一种电梯滑移量的预测方法及系统技术方案

本发明专利技术提出了一种电梯滑移量的预测方法及系统，首先采集相同工况下不同工作时间段下的电梯滑移量数据，并进行数据预处理；然后初始化编码器

【技术实现步骤摘要】
一种电梯滑移量的预测方法及系统


[0001]本专利技术涉及电梯故障识别
，尤其涉及一种电梯滑移量的预测方法及系统。

技术介绍

[0002]在高度城市化的今天，随着城中高楼的高度日益上升，电梯也逐步向高处发展，对电梯钢丝绳也提出了更高的要求，电梯钢丝绳的韧性、抗拉强度、刚性都是影响钢丝绳使用寿命的因素。电梯在上升的时候，经常会因为钢丝绳与轮槽之间摩擦力不够而产生钢丝绳“打滑”的现象，这容易引发安全事故。
[0003]钢丝绳实际上除了打滑，还有一种称为滑移的固有特性，这与打滑不同，本质是钢丝绳两端张力不均匀，又因为钢丝有弹性，在张力差作用下会有不同程度的伸长，其大小取决于很多因素。因为钢丝绳滑移量很小，通常只有几毫米，因此在瞬时很难对其进行测量，但通过长时间的运行和实验，形变差在累计后形成的滑移量是可以观测的。值得注意的是钢丝绳的滑移对电梯的曳引能力也有一定的影响，而且是不可避免的，所以对滑移量的观察和度量是很有必要的。
[0004]例如，CN105270956B公开了一种制动器制动滑移量及曳引轮滑移量的监测系统，包括制动滑移量探测器、电梯绝对位置探测器及控制器；控制器根据制动滑移量及电梯轿厢总滑移量得出曳引轮滑移量；控制器将制动滑移量及曳引轮滑移量分别与预先存储的制动滑移量及曳引轮滑移量的阈值做对比，并判断是否发出提示信号及停止电梯轿厢运行；
[0005]但上述技术方案仅能够判断制动滑移量及曳引轮滑移量是否处于危险阈值，但无法确定具体的滑移量，以及对不同参数的电梯需要重新训练模型，难以适用于不同的电梯环境。
[0006]例如CN210418851U公开了一种电梯钢丝绳滑移量测量装置，包括曳引轮、曳引钢丝绳、控制主机、第一速度编码器、第二速度编码器和第三速度编码器，曳引钢丝绳贴合在曳引轮的轴向，曳引轮驱动第一速度编码器的转轴转动，曳引钢丝绳驱动第二速度编码器和第三速度编码器的转轴转动，且第二速度编码器和第三速度编码器的相对距离不变，第一速度编码器、第二速度编码器和第三速度编码器均与控制主机电性连接。
[0007]但上述技术方案通过电梯运行速度判定滑移量，难以精确的计算出具体的滑移量；且对不同参数的电梯同样需要重新训练模型，难以适用于不同的电梯环境。
[0008]现有的滑移量的观察和度量方法基于不同的运行参数进行判定，如收集声信号、电梯运行速度、电梯运行加速度、电梯轿厢温度和电梯震动幅度等，通过专家进行人工处理或神经网络训练，这种方式难以确定具体的滑移量，且需要大量的前期数据进行模型训练，对不同参数的电梯需要重新训练模型。
[0009]针对上述现有技术中存在的问题和缺陷，如何提供一种能够准确预测电梯滑移量的方法及系统并能够适用于不同参数的电梯，成为一个亟需解决地问题。

技术实现思路

[0010]本专利技术的目的是提供一种能够深度学习的电梯滑移量预测方法及系统，解决现有的监测度量方法或装置难以确定电梯具体滑移量、且对不同参数的电梯需要重新训练模型的问题。
[0011]为实现上述目的，本专利技术公开了一种电梯滑移量的预测方法，包括如下步骤：
[0012]S1：采集相同工况(空载、满载、125％动载荷、150％静载荷)下不同工作时间段下的电梯滑移量数据，并进行数据预处理；
[0013]S2：初始化编码器
‑
解码器模型(Encoder
‑
Decoder)，其中编码器结构为自定义滑移量分布生成编码器，该模型将采集到的电梯滑移量数据生成一个对应的概率分布；
[0014]S3：解码器模型结合深度强化学习模型，实现从概率分布模型到实际滑移量数据的输出；
[0015]S4：在编码器
‑
解码器模型中引入外部注意力机制，捕获采集电梯滑移量数据与外部轿厢、对重等的依赖关系，不断对模型参数进行优化；
[0016]S5：对电梯滑移量数据应用S折交叉验证方法，选出S次评测中平均测试误差最小的模型；
[0017]S6：对模型进行预测，并将预测结果与实际数据进行对比获得均方根误差RMSE、平均绝对百分比误差MAPE。
[0018]优选的，在所述步骤S1中，本专利技术提供了一种电梯滑移量数据预处理方法，所述预处理方法包括如下步骤：
[0019]S11：缺失值处理，缺失值在样本数据中仅包含小部分，可根据数据分布的情况进行填充；
[0020]S12：异常值处理，在数据处理阶段将异常值采用平均值代替；
[0021]S13：规范化处理，将样本数据映射到[0，1]区间，并划分为训练集和测试集，
[0022][0023]其中，minA和maxA分别表示样本中的最小值与最大值，newmin
A
和newmax
A
分别表示映射空间的最小值与最大值，v
i
和v
′
i
分别指原样本数据与映射后样本数据大小。
[0024]优选的，在所述步骤S2中，本专利技术提供了一种编码器
‑
解码器模型(Encoder
‑
Decoder)，其中编码器结构为自定义滑移量分布生成编码器，该模型将采集到的电梯滑移量数据生成一个对应的概率分布，具体实现步骤如下：
[0025]S21：在自定义滑移量分布生成编码器中，它的分布生成编码器有两个，一个用来计算均值，一个用来计算方差；
[0026]S22：假设采集到一批数据样本X1，...，X
n
，其整体使用X描述，同时假设Z服从标准正态分布，那么可以根据Z的分布来生成X的分布，其计算公式为：
[0027][0028]其中p(X)代表X的分布，p(Z)代表Z的分布；p(X|Z)代表一个由Z来生成X的模型；假设Z服从标准正态分布，也就是先从标准正态分布中采样一个Z，然后根据Z来算一个X，接下来就是结合编码器来实现重构，保证有效信息没有丢失，再加上后续推导把
模型实现。
[0029]S23：这时候对于每一个X
k
都使用神经网络拟合出一个对应专属的正态分布，于是构建两个神经网络，公式如下所示：
[0030]μ
k
＝f1(X
k
)，logδ2＝f2(X
k
)
[0031]其中，X
k
代表一个真实样本，μ
k
代表X
k
的均值，logδ2代表X
k
的方差，f1为拟合样本均值神经网络函数，f2为拟合样本方差神经网络函数；在这里选择拟合logδ2而不是直接拟合δ2，因为δ2总是非负的，需要加激活函数处理，而拟合logδ2不需要加激活函数；给定一个真实样本X
k
，假定存在一个专属于X
k
的分布p(Z|X
k
)，并进一步假设这个分布是正态分布，已知正态分布有两组参数：均值μ和方差δ2，用神经网络来拟合出专属于X
k本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电梯滑移量的预测方法，其特征在于，包括如下步骤：S1：采集相同工况(空载、满载、125％动载荷、150％静载荷)下不同工作时间段的电梯滑移量数据，并进行数据预处理；S2：建立初始化编码器
‑
解码器模型(Encoder
‑
Decoder)，其中编码器结构为自定义滑移量分布生成编码器，该模型将采集到的电梯滑移量数据生成一个对应的概率分布；S3：将解码器模型结合深度强化学习模型，实现从概率分布模型到实际滑移量数据的输出；S4：在编码器
‑
解码器模型中引入外部注意力机制，捕获采集电梯滑移量数据与外部轿厢、对重等的依赖关系，不断对模型参数进行优化；S5：对电梯滑移量数据应用S折交叉验证方法，选出S次评测中平均测试误差最小的模型；S6：对模型进行预测，并将预测结果与实际数据进行对比获得均方根误差RMSE、平均绝对百分比误差MAPE。2.根据权利要求1所述的一种电梯滑移量的预测方法，其特征在于，所述步骤S1中数据预处理的方法包括如下步骤：S11：缺失值处理，缺失值在样本数据中仅包含小部分，可根据数据分布的情况进行填充；S12：异常值处理，在数据处理阶段将异常值采用平均值代替；S13：规范化处理，将样本数据映射到[0，1]区间，并划分为训练集和测试集，其中，minA和maxA分别表示样本中的最小值与最大值，newmin
A
和newmax
A
分别表示映射空间的最小值与最大值，v
i
和v
′
i
分别指原样本数据与映射后样本数据大小。3.根据权利要求1所述的一种电梯滑移量的预测方法，其特征在于，所述步骤S2的具体实现步骤如下：S21：所述自定义滑移量分布生成编码器的数量有两个，一个用于计算均值，一个用于计算方差；S22：假设采集到一批数据样本X1，...，X
n
，其整体使用X描述，同时假设Z服从标准正态分布，那么可以根据Z的分布来生成X的分布，公式如下所示：其中p(X)代表X的分布，p(Z)代表Z的分布；p(X|Z)代表一个由Z来生成X的模型；S23：对每一个X
k
都使用神经网络拟合出一个对应专属的正态分布，并构建两个神经网络，公式如下所示：μ
k
＝f1(X
k
)，logδ2＝f2(X
k
)其中，X
k
代表一个真实样本，μ
k
代表X
k
的均值；logδ2代表X
k
的方差；f1为拟合样本均值神经网络函数，f2为拟合样本方差神经网络函数；S24：计算每一个X
k
的均值和方差，随后从所述专属的分布中采样出一个Z
k
，然后经过一
个生成器得到其中为参考样本Z
k
生成的新样本，g为样本生成函数；S25：最小化此过程中所述生成器会将开始的X
k
还原回来；S26：在最小化过程中，会受到噪声的影响，通过神经网络计算出噪声强度让其重构方差为0；S27：根据定义：得出先验假设：其中p(Z)是标准正态分布；随后从中采样得到数据；使自定义滑移量分布生成编码器中每个p(Z|X)都向正态分布看齐；其方式为在重构误差的基础上加入额外的loss：差的基础上加入额外的loss：S28：直接计算一般正态分布与标准正态分布的KL散度KL(N(μ，δ2)||N(0，1))作为额外的loss，计算方法为：其中，d是隐变量Z的维度，而μ
(i)
和分别代表一般正态分布的均值向量和方差向量的第i个分量；S29：同样地，所述loss也可被划分为两部分：S29：同样地，所述loss也可被划分为两部分：S29：同样地，所述loss也可被划分为两部分：4.根据权利要求1所述的一种电梯滑移量的预测方法，其特征在于，所述步骤S3的具体实现步骤如下：S31：深度强化学习模型基于强化学习算法，在实际问题中，根据编码器输出的概率分布，输出对应的电机滑移量数据，将概率分布定义为强化学习中的状态，输出数据定义为采取的动作，依照如下方程：取的动作，依照如下方程：其中q
π
(s，a)表示在达到状态s后采取策略π的行动能获得的期望收益，为目标在策
略π下收益的期望，R
t+1
为目标在t+1时刻得到的奖励，S
t+1
为目标在t+1时刻的状态，S
t
为目标在t时刻的状态，A
t+1
为目标在t+1时刻采取的行动，A
t
为目标在t时刻采取的行动，γ是折扣率，是在状态s采取动作a后获得的即时奖励，是在状态s采取动作a后转移到下一个状态s
...

【专利技术属性】
技术研发人员：李科，傅军平，陈向俊，刘华清，杨望卓，
申请(专利权)人：浙江省特种设备科学研究院，
类型：发明
国别省市：