基于PSO-BP神经网络对电梯门系统故障预测

基于 PSO-BP神经网络对电梯门系统故障预测

黄成程 彭宏波 何雪锋

重庆市特种设备检测研究院

摘要：如今电梯已成为人们的生活中必不可少的室内交通工具，但是近年这种交通工具因为门系统故障引起了很多人员伤亡事故。为了确保电梯安全可靠的运行，文中对电梯门系统进行了故障预测。针对电梯门系统故障类型：电梯启动门不关、电梯开关门时门扇振动大、到达指定层不开门不关门。将三种故障类型作为预测模型的输出。引起故障的原因有8个，其作为输入。运用粒子群算法（PSO)与BP神经网络相结合建立模型，通过MATLAB仿真，仿真结果表明PSO-BP神经网络算法在电梯门系统故障预测中具有可行性。

关键词：电梯门系统；门系统故障；故障预测； PSO-BP神经网络

引言

截止2019年，我国再用电梯已经超过709.75万台。电梯作为一种特种设备，不可能经常更新。而随着电梯使用年限的增加，电梯故障也越来越多。其中电梯运行过程中常见的伤亡事故中，门系统故障引发的事故占70%以上。因此对电梯门系统故障进行预测，并及时进行故障类型分析，能有效的减少故障的发生，减少因为门系统故障引发的事故。

本文通过将粒子群算法(PSO)和BP神经网络相结合的算法的进行门系统故障预测，利用粒子群算法进行全局寻优，找到合适的权值和阈值，将权值和阈值运用于BP神经网络，避免了BP神经网络权值和阈值的随机性对结果产生的误差。通过与单一使用BP神经网络相比，PSO-BP神经网络在电梯门系统的故障预测中准确率更高。

1 电梯门系统的构成

1.1 电梯门系统机械系统的构成

电梯的门系统一般由门扇、门滑轮、门靴、门地坎、门导轨架等组成。轿门由门滑轮悬挂在轿门导轨上,下部通过门靴与轿门地坎配合；层门由门滑轮悬挂在厅门导轨上，下部通过门靴与厅门地坎配合；厅门上装有电气、机械连锁装置的门锁。

1.2 电梯层门电气系统的构成

电梯层门电气系统种类繁多，控制方式较复杂。但是总的来说，一般由控制器、驱动装置、门机械装置、开锁开关门限位和门入口保护装置等组成。该系统在电梯运行过程中极易发生故障，该系统中的任何一个部件发生故障，都会导致电梯故障的发生。

2 电梯门系统故障及故障信号的采集

电梯门系统常见故障包括电梯既不能关门，又不能开门；到达指定楼层后，电梯门不开；按下关门按钮，门关闭，但不能启动；门未关，电梯能选层启动；电梯在运行的途中突然停止；开门速度无变速；关门速度无变速；开关门速度变慢；开关门时门扇振动大等。这些故障主要是由于电梯机械零件或电气控制系统中的元器件发生异常造成的。为了采集故障信号，通过检测器件将故障转换为需要的电信号。

3 PSO-BP神经网络模型的构建

粒子群算法（Particle Swam Optimization，PSO）具有操作简单、参数少、收敛迅速、易于实现等优点，受到了众多研究者的关注并迅速发展起来，在人工智能、神经网络、控制论、函数优化等领域被普遍的应用。一直以来运用BP神经网络进行预测时，由于其权值和阈值的随机初始化，在一定程度上会给预测结果带来很大的影响。而通过粒子群算法，使权值和阈值不在随机初始化。能提高其预测模型的准确率。

4 电梯门系统故障预测分析

本文选取常见的电梯门系统故障进行故障预测，这三种门系统故障为：1、门未关，电梯能选层启动；2、开关门时门扇振动大；3、既不能关门，又不能开门。规定这三种故障为y₁、y₂、y₃，并且作为PSO-BP神经网络的输出。输入则是三种故障对应的原因为门锁开关触头粘连(X₁)、控制电路熔断器过松(X₂)、门导轨变形或轻度倾斜(X₃)、门机传动打滑(X₄)、门锁继电器常吸不放(X₅)、地坎中滑槽积尘(X₆)、门机电阻断丝不通(X₇)、门滑轮磨损严重(X₈)，原始数据中当y₁、y₂、y₃的值为1时，此时即出现相应的故障。表1给出了门系统运行中的故障原因与故障类型的数据表。

表1电梯门系统运行中的故障原因与故障类型

Table1 The reason and the type of fault during operation of door system

从表中可以知道，BP神经网络的输入层神经元为个数8，输出层的神经元个数为3，隐含层神经元个数通过上文公式计算得范围为5~14，本文通过仿真选取为12。其传递函数都采用双曲正切函数，网络训练次数为500，训练误差为0.001。将三组数据作为训练组，三种样本做预测组。三个样本故障分别为门未关、开门时门扇振动大、既不关门又不开门。本试验中PSO-BP参数设定为：种群规模M=50，最大迭代次数G=200，输入节点数为8，输出节点数为3，隐含层节点个数取为12，共有8×12+12×3=132个权值，12+3=15个阈值，搜索空间维数N=132+15=147，建立8-12-3结构的BP网络。将三组数据作为训练组，三种数据还做预测组，进行PSO-BP神经网络仿真。其仿真数据如表2。表3给出了BP神经网络进行电梯门系统故障预测的结果。

表2 PSO-BP神经网络对电梯门系统故障预测

表3 BP神经网络对电梯门系统故障预测

从表2中数据可知，当数据值接近1时，代表此时发生的概率越大，而另外两个数据的值相对很小，表示发生对应故障的概率很小，从统计学的角度分析，随机发生的小概率事件基本不会发生。因此表中数据显示样本1、2、3预测的故障类型分别为门未关、开门时门扇振动大、既不关门又不开门，与原始数据显示故障类型符合。

5 结论

本文重点讨论PSO-BP神经网络算法在电梯门系统运行故障预测中的应用，通过将PSO算法运用于BP算法，弥补了BP算法的需要初始化权值和阈值的不足。通过MATLAB仿真表明，利用PSO-BP神经网络算法建立模型很有效的解决电梯门系统运行中的故障预测问题，能提前判断出故障类型，及时进行故障的排除，保证电梯的正常运行。