故障樹法和改進PSO-PNN網(wǎng)絡的電梯故障診斷模型*

張　闊，李國勇，韓方陣

(太原理工大學 信息工程學院,山西 太原 030024)

0　引言

近年來，隨著城市化的快速發(fā)展，大中城市高樓林立，使電梯的應用范圍越來越廣。但是，由于電梯故障，給人們帶來財產(chǎn)損失、甚至威脅生命安全的事故也在不斷增多。由于國內大部分電梯沒有故障診斷系統(tǒng)，或者即使有，也大多無法及時準確地獲取故障信息。一旦電梯出現(xiàn)故障，人們往往寄希望于簡單的儀器設備，或是維修人員的經(jīng)驗，而這種情況下往往無法準確地診斷電梯的故障類型與故障部位[1]。因此，如何有效地獲取電梯故障信息，對電梯進行故障診斷是當前亟待研究解決的問題。

近年來，國內外學者通過灰色系統(tǒng)理論、人工神經(jīng)網(wǎng)絡、基于知識獲取的專家系統(tǒng)等方法，對電梯的故障診斷做了大量而細致工作，獲得了一定的研究成果。如：為了解決故障信息獲取的實時性問題，西門子公司使用了一種可編程的控制器件進行遠程控制[2]；而國內的一些學者為此也做了大量的研究，其中，楊洋等[3]在電梯故障診斷系統(tǒng)中采用了框架表示法和深度優(yōu)先的搜索策略，該方法雖然可以準確地診斷電梯故障，但由于系統(tǒng)實時性不夠好，主要用于電梯出廠測試；馮鑫等[4]設計一種利用遺傳算法，對BP神經(jīng)網(wǎng)絡的權值和閾值進行優(yōu)化，同時從電梯機械、安全保護、電力和調速控制等4 個系統(tǒng)中采集特征樣本數(shù)據(jù)作為優(yōu)化后神經(jīng)網(wǎng)絡輸入，進行電梯故障診斷，但由于BP網(wǎng)絡存在容易陷入局部極值的缺陷且遺傳算法需要進行選擇、交叉等繁瑣的過程，診斷結果的準確性不夠理想；宗群、郭萌等[5]提出將故障樹法與專家系統(tǒng)相結合的電梯故障診斷方法，提高了診斷的實時性和準確性，雖然結構清晰的故障樹能夠較好地表達系統(tǒng)故障，但隨著電梯結構的復雜化，電梯故障類型隨之增加，故障部位也在不斷發(fā)生變化，而專家系統(tǒng)對于新知識的獲取又很困難，無法對故障類型做出準確的表達，故新知識的獲取成為制約專家系統(tǒng)發(fā)展的瓶頸；李元貴、樂洋等[6]將專家系統(tǒng)與神經(jīng)網(wǎng)絡緊密結合，設計出智能電梯故障診斷系統(tǒng)，利用神經(jīng)網(wǎng)絡強大的非線性擬合能力，彌補專家系統(tǒng)存在的缺陷，但神經(jīng)網(wǎng)絡在數(shù)據(jù)量少時無法獲得準確的結果，此方法沒有被廣泛應用。

針對以上問題，本文提出一種將故障樹分析法和改進粒子群算法優(yōu)化的概率神經(jīng)網(wǎng)絡相結合的方法，并以電梯安全回路系統(tǒng)為例，通過結構清晰的故障樹圖來表達故障事件的內在聯(lián)系,并指出單元故障與系統(tǒng)故障之間的邏輯聯(lián)系，同時運用改進PSO-PNN神經(jīng)網(wǎng)絡對電梯的安全回路系統(tǒng)中各個部件的故障進行診斷。實驗結果證明：此方法對于故障診斷具有較高的準確性。

1　電梯回路系統(tǒng)的故障樹分析法

1.1　故障樹分析法

故障樹分析又稱事故樹分析，是系統(tǒng)安全工程中重要的分析方法之一。故障樹分析法的基本思想是：從1個可能引發(fā)系統(tǒng)故障的事件開始，自上而下、一層一層尋找頂事件發(fā)生的直接原因和間接原因，直到基本原因事件，并用邏輯結構圖把這些事件之間的邏輯關系表達出來[7]。

由電梯運行原理可知，電梯系統(tǒng)的故障可以分為以下7種：安全回路系統(tǒng)故障；選向系統(tǒng)故障；選層系統(tǒng)故障；指令系統(tǒng)故障；運行系統(tǒng)故障；門系統(tǒng)故障和樓層系統(tǒng)故障。本文主要以電梯安全回路系統(tǒng)故障為例，建立相應的故障樹模型，對安全回路中各個原器件的故障進行診斷分析。安全回路系統(tǒng)的電路簡圖如圖1所示。

圖1　電梯安全回路系統(tǒng)簡圖Fig.1　Elevator safety circuit diagram

在圖1所示的電路圖中，輸入信號為U，4個開關K1，K2，K3，K4分別為：限速開關、門聯(lián)鎖開關、主接觸開關以及強制停車開關；a，b，c為電壓信號的檢測點；U1，U2為輸出電壓信號的檢測點。在正常情況下，系統(tǒng)回路是閉合的，即輸出信號檢測點U1，U2均能檢測到電壓信號。當電梯強制停車時，開關K4處于斷開狀態(tài)，電壓檢測點U2無法檢測到電壓信號。當電梯速度過快時，開關K1處于斷開狀態(tài)；當電梯門未關閉時，開關K2處于斷開狀態(tài)；主接觸沒有接觸時，開關K3處于斷開狀態(tài)，以上3種情況均使電壓信號檢測點U1無電壓輸出。

由圖1可知，系統(tǒng)回路故障主要表現(xiàn)為以下3種情況：檢測點U1無電壓，U2有電壓；檢測點U1有電壓，U2無電壓；檢測點U1，U2均無電壓。將以上3種情況作為安全回路發(fā)生故障的頂端事件，按照圖1所示的電路圖，逐步分析以上3種故障情況可能發(fā)生的原因，直到尋找到基本事件為止，得到如圖2所示的安全回路系統(tǒng)的故障樹分析圖。

圖2　電梯安全回路系統(tǒng)故障樹Fig.2　fault tree diagram of elevator safety loop system

1.2　故障樹分析法進行故障診斷的原理

故障樹分析法的故障診斷原理是：按照圖1分別檢測a，b，c，U1，U2處的電壓信號，根據(jù)以上5個點的電壓信號是否為零，按照圖2所示的故障樹圖自頂向下的進行檢索，即可查找出位于葉子節(jié)點處的故障原因。如：在圖1中檢測到U1點無電壓，a點，b點，U2點均有電壓，c點無電壓，則根據(jù)各檢測點的電壓信號是否為零，在圖2的故障樹中進行檢索，就能找到葉子節(jié)點中的“門開關故障”。

2　系統(tǒng)模型

2.1　概率神經(jīng)網(wǎng)絡

1989年，D. F. Specht首次提出概率神經(jīng)網(wǎng)絡，概率神經(jīng)網(wǎng)絡是由徑向基函數(shù)網(wǎng)絡發(fā)展而來的一種前饋型神經(jīng)網(wǎng)絡， 它的理論依據(jù)是貝葉斯最小風險準則，適用于模式分類[8]。它不同于以往的神經(jīng)網(wǎng)絡的是用線性學習方法來完成以往非線性學習方法所做的工作，同時又能保持非線性學習方法的高精度特性，其優(yōu)點是網(wǎng)絡在學習過程中是不需要訓練的，相比于BP神經(jīng)網(wǎng)絡等具有操作簡單、高魯棒性等優(yōu)點，概率神經(jīng)網(wǎng)絡(PNN)的基本拓補結構如圖3所示。

圖3　概率神經(jīng)網(wǎng)絡拓補結構Fig.3　structure of probabilistic neural network

1)概率神經(jīng)網(wǎng)絡的第一層稱為輸入層，用于接收訓練樣本作為網(wǎng)絡的輸入向量。

2)概率神經(jīng)網(wǎng)絡的第二層稱為模式層，其作用是：計算輸入向量與訓練樣本之間的匹配關系，模式層的輸出可以表示為：

(1)

式中：Wi為輸入層與模式層之間的權值；δ為分類平滑因子。

3)概率神經(jīng)網(wǎng)絡的第三層稱為求和層，其作用是：將屬于某種類型的概率進行累加計算，根據(jù)式(1)得到概率密度函數(shù)。

4)概率神經(jīng)網(wǎng)絡的第四層稱為輸出層，其中有若干個閾值辨別器，其神經(jīng)元是一種具有競爭性的神經(jīng)元，每1個神經(jīng)元分別表示1種數(shù)據(jù)類型，在電梯故障診斷中則表示1種輸出的故障類型所代表的數(shù)值，其輸出可以表示為

(2)

式中：xi為某一故障類型的第i個樣本；m為某1個故障類型的樣本個數(shù)；δ為平滑因子。

2.2　改進粒子群算法

粒子群算法是近幾年來在人工智能領域發(fā)展起來的新算法。它源于對鳥類捕食行為的研究，它的基本思想與遺傳算法(GA)是一致的，都是在一個可行的解空間內以迭代的方法來尋找最優(yōu)解，另外2者都是以個體適應度值來判定解的品質是否達到最優(yōu)。相比于GA，粒子群算法步驟更為簡單，它不需要進行選擇、交叉等操作[9]。通過更新粒子的位置和速度尋找全局最優(yōu)，以達到優(yōu)化目的。

在1個D維空間中，種群由n個粒子組成X=(X1,X2,…,Xn)，第i個粒子表示為1個D維的向量Xi=(Xi1,Xi2,…,XiD)T，表示第i個粒子在D維空間中的位置，即是問題的1個潛在解，由目標函數(shù)可以求出每個粒子的適應度值[10]。第i個粒子的速度為Vi=(Vi1,Vi2,…,ViD)T,其個體極值為Pi=(Pi1,Pi2,…,PiD)T，群體極值為Pg=(Pg1,Pg2,…,PgD)T。

在每次迭代過程中，粒子通過個體極值與群體極值更新自身的速度與位置，即：

(3)

(4)

式中：ω為權重，i=1,2,…,n；d=1,2,…,D；k是當前迭代的次數(shù)；Vid為粒子的速度；c1，c2均是非負常數(shù)；r1，r2均是[0-1]間的隨機數(shù)。

在粒子群算法進行電梯故障診斷時，同時要調整算法的慣性權重ω，實驗證明慣性權重ω越小，算法能更好地進行局部搜索，ω的調整公式為：

(5)

式中：ω是[0-1]間的常數(shù) ；G為最大迭代次數(shù)；k為當前迭代次數(shù)。

2.3　改進粒子群算法優(yōu)化概率神經(jīng)網(wǎng)絡

由上文可知，概率神經(jīng)網(wǎng)絡訓練速度快，能夠用線性方法解決非線性問題。粒子群算法沒有選擇、交叉、變異等復雜的步驟，使概率神經(jīng)網(wǎng)絡的輸出結果更加精確。本文用改進的粒子群算法對概率神經(jīng)網(wǎng)絡的平滑因子進行優(yōu)化，優(yōu)化后的網(wǎng)絡具有良好的故障診斷能力。具體步驟如下：

1)設定網(wǎng)絡的輸入與輸出數(shù)據(jù)，輸入數(shù)據(jù)為圖1所示電路中5個電壓檢測點的電壓信號，輸出數(shù)據(jù)為故障類型。

2)設置粒子群算法的參數(shù)，將概率網(wǎng)絡的平滑因子作為種群粒子，設置迭代次數(shù)為300次，種群規(guī)模為20，關于參數(shù)c1，c2的設定根據(jù)文獻[11]～[14]進行設定，結合本文中電梯故障診斷實例，設定：c1=c2=1.494 45[11-14]。

3)對粒子的位置與速度進行初始化操作。

4)計算粒子的適應度的值，本文以概率神經(jīng)網(wǎng)絡的輸出誤差作為適應度函數(shù)。

5)若某1粒子的適應度優(yōu)于以前任一時刻的適應度，則以該適應度作為該粒子的個體極值；若該粒子的適應度值優(yōu)于以前任一時刻所有粒子的值，則將該粒子作為群體極值。

6)更新粒子的位置與速度，更新位置與速度的公式已由式(3)，(4)給出，并采用自適應操作，按照式(5)對算法的權重進行動態(tài)調整。

7)對是否達到結束條件(達到最大迭代次數(shù)或誤差小于預定誤差)進行判斷，若已達到，算法停止，輸出最優(yōu)結果；若沒有達到結束條件，返回第4)步繼續(xù)進行優(yōu)化操作。

3　實例分析

3.1　系統(tǒng)輸入與輸出

通過故障樹分析方法，采集圖1中的a，b，c 3個采樣點以及U1，U2的電壓信號，根據(jù)電壓信號是否為零，按圖2進行檢索，得到各種故障情況下對應的電壓信號，將其作為粒子群算法優(yōu)化后的概率神經(jīng)網(wǎng)絡的輸入數(shù)據(jù)。共檢測得到300組數(shù)據(jù)，選取其中的250組數(shù)據(jù)作為訓練樣本，剩下的50組數(shù)組作為測試數(shù)據(jù)。網(wǎng)絡的輸出為正常情況和5種故障類型，輸出的故障類型與對應的輸出值如表1所示。

3.2　系統(tǒng)仿真

通過采集圖1中的a，b，c 3個采樣點以及U1、U2的電壓信號，將所采集的電壓信號進行歸一化處理。神經(jīng)網(wǎng)絡的輸入數(shù)據(jù)采用由故障樹法得到的圖1中電壓測

試點a，b，c，U1、U2的電壓信號，輸出數(shù)據(jù)表示故障類型。在MATLAB 2014中進行仿真實驗，用相對誤差對預測效果進行評估，得到預測結果，如圖4所示,仿真結果比較如表2所示。

表1　故障類型與對應輸出值

圖4　系統(tǒng)預測輸出的相對誤差Fig.4　Relative error of the predicted output

表2　模型預測結果比較

由表2可知，使用改進后的粒子群算法對概率神經(jīng)網(wǎng)絡的平滑因子進行優(yōu)化后，在各種故障類型的輸出、相對誤差以及最大相對誤差等方面，均優(yōu)于傳統(tǒng)的概率神經(jīng)網(wǎng)絡模型和基本粒子群優(yōu)化的概率神經(jīng)網(wǎng)絡模型，各種指標均與實際非常接近，準確度高，這主要是因為概率神經(jīng)網(wǎng)絡過程簡單、收斂速度快，同時使用改進的粒子群算法對網(wǎng)絡的平滑因子進行了優(yōu)化。

4　結論

1)將故障樹法、概率神經(jīng)網(wǎng)絡和改進的粒子群算法三者結合，用于電梯的故障診斷。以電梯安全回路系統(tǒng)為例所建立的電梯故障診斷預測模型在訓練數(shù)據(jù)較少時也能保持較好的預測效果。改進粒子群算法優(yōu)化的PNN網(wǎng)絡在訓練速度、準確率等方面都要優(yōu)于傳統(tǒng)的PNN網(wǎng)絡和標準粒子群算法優(yōu)化的PNN網(wǎng)絡。

2)將本文中所用方法應用于電梯其他部位的故障診斷，如：選向系統(tǒng)故障和樓層系統(tǒng)故障等，將是今后研究的重點方向之一。

[1]張莉，武昌俊，余丙榮，等．基于遺傳小波神經(jīng)網(wǎng)絡的電梯故障診斷分析[J]．北華大學學報(自然科學版)，2012，13(2)：236-240．

ZHANG Li, WU Changjun,Yu Bingrong,et al. Elevator fault diagnosis based on genetic wavelet neural network[J]. Journal of Beihua University (Natural), 2012,13(2): 236-240.

[2]蔣華安. 西門子可編程控制器在電梯遠程監(jiān)控系統(tǒng)中的應用[J]. 國內外機電一體化技術, 2002(6):47-48.

JIANG Huaan. Application of programmable logic controller in elevator remote monitoring system[J]. Mechatronics Technology at Home and Abroad, 2002(6): 47-48.

[3]楊洋．電梯控制系統(tǒng)故障診斷專家系統(tǒng)的研究[D]．杭州：浙江工業(yè)大學，2003．

[4]馮鑫，夏洪山，馮月貴，等．基于遺傳神經(jīng)網(wǎng)絡的電梯故障診斷技術研究[J]．起重運輸機械，2017(1)：28-32．

FENG Xin,XIA Hongshan,FENG Yuegui, et al.Study on elevator fault diagnosis technology based on genetic neural network[J]. Hoisting and Conveying Machinery, 2017(1): 28-32.

[5]宗群，李光宇，郭萌．基于故障樹的電梯故障診斷專家系統(tǒng)設計[J]．控制工程，2013，20(2)：305-308．

ZONG Qun,LI Guangyu,GUO Meng.Design of elevator fault diagnosis expert system based on fault tree[J]. Control Engineering, 2013,20(2): 305-308.

[6]李元貴，樂洋．專家系統(tǒng)在電梯故障診斷中的應用[J]．河海大學常州分校學報，2006，20(2)：50-52．

LI Yuangui,LE Yang. Application of expert system in elevator fault diagnosis[J]. Journal of Hehai University(Changzhou Campus), 2006, 20(2): 50-52.

[7]杜碧華，張思宇，楊順坤，等．基于故障樹分析電梯門系統(tǒng)故障[J]．設備管理與維修，2015(3)：27-28．

DU Bihua,ZHANG Siyu, YANG Shunkun,et al. Fault tree analysis of elevator door system[J]. Equipment Management and Maintenance, 2015(3): 27-28.

[8]彭鐘華．基于遺傳算法優(yōu)化PNN的短期負荷預測[J]．電氣開關，2017，55(1)：49-51, 56．

PENG Zhonghua.Short term load forecasting based on genetic algorithm optimization[J]. PNN Electric Switch, 2017,55(1): 49-51,56.

[9]韓月嬌. 粒子群算法的改進及其在BP神經(jīng)網(wǎng)絡中的應用[D]. 南昌航空大學, 2012.

HAN Yuejiao. Improvement of particle swarm optimization and its application in BP neural networks [D]. Nanchang University of Aeronautics, 2012.

[10]郭文忠. 離散粒子群優(yōu)化算法及其應用[M].北京：清華大學出版社, 2012.

[11]王小川，史峰，郁磊．MATLAB神經(jīng)網(wǎng)絡43個案例分析[M]．北京：北京航空航天大學出版社，2013．

[12]李佳琪, 王曉紅, 孫軍. 粒子群算法參數(shù)選擇對動壓滑動軸承優(yōu)化設計的影響[J]. 機械設計, 2014(3):55-59.

LI Jiaqi,WANG Xiaohong,SUN Jun. Influence of parameter selection of particle swarm optimization algorithm on optimal design of hydrodynamic journal bearings[J]. Mechanical Design, 2014(3): 55-59.

[13]葉小嶺，施珮，匡亮．基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡的臺風災損預測模型研究[J]．災害學，2013，28(4)：11-15, 21．

YE Xiaoling,SHI Pei, KUANG Liang. The typhoon disaster damage particle swarm optimization BP neural network prediction model of[J]. Based on Disaster Science, 2013, 28(4): 11-15,21.

[14]王炳萱，李國勇，王艷暉．基于LM-PSO算法和BP神經(jīng)網(wǎng)絡的非線性預測控制[J]．太原理工大學學報，2016，47(2)：207-211．

WANG Bingxuan, LI Guoyong, WANG Yanhui. Nonlinear predictive control based on LM-PSO algorithm and BP neural network[J]. Journal of Taiyuan University of Technology,2016,47(2):207-211.