蘭州資源環(huán)境職業(yè)技術(shù)學(xué)院 車明浪 楊添璽

準(zhǔn)確可靠快速的故障預(yù)警方法是電梯安全運(yùn)行的關(guān)鍵。針對(duì)電梯故障預(yù)警問題，為有效預(yù)防和減少電梯安全隱患，本文所提CKFRBF預(yù)測(cè)方法具有更精確的預(yù)測(cè)結(jié)果和更短的預(yù)測(cè)時(shí)間。對(duì)于電梯及相關(guān)特種設(shè)備的故障預(yù)警系統(tǒng)的設(shè)計(jì)與開發(fā)具有一定的參考意義。

隨著我國經(jīng)濟(jì)的快速發(fā)展和城鎮(zhèn)化水平的不斷提高，樓房的高層化和現(xiàn)代化的大幅度提升，作為高層建筑中應(yīng)用最廣泛的主要的垂直交通工具，電梯的數(shù)量與需求增加迅猛。然而，電梯事故的頻繁發(fā)生，對(duì)人們的日常使用產(chǎn)生很大的影響，更是對(duì)人們的生命安全構(gòu)成了一種威脅。如何準(zhǔn)確可靠快速的對(duì)電梯故障進(jìn)行預(yù)警具有非常重要的意義。

針對(duì)相關(guān)故障及預(yù)警問題，相關(guān)的新方法新技術(shù)相繼產(chǎn)生。除了進(jìn)行實(shí)時(shí)監(jiān)控，還可以提前預(yù)知電梯故障并為維保人員提供決策建議，加快電梯維修進(jìn)度。由此可見，基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)方法以其預(yù)測(cè)精度高、具有較強(qiáng)的非線性映射能力等優(yōu)點(diǎn)在電梯故障預(yù)警中體現(xiàn)出很好的效果，為電梯故障預(yù)警提供了新思路新方法。本文為進(jìn)一步提高電梯故障預(yù)警的效率和精確率，提出了一種容積卡爾曼濾波（CKF）輔助優(yōu)化徑向基神經(jīng)網(wǎng)絡(luò)（RBF）的電梯故障預(yù)警方法。

1 電梯系統(tǒng)故障預(yù)警方法需求分析

電梯故障因素分析及預(yù)警是通過對(duì)大量的電梯故障歷史信息進(jìn)行統(tǒng)計(jì)分析，得到監(jiān)管者所關(guān)心的電梯故障的發(fā)生情況，從而為電梯監(jiān)管者管理電梯安全提供輔助信息。基于深度學(xué)習(xí)的電梯故障預(yù)警方法關(guān)鍵在于精準(zhǔn)快速預(yù)測(cè),其通過各類相關(guān)傳感器收集電梯的基本運(yùn)行數(shù)據(jù)以及核心部件的狀態(tài)數(shù)據(jù)，對(duì)收集到的數(shù)據(jù)進(jìn)行處理和存儲(chǔ)，建立神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并通過不斷地訓(xùn)練優(yōu)化讓模型變得更加精確，從而達(dá)到電梯故障預(yù)警的目的。根據(jù)各個(gè)電梯之間的相似性，預(yù)測(cè)出電梯可能發(fā)生故障的類型，進(jìn)而故障預(yù)警，所以對(duì)于相關(guān)系統(tǒng)，故障預(yù)警算法應(yīng)能實(shí)現(xiàn)以下功能：（1）通過對(duì)電梯故障數(shù)據(jù)進(jìn)行分析，對(duì)電梯最有可能發(fā)生故障的類型進(jìn)行預(yù)警；（2）對(duì)故障診斷，快速可靠準(zhǔn)確的確定故障原因。因此本文討論的重點(diǎn)是如何通過神經(jīng)網(wǎng)絡(luò)方法來實(shí)現(xiàn)電梯預(yù)警。

2 基于RBF神經(jīng)網(wǎng)絡(luò)的電梯故障預(yù)測(cè)方法

RBF是一個(gè)前饋網(wǎng)絡(luò)，包含一個(gè)輸入層、一個(gè)隱含層和一個(gè)輸出層。其訓(xùn)練過程可以概括為兩個(gè)步驟，首先確定隱含層中使用的RBF特征，然后確定輸出神經(jīng)元的權(quán)重。在隱含層中，通過改變權(quán)值和偏差來減小位置和速度的預(yù)測(cè)誤差。在輸出層，預(yù)測(cè)信息通過隱含層轉(zhuǎn)發(fā)到輸出層的節(jié)點(diǎn)，由輸出層計(jì)算隱含神經(jīng)元的線性和。該網(wǎng)絡(luò)能夠較為準(zhǔn)確的預(yù)測(cè)出運(yùn)行中系統(tǒng)中出現(xiàn)的故障。圖1為RBF神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)。

圖1 RBF神經(jīng)網(wǎng)絡(luò)模型

在這里,用一個(gè)在RBF中高斯函數(shù)作為隱藏層的激活函數(shù)來進(jìn)行計(jì)算：

RBF的預(yù)測(cè)輸出為RBF的線性和：

其中y是RBF的輸出，為每個(gè)神經(jīng)元i的權(quán)重，為基函數(shù)向量，o為網(wǎng)絡(luò)輸出單元數(shù)。

3 所提CKF輔助優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的電梯故障預(yù)測(cè)方法

3.1 CKF算法

CKF算法的基本原理是利用三階球相容積法則來逼近非線性函數(shù)的后驗(yàn)均值和協(xié)方差，同時(shí)，利用容積點(diǎn)進(jìn)行數(shù)值計(jì)算積分。因此，容積點(diǎn)的權(quán)重為正，計(jì)算成本較低。該算法分為時(shí)間更新和量測(cè)更新兩部分。

（1）時(shí)間更新

計(jì)算方差和容積點(diǎn)的平方根：

如：

對(duì)任意函數(shù)f(x)，將容積點(diǎn)代入可得估計(jì)值：

其中ωi表示隨機(jī)權(quán)重，并且。

（2）量測(cè)更新

計(jì)算更新量測(cè)時(shí)，需要確定當(dāng)前時(shí)刻的容積點(diǎn)：

然后，得到容積點(diǎn)對(duì)應(yīng)的輸出值：

相關(guān)的協(xié)方差：

獲得k時(shí)刻狀態(tài)誤差的濾波增益、狀態(tài)估計(jì)和協(xié)方差估計(jì)：

3.2 CKF-RBF預(yù)測(cè)方法

單一的RBF神經(jīng)網(wǎng)絡(luò)在進(jìn)行訓(xùn)練時(shí)很難選擇最優(yōu)的內(nèi)部結(jié)構(gòu)（具有適當(dāng)?shù)碾[藏層權(quán)重和每層神經(jīng)元的數(shù)量），并且容易出現(xiàn)過擬合欠擬合現(xiàn)象，導(dǎo)致預(yù)測(cè)結(jié)果出現(xiàn)較大的誤差，這是所有神經(jīng)網(wǎng)絡(luò)的共有缺陷。本節(jié)針對(duì)這一問題，提出一種利用CKF輔助RBF的方法，在RBF訓(xùn)練過程中需要調(diào)整隱含層和輸出層的權(quán)值，設(shè)計(jì)CKF作為RBF本身的輸出層的權(quán)重優(yōu)化的優(yōu)化器并將RBF輸出層產(chǎn)生的網(wǎng)絡(luò)誤差最小化，而隱藏層的權(quán)重則采用標(biāo)準(zhǔn)的RBF來計(jì)算；同時(shí)，對(duì)相關(guān)參數(shù)進(jìn)行優(yōu)化，能在一定程度上解決神經(jīng)網(wǎng)絡(luò)的梯度爆炸問題，減小計(jì)算成本。所提CKF-RBF的結(jié)構(gòu)如圖2所示。

圖2 所提CKF-RBF算法結(jié)構(gòu)

假設(shè)連接到節(jié)點(diǎn)k的輸出層的權(quán)值為狀態(tài)向量，節(jié)點(diǎn)k的輸出結(jié)果為測(cè)量向量。節(jié)點(diǎn)k處的狀態(tài)空間和測(cè)量方程可以表示為：

假設(shè)yk(t+1)=ykd(t+1)，這表明節(jié)點(diǎn)k在t+1時(shí)刻的期望輸出等于t+1時(shí)刻的量測(cè)值。根據(jù)最小化預(yù)測(cè)輸出和測(cè)量輸出的殘差的原則，可以建立性能指標(biāo)函數(shù)為：

式中，wk(t)是在訓(xùn)練迭代t時(shí)，連接到輸出層的節(jié)點(diǎn)k的權(quán)向量；G(wk(t))是模型誤差的攝動(dòng)矩陣；Dk(t)是在訓(xùn)練迭代t時(shí)連接到輸出層節(jié)點(diǎn)k的模型誤差向量；A為半正定模型誤差加權(quán)矩陣，ykd(t)是訓(xùn)練迭代t時(shí)的測(cè)量輸出；和分別為估計(jì)權(quán)值輸出層和輸出節(jié)點(diǎn)k在訓(xùn)練迭代t時(shí)的預(yù)測(cè)；xj(t)隱含神經(jīng)元在迭代t時(shí)的輸出；為非線性函數(shù)。

當(dāng)性能指標(biāo)函數(shù)J取最小值時(shí)，利用式(18)可以得到模型誤差估計(jì)：

只考慮節(jié)點(diǎn)k的權(quán)值更新條件，度量維度(m=1)，則為：

當(dāng)測(cè)量向量維數(shù)m=1時(shí)，為常數(shù)并可計(jì)算為：

表1 RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型預(yù)測(cè)結(jié)果 (實(shí)驗(yàn)方案A)

表2 CKF輔助優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型預(yù)測(cè)結(jié)果 (實(shí)驗(yàn)方案A)

表3 RBF與CKF優(yōu)化的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型均方誤差、訓(xùn)練次數(shù)和預(yù)測(cè)時(shí)間對(duì)比 (實(shí)驗(yàn)方案A)

表4 RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型預(yù)測(cè)結(jié)果 (實(shí)驗(yàn)方案B)

式中，gj表示G的第j列j=1,2,...,q。利用式(19)所計(jì)算的模型誤差對(duì)非線性系統(tǒng)模型進(jìn)行校正，得到包含模型誤差的新的權(quán)值預(yù)測(cè)估計(jì)為：

式(25)表明CKF-RBF可以在CKF的預(yù)測(cè)步驟中自適應(yīng)地提高狀態(tài)估計(jì)誤差。

表5 CKF輔助優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型預(yù)測(cè)結(jié)果 (實(shí)驗(yàn)方案B)

表6 RBF與CKF優(yōu)化的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型均方誤差、訓(xùn)練次數(shù)和預(yù)測(cè)時(shí)間對(duì)比 (實(shí)驗(yàn)方案B)

4 實(shí)驗(yàn)驗(yàn)證

實(shí)驗(yàn)數(shù)據(jù)選取自電梯運(yùn)行監(jiān)控預(yù)警系統(tǒng)的數(shù)據(jù)收集模塊獲取到的電梯運(yùn)行參數(shù)數(shù)據(jù)集，共3658條。其中，2658條作為預(yù)測(cè)模型實(shí)驗(yàn)訓(xùn)練輸入數(shù)據(jù)，其他的1000條作為實(shí)驗(yàn)測(cè)試輸入數(shù)據(jù)。每條數(shù)據(jù)包含10個(gè)輸入變量，這10個(gè)輸入變量是從電梯眾多運(yùn)行參數(shù)中選擇的10個(gè)對(duì)預(yù)測(cè)結(jié)果影響較大的主要特征，包括：電梯運(yùn)行時(shí)間、電梯運(yùn)行速度、電梯運(yùn)行方向、電梯轎廂噪聲、井道噪聲等特征參數(shù)，設(shè)置為X1,X2,...,X9,X10。在選擇輸出參數(shù)時(shí)，選取數(shù)據(jù)集中發(fā)生次數(shù)較多的四種故障類型作為預(yù)測(cè)模型的輸出，分別為：電梯沖頂故障、電梯蹲底故障、電梯運(yùn)行超速故障和電梯運(yùn)行時(shí)間超長故障，設(shè)置為Y1,Y2,Y3,Y4。選擇現(xiàn)有的標(biāo)準(zhǔn)RBF神經(jīng)網(wǎng)絡(luò)算法與本文所提的CKF輔助RBF神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行預(yù)測(cè)模型對(duì)比實(shí)驗(yàn)。因選取的輸入數(shù)據(jù)為10個(gè)維度的參數(shù)，故神經(jīng)網(wǎng)絡(luò)模型輸入層神經(jīng)元節(jié)點(diǎn)個(gè)數(shù)為10；訓(xùn)練數(shù)據(jù)的輸出含有4個(gè)維度的特征參數(shù)，故模型輸出層神經(jīng)元節(jié)點(diǎn)個(gè)數(shù)為4；隱含層神經(jīng)元節(jié)點(diǎn)的個(gè)數(shù)則由算法訓(xùn)練優(yōu)化決定，CKF輔助優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)則是采用圖2中的算法步驟進(jìn)行結(jié)構(gòu)調(diào)整優(yōu)化。為了驗(yàn)證所提方法的有效性和先進(jìn)性，設(shè)計(jì)了兩種對(duì)比實(shí)驗(yàn)方案：方案A：利用全部的2658條訓(xùn)練數(shù)據(jù)對(duì)兩種方法進(jìn)行訓(xùn)練，即在訓(xùn)練樣本充足的情況下進(jìn)行訓(xùn)練，比較兩種預(yù)測(cè)方法的預(yù)測(cè)精度；方案B：在總訓(xùn)練樣本中選取三分之一的樣本作為實(shí)驗(yàn)中的訓(xùn)練樣本，即在訓(xùn)練樣本不足的情況下進(jìn)行訓(xùn)練，比較兩種預(yù)測(cè)方法的預(yù)測(cè)精度。實(shí)驗(yàn)方案A中兩種預(yù)測(cè)方法的對(duì)比試驗(yàn)結(jié)果如表1和表2所示，表3為兩種算法預(yù)測(cè)均方誤差、訓(xùn)練次數(shù)和預(yù)測(cè)時(shí)間的對(duì)比。實(shí)驗(yàn)方案B中兩種預(yù)測(cè)方法的對(duì)比試驗(yàn)結(jié)果如表4和表5所示，表6為兩種算法預(yù)測(cè)均方誤差、訓(xùn)練次數(shù)和預(yù)測(cè)時(shí)間的對(duì)比。

通過表1和表2的按照實(shí)驗(yàn)方案A進(jìn)行實(shí)驗(yàn)的兩種神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果對(duì)比可知，在訓(xùn)練樣本充足的情況下，兩種預(yù)測(cè)模型的準(zhǔn)確度都比較高，可較為準(zhǔn)確的預(yù)測(cè)出故障的發(fā)生，表明RBF神經(jīng)網(wǎng)絡(luò)算法在電梯故障預(yù)測(cè)領(lǐng)域的可行性，并且利用CKF優(yōu)化的RBF神將網(wǎng)絡(luò)模型的預(yù)測(cè)精度稍高。而通過表3的對(duì)比實(shí)驗(yàn)結(jié)果表明，利用CKF優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)模型較標(biāo)準(zhǔn)的單一RBF神經(jīng)網(wǎng)絡(luò)模型在預(yù)測(cè)準(zhǔn)確性和算法收斂速度上都有較好的提升。

通過表4和表5的按照實(shí)驗(yàn)B進(jìn)行實(shí)驗(yàn)的兩種神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果對(duì)比可以看出，在訓(xùn)練樣本較少的情況下，本文所提的利用CKF優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)模型的優(yōu)勢(shì)更為明顯；而通過表6的對(duì)比實(shí)驗(yàn)結(jié)果可以看出，在訓(xùn)練樣本較少的情況下，利用CKF優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)模型無論在預(yù)測(cè)精度、算法收斂速度上，還是在預(yù)測(cè)時(shí)間上，都遠(yuǎn)優(yōu)于標(biāo)準(zhǔn)的單一RBF神經(jīng)網(wǎng)絡(luò)模型。

結(jié)論：本文基于深度學(xué)習(xí)提出了一種CKF輔助優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的電梯故障預(yù)警方法，利用CKF的優(yōu)點(diǎn)來優(yōu)化調(diào)整RBF神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)和參數(shù)，有效的避免了單一神經(jīng)網(wǎng)絡(luò)過擬合欠擬合不穩(wěn)定的缺點(diǎn)，提高了故障預(yù)警的精度和效率，具有一定的參考價(jià)值和實(shí)際工程意義。