甘晶　曾亞輝　陳華

摘要：運(yùn)行高峰期電梯提升高度跨度大，起停加速頻次快。利用物聯(lián)網(wǎng)技術(shù)建立電梯大數(shù)據(jù)監(jiān)測平臺(tái)已成為主流，傳統(tǒng)的故障檢測手段往往依賴于故障指標(biāo)體系及專家經(jīng)驗(yàn)，這提高了監(jiān)測數(shù)據(jù)的使用門檻。針對(duì)該問題，提出一種改進(jìn)的基于頻域數(shù)據(jù)增強(qiáng)Transformer。通過對(duì)運(yùn)轉(zhuǎn)高峰期監(jiān)測數(shù)據(jù)建模與分析，實(shí)現(xiàn)了對(duì)電梯運(yùn)行狀態(tài)的準(zhǔn)確預(yù)測，對(duì)電梯運(yùn)行高峰期隱患進(jìn)行診斷。實(shí)驗(yàn)結(jié)果表明，該方法相比于其它預(yù)測算法，有更高的預(yù)測準(zhǔn)確率和異常診斷效率。

關(guān)鍵詞：故障診斷；Transformer；變分自編碼器；頻域增強(qiáng)

一、前言

我國是全球電梯保有率最高的國家[1]。隨著電梯使用率的增長，電梯的事故數(shù)逐漸增多。電梯事故會(huì)對(duì)居民及住戶造成嚴(yán)重的財(cái)產(chǎn)及生命的損失。要減少這類安全隱患，需要加強(qiáng)運(yùn)行階段設(shè)備的維護(hù)管理及檢測監(jiān)督。因此，如何高效地監(jiān)管及維護(hù)成為了一個(gè)迫切需要解決的問題。

特種設(shè)備的監(jiān)管及維護(hù)往往有兩種方式：定期巡檢及故障后勘查。隨著技術(shù)發(fā)展，自動(dòng)化診斷系統(tǒng)逐漸取代了人工診斷。但在實(shí)際應(yīng)用中，在不同環(huán)境下對(duì)復(fù)雜機(jī)電系統(tǒng)運(yùn)行狀建模具有很高的難度，降低了自動(dòng)化診斷的易用性與經(jīng)濟(jì)性[2， 3]。

隨著人工智能時(shí)代的到來，電梯物聯(lián)網(wǎng)平臺(tái)的監(jiān)測大數(shù)據(jù)為人工智能技術(shù)打下了基礎(chǔ)[4]。不需要對(duì)電梯運(yùn)行狀態(tài)進(jìn)行建模分析，只需對(duì)監(jiān)測數(shù)據(jù)進(jìn)行學(xué)習(xí)，便可開展故障診斷、運(yùn)行狀況監(jiān)測及設(shè)備壽命預(yù)測等工作，因此這類方法往往具有更低的成本和更高的易用性。

基于上述情況，本文提出一種基于頻域信號(hào)增強(qiáng)的Transformer模型（Frequency Enhanced Decomposition Transformer，F(xiàn)EDformer）與變分自編碼器（Variational Autoencoder，VAE）相結(jié)合的電梯異常診斷算法，該算法的主要貢獻(xiàn)為：

（1）一種基于數(shù)據(jù)驅(qū)動(dòng)的方法，可以利用大數(shù)據(jù)平臺(tái)電梯監(jiān)測數(shù)據(jù)，實(shí)時(shí)進(jìn)行故障診斷；

（2）基于FEDformer的結(jié)構(gòu)，使算法對(duì)有更想的抗噪音干擾能力，在長程序列上有更高的穩(wěn)定性，做出對(duì)未來運(yùn)行狀況更準(zhǔn)確的預(yù)測；

（3）受到VAE的啟發(fā)，將變分推斷引入注意力機(jī)制，利用Variational-FEDformer獲得特征更規(guī)范且具備連續(xù)性的編碼隱空間，作為解碼器的輸入，在同樣的模型參數(shù)下，提高了模型表達(dá)能力。

二、相關(guān)工作

近年來，已經(jīng)有不少研究在探索如何將人工智能和機(jī)器學(xué)習(xí)相關(guān)技術(shù)應(yīng)用于電梯診斷應(yīng)用當(dāng)中[5-10]。

宗等人提出的診斷模型結(jié)合了模糊Petri網(wǎng)與神經(jīng)網(wǎng)絡(luò)，對(duì)電梯故障模型進(jìn)行學(xué)習(xí)，得到了電梯不同運(yùn)行期的故障診斷模型[11]。李等人基于電梯門故障數(shù)據(jù)，利用BP神經(jīng)網(wǎng)絡(luò)與仿真系統(tǒng)預(yù)測電梯門系統(tǒng)故障[12]。王針對(duì)電梯高速急停問題，利用監(jiān)測平臺(tái)提供的電梯高速運(yùn)行特征大數(shù)據(jù)，利用模糊神經(jīng)網(wǎng)絡(luò)，建立了高速電梯急停故障診斷模型[13]。沈基于其設(shè)計(jì)的電梯大數(shù)據(jù)平臺(tái)，結(jié)合循環(huán)神經(jīng)網(wǎng)絡(luò)和擴(kuò)張因果卷積網(wǎng)絡(luò)，設(shè)計(jì)了一種電梯運(yùn)行故障預(yù)測模型[14]。張等人通過分析電梯運(yùn)行時(shí)的振動(dòng)信息，利用ResNet對(duì)分離后的振動(dòng)信號(hào)進(jìn)行分類診斷，提高了故障的診斷率[15]。Zhou等人提出了FEDformer[16]，使用頻域信息，獲得更好的故障診斷結(jié)果。

三、問題分析

（一）任務(wù)描述

電梯故障成因復(fù)雜且工作環(huán)境及工作模式不固定，給監(jiān)測指標(biāo)體系關(guān)系量化與關(guān)鍵指標(biāo)分析工作帶來了極大的困難，且難以對(duì)未來一段時(shí)間的運(yùn)行狀態(tài)進(jìn)行預(yù)測。因此，利用人工智能技術(shù)中的深度學(xué)習(xí)方法強(qiáng)大的表征能力和模擬能力，可以大大降低電梯運(yùn)行監(jiān)測指標(biāo)的異常檢測工作量，并使檢測工作具備預(yù)測能力。

（二）行業(yè)數(shù)據(jù)分析

通過對(duì)應(yīng)急救援工單的142234起電梯事故進(jìn)行分析，電梯故障50種主要情況占比為58.3%。在所有的故障類型中，“生活垃圾導(dǎo)致開關(guān)門受阻”有18861起，“電梯運(yùn)行過程中出現(xiàn)停電”有11848起，“廳門鎖失效”有6177起，具體數(shù)據(jù)如表1所示。

（三）問題建模

針對(duì)大數(shù)據(jù)平臺(tái)采集的各類監(jiān)測數(shù)據(jù)，我們以曳引系統(tǒng)相關(guān)傳感器為研究對(duì)象，數(shù)據(jù)包含曳引機(jī)的振動(dòng)信號(hào)（dB）、曳引機(jī)軸承轉(zhuǎn)速（rpm）、曳引機(jī)工作環(huán)境濕度與電梯每天行駛里程。

本文對(duì)平臺(tái)提供的電梯高峰運(yùn)行時(shí)期的監(jiān)控?cái)?shù)據(jù)進(jìn)行建模與分析?；谄脚_(tái)給定的電梯運(yùn)行狀態(tài)標(biāo)簽，給出一種電梯運(yùn)轉(zhuǎn)高峰期故障隱患預(yù)測方法，通過預(yù)測電梯高峰時(shí)期的曳引系統(tǒng)運(yùn)行狀況，根據(jù)模擬的結(jié)果給出監(jiān)測狀況診斷。如圖1所示。

四、電梯運(yùn)轉(zhuǎn)高峰期異常診斷算法

本文中，我們基于平臺(tái)提供的曳引系統(tǒng)監(jiān)測數(shù)據(jù)，提出了一種電梯高峰時(shí)期異常診斷算法。整體的故障診斷方法如圖1所示。

在原始的Transformer上，F(xiàn)EDformer通過利用低秩矩陣近似（low-rank approximation）降低注意力機(jī)制中矩陣計(jì)算引入的復(fù)雜度，同時(shí)利用頻域數(shù)據(jù)的特性，低秩近似后頻域中的采樣造成的損失不會(huì)影響預(yù)測效果。這使得注意力機(jī)制可以用更少的信息，捕捉到幾乎一樣的特征，且大幅度降低復(fù)雜度。

受到變分自編碼器啟發(fā)，本文對(duì)FEDformer編碼器和解碼器的進(jìn)行約束，提出Variational-FEDformer（VFEDformer），利用編碼器和解碼器近似輸入的條件密度，擴(kuò)展編碼器頻域信號(hào)隱空間的可變性。圖2中顯示了VFEDformer的結(jié)構(gòu)。

設(shè)序列數(shù)據(jù)維度為D，則編碼器的輸入 ，則編碼器定義為：

其中，表示經(jīng)過第l層的第i個(gè)周期/趨勢分解模塊（MOEDecomp）后的到的周期項(xiàng)，F(xiàn)EB為頻率增強(qiáng)模塊。在頻率增強(qiáng)模塊中，若有長度為m的監(jiān)測序列數(shù)據(jù)，則設(shè)為，通過傅立葉變換，將轉(zhuǎn)換為。m組數(shù)據(jù)變換后組合成矩陣，接著基于服從于高斯分布的隨機(jī)采樣，從d維的頻域數(shù)據(jù)中采樣s維的數(shù)據(jù)，得到，認(rèn)為完成了一次頻域數(shù)據(jù)增強(qiáng)，模塊內(nèi)包含學(xué)習(xí)參數(shù)R。，為編碼器輸出的分布參數(shù)。同樣的，解碼器定義為：

其中，，分別表示第l層解碼器經(jīng)第i個(gè)周期/趨勢分解模塊處理后的周期項(xiàng)與趨勢項(xiàng)，，表示第i個(gè)趨勢項(xiàng)的投影算子。VFEDformer的最終輸出為，其中將投影回輸入維度。

其中，頻率增強(qiáng)模塊、頻域注意力內(nèi)的全連接網(wǎng)絡(luò)和前饋網(wǎng)絡(luò)層內(nèi)都有可學(xué)習(xí)的參數(shù)W，根據(jù)均方誤差（Mean Square Error）進(jìn)行批量梯度下降優(yōu)化。編碼器內(nèi)概率密度網(wǎng)絡(luò)通過進(jìn)行優(yōu)化。

五、實(shí)驗(yàn)

通過對(duì)電梯數(shù)據(jù)集進(jìn)行仿真驗(yàn)證所提出算法的有效性。所有仿真實(shí)驗(yàn)均采用標(biāo)準(zhǔn)的5折交叉驗(yàn)證方法，所有結(jié)果都是獨(dú)立運(yùn)行10次得到的平均值。仿真實(shí)驗(yàn)分為預(yù)測實(shí)驗(yàn)和異常檢測實(shí)驗(yàn)兩部分。預(yù)測實(shí)驗(yàn)通過對(duì)比算法對(duì)未來一段時(shí)間電梯運(yùn)行監(jiān)測信號(hào)的預(yù)測準(zhǔn)確率來評(píng)估算法的好壞，驗(yàn)證算法在電梯監(jiān)測數(shù)據(jù)集上的預(yù)測準(zhǔn)確率，預(yù)測實(shí)驗(yàn)結(jié)果如表2所示。

從表2中我們可以看到VFEDformer在預(yù)測誤差上有更好的表現(xiàn)?？赡芤?yàn)橐敫嗟臄?shù)據(jù)操作，在預(yù)測時(shí)間上不減反增。

預(yù)測模型的輸出為未來一段時(shí)間的運(yùn)行狀態(tài)參數(shù)。異常值檢測實(shí)驗(yàn)在不同模型預(yù)測的未來狀態(tài)上進(jìn)行，通過在預(yù)測模型的輸出上應(yīng)用則異常檢測算法，便可以實(shí)現(xiàn)對(duì)電梯高峰期運(yùn)行狀況的預(yù)測，并驗(yàn)證不同預(yù)測算法在電梯故障預(yù)測上的有效性，異常值檢測實(shí)驗(yàn)結(jié)果如表3所示。

從表中可以看到，VFEDformer預(yù)測結(jié)果的檢測效果都要優(yōu)于其它的時(shí)間序列預(yù)測算法。

六、結(jié)語

本文探討了基于大數(shù)據(jù)平臺(tái)的電梯安全監(jiān)測問題，提出了一種電梯監(jiān)測數(shù)據(jù)異常診斷方法。實(shí)驗(yàn)結(jié)果表明，本文所提方法的預(yù)測準(zhǔn)確率優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí)方法，具備能夠部署在大數(shù)據(jù)平臺(tái)上的能力。H

參考文獻(xiàn)

[1]恩旺，劉子金，張淼.中國電梯行業(yè)的技術(shù)發(fā)展與趨勢[J].建筑科學(xué)，2018，34（09）：110-118.

[2]劉松國，韓樹新，李偉忠，等.電梯運(yùn)行狀態(tài)監(jiān)測與故障遠(yuǎn)程報(bào)警系統(tǒng)研究[J].自動(dòng)化與儀表，2011，26（10）：42-46.

[3]FLORES A， CARVALHO J， CARDOSO A. Mechanical fault detection in an elevator by remote monitoring; proceedings of the 2008 18th International Conference on Electrical Machines， F， 2008 [C]. IEEE.

[4]金曉磊，潘鵬.機(jī)器人視覺的電梯轎廂門狀態(tài)識(shí)別系統(tǒng)[J].單片機(jī)與嵌入式系統(tǒng)應(yīng)用，2018，18（04）：28-31.

[5]徐姍.基于高階譜和支持向量機(jī)的電梯故障診斷[D].華僑大學(xué)，2013.

[6]崔琪.基于數(shù)據(jù)融合的電梯故障診斷方法研究[D].武漢理工大學(xué)，2014.

[7]盛山山.基于數(shù)據(jù)挖掘的電梯故障預(yù)測研究[D].廣東工業(yè)大學(xué)，2018.

[8]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： 武漢理工大學(xué)，2009.

[9]陶鵬，孫曉明，張超.基于神經(jīng)網(wǎng)絡(luò)推理策略的電梯故障診斷法[J].武漢理工大學(xué)學(xué)報(bào)（信息與管理工程版），2009，31（06）：950-953.

[10]劉影，趙迎龍，魏斌，等.基于優(yōu)化神經(jīng)網(wǎng)絡(luò)的電梯故障診斷系統(tǒng)研究[J].自動(dòng)化與儀器儀表，2022（05）：88-92.

[11]宗群，馬宏波，王中海.基于NNFPN模型的電梯故障診斷方法的研究[J].控制與決策，2005（03）：341-344.

[12]李俊芳，曲照偉，竇立謙等.基于神經(jīng)網(wǎng)絡(luò)的電梯門系統(tǒng)故障預(yù)測方法的研究[J].天津理工大學(xué)學(xué)報(bào)，2009，25（01）：8-10.

[13]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.

[14]沈志鵬.基于大數(shù)據(jù)的電梯安全監(jiān)測方法研究與應(yīng)用[D].浙江工業(yè)大學(xué)，2018.

[15]張興合，高丙朋，陳飛，等.深度學(xué)習(xí)在電梯轎廂振動(dòng)故障診斷中的應(yīng)用研究[J].機(jī)電工程，2021，38（02）：260-264.

[16]ZHOU T， MA Z， WEN Q， et al. Fedformer： Frequency enhanced decomposed transformer for long-term series forecasting; proceedings of the International Conference on Machine Learning， F， 2022 [C]. PMLR.