[发明专利]一种基于卷积神经网络的电梯故障识别方法

说明书

本发明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。

技术领域

本发明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。

背景技术

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。

发明内容

针对现有技术的不足，本发明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。

本发明是这样实现的：

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。