，

(1. 湖南電氣職業(yè)技術(shù)學(xué)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(zhì)量等影響，電梯在運(yùn)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(zhì)量，甚至?xí)斐蓢?yán)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(xiàng)運(yùn)行數(shù)據(jù)，結(jié)合專家知識(shí)庫，量化專家經(jīng)驗(yàn)，在電梯出現(xiàn)故障時(shí)，準(zhǔn)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(jì)損失，對(duì)于提高電梯安全和可靠運(yùn)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(luò)的電梯故障診斷模型。

2 神經(jīng)網(wǎng)絡(luò)算法分析

2.1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

人腦神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有超強(qiáng)的自我學(xué)習(xí)能力，在外界持續(xù)刺激影響下，通過不斷地學(xué)習(xí)，能根據(jù)不同的環(huán)境來處理問題[4]。上世紀(jì)40年代末，心理學(xué)家和數(shù)學(xué)家進(jìn)行合作，提出了形式神經(jīng)元的數(shù)學(xué)模型，為神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法奠定了理論基礎(chǔ)。經(jīng)過相關(guān)學(xué)者和研究人員不斷的完善，衍生出RBF等神經(jīng)網(wǎng)絡(luò)算法，廣泛應(yīng)用于信號(hào)處理、圖像識(shí)別等領(lǐng)域[5]。神經(jīng)網(wǎng)絡(luò)算法有一個(gè)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(jì)60年代末， M. Minsky將中間的多層鏈接簡(jiǎn)化為隱含層，降低問題處理過程的復(fù)雜度，Minsky神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)如圖1所示。

圖1 Minsky神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)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(zhuǎn)換和處理，輸出一組或多組結(jié)果。在神經(jīng)網(wǎng)絡(luò)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(cè)試過程中的黑盒，具有非線性基函數(shù)特性。隱含層在訓(xùn)練集數(shù)據(jù)不斷的刺激下，模仿人腦神經(jīng)思維模式進(jìn)行自我學(xué)習(xí)和成長(zhǎng)，動(dòng)態(tài)調(diào)整和優(yōu)化隱含層的鏈路權(quán)重值，以適應(yīng)各種比較復(fù)雜環(huán)境，對(duì)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(gè)神經(jīng)元計(jì)算其輸入的權(quán)重之和，而輸出需要計(jì)算該值經(jīng)過激活函數(shù)調(diào)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(luò)在訓(xùn)練過程中，需要引入目標(biāo)誤差函數(shù)，來判定網(wǎng)絡(luò)模型的神經(jīng)鏈路權(quán)值合理性，決定繼續(xù)調(diào)整和優(yōu)化網(wǎng)絡(luò)權(quán)值的必要性。誤差目標(biāo)函數(shù)是用網(wǎng)絡(luò)的期望輸出與實(shí)際輸出的誤差平方和，即

(2)

其中，E(p)為樣本個(gè)體均方誤差，P為樣本訓(xùn)練集。

2.2 優(yōu)化的神經(jīng)網(wǎng)絡(luò)算法

神經(jīng)網(wǎng)絡(luò)算法在在計(jì)算期望值與實(shí)際值之間的距離時(shí)候，采用歐幾里得公式，目標(biāo)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(guān)資料的查詢，神經(jīng)網(wǎng)絡(luò)算法還存在收斂速度慢等缺陷。

針對(duì)神經(jīng)網(wǎng)絡(luò)算法存在的不足，可以從兩個(gè)方面來處理，一是在誤差目標(biāo)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(luò)算法中引入粒子群算法來達(dá)到提高收斂速度的目的。

(1)馬氏距離來計(jì)算誤差目標(biāo)函數(shù)的距離

(3)

(2)基于粒子群的神經(jīng)網(wǎng)絡(luò)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(gè)多維空間，食物在多維空間的某一個(gè)坐標(biāo)點(diǎn)，每一只鳥看作為多維搜索空間的一個(gè)粒子，那么可以轉(zhuǎn)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(shì)[1]。假定在D維空間，粒子群中任意一個(gè)粒子都可以看作為多維空間的一個(gè)向量位置點(diǎn)，在任意時(shí)刻t，粒子在此位置點(diǎn)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(yùn)動(dòng)過程中，其所在的位置就是空間的一組解，且存在一個(gè)最優(yōu)的位置矢量點(diǎn)Pi，Pi=(pi1，pi2，…，piD)。對(duì)于整個(gè)粒子群體來說，在D維空間也存在一個(gè)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(yùn)動(dòng)過程中，粒子的速度和位置是動(dòng)態(tài)改變的，其計(jì)算公式為：

(4)

基于粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)算法步驟[6]：

①初始化粒子位置和速度，并分別計(jì)算出每個(gè)粒子的適應(yīng)度；

②計(jì)算每個(gè)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(yùn)行速度；

④采用馬氏距離公式計(jì)算，判斷是否得到最優(yōu)的目標(biāo)函數(shù)值，如果目標(biāo)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(duì)粒子適應(yīng)度重新計(jì)算并賦值。

⑤將上步輸出的最優(yōu)解，賦值給BP網(wǎng)絡(luò)的最優(yōu)權(quán)值和閾值。

3 實(shí)例分析

3.1 建立模型

在電梯運(yùn)行過程中主要是收集電梯關(guān)門、蹲底、沖頂、停電、運(yùn)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(gè)電梯故障特征參數(shù)，根據(jù)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)置本文的輸入神經(jīng)元節(jié)點(diǎn)為9，神經(jīng)網(wǎng)絡(luò)的輸出神經(jīng)元節(jié)點(diǎn)為1，即電梯運(yùn)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(luò)的訓(xùn)練數(shù)據(jù)，部分測(cè)試數(shù)據(jù)結(jié)果如表1?；诹Ｗ尤旱腂F神經(jīng)網(wǎng)絡(luò)模型的主要參數(shù)設(shè)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(cè)試數(shù)據(jù)結(jié)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(xùn)練樣本對(duì)本文研究的改進(jìn)BF神經(jīng)網(wǎng)絡(luò)電梯故障模型及常規(guī)BF神經(jīng)網(wǎng)絡(luò)建立的電梯故障診斷模型進(jìn)行訓(xùn)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M(jìn)BF神經(jīng)網(wǎng)絡(luò)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(cè)試結(jié)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(luò)的測(cè)試數(shù)據(jù)。使用上述建立的神經(jīng)網(wǎng)絡(luò)配電梯故障診斷模型對(duì)測(cè)試數(shù)據(jù)進(jìn)行測(cè)試，即將測(cè)試數(shù)據(jù)的故障特征輸入建立的神經(jīng)網(wǎng)絡(luò)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(shí)際樣本中的故障征兆區(qū)域進(jìn)行對(duì)比，由于篇幅原因，只列出了5個(gè)故障區(qū)域的數(shù)據(jù)。神經(jīng)網(wǎng)絡(luò)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(luò)誤差收斂曲線

圖3 改進(jìn)BF神經(jīng)網(wǎng)絡(luò)誤差收斂曲線

表2 神經(jīng)網(wǎng)絡(luò)故障診斷模型輸出結(jié)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(cè)試樣本對(duì)應(yīng)的故障數(shù)據(jù)輸出預(yù)測(cè)值。測(cè)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(yùn)行故障，其他測(cè)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(dá)到了預(yù)期目標(biāo)。

4 結(jié)束語

電梯運(yùn)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(yù)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(jì)損失，對(duì)于提高電梯的安全運(yùn)行具有重要意義。

通過實(shí)例分析可知，基于神經(jīng)網(wǎng)絡(luò)的電梯故障診斷方法具有較高的準(zhǔn)確率。相比常規(guī)的神經(jīng)網(wǎng)絡(luò)建立的電梯故障診斷模型，基于神經(jīng)網(wǎng)絡(luò)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(shí)際值。

參考文獻(xiàn)：

[1] 馮 雪. 電梯運(yùn)行監(jiān)控預(yù)警系統(tǒng)研究與實(shí)現(xiàn)[D].中國科學(xué)技術(shù)大學(xué),2017.

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

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

[4] 梁峻平.電梯故障診斷中神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)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(luò)模型在電梯風(fēng)險(xiǎn)評(píng)估中的應(yīng)用[J].控制理論與應(yīng)用,2009,26(08):931-933.

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