Monitoraggio delle condizioni degli ascensori utilizzando l'apprendimento profondo e l'approccio dell'analisi della frequenza

di Krishna Mohan Mishra, John-Eric Saxen, Jerker Bjorkqvist e Kalevi J. Huhtala

Questo documento è stato presentato all'Elevcon 2023 a Praga, Repubblica Ceca. 

Astratto 

In questa ricerca, proponiamo una tecnica automatizzata di estrazione delle caratteristiche di deep learning per calcolare nuove caratteristiche dalla trasformata veloce di Fourier (FFT) dei dati provenienti da un sensore accelerometro collegato a una cabina dell'ascensore. L'etichettatura dei dati viene eseguita con le informazioni fornite dai dati di manutenzione. Le funzionalità calcolate collegate alle variabili di classe vengono classificate utilizzando l'algoritmo della foresta casuale. Abbiamo raggiunto una precisione del 100% nel rilevamento dei guasti evitando falsi allarmi sulla base di nuove funzionalità approfondite estratte, che superano i risultati ottenuti utilizzando le funzionalità esistenti. Questa ricerca aiuterà vari sistemi di manutenzione predittiva a rilevare falsi allarmi, il che, a sua volta, ridurrà le visite non necessarie dei tecnici dell'assistenza ai siti di installazione.

1. introduzione

Negli ultimi anni gli ascensori sono stati utilizzati sempre più ampiamente in appartamenti, strutture commerciali ed edifici adibiti ad uffici. Oggigiorno, il 54% della popolazione mondiale vive in aree urbane (Desa, 2014). Pertanto, gli impianti di ascensore necessitano di una corretta manutenzione e sicurezza. I metodi di diagnosi dei guasti basati su reti neurali profonde (Jia et al., 2016) e reti neurali convoluzionali (Xia et al., 2018) presentano una metodologia di estrazione e sono presentati come stato dell'arte per macchine rotanti simili ai sistemi di ascensori. Le macchine a vettori di supporto (Martinez-Rego et al., 2011) e le macchine ad apprendimento estremo (Yang e Zhang, 2016) sono utilizzate anche come metodi di rilevamento dei guasti per le macchine rotanti. Tuttavia, abbiamo sviluppato una metodologia di estrazione delle caratteristiche basata su foresta casuale con codifica automatica profonda intelligente per il rilevamento dei guasti nei sistemi di ascensori per migliorare le prestazioni dei metodi tradizionali di diagnosi dei guasti. 

Gli autocodificatori furono introdotti per la prima volta da LeCun (Fogelman-Soulie et al., 1987) e sono stati studiati per decenni. Tradizionalmente, l'apprendimento delle funzionalità e la riduzione della dimensionalità sono le due caratteristiche principali degli autoencoder. Recentemente, gli autocodificatori sono stati considerati una delle tecniche di analisi del subspazio più interessanti a causa delle relazioni teoriche esistenti tra autoencoder e modelli a variabili latenti. Gli autocodificatori sono stati utilizzati per l'estrazione di caratteristiche dai dati in sistemi come motori a induzione (Sun et al., 2016) e turbine eoliche (Jiang et al., 2018) per il rilevamento di guasti, diversi dai sistemi di ascensori come nella nostra ricerca.

Nella nostra ricerca precedente, i dati grezzi dei sensori, principalmente segnali di accelerazione, sono stati utilizzati per calcolare le prestazioni chiave dell'ascensore e le caratteristiche della qualità di guida, che qui chiamiamo caratteristiche esistenti. La foresta casuale è stata utilizzata per il rilevamento dei guasti in base a queste funzionalità esistenti. Le caratteristiche specifiche del dominio esistenti vengono calcolate a partire dai dati grezzi dei sensori, ma ciò richiede una conoscenza approfondita del dominio e si traduce in una certa misura in una perdita di informazioni. Per evitare queste implicazioni, abbiamo sviluppato un algoritmo per l'estrazione di caratteristiche basata su FFT dai dati grezzi dei sensori e un algoritmo generico con approccio forestale casuale con codifica automatica profonda per l'estrazione automatizzata di caratteristiche da caratteristiche basate su FFT per il rilevamento di guasti nei sistemi di ascensori. Il resto di questo documento è organizzato come segue. La sezione 2 presenta la metodologia dell'articolo, inclusa l'estrazione dei dati, il codificatore automatico profondo e gli algoritmi della foresta casuale. La sezione 3 include i dettagli degli esperimenti eseguiti, i risultati e la discussione. Infine, la sezione 4 conclude il documento e presenta il lavoro futuro.

2. Μεθοδολογία

In questo studio, abbiamo utilizzato 12 diverse caratteristiche esistenti derivate dai dati grezzi dei sensori che descrivono il movimento e le vibrazioni di un ascensore per il rilevamento dei guasti e la diagnostica di più guasti. In questa ricerca abbiamo sviluppato una tecnica di estrazione automatizzata delle caratteristiche per i dati grezzi dei sensori come estensione del lavoro della nostra ricerca precedente (Mishra et al., 2019) per confrontare i risultati utilizzando nuove caratteristiche profonde estratte. I dati raccolti da un sistema di ascensore vengono elaborati per ottenere vettori di serie temporali che rappresentano la fase di movimento a velocità costante, da cui derivano le caratteristiche nel dominio della frequenza compressa. Le funzionalità del dominio della frequenza vengono inviate a un modello di codifica automatica profonda per l'estrazione delle funzionalità e quindi la foresta casuale esegue l'attività di rilevamento degli errori in base alle funzionalità profonde estratte.

2.1 Algoritmo di estrazione dei dati

I dati grezzi dei sensori raccolti dai sistemi di ascensori comprendono in genere un'ampia raccolta di punti dati campionati ad alta frequenza. Per trasmettere i dati dei grandi sensori ad applicazioni basate su cloud, è spesso auspicabile preelaborare i dati ed eseguire la compressione prima della trasmissione, ad esempio sotto forma di edge computing eseguito all'estremità del dispositivo. In questo caso, i dati grezzi vengono ottenuti da una serie di eventi (viaggi dell'ascensore) sotto forma di vettori di serie temporali unidimensionali con tempi di campionamento equidistanti. L'obiettivo della fase di elaborazione dei dati è quello di comprimere l'insieme delle serie temporali grezze ottenute dai macchinari e trasformarle in caratteristiche con dimensionalità ridotta, ma mantenendo nel frattempo le informazioni necessarie per il rilevamento dei guasti. 

La riduzione della dimensionalità non è vantaggiosa solo nel senso di riduzione del volume dei dati; può anche rendere i dati più applicabili all’apprendimento automatico abbreviando la formazione e riducendo l’overfitting (Bellman, 1966). Nel frattempo, la trasformazione dei dati nel dominio della frequenza consente di rappresentare ogni evento di lunghezza variabile da un insieme compresso di contenitori di frequenza di uguale lunghezza. La rappresentazione nel dominio della frequenza è comunemente utilizzata nella diagnostica dei guasti delle macchine (Goyal e Pabla, 2016), dove i cambiamenti delle vibrazioni vengono monitorati analizzando lo spettro. Il processo di estrazione dei dati delineato può essere suddiviso in pre-elaborazione, selezione dei dati, trasformazione ed estrazione delle caratteristiche (compresse).

Nella fase di pre-elaborazione, si ottengono dati a 200 Hz provenienti da un accelerometro che misura l'accelerazione verticale dell'ascensore su una serie di viaggi dell'ascensore. Ogni corsa dell'ascensore può essere suddivisa in una fase di accelerazione, velocità costante e decelerazione, dove la fase a velocità costante è principalmente di interesse nel metodo presentato. I dati di accelerazione non filtrati vengono elaborati come un vettore di serie temporali unidimensionali e normalizzati. Nella fase successiva, viene eseguita la selezione dei dati per ottenere le finestre di velocità costante dalle serie temporali di accelerazione con una lunghezza minima della finestra di 200 campioni, mentre i restanti punti dati vengono scartati.

Nella fase di trasformazione, l'insieme X di vettori di serie temporali che rappresentano le fasi a velocità costante delle corse vengono trasformati nel dominio della frequenza. La trasformata di Fourier è la conversione di frequenza più utilizzata, che collega matematicamente un segnale nel dominio del tempo alla sua rappresentazione nel dominio della frequenza. Per ogni vettore di accelerazione a lunghezza variabile x{T}Durante la serata, T indica il numero della corsa, è stata applicata la FFT del punto L. Lo spettro di ampiezza FFT normalizzato si ottiene secondo:

where Y_T[K] è la trasformata discreta di Fourier del segnale di accelerazione X_T[N] . Lo spettro S_T contiene L_T contenitori di frequenza, dove L_T descrive la durata del viaggio T. Per estrarre le caratteristiche del dominio della frequenza compresso, la dimensionalità di ciascuno spettro viene ridotta in un numero equalizzato di contenitori N con le larghezze dei contenitori w_T =L_T/N. Il nuovo spettro di ampiezza viene calcolato facendo la media sui contenitori.

where N è stato selezionato come 40. Infine, poiché lo spettro FFT con numeri reali è specchiato, la prima metà di ciascuno spettro contenente N / 2 le funzionalità sono selezionate. Pertanto, il numero totale di funzionalità fornite al codificatore profondo è TN/2 .

2.2. Codificatore automatico profondo

Stiamo utilizzando un codificatore automatico profondo a cinque livelli (vedere Figura 1) che include livelli di input, output, codificatore, decodificatore e rappresentazione, che rappresenta un approccio diverso rispetto a (Jiang et al., 2018), (Vincent et al., 2008). Nel nostro approccio, analizziamo prima i dati per trovare tutti i modelli del pavimento e quindi alimentiamo le finestre di dati grezzi segmentati del sensore nelle direzioni su e giù separatamente all'algoritmo per l'estrazione delle caratteristiche FFT. Le funzionalità FFT estratte vengono inviate al modello di codifica automatica profonda per l'estrazione di nuove funzionalità profonde. Infine, applichiamo la foresta casuale come classificatore per il rilevamento dei guasti basato su nuove funzionalità profonde estratte dalle funzionalità FFT.

L'encoder trasforma l'ingresso x in dati di input danneggiati x' utilizzando la rappresentazione nascosta H attraverso la mappatura non lineare.

where${\displaystyle f(\cdot )}$  è una funzione di attivazione non lineare come la funzione sigmoidea,  ${\displaystyle W_1\in R^{k*m}}$ la matrice dei pesi e ${\displaystyle b\in R^k}$ è il vettore di polarizzazione con cui ottimizzare la codifica k nodi nello strato nascosto (Vincent et al., 2008). Quindi, con i parametri ${\displaystyle W_2\in R^{k*m}}$ and ${\displaystyle c\in R_m}$, il decodificatore utilizza la trasformazione non lineare per mappare la rappresentazione nascosta H ad un vettore ricostruito ${\displaystyle x^{"}}$ allo strato di uscita. 

where ${\displaystyle g(\cdot <!--\cdot -->)}$  è ancora una volta una funzione non lineare (funzione sigmoidea). In questo studio, la matrice del peso è ${\displaystyle W_2=W_1^T}$, che è legato al peso per una migliore prestazione di apprendimento.

2.3 Foresta casuale

L'accuratezza della classificazione finale della foresta casuale viene calcolata facendo la media, cioè la media aritmetica delle probabilità di assegnazione delle classi relative a tutti gli alberi prodotti. I dati di test sconosciuti a tutti gli alberi decisionali vengono utilizzati per la valutazione mediante il metodo di votazione. Nello specifico, lascia che il valore dei dati del sensore abbia un campione di addestramento nel nodo foglia arrivato dell'albero decisionale, dove e il numero di campioni di addestramento è L_e nel nodo foglia attualmente arrivato dell'albero decisionale. Il risultato finale della previsione è dato da (Huynh et al., 2016):

Tutti gli alberi di classificazione che forniscono una decisione finale per metodo di voto sono dati da:

        dove il modello di combinazione è, il numero di sottoinsiemi di addestramento dipende da quale modello di albero decisionale è, mentre l'output o le etichette delle classi P sono e la strategia combinata è definita come: 

dove l'output dell'albero decisionale è e l'etichetta della classe delle classi P è 

3. Risultati e discussione

In questa ricerca, abbiamo innanzitutto selezionato dai dati tutti i modelli di pavimento come il pavimento 2-5, 3-8 e così via, alcuni dei quali sono mostrati nella Tabella 1. 

Il passaggio successivo prevede la selezione delle corse difettose da tutti i modelli di piano in base ai periodi di tempo forniti dai dati di manutenzione. Viene selezionato anche un numero uguale di corse salutari. In questa ricerca è stata selezionata solo la componente verticale dei dati di accelerazione perché è l'aspetto più informativo, costituito da cambiamenti significativi nei livelli di vibrazione rispetto ad altri componenti. Le corse sane e quelle difettose vengono inserite separatamente nell'algoritmo per l'estrazione delle funzionalità FFT.

3.1 Movimento verso l'alto

Abbiamo analizzato separatamente i movimenti di salita e di discesa perché l'ascensore a trazione solitamente produce livelli di vibrazione leggermente diversi in ciascuna direzione. Innanzitutto, abbiamo selezionato le corse difettose in base ai periodi di tempo forniti dai dati di manutenzione, inclusi tutti i modelli di piano, che vengono inseriti nell'algoritmo per l'estrazione delle caratteristiche FFT, come mostrato nella Figura 2. 

Quindi, abbiamo selezionato un numero uguale di corse per dati integri, in modo simile alla Figura 2. Il passaggio successivo consiste nell'etichettare sia le funzionalità FFT integre che quelle difettose con le etichette di classe 0 e 1, rispettivamente. Le funzionalità FFT sane e difettose con etichette di classe vengono inserite nel modello di codifica automatica profonda e le funzionalità profonde generate sono mostrate nella Figura 3. Queste sono chiamate funzionalità profonde, o funzionalità latenti, nella terminologia del codificatore automatico profondo, che mostra rappresentazioni nascoste dei dati. 

Le caratteristiche profonde estratte vengono inserite nell'algoritmo della foresta casuale per la classificazione e i risultati forniscono una precisione del 100% nel rilevamento dei guasti, come mostrato nella Tabella 2. Abbiamo confrontato la precisione in termini di evitare falsi positivi da entrambe le caratteristiche e scoperto che nuove caratteristiche profonde hanno generato in questa ricerca superano le funzionalità esistenti. Abbiamo utilizzato le rimanenti corse sane per estrarre le funzionalità FFT per analizzare il numero di falsi positivi. Queste funzionalità FFT sane sono etichettate come classe 0 e inviate al codificatore automatico profondo per estrarre nuove funzionalità profonde dalle funzionalità FFT. Queste nuove funzionalità profonde vengono quindi classificate con il modello di foresta casuale del codificatore automatico profondo pre-addestrato per testare l'efficacia del modello in termini di falsi positivi. 

La tabella 2 presenta i risultati del movimento verso l'alto dell'ascensore in termini di precisione del rilevamento dei guasti. Abbiamo incluso anche l'accuratezza nell'evitare falsi positivi come parametro di valutazione per questa ricerca. I risultati mostrano che le nuove funzionalità approfondite forniscono una migliore precisione in termini di rilevamento dei guasti ed evitano falsi positivi dai dati, il che è utile per rilevare falsi allarmi per le strategie di manutenzione predittiva degli ascensori. È estremamente utile per ridurre le visite non necessarie da parte del personale di manutenzione ai siti di installazione. 

3.2 Movimento verso il basso

Per il movimento al ribasso abbiamo ripetuto la stessa procedura di analisi del caso del movimento al rialzo. La tabella 3 presenta i risultati per il rilevamento dei guasti con il modello di foresta casuale del codificatore automatico profondo nella direzione verso il basso. I risultati sono simili alla direzione verso l'alto, ma possiamo vedere un cambiamento significativo in termini di accuratezza del rilevamento dei guasti e quando si analizza il numero di falsi positivi con nuove caratteristiche profonde.

4. Conclusione e lavoro futuro

Questa ricerca si concentra sul monitoraggio dello stato degli impianti di ascensori utilizzando una nuova tecnica di rilevamento dei guasti. L'obiettivo di questa ricerca era sviluppare modelli generici per funzionalità basate su FFT e l'estrazione automatizzata di funzionalità per il rilevamento dei guasti nel monitoraggio dello stato di salute dei sistemi di ascensori. Il nostro approccio in questa ricerca ha fornito una precisione del 100% nel rilevamento dei guasti e anche nel caso di analisi dei falsi positivi per tutte le combinazioni di pavimenti con nuove caratteristiche profonde estratte. I risultati supportano l'obiettivo di questa ricerca di sviluppare modelli generici che possano essere utilizzati in altri sistemi di macchine per il rilevamento dei guasti. I nostri modelli superano gli altri grazie alle nuove funzionalità approfondite estratte dal set di dati rispetto alle funzionalità esistenti calcolate dallo stesso set di dati grezzi del sensore. L'approccio automatizzato all'estrazione delle funzionalità non richiede alcuna conoscenza preliminare del dominio. Fornisce inoltre una riduzione della dimensionalità ed è resistente alle caratteristiche di overfitting. 

Nel lavoro futuro, estenderemo il nostro approccio a più ascensori e ad altri casi reali di big data per convalidarne il potenziale per altre applicazioni e migliorarne l’efficacia.

Referenze

[1] Bellman, R. (1966). Programmazione dinamica. Scienza, 153(3731), 34-37. 

[2] Desa (2014). Prospettive di urbanizzazione mondiale, la revisione del 2011. Divisione della popolazione, Dipartimento degli affari economici e sociali, Segretariato delle Nazioni Unite.

[3] Fogelman-Soulie, F., Robert, Y. e Tchuente, M. (1987). Reti di automi in informatica: teoria e applicazioni. Manchester University Press e Princeton University Press.

[4] Goyal, D. e Pabla, BS (2016). Archivi di metodi computazionali in ingegneria, vol. 23, 585-594.

[5] Huynh, T., Gao, Y., Kang, J., Wang, L., Zhang, P., Lian, J. e Shen, D. (2016). Stima dell'immagine TC dai dati MRI utilizzando la foresta casuale strutturata e il modello di contesto automatico. Transazioni IEEE sull'imaging medico, 35(1), 174.

[6] Jia, F., Lei, Y., Lin, J., Zhou, X. e Lu, N. (2016). Reti neurali profonde: uno strumento promettente per l'estrazione delle caratteristiche dei guasti e la diagnosi intelligente di macchine rotanti con enormi quantità di dati. Sistemi meccanici ed elaborazione del segnale, 72, 303–315.

[7] Jiang, G., Xie, P., He, H. e Yan, J. (2018). Rilevamento dei guasti delle turbine eoliche utilizzando un codificatore automatico di denoising con informazioni temporali. Transazioni IEEE/ASME sulla meccatronica, 23(1), pp.89–100.

[8] Martinez-Rego, D., Fontenla-Romero, O., e Alonso-Betanzos, A. (2011). Rilevamento dei guasti nei mulini a vento tramite l'analisi del segnale di vibrazione -svm di una classe. In Neural Networks (IJCNN), Conferenza congiunta internazionale del 2011, pp. 511–518. IEEE.

[9] Mishra, KM, Saxen, JE, Björkqvist, J. e Huhtala, K. (2019). Rilevamento dei guasti del sistema di ascensore utilizzando l'estrazione del profilo e l'estrazione profonda delle funzionalità dell'autoencoder. in Atti della 33a conferenza annuale europea sulla simulazione e la modellazione (ESM), 79-83.

[10] Sun, W., Shao, S., Zhao, R., Yan, R., Zhang, X. e Chen, X. (2016). Un approccio di rete neurale profonda basato su auto-codificatore sparso per la classificazione dei guasti dei motori a induzione. Misurazione, 89, 171–178.

[11] Vincent, P., Larochelle, H., Bengio, Y. e Manzagol, P.-A. (2008). Estrazione e composizione di funzionalità robuste con codificatori automatici di denoising. In Atti della 25a conferenza internazionale sull'apprendimento automatico, 1096–1103. ACM.

[12] Xia, M., Li, T., Xu, L., Liu, L. e de Silva, CW (2018). Diagnosi dei guasti per macchine rotanti utilizzando sensori multipli e reti neurali convoluzionali. Transazioni IEEE/ASME sulla meccatronica, 23(1), 101–110.

[13] Yang, ZX e Zhang, PB (2016). Elm incontra rae-elm: un modello ibrido intelligente per la diagnosi di guasti multipli e la previsione della vita utile residua delle macchine rotanti. In Neural Networks (IJCNN), Conferenza congiunta internazionale 2016 su, 2321–2328. IEEE.