[发明专利]一种电梯轿厢系统故障预警方法

权利要求书

1.一种电梯轿厢系统故障预警方法，其特征在于，包含以下步骤：

步骤1、线下模型训练：首先采集电梯轿厢系统正常运行时的振动加速度数据作为训练数据；接着将训练数据进行离差标准化处理；然后将训练数据通过深度自编码器模型进行训练；最后计算重构误差集E在箱线图中的上限值K作为预警阈值e_th并将其作为轿厢系故障预警的判断依据；

步骤2、在线故障预警：首先采集电梯轿厢系统实时运行的振动加速度数据；接着将采集到的数据进行离差标准化处理；然后通过训练好的DAE模型计算重构误差e；之后将预警阈值e_th与得到的重构误差e进行比较分析，如果e≥e_th说明电梯轿厢系统健康状况良好，相反如果e＜e_th说明电梯轿厢系统开始进入退化阶段需要及时进干预性维修；最后，将DAE模型降维后的数据作为输入，利用t-分布随机邻域嵌入算法将其映射到二维以及三维空间中进行可视化展示，方便电梯管理人员更加直观地对电梯轿厢系统健康状况进行判断。

2.根据权利要求1所述的电梯轿厢系统故障预警方法，其特征在于，步骤1主要包括以下操作：

操作1、获取训练样本：利用传感器采集电梯轿厢系统正常运行时的振动加速度信号{x₁，x₂，x₃，…，x_T}；

操作2、训练样本预处理：对振动加速度信号{x₁，x₂，x₃，…，x_T}进行离差标准化，离差标准化公式如下：

上述公式中x为任一个振动加速度信号，x_*为x对应的标准化值，max为振动加速度信号中最大值，min为振动加速度信号中最小值。通过上述公式将采集到的振动加速度信号映射到[0,1]区间，同时为了提高模型的鲁棒性，对采集到的数据通过滑动窗口重复取样，得到DAE模型数据样本{f₁，f₂，f₃，…，f_T}并将其按8:2进行数据集的划分，从而避免训练过程中过拟合现象的发生，划分后的训练集为{f₁，f₂，f₃，…，f_M}，验证集为{f₁，f₂，f₃，…，f_N}；

操作3、DAE模型训练：将训练集输入至DAE模型中，设置训练学习率、隐藏层数量等参数，随机化初始权值矩阵W和偏置向量b；随后设置前向算法中批量训练数和迭代次数等，执行前向算法，并对输出层的每一个神经单元计算代价函数；最后执行反向传播算法，采用梯度下降法更新连接权值；在训练好DAE模型之后，还需通过验证集判断模型是否出会现过拟合的现象，如果出现该现象则需调整相关参数再次训练；

操作4、计算预警阈值：首先通过DAE模型重新对训练集数据进行处理，获取训练集重构误差，记为E＝{e₁，e₂，e₃，…，e_T}；同时，利用箱线图在检测离散点上的优越特性，将重构误差集E在箱线图中的上限值K作为预警阈值e_th，并将其作为轿厢系故障预警的判断依据；上限值K的计算公式如下：

式中，将数据集进行四等分并从小到大排列，Q₁表示第一位数据，Q₃表示第三位数据。

3.根据权利要求1所述的电梯轿厢系统故障预警方法，其特征在于，步骤2主要包括以下操作：

操作1、采集测试数据：采集电梯轿厢系统实时运行的振动加速度信号结果记为x′；

操作2、测试集数据预处理：根据线下模型训练过程中的数据预处理步骤对实时采集到的数据进行归一化处理，结果记为f′；

操作3、计算测试集重构误差：通过训练好的DAE预警模型对f′进行数据的分析处理，得到重构误差e；最后将预警阈值e_th与通过测试样本得到的重构误差e进行比较分析，如果e≥e_th说明电梯轿厢系统健康状况良好，相反如果e＜e_th说明电梯轿厢系统开始进入退化阶段需要及时进干预性维修；

操作4、可视化展示：将DAE将降维后的数据作为输入，利用t-SNE算法将其映射到二维以及三维空间中进行可视化展示，方便电梯管理人员更加直观的对电梯轿厢系统健康状况进行判断。