本发明属于模式分类领域，涉及一种面向智慧电梯的故障诊断方法。
背景技术：
智慧电梯是智能化城市建设进程中的重要组成部分，同时也是日常生活必不可少的一部分，所以电梯的正常运转就显得格外重要，其中负责电梯升降的曳引机和负责电梯门开关的门机是确保电梯安全有效工作的重要组成部分，因此对这两个电机的故障诊断具有十分重大的意义。与此同时，滚动轴承是电机这类旋转机械的关键部件，具有转速高、结构复杂、操作容易故障等特点。滚动轴承的缺陷和损坏直接影响整个电机的性能和寿命，因此其故障诊断具有重要的现实意义。
振动信号分析通常用于滚动轴承的故障诊断，包括时域、频域和时频分析(tfa)。时域分析包括波形分析、相关分析、峰度分析等。时域分析方法简单易懂，但是局限性也比较高。比如使用有量纲指标时，需要保证设备运行环境稳定，否则有量纲指标将变得没有价值。而无量纲参数，参数关注的是信号分布情况，受信号本身的幅值、频率影响较小，因此适应性更强，但是无量纲指标有限，不能适用于每种故障情况的诊断。频域分析包括傅里叶变换、包络解调、倒谱分析等。当前这些较为常见的频谱分析技术所需要具备的条件都应当满足信号为平稳的这一条件，因此这些较为常见的频谱分析技术都具有着较为严重的缺点，如果原始振动信号不严格遵守周期性或者平稳性，频谱分析结果就会失去了其相应的物理意义从而导致其最后的分析结果只包含有频域的信息却失去了时频方面的信息。然而在工业界当中绝大部分的机械设备振动信号都是非线性以及非平稳的，因此如果对这些非平稳的振动信号通过由傅里叶变换为核心的频域特征提取方法也就会影响到最终的结果。由于故障引起的振动，tfa可以同时再现信号的时域和频域特征，这对于非线性和非平稳信号是非常有效的，因此tfa被广泛应用于滚动轴承的故障诊断。tfa中最常用的是小波变换，而小波变换也存在着选择基函数困难等问题。与此同时，传统的机器学习领域相关的算法也逐渐无法满足对于故障诊断准确性的要求，例如svm算法不仅存在核函数求解困难以及需要大量的存储空间的问题，在准确性上也远远落后于深度学习算法。
技术实现要素：
本发明目的是：提供一种面向智慧电梯的故障诊断方法，通过对原始振动信号的降噪处理后，采用一种新的方法构建特征向量，将降噪信号进行分解，剔除冗余特征，并结合伪wigner-villedistibution(pwvd)技术构建2d等高线图，作为卷积神经网络(cnn)的输入，提高故障诊断的准确性。
本发明的技术方案是：一种面向智慧电梯的故障诊断方法，所述面向智慧电梯的故障诊断方法包括：
s1：收集电梯曳引机和门机的加速度、速度信号数据，并根据电机的运行状态对数据集进行分类，得到训练样本；
s2：对原始的振动信号数据进行信号降噪的预处理，构建信号的特征向量；
s3：使用pwvd方法构建cnn输入图像；
s4：利用cnn学习不同故障类别的输入图像，完成不同故障状态的精准识别。
其进一步的技术方案是：步骤s2中的所述对原始的振动信号数据进行信号降噪的预处理，包括：
采用小波包技术对步骤s1采集到的信号数据进行分解，取前m个能量大的小波包对原始的振动信号数据进行降噪重构，使得重构信号与原始信号之间的均方差达到最小。
其进一步的技术方案是：步骤s2中的所述构建信号的特征向量，包括：
对降噪重构后的数据做进一步预处理，设s2中得到的降噪信号为h(t)，对h(t)做以下处理：a(t)＝h(t)-[hmax(t) hmin(t)]/2，并对a(t)重复上述操作，直到将h(t)分解成一系列平稳分量ai(t)之和，利用相关系数遴选分量，重新构建输入特征向量。
其进一步的技术方案是：步骤s3中的所述使用pwvd方法构建cnn输入图像，包括：
使用pwvd方法对选取的每个分量进行处理，叠加不同分量的pwvd结果，得到振动信号的3d时频分布图，再对得到的3d时频分布图进行投影操作，得到2d等高线时频图，将2d等高线时频图作为cnn的输入图像。
其进一步的技术方案是：步骤s4中的所述利用cnn学习不同故障类别的输入图像，完成不同故障状态的精准识别，包括：
将2d等高线时频图作为输入样本输入到cnn中，利用cnn学习不同故障类别的时频分布图，完成不同故障状态的精准识别。
其进一步的技术方案是：所述cnn的结构为：采用3层卷积层、3层池化层、全连接层以及分类层组成的多层特征提取网络结构；
卷积层与池化层交替排列，并通过批量缩放和平移对卷积层的输出批量归一化，再传递至激活层进行非线性处理，最后加入softmax层对故障类别分类，完成特征域到故障类别域的映射。
本发明的优点是：
1.结合图像处理领域的卷积神经网络，降低了网络的复杂度，减少了过拟合的风险，并且对振动信号进行降噪预处理，通过pwvd方法构建cnn输入图像，区别于将原始信号数据直接输入神经网络的方法导致准确率波动较大且训练模型需要更多时间的问题，通过预处理机制不仅可以加强cnn学习复杂特征的能力与速度，提高模型分类准确率，增强鲁棒性，而且减少了训练用时，有利于实时监控分析智慧电梯的系统健康状况；
2.通过小波包分解技术对采集到的电机轴承原始的一维振动信号数据进行降噪处理，对降噪信号做分解处理并根据相关系数遴选分量，重新构建输入特征向量，对选取的每个分量进行pwvd处理，得到振动信号的2d时频分布图，将2d时频分布图作为cnn的输入，进行故障诊断分类，通过cnn对二维时频特征自学习，预处理机制可以加强cnn学习复杂特征的能力与速度，避免了传统方法中特征选择的不确定性，利用cnn减少了诊断过程的复杂性，同时提高了准确性，将模型分类准确率从97.4％提升至99.8％。
附图说明
下面结合附图及实施例对本发明作进一步描述：
图1是本申请提供的面向智慧电梯的故障诊断方法的流程图；
图2是本申请提供的对所选取的特征向量进行pwvd处理后得到的3d时频分布图；
图3是本申请提供的对pwvd处理后的3d时频分布图做投影操作后的2d等高线时频图。
具体实施方式
实施例：深度学习自提出以来，不仅在语音、图像等方面飞速发展，也被广泛应用于故障诊断领域。卷积神经网络(cnn)相较于其他深度学习算法降低了网络的复杂度，减少了过拟合的风险，因此将其应用在机械故障诊断领域。本申请提出将原始振动信号经过数据预处理后得到2d时频分布图，通过cnn对二维时频特征自学习，避免了传统方法中特征选择的不确定性，利用cnn减少了诊断过程的复杂性，同时提高了准确性。
结合参考图1至图3，本申请提供的面向智慧电梯的故障诊断方法包括以下步骤。
s1：收集电梯曳引机和门机的加速度、速度信号数据，并根据电机的运行状态对数据集进行分类，得到训练样本。
示例性的，在实际应用中，可以将原始信号分为正常(nomalcondition,nc)、滚动体故障(ballfault,bf)、内圈故障(innerracefault,if)、外圈故障(outerracefault,of)四种状态，根据这四种状态进行分类，作为原始数据集，即原始的振动信号。
s2：对原始的振动信号数据进行信号降噪的预处理，构建信号的特征向量。
步骤s2中的对原始的振动信号数据进行信号降噪的预处理，包括：采用小波包技术对步骤s1采集到的信号数据进行分解，取前m个能量大的小波包对原始的振动信号数据进行降噪重构，使得重构信号与原始信号之间的均方差达到最小，即
步骤s2中的构建信号的特征向量，包括：对降噪重构后的数据做进一步预处理，设s2中得到的降噪信号(重构信号)为h(t)，对h(t)做以下处理：a(t)＝h(t)-[hmax(t) hmin(t)]/2，并对a(t)重复上述操作，直到将h(t)分解成一系列平稳分量ai(t)(i＝1,2,3...)之和，利用相关系数遴选分量，重新构建输入特征向量，去除数据集中的冗余特征。
示例性的，将相关系数超过0.3的分量认为具有相关性，剔除相关系数小于0.3的分量。
s3：使用pwvd方法构建cnn输入图像。
步骤s3具体实现为：使用pwvd方法对选取的每个分量进行处理，叠加不同分量的pwvd结果，得到振动信号的时频分布图。
进一步地，这里得到的是振动信号的3d时频分布图(如图2所示)，再对得到的3d时频分布图进行投影操作，得到2d等高线时频图(如图3所示)，将2d等高线时频图作为cnn的输入图像。
在时频平面上，3d时频分布图和2d等高线时频图中表示的信息是相同的，这里采用2d等高线时频图作为cnn的输入。
s4：利用cnn学习不同故障类别的输入图像，完成不同故障状态的精准识别。
步骤s4具体实现为：将时频分布图(2d等高线时频图)作为输入样本输入到cnn中，利用cnn学习不同故障类别的时频分布图，完成不同故障状态的精准识别。
示例性的，经过多次实验调整模型参数，确定出cnn的结构为：采用3层卷积层、3层池化层、全连接层以及分类层组成的多层特征提取网络结构；卷积层与池化层交替排列，并通过批量缩放和平移对卷积层的输出批量归一化，再传递至激活层进行非线性处理，最后加入softmax层对故障类别分类，完成特征域到故障类别域的映射。
其中，cnn网络主要参数为：第一层卷积核尺寸为64×64，其他2层尺寸设置为3×3，卷积核数目依次为16-32-64，3层池化层尺寸均为2×2，池化方式为最大池化，全连接层神经元数目为100，激活函数relu，优化器adam，训练迭代次数为20。
表1示出了本申请提出的面向智慧电梯的故障诊断方法的对比实验结果：
表1
综上所述，本申请提供的面向智慧电梯的故障诊断方法，结合图像处理领域的卷积神经网络，降低了网络的复杂度，减少了过拟合的风险，并且对振动信号进行降噪预处理，通过pwvd方法构建cnn输入图像，区别于将原始信号数据直接输入神经网络的方法导致准确率波动较大且训练模型需要更多时间的问题，通过预处理机制不仅可以加强cnn学习复杂特征的能力与速度，提高模型分类准确率，增强鲁棒性，而且减少了训练用时，有利于实时监控分析智慧电梯的系统健康状况；
另外，通过小波包分解技术对采集到的电机轴承原始的一维振动信号数据进行降噪处理，对降噪信号做分解处理并根据相关系数遴选分量，重新构建输入特征向量，对选取的每个分量进行pwvd处理，得到振动信号的2d时频分布图，将2d时频分布图作为cnn的输入，进行故障诊断分类，通过cnn对二维时频特征自学习，预处理机制可以加强cnn学习复杂特征的能力与速度，避免了传统方法中特征选择的不确定性，利用cnn减少了诊断过程的复杂性，同时提高了准确性，将模型分类准确率从97.4％提升至99.8％。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或隐含所指示的技术特征的数量。由此，限定的“第一”、“第二”的特征可以明示或隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或者两个以上。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器、磁盘或光盘等。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
1.一种面向智慧电梯的故障诊断方法，其特征在于，所述面向智慧电梯的故障诊断方法包括：
s1：收集电梯曳引机和门机的加速度、速度信号数据，并根据电机的运行状态对数据集进行分类，得到训练样本；
s2：对原始的振动信号数据进行信号降噪的预处理，构建信号的特征向量；
s3：使用pwvd方法构建cnn输入图像；
s4：利用cnn学习不同故障类别的输入图像，完成不同故障状态的精准识别。
2.根据权利要求1所述的面向智慧电梯的故障诊断方法，其特征在于，步骤s2中的所述对原始的振动信号数据进行信号降噪的预处理，包括：
采用小波包技术对步骤s1采集到的信号数据进行分解，取前m个能量大的小波包对原始的振动信号数据进行降噪重构，使得重构信号与原始信号之间的均方差达到最小。
3.根据权利要求2所述的面向智慧电梯的故障诊断方法，其特征在于，步骤s2中的所述构建信号的特征向量，包括：
对降噪重构后的数据做进一步预处理，设s2中得到的降噪信号为h(t)，对h(t)做以下处理：a(t)＝h(t)-[hmax(t) hmin(t)]/2，并对a(t)重复上述操作，直到将h(t)分解成一系列平稳分量ai(t)之和，利用相关系数遴选分量，重新构建输入特征向量。
4.根据权利要求3所述的面向智慧电梯的故障诊断方法，其特征在于，步骤s3中的所述使用pwvd方法构建cnn输入图像，包括：
使用pwvd方法对选取的每个分量进行处理，叠加不同分量的pwvd结果，得到振动信号的3d时频分布图，再对得到的3d时频分布图进行投影操作，得到2d等高线时频图，将2d等高线时频图作为cnn的输入图像。
5.根据权利要求4所述的面向智慧电梯的故障诊断方法，其特征在于，步骤s4中的所述利用cnn学习不同故障类别的输入图像，完成不同故障状态的精准识别，包括：
将2d等高线时频图作为输入样本输入到cnn中，利用cnn学习不同故障类别的时频分布图，完成不同故障状态的精准识别。
6.根据权利要求1至5任一所述的面向智慧电梯的故障诊断方法，其特征在于，所述cnn的结构为：采用3层卷积层、3层池化层、全连接层以及分类层组成的多层特征提取网络结构；
卷积层与池化层交替排列，并通过批量缩放和平移对卷积层的输出批量归一化，再传递至激活层进行非线性处理，最后加入softmax层对故障类别分类，完成特征域到故障类别域的映射。
技术总结