引言

隨著社會的發(fā)展進步,民眾對電梯已經(jīng)從最基本的安全進一步提升為舒適、美觀、高效等全方位的需求。電梯異常振動是影響舒適感的最主要因素,而且往往難以快速排除,成為電梯維保過程中的一大難題,也是電梯乘客投訴的一個熱點問題。

本文以構(gòu)建學習最簡電梯振動貝葉斯網(wǎng)絡為例,提出了故障診斷和維修方案決策方法,展望了貝葉斯網(wǎng)絡在電梯故障診斷領域的應用前景。

1建立模型結(jié)構(gòu)

圖1是基于Netica構(gòu)建的最簡貝葉斯網(wǎng)絡模型,它包含了以下因素:

(1)自然節(jié)點(NatureNode)。表示模型域中的變量,用方框表示,并列出各節(jié)點狀態(tài)的概率表。例如電梯鋼絲繩缺陷節(jié)點是完全獨立節(jié)點,其概率取決于學習的數(shù)據(jù)樣本。

(2)弧。表示兩節(jié)點直接的因果關系,用箭頭圖形化表示,箭頭方向表明原因的方向,例如鋼絲繩缺陷是導致Z軸異常振動的原因。

(3)狀態(tài)。表示一個過程中的特定條件。例如電梯鋼絲繩缺陷節(jié)點,有韌性(toughness)、張力(tension)、磨損(wearoff)、無缺陷(nodefect)四種狀態(tài)。

(4)條件概率表。每個節(jié)點都有一個條件概率表與之對應。條件概率表表示了基于先驗概率或?qū)W習樣本得出的各狀態(tài)可能性。如圖2所示,存在韌性缺陷的鋼絲繩不導致異常振動的概率為4.35%,高頻振動概率為87.42%,低頻振動概率為8.23%,這些都是基于學習樣本得出的,即不同的樣本條件概率表也不同。

2貝葉斯網(wǎng)絡學習

(1)數(shù)據(jù)樣本的組建。本文選取了0市業(yè)主反映舒適感較差的14個小區(qū)300多臺高層電梯的綜合情況進行研究,對貝葉斯網(wǎng)絡中的各節(jié)點及其狀態(tài)進行檢測采集,獲得一個數(shù)據(jù)樣本。

(2)樣本數(shù)據(jù)的離散化處理。在貝葉斯網(wǎng)絡中使用分類型變量,有連續(xù)變量和離散變量。如果設定的是離散型數(shù)據(jù),則需要人為將其離散化后直接輸入狀態(tài)名稱。

(3)貝葉斯網(wǎng)絡學習。經(jīng)過學習的貝葉斯網(wǎng)絡獲取了一組變量之間的概率聯(lián)系,數(shù)據(jù)樣本的體量和代表性一定程度上決定了貝葉斯網(wǎng)絡的實用性。

3貝葉斯網(wǎng)絡的使用

3.1決策網(wǎng)絡

如圖3所示,增加決策節(jié)點"鋼絲繩維修方案",狀態(tài)為更換(Rep1ace)、維修調(diào)整(Repair)、無操作(Nothing),并增加效用節(jié)點Z,根據(jù)維修方案成本及故障排除效果,設定各狀態(tài)效用值,例如鋼絲繩張力問題,采用維修調(diào)整方案最佳,效用值l00,而采用更換方案雖有效果,但成本過高,效用值20。

3.2故障模擬

對已學習的貝葉斯網(wǎng)絡模型,輸入父節(jié)點"鋼絲繩缺陷"狀態(tài)值,其子節(jié)點狀態(tài)各概率將發(fā)生改變,可得出Z軸異常振動不同頻率的概率值,從而可用已知缺陷預測振動故障概率。

3.3故障診斷

通過EVA儀器測量的電梯Z軸振動加速度曲線和頻譜分析,可得出"Z軸異常振動頻率"節(jié)點的狀態(tài)值,輸入狀態(tài)值后,可改變父節(jié)點"鋼絲繩缺陷"狀態(tài)值,從而由已知振動故障情況來推測缺陷各原因的概率。

3.4維修方案決策

對圖3帶有決策網(wǎng)絡的貝葉斯網(wǎng)絡模型,輸入測量得出的電梯"Z軸異常振動頻率"狀態(tài)值,可改變鋼絲繩維修方案各狀態(tài)的效用值,從而在特定情況下為快速維修決策提供智能化的最優(yōu)選擇。

3.5網(wǎng)絡優(yōu)化

在獲得足夠數(shù)據(jù)的前提下,即使是最簡貝葉斯網(wǎng)絡也可以不斷改進優(yōu)化,例如把各狀態(tài)值進一步細化,鋼絲繩張力偏差分不同等級,振動頻率再劃分為更多檔等,從而使網(wǎng)絡模型更加細化具體,故障診斷和維修方案決策更準確。

4電梯異常振動故障貝葉斯網(wǎng)絡的拓展和應用前景

雖然該網(wǎng)絡模型過于簡化,但我們可以根據(jù)電梯振動原理,不斷增加節(jié)點擴展網(wǎng)絡分支,使貝葉斯網(wǎng)絡更加復雜并接近現(xiàn)實,最終能應對現(xiàn)實中發(fā)現(xiàn)的多數(shù)振動故障情況。例如可以增加影響Z軸方向振動的其他因素:曳引輪、減震墊、導軌、氣流等,也可以再增加X軸和y軸的振動網(wǎng)絡,探討不同軸向振動的關聯(lián)性。只要有充足的樣本數(shù)據(jù),貝葉斯網(wǎng)絡可以不斷學習完善,足以建立起相對復雜的網(wǎng)絡結(jié)構(gòu),對電梯振動故障進行智能化診斷,推薦最佳維修方案。

總之,電梯行業(yè)的大數(shù)據(jù)分析已經(jīng)成為一個趨勢,利用貝葉斯網(wǎng)絡可以對電梯故障事件和設備屬性之間進行不確定推理和預測,有很大的研究和應用前景。