一种基于一维多尺度卷积的多传感器曳引机失磁监测方法与流程

1.本发明属于电梯故障监测技术领域，具体涉及一种基于一维多尺度卷积的多传感器曳引机失磁监测方法。


背景技术：

2.随着高层建筑的增多，电梯已成为人们起居中必不可少的一环。永磁同步曳引机具有低转速输出扭矩大、结构紧凑、所占空间小和易于安装等优点，常用于电梯的动力装置。但永磁同步曳引机在驱动力、磁场、热应力耦合影响下，易造成永磁体材料稳定性突变，出现失磁现象。
3.由于曳引机永磁体安装在转子上，在电梯日常运行维护中，进行失磁故障判别必须拆卸永磁曳引机，其安装拆卸均需要专门的工具，且工序繁复，这就为现场进行失磁检测带来极大不便。
4.目前对永磁同步曳引机失磁的检测方法较为单一，并且对于失磁检测多处在仿真阶段，缺少面向应用的检测方法。为解决这一问题，已有研究者利用卷积神经网络提取振动信号中蕴含的时频域信息空间信息并相互关联，但是处理多传感器信息融合的复杂系统问题时，面对多种不同物理性质的信号，且每一种信号存在不同的故障特征，传统的卷积网络已经不足以准确拟刻画出其中蕴含的多变量、非线性的关系，进而表现出的诊断效果也差强人意。


技术实现要素：

5.本发明的目的是解决上述技术问题，提供一种基于一维多尺度卷积的多传感器曳引机失磁监测方法。
6.为实现上述目的，本发明采用的技术方案是：
7.一种基于一维多尺度卷积的多传感器曳引机失磁监测方法，其具体步骤为：
8.s1：从已有资料中收集永磁同步曳引机失磁表现形式并筛选出失磁表现下的失磁敏感特征参数，结合电梯控制系统，确定所需多路传感器类型及传感器布置形式；
9.s2：将确定的多路传感器按布置形式设置在永磁同步曳引机上，通过多路传感器采集永磁同步曳引机典型工况下的失磁特征信号数据，构建代表性的失磁特征数据库；
10.s3：依据各失磁敏感特征物理属性及敏感表现形式，对失磁特征信号数据库中的特征信号数据进行预处理，更新失磁特征数据库；
11.s4：搭建轻量化的网络模型，引入深度可分离方法建立多传感器信息融合框架，各传感器通道搭建多尺度特征提取模块，采用堆叠整合多尺度提取特征，引入通道注意力机制以指导网络关注对失磁分类更有利的特征信息；
12.s5：依据失磁程度区间划分，确定网络的输出类型；进行网络配置及网络训练。
13.进一步地，所述失磁敏感特征参数包括永磁同步曳引机的失磁故障特征相电流、负载端温升变化率、曳引轮输出转速脉动、正常运行时曳引轮的动态输出扭矩和机身振动
参数；
14.所述所需多路传感器类型及传感器布置形式，具体为：对于采用id＝0控制的永磁同步曳引机控制系统，在永磁同步曳引机控制系统中设置转速监测传感器、设置转子位置监测传感器、在三相电源逆变器上设置电流传感器、在机壳上设置机壳温度传感器、在转轴上设置扭矩传感器和在机身上设置机身振动加速度传感器。
15.进一步地，所取典型工况为：满载启动上升、满载匀速上升、空载启动上升、空载匀速上升、满载上升制动、空载上升制动、满载启动下降、满载匀速下降、空载启动下降、空载匀速下降、满载下降制动和空载下降制动。
16.进一步地，所述失磁特征信号数据为电流传感器采样的永磁同步曳引机各典型运行工况下的相电流、机壳温度传感器采样的永磁同步曳引机各典型运行工况下的负载端温升变化、转子位置监测传感器预采样的永磁同步曳引机各典型运行工况下的曳引轮输出转速脉动、扭矩传感器预采样的永磁同步曳引机各典型运行工况下曳引轮的动态输出扭矩和惯性测振仪预采样的永磁同步曳引机各典型运行工况下的机身振动。
17.进一步地，所述对失磁特征数据库中的特征信号数据进行预处理是指按照数据物理特性和敏感表现形式分别处理，具体为：
18.对于机身振动信号数据，采用加窗函数进行处理，即将长度为l的窗口以滑动步长s在长度为n的特征信号数据上重叠采样，并进行归一化；
19.对于动态输出扭矩和转速脉动特征信号数据，将其分为启停过程信号与稳定运行脉动信号，对于启停过程信号数据，采用同除不失磁稳定运行最大转矩的处理方式；对于稳定运行脉动特征信号数据，采用同机身振动一样的处理方式，即将长度为l的窗口以滑动步长s在长度为n的特征信号数据上重叠采样，并进行归一化；
20.对于相电流特征信号数据，对稳定运行信号进行归一化处理；
21.对于负载端温升变化特征信号数据，采取同除不失磁稳定运行状态温升的处理方式。
22.进一步地，所述多尺度特征提取模块为采用涵盖大中小三个特征尺度的卷积核，对各个阶段频率的信息敏感；
23.所述采用堆叠整合多尺度提取特征，指采用堆叠方式处理提取特征，而不采用相加的方式，以大限度的保存各个多尺度模块提取的特征信息；
24.所述引入深度可分离方法建立多传感器信息融合框架，具体为：特征融合采用逐点卷积的方式，逐点卷积后采用全局池化的方式，以削减网络参数；特别的，在softmax分类前取消flatten接全连接层方式，而改用全局平局池化，来进一步减少参数量；
25.所述通道注意力机制，具体为：经多尺度模块提取特征参数后，堆叠特征分别经过一维全局平均池化和一维全局最大池化，整合全局特征信息；经调整维度后，将两池化结果分别进行无偏置项的一维卷积，捕获各通道特征间的相互关系，然后将两路卷积结果相加后经过激活函数，为各通道生成自适应权重，所得自适应权重并与堆叠层特征进行相乘，进入特征融合环节。
26.进一步地，依据失磁程度区间划分，确定网络的输出类型，具体为：将失磁程度区间划分为三个阶段，即轻度失磁、中度失磁和重度失磁阶段；依据此确定网络的输出类型为4种诊断标签：不失磁情况、轻度失磁、中度失磁和重度失磁，将处理后的特征信号数据，赋
予上述4种诊断标签，并对诊断标签采用one-hot编码形式。
27.进一步地，所述网络配置，具体为优化器选用自适应矩估计adma方法，可自适应调整每个参数学习率，配合以交叉熵作为损失函数，在模型效果较差时可加快收敛速度，使得训练数据分布贴近于真实数据分布；
28.所述网络训练，指将处理好的特征信号数据按比例划分给训练集和测试集，并分别将训练集数据和测试集数据进行随机排序，喂入网络，并在训练期间通过噪声注入，提高网络抗噪声能力；为保证训练参数维度特征一致性，各通道采用同样长度的数据进行训练，且均采用全零填充；特征信号数据长度n取值，取到与采样初始相位无关的特性，至少包括一个信号周期，在相同采样频率之下，以故障空间信号中特征最低频率为基准。
29.进一步地，考虑电梯为载人特种设备，为保证系统运行安全可靠性，采用系统外围的诊断方法，在不干扰曳引系统运行的情况下，进行信号的特征提取和曳引机失磁诊断。
30.本发明的有益效果是：
31.本发明针对永磁同步曳引机各参数间的非线性本质，利用多传感器信息融合及轻量化多尺度神经网络，以考量不同失磁敏感特征对永磁同步曳引机失磁的贡献权重。提取失磁敏感特征作为多传感器测量目标，结合实际运行选取方案并布置传感器。典型工况搭建数据库，使得样本更具代表性。本发明引入深度可分离卷积框架，对于不同的传感器消息，在融合之前可采用优化的多尺度网络进行特征的提取，充分保证网络搭建灵活性，以及网络的适应性特征提取能力。采用此框架可极大削减网络参数，以保证诊断的实时性能。搭建多尺度卷积特征提取模块扩充系统特征提取区间，兼顾细节信息与整体特征，并提高了网络鲁棒性。引入通道注意力机制，关注对失磁特征分类任务提升更显著的各通道代表特征信息。
附图说明
32.图1为本发明诊断流程整体框架示意图；
33.图2为本发明多尺度特征提取示意图；
34.图3为本发明网络整体结构示意图；
35.图4为本发明深度可分离框架示意图；
36.图5为本发明传感器布置形式图；
37.图中：s1、s2、s3为多尺度卷积核尺寸，f
in
为网络输入特征尺寸，c为通道数即传感器数，m2为卷积核逐点卷积核个数，也是逐点卷积后的特征深度，f
out
为逐点卷积后的特征尺寸，f1、f2、f3为多尺度卷积核提取的特征，a1～a
12
为网络提取的特征信息。
具体实施方式
38.下面结合附图和实施例对本发明进行详细描述。
39.如附图1所示，本实施例中的一种基于一维多尺度卷积的多传感器曳引机失磁监测方法，其具体步骤为：
40.s1：从已有资料中收集永磁同步曳引机失磁表现形式并筛选出失磁表现下的失磁敏感特征参数，结合电梯控制系统，确定所需多路传感器类型及传感器布置形式；
41.所述失磁敏感特征参数包括永磁同步曳引机的失磁故障特征相电流、负载端温升
变化率、曳引轮输出转速脉动、正常运行时曳引轮的动态输出扭矩和机身振动参数；
42.多路传感器类型的选取原则为：独立于电梯正常运行之外，并尽量利用永磁同步曳引机运行中现有的传感器，不增加额外的传感器布置。传感器布置如图5所示。所述所需多路传感器类型及传感器布置形式，具体为：对于采用id＝0控制的永磁同步曳引机控制系统，在永磁同步曳引机控制系统中设置转速监测传感器、设置转子位置监测传感器、在三相电源逆变器上设置电流传感器、在机壳上设置机壳温度传感器、在转轴上设置扭矩传感器和在机身上设置机身振动加速度传感器。
43.s2：将确定的多路传感器按布置形式设置在永磁同步曳引机上，通过多路传感器采集永磁同步曳引机典型工况下的失磁特征信号数据，构建代表性的失磁特征数据库；
44.优选地，所取典型工况为：满载启动上升、满载匀速上升、空载启动上升、空载匀速上升、满载上升制动、空载上升制动、满载启动下降、满载匀速下降、空载启动下降、空载匀速下降、满载下降制动和空载下降制动。
45.所述失磁特征信号数据为电流传感器采样的永磁同步曳引机各典型运行工况下的相电流、机壳温度传感器采样的永磁同步曳引机各典型运行工况下的负载端温升变化、转子位置监测传感器预采样的永磁同步曳引机各典型运行工况下的曳引轮输出转速脉动、扭矩传感器预采样的永磁同步曳引机各典型运行工况下曳引轮的动态输出扭矩和惯性测振仪预采样的永磁同步曳引机各典型运行工况下的机身振动信号数据。
46.用can总线实现上述信号数据的传输，保证信息的时效性和参数的准确度。各传感器信号按需经放大电路和滤波电路后传入dsp中进行统一处理，处理后的信号导入pc上位机构建失磁特征数据库，供下一步故障信息采集和进一步分析诊断选用。
47.s3：依据各失磁敏感特征物理属性及敏感表现形式，对失磁特征信号数据库中的特征信号数据进行预处理，更新失磁特征数据库；
48.所述对失磁特征数据库中的特征信号数据进行预处理是指按照数据物理特性和敏感表现形式分别处理，具体为：
49.对于机身振动信号数据，采用加窗函数进行处理，即将长度为l的窗口以滑动步长s在长度为n的特征信号数据上重叠采样，并进行归一化；
50.对于动态输出扭矩和转速脉动特征信号数据，将其分为启停过程信号与稳定运行脉动信号，对于启停过程信号数据，采用同除不失磁稳定运行最大转矩的处理方式；对于稳定运行脉动特征信号数据，采用同机身振动一样的处理方式，即将长度为l的窗口以滑动步长s在长度为n的特征信号数据上重叠采样，并进行归一化；
51.对于相电流特征信号数据，对稳定运行信号进行归一化处理；
52.对于负载端温升变化特征信号数据，采取同除不失磁稳定运行状态温升的处理方式。
53.上述归一化方式采用最大最小值方式，公式为：
[0054][0055]
式中：xi为序列信号，为归一化序列。为保证训练参数维度特征一致性，各通道采用同样长度的数据进行训练。
[0056]
特征信号数据长度n的取值，取到与采样初始相位无关的特性，至少包括一个信号
周期，各传感器采集信号截断，在相同采样频率之下，以故障空间信号中特征最低频率为基准。n值取也不宜太大，会增加计算量，会削弱诊断的实时性能。
[0057]
s4：搭建轻量化的网络模型，引入深度可分离方法建立多传感器信息融合框架，各传感器通道搭建多尺度特征提取模块，采用堆叠整合多尺度提取特征，引入通道注意力机制以指导网络关注对失磁分类更有利的特征信息，所述特征信息如图3所示的a1～a
12
，a1～a
12
为多尺度卷积所提取的特征信息；
[0058]
所述搭建轻量化的网络模型，采用一维卷积方式，如附图3所示；网络框架为深度可分离信息融合框架，深度可分离框架下的单个通道采用多尺度卷积特征提取模块，特征融合前额外引入采用注意力机制增强有利特征的指导作用。
[0059]
特别的，首次一维卷积采用大尺度卷积核，卷积核尺寸为127
×
1，步长设置为4，相当于引入低频滤波器，以加强诊断系统在噪声环境下的鲁棒性。
[0060]
特别的，网络最后一层不采用flatten接全连接网络的方式，而采用全局平局池化globalaveragepooling1d连接softmax的方式，相较于平铺所有特征的冗余方式，全局平均池化层可有效缓解过拟合，采用这种结构进可一步减少网络参数。
[0061]
所述引入深度可分离方法建立多传感器信息融合框架，如附图4所示，具体为：各通道的特征提取采用逐通道卷积的方式；特征融合采用逐点卷积的方式，具体的，采用多个1
×
1的卷积核，均采用全零填充，并采取l2正则化方式控制网络权重，以降低噪声引起的过拟合，正则化参数选择0.01。
[0062]
所述多尺度特征提取模块如附图2所示，采用涵盖大中小三个特征尺度的卷积核，对各个阶段频率的信息敏感；大尺度卷积核采用27
×
1的卷积尺寸，中尺度卷积核采用9
×
1的卷积尺寸，小尺度卷积核采用3
×
1的卷积尺寸，为使提取特征维相同，卷积步长均设置为2。
[0063]
卷积操作后采用批标准化batchnormalization操作，对当前训练批次数据作标准化操作，加快收敛速度并提高泛化能力，momentum参数设置为0.99。
[0064]
卷积激活函数选取relu函数，避免梯度消失的同时，缓解过拟合，并进一步减小计算量。relu函数的公式为：
[0065][0066]
式中：x为输入的待激活特征。
[0067]
池化方式选择最大池化，对于退磁诊断分类可以突出有利特征，可避免过拟合，并把数据进一步降维，池化步长设置为4。
[0068]
所述采用堆叠整合多尺度提取特征，指采用堆叠方式concatenate处理提取特征，而不采用相加的方式，以大限度的保存各个多尺度模块提取的特征信息，最终得到堆叠层特征为merge；
[0069]
所述通道注意力机制，具体为：经多尺度模块提取特征参数后，堆叠特征分别经过一维全局平均池化globalaveragepooling1d和一维全局最大池化globalmaxpooling1d，整合全局特征信息；
[0070]
经调整维度后，将两池化结果分别进行无偏置项的一维卷积，目的在于利用卷积
良好的跨通道信息整合能力，捕获各通道特征间的相互关系，无偏置一维卷积核尺寸由通道数按照以下公式确定：
[0071][0072]
式中：k为卷积核尺寸，log为对数函数，ch为输入卷积核的通道数，abs为求绝对值。
[0073]
然后，将两路卷积结果相加，这对于综合考虑整体特征和局部突出特征是有利的；相加结果经过sigmoid激活函数，为各通道生成自适应权重；将所得自适应权重并与堆叠层特征merge进行相乘，进入特征融合环节。
[0074]
s5：依据失磁程度区间划分，确定网络的输出类型；进行网络配置及网络训练。
[0075]
依据失磁程度区间划分，确定网络的输出类型，具体为：将失磁程度区间划分为三个阶段，即轻度失磁(失磁百分比低于30％)、中度失磁(失磁百分比高于30％、低于60％)和重度失磁(失磁百分比高60％)。依据此确定网络的输出类型为4种诊断标签：不失磁情况、轻度失磁、中度失磁和重度失磁，将处理后的特征信号数据，赋予上述4种诊断标签，并对诊断标签采用one-hot编码形式。
[0076]
所述网络配置，具体为优化器选用自适应矩估计adma方法，可自适应调整每个参数学习率，学习率参数lr设置为0.001，一阶矩估计的指数衰减率参数beta_1设置为0.9，二阶矩估计的指数衰减率参数beta_2设置为0.99，配合以交叉熵作为损失函数，在模型效果较差时可加快收敛速度，避免偏导数过小导致模型收敛变慢现象，使得训练数据分布贴近于真实数据分布。损失函数的公式为：
[0077][0078]
式中：n为分类数；yi(x)为one-hot形式的训练数据标签；为网络预测标签；loss为交叉熵损失函数。
[0079]
所述网络训练，指将处理好的特征信号数据按比例划分给训练集和测试集，即将70％的数据划分给训练集、30％的数据划分给测试集，并分别将训练集数据和测试集数据进行随机排序，喂入网络，并在训练期间通过噪声注入，提高网络抗噪声能力。优选的，取0.2比例的训练集数据构成验证集，每一批次训练后都对训练效果进行一次验证。
[0080]
按照小批次的形式进行训练对网络训练是有利的，将训练数据以32batch为一个批次进行训练。
[0081]
为保证训练参数维度特征一致性，各通道采用同样长度的数据进行训练，且均采用全零填充；特征信号数据长度n取值，取到与采样初始相位无关的特性，至少包括一个信号周期，在相同采样频率之下，以故障空间信号中特征最低频率为基准。
[0082]
进一步地，考虑电梯为载人特种设备，为保证系统运行安全可靠性，采用系统外围的诊断方法，在不干扰曳引系统运行的情况下，进行信号的特征提取和曳引机失磁诊断。
[0083]
综上，本发明构建一维多尺度可分离卷积网络，用于永磁同步曳引机失磁线上诊断。相比于传统一维卷积网络，本发明充分利用多传感器信息，省去构建识别框架，同时兼顾噪声处理和失磁诊断。取典型工况采集样本，并搭建更具代表性的失磁特征数据库。本发
明采用多尺度模块提取各传感器通道特征，对多尺度特征进行丰富挖掘，并引入通道注意力机制，为个通道自适应分配权重，提高网络自适应能力。本发明引入可分离网络框架，可以增加调整优化网络结构，兼顾网络深度和宽度，大大减少网络参数，得到准确率和实时性均较优的网络。