كشف الأعطال باستخدام أنماط المرور المكتسبة

يمكن أن تؤدي أنظمة مراقبة أخطاء التوصيل والتشغيل إلى الكشف السريع عن أخطاء الرفع.

لتكييف أنظمة النقل العمودي مع المتطلبات المستقبلية ، حددت صناعة المصاعد الحاجة إلى الانتقال من استراتيجيات الصيانة الوقائية والتصحيحية الحالية إلى استراتيجيات الصيانة التنبؤية. لذلك ، غالبًا ما يتم توصيل أحدث جيل من أنظمة الرفع المتطورة بالسحابة ، حيث تُستخدم بيانات نظام التحكم لجمع المعلومات حول صحة أنظمة الرفع والأعطال المحتملة. ومع ذلك ، فإن العديد من المصاعد اليوم غير مجهزة بأنظمة تحكم تدعم المراقبة عن بعد ، ومن المتوقع أن تستغرق عقودًا قبل أن يتم ترقيتها جميعًا معها. علاوة على ذلك ، حتى لو كانت لديهم أنظمة تحكم تدعم المراقبة عن بُعد ، فإن تكلفة ووقت توصيل المصاعد بالسحابة ثم دمج البيانات من المصاعد من مختلف الأنواع والأنواع في نظام مراقبة واحد غالبًا ما تكون عالية جدًا وطويلة.

هناك حاجة لعقد مستشعر التوصيل والتشغيل وخدمات المراقبة المستندة إلى السحابة التي يمكن أن تتم ترقية أنظمة الرفع الحالية بها ، بغض النظر عن النوع والنوع ، وتوصيلها لمراقبة الحالة والأعطال. لتلبية هذه الاحتياجات ، طورت SafeLine السويدية عقدة مستشعر إنترنت الأشياء (IoT) "الذكية" LYRA والخدمة السحابية ORION. باستخدام مستشعرات مقياس التسارع والمغناطيسية المدمجة ، يمكن لـ LYRA استخراج المعلومات حول موضع المصعد وسرعته وتسارعه ؛ مستويات الاهتزاز (وفقًا لمعيار ISO 18738) وأطياف الاهتزاز ؛ وحركات وفتحات الباب. بشكل صحيح أو لمجرد أنه لم يتم إجراء مكالمات للسيارة. لذلك ، تم تطوير طريقة جديدة قائمة على التعلم الآلي لتحديد ما إذا كان نظام الرفع يعمل أو غير فعال ، نظرًا لعدم ملاحظة أي رحلات سفر خلال نافذة زمنية.

الكشف عن فترات ثابتة طويلة بشكل غير عادي

يمكن تقسيم مشكلة تحديد ما إذا كان نظام الرفع يعمل ، نظرًا لعدم ملاحظة أي رحلات سفر خلال نافذة زمنية ، إلى جزأين. الجزء الأول هو تحديد اختبار فرضية ، بالنظر إلى نموذج لكيفية اختلاف حمل المرور بمرور الوقت ، يحدد ما إذا كان عدم وجود رحلات خلال فترة زمنية ناتجًا عن خلل في نظام الرفع. الجزء الثاني هو ، من بيانات السفر التاريخية ، التعرف على نموذج لكيفية اختلاف الحمل المروري على نظام الرفع مع مرور الوقت.

عدد الركاب الذين يسافرون مع نظام الرفع عادة ما يتم تصميمه من خلال عملية بواسون غير المتجانسة. أي ، بالنظر إلى أن السفر حدث في الوقت المناسب ^tن ، وقت السفر التالي ، ∆^tن ≡ ^tن + 1 - ^tn ، لها دالة التوزيع التراكمي التالية:

العلاقات العامة (∆t_n (<x) = 1-) e ^ (- Λ (t_n، т) (1)

هنا و تشير إلى وظيفة الشدة المتغيرة بمرور الوقت لعملية بواسون الأساسية. بعد ذلك ، افترض أن فترة زمنية قد مرت منذ ملاحظة الرحلة الأخيرة. يمكن إجراء اختبار ما إذا كان هذا مؤشرًا على خلل في النظام من خلال اختبار فرضية الحد الأدنى من المخاطر: [6] ، المصعد معطل. هنا ، يتم تحديد العتبة من خلال:

(2)

أين ، والدلالة تكلفة الإنذار الخاطئ (تكلفة تقرير أن المصعد معطل عندما يكون فعالاً) ؛ تكلفة الكشف المفقودة (تكلفة تقرير أن المصعد يعمل عندما يكون معطلاً) ؛ واحتمال الخطأ المسبق ، على التوالي. نلاحظ أن قد عتبة تعتمد على الوقت ، حيث يمكن أن تختلف التكاليف واحتمال الخطأ السابق مع مرور الوقت. على سبيل المثال ، عادةً ما تتقاضى شركات الخدمات رسومًا أكثر مقابل العمل خارج ساعات العمل.

إذا حدثت الرحلة الأخيرة في الالوقت حتى التنبيه، (التي يشير إلى أن نظام الرفع معطل) يجب ضبطه معطى بواسطة:

إلى تقييم هذا التعبير ، و شدة يجب أن تكون عملية بواسون معروفة. يناقش القسم التالي كيف يمكن تعلم ذلك من بيانات تحميل حركة المرور التاريخية.

تعلم أنماط السفر

نظرًا لأن الحمل المروري يظهر نموذجًا دوريًا أسبوعيًا ، العلبة يمكن تعلمها من البيانات التاريخية. للقيام بذلك ، سيتم تطوير نموذج خطي معمم وملائم للبيانات. الاول هو على غرار استخدام توسيع وظيفة القاعدة الشعاعية:

هنا هو تم إعطاء معلمة النموذج ith (الوزن) ، ووظائف القاعدة الشعاعية by

بحيث . هنا ، مقياس

معلمة تتحكم في عرض الوظائف الأساسية ، وغير دورية نمط حمل حركة المرور (عادة أسبوع). علاوة على ذلك ، هو الموقع المركزي لوظيفة القاعدة ،
والتي عادة ما تنتشر بشكل موحد عبر الفاصل الزمني [0 ، Tp]. ال المعلمات wi oو يمكن تعلم (تقدير) النموذج الخطي المعمم من بيانات حمل حركة المرور التاريخية عن طريق القسمة
[0، Tp] إلى K فترات زمنية أصغر من الطول ، Ts (أي Ts = Tp / K). دعنا نشير إلى عدد الرحلات التي حدثت في الفاصل الزمني kth من الأسبوع jth (أي عدد الرحلات بين خلال الأسبوع ي). التقريب بشكل ثابت على كل فترة:

أين . بعد ذلك ، إعطاء تسلسل of بيانات حمل حركة المرور التي تم جمعها على مدار أسابيع J ، يمكن حساب الحد الأقصى لتقدير الاحتمالية لمعلمات النموذج باستخدام أدوات الانحدار القياسية ، مثل وظيفة "glmfit" في Matlab. [7]

مثال

لتوضيح تطبيق طريقة اكتشاف الخطأ المقترحة ، تم جمع بيانات السفر لبضعة أسابيع من عقدة مستشعر LYRA. تم الحصول أيضًا على سجل الخدمة للأسابيع المقابلة من شركة خدمات الرفع. تم بعد ذلك تدريب النموذج الخطي المعمم باستخدام الأسابيع الثلاثة الأولى من البيانات. بعد ذلك ، تم استخدام الطريقة لاكتشاف الفترات الزمنية التي كان فيها المصعد ثابتًا لفترة طويلة بشكل غير عادي خلال الأسابيع اللاحقة.

يوضح الشكل 1 أنه في حوالي الساعة 7:45 من صباح يوم الثلاثاء ، تم إخطار شركة الخدمة بأن المصعد معيب. تم تسجيل الطريقة المقترحة في الساعة 6:45 صباحًا بأن المصعد كان ثابتًا بالفعل لفترة طويلة بشكل غير عادي. ثم يقوم المصعد برحلة واحدة في حوالي الساعة 7:30 صباحًا ، ومرة ​​أخرى يصبح ثابتًا لفترة طويلة بشكل غير عادي. تم الكشف عن هذا الحدث أيضا من خلال الطريقة المقترحة. في وقت لاحق ، الساعة 11:45 من صباح يوم الخميس ، تم إخطار شركة الخدمة مرة أخرى بأن المصعد مكسور. تم بالفعل اكتشاف هذا الحدث بالطريقة المقترحة في الساعة 7:00 صباحًا من ذلك اليوم.

يوضح السيناريو النموذجي قدرة الطريقة المقترحة على توفير اكتشاف سريع لأعطال المصعد. علاوة على ذلك ، نظرًا لأن وحدة LYRA المستخدمة لتسجيل الرحلات تقوم أيضًا بتتبع الأرضية الحالية ، فهي قادرة على معرفة أن جميع الأعطال حدثت في الطابق 2. هذه المعلومات مهمة في تشخيص الأخطاء.

ملخص والاستنتاجات

تم تقديم طريقة جديدة لاكتشاف أعطال نظام الرفع غير التدخلي. تتعرف الطريقة على حمل حركة المرور النموذجي على المصعد ثم تكتشف ما إذا كان ثابتًا لفترة طويلة بشكل غير عادي. بهذه الطريقة ، يمكن اكتشاف الأخطاء المحتملة في النظام وإبلاغ شركة الخدمة بها تلقائيًا. يشير تقييم أداء الطريقة المقترحة إلى أنها يمكن أن تقلل بشكل كبير من الوقت المستغرق حتى يتم إخطار شركة الخدمة بوجود خطأ.

مراجع حسابات
[1] ت. إبيلينج وم. "نتائج تجربة ميدانية تهدف إلى إظهار الكشف الدائم عن تآكل المصعد باستخدام أجهزة استشعار ذكية" وقائع Elevcon 2016 ، الرابطة الدولية لمهندسي المصاعد ، ص. 101-109.
[2] أي. سكوج ، آي كاراجيانيس ، وآخرون. "عقدة حساس ذكية لإنترنت المصاعد - حالة غير جراحية ومراقبة الأعطال" ، مجلة IEEE Sensors Journal ، المجلد. 17 ، رقم 16 ، ص. 5198-5208 (أغسطس 2017).
[3] Z. Wen، Z. Fu، et al. "الطريقة غير الغازية لرصد حركة المصعد بناءً على مستشعر MEMS وفلتر كالمان" ، المؤتمر الدولي الرابع عشر لمعالجة الإشارات IEEE ، 14 ، ص. 2018-797.
[5] ر. بيترز، ل. الشريف، وآخرون. "منهجية منهجية لتوليد ركاب المصاعد في ظل عملية وصول الدفعات بواسون"، مجلة ELEVATOR WORLD، يناير 2016.
[6] إس إم كاي. أساسيات معالجة الإشارات الإحصائية: نظرية الكشف ، برنتيس هول ، 1993. [7] J. Nelder and P. McCullagh. النماذج الخطية المعممة ، Chapman & Hall / CRC ، 1983.