间到输出层空间的映射关系是线性的，输出层是隐含层输出的线性加权和。
13、进一步地，径向基函数中心采用的高斯函数公式：
14、
15、其中ci是第i个基函数的中心向量，σi为径向基函数的方差(宽度参数)，p是隐函数的个数。该隐含层是采用非线性优化方法，而输出层则需要实现从该高斯函数ri(x)→yk的线性映射，即输出是在输出层线性加权组合之后形成神经网络的输出。
16、输出层yk的计算公式为：
17、
18、式中，m是输出层的节点数，wik为第i个隐含层节点到第k个输出节点的权值。
19、进一步地，整个神经网络模型的训练方法采用最近邻聚类学习算法，其最近邻聚类学习算法流程包括：
20、s1001、选取高斯函数作为径向基函数，设定矢量a(l)用于保存各类输出矢量的和，设计数器b(l)统计样本个数，l表示类别个数；
21、s1002、(x1，y1)作为初始化数据对，初始化c1＝x1，a(1)＝y1，b(1)＝l，以x1为聚类中心建立rbf网络，初始时隐含层为c1，输出层权矢量初始为w1＝a(1)/b(1)；
22、s1003、加入样本数据对(x2，y2)，从而求出x2到c1中心距离为|x2-c1|；当|x2-c1|≤γ，c1就是x2的最近邻聚类，此时a(1)＝y1+y2，b(1)＝2，w1＝a(1)/b(2)；当|x2-c1|＞γ，将x2作为新聚类中心，得到c2＝x2，a(2)＝y2，b(2)＝1；将隐单元c2添加到步骤s1002中建立的网络中去，c2输出层的权矢量为w2＝a(2)/b(2)。
23、s1004、当第m个数据对(xm，ym)m＝3，4，5...，n时，假设此时网络中存在m个聚类中心，m个中心点，m个中心点表示为c1，c2，c3，...cm，此时在已经建立的rbf网络中已存在m隐单元，分别求出数据对(xm，ym)到聚类中心的距离|xm-ci|，i＝1，2，3...m，找出m个距离最小的，假设|xm-xj|最小，那么则cj为xm的最近邻聚类；
24、再判断当|x2-c1|＞γ时，将xm作为新的聚类中心，令cm+1＝xm，m＝m+1，a(m)＝ym，b(m)＝1。保持各a(i)，b(i)(i＝1，2，3，...，m-1)的值不变。并再将隐单元cm添加到建立的rbf网络中去。
25、当|x2-c1|≤γ，作如下处理：a(j)＝a(j)+ym，b(j)＝b(j)+1。当i≠j时，i＝1，2，3，...m，用时保持各a(i)，b(i)(i＝1，2，3，...，m-1)的值不变。将输出层的权矢量设为wi＝a(i)/b(i)i＝1，2，3，...，m。
26、s1005、按照上述的步骤，建立的rbf网络输出函数为：
27、
28、在算法中，γ越小，所得到的聚类数目就越多本文档来自技高网
...
【技术保护点】
1.一种电梯故障预测系统，其特征在于，包括电梯数据采集模块、数据预处理模块、故障预测模块和应急处理模块；
2.根据权利要求1所述的一种电梯故障预测系统，其特征在于，电梯运行过程数据和电梯维修数据建立神经网络拓扑结构的详细步骤包括：
3.根据权利要求2所述的一种电梯故障预测系统，其特征在于，径向基函数中心采用的高斯函数公式：
4.根据权利要求3所述的一种电梯故障预测系统，其特征在于，整个神经网络模型的训练方法采用最近邻聚类学习算法，其最近邻聚类学习算法流程包括：
5.根据权利要求3所述的一种电梯故障预测系统，其特征在于，整个神经网络模型的预测算法采用如下步骤：
6.根据权利要求4或5所述的一种电梯故障预测系统，其特征在于，分析得到导致电梯维修数据与之相关的关联性电梯运行过程数据的详细步骤，采用判断电梯运行过程数据与预设初始值产生异常变化的电梯运行过程数据作为产生电梯维修数据故障的原因数据，多次观测产生电梯维修数据故障的原因是否均有该电梯运行过程数据异常的原因，若出现频率高于系统预设频率，则判定该电梯运行过程数据为神经网络拓扑结构的输入层，若出现频率低于系统预设频率，则判定该电梯运行过程数据不是导致电梯维修数据的故障原因。
7.根据权利要求6所述的一种电梯故障预测系统，其特征在于，电梯运行过程数据还包括电梯编号和电梯安装位置，电梯维修数据还包括电梯编号、电梯安装位置和电梯维修时间，通过同一类型的电梯维修数据及该类型电梯维修时间的序列输入机器学习模型中分析其电梯剩余使用寿命。
8.根据权利要求7所述的一种电梯故障预测系统，其特征在于，同一类型的电梯维修数据及该类型电梯维修时间的序列输入机器学习模型中分析电梯剩余使用寿命详细步骤为：
9.根据权利要求8所述的一种电梯故障预测系统，其特征在于，
10.一种电梯故障预测方法，其特征在于，包括步骤：
...
【技术特征摘要】
1.一种电梯故障预测系统，其特征在于，包括电梯数据采集模块、数据预处理模块、故障预测模块和应急处理模块；
2.根据权利要求1所述的一种电梯故障预测系统，其特征在于，电梯运行过程数据和电梯维修数据建立神经网络拓扑结构的详细步骤包括：
3.根据权利要求2所述的一种电梯故障预测系统，其特征在于，径向基函数中心采用的高斯函数公式：
4.根据权利要求3所述的一种电梯故障预测系统，其特征在于，整个神经网络模型的训练方法采用最近邻聚类学习算法，其最近邻聚类学习算法流程包括：
5.根据权利要求3所述的一种电梯故障预测系统，其特征在于，整个神经网络模型的预测算法采用如下步骤：
6.根据权利要求4或5所述的一种电梯故障预测系统，其特征在于，分析得到导致电梯维修数据与之相关的关联性电梯运行过程数据的详细步骤，采用判断电梯运行过程数据与预设初始值产生异常变化的电梯运行过程数据作为产生电梯...
【专利技术属性】
技术研发人员：刘林，袁轶，张丰，邓伟，张国伟，彭陶，陈勇，邱莉莉，
申请(专利权)人：重庆交通开投科技发展有限公司，
类型：发明
国别省市：
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。