基于数字孪生的扶梯故障诊断方法

技术领域

本发明涉及机械故障诊断技术领域，尤其涉及一种基于数字孪生的扶梯故障诊断方法。

背景技术

电动扶梯，亦称自动行人电梯，是带有循环运行阶梯的一类扶梯，是用于向上或向下倾斜运送乘客的固定电力驱动设备，常用于商场、天桥、地铁站等公共设施。由于使用人数众多，其安全及维护问题十分重要，而运行过程中由机电系统或传感器记录扶梯运行数据并根据诊断模型进行检测是一种检测故障的重要手段。扶梯运行数据包括电机转速、键相值、电机功率、电机电流等代表运行状态的过程量信号和电机、减速箱、主驱动轮、梯级链涨紧轮等测点的振动信号，以及扶梯运行状态、电机运行状态、扶梯上下行参数、故障码等机电系统信息。

扶梯设备的主要故障大部分都是发展性、长期性并有早期表征的故障。通过基于数据驱动和机理知识的现代检测手段往往能够检测到扶梯设备的早期故障或故障预兆，有利于及时提醒相关人员进行夜间停机检维修或临时故障维修，避免恶性事故的发生。依托数字孪生技术建立的扶梯数字样机是具有高价值、高潜力，能反映物理实机真实性的数学模型，值得对其进行数据挖掘和深度分析，二次开发形成上级故障诊断模型可以承担监测扶梯正常运行、提供扶梯维护建议、诊断扶梯故障类型的重大职能。

现有物理实机报警系统，主要根据机电系统故障码判定故障或依赖巡检人员根据自身经验对扶梯情况进行评估并实施维护，具有强人工依赖性、强滞后性、故障辨识不明晰导致事后维护目标不明确等不足。

发明内容

为了解决现有技术的问题，本发明实施例提供了一种基于数字孪生的扶梯故障诊断方法。所述技术方案如下：

第一方面，提供了一种基于数字孪生的扶梯故障诊断方法，包括以下步骤：

获取并加载扶梯在线故障监测模型；

采集扶梯测点数据，所述测点数据包括振动波形数据、过程量数据、机电系统信息；

根据所述振动波形数据计算振动信号波形的时域特征值和频域特征值，并对所述时域特征值和频域特征值进行归一化；

将归一化后的时域特征值和频域特征值输入扶梯在线故障监测模型，得到扶梯测点的独立振动监测结果；

将扶梯测点的独立振动监测结果、过程量数据与机电系统信息输入扶梯故障分类树模型，进行故障定位，通过联动故障分析得到解析扶梯故障综合诊断结果。

进一步的，在根据所述振动波形数据计算振动信号波形的时域特征值和频域特征值之前，所述方法还包括，对所述测点数据进行预处理，其中，所述预处理包括去噪、滤波、筛除无效点、筛除无键相点、筛除信号异常点。

进一步的，所述时域特征值包括：均值、标准差、有效值、峰值、峰峰值、峭度、歪度、波峰因子、峭度系数；所述频域特征值包括：gIE特征值、通频频率特征、倍频频率特征、Teager能量因子。

进一步的，所述扶梯在线故障监测模型通过解析本地数字样机集成数据包，离线式建立，所述建立方法包括：

获取并解析扶梯数据样机模型的集成数据包，所述集成数据包包括已经计算完成的测点时域特征值和频域特征值；

将所述测点时域特征值和所述频域特征值归一化；

将归一化后的测点时域特征值和频域特征值组成特征向量矩阵，剔除其中的极端点；

将所述特征向量矩阵输入LOF算法，得到离群点检测模型；

根据LOF无量纲值大小进行排序，得到特征向量矩阵由小到大的LOF序列，按照预设比例将数据集分为安全集、中间集和边缘集。

进一步的，所述扶梯在线故障监测模型通过采集扶梯数字样机实时数据包，在线式建立，所述建立方法包括：

采集扶梯数字样机的实时运行数据，并对所述实时运行数据进行预处理，其中，所述预处理包括去噪、滤波、筛除无效点、筛除无键相点、筛除信号异常点；

根据所述预处理后的实时运行数据计算时域特征值和频域特征值，累计扶梯运行振动数据集；

当所述振动数据集达到预设数据量后，对所述时域特征值和频域特征值进行归一化；

将所述归一化处理后的振动数据集组成特征向量矩阵，剔除其中的极端点；

所述特征向量矩阵输入LOF算法，得到离群点检测模型；

根据LOF无量纲值大小进行排序，得到特征向量矩阵由小到大的LOF序列，按照预设比例将数据集分为安全集、中间集和边缘集。

进一步的，所述将扶梯测点的独立振动监测结果、过程量数据与机电系统信息输入扶梯故障分类树模型，进行故障定位，通过联动故障分析得到解析扶梯故障综合诊断结果，包括：

将扶梯各部件振动状态监测结果和过程量数据以及机电系统信息结构归一化，分为离散型特征和连续型特征两部分；

使用CART算法建立扶梯故障分类树模型，通过扶梯测点振动信号、过程量信号、机电信息判断测点所属部件的整体状态，进行故障定位；

由CART树得到部件运行状态分类后，基于联动故障分析归纳关系表，基于扶梯多部件故障诊断结果，进行扶梯故障源判定，将各类扶梯故障判定为自身故障或联动故障；

对于自身故障，直接输出故障诊断结果；

对于联动故障，输入部件单个状态反馈信息，通过联动故障分析归纳关系表故障溯源检索找到该故障对应的上、下级扶梯部件，输出故障诊断的综合推断结果。

进一步的，所述使用CART算法建立扶梯故障分类树模型，包括：

(1)对于当前节点的数据集，如果样本个数小于阈值或没有特征，则返回决策子树，当前节点停止递归；

(2)计算数据集的基尼系数，如果基尼系数小于阈值，则返回决策树子树，当前节点停止递归；

(3)计算当前节点现有各个特征的各个值的基尼指数；

(4)在得到各个特征的各个值的基尼系数中，选择基尼系数最小的特征及其对应的取值作为最优特征和最优切分点，然后根据最优特征和最优切分点，将本节点的数据集划分成两部分D

(5)对左右的子节点递归重复上述步骤(1)-(4)，生成扶梯故障分类树模型。

进一步的，在生成扶梯故障分类树模型后，所述方法还包括使用代价复杂性法进行剪枝：

定义分类树中的每一个非叶子节点计算它的表面误差率增益值

其中T

本发明实施例提供的技术方案带来的有益效果是：本发明实施例中，获取并加载扶梯在线故障监测模型；采集扶梯测点数据，所述测点数据包括振动波形数据、过程量数据、机电系统信息；根据所述振动波形数据计算振动信号波形的时域特征值和频域特征值，并对所述时域特征值和频域特征值进行归一化；将归一化后的时域特征值和频域特征值输入扶梯在线故障监测模型，得到扶梯测点的独立振动监测结果；将扶梯测点的独立振动监测结果、过程量数据与机电系统信息输入扶梯故障分类树模型，进行故障定位，通过联动故障分析得到解析扶梯故障综合诊断结果。本发明基于数字样机的诊断系统具有自动化程度高、超前预判、故障定位准确、低误报率和零漏报率等优点，解决了现有系统的核心痛点，并在设备报警、预测性维护分析上提供安全可靠的仿真数据支撑。通过数字样机建模的方式对扶梯运行状态进行检测与诊断，及时消除机电系统的隐患，确保了电动扶梯作为公共设施中关键节点的安全性，并对数字孪生系统的落地应用具有重要意义。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种基于数字孪生的扶梯故障诊断方法的流程图；

图2是本发明实施例提供的一种基于分类树的扶梯故障诊断方法的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

下面将结合具体实施方式，对图1所示的一种基于数字孪生的扶梯故障诊断流程进行详细的说明，内容可以如下：

步骤S101，获取并加载扶梯在线故障监测模型。

扶梯运行侧边缘计算节点可以从云服务器上获取已经建立完毕的扶梯在线故障监测模，也可以通过解析本地数字样机集成数据包进行离线式地建立扶梯在线故障监测模型，或者还可以通过数字样机数据采集卡实时采集扶梯数字样机数据包，进而在线式地建立扶梯在线故障监测模型。扶梯在线故障监测模型中包含归一化参数，即特征向量的zscore参数(均值、标准差)。

可选的，离线式建立扶梯在线故障监测模型的方法如下：

(1)对扶梯数据样机模型的集成数据包(Json格式)进行解析，得到已经计算完成的测点时域特征值和测点频域特征值。

时域特征值包括均值、标准差、有效值、峰值、峰峰值、峭度、歪度、波峰因子、峭度系数；频域特征值包括gIE特征值、通频频率特征(重心频率、方差频率、均方频率)、倍频频率特征(重心频率、方差频率、均方频率)、Teager能量因子。

(2)将解析得到的时域特征值和频域特征值进行zscore归一化。

zscore归一化的方式为

其中

(3)将归一化处理后的特征参数按照规律组成向量矩阵，根据3σ法则，剔除明显离群的点，初步剔除其中的极端点。

(4)将特征向量矩阵输入LOF算法，得到离群点检测模型(扶梯在线故障监测模型)。

LOF算法的具体过程为：

①定义K距离

数据对象q的k距离定义为数据集中到数据对象q距离最近第k个点到q的距离，记作k-distance(q)，这里指欧式距离。

②K距离邻域

数据集中与数据对象q之间距离不大于k距离的数据点组成的集合，即N

③可达距离

p,q为数据集中任意两点，p到q的可达距离定义为：reach-distk(p,q)＝max{d(p,q),k-distance(q)}。

④局部可达密度

q的局部可达密度指q到邻域内所有点的平均可达距离的倒数，其计算方式如下：

其中，|N

⑤局部离群因子

若LOF＞＞1，表明q点密度与整体数据密度差距较大，即离群点。LOF接近于1，则q点较为正常。

(5)通过对LOF无量纲值大小的排序，得到特征矩阵的由小到大的LOF序列。按照75％、85％、95％的比例将数据集分为安全集、中间集和边缘集。

可选的，在线式建立扶梯在线故障监测模型的方法如下：

(1)实时采集扶梯数字样机的运行数据，并对运行数据进行预处理，预处理包括去噪、滤波，筛除无效点、无键相点、信号异常点。

(2)计算其时域特征值和频域特征值，累计扶梯运行振动数据集。

时域特征值包括均值、标准差、有效值、峰值、峰峰值、峭度、歪度、波峰因子、峭度系数；频域特征值包括gIE特征值、通频频率特征(重心频率、方差频率、均方频率)、倍频频率特征(重心频率、方差频率、均方频率)、Teager能量因子。扶梯运行振动数据集可以根据电脑资源情况，手动或自动设置数据量，当到达预设数据量时即可完成累计，进一步继续后续处理。

(3)振动数据集满足数量条件后，对其进行zscore归一化。

其中

(4)将归一化处理后的特征向量滤除极端值后按照规律组成向量矩阵。

(5)将特征向量矩阵输入LOF算法，得到离群点检测模型。

LOF算法的具体过程为：

①定义K距离

数据对象q的k距离定义为数据集中到数据对象q距离最近第k个点到q的距离，记作k-distance(q)，这里指欧式距离。

②K距离邻域

数据集中与数据对象q之间距离不大于k距离的数据点组成的集合，即N

③可达距离

p,q为数据集中任意两点，p到q的可达距离定义为：reach-distk(p,q)＝max{d(p,q),k-distance(q)}。

④局部可达密度

q的局部可达密度指q到邻域内所有点的平均可达距离的倒数，其计算方式如下：

其中，|N

⑤局部离群因子

若LOF＞＞1，表明q点密度与整体数据密度差距较大，即离群点。LOF接近于1，则q点较为正常。

(6)通过对LOF无量纲值大小的排序，得到特征矩阵的由小到大的LOF序列。按照75％、85％、95％的比例将数据集分为安全集、中间集和边缘集。

步骤S102，采集扶梯测点数据，所述测点数据包括振动波形数据、过程量数据、机电系统信息。

扶梯运行侧边缘计算节点实时在线采集扶梯各个测点的测点数据，测点数据包括测点的振动波形数据、过程量数据以及机电系统信息。然后扶梯运行侧边缘计算节点对进行测点数据去噪、滤波、筛除无效点、筛除无键相点、筛除信号异常点等预处理。

步骤S103，根据所述振动波形数据计算振动信号波形的时域特征值和频域特征值，并对所述时域特征值和频域特征值进行归一化。

扶梯运行侧边缘计算节点根据采集到的振动波形数据，计算振动信号的波形的时频域特征值，时域特征值包括均值、标准差、有效值、峰值、峰峰值、峭度、歪度、波峰因子、峭度系数；频域特征值包括gIE特征值、通频频率特征(重心频率、方差频率、均方频率)、倍频频率特征(重心频率、方差频率、均方频率)、Teager能量因子。然后使用步骤101获取的归一化参数对对计算得到的时域特征值和频域特征值进行归一化处理。

步骤S104，将归一化后的时域特征值和频域特征值输入扶梯在线故障监测模型，得到扶梯测点的独立振动监测结果。

以一帧振动波型信号的特征值为一条特征向量，寻找LOF模型中的K最近邻点并求取LOF值，其中运算过程采用剪枝方式减少全局计算点数。

根据离群点辨识策略即当前点的K最近邻点分别属于哪一集合(安全集、中间集和边缘集)和LOF值判断其所属于的所处Hibert高维空间位置。

离群点辨识策略具体细节为：

(1)若LOF>10，则认定当前点为高度离群点，定义离群指标P＝LOF×1；

(2)若10>LOF>1，则认定当前点为中度离群点，离群指标

(3)若LOF<1，则认定当前点为安全点，离群指标

其中，|N-saf

当连续发生(一般认为是连续5个以上)高度离群或离群指标P>5的中度离群(可视为高度离群)时，或者单位时间窗内离群指标P的均值超过固定限，则认为扶梯当前发生了异常情况。离群指标P的固定限可以根据历史统计数据或管理人员经验确定。

根据实际应用需要，间歇性采取正常更新LOF模型。

更新LOF模型的步骤为：

(1)收集判断结果为正常的新的特征向量。

(2)LOF模型使用归一化参数进行逆归一化。

(3)LOF模型剔除时间最早的点，若最早时间点有多个，则剔除LOF最大的一个。

(4)LOF模型加入新入列的特征向量，并计算模型LOF值。

(5)更新安全集、中间集和边缘集的边缘线。

步骤S105，将扶梯测点的独立振动监测结果、过程量数据与机电系统信息输入扶梯故障分类树模型，进行故障定位，通过联动故障分析得到解析扶梯故障综合诊断结果。

本申请提出了一种基于分类树的扶梯故障诊断方法，该方法首先对扶梯各部件振动状态监测结果和过程量信息的离散化，采用CART分类树建立扶梯故障分类树模型。

扶梯故障分类大类包括主驱动轮异常、减速箱故障、减速箱地脚固定异常、扶手带安装异常、扶手带故障、梯级链涨紧轮异常、电机异常，并附带有联动故障分析归纳关系表。

扶梯故障诊断方法详细步骤如下：

步骤S201，将扶梯各部件振动状态监测结果和过程量数据以及机电系统信息结构归一化，将其分为离散型特征和连续型特征两部分。

步骤S202，使用CART算法建立扶梯故障分类树模型，通过扶梯测点振动信号、过程量信号、机电信息判断测点所属部件的整体状态，从而进行故障定位。

步骤S203，由CART树得到部件运行状态分类后，基于联动故障分析归纳关系表，基于扶梯多部件(电机、梯级链涨紧轮、扶手带、主驱动轮、减速箱)故障诊断结果，进行扶梯故障源判定，将各类扶梯故障判定为自身故障、联动故障。

对于故障源判定为部件自身故障的，直接输出故障诊断结果。

对于故障源判定为部件联动故障的，则根据步骤S201处理后归一化的对应的部件振动状态监测结果、过程量数据和机电系统信息，通过工作人员预设的联动故障分析归纳关系表，对故障溯源检索找到该故障对应的上、下级扶梯部件，输出故障诊断的综合推断结果。

可选的，CART分类树算法步骤如下：

(1)对连续型特征进行离散化。

对于样本M，个数为|m|，连续特征A有|m|个值，将其从小到大排列，则CART取相邻两样本值的平均数做划分点，一共有m-1个，其中第i个划分点T

T

分别计算以这m-1个点作为二元分类点时的基尼系数。选择基尼系数最小的点为该连续特征的二元离散分类点。比如取到的基尼系数最小的点为α

(2)计算各特征的基尼系数。CART分类树算法以二叉树形式建立分类树，使用基尼系数选择特征，基尼系数代表了模型的不纯度，基尼系数越小，不纯度越低，特征越好。连续情况下，对于数据集D，

离散情况下，对于样本D，个数为|D|，根据特征A可能的取值a，将D分为两部分D1，D2。

D

对于特征A，样本D的基尼系数定义为：

(3)建立CART分类树(即扶梯故障分类树模型)

CART分类树建立步骤为：

输入：训练集D，基尼系数的阈值，切分的最少样本个数阈值。

输出：CART树。

从根节点开始，用训练集递归建立CART分类树。

①对于当前节点的数据集为D，如果样本个数小于阈值或没有特征，则返回决策子树，当前节点停止递归。

②计算数据集D的基尼系数，如果基尼系数小于阈值，则返回决策树子树，当前节点停止递归。

③计算当前节点现有各个特征的各个值的基尼指数。

④在计算出来的各个特征的各个值的基尼系数中，选择基尼系数最小的特征A及其对应的取值a作为最优特征和最优切分点。然后根据最优特征和最优切分点，将本节点的数据集划分成两部分D

⑤对左右的子节点递归调用1-4步，生成CART分类树。

(4)使用代价复杂性法进行剪枝

代价复杂性剪枝法如下：

定义分类树中的每一个非叶子节点计算它的表面误差率增益值

其中T

剪枝法的目的为找到α值最小的非叶子节点，令左右节点为NULL，当多个非叶子节点的α值同时达到最小时，取|T

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务端，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。

以上仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。