电梯门机异常检测和故障定位方法

doi:10.12068/j.issn.1005-3026.2024.06.001

摘要/Abstract

摘要：

提出一种电梯门机运行异常检测和故障定位方法.首先，从电梯门机的运行数据中分离出开关门曲线并将其划分为10个运行段，提取各段的数据特征.其次，提出基于箱线图的异常检测方法并利用各运行段的累积数据特征进行异常诊断；为防止数据不满足正态分布而造成的诊断误差，加入了门机特征数据的正态性检验方法，并对不满足正态分布的数据进行Box-Cox变换，使其满足正态分布.最后，提取电梯门机分段特征数据，采用极限学习机（ELM）对门刀卡阻故障、整体阻力增大故障和同步带松脱故障3种故障进行分类模型训练.经实验验证，提出的异常检测方法和故障定位方法准确度高，具有较高的应用推广价值.

关键词: 电梯, 异常检测, 箱线图, Box-Cox变换, 故障定位, 极限学习机

Abstract:

A method for anomaly detection and fault diagnosis of elevator door machine operation is proposed. Firstly， the opening and closing door curve is spearated from the operation data of the elevator door machine and divided it into 10 operating segments， and the data characteristics of each section is extracted. Secondly， an anomaly detection method based on boxplot is proposed， and the accumulated data characteristics of each running section are used for anomaly diagnosis. In order to prevent the diagnostic error caused by the data not satisfying the normal distribution， the normality test method of the feature data of the door machine is added， and the Box-Cox transformation is performed on the data that does not meet the normal distribution. Finally， the segmented feature data of the elevator door is extracted， and the extreme learning machine（ELM） is used to train the classification model for three faults： door knife jamming fault， overall resistance increase fault and synchronous belt loosening fault. Experiments have verified that the proposed anomaly detection method and fault diagnosis method have high accuracy and value of application and promotion.

Key words: elevator, anomaly detection, boxplot, Box-Cox transformation, fault diagnosis, ELM（extrame learning machine）

中图分类号:

范玉川, 范波, 陈卓, 张孝顺. 电梯门机异常检测和故障定位方法[J]. 东北大学学报（自然科学版）, 2024, 45(6): 761-768.

Yu-chuan FAN, Bo FAN, Zhuo CHEN, Xiao-shun ZHANG. A Method for Anomaly Detection and Fault Diagnosis of Elevator Door Machine[J]. Journal of Northeastern University(Natural Science), 2024, 45(6): 761-768.

图/表 13

图1 开关门脉冲信号和开关门到位脉冲信号（a）—开门信号；（b）—关门信号；（c）—开门到位信号；（d）—关门到位信号.

Fig.1 Opening/closing pulse signal and opened/closed pulse signal

图2 开关门曲线分段示意图

Fig.2 Sectional diagram of door opening and closing curve

图3 箱线图异常检测原理示意图

Fig.3 Schematic diagram of boxplot anomaly detection principle

图4 电梯门机异常检测算法流程图

Fig.4 Flow chart of elevator door machine anomaly detection algorithm

图5 基准数据集生成流程图

Fig.5 Flow chart of the benchmark dataset generation method

图6 极限学习机网络结构图

Fig.6 Network structure diagram of ELM

图7 电梯门机试验台

Fig.7 Elevator door test bench

图8 门刀卡阻试验方案

Fig.8 Test scheme of elevator door knife jamming fault

图9 整体阻力增大试验方案

Fig.9 Test scheme for overall resistance increase of elevator door knife

图10 电梯门机同步带松脱试验方案

Fig.10 Test scheme of elevator door machine synchronous belt looseness

表1 数据分类结果 (%)

Table 1 Data classification results

数据集	分类准确率
训练集	97.63
测试集	99.53

图11 测试集诊断结果

Fig.11 Test set diagnostic results

图12 隐含层神经元个数对ELM性能的影响

Fig.12 Effect of the number of hidden layer neurons on ELM performance

参考文献 16

1	刘秀华，张兴法.电梯门系统主要事故的分析与预防［J］.中国特种设备安全，2006，22（1）：13-14.
	Liu Xiu‑hua， Zhang Xing‑fa.Analysis and prevention of main accidents in elevator door system［J］.China Special Equipment Safety，2006，22（1）：13-14.
2	Coste S D， Schienda G A.Elevator car door and motion sequence monitoring apparatus and method：US4750591［P］. 1988-06-14.
3	Pekka P， Riitta P J， Seppo S A， al et，Elevator door monitoring method that uses internal control signals of the door system to determine its need for maintenance W 0，200236476-A1［P］.2002-04-10.
4	乔久鹏.电梯故障检测及诊断系统研究［D］.哈尔滨：哈尔滨工业大学，2007.
	Qiao Jiu‑peng.Research on detection and diagnosis system for elevators fault［D］.Harbin：Harbin Institute of Technology，2007.
5	冷子文，卜永刚，朱文杰.神经网络在电梯故障诊断中的应用［J］.中国电梯，2019，30（19）：70-72.
	Leng Zi‑wen， Bu Yong‑gang， Zhu Wen‑jie.Application of the neural network to elevator fault diagnosis［J］.China Elevator，2019，30（19）：70-72.
6	宗群，陈东航，牙淑红.基于故障树分析法的电梯远程监控系统故障诊断［J］.制造业自动化，2003，25（11）：45-48.
	Zong Qun， Chen Dong‑hang， Shu‑hong Ya.Fault diagnosis of remote elevator monitor system based on fault tree analytical method［J］.Manufacturing Automation，2003，25（11）：45-48.
7	郑淑娟.电梯门系统状态监控和实验研究［D］.上海：上海交通大学，2009.
	Zheng Shu‑juan.State monitor and experimental research of elevator door system［D］.Shanghai：Shanghai Jiao Tong University，2009.
8	Luo M， Li C S， Zhang X Y，et al.Compound feature selection and parameter optimization of ELM for fault diagnosis of rolling element bearings［J］.ISA Transactions，2016，65：556-566.
9	Isham M F， Leong M S， Lim M H，et al.Intelligent wind turbine gearbox diagnosis using VMDEA and ELM［J］.Wind Energy，2019，22（6）：813-833.
10	Mirzargar M， Whitaker R T， Kirby R M.Curve boxplot：generalization of boxplot for ensembles of curves［J］.IEEE Transactions on Visualization and Computer Graphics，2014，20（12）：2654-2663.
11	Fiorentini G， Sentana E， Calzolari G.On the validity of the Jarque‑Bera normality test in conditionally heteroskedastic dynamic regression models［J］.Economics Letters，2004，83（3）：307-312.
12	田亚茹.基于Box-Cox变换结合多种算法的风电机组数据预处理与故障预警的研究［D］.保定：河北大学，2022.
	Tian Ya‑ru.Research on data preprocessing and fault warning of wind turbine based on Box-Cox transform and multiple algorithms［D］.Baoding：Hebei University，2022.
13	Osborne J W.Improving your data transformations：applying the Box-Cox transformation［J］.Practical Assessment，Research and Evaluation，2010，15（12）：1-9.
14	Huang G B， Zhu Q Y， Siew C K.Extreme learning machine：theory and applications［J］.Neurocomputing，2006，70（1/2/3）：489-501.
15	Huang G B， Wang D H， Lan Y.Extreme learning machines：a survey［J］.International Journal of Machine Learning and Cybernetics，2011，2（2）：107-122.
16	Huang G B， Zhou H M， Ding X J，et al.Extreme learning machine for regression and multiclass classification［J］.IEEE Transactions on Systems，Man，and Cybernetics Part B，Cybernetics：a Publication of the IEEE Systems，Man，and Cybernetics Society，2012，42（2）：513-529.

[1]	赵海，郑春阳，王进法，司帅宗. 面向蓄意攻击的网络异常检测方法[J]. 东北大学学报:自然科学版, 2020, 41(10): 1376-1381.
[2]	徐久强，周洋洋，王进法，赵海. 基于流时间影响域的网络流量异常检测[J]. 东北大学学报:自然科学版, 2019, 40(1): 26-31.
[3]	陈星池，黄淑春，赵海，王晓漫. 基于极限学习机的中医脉象识别方法[J]. 东北大学学报:自然科学版, 2017, 38(9): 1226-1229.
[4]	姜琳颖，余东海，石鑫. 基于加权极限学习机的肿瘤基因表达谱数据分类[J]. 东北大学学报:自然科学版, 2017, 38(6): 798-803.
[5]	宁一，王大志，江雪晨，张翠玲. 基于Park变换的配电网多端行波故障定位方法[J]. 东北大学学报:自然科学版, 2017, 38(2): 163-167.
[6]	赵相国，毕鑫，张祯，杨洪波. 分布式环境中基于核函数的极限学习机[J]. 东北大学学报:自然科学版, 2015, 36(6): 769-772.
[7]	赵相国，毕鑫，张祯，喻鑫. 基于抽样方法的不确定极限学习机[J]. 东北大学学报:自然科学版, 2015, 36(11): 1539-1542.
[8]	王之琼，康雁，于戈，赵英杰. 基于特征选择ELM的乳腺肿块检测算法[J]. 东北大学学报(自然科学版), 2013, 34(6): 792-796.
[9]	朱博，张天侠. 基于极限学习机(ELM)的视线落点估计方法[J]. 东北大学学报(自然科学版), 2013, 34(3): 335-338.
[10]	李晶皎;许哲万;王爱侠;郭先日;. 基于移动模糊推理的DoS攻击检测方法[J]. 东北大学学报(自然科学版), 2012, 33(10): 1394-1398.
[11]	边春元;郑祥武;任双艳;满永奎;. 前馈-串级控制在电梯门控系统中的应用[J]. 东北大学学报(自然科学版), 2008, 29(6): 798-801.
[12]	李信满;赵宏;马士军. 基于防火墙的网络入侵检测系统[J]. 东北大学学报(自然科学版), 2001, 22(5): 489-492.