鄧方華，許有才，陶 然,，郭 澍，李新仕，茍 敏，李 琨

(1.昆明理工大學(xué) 信息工程與自動(dòng)化學(xué)院，云南 昆明 650500；2.云南省特種設(shè)備安全檢測(cè)研究院，云南 昆明 650228)

?

基于層次分析法與差分進(jìn)化算法極限學(xué)習(xí)機(jī)的自動(dòng)扶梯故障檢測(cè)*

鄧方華1，許有才1，陶 然1,2，郭 澍2，李新仕2，茍 敏1，李 琨1

(1.昆明理工大學(xué) 信息工程與自動(dòng)化學(xué)院，云南 昆明 650500；2.云南省特種設(shè)備安全檢測(cè)研究院，云南 昆明 650228)

針對(duì)自動(dòng)扶梯故障問題，以層次分析和差分進(jìn)化算法極限學(xué)習(xí)機(jī)相結(jié)合的方式快速、準(zhǔn)確地分析了自動(dòng)扶梯發(fā)生的故障問題。首先，用層次分析法計(jì)算出各故障因數(shù)的權(quán)值，選取權(quán)值較大的一部分因素作為輸入。然后，建立DE-ELM安全評(píng)測(cè)模型并與ELM模型比較，得出自動(dòng)扶梯安全程度等級(jí)并說明自動(dòng)扶梯的安全性。研究表明：對(duì)于很難或無法獲得故障因素準(zhǔn)確值的自動(dòng)扶梯而言，層次分析法是一種有效實(shí)用的可靠性分析方法，再結(jié)合差分進(jìn)化算法極限學(xué)習(xí)機(jī)的全局尋優(yōu)能力，對(duì)自動(dòng)扶梯故障問題的檢測(cè)更加快速、準(zhǔn)確。

自動(dòng)扶梯；層次分析法；差分進(jìn)化算法極限學(xué)習(xí)機(jī)；自動(dòng)扶梯故障

0 引言

自動(dòng)扶梯是一種帶有循環(huán)運(yùn)行梯級(jí)的典型機(jī)電合一設(shè)備，主要用于向上和向下傾斜運(yùn)輸乘客，已經(jīng)成為當(dāng)前軌道交通中重要的代步工具之一，其重要性毋庸置疑。這就要求自動(dòng)扶梯具有很好的可靠性和安全性[1]。因此，需要依靠先進(jìn)的故障診斷方法對(duì)設(shè)備中存在的危險(xiǎn)因素進(jìn)行識(shí)別和分析，判斷設(shè)備發(fā)生事故和危害的可能性及其嚴(yán)重程度，提高自動(dòng)扶梯的運(yùn)行效率[2]。

為了對(duì)影響自動(dòng)扶梯故障的因素進(jìn)行科學(xué)準(zhǔn)確的劃分，同時(shí)結(jié)合專家意見進(jìn)行安全分析，對(duì)各評(píng)價(jià)指標(biāo)權(quán)重系數(shù)進(jìn)行確定,應(yīng)用差分進(jìn)化算法極限學(xué)習(xí)機(jī)對(duì)自動(dòng)扶梯的故障問題進(jìn)行分析，合理有效地解決了差分進(jìn)化算法反應(yīng)速度慢和不穩(wěn)定的缺點(diǎn)。

1 層次分析方法

自動(dòng)扶梯系統(tǒng)是一個(gè)多層次、非線性、動(dòng)態(tài)、模糊的復(fù)雜系統(tǒng)，要科學(xué)、合理地評(píng)價(jià)自動(dòng)扶梯系統(tǒng)的安全性，首先必須確定能夠反映自動(dòng)扶梯系統(tǒng)安全狀況的因素[3]。層次分析法(Analytic Hierarchy Process，AHP)在對(duì)復(fù)雜系統(tǒng)的本質(zhì)、影響因素及其內(nèi)在關(guān)系等進(jìn)行深入分析的基礎(chǔ)上，利用較少的定量信息使復(fù)雜系統(tǒng)的影響因素?cái)?shù)學(xué)化、層次化。層次分析法的步驟可歸納如下。

1.1 建立層次結(jié)構(gòu)模型

在分析自動(dòng)扶梯檢測(cè)問題時(shí)，首先要簡(jiǎn)化分解問題，從而構(gòu)造出一個(gè)層次分明的結(jié)構(gòu)模型，如圖1所示。該模型分為三層：目的層，準(zhǔn)則層，方案層。

圖1 自動(dòng)扶梯系統(tǒng)層次結(jié)構(gòu)模型

1.2 構(gòu)造出準(zhǔn)則層中的判斷矩陣

影響故障的因素有很多，其中每個(gè)因素所占的比例也不一樣，在實(shí)際應(yīng)用中，應(yīng)當(dāng)根據(jù)各因素的重要程度對(duì)其賦予相應(yīng)的權(quán)重[4]。然而在具體操作的過程當(dāng)中有些因素難以定量分析，只能定性分析。因此，本文根據(jù)專家意見對(duì)層次結(jié)構(gòu)模型中的準(zhǔn)則層進(jìn)行分析，并引用數(shù)字1～9及其倒數(shù)作為標(biāo)度來定義判斷矩陣(見表1)[5]。從屬上一層次A的每個(gè)因素構(gòu)成判斷矩陣。

表1 判斷矩陣標(biāo)度定義

標(biāo)度含義1兩個(gè)因素相比，同樣重要3兩個(gè)因素相比，前者稍微重要5兩個(gè)因素相比，后者明顯重要7兩個(gè)因素相比，前者強(qiáng)烈重要9兩個(gè)因素相比，前者極端重要2，4，6，8表示上述相鄰判斷值的中間值倒數(shù)若因素i與因素j的重要性之比為aij，那么因素j與因素i的重要性之比為aji=1/aij

1.3 一致性檢驗(yàn)

(1)計(jì)算一致性指標(biāo)CI

(1)

其中，λmax為判斷矩陣的最大特征值。

(2)隨機(jī)一致性指標(biāo)RI(見表2)[6]。

表2 隨機(jī)一致性指標(biāo)

(3)計(jì)算一致性比例CR

(2)

如CR<0.10，則認(rèn)為判斷矩陣的一致性是合理可接受的，否則需要對(duì)判斷矩陣進(jìn)行一定的修改。

2 差分進(jìn)化算法極限學(xué)習(xí)機(jī)

2.1 極限學(xué)習(xí)機(jī)

極限學(xué)習(xí)機(jī)(Extreme Learning Machine，ELM)是由黃廣斌提出來的求解神經(jīng)網(wǎng)絡(luò)算法[7]。ELM最大的特點(diǎn)是對(duì)于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，尤其是單隱層前饋神經(jīng)網(wǎng)絡(luò)(SLFNS)，其學(xué)習(xí)算法速度更快[8]。對(duì)于一個(gè)單隱層神經(jīng)網(wǎng)絡(luò)，假設(shè)有N個(gè)任意的樣本(xi,ti)，其中

Xi=[xi1,xi2,...,xin]T∈Rn,ti=[ti1,ti2,...,tim]T∈Rm。

其中，g(x)為激活函數(shù)，Wi=[wi,1,wi,2,...,wi,n]T為輸入權(quán)重，βi為輸出權(quán)重，bi是第i個(gè)隱層單元的偏置。

Hβ=T

其中H是隱層節(jié)點(diǎn)的輸出，β為輸出權(quán)重，T為期望輸出。

(3)

(4)

在ELM算法中, 當(dāng)輸入權(quán)重Wi、隱層的偏置bi被隨機(jī)確定后，隱層的輸出矩陣H也可以被確定[10]。因此可以把訓(xùn)練單隱層神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)化為求解一個(gè)線性系統(tǒng)Hβ=T。并且輸出權(quán)重β可以由下式確定：

(5)

其中，H?是矩陣H的Moore-Penrose廣義逆。綜上所述，極限學(xué)習(xí)機(jī)的實(shí)現(xiàn)步驟為：

(2)隨機(jī)生成輸入權(quán)值矩陣Wi以及隱含層偏置矩陣bi；

(3)根據(jù)式(4)求出隱含層輸出矩陣H；

(4)根據(jù)式(5)求出輸出權(quán)重β。

2.2 差分進(jìn)化算法極限學(xué)習(xí)機(jī)

差分進(jìn)化算法DE是一種新興的進(jìn)化計(jì)算技術(shù)。它是由Storn等人于1995年提出的，和其他演化算法一樣，DE是一種模擬生物進(jìn)化的隨機(jī)模型，通過反復(fù)迭代，使得那些適應(yīng)環(huán)境的個(gè)體被保存下來[11]。

差分進(jìn)化算法極限學(xué)習(xí)機(jī)(DE-ELM)的實(shí)現(xiàn)步驟如下。

2.2.1 初始化

其任意一個(gè)種群個(gè)體tr,g由ELM 的輸入權(quán)值矩Wi=[wi,1,wi,2,...,wi,n]T和隱含層偏置矩陣(bi) 組成，即

t=[w11,w12…w1n,…,wk1,wk2,…wkn,b1,…bk]

對(duì)于每一個(gè)種群個(gè)體t，按照式(4)計(jì)算出隱含層輸出矩陣H，然后再按照式(5)得到輸出權(quán)重β，最后計(jì)算每個(gè)個(gè)體的均方根誤差(Root-Mean-Square Error,RMSE)[13]。

2.2.2 變異

對(duì)于任意一個(gè)目標(biāo)向量tr,g，取式(6)變異方式進(jìn)行變異操作[14]。

Vr,g+1=tr1,g+F·(tr2,g-tr3,g)

(6)

式中的r1,r2,r3表示種群個(gè)體序號(hào)，三者互不相同，且分別與目標(biāo)序號(hào)r不同；tr1,g為父代基向量；(tr2,g-tr3,g)為父代差分向量；F為縮放比例因子。

2.2.3 交叉

利用式(7)對(duì)tr,g和由式(6)生成的Vr,g+1實(shí)施交叉操作，生成實(shí)驗(yàn)個(gè)體Ur,g+1。

(7)

其中，j=[0,1,2,...,i],rand(j)為[0,1]之間的均勻分布隨機(jī)數(shù)[15]；CR為范圍在[0,1]之間的交叉概率；rndr(i)為{1,2，...，D}之間的隨機(jī)量。

2.2.4 選擇

利用式(8)對(duì)由式(7)生成的實(shí)驗(yàn)個(gè)體Ur,g+1和tr,g的目標(biāo)函數(shù)進(jìn)行比較，選擇目標(biāo)函數(shù)值低的個(gè)體作為新種群的個(gè)體Xr,g+1[16]，即

(8)

其中f為目標(biāo)函數(shù)。

3 自動(dòng)扶梯故障檢測(cè)實(shí)例

3.1 層次分析法計(jì)算權(quán)重向量W

根據(jù)式(9)求得自動(dòng)扶梯的故障因素的權(quán)重向量，計(jì)算步驟如下：

(1)判斷矩陣A的元素按行相乘得一新向量[17]；

(2)將新向量的每個(gè)分量開n次方；

(3)將所得到向量歸一化，便可得到權(quán)重向量Wi。

(9)

從圖1可以得到對(duì)于自動(dòng)扶梯故障的各種評(píng)價(jià)因素，根據(jù)式(9)計(jì)算各因素的權(quán)重，如表3所示[18]。

表3 評(píng)價(jià)因素及其相關(guān)權(quán)重

由表3可以得到影響自動(dòng)扶梯故障因素的權(quán)重，從各個(gè)部分的權(quán)值來看，雙排斷鏈及超載對(duì)自動(dòng)扶梯出現(xiàn)故障的影響比較大。但結(jié)合自動(dòng)扶梯領(lǐng)域?qū)＜业慕?jīng)驗(yàn)，由超載導(dǎo)致自動(dòng)扶梯出現(xiàn)故障并引起事故的幾乎沒有，而且對(duì)于超載問題有非常嚴(yán)格的評(píng)測(cè)系統(tǒng)和警戒方法，因此表3中11個(gè)標(biāo)記“*”的權(quán)重值較大的評(píng)測(cè)因素可以作為 DE-ELM模型的輸入。

3.2 建立DE-ELM的評(píng)估模型

將安全程度分為4 個(gè)等級(jí)：很安全(Ⅰ級(jí))，比較安全(Ⅱ級(jí))，不安全(Ⅲ級(jí))，很不安全(Ⅳ級(jí))。因DE-ELM模型的輸入輸出均為數(shù)值，需將安全等級(jí)量化，以0.0～0.5代表很不安全，0.5～0.7 代表不安全，0.7～0.9 代表比較安全，0.9～1.00 代表很安全。以云南省特種設(shè)備安全檢測(cè)研究院二十多年的分析研究數(shù)據(jù)為基礎(chǔ)，選取20組由3.1節(jié)中層次分析法所確定的11個(gè)評(píng)價(jià)因素作為訓(xùn)練樣本，對(duì)DE-ELM模型進(jìn)行訓(xùn)練，訓(xùn)練過程將樣本分為2組進(jìn)行交叉驗(yàn)證。

3.3 結(jié)果分析

為驗(yàn)證DE-ELM模型的評(píng)估效果，將20組數(shù)據(jù)作為訓(xùn)練樣本，構(gòu)建成為標(biāo)準(zhǔn)ELM模型，可以作為對(duì)比。DE-ELM模型迭代次數(shù)取200，訓(xùn)練目標(biāo)取為0.000 1，隱含層節(jié)點(diǎn)取20。ELM模型的評(píng)估結(jié)果有4次與實(shí)際不符，評(píng)估準(zhǔn)確率僅為80%，DE-ELM 模型的評(píng)估結(jié)果僅有2 次與實(shí)際不符，評(píng)估準(zhǔn)確率較標(biāo)準(zhǔn)ELM模型提高10%，高達(dá)90%，模型評(píng)估部分結(jié)果如表4所示。由表4可知，DE-ELM模型的安全評(píng)價(jià)是可靠的。

表4 模型評(píng)估部分結(jié)果

4 結(jié)論

利用差分進(jìn)化算法實(shí)現(xiàn)的全局尋優(yōu)能力的極限學(xué)習(xí)機(jī)，克服了ELM收斂速度慢、易陷入局部最優(yōu)的缺點(diǎn)。以層次分析法分析出權(quán)重比值較高的評(píng)價(jià)因素，以此為基礎(chǔ)，建立DE-ELM安全評(píng)價(jià)模型，并對(duì)自動(dòng)扶梯的安全性進(jìn)行驗(yàn)證分析。結(jié)果表明DE-ELM模型所得出的結(jié)果與預(yù)期結(jié)果一致，而且對(duì)比結(jié)果顯示DE-ELM模型下自動(dòng)扶梯安全程度等級(jí)高于ELM模型。

[1] 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，2005,20(4)：241-244.

[2] ZHANG G M,CAIL,ZHU W,et al.Application of evaluation model based on fuzzy analytic hierarchy process in elevator election[J].ElevatorWorld,2006,54(10):223-229.

[3] TANNK A H, FAN L T,LAI F S,et al.Fault-tree analysis by fuzzy probability[J].IEEE Transactions on Reliability,1983,32(5):427-431.

[4] 孫余凱，項(xiàng)綺明，徐紹賢，等.新型電梯故障檢修技巧與實(shí)例[M].北京：電子工業(yè)出版社，2008.

[5] 王欽方,企業(yè)安全模型研究[J]. 中國(guó)安全科學(xué)學(xué)報(bào),2005,15(12):33-37.

[6] ANSI/ASME A17.1b-2003, 電梯和自動(dòng)扶梯的安全性法規(guī)[S].2003.

[7] 王志強(qiáng)，楊春帆，姜雪松.最新電梯原理、使用與維護(hù)[M].北京:機(jī)械工業(yè)出版社，2006.

[8] 何德芳，李力，和濟(jì).失效分析與故障預(yù)防[M].北京:冶金工業(yè)出版社，1990.

[9] WILFRIED H, NICKOLAJ K. Famocutn & cutqn: programs for fast analysis of large fault trees with replicated & negated gate[J].IEEE Transactions on Reliability,1995,44(3):367-376.

[10] 楊啟文,蔡亮,薛云燦. 差分進(jìn)化算法綜述[J].模式識(shí)別與人工智能，2008,21(4):302-310.

[11] 郭金玉,張忠彬,孫慶云. 層次分析法的研究與應(yīng)用[J]. 中國(guó)安全科學(xué)學(xué)報(bào),2008,18(5):148-153.

[12] 夏萍,汪凱,李寧秀,等.層次分析法中求權(quán)重的一種改進(jìn)[J]. 中國(guó)衛(wèi)生統(tǒng)計(jì),2011,28(2):151-154.

[13] YU P, LEE J H. A hybrid approach using two-level SOM and combined AHP rating and AHP/DEA-AR method for selecting optimal promising emerging technology[J]. Expert Systems With Applications,2013,401(2):31-42.

[14] 周艷平,顧幸生.差分進(jìn)化算法研究進(jìn)展[J].化工自動(dòng)化及儀表，2001,31(6):100-105.

[15] 李維剛,賈樹晉,郭朝暉.基于分解的多目標(biāo)差分進(jìn)化算法及其應(yīng)用[J].信息與控制，2009,43(3):141-142.

[16] 王艷宜.改進(jìn)差分進(jìn)化算法及其應(yīng)用[J]. 機(jī)械設(shè)計(jì)與研究，2010,44(3):87-92.

[17] GB 16899-2011.自動(dòng)扶梯和自動(dòng)人行道的制造與安裝安全規(guī)范[S].2011.

[18] 毛懷新.電梯與自動(dòng)扶梯技術(shù)檢驗(yàn)[M].北京：學(xué)苑出版社，2001.

Escalator fault detection based on analytic hierarchy process and different algorithm for extreme learning machine

Deng Fanghua1, Xu Youcai1， Tao Ran1,2, Guo Shu2, Li Xinshi2, Gou Min1, Li Kun1

(1.Institute of Information Engineering and Automation,Kunming University of Science and Technology，Kunming 650500,China;2.Special Equipment Safety Inspection Institute in Yunnan Province，Kunming 650228,China)

Aiming at the problem of automatic escalator malfunction,a combination of hierarchical analysis and differential evolution algorithm for extreme learning machine is propesed to analize and solve the problem of the automatic escalator failure quickly and accurately. First,the weight value of each factor is calculated by using the analytic hierarchy process,a large part of the weight of the factors is selected as input.Then, the DE-ELM security evaluation model is established and compared with the ELM model, and the safety level of the escalator is obtained.The study shows that it is very difficult or unable to obtain the exact value of the fault factors of the escalator, analytic hierarchy process is an effective and practical method of reliability analysis, and then combined with the differential evolution algorithm, the detection of the fault of the escalator will be more rapid and accurate.

the elevator;analytic hierarchy process;differential evolution algorithm for extreme learning machine;escalator failure

國(guó)家質(zhì)檢總局科技計(jì)劃項(xiàng)目資助(2013QK104)；云南省質(zhì)量技術(shù)監(jiān)督局科技計(jì)劃項(xiàng)目資助(2013ynzjkj02)

TP391

A

1674-7720(2016)07-0012-04

鄧方華，許有才，陶然，等. 基于層次分析法與差分進(jìn)化算法極限學(xué)習(xí)機(jī)的自動(dòng)扶梯故障檢測(cè)[J].微型機(jī)與應(yīng)用，2016,35(7)：12-15.

2015-12-05)

鄧方華(1991-)，男，碩士研究生，主要研究方向：自動(dòng)扶梯檢測(cè)。