基于深度学习的电梯故障预警研究与应用.pdf

ELECTRONICSWORLD・技术交流基于深度学习的电梯故障预警研究与应用兰州资源环境职业技术学院车明浪杨添玺准确可靠快速的故障预警方法是电梯安全运行的关键。针对电隐含层转发到输出层的节点，由输出层计算隐含神经元的线性和。梯故障预警问题，为有效预防和减少电梯安全隐患，本文所提CKF-该网络能够较为准确的预测出运行中系统中出现的故障。图1为RBF预测方法具有更精确的预测结果和更短的预测时间。对于电梯及RBF神经网络模型结构。相关特种设备的故障预警系统的设计与开发具有一定的参考意义。随着我国经济的快速发展和城镇化水平的不断提高，楼房的高层化和现代化的大幅度提升，作为高层建筑中应用最广泛的主要的垂直交通工具，电梯的数量与需求增加迅猛。然而，电梯事故的频繁发生，对人们的日常使用产生很大的影响，更是对人们的生命安全构成了一种威胁。如何准确可靠快速的对电梯故障进行预警具有非常重要的意义。针对相关故障及预警问题，相关的新方法新技术相继产生。除了进行实时监控，还可以提前预知电梯故障并为维保人员提供决策建议，加快电梯维修进度。由此可见，基于深度学习的神经网络方法以其预测精度高、具有较强的非线性映射能力等优点在电梯图1RBF神经网络模型故障预警中体现出很好的效果，为电梯故障预警提供了新思路新在这里,用一个在RBF中高斯函数作为隐藏层的激活函数来进行方法。本文为进一步提高电梯故障预警的效率和精确率，提出了计算：一种容积卡尔曼滤波（CKF）辅助优化径向基神经网络（RBF）的(1)电梯故障预警方法。其中，是输入向量，、分1电梯系统故障预警方法需求分析别为中心和宽度参数，为输入x和中心c之间的欧氏j电梯故障因素分析及预警是通过对大量的电梯故障历史信息距离，它与隐含层的输出相关联。此外，还可以利用先验知识对进行统计分析，得到监管者所关心的电梯故障的发生情况，从而为RBF的结构进行训练。在训练过程中可以采用多种训练函数，通过电梯监管者管理电梯安全提供辅助信息。基于深度学习的电梯故障调整神经网络的偏差和权值，使预测输出误差最小。预警方法关键在于精准快速预测,其通过各类相关传感器收集电梯RBF的预测输出为RBF的线性和：的基本运行数据以及核心部件的状态数据，对收集到的数据进行处(2)理和存储，建立神经网络预测模型，并通过不断地训练优化让模型变得更加精确，从而达到电梯故障预警的目的。根据各个电梯之间其中y是RBF的输出，为每个神经元i的权重，的相似性，预测出电梯可能发生故障的类型，进而故障预警，所以为基函数向量，o为网络输出单元数。对于相关系统，故障预警算法应能实现以下功能：（1）通过对电梯故障数据进行分析，对电梯最有可能发生故障的类型进行预警；3所提CKF辅助优化RBF神经网络的电梯故障预测方法（2）对故障诊断，快速可靠准确的确定故障原因。因此本文讨论3.1CKF算法的重点是如何通过神经网络方法来实现电梯预警。CKF算法的基本原理是利用三阶球相容积法则来逼近非线性函数的后验均值和协方差，同时，利用容积点进行数值计算积分。因2基于RBF神经网络的电梯故障预测方法此，容积点的权重为正，计算成本较低。该算法分为时间更新和量RBF是一个前馈网络，包含一个输入层、一个隐含层和一个输测更新两部分。出层。其训练过程可以概括为两个步骤，首先确定隐含层中使用的设置初始值为：。RBF特征，然后确定输出神经元的权重。在隐含层中，通过改变权（1）时间更新值和偏差来减小位置和速度的预测误差。在输出层，预测信息通过计算方差和容积点的平方根：•110•ELECTRONICSWORLD・技术交流的方法，在RBF训练过程中需要调整隐含层和输出层的权值，设计(3)CKF作为RBF本身的输出层的权重优化的优化器并将RBF输出层产表示Cholesky分解；是矩阵的平方根，表示k-1时生的网络误差最小化，而隐藏层的权重则采用标准的RBF来计算；刻均方误差的预测；代表实际的容积点；通常表示标准同时，对相关参数进行优化，能在一定程度上解决神经网络的梯度容积点集。爆炸问题，减小计算成本。所提CKF-RBF的结构如图2所示。如：(4)对任意函数f(x)，将容积点代入可得估计值：(5)接下来，计算先验状态估计及相应的先验误差协方差矩阵：图2所提CKF-RBF算法结构(6)假设连接到节点k的输出层的权值为状态向量，节点k的输出结果为测量向量。节点k处的状态空间和测量方程可以表示为：(7)(17)其中ω表示随机权重，并且。i假设y(t+1)=y(t+1)，这表明节点k在t+1时刻的期望输出等于kkd（2）量测更新t+1时刻的量测值。根据最小化预测输出和测量输出的残差的原计算更新量测时，需要确定当前时刻的容积点：则，可以建立性能指标函数为：(8)(18)然后，得到容积点对应的输出值：式中，w(t)是在训练迭代t时，