使用深度学习和频率分析方法进行电梯状态监测

作者：Krishna Mohan Mishra、John-Eric Saxen、Jerker Bjorkqvist 和 Kalevi J. Huhtala

本文在捷克共和国布拉格举行的 Elevcon 2023 上发表。 

抽象 

在这项研究中，我们提出了一种自动深度学习特征提取技术，通过对附在电梯轿厢上的加速度计传感器的数据进行快速傅立叶变换 (FFT) 来计算新特征。 数据标记是根据维护数据提供的信息进行的。 使用随机森林算法对附加有类变量的计算特征进行分类。 我们在故障检测方面实现了 100% 的准确度，并避免了基于新提取的深度特征的误报，这优于使用现有特征的结果。 这项研究将帮助各种预测维护系统检测误报，从而减少服务技术人员对安装现场不必要的访问。

1. 引言

近年来，电梯系统在公寓、商业设施和写字楼中的应用越来越广泛。 如今，世界 54% 的人口居住在城市地区（Desa，2014）。 因此，电梯系统需要适当的维护和安全。 基于深度神经网络（Jia 等人，2016）和卷积神经网络（Xia 等人，2018）特征提取方法的故障诊断方法，被认为是类似于电梯系统的旋转机械的最新技术。 支持向量机（Martinez-Rego 等，2011）和极限学习机（Yang 和Zhang，2016）也被用作旋转机的故障检测方法。 然而，我们开发了一种基于智能深度自动编码器随机森林的特征提取方法，用于电梯系统的故障检测，以提高传统故障诊断方法的性能。 

自动编码器首先由 LeCun 提出（Fogelman-Soulie et al., 1987），并且已经研究了几十年。 传统上，特征学习和降维是自动编码器的两个主要特征。 最近，由于自动编码器和潜变量模型之间存在的理论关系，自动编码器被认为是最引人注目的子空间分析技术之一。 自动编码器已用于从感应电机（Sun 等人，2016）和风力涡轮机（Jiang 等人，2018）等系统中的数据中提取特征以进行故障检测，这与我们研究中的电梯系统不同。

在我们之前的研究中，原始传感器数据（主要是加速度信号）用于计算电梯关键性能和乘坐质量特征，我们在此将其称为现有特征。 基于这些现有特征，使用随机森林进行故障检测。 现有的特定领域特征是根据原始传感器数据计算出来的，但这需要该领域的专业知识，并会在一定程度上导致信息丢失。 为了避免这些影响，我们开发了一种从原始传感器数据中提取基于 FFT 的特征的算法，以及一种采用深度自动编码器随机森林方法的通用算法，用于从基于 FFT 的特征中自动提取特征，以检测电梯系统中的故障。 本文的其余部分安排如下。 第 2 部分介绍了本文的方法，包括数据提取、深度自动编码器和随机森林算法。 第 3 部分包括所进行的实验、结果和讨论的详细信息。 最后，第四部分总结了本文并介绍了未来的工作。

2。 方法论

在这项研究中，我们利用从描述电梯运动和振动的原始传感器数据中得出的 12 种不同的现有特征来进行故障检测和多种故障的诊断。 在本研究中，我们开发了一种针对原始传感器数据的自动特征提取技术，作为我们之前研究（Mishra 等人，2019）工作的扩展，以使用新提取的深层特征来比较结果。 对从电梯系统收集的数据进行处理以获得表示恒速运动阶段的时间序列向量，从中导出压缩频域特征。 频域特征被输入到深度自动编码器模型中进行特征提取，然后随机森林根据提取的深度特征执行故障检测任务。

2.1 数据提取算法

从电梯系统收集的原始传感器数据通常包含大量高频采样的数据点。 为了将大传感器数据传输到基于云的应用程序，通常需要在传输之前对数据进行预处理并执行压缩，例如以在设备端执行边缘计算的形式。 这里，原始数据是从一组事件（电梯运行）中获得的，采用具有等距采样时间的一维时间序列向量的形式。 数据处理阶段的目标是压缩从机器获得的原始时间序列集并将其转换为降维特征，但同时保留故障检测所需的信息。 

降维不仅有利于减少数据量； 它还可以通过缩短训练时间和减少过度拟合来使数据更适用于机器学习（Bellman，1966）。 同时，将数据变换到频域允许每个可变长度事件由一组压缩的等长度频率仓表示。 频域表示通常用于机器故障诊断（Goyal 和 Pabla，2016），通过分析频谱来监测振动变化。 概述的数据提取过程可以分为预处理、数据选择、转换和（压缩）特征提取。

在预处理阶段，从测量一组电梯运行的垂直电梯加速度的加速度计获得 200 Hz 数据。 每个电梯运行可以分为加速、恒速和减速阶段，其中恒速阶段是本方法中主要关注的。 未滤波的加速度数据被处理为一维时间序列向量并进行归一化。 下一步，进行数据选择，从最小窗口长度为200个样本的加速度时间序列中获得恒速窗口，而其余数据点被丢弃。

在变换阶段，表示游乐设施的恒速阶段的时间序列向量集合X被变换到频域。 傅里叶变换是最广泛使用的频率转换，它在数学上将时域信号与其频域表示相关联。 对于每个可变长度加速度向量 x{T}，在 Moku:Pro 上 T 表示行程数，应用L点FFT。 归一化FFT幅度谱根据下式得到：

协调 Y_T[K] 是加速度信号的离散傅里叶变换 X_T[n]的 。 频谱 S_T 包含 L_T 频率仓，其中 L_T 描述旅行的长度 T。 为了提取压缩的频域特征，每个频谱的维数被减少到均衡数量的箱中 N 与箱宽度 w_T = 升_T/N。 新的幅度谱是通过对箱进行平均来计算的。

协调 N 选择为 40。最后，由于实数 FFT 频谱是镜像的，因此每个频谱的前半部分包含 N / 2 特征被选择。 因此，输入深度编码器的特征总数为 总氮/2 .

2.2. 深度自动编码器

我们使用的是五层深度自动编码器（见图 1），包括输入层、输出层、编码器层、解码器层和表示层，这是一种与 (Jiang et al., 2018)、(Vincent et al., 2008) 中不同的方法。 在我们的方法中，我们首先分析数据以找到所有楼层模式，然后将向上和向下方向的分段原始传感器数据窗口分别提供给 FFT 特征提取算法。 提取的 FFT 特征被馈送到深度自动编码器模型以提取新的深度特征。 最后，我们基于从 FFT 特征中提取的新深度特征，应用随机森林作为故障检测的分类器。

编码器转换输入 x 损坏的输入数据 x' 使用隐藏表示 H 通过非线性映射。

协调${\displaystyle f(\cdot )}$  是一个非线性激活函数，如 sigmoid 函数，  ${\displaystyle W_1\in R^{k*m}}$ 权重矩阵和 ${\displaystyle b\in R^k}$ 是编码时要优化的偏置向量 k 隐藏层中的节点（Vincent et al., 2008）。 然后，带参数 ${\displaystyle W_2\in R^{k*m}}$ 和 ${\displaystyle c\in R_m}$，解码器使用非线性变换来映射隐藏表示 H 到重建的向量 ${\displaystyle x^{"}}$ 在输出层。 

协调 ${\displaystyle g(\cdot <!--\cdot -->)}$  又是非线性函数（S形函数）。 本研究中，权重矩阵为 ${\displaystyle W_2=W_1^T}$，它与体重相关以获得更好的学习表现。

2.3 随机森林

随机森林的最终分类精度是通过平均计算的，即与所有生成的树相关的分配类别的概率的算术平均值。 使用所有决策树未知的测试数据通过投票方法进行评估。 具体地，让传感器数据值在决策树到达的叶节点中具有训练样本，其中，当前到达的决策树叶节点中训练样本的数量为L_e。 最终的预测结果由（Huynh et al., 2016）给出：

所有通过投票方法提供最终决策的分类树由以下公式给出：

        其中组合模型为 ，训练子集的数量取决于决策树模型为 ，而 P 类的输出或标签为 ，组合策略定义为： 

其中决策树的输出为，P 类的类标签为 

3。 结果和讨论

在本研究中，我们首先从数据中筛选出2-5层、3-8层等所有楼层格局，其中部分楼层格局如表1所示。 

下一步包括根据维护数据提供的时间段从所有楼层模式中选择故障游乐设施。 还选择了同等数量的健康骑行。 本研究仅选择加速度数据的垂直分量，因为它是信息最丰富的方面，与其他分量相比，由振动水平的显着变化组成。 健康和故障的游乐设施分别输入算法进行 FFT 特征提取。

3.1 向上运动

我们分别分析了向上和向下的运动，因为牵引式电梯通常在每个方向上产生轻微不同程度的振动。 首先，我们根据维护数据提供的时间段（包括所有楼层模式）选择了故障游乐设施，这些数据被输入到 FFT 特征提取算法中，如图 2 所示。 

然后，我们为健康数据选择了相同数量的骑行，类似于图 2。下一步是分别用类标签 0 和 1 来标记健康和故障的 FFT 特征。 带有类标签的健康和故障 FFT 特征将被输入深度自动编码器模型，生成的深度特征如图 3 所示。在深度自动编码器术语中，这些特征称为深度特征或潜在特征，它们显示了数据的隐藏表示。 

提取的深层特征被输入到随机森林算法中进行分类，结果提供了 100% 的故障检测准确率，如表 2 所示。我们比较了这两个特征在避免误报方面的准确度，发现生成了新的深层特征在这项研究中优于现有的功能。 我们使用剩余的健康游乐设施来提取 FFT 特征来分析误报数量。 这些健康的 FFT 特征被标记为 0 类，并馈送到深度自动编码器以从 FFT 特征中提取新的深度特征。 然后使用预先训练的深度自动编码器随机森林模型对这些新的深度特征进行分类，以测试模型在误报方面的有效性。 

表2列出了电梯向上运动的故障检测准确度结果。 我们还将避免误报的准确性作为本研究的评估参数。 结果表明，新的深度特征在故障检测和避免数据误报方面提供了更高的准确性，这有助于检测电梯预测性维护策略的误报。 这对于减少维护人员不必要地前往安装现场非常有帮助。 

3.2 向下运动

对于向下运动，我们重复了与向上运动情况相同的分析过程。 表 3 展示了深度自动编码器随机森林模型在向下方向的故障检测结果。 结果与向上的方向类似，但我们可以看到故障检测的准确性以及在使用新的深层特征分析误报数量时发生了显着变化。

4. 结论和未来工作

这项研究的重点是使用一种新颖的故障检测技术对电梯系统进行健康监测。 本研究的目标是开发基于 FFT 的特征的通用模型以及用于电梯系统健康状态监控中的故障检测的自动特征提取。 我们在这项研究中的方法提供了 100% 的故障检测准确率，并且在使用新提取的深度特征分析所有楼层组合的误报的情况下也是如此。 结果支持了本研究的目标，即开发可用于其他机器系统中的故障检测的通用模型。 我们的模型优于其他模型，因为与从相同原始传感器数据集计算出的现有特征相比，从数据集中提取了新的深层特征。 自动特征提取方法不需要任何先验领域知识。 它还提供降维功能，并且对于过度拟合特性具有鲁棒性。 

在未来的工作中，我们将把我们的方法扩展到更多电梯和其他现实世界的大数据案例，以验证其在其他应用中的潜力并提高其功效。

案例

[1]贝尔曼，R.（1966）。 动态规划。 科学，153（3731），34-37。 

[2]德萨（2014）。 世界城市化前景，2011 年修订版。 联合国秘书处经济和社会事务部人口司。

[3] Fogelman-Soulie, F.、Robert, Y. 和 Tchuente, M. (1987)。 计算机科学中的自动机网络：理论与应用。 曼彻斯特大学出版社和普林斯顿大学出版社。

[4] Goyal, D. 和 Pabla, BS (2016)。 工程计算方法档案，卷。 23、585-594。

[5] Huynh, T., 高, Y., 康, J., 王, L., 张, P., 连, J., 和沉, D. (2016)。 使用结构化随机森林和自动上下文模型从 MRI 数据估计 ct 图像。 IEEE 医学成像汇刊，35(1), 174。

[6] 贾芳、雷宇、林静、周X、陆娜（2016）。 深度神经网络：海量数据旋转机械故障特征挖掘和智能诊断的有前景的工具。 机械系统和信号处理，72，303–315。

[7] 江国、谢平、何华、严静 (2018)。 使用具有时间信息的去噪自动编码器进行风力涡轮机故障检测。 IEEE/ASME 机电一体化汇刊，23(1)，第 89–100 页。

[8] Martinez-Rego, D.、Fontenla-Romero, O. 和 Alonso-Betanzos, A. (2011)。 通过一类支持向量机振动信号分析进行风力发电机故障检测。 神经网络 (IJCNN)，2011 年国际联合会议，第 511-518 页。 IEEE。

[9] Mishra, KM、Saxen, JE、Björkqvist, J. 和 Huhtala, K. (2019)。 使用轮廓提取和深度自动编码器特征提取进行电梯系统故障检测。 第 33 届年度欧洲仿真和建模会议 (ESM) 会议记录，79-83。

[10] 孙文，邵顺，赵瑞，严瑞，张晓，陈晓（2016）。 用于感应电机故障分类的基于稀疏自动编码器的深度神经网络方法。 测量，89, 171–178。

[11] Vincent, P.、Larochelle, H.、Bengio, Y. 和 Manzagol, P.-A. (2008)。 使用去噪自动编码器提取和组合鲁棒特征。 第 25 届国际机器学习会议论文集，1096-1103。 ACM。

[12] Xia, M.、Li, T.、Xu, L.、Liu, L. 和 de Silva, CW (2018)。 使用多个传感器和卷积神经网络进行旋转机械故障诊断。 IEEE/ASME 机电一体化汇刊，23(1), 101–110。

[13]杨ZX和张PB（2016）。 Elm 遇见 rae-elm：用于旋转机械多重故障诊断和剩余使用寿命预测的混合智能模型。 神经网络 (IJCNN)，2016 年国际联合会议，2321–2328。 IEEE。