基于深度学习的电梯故障预警研究与应用

兰州资源环境职业技术学院 车明浪 杨添玺

准确可靠快速的故障预警方法是电梯安全运行的关键。针对电梯故障预警问题，为有效预防和减少电梯安全隐患，本文所提CKFRBF预测方法具有更精确的预测结果和更短的预测时间。对于电梯及相关特种设备的故障预警系统的设计与开发具有一定的参考意义。

随着我国经济的快速发展和城镇化水平的不断提高，楼房的高层化和现代化的大幅度提升，作为高层建筑中应用最广泛的主要的垂直交通工具，电梯的数量与需求增加迅猛。然而，电梯事故的频繁发生，对人们的日常使用产生很大的影响，更是对人们的生命安全构成了一种威胁。如何准确可靠快速的对电梯故障进行预警具有非常重要的意义。

针对相关故障及预警问题，相关的新方法新技术相继产生。除了进行实时监控，还可以提前预知电梯故障并为维保人员提供决策建议，加快电梯维修进度。由此可见，基于深度学习的神经网络方法以其预测精度高、具有较强的非线性映射能力等优点在电梯故障预警中体现出很好的效果，为电梯故障预警提供了新思路新方法。本文为进一步提高电梯故障预警的效率和精确率，提出了一种容积卡尔曼滤波（CKF）辅助优化径向基神经网络（RBF）的电梯故障预警方法。

1 电梯系统故障预警方法需求分析

电梯故障因素分析及预警是通过对大量的电梯故障历史信息进行统计分析，得到监管者所关心的电梯故障的发生情况，从而为电梯监管者管理电梯安全提供辅助信息。基于深度学习的电梯故障预警方法关键在于精准快速预测,其通过各类相关传感器收集电梯的基本运行数据以及核心部件的状态数据，对收集到的数据进行处理和存储，建立神经网络预测模型，并通过不断地训练优化让模型变得更加精确，从而达到电梯故障预警的目的。根据各个电梯之间的相似性，预测出电梯可能发生故障的类型，进而故障预警，所以对于相关系统，故障预警算法应能实现以下功能：（1）通过对电梯故障数据进行分析，对电梯最有可能发生故障的类型进行预警；（2）对故障诊断，快速可靠准确的确定故障原因。因此本文讨论的重点是如何通过神经网络方法来实现电梯预警。

2 基于RBF神经网络的电梯故障预测方法

RBF是一个前馈网络，包含一个输入层、一个隐含层和一个输出层。其训练过程可以概括为两个步骤，首先确定隐含层中使用的RBF特征，然后确定输出神经元的权重。在隐含层中，通过改变权值和偏差来减小位置和速度的预测误差。在输出层，预测信息通过隐含层转发到输出层的节点，由输出层计算隐含神经元的线性和。该网络能够较为准确的预测出运行中系统中出现的故障。图1为RBF神经网络模型结构。

图1 RBF神经网络模型

在这里,用一个在RBF中高斯函数作为隐藏层的激活函数来进行计算：

RBF的预测输出为RBF的线性和：

其中y是RBF的输出，为每个神经元i的权重，为基函数向量，o为网络输出单元数。

3 所提CKF辅助优化RBF神经网络的电梯故障预测方法

3.1 CKF算法

CKF算法的基本原理是利用三阶球相容积法则来逼近非线性函数的后验均值和协方差，同时，利用容积点进行数值计算积分。因此，容积点的权重为正，计算成本较低。该算法分为时间更新和量测更新两部分。

（1）时间更新

计算方差和容积点的平方根：

如：

对任意函数f(x)，将容积点代入可得估计值：

其中ωi表示随机权重，并且。

（2）量测更新

计算更新量测时，需要确定当前时刻的容积点：

然后，得到容积点对应的输出值：

相关的协方差：

获得k时刻状态误差的滤波增益、状态估计和协方差估计：

3.2 CKF-RBF预测方法

单一的RBF神经网络在进行训练时很难选择最优的内部结构（具有适当的隐藏层权重和每层神经元的数量），并且容易出现过拟合欠拟合现象，导致预测结果出现较大的误差，这是所有神经网络的共有缺陷。本节针对这一问题，提出一种利用CKF辅助RBF的方法，在RBF训练过程中需要调整隐含层和输出层的权值，设计CKF作为RBF本身的输出层的权重优化的优化器并将RBF输出层产生的网络误差最小化，而隐藏层的权重则采用标准的RBF来计算；同时，对相关参数进行优化，能在一定程度上解决神经网络的梯度爆炸问题，减小计算成本。所提CKF-RBF的结构如图2所示。

图2 所提CKF-RBF算法结构

假设连接到节点k的输出层的权值为状态向量，节点k的输出结果为测量向量。节点k处的状态空间和测量方程可以表示为：

假设yk(t+1)=ykd(t+1)，这表明节点k在t+1时刻的期望输出等于t+1时刻的量测值。根据最小化预测输出和测量输出的残差的原则，可以建立性能指标函数为：

式中，wk(t)是在训练迭代t时，连接到输出层的节点k的权向量；G(wk(t))是模型误差的摄动矩阵；Dk(t)是在训练迭代t时连接到输出层节点k的模型误差向量；A为半正定模型误差加权矩阵，ykd(t)是训练迭代t时的测量输出；和分别为估计权值输出层和输出节点k在训练迭代t时的预测；xj(t)隐含神经元在迭代t时的输出；为非线性函数。

当性能指标函数J取最小值时，利用式(18)可以得到模型误差估计：

只考虑节点k的权值更新条件，度量维度(m=1)，则为：

当测量向量维数m=1时，为常数并可计算为：

表1 RBF神经网络预测模型预测结果 (实验方案A)

表2 CKF辅助优化的RBF神经网络预测模型预测结果 (实验方案A)

表3 RBF与CKF优化的神经网络预测模型均方误差、训练次数和预测时间对比 (实验方案A)

表4 RBF神经网络预测模型预测结果 (实验方案B)

式中，gj表示G的第j列j=1,2,...,q。利用式(19)所计算的模型误差对非线性系统模型进行校正，得到包含模型误差的新的权值预测估计为：

式(25)表明CKF-RBF可以在CKF的预测步骤中自适应地提高状态估计误差。

表5 CKF辅助优化的RBF神经网络预测模型预测结果 (实验方案B)

表6 RBF与CKF优化的神经网络预测模型均方误差、训练次数和预测时间对比 (实验方案B)

4 实验验证

实验数据选取自电梯运行监控预警系统的数据收集模块获取到的电梯运行参数数据集，共3658条。其中，2658条作为预测模型实验训练输入数据，其他的1000条作为实验测试输入数据。每条数据包含10个输入变量，这10个输入变量是从电梯众多运行参数中选择的10个对预测结果影响较大的主要特征，包括：电梯运行时间、电梯运行速度、电梯运行方向、电梯轿厢噪声、井道噪声等特征参数，设置为X1,X2,...,X9,X10。在选择输出参数时，选取数据集中发生次数较多的四种故障类型作为预测模型的输出，分别为：电梯冲顶故障、电梯蹲底故障、电梯运行超速故障和电梯运行时间超长故障，设置为Y1,Y2,Y3,Y4。选择现有的标准RBF神经网络算法与本文所提的CKF辅助RBF神经网络的方法进行预测模型对比实验。因选取的输入数据为10个维度的参数，故神经网络模型输入层神经元节点个数为10；训练数据的输出含有4个维度的特征参数，故模型输出层神经元节点个数为4；隐含层神经元节点的个数则由算法训练优化决定，CKF辅助优化的RBF神经网络则是采用图2中的算法步骤进行结构调整优化。为了验证所提方法的有效性和先进性，设计了两种对比实验方案：方案A：利用全部的2658条训练数据对两种方法进行训练，即在训练样本充足的情况下进行训练，比较两种预测方法的预测精度；方案B：在总训练样本中选取三分之一的样本作为实验中的训练样本，即在训练样本不足的情况下进行训练，比较两种预测方法的预测精度。实验方案A中两种预测方法的对比试验结果如表1和表2所示，表3为两种算法预测均方误差、训练次数和预测时间的对比。实验方案B中两种预测方法的对比试验结果如表4和表5所示，表6为两种算法预测均方误差、训练次数和预测时间的对比。

通过表1和表2的按照实验方案A进行实验的两种神经网络模型预测结果对比可知，在训练样本充足的情况下，两种预测模型的准确度都比较高，可较为准确的预测出故障的发生，表明RBF神经网络算法在电梯故障预测领域的可行性，并且利用CKF优化的RBF神将网络模型的预测精度稍高。而通过表3的对比实验结果表明，利用CKF优化的RBF神经网络模型较标准的单一RBF神经网络模型在预测准确性和算法收敛速度上都有较好的提升。

通过表4和表5的按照实验B进行实验的两种神经网络模型预测结果对比可以看出，在训练样本较少的情况下，本文所提的利用CKF优化的RBF神经网络模型的优势更为明显；而通过表6的对比实验结果可以看出，在训练样本较少的情况下，利用CKF优化的RBF神经网络模型无论在预测精度、算法收敛速度上，还是在预测时间上，都远优于标准的单一RBF神经网络模型。

结论：本文基于深度学习提出了一种CKF辅助优化RBF神经网络的电梯故障预警方法，利用CKF的优点来优化调整RBF神经网络模型的结构和参数，有效的避免了单一神经网络过拟合欠拟合不稳定的缺点，提高了故障预警的精度和效率，具有一定的参考价值和实际工程意义。