一种基于深度信念网络的自动扶梯制动力智能诊断系统技术方案

本发明专利技术公开一种基于深度信念网络的自动扶梯制动力智能诊断系统，包括，A．制动距离、制动器振幅以及自动扶梯技术参数的采集并将数据上传至制动性能数据库；B．深度学习建立自动扶梯制动力预估模型和建立自动扶梯制动力故障诊断模型；C．制动性能数据库对数据存储并约减；D．约减后的数据与制动力预估模型和制动力故障诊断模型对比；E．比对结果通过制动力智能诊断平台查看实时数据并预警。有益效果是，利用深度信念网络预估自动扶梯的制动力范围及从自动扶梯故障原始数据中直接提取有用故障特征并识别故障状态，能够第一时间得到制动力异常的预警和制动力故障的诊断结果，及时排查自动扶梯存在的隐患，实现智能管理，提高自动扶梯运行效率。扶梯运行效率。扶梯运行效率。

【技术实现步骤摘要】
一种基于深度信念网络的自动扶梯制动力智能诊断系统


[0001]本专利技术涉及一种自动扶梯制动力检测系统；特别是涉及一种基于深度信念网络的自动扶梯制动力智能诊断系统。

技术介绍

[0002]自动扶梯和自动人行道作为一种连续运输人员的专用设备，因其运行稳定、安全可靠、输送能力强、使用方便等特点而成为公共场所重要的人员运输工具，广泛应用于机场、车站、商场、超市、医院等公共场合。与此同时，由于在用量大、使用频繁、载客量多、使用环境复杂等原因，自动扶梯事故也时有发生，这些事故往往都具有涉及人员多、受伤程度重等特点，所以如何保证其安全运行，已经成为一个新的研究方向。
[0003]通过自动扶梯与自动人行道事故案例的调查分析发现，引起事故发生的主要有以下几种原因，表1事故原因及占比。
[0004][0005]自动扶梯的逆转事故虽然不是最多的，但其危害具有群体性、社会反响强烈的特点，通常发生在满载上行的自动扶梯。造成扶梯逆转的机械故障有：驱动链断裂、梯级链断裂及工作制动器制动力矩不足。由于驱动链和梯级链设计时充分考虑了安全余量，发生断裂的概率较小，而自动扶梯在停梯时制动轮和制动闸瓦会产生摩擦，造成制动闸瓦磨损，如果保养不当就会造成制动力不足，从而会使逆转风险会大大提高。目前，在扶梯的维护保养和定期检验中，通常测量自动扶梯的制停距离来间接验证其制动能力，但制动距离包含有载荷和无载荷两种工况下的测量结果，定期检验只做空载试验，监督检验才进行有载试验，而且检验频率不高，很多的安全隐患未能在检查中得到及时发现。而且影响自动扶梯的制停距离的因素有梯级链、链轮等运动部件润滑情况、制动力性能等，单一从制动距离去评判制动力是否合格的情况有所欠缺。
[0006]现有的自动扶梯在线检测系统可实时监测、远程了解自动扶梯的使用情况和运行规律；具备一定的自动扶梯制动力预警的能力，但不能及时发现规律性的潜在风险，存在风险扩大化的危险，不具备对自动扶梯制动力的智能诊断。在“互联网”+“特种设备检测”是当前行业的大趋势下，特种设备在线监测与智能预警技术的研究在电梯领域逐渐趋于完善。因此研究一种自动扶梯制动力智能诊断系统尤为重要。

技术实现思路

[0007]本专利技术所要解决的技术问题是，提供一种能够识别制动力异常变化情况，为维保人员进行扶梯维护及修理提供技术支持，能够实时监控、数据统计、智能预警、故障诊断集
成于一体，提高自动扶梯运行效率的自动扶梯制动力智能诊断系统。
[0008]本专利技术所采用的技术方案是，一种基于深度信念网络的自动扶梯制动力智能诊断系统，包括步骤，
[0009]A.制动距离、制动器振幅以及自动扶梯技术参数的采集并将数据上传至制动性能数据库；
[0010]B.深度学习建立自动扶梯制动力预估模型和建立自动扶梯制动力故障诊断模型；
[0011]C.制动性能数据库对数据存储并约减；
[0012]D.约减后的数据与制动力预估模型和制动力故障诊断模型对比；
[0013]E.比对结果通过制动力智能诊断平台查看实时数据并预警。
[0014]所述步骤A制动距离的采集，包括分别与处理器连接的编码器模块和制停信号模块；处理器将处理后的制停距离无线传输到制动性能数据库；
[0015]所述制动器振幅的采集，包括与处理器连接的振动传感器，处理器将处理后的制动器振幅数据无线传输到制动性能数据库。
[0016]所述步骤B深度学习建立自动扶梯制动力预估模型包括两层RBM和一层BP；所述两层RBM为全连接，BP网络为单向连接；
[0017]第一层RBM显层为制动力影响因素包括自动扶梯提升高度、名义速度、名义宽度、倾斜角、制动臂振幅、初始制动力最大值、空载上行制停距离，空载下行制停距离、使用环境等级，输入层9个神经元；
[0018]第二层RBM的神经元拟定90个；
[0019]第二层隐层h2为BP网络的输入层，最后通过BP网络输出层制输出动力预测结果。
[0020]所述建立自动扶梯制动力故障诊断模型，从故障的原始数据中直接提取有用的故障特征并识别故障状态；
[0021]明确自动扶梯制动力故障类型；
[0022]采集自动扶梯制动力故障类型的制停距离数据和制动器振动数据为输入层参数；
[0023]输入层顶层增加分类器，预处理后的故障数据输入到DBM制动力预警模型中，从模型中逐层提取故障诊断表征数据的特征；
[0024]将测试集输入到训练好的诊断模型中，对设备的健康状况进行识别。
[0025]所述自动扶梯制动力故障类型包括制动器卡阻，制动臂动作不同步和制动力矩不足。
[0026]所述制动性能数据库和制动力智能诊断平台之间还包括有对数据进行预处理的多传感器信息处理，多传感器信息处理为CPCA_DTW的多维时间序列。
[0027]本专利技术的有益效果是，利用深度信念网络预估自动扶梯的制动力范围以及从自动扶梯故障的原始数据中直接提取有用故障特征并识别故障状态，因此能够第一时间得到制动力异常的预警和制动力故障的诊断结果，及时排查自动扶梯存在的隐患，实现智能化管理，提高自动扶梯运行效率。
附图说明
[0028]图1是受限玻尔兹曼机(RBM)模型结构示意图；
[0029]图2是深度信念网络(DBN)模型结构示意图；
[0030]图3是本专利技术总体框图；
[0031]图4是自动扶梯制停距离在线检测装置框图；
[0032]图5是自动扶梯制动器振幅在线检测装置框图；
[0033]图6是基于DBN建立自动扶梯制动力预估模型结构示意图；
[0034]图7是通过BP算法微调网络权重过程示意图；
[0035]图8是基于DBN的故障诊断模型建立和训练的过程示意图；
[0036]图9是基于CPCA_DTW的多维时间序列的数据约减过程示意图；
[0037]图10是自动扶梯制动力智能诊断监控平台工作流程图。
具体实施方式
[0038]影响自动扶梯制动力的因素有很多，探究制动力与制停距离及其他因素的关系没有具体的数学模型，况且不同型号在不同使用环境下也会有一定差别，因此每台自动扶梯的制动力模型都是独一无二的。随着前沿科技的普及，人工智能机器学习方法在特种设备中的应用越来越广泛。深度学习中无监督学习的深度信念网络(Deep Belief Network，DBN)源于仿生学的模拟脑神经系统研究，通过显层和隐层神经元之间的互相激活来模拟人的大脑的学习过程，实现直接从原始数据对对象的认知与判断。深度信念网络理论可应用于自动扶梯制动力值的预估和制动力异常的诊断，通过直接从原始数据出发，对自动扶梯的基本参数、制停距离及制动臂振幅进行分类识别，因无需进行人工特征提取过程，减少了人为参与因素，增强了对自动扶梯制动力值预估的精确度和制动力异常判断的智能性。
[0039]如图1所示，受限玻尔兹曼机(Retricted Boltzmann Machines,RBM)模型是一类具有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度信念网络的自动扶梯制动力智能诊断系统，其特征在于，包括步骤，A．制动距离、制动器振幅以及自动扶梯技术参数的采集并将数据上传至制动性能数据库；B．深度学习建立自动扶梯制动力预估模型和建立自动扶梯制动力故障诊断模型；C．制动性能数据库对数据存储并约减；D．约减后的数据与制动力预估模型和制动力故障诊断模型对比；E．比对结果通过制动力智能诊断平台查看实时数据并预警。2.根据权利要求1所述的基于深度信念网络的自动扶梯制动力智能诊断系统，其特征在于，所述步骤A制动距离的采集，包括分别与处理器连接的编码器模块和制停信号模块；处理器将处理后的制停距离无线传输到制动性能数据库；所述制动器振幅的采集，包括与处理器连接的振动传感器，处理器将处理后的制动器振幅数据无线传输到制动性能数据库。3.根据权利要求1所述的基于深度信念网络的自动扶梯制动力智能诊断系统，其特征在于，所述步骤B深度学习建立自动扶梯制动力预估模型包括两层 RBM和一层BP ；所述两层 RBM为全连接，BP网络为单向连接；第一层RBM 显层为制动力影响因素包括自动扶梯提升高度、名义速度、名义宽度、倾斜角、制动臂振幅、初始制动力最大值、空...

【专利技术属性】
技术研发人员：穆彤，张雪辉，胡智勇，毕陈帅，沈鹏，王璇，薛令军，刘凯，周韬，王文峰，周毅，陈洪国，
申请(专利权)人：天津市特种设备监督检验技术研究院天津市特种设备事故应急调查处理中心，
类型：发明
国别省市：