，

(1. 湖南電氣職業(yè)技術學院，湖南 湘潭 411000；2. 湖南德力通電梯有限公司，湖南 株洲 412000)

1 引 言

受制于安裝工藝、維保質量等影響，電梯在運行過程中產(chǎn)生非周期性的故障，干擾到人們的出行，影響人們的生活質量，甚至會造成嚴重的安全事故，危害到乘客的生命安全[1]。因此通過分析電梯各項運行數(shù)據(jù)，結合專家知識庫，量化專家經(jīng)驗，在電梯出現(xiàn)故障時，準確、快速定位故障區(qū)域，查明故障產(chǎn)生原因，能夠減小因電梯故障帶來的經(jīng)濟損失，對于提高電梯安全和可靠運行具有重要意義[2,3]。本文研究一種優(yōu)化的BF神經(jīng)網(wǎng)絡的電梯故障診斷模型。

2 神經(jīng)網(wǎng)絡算法分析

2.1 神經(jīng)網(wǎng)絡結構

人腦神經(jīng)網(wǎng)絡系統(tǒng)具有超強的自我學習能力，在外界持續(xù)刺激影響下，通過不斷地學習，能根據(jù)不同的環(huán)境來處理問題[4]。上世紀40年代末，心理學家和數(shù)學家進行合作，提出了形式神經(jīng)元的數(shù)學模型，為神經(jīng)網(wǎng)絡學習算法奠定了理論基礎。經(jīng)過相關學者和研究人員不斷的完善，衍生出RBF等神經(jīng)網(wǎng)絡算法，廣泛應用于信號處理、圖像識別等領域[5]。神經(jīng)網(wǎng)絡算法有一個輸入和輸出兩層，它們之間存在多層次的神經(jīng)元鏈路，上世紀60年代末， M. Minsky將中間的多層鏈接簡化為隱含層，降低問題處理過程的復雜度，Minsky神經(jīng)網(wǎng)絡算法結構如圖1所示。

圖1 Minsky神經(jīng)網(wǎng)絡算法結構圖

圖1中，外界輸入信息數(shù)據(jù)，經(jīng)過中間隱含層非線性函數(shù)的轉換和處理，輸出一組或多組結果。在神經(jīng)網(wǎng)絡算法中，隱含層是輸入層和輸出層的銜接層，類似于軟件工程測試過程中的黑盒，具有非線性基函數(shù)特性。隱含層在訓練集數(shù)據(jù)不斷的刺激下，模仿人腦神經(jīng)思維模式進行自我學習和成長，動態(tài)調整和優(yōu)化隱含層的鏈路權重值，以適應各種比較復雜環(huán)境，對外界信息作出合理的判斷。在隱含層，連續(xù)層中的神經(jīng)元互相連接，每個神經(jīng)元計算其輸入的權重之和，而輸出需要計算該值經(jīng)過激活函數(shù)調整過的值。比如，該激活函數(shù)可為S形函數(shù)：

(1)

BP神經(jīng)網(wǎng)絡在訓練過程中，需要引入目標誤差函數(shù)，來判定網(wǎng)絡模型的神經(jīng)鏈路權值合理性，決定繼續(xù)調整和優(yōu)化網(wǎng)絡權值的必要性。誤差目標函數(shù)是用網(wǎng)絡的期望輸出與實際輸出的誤差平方和，即

(2)

其中，E(p)為樣本個體均方誤差，P為樣本訓練集。

2.2 優(yōu)化的神經(jīng)網(wǎng)絡算法

神經(jīng)網(wǎng)絡算法在在計算期望值與實際值之間的距離時候，采用歐幾里得公式，目標函數(shù)容易產(chǎn)生局部極值而無法得到最優(yōu)值，因此，該算法存在一定的局限性。通過相關資料的查詢，神經(jīng)網(wǎng)絡算法還存在收斂速度慢等缺陷。

針對神經(jīng)網(wǎng)絡算法存在的不足，可以從兩個方面來處理，一是在誤差目標函數(shù)中，用馬氏距離公式來替代歐幾里德距離公式，二是在神經(jīng)網(wǎng)絡算法中引入粒子群算法來達到提高收斂速度的目的。

(1)馬氏距離來計算誤差目標函數(shù)的距離

(3)

(2)基于粒子群的神經(jīng)網(wǎng)絡的優(yōu)化算法

Kennedy博士等在研究鳥類覓食的過程中，將鳥群整體視為一個多維空間，食物在多維空間的某一個坐標點，每一只鳥看作為多維搜索空間的一個粒子，那么可以轉化為多維空間的最優(yōu)求解問題。該算法在收斂性方面具有先天性優(yōu)勢[1]。假定在D維空間，粒子群中任意一個粒子都可以看作為多維空間的一個向量位置點，在任意時刻t，粒子在此位置點具有飛行速度，分別用Xi=(xi1，xi2，…，xiD)和Vi=(vi1，vi2，…，viD)來表示。小鳥(粒子)在覓食的運動過程中，其所在的位置就是空間的一組解，且存在一個最優(yōu)的位置矢量點Pi，Pi=(pi1，pi2，…，piD)。對于整個粒子群體來說，在D維空間也存在一個全局最優(yōu)的位置Pg，是所有Pi(i=1，2，…，n)中的最優(yōu)。粒子在運動過程中，粒子的速度和位置是動態(tài)改變的，其計算公式為：

(4)

基于粒子群優(yōu)化的神經(jīng)網(wǎng)絡算法步驟[6]：

①初始化粒子位置和速度，并分別計算出每個粒子的適應度；

②計算每個粒子最優(yōu)值和群體最優(yōu)值；

③通過公式(4)更新粒子位置和運行速度；

④采用馬氏距離公式計算，判斷是否得到最優(yōu)的目標函數(shù)值，如果目標函數(shù)值小于無窮小的正數(shù)，那么終止循環(huán)并輸出最優(yōu)解；反之執(zhí)行第二步，對粒子適應度重新計算并賦值。

⑤將上步輸出的最優(yōu)解，賦值給BP網(wǎng)絡的最優(yōu)權值和閾值。

3 實例分析

3.1 建立模型

在電梯運行過程中主要是收集電梯關門、蹲底、沖頂、停電、運行過程中開門、超速、非平層區(qū)域開門、非平層區(qū)域停車等九類故障信息。也就是說9個電梯故障特征參數(shù)，根據(jù)神經(jīng)網(wǎng)絡結構，設置本文的輸入神經(jīng)元節(jié)點為9，神經(jīng)網(wǎng)絡的輸出神經(jīng)元節(jié)點為1，即電梯運行故障特征代碼。以9組故障數(shù)據(jù)的樣本中35組數(shù)據(jù)作為神經(jīng)網(wǎng)絡的訓練數(shù)據(jù)，部分測試數(shù)據(jù)結果如表1?；诹Ｗ尤旱腂F神經(jīng)網(wǎng)絡模型的主要參數(shù)設置為：迭代次數(shù)為1 000，粒子群規(guī)模為20，粒子加速度為C1=C2 =1.51。

表1 部分測試數(shù)據(jù)結果表

注：1表示為正常，0為存在故障。輸出的數(shù)據(jù)表示電梯診斷故障代碼。

通過使用訓練樣本對本文研究的改進BF神經(jīng)網(wǎng)絡電梯故障模型及常規(guī)BF神經(jīng)網(wǎng)絡建立的電梯故障診斷模型進行訓練，得到兩種模型的誤差收斂曲線如圖2和圖3所示?？梢钥闯觯褂帽疚牡母倪MBF神經(jīng)網(wǎng)絡模型后，收斂精度和收斂效率均有大幅度提升。

3.2 電梯故障診斷測試結果分析

以35組故障數(shù)據(jù)的樣本中的4組數(shù)據(jù)作為神經(jīng)網(wǎng)絡的測試數(shù)據(jù)。使用上述建立的神經(jīng)網(wǎng)絡配電梯故障診斷模型對測試數(shù)據(jù)進行測試，即將測試數(shù)據(jù)的故障特征輸入建立的神經(jīng)網(wǎng)絡電梯故障診斷模型中，將診斷模型輸出的故障征兆區(qū)域與實際樣本中的故障征兆區(qū)域進行對比，由于篇幅原因，只列出了5個故障區(qū)域的數(shù)據(jù)。神經(jīng)網(wǎng)絡故障診斷模型輸出數(shù)據(jù)見表2所示。

圖2 常規(guī)BF神經(jīng)網(wǎng)絡誤差收斂曲線

圖3 改進BF神經(jīng)網(wǎng)絡誤差收斂曲線

表2 神經(jīng)網(wǎng)絡故障診斷模型輸出結果

數(shù)據(jù)分析：表2的第1列表示故障征兆區(qū)代碼，第2列到第4列是測試樣本對應的故障數(shù)據(jù)輸出預測值。測試樣本1在故障區(qū)域4的輸出值為0.9893，其他故障區(qū)域輸出數(shù)值非常小，說明故障區(qū)域4出現(xiàn)了電梯運行故障，其他測試樣本數(shù)據(jù)的分析類似此方法。通過表2的數(shù)據(jù)分析，說明了本文的故障診斷模型達到了預期目標。

4 結束語

電梯運行過程中的故障診斷方法的研究，有利于電梯故障的快速定位，變電梯故障事后診斷為事前預警，提高電梯的安全性和可靠性，能夠減小因電梯故障帶來的經(jīng)濟損失，對于提高電梯的安全運行具有重要意義。

通過實例分析可知，基于神經(jīng)網(wǎng)絡的電梯故障診斷方法具有較高的準確率。相比常規(guī)的神經(jīng)網(wǎng)絡建立的電梯故障診斷模型，基于神經(jīng)網(wǎng)絡的電梯故障診斷方法精度更高，故障診斷模型的輸出值更加接近實際值。

參考文獻：

[1] 馮 雪. 電梯運行監(jiān)控預警系統(tǒng)研究與實現(xiàn)[D].中國科學技術大學,2017.

[2] 張 闊,李國勇,韓方陣.故障樹法和改進PSO-PNN網(wǎng)絡的電梯故障診斷模型[J].中國安全生產(chǎn)科學技術,2017,13(09):175-179.

[3] 王志平. 基于高速電梯運行特征大數(shù)據(jù)分析的急停故障診斷技術及應用[D].浙江大學,2016.

[4] 梁峻平.電梯故障診斷中神經(jīng)網(wǎng)絡技術的應用[J].科技與企業(yè),2014,(23):65.

[5] 張廣明,邱春玲,錢夏夷,等.模糊層次分析法和人工神經(jīng)網(wǎng)絡模型在電梯風險評估中的應用[J].控制理論與應用,2009,26(08):931-933.

[6] 熊瑞庭. 基于模糊神經(jīng)網(wǎng)絡的電梯故障診斷系統(tǒng)的研究[D].武漢理工大學,2009.