一种基于多传感器数据输入的电扶梯故障诊断方法技术

技术编号：44616153 阅读：4 留言：0更新日期：2025-03-17 18:17

本发明专利技术公开了一种基于多传感器数据输入的电扶梯故障诊断方法，包括电扶梯原始数据的采集、数据预处理、故障数据集设置、电扶梯故障识别与云端模型更新四个步骤：数据预处理使用改进小波阈值降噪方法对电扶梯信号数据进行滤波，提高电扶梯信号数据的质量；故障数据集设置融合电扶梯各部位以及各类型的故障数据来设置数据集，实现了电扶梯故障数据的充分利用，提高了故障类别信号的丰富度；故障识别将多传感器数据输入CNN‑GRU网络，由CNN‑GRU网络提取输入数据中的特征并得出最终的识别结果；云端模型更新利用使用CFOA对CNN‑GRU模型进行寻优，构建具有最优CNN‑GRU网络模型，具有较高的识别精度，且泛化性能良好，可广泛应用于电扶梯故障诊断领域。

全部详细技术资料下载

【技术实现步骤摘要】

本专利技术涉及故障诊断领域，尤其涉及一种基于多传感器数据输入的电扶梯故障诊断方法。

技术介绍

1、随着城市化进程的加速和公共设施的不断完善，电扶梯作为一种重要的垂直运输工具，在各大商场、地铁站、机场等公共场所得到了广泛应用，然而，电扶梯的故障问题也随之而来，给公共安全带来了一定的威胁，为了确保电扶梯的安全运行，及时有效地进行故障诊断显得尤为重要，在此背景下，对于电扶梯故障诊断技术的研发和应用显得尤为重要。

2、在现有研究背景下，电扶梯诊断由于物理结构复杂，故障种类繁多，现有的故障诊断方法往往只利用电扶梯某些部位或者某种数据进行诊断，不能充分的利用电扶梯各部位各种类型的关键信息，并且电扶梯运行时故障的发生率较小，因此存在故障类别信号丰富度不足等问题，此外由于缺少实际故障数据，现有的基于深度学习的故障诊断方法都重在根据已有的实验室故障信号数据以及模拟数据来进行网络训练以提升故障诊断的准确率，没有利用电扶梯实际运行的实时数据，并且由于电扶梯结构复杂且运行工况多样，环境噪声较大，各部位存在一定的相互影响，将使用模拟数据所训练出的诊断网络应用在实际状况下往往不能达到预期效果。

3、因此提出一种能够利用电扶梯大量的信号数据、能够扩充电扶梯故障类别信号丰富度、对电扶梯的故障实现准确识别并且能够利用电扶梯不断采集的新的实时数据实现电扶梯故障诊断准确率的不断提高的故障诊断方法具有重要意义。

技术实现思路

1、针对以上问题，本专利技术提供的一种基于多传感器数据输入的电扶梯故障诊断方法采用如下的技术方案：

2、s1，电扶梯原始数据的采集：使用四个振动温度传感器分别采集涨紧轮轴承座水平振动数据 α1( t)、电机轴承座水平振动数据 α2( t)、减速箱轴承座垂直振动数据 α3( t)、减速箱底座垂直振动数据 α4( t)，以及四个部位的温度 β1( t)、 β2( t)、 β3( t)、 β4( t)，使用一个应力温度传感器采集梯级链张紧弹簧位移数据 α5( t)，以及该部位的温度 β5( t)，使用一个噪声传感器采集驱动主轴噪声数据 γ( t)，并进行分块保存，并将数据汇合起来 x( t)={ α( t), β( t), γ( t)},其中 α( t)={ α1( t), α2( t), α2( t), α4( t), α5( t)}, β( t)={ β1( t), β2( t), β3( t), β4( t), β5( t),}，用于为后续步骤提供数据；

3、s2，数据预处理：对获取的电扶梯各部位传感器所采集数据所进行的预处理，其有三个步骤：

4、s2.1，数据清洗：将采集而来的原始信号 x( t)={ α( t), β( t), γ( t)}，进行数据清洗，将传感器异常时所采集的错误值进行清除，得到清洗后的数据 x ′( t)={ α '( t), β '( t), γ '( t)}；

5、s2.2，改进小波阈值函数去噪，其有四个步骤：

6、s2.2.1，将经过数据清洗后的信号 x ′( t)={ α '( t), β '( t), γ '( t)}进行小波变化多尺度分解，得到高频系数组 h={ h1, h2, h3,…, hi}和低频系数组 d={ d1, d2, d3,…, di},i为数据的分解层数；

7、s2.2.2，利用改进小波阈值函数对分解后的高频系数组进行处理，对于传统的软阈值处理与硬阈值处理函数，本专利技术使用一种新的改进阈值函数：

8、, h为小波系数， hs为处理后的小波系数， λ为阈值， d为一个本文档来自技高网...

【技术保护点】

1.一种基于多传感器数据输入的电扶梯故障诊断方法，按电扶梯原始数据采集、数据预处理、故障数据集设置、故障识别与云端模型更新四个阶段进行；其特征在于：

2.根据权利要求1所述的基于多传感器数据输入的电扶梯故障诊断方法，其特征是所述的改进小波阈值函数降噪，其有四个步骤：

3.根据权利要求1所述的基于多传感器数据输入的电扶梯故障诊断方法，其特征是所述的数据融合是：将数据预处理后涨紧轮轴承座的水平振动数据、电机轴承座的水平振动数据、减速箱轴承座垂直振动数据、减速箱轴承座的垂直振动数据通过样本拼接法融合为轴承类故障的振动数据集，对应测点的温度数据作为轴承类故障的温度数据集，并这两项与对应时刻的噪声数据集通过特征拼接的方法融合为轴承类故障数据集；将数据预处理后的涨紧轮轴承座的水平振动数据、减速箱轴承座的垂直振动数据、减速箱底座的垂直振动数据通过样本拼接法融合为齿轮类故障的振动数据集，对应测点的温度数据作为齿轮类故障的温度数据集，并这两项与对应时刻的噪声数据集通过特征拼接的方法融合为齿轮类故障数据集；将数据预处理后电机轴承座的水平振动数据、梯级链张紧弹簧的位移数据融合为

4.根据权利要求1所述的基于多传感器数据输入的电扶梯故障诊断方法，其特征是所述的CNN-GRU故障识别模型，其由CNN特征提取网络、GRU故障识别网络、全连接层和输出层构成；

5.根据权利要求1所述的基于多传感器数据输入的电扶梯故障诊断方法，其特征是所述的云端模型训练，其分为六个步骤：

6.根据权利要求1所述的基于多传感器数据输入的电扶梯故障诊断方法，其特征是所述的模型参数更新是：在云端模型训练阶段记录当前训练的平均准确率，并将此准确率与上一次模型更新时的准确率相比，当此准确率较高时，则将模型参数通过通信网络传回故障识别部分，之后结束模型训练，将CNN-GRU故障识别网络的参数更新。

...

【技术特征摘要】

2.根据权利要求1所述的基于多传感器数据输入的电扶梯故障诊断方法，其特征是所述的改进小波阈值函数降噪，其有四个步骤：

【专利技术属性】
技术研发人员：黄采伦，杨志远，吴浩，田勇军，南茂元，舒宗祺，
申请(专利权)人：湖南科技大学，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人