面向电梯本体安全的多源传感数据GNG网络融合建模方法_张福生.pdf

16China Elevator Vol.33，No.24 Dec.15，2022研究设计Research&Design 张福生1，葛 阳1，沈长青2，丁建新3，冯 云4/ZHANG Fusheng,GE Yang,SHEN Changqing,DING Jianxin,FENG Yun1.常熟理工学院(江苏省高校电梯智能安全重点建设实验室)，江苏常熟 215500；2.苏州大学轨道交通学院，江苏苏州 215006；3.东南电梯股份有限公司，江苏苏州 215000；4.中国特种设备检验研究院电梯部，北京 100029面向电梯本体安全的多源传感数据 GNG 网络融合建模方法GNG Network Fusion Modeling Method of Multi-source Sensor Data for Elevator Ontological Security中国的电梯年产量、总保有量均位于世界第 1 位，预计 2023 年中国电梯保有量将突破 1 000 万台，约占全球电梯总保有量的 50%，研究如何感知和研判电梯运行态势的安全性尤为重要1。现有研究多采用基于电梯物联网的传感器技术，对电梯的曳引机、制动器、轿厢等机电部件运行状态和工况进行实时监测，以期早期发现或预警电梯故障。但受各传感器测量范围、精度等因素不确定限制，以及不同类型传感器采集的多源多类传感数据存在噪声、异构及失序等问题，导致传统的后台监测系统失效或误报警。针对上述问题，创建基于多源传感数据的数据融合处理模型，可即时感知系统运行态势，做到“无病预防、有病早治”的治“未病”感知模式。在本文中，笔者提出构建一套基于多约束、强耦合和非线性的动态数据处理及生长神经气(growing neural gas，简称 GNG)融合建模方法，动态生成电梯安全运行态势的感知模式，为电梯的安全运行、健康诊断及研判评估提供基础模型和方法。1 关于安全监测的传感数据分析和应用的国内外研究现状针对安全监测的传感数据分析和应用，国内外学者和业界均已做了大量的工作。Zhang W.G.等2着重研究了数据处理的信息源相关原理、多元表达、语义构建等理论与方法。Zhang C.K.等3则提出了通过云模型和 D-S 证据理论相结合，从而对复杂机械设备故障的模糊、不确定信息进行诊断识别的多源信息融合处理方法。Xu W.H.等4则构建了一种通过综合考量系统内外部置信度来估计多源信息系统中每个信息源可靠性的三角模糊粒子融合方法，从而有利于对海量数据中的有用多源信息进行融合。Saadi I.等5针对描述变量和采样率不同而导致的数据离散问题，提出了一种隐马尔可夫链与迭代比例拟合相结合的分层多源信息融合算法，该方法不仅可获得较好的边际分布与多变量联合分布，并且可实现对海量数据的灵活融合，可解决信息之间的异质性问题，实现对多个信息源的智能合并。Xu W.H.等6针对信息的不确定性与模糊性，提出了基于信息熵的模糊多源 摘要 电梯运行工况关乎到人们的生命财产安全，监测和研判其本体的安全运行态势十分重要。基于多源传感器监测技术，提出构建一套基于多约束、强耦合和非线性的动态数据处理及生长神经气(GNG)网络融合建模方法，动态生成电梯运行的安全态势感知系统，为电梯的安全运行、健康诊断及评估奠定基础。关键词 电梯；传感数据；GNG 网络；融合建模 中图分类号 TU857 文献标识码 B 文章编号 1001-7151(2022)24-0016-04基金项目：江苏省高等学校自然科学研究重大项目(20KJA460011)17中国电梯 第 33 卷，第 24 期 2022 年 12 月 15 日不完备系统信息融合方法。Li M.M.等7则针对海量数据集及其中的关键数据缺失等所导致的不完备多源信息系统特性，研究了不完备系统中的多源信息融合方法，并且通过借助信息熵来度量这种不完备性。Dabrowski J.J.等8则基于朴素贝叶斯变换的线性动态系统方法，构建了一种将多序列数据融合到单一模型的方法，这种方法不仅可以处理数据缺失，同时也可以解决数据的不同步性。集成处理多传感器信息的融合方法包括加权平均、贝叶斯估算、改进卡尔曼滤波、模糊推理以及补偿人工神经网络等组合方法9-10，关于集成处理多传感器信息的融合方法的相关融合成果还有待学界深入探索研究。上述理论和方法多基于结构化的数据融合算法建模，其在噪声、非结构化和失序数据的融合方面还需进一步研究。2 多源传感数据融合架构设计需将基于电梯视角获得的曳引机、轿厢等时空运动距离、速度、温升、电流等感知数据以及乘梯者异常应激行为等离散数据处理为可查询和具有逻辑关联的数据类型，还要进行优选、降维、去噪和分类等处理。另外，各传感器采集运行信息时会产生大量噪声数据，甚至是不确定数据。针对这些数据的处理，笔者提出一套基于 GNG 网络的多维融合模型架构和方法。多源传感数据融合模型框图如图 1 所示。该融合模型主要包括 1 个中心和 4 个层次。其中：1 个中心是指资源管理及调控中心，用于管理各传感数据资源，调控各层级的数据处理过程和行为。4 个层次为：(1)数据的预处理层按数据类型将获取的多源传感数据分为数值类、图片类、特征类和决策类，并输出给上一层(一级融合层)。(2)一级融合层将各类型数据进一步处理为信号级、像素级、特征提取和符号级数据，再输出给上一层(二级融合层)。(3)二级融合层将分别融合为基于语义标记的数据层、特征层和决策层数据，并且基于融合效率和大吞吐量的设计使该层的数据层可为特征层服务，进而形成融合决策。该层融合成果送上一层的知识库存储。(4)基于知识库更新的融合评价和仲裁层，也是该融合架构的创新点，协同资源管理及调控中心和元数据对融合架构的融合绩效进行评判和自更新。3 GNG 网络的数据融合建模方法为支持多源传感数据的融合11，最基础的工程是构建一个神经网络和基础融合算法，将各类传感数据按权重、时序类似气体扩散原理置入该神经网络各节点，建立基于 GNG 网络的动态融合系统，再分级分层实现数据的融合分析。3.1 GNG 网络的建模定义(1)神经元。GNG 网络 A 具有 N 个神经元，记为：A=c1,c2,cN(N 为大于 2 的自然数)。(2)位置向量。n 维网络空间记为 Rn(n 为大于 1 的自然数)，每个神经元 ci均含有相关的特征向量 wci，其在 Rn中的节点位置记为 wci Rn。(3)邻接矩阵。GNG 网络 A 的神经元之间的邻接矩阵记为 C AA。(4)神经元集。Nc为与神经元 c 直接相连接神经元的集合，记为 Nc=i A|(c,i)C，第 i 个神经元节点记为 Ji(i=1，2，m，m 为大于 1 的自然数)。(5)概率密度。在 Rn中输入信号 产生的连续概率密度函数，记为 p(),Rn。(6)训练集。有限训练集记为 T=1,2,M,i Rn，M 为大于 1 的自然数。(7)获胜神经元。对每个输入信号，GNG 网络 A中的获胜的神经元记为 s()=argminc A|-wci|。其中|为欧氏向量范数。注意到每个神经元获胜的机会应该是均等的，用 si表示距离输入信号 第 i 近的神经元，记 Esi为神经元 i 的累计误差，Esi为神经元 i的累计误差的偏移量。图 1 多源传感数据融合模型框图电梯安全态势预警及预测、优化和后续服务 预处理层 一级融合层 二级融合层 评价仲裁层 知识库（谱）数据 标记 语义 多源传感数据 数值类 图片类 特征类 决策类 信号级 特征提取 像素级 符号级 数据层 决策层 特征层 检 测 识别 资源管理及调控中心18China Elevator Vol.33，No.24 Dec.15，2022研究设计Research&Design3.2 GNG 网络生成算法设计3.2.1 生成 GNG 网络的步骤采用如下步骤生成 GNG 网络：(1)初始化 GNG 网络 A，先由最初的 2 个神经元以概率 p()初始化位置，邻接矩阵 C=0。(2)在输入空间，以概率 p()随机生成一个输入信号。(3)计算获胜神经元 s1和 s2(s1 A,s2 A)。(4)如果 s1和 s2之间没有连接，则创建连接边C=C (s1,s2)，设置该边的寿命 G(s1,s2)=0。(5)调整获胜神经元 s1的累计误差 Esi|-ws1|2。(6)调整获胜神经元 s1以及与之连接神经元的位置向量。(7)调整获胜神经元 s1连接边的权值 B(i,j)=B(si,i)+1。(8)如果 G(i,j)Gmax(最大平均寿命)，删除边(i,j),同时删除没有连接边的神经元。(9)如果输入空间次数是 GNG 网络节点个数 的整数倍，且神经元节点数小于节点最大数，则插入新的神经元。(10)如果满足停止条件，即终止网络生长，否则转到步骤(2)，再循环。3.2.2 基于 GNG 网络原子网格的数据聚类设计基于预处理的数据分类，采用典型的多层前馈式神经网络，进一步对数据进行 Gabor 变换，如图 2 所示。其中：X 为输入，包括预处理分离出的数据类、图片类、特征类和决策类数据集，记为 gi(i=1，2，k),池化层分别记为 i，i(i=1，2，k)；权重记为wpq(p=1，2，k；q=1，2，m)；最后的分类输出记为 yi，输出集为 Y=y1，y2，ym。4 模拟数据处理示例现以电梯曳引机存在早期故障的轴承振动为例，因振动传感器所采集曳引机工作过程的信号是伴有正常和故障的混合信号，现有研究对于分离曳引机轴承故障信号和正常工况信号的方法主要有两类：一类是时域法，另一类是频域法。对于曳引机工况的振动信号采用时域分析法，从时间序列几乎无法分离混叠的故障信号(fault)和正常信号(normal)；若故障信号与正常信号频率接近时，因二者频率频谱几乎一样，频域法无法分离出故障信号特征。而采取基于 t 分布随机临近算法(t-SNE)的 GNG 网络聚类法，可将多维空间数据降维映射到二维平面，并可智能记忆和标记正常信号，一旦出现故障信号便可基于 GNG 网络架构和原子网格聚类赋权模式，实现混叠信号的分离和识别。例如图 3a)所示的混叠信号可分离为图 3b)所示的正常信号和故障信号，并可准确标注和记忆，自动生成知识记忆图谱。图 2 GNG 网络原子网格数据聚类示意图g1 g2 X k wKm(1)2 1 w21(1)w11(1)o1 o2 wkm(2)gk ok y1 y2 ym w11(2)w21(2)t-SNE Xt-SNE Xt-SNE Yt-SNE Y正常信号故障信号正常信号故障信号a)b)图 3 基于 GNG 网络故障信息聚类数据的二维映射分布 19中国电梯 第 33 卷，第 24 期 2022 年 12 月 15 日此外，可以基于 GNG 网络架构对采集的仅 z 轴方向的振动信号的加速度进行原子网格聚类。由图 4a)所示的原始波形，可分析获得分量 1 的z轴方向垂直振动信号 如图4b)所示，分量2的本振信号 如图4c)所示和分量 3 的噪声信号见图 4d)。5 结语充分利用物联网、传感器和人工智能技术12，从电梯零部件本体机理层面剖析电梯集成体系的运行环境、服役工况以及寿命衰退态势，研究建立基于电梯本体监测的运行安全态势感知模型体系，搭建电梯大数据平台，智能存储、分析和研判电梯运行工况数据，可为电梯后市场的按需维保提供数据支持，探索电梯困人故障由事后救援变革为事前研判、按需维保，尽可能避免电梯事故，为营造良好、安全的乘梯体验保驾护航。参考文献1 杨清文.关于电梯安全管理存在的问题的探讨 J.中国电梯,2022,33(10):21-23,26.2 ZhangWG,ChenTL,LiGR,etal.FusingcrossmediafortopicdetectionbydensekeywordgroupsJ.Neurocomputing,2015,169:169-179.3 ZhangCK,ZhengHC,LaiJH.Dual-codebooklearningandhierarchicaltran