一种基于改进DANN模型的电梯曳引轮故障判断方法技术

本发明专利技术公开了一种基于改进DANN模型的电梯曳引轮故障判断方法，包括：采集目标域数据和源域数据并记录域分类标签；采用小波包分解对目标域和源域数据进行分解重构得到重构信号；利用马尔可夫转移矩阵提取重构信号的时频特征构建马尔可夫变迁场作为输入特征；建立改进DANN模型；利用源域数据对应的输入特征预训练改进DANN模型的特征提取器和分类器；将目标域数据和源域数据对应的输入特征和域分类标签输入预训练好的模型进行对抗训练获得最终DANN模型；将待检测信号输入最终DANN模型获得故障诊断结果。该方法解决样本不足的同时，充分提取振动信号的相关特征，结合迁移学习实现快速准确诊断电梯故障，便于设备安全维护。便于设备安全维护。便于设备安全维护。

【技术实现步骤摘要】
一种基于改进DANN模型的电梯曳引轮故障判断方法


[0001]本专利技术属于电梯故障诊断
，具体涉及一种基于改进DANN模型的电梯曳引轮故障判断方法。

技术介绍

[0002]随着城市发展速度的不断加快，电梯作为一种垂直快速的代步工具已经成为了高层建筑不可或缺的一部分。但是由于日常运行频繁，电梯“老龄化”等问题凸显，使得电梯故障甚至困人事故屡有发生。传统的检测方法是对电梯各个设备进行定期检测维修，但存在过度维修、费时、成本高、实时性差的缺点，同时也无法完全避免设备故障发生。因此，如何能够实时的显示电梯目前的运行状态，在故障出现之前可以提前预警，改变出现故障之后才进行处理的被动局面，已经成为了一个亟待解决的问题。
[0003]作为整部电梯的运动中枢，曳引轮控制了电梯从启动到加速上升再到减速制动最后静置悬停的全过程。电梯运行过程中，曳引轮都处于高负荷运转的状态，这将加速曳引轮的磨损，引起曳引轮的异常振动。所以曳引轮的磨损程度直接影响到电梯的安全性能。同时，在电梯的实际应用中，不同电梯的数据往往是在不同的工作条件中采集到的，不同用户的电梯数据和试验塔的电梯数据在分布上也存在差异，甚至碍于制造成本和隐私保护，无法获得用户方面的电梯曳引轮数据。因此寻找适当的故障诊断、识别方法，对于有效地诊断电梯曳引轮故障具有时代的迫切感。
[0004]目前，随着大数据和人工智能技术的发展，故障诊断也得到了广泛研究。但人工智能算法模型是由数据驱动的，因此结合相关算法实现故障诊断和预测往往需要海量的数据，尤其是故障数据。而电梯设备的特殊性使得很难采集到故障数据，也就无法保证有足够的训练样本支撑模型训练，所以需要引入迁移学习。但是传统的迁移学习主要应用于图像的处理，对振动信号的适应性不佳，没有充分利用振动信号的时域、频域和空间域特征，得到的准确率也不高。因此，亟需开发新的电梯故障诊断方法，在解决样本不足问题的同时，充分提取振动信号的相关特征，结合迁移学习算法实现高效准确故障诊断。

技术实现思路

[0005]本专利技术的目的在于针对上述问题，提出一种基于改进DANN模型的电梯曳引轮故障判断方法，在解决样本不足问题的同时，可充分提取振动信号的相关特征，结合迁移学习以实现快速准确诊断电梯故障，便于智能化设备的安全维护。
[0006]为实现上述目的，本专利技术所采取的技术方案为：
[0007]本专利技术提出的一种基于改进DANN模型的电梯曳引轮故障判断方法，包括如下步骤：
[0008]S1、采集电梯运行过程中的振动信号作为目标域数据并记录域分类标签，目标域数据包括正常样本和曳引轮故障样本；
[0009]S2、利用电梯3D运动模型模拟电梯正常运行状态和曳引轮故障运行状态，采集对
应的样本数据打上分类标签作为源域数据并记录域分类标签；
[0010]S3、采用小波包分解对目标域数据和源域数据进行分解重构得到重构信号；
[0011]S4、利用马尔可夫转移矩阵提取重构信号的时频特征构建马尔可夫变迁场作为输入特征；
[0012]S5、建立改进DANN模型，改进DANN模型包括特征提取器、分类器、域判别器和梯度反转层，特征提取器分别与分类器和梯度反转层的输入端连接，梯度反转层的输出端与域判别器的输入端连接，其中，特征提取器包括依次连接的第一卷积模块、第二卷积模块、第三卷积模块、全连接层和Faltten层，第一卷积模块、第二卷积模块、第三卷积模块均包括依次连接的卷积层和池化层，域判别器包括依次连接的第四卷积模块和全连接层，第四卷积模块包括至少一个卷积层；
[0013]S6、利用源域数据对应的输入特征预训练改进DANN模型的特征提取器和分类器；
[0014]S7、将目标域数据和源域数据对应的输入特征和域分类标签输入预训练好的改进DANN模型进行对抗训练，直到模型收敛，获得最终DANN模型；
[0015]S8、将待检测的振动信号输入最终DANN模型，获得故障诊断结果。
[0016]优选地，小波包分解为三层小波包分解，结构式如下：
[0017][0018]其中，高通滤波系数和低通滤波系数满足式(2)的正交关系：
[0019]g(k)＝(
‑
1)
k
h(1
‑
k)
ꢀꢀꢀ
(2)
[0020]在不同层得到的分解信号根据式(3)和式(4)计算获得：
[0021][0022][0023]式中，S
0,0
(m)表示当前时序下分解前的原始信号，m为离散时间序列，k为时移因子，S
i+1,2j
(m)表示当前时序信号在第i+1层第2j个节点的分解信号，S
i+1,2j+1
(m)表示当前时序信号在第i+1层第2j+1个节点的分解信号，S
i
,
j
(k)表示当前时序信号在第i层第j个节点对应的分解信号，i＝0,1,2，j＝0～7，且j为偶数时，表示经过低通滤波系数g(k)分解得到的低频成分信号，j为奇数时，表示经过高通滤波系数h(k)分解得到的高频成分信号。
[0024]优选地，第一卷积模块的卷积层采用3个7*7的卷积核，第二卷积模块的卷积层采用16个3*3的卷积核，第三卷积模块的卷积层采用60个3*3的卷积核。
[0025]优选地，将目标域数据和源域数据对应的输入特征和域分类标签输入预训练好的改进DANN模型进行对抗训练，包括：
[0026]S71、将输入特征x经特征提取器f＝G
f
(x；θ
f
)的映射转换为D维的特征向量，即并将源域数据对应的特征向量经分类器G
y
(x；θ
y
)的映射输出对应的分类标签预测
结果，将源域数据和目标域数据对应的特征向量均经域判别器G
d
(x；θ
d
)输出对应的域分类结果，其中，θ
f
为特征提取器的权重参数，θ
y
为分类器的权重参数，θ
d
为域判别器的权重参数；
[0027]S72、计算分类损失和域判别损失如式(5)所示：
[0028][0029]式中，为第i个样本的分类损失，为第i个样本的域判别损失，L
y
为分类损失，L
d
为域判别损失，y
i
为第i个样本对应的分类标签，d
i
为第i个样本对应的域分类标签；
[0030]则总损失函数如式(6)所示：
[0031][0032]式中，n为源域数据的样本数目，n
′
为目标域数据的样本数目，N为样本总数，λ为梯度反转层的参数；
[0033]S73、利用梯度反转层在反向传播过程中实现梯度方向自动取反，在前向传播过程中实现恒等变换，如式(7)所示：
[0034][0035]式中，为梯度反转层的输出特征，为梯度反转层的输入特征，I本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进DANN模型的电梯曳引轮故障判断方法，其特征在于：所述基于改进DANN模型的电梯曳引轮故障判断方法包括如下步骤：S1、采集电梯运行过程中的振动信号作为目标域数据并记录域分类标签，所述目标域数据包括正常样本和曳引轮故障样本；S2、利用电梯3D运动模型模拟电梯正常运行状态和曳引轮故障运行状态，采集对应的样本数据打上分类标签作为源域数据并记录域分类标签；S3、采用小波包分解对目标域数据和源域数据进行分解重构得到重构信号；S4、利用马尔可夫转移矩阵提取重构信号的时频特征构建马尔可夫变迁场作为输入特征；S5、建立改进DANN模型，所述改进DANN模型包括特征提取器、分类器、域判别器和梯度反转层，所述特征提取器分别与所述分类器和梯度反转层的输入端连接，所述梯度反转层的输出端与所述域判别器的输入端连接，其中，所述特征提取器包括依次连接的第一卷积模块、第二卷积模块、第三卷积模块、全连接层和Faltten层，所述第一卷积模块、第二卷积模块、第三卷积模块均包括依次连接的卷积层和池化层，所述域判别器包括依次连接的第四卷积模块和全连接层，所述第四卷积模块包括至少一个卷积层；S6、利用源域数据对应的输入特征预训练改进DANN模型的特征提取器和分类器；S7、将目标域数据和源域数据对应的输入特征和域分类标签输入预训练好的改进DANN模型进行对抗训练，直到模型收敛，获得最终DANN模型；S8、将待检测的振动信号输入最终DANN模型，获得故障诊断结果。2.如权利要求1所述的基于改进DANN模型的电梯曳引轮故障判断方法，其特征在于：所述小波包分解为三层小波包分解，结构式如下：其中，高通滤波系数和低通滤波系数满足式(2)的正交关系：g(k)＝(
‑
1)
k
h(1
‑
k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)在不同层得到的分解信号根据式(3)和式(4)计算获得：在不同层得到的分解信号根据式(3)和式(4)计算获得：式中，S
0，0
(m)表示当前时序下分解前的原始信号，m为离散时间序列，k为时移因子，S
i+1，2j
(m)表示当前时序信号在第i+1层第2j个节点的分解信号，S
i+1，2j+1
(m)表示当前时序信号在第i+1层第2j+1个节点的分解信号，S
i，j
(k)表示当前时序信号在第i层第j个节点对应的分解信号，i＝0，1，2，j＝0～7，且j为偶数时，表示经过低通滤波系数g(k)分解得到的低频成分信号，j为奇数时，表示经过高通滤波系数h(k)分解得到的高频成分信号。
3.如权利要求1所述的基于改进DANN模型的电梯曳引轮故障判断方法，其特征在于：所述第一卷积模块的卷积层采用3个7*7的卷积核，所述第二卷积模块的卷积层采用16个3*3的卷积核，所述第三卷积模块的卷积层采用60个3*3的卷积核。4.如权利要求1所述的基于改进DANN模型的电梯曳引轮故障判断方法，其特征在于：所述将目标域数据和源域数据对应的输入特征和域分类标签输入预训练好的改进DANN模型进行对抗训练，包括：S71、将输入特征x经特征提取器f＝G
f
(x；θ
f
)的映射转换为D维的特征向量，即并将源域数据对应的特征向量经分类器G
y
(x；θ
y
)的映射输出对应的分类标签预测结果，将源域数据和目标域数据对应的特征向量均经域判别器G
d
...

【专利技术属性】
技术研发人员：郭方洪，赵丹波，窦云飞，董辉，吴祥，俞立，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：