Derin Öğrenme ve Frekans Analizi Yaklaşımı Kullanılarak Asansörlerin Durum Takibi

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

Bu makale Çek Cumhuriyeti'nin Prag kentindeki Elevcon 2023'te sunuldu. 

Özet 

Bu araştırmada, bir asansör kabinine bağlı bir ivmeölçer sensöründen alınan verilerin hızlı Fourier dönüşümünden (FFT) yeni özellikleri hesaplamak için otomatik bir derin öğrenme özellik çıkarma tekniği öneriyoruz. Veri etiketleme, bakım verilerinin sağladığı bilgilerle gerçekleştirilir. Sınıf değişkenlerine eklenen hesaplanan özellikler rastgele orman algoritması kullanılarak sınıflandırılır. Mevcut özelliklerin kullanıldığı sonuçlardan daha iyi performans gösteren, yeni çıkarılan derin özelliklere dayalı yanlış alarmları önlemenin yanı sıra hata tespitinde %100 doğruluk elde ettik. Bu araştırma, çeşitli öngörücü bakım sistemlerinin yanlış alarmları tespit etmesine yardımcı olacak ve bu da servis teknisyenlerinin kurulum sahalarına gereksiz ziyaretlerini azaltacaktır.

1. Giriş

Asansör sistemleri son yıllarda apartmanlarda, ticari tesislerde ve ofis binalarında giderek daha yaygın olarak kullanılmaktadır. Günümüzde dünya nüfusunun %54'ü kentsel alanlarda yaşamaktadır (Desa, 2014). Bu nedenle asansör sistemlerinin uygun bakıma ve güvenliğe ihtiyacı vardır. Derin sinir ağlarına (Jia ve diğerleri, 2016) ve evrişimli sinir ağlarına (Xia ve diğerleri, 2018) dayalı arıza teşhis yöntemleri, çıkarma metodolojisine sahiptir ve asansör sistemlerine benzer döner makineler için en son teknoloji olarak sunulmaktadır. Destek vektör makineleri (Martinez-Rego vd., 2011) ve ekstrem öğrenme makineleri (Yang ve Zhang, 2016) da döner makineler için hata tespit yöntemleri olarak kullanılmaktadır. Ancak, geleneksel arıza teşhis yöntemlerinin performansını artırmak amacıyla asansör sistemlerinde arıza tespiti için akıllı bir derin otomatik kodlayıcı rastgele orman tabanlı özellik çıkarma metodolojisi geliştirdik. 

Otomatik kodlayıcılar ilk olarak LeCun (Fogelman-Soulie ve diğerleri, 1987) tarafından tanıtıldı ve onlarca yıldır üzerinde çalışılıyor. Geleneksel olarak özellik öğrenme ve boyutluluğun azaltılması, otomatik kodlayıcıların iki ana özelliğidir. Son zamanlarda, otomatik kodlayıcılar ve gizli değişken modelleri arasındaki mevcut teorik ilişkiler nedeniyle otomatik kodlayıcılar, en ilgi çekici altuzay analiz tekniklerinden biri olarak kabul edilmiştir. Araştırmamızda asansör sistemlerinden farklı olarak asenkron motorlar (Sun vd., 2016) ve rüzgar türbinleri (Jiang vd., 2018) gibi sistemlerde arıza tespitinde verilerden özellik çıkarımı için otomatik kodlayıcılar kullanılmıştır.

Önceki araştırmamızda, burada mevcut özellikler olarak adlandırdığımız asansör temel performansını ve sürüş kalitesi özelliklerini hesaplamak için esas olarak hızlanma sinyalleri olmak üzere ham sensör verileri kullanıldı. Bu mevcut özelliklere dayanarak hata tespiti için rastgele orman kullanıldı. Mevcut alana özgü özellikler, ham sensör verilerinden hesaplanır, ancak bu, alana ilişkin uzman bilgisi gerektirir ve bir dereceye kadar bilgi kaybına neden olur. Bu sonuçları önlemek amacıyla, ham sensör veri sürüşlerinden FFT tabanlı özellik çıkarımı için bir algoritma ve asansör sistemlerinde arıza tespitine yönelik FFT tabanlı özelliklerden otomatik özellik çıkarımı için derin otomatik kodlayıcı rastgele orman yaklaşımına sahip genel bir algoritma geliştirdik. Bu makalenin geri kalanı şu şekilde organize edilmiştir. Bölüm 2'de veri çıkarma, derin otomatik kodlayıcı ve rastgele orman algoritmaları dahil olmak üzere makalenin metodolojisi sunulmaktadır. Bölüm 3, gerçekleştirilen deneylerin ayrıntılarını, sonuçlarını ve tartışmayı içermektedir. Son olarak bölüm 4'te makale sonuçlanmakta ve gelecekteki çalışmalar sunulmaktadır.

2. Metodoloji

Bu çalışmada, arıza tespiti ve birden fazla arızanın teşhisi için bir asansörün hareketini ve titreşimini tanımlayan ham sensör verilerinden elde edilen 12 farklı mevcut özellikten yararlandık. Yeni çıkarılan derin özellikleri kullanarak sonuçları karşılaştırmak için önceki araştırmamızın (Mishra ve diğerleri, 2019) çalışmasının bir uzantısı olarak bu araştırmada ham sensör verileri için otomatik bir özellik çıkarma tekniği geliştirdik. Bir asansör sisteminden toplanan veriler, sıkıştırılmış frekans alanı özelliklerinin türetildiği, sabit hızlı hareket aşamasını temsil eden zaman serisi vektörlerini elde etmek için işlenir. Frekans alanı özellikleri, özellik çıkarımı için derin bir otomatik kodlayıcı modeline beslenir ve ardından rastgele orman, çıkarılan derin özelliklere dayalı olarak hata tespit görevini gerçekleştirir.

2.1 Veri Çıkarma Algoritması

Asansör sistemlerinden toplanan ham sensör verileri genellikle yüksek frekansta örneklenen geniş bir veri noktası koleksiyonunu kapsar. Büyük sensör verilerinin bulut tabanlı uygulamalara iletilmesi için, genellikle verilerin ön işlenmesi ve iletimden önce sıkıştırmanın gerçekleştirilmesi arzu edilir; örneğin, cihazın ucunda gerçekleştirilen uç bilişim şeklinde. Burada ham veriler, eşit mesafeli örnekleme zamanlarına sahip tek boyutlu zaman serisi vektörleri formundaki bir dizi olaydan (asansör yolculukları) elde edilir. Veri işleme aşamasının amacı, makinelerden elde edilen ham zaman serilerini sıkıştırıp bunu azaltılmış boyutlu özelliklere dönüştürmek, ancak bu arada arıza tespiti için gerekli bilgileri korumaktır. 

Boyutsallığın azaltılması yalnızca veri hacminin azaltılması açısından yararlı değildir; aynı zamanda eğitimi kısaltarak ve aşırı uyumu azaltarak verileri makine öğrenimi için daha uygulanabilir hale getirebilir (Bellman, 1966). Bu arada, verilerin frekans alanına dönüştürülmesi, her değişken uzunluktaki olayın, eşit uzunlukta sıkıştırılmış bir frekans kutusu seti tarafından temsil edilmesine olanak tanır. Frekans alanı temsili, titreşim değişikliklerinin spektrum analiz edilerek izlendiği makine arıza teşhisinde yaygın olarak kullanılır (Goyal ve Pabla, 2016). Ana hatlarıyla belirtilen veri çıkarma süreci, ön işleme, veri seçimi, dönüştürme ve (sıkıştırılmış) özellik çıkarma işlemlerine ayrılabilir.

Ön işlem aşamasında, bir dizi asansör hareketi üzerinden dikey asansör ivmesini ölçen bir ivmeölçerden 200 Hz veri elde edilir. Her asansör hareketi bir hızlanma, sabit hız ve yavaşlama aşamasına bölünebilir; burada sunulan yöntemde sabit hız aşaması öncelikli olarak ilgi çekicidir. Filtrelenmemiş ivme verileri tek boyutlu zaman serisi vektörü olarak işlenir ve normalleştirilir. Bir sonraki adımda, minimum 200 örnek pencere uzunluğuna sahip ivme zaman serisinden sabit hızlı pencereler elde etmek için veri seçimi gerçekleştirilir, kalan veri noktaları atılır.

Dönüşüm aşamasında, sürüşlerin sabit hız fazlarını temsil eden zaman serisi vektörlerinin X kümesi, frekans alanına dönüştürülür. Fourier dönüşümü, zaman alanı sinyalini matematiksel olarak frekans alanı gösterimiyle ilişkilendiren en yaygın kullanılan frekans dönüşümüdür. Her değişken uzunluklu ivme vektörü için x{T}, Burada T seyahat numarasını gösterir, L noktası FFT uygulandı. Normalleştirilmiş FFT genlik spektrumu aşağıdakilere göre elde edilir:

nerede Y_T[K] hızlanma sinyalinin ayrık Fourier dönüşümüdür X_T[N] . Spektrum S_T içeren L_T frekans kutuları, nerede L_T seyahatin uzunluğunu açıklar T. Sıkıştırılmış frekans alanı özelliklerini çıkarmak için, her spektrumun boyutluluğu eşit sayıda kutuya indirgenir. N kutu genişlikleri ile w_T =L_T/N. Yeni genlik spektrumu, bölmelerin ortalaması alınarak hesaplanır.

nerede N 40 olarak seçilmiştir. Son olarak gerçek numaralı FFT spektrumu yansıtıldığı için her spektrumun ilk yarısı şunları içerir: N / 2 özellikler seçilir. Dolayısıyla, derin kodlayıcıya beslenen toplam özellik sayısı TN/2 .

2.2. Derin Otomatik Kodlayıcı

Giriş, çıkış, kodlayıcı, kod çözücü ve temsil katmanlarını içeren beş katmanlı derin bir otomatik kodlayıcı (bkz. Şekil 1) kullanıyoruz; bu, (Jiang ve diğerleri, 2018), (Vincent ve diğerleri, 2008)'den farklı bir yaklaşımdır. Yaklaşımımızda, öncelikle tüm kat desenlerini bulmak için verileri analiz ediyoruz ve ardından bölümlenmiş ham sensör veri pencerelerini yukarı ve aşağı yönlerde ayrı ayrı FFT özellik çıkarımı algoritmasına besliyoruz. Çıkarılan FFT özellikleri, yeni derin özelliklerin çıkarılması için derin otomatik kodlayıcı modeline beslenir. Son olarak, FFT özelliklerinden çıkarılan yeni derin özelliklere dayalı olarak hata tespiti için bir sınıflandırıcı olarak rastgele ormanı uyguluyoruz.

Kodlayıcı girişi dönüştürür x bozuk giriş verilerine x' gizli gösterimi kullanma H doğrusal olmayan haritalama yoluyla.

nerede${\displaystyle f(\cdot )}$  sigmoid fonksiyonu gibi doğrusal olmayan bir aktivasyon fonksiyonudur,  ${\displaystyle W_1\in R^{k*m}}$ ağırlık matrisi ve ${\displaystyle b\in R^k}$ ile kodlamada optimize edilecek önyargı vektörüdür k gizli katmandaki düğümler (Vincent ve diğerleri, 2008). Daha sonra parametrelerle ${\displaystyle W_2\in R^{k*m}}$ hem de ${\displaystyle c\in R_m}$kod çözücü, gizli gösterimi eşlemek için doğrusal olmayan dönüşümü kullanır H yeniden oluşturulmuş bir vektöre ${\displaystyle x^{"}}$ çıkış katmanında. 

nerede ${\displaystyle g(\cdot <!--\cdot -->)}$  yine doğrusal olmayan fonksiyondur (sigmoid fonksiyon). Bu çalışmada ağırlık matrisi ${\displaystyle W_2=W_1^T}$daha iyi öğrenme performansı için ağırlığa bağlıdır.

2.3 Rastgele Orman

Rastgele ormanın nihai sınıflandırma doğruluğu, üretilen tüm ağaçlara ilişkin sınıfların atanma olasılıklarının ortalaması, yani aritmetik ortalaması ile hesaplanır. Tüm karar ağaçları tarafından bilinmeyen test verileri, oylama yöntemiyle değerlendirme için kullanılır. Spesifik olarak, karar ağacının gelen yaprak düğümünde sensör veri değerinin eğitim örneğine sahip olmasına izin verin; burada ve karar ağacının mevcut gelen yaprak düğümünde eğitim örneklerinin sayısı L_e olsun. Nihai tahmin sonucu şu şekilde verilmiştir (Huynh ve diğerleri, 2016):

Oylama yöntemiyle nihai karar sağlayan tüm sınıflandırma ağaçları şu şekilde verilir:

        Kombinasyon modelinin olduğu yerde, eğitim alt kümelerinin sayısı hangi karar ağacı modelinin olduğuna bağlıdır, P sınıflarının çıktısı veya etiketleri ise ve birleşik strateji şu şekilde tanımlanır: 

karar ağacının çıktısının ve P sınıflarının sınıf etiketinin olduğu yer 

3. Sonuçlar ve tartışma

Bu araştırmada ilk olarak verilerden bazıları Tablo 2'de gösterilen kat 5-3, 8-1 vb. tüm zemin desenlerini seçtik. 

Bir sonraki adım, bakım verilerinin sağladığı zaman dilimlerine göre tüm kat modellerinden hatalı sürüşlerin seçimini içerir. Eşit sayıda sağlıklı sürüş de seçilir. Bu araştırmada ivme verilerinin yalnızca dikey bileşeni seçilmiştir çünkü bu, diğer bileşenlerle karşılaştırıldığında titreşim seviyelerinde önemli değişiklikler içeren en bilgilendirici yöndür. Sağlıklı ve hatalı sürüşler, FFT özellik çıkarımı için algoritmaya ayrı ayrı beslenir.

3.1 Yukarı Hareket

Yukarı ve aşağı hareketleri ayrı ayrı analiz ettik çünkü çekişe dayalı asansörler genellikle her yönde biraz farklı seviyelerde titreşim üretir. İlk olarak, Şekil 2'de gösterildiği gibi, FFT özelliği çıkarımı için algoritmaya beslenen tüm kat desenleri dahil olmak üzere bakım verilerinin sağladığı zaman aralıklarına dayalı olarak hatalı sürüşleri seçtik. 

Daha sonra, Şekil 2'ye benzer şekilde sağlıklı veriler için eşit sayıda sürüş seçtik. Bir sonraki adım, hem sağlıklı hem de hatalı FFT özelliklerini sırasıyla 0 ve 1 sınıf etiketleriyle etiketlemektir. Sınıf etiketli sağlıklı ve hatalı FFT özellikleri derin otomatik kodlayıcı modeline beslenir ve oluşturulan derin özellikler Şekil 3'te gösterilmektedir. Bunlara derin otomatik kodlayıcı terminolojisinde verilerin gizli temsillerini gösteren derin özellikler veya gizli özellikler adı verilir. 

Çıkarılan derin özellikler, sınıflandırma için rastgele orman algoritmasına beslenir ve sonuçlar, Tablo 100'de gösterildiği gibi hata tespitinde %2 doğruluk sağlar. Her iki özellikten yanlış pozitifleri önlemek açısından doğruluğu karşılaştırdık ve yeni derin özelliklerin oluşturulduğunu bulduk. Bu araştırmada mevcut özelliklerden daha iyi performans göstermektedir. Yanlış pozitiflerin sayısını analiz etmek amacıyla FFT özelliklerini çıkarmak için kalan sağlıklı sürüşleri kullandık. Bu sağlıklı FFT özellikleri, sınıf 0 olarak etiketlenir ve FFT özelliklerinden yeni derin özellikler çıkarmak için derin otomatik kodlayıcıya beslenir. Bu yeni derin özellikler daha sonra, modelin yanlış pozitifler açısından etkinliğini test etmek için önceden eğitilmiş derin otomatik kodlayıcı rastgele orman modeliyle sınıflandırılır. 

Tablo 2, arıza tespitinin doğruluğu açısından asansörün yukarı doğru hareketine ilişkin sonuçları sunmaktadır. Yanlış pozitiflerden kaçınma doğruluğunu da bu araştırmaya bir değerlendirme parametresi olarak dahil ettik. Sonuçlar, yeni derin özelliklerin arıza tespiti açısından daha iyi doğruluk sağladığını ve verilerdeki hatalı pozitif sonuçların önlenmesini sağladığını, bunun da asansör öngörülü bakım stratejileri için yanlış alarmların tespitinde yardımcı olduğunu göstermektedir. Bakım personelinin kurulum sahalarına gereksiz ziyaretlerini azaltmada son derece faydalıdır. 

3.2 Aşağı Hareket

Aşağıya doğru hareket için yukarıya doğru harekette olduğu gibi aynı analiz prosedürünü tekrarladık. Tablo 3, derin otomatik kodlayıcı rastgele orman modeliyle aşağı yönde hata tespitine yönelik sonuçları sunmaktadır. Sonuçlar yukarı yöne benzer ancak hata tespitinin doğruluğu açısından ve yeni derin özelliklerle yanlış pozitiflerin sayısını analiz ederken önemli bir değişiklik görebiliriz.

4. Sonuç ve Gelecek Çalışmalar

Bu araştırma, yeni bir arıza tespit tekniği kullanılarak asansör sistemlerinin durumunun izlenmesine odaklanmaktadır. Bu araştırmanın amacı, asansör sistemlerinin sağlık durumunun izlenmesinde hata tespiti için FFT tabanlı özellikler ve otomatik özellik çıkarımı için genel modeller geliştirmekti. Bu araştırmadaki yaklaşımımız, hata tespitinde ve ayrıca yeni çıkarılan derin özelliklerle tüm kat kombinasyonları için yanlış pozitiflerin analiz edilmesi durumunda %100 doğruluk sağladı. Sonuçlar, bu araştırmanın diğer makine sistemlerinde arıza tespiti için kullanılabilecek genel modeller geliştirme hedefini desteklemektedir. Modellerimiz, aynı ham sensör veri kümesinden hesaplanan mevcut özelliklerle karşılaştırıldığında veri kümesinden çıkarılan yeni derin özellikler nedeniyle diğerlerinden daha iyi performans gösteriyor. Otomatik özellik çıkarma yaklaşımı herhangi bir ön alan bilgisi gerektirmez. Aynı zamanda boyutsallığın azaltılmasını sağlar ve aşırı uyum özelliklerine karşı dayanıklıdır. 

Gelecekteki çalışmalarda, diğer uygulamalar için potansiyelini doğrulamak ve etkinliğini artırmak amacıyla yaklaşımımızı daha fazla asansöre ve diğer gerçek dünyadaki büyük veri vakalarına genişleteceğiz.

Referanslar

[1] Bellman, R. (1966). Dinamik program. İlim, 153(3731), 34-37. 

[2]Desa (2014). Dünya kentleşme beklentileri, 2011 revizyonu. Nüfus Bölümü, Ekonomik ve Sosyal İşler Dairesi, Birleşmiş Milletler Sekreterliği.

[3] Fogelman-Soulie, F., Robert, Y. ve Tchuente, M. (1987). Bilgisayar bilimlerinde otomata ağları: teori ve uygulamalar. Manchester University Press ve Princeton University Press.

[4] Goyal, D. ve Pabla, BS (2016). Mühendislikte Hesaplamalı Yöntemler Arşivi, cilt. 23, 585-594.

[5] Huynh, T., Gao, Y., Kang, J., Wang, L., Zhang, P., Lian, J. ve Shen, D. (2016). Yapılandırılmış rastgele orman ve otomatik bağlam modeli kullanılarak MRI verilerinden CT görüntüsünün tahmin edilmesi. Tıbbi görüntülemede IEEE işlemleri, 35(1), 174.

[6] Jia, F., Lei, Y., Lin, J., Zhou, X. ve Lu, N. (2016). Derin sinir ağları: Büyük verilerle dönen makinelerin hata karakteristiği madenciliği ve akıllı teşhisi için umut verici bir araç. Mekanik Sistemler ve Sinyal İşleme, 72, 303–315.

[7] Jiang, G., Xie, P., He, H. ve Yan, J. (2018). Zamansal bilgi içeren gürültü giderici bir otomatik kodlayıcı kullanarak rüzgar türbini arıza tespiti. Mekatronikte IEEE/ASME İşlemleri, 23(1), s.89–100.

[8] Martinez-Rego, D., Fontenla-Romero, O. ve Alonso-Betanzos, A. (2011). Tek sınıf -svm titreşim sinyali analizi yoluyla güç rüzgar değirmeni arıza tespiti. Sinir Ağlarında (IJCNN), 2011 Uluslararası Ortak Konferansı, s. 511–518. IEEE.

[9] Mishra, KM, Saxen, JE, Björkqvist, J. ve Huhtala, K. (2019). Profil çıkarma ve derin otomatik kodlayıcı özellik çıkarma kullanılarak asansör sisteminin arıza tespiti. 33. yıllık Avrupa Simülasyon ve Modelleme Konferansı (ESM) Bildirileri, 79-83.

[10] Sun, W., Shao, S., Zhao, R., Yan, R., Zhang, X. ve Chen, X. (2016). Asenkron motor arızalarının sınıflandırılması için seyrek otomatik kodlayıcı tabanlı derin sinir ağı yaklaşımı. Ölçüm, 89, 171–178.

[11] Vincent, P., Larochelle, H., Bengio, Y. ve Manzagol, P.- A. (2008). Gürültüyü gideren otomatik kodlayıcılarla sağlam özelliklerin çıkarılması ve oluşturulması. 25. Uluslararası Makine öğrenimi konferansının Bildirilerinde, 1096–1103. ACM.

[12] Xia, M., Li, T., Xu, L., Liu, L. ve de Silva, CW (2018). Çoklu sensörler ve evrişimli sinir ağları kullanılarak dönen makinelerde arıza teşhisi. Mekatronikte IEEE/ASME İşlemleri, 23(1), 101–110.

[13] Yang, ZX ve Zhang, PB (2016). Elm, rae-elm ile buluşuyor: Çoklu arıza teşhisi ve dönen makinelerin kalan kullanım ömrünün tahmin edilmesi için hibrit akıllı bir model. Sinir Ağlarında (IJCNN), 2016 Uluslararası Ortak Konferans, 2321–2328. IEEE.