改进LSTM-AE算法的电梯知识库故障征兆预测_孙庆港.pdf

2023，59（7）电梯是与乘客生命安全紧密关联的特种设备，从电梯日常运行数据中发现故障隐患具有重要意义。笔者团队前期开发电梯物联网平台，实现了电梯运行状态的数字化。为了实现电梯故障预测，通过分析电梯运行参数的特点，建立面向电梯预测性维护的运维知识库体系架构，如图1所示。电梯运维知识库的作用是根据故障征兆匹配故障现象表获取故障现象，进一步利用规则表确定故障原因和处理措施1，其核心在于获取准确的故障征兆。针对图1所示系统，传统知识库多基于瞬时数据，以征兆触发的方式进行故障诊断；对于时序数据，传统知识库则无法有效分析来获取征兆以实现故障预测。因此，本文设计基于时序数据分析的智能征兆预测子系统，将预测的结果作为征兆输入到图1所示系统中，实改进LSTM-AE算法的电梯知识库故障征兆预测孙庆港，王呈江南大学 物联网工程学院，江苏 无锡 214122摘要：针对运维知识库系统中故障征兆预测问题，提出面向电梯设备的改进LSTM-AE算法。使用属性子集选择（ACDR）方法筛选特征向量组，剔除电梯运行参数中的冗余特征。同时，针对运行速度特征序列的非平稳性问题，使用变分模态分解（VMD）算法作降噪平稳化处理。在LSTM-AE模型中引入融合BILSTM的滑动窗口注意力机制，提高模型的时序特征提取能力，并通过softmax分类器融合各特征序列的重构误差实现电梯故障征兆预测。实验结果表明，相较经典LSTM-AE算法，提出的改进LSTM-AE算法正常样本判准率提高13%，异常样本误判率降低11%，能够对常见电梯故障进行准确预测，适于构建可靠的电梯运维知识库故障征兆预测模型。关键词：故障征兆预测；特征冗余；变分模态分解；降噪平稳化；时序特征提取文献标志码：A中图分类号：TP391doi：10.3778/j.issn.1002-8331.2111-0134Prediction of Fault Symptoms in ElevatorKnowledge Base Based on Improved LSTM-AEAlgorithmSUN Qinggang,WANG ChengInternet of Things Engineering Institute,Jiangnan University,Wuxi,Jiangsu 214122,ChinaAbstract：To solve the problem of fault symptom prediction in the operation and maintenance knowledge base system,animproved LSTM-AE algorithm for elevator equipment is proposed.Firstly,in view of redundancy problem in the elevatoroperating parameter sequence,the attribute correlation density ranking（ACDR）method is used to filter the feature vectorgroup.Moreover,aiming at the non-stationary problem of the running speed characteristic sequence,variational modedecomposition（VMD）algorithm is used for noise reduction and smoothing.Finally,a sliding window attention mecha-nism fused with BILSTM is introduced into the LSTM-AE model to improve the ability of time-series feature extraction,and softmax classifier is used to fuse the reconstruction error of each feature sequence to realize prediction of the elevatorfault symptom.The experimental results show that compared with traditional LSTM-AE algorithm,the proposedimproved LSTM-AE algorithm has a 13%increase in the normal sample accuracy rate and a 11%reduction in the abnormalsample error rate.It can predict common elevator faults more precisely,and be suitable for constructing a reliable faultsymptom prediction model of elevator operation and maintenance knowledge base.Key words：fault symptom prediction;feature redundancy;variational mode decomposition;noise reduction and smoothing;time-series feature extraction基金项目：近地面探测技术重点实验室预研基金（6142414180104）；轨道交通运行控制系统国家工程技术研究中心开放课题（NERC2019K001）。作者简介：孙庆港（1997），男，硕士研究生，研究领域为基于深度学习的设备故障诊断和健康预测；王呈（1983），通信作者，男，博士，副教授，研究领域为工业感知与检测技术、基于大数据的建模与分析、图像处理，E-mail：。收稿日期：2021-11-08修回日期：2022-01-24文章编号：1002-8331（2023）07-0311-08Computer Engineering and Applications计算机工程与应用311Computer Engineering and Applications计算机工程与应用2023，59（7）现电梯的预测性维护。长短期记忆网络（long short-term memory，LSTM）因具备记忆单元在时序数据的信息挖掘方面应用广泛1。自编码器（autoencoder，AE）由于其独特的编码和解码结构能有效地进行非线性数据的特征提取2。文献3提出的LSTM自编码器（LSTM-AE）模型将多层LSTM网络分别作为AE的编码和解码结构，提高了模型非线性时序特征的提取能力。LSTM-AE算法凭借其强大的特征提取能力，被广泛应用于时序数据的分析处理中4。文献5在机械系统的寿命预测中，基于LSTM-AE算法重构机械系统的运行曲线以提取其时序特征，并引入双向LSTM（BILSTM）改进编码结构，提高了寿命预测的准确率。文献6在出行需求预测问题的研究中，使用LSTM-AE算法来捕获出行人口流入量和流出量的时间依赖特征，并结合注意力机制选择与人流量相关性更大的编码隐含信息，在改善解码器输入质量的基础上提高了出行需求的预测精度。现有深度学习算法对数据集有较高要求。当特征向量组存在冗余特征时，算法的精度和实时性将大打折扣。实际运维场景下，电梯原始参数集合是包含电压、电流、频率、加速度和运行速度的多变量时间序列，变量间的相关性导致集合中存在冗余信息，给后续时间序列分析带来困难。文献7提出基于互信息和类可分离性的属性选择算法，根据类可分离性计算属性间的冗余度，通过冗余度排序完成属性选择。然而该算法对互信息中相关性的计算依赖于各变量概率密度函数，存在时间复杂度高的局限性。文献8提出一种增量互相关过滤式属性选择算法，通过对两组时间序列的偏差进行滑动点积运算得到属性间冗余度，并设定冗余度阈值过滤噪声属性和冗余属性，完成前向式属性筛选，但是最佳阈值的确定依赖于工程经验。文献9提出基于属性相关性密度排序的属性子集选择方法（attribute subsetselection based on attribute correlation density ranking，ACDR），通过对比参数集合中各属性区分度与代表度的乘积量级，直接选中最具代表性的属性子集，避免了上述两种方法存在的高时间复杂度和高度依赖工程经验的问题，具有快速、高可用特点。电梯运行过程中，电流和电压变化相对平稳，而电梯乘客的大幅度动作会导致电梯运行速度曲线中包含部分噪声信息，从而影响模型的预测效果，因此需要对电梯运行速度序列进行平稳化降噪处理。近年来，学者们提出许多非平稳序列降噪方法，如经验模态分解（empirical mode decomposition，EMD）10、集总经验模态分解11、互补集合经验模态分解12、局部均值分解。上述方法基于递归分解原理得到平稳化序列，未从本质上解决其模态混叠和端点效应的问题13。变分模态分解（variational modal decomposition，VMD）方法通过引入变分约束来克服了上述方法存在的模态混叠和端点效应问题14，在非平稳序列的降噪上取得较好的效果。然而VMD的部分参数需要通过人为预设，存在最优参数的选择问题15。文献16在轴承振动信号的降噪问题中，引入鲸鱼优化算法（whale optimization algorithm，WOA）自动选取最优的模态分解个数和二次罚因子，解决了VMD最优参数的选择问题。为解决电梯故障征兆预测中存在的特征冗余、多噪声问题，本文通过ACDR方法筛选电梯运行参数的特征集合，剔除冗余的特征信息，并结合WOA-VMD方法实现运行速度的降噪平稳化处理。在LSTM-AE模型基础上引入融合BILSTM的滑动窗口注意力机制，提高了模型在时序数据上的特征提取效果。将预测结果作为征兆输入到电梯运维知识库系统中，实现电梯的预测性维护。1面向电梯征兆预测的改进LSTM-AE算法本文通过 ACDR 算法和优化的 VMD 算法分别对电梯运行参数进行特征选择和降噪处理，并在文献3提出的经典LSTM-AE模型基础上，改进了模型编码网络和解码器的输入结构，提出了VMD-BILSTM-AEAM算法，其结构如图2所示。首先，通过ACDR算法去除原始参数集合中的冗余参数，确定用于征兆预测的特征，并基于WOA-VMD算法对运行速度时序数据进行模态分解，滤除速度序列的高频噪声信息，实现速度信号的降噪平稳化处理。随后，将处理后的特征序列输入到BILSTM-AEAM模型中进行重构，使用多个BILSTM单元对时序数据进行编码，同时在编码器和解码器中间设计了一种融合 BILSTM 的滑动窗口注意力机制，用以提升解码器的输入质量，BILSTM-AEAM模型提高了模型的时序特征提取能力。最后，通过softmax分类器融合各特征序列的重构误差，实现电梯故障征兆预测。1.1面向特征属性选择的ACDR方法针对电梯原始参数组存在的特征冗余问题，本文使用ACDR方法剔除冗余的电梯参数，筛选出用于电梯征电梯瞬时数据征兆1征兆N故障现象原因措施时序数据人工智能算法预测基于时序数据分析的智能征兆预测子系统物联网平台采集触发故障征兆表匹配故障现象表匹配故障规则表图1面向电梯预测性维护的运维知识库架构Fig.1Operation and maintenance knowledge base frameworkfor elevator predictive maintenance3122023，59（7）兆预测的特征电流、电压和运行速度。ACDR算法基于参数间的相关性系数dij9计算各参数的区分度i和代表度i，将区分度和代表度的乘积ri作为衡量指标，通过对比各参数的r