電梯關鍵技術診斷方法研究

竇巖 郭蘭中 李云波 季宇飛

摘 要：電梯的安全性關系著人的生命安全，不能讓其帶著故障運行；電梯是一個復雜的系統，從電梯運行采集數據往往存在非線性，尋找一個能解決問題又能有效處理非線性系統的故障診斷和預測方法是電梯診斷方法的關鍵技術。利用支持向量機技術在電梯控制系統預判的特點是簡單的結構卻具有泛化能力較高、靈活性較高、超強的信息處理能力、高維度數據處理能力，并簡化復雜低維度。

關鍵詞：電梯 診斷方法 關鍵技術

中圖分類號：TU857 文獻標識碼：A 文章編號：1672-3791（2019）01（a）-0-02

電梯是一個復雜的機電系統，系統的運行過程中會呈現明顯的非線性、時變性和不確定性，因此系統的故障存在模糊性、傳播性、放射性和相關性等特征，難以精確建模，給基于模型的故障診斷方法帶來挑戰。另一方面，電梯運行過程中以及維修時產生了大量數據，這些數據中蘊含了電梯的運行機理和狀態的信息。如何將這些數據進行科學分析，為電梯設備性能監控、視情維護維修等提供決策依據，對于提高電梯的安全性、可靠性具有重要的意義。利用電梯數據對電梯故障進行診斷的本質就是對電梯性能參數進行分類和預測，而支持向量機在分類和數據的預測領域已經表現出良好的表現。

支持向量機控制是非線性控制的一個分支，與傳統的控制區別為支持向量機并非系統的數學模型，通過學習完成控制器設計，支持向量機為基于控制系統的輸入-輸出映射。控制器設計并不是針對模型進行的，控制器是一種結構比較特殊的非線性控制器。

1 基于支持向量機的建模

受電梯運行環境、傳感器測量噪聲等影響，運行數據中往往包含隨機噪聲，使得運行數據具有隨機性。在建模時需要考慮到隨機噪聲的影響，如圖1所示。

2 基于支持向量機的電梯電流模型預測控制

模型預測控制采用各類不同電流預測模型為基礎，使用在線滾動優化指標和電梯電流反饋自校正策略，努力有效地克服被控制對象的時變、時滯、不確定等因素影響，可以根據參考軌跡輸入，達到預期想要的達到的控制目標，使得目標電梯控制系統具有很好地穩定性和魯棒性。

當下時刻，利用已經發生和即將發生的電梯電流電壓的輸入/輸出信息，根據電梯電流預測模型預測將要發生的電流電壓的輸出狀態，在電梯電流反饋校正后再與參考輸入輸出電流電壓做比較，對滾動時域下的目標電流數學函數進行優化，可以得到當下時刻控制作用，完成整個電梯控制循環。利用支持向量機建立電梯控制系統的預測模型，即可構成基于支持向量機的MPC電梯控制系統。

3 基于支持向量機的電梯電流模型算法控制

模型算法控制采用易于測取的脈沖響應特性來建立系統動態模型，其特點具有簡單算法、小計算量、強魯棒性等。MAC的系統結構由電梯控制系統參考輸入電梯電流參考軌跡、滾動優化、預測電梯電流模型和預測電梯輸出反饋校正4個部分組成。

利用支持向量機技術在電梯控制系統預判的特點是簡單的結構卻具有泛化能力較高，靈活性較高，超強地信息處理能力，高維度數據處理能力，并簡化復雜低維度。支持向量機的運算復雜程度與維數沒有直接關系，為以防止出現維數災難；支持向量機技術在進行控制系統的優化時，實現獲得唯一的極小值，此技術具有良好的學習能力和學習速度。

在電梯控制系統中，可以通過余度技術提高控制系統的可靠性，但由于控制系統的余度配置對于電梯執行機構和門機故障造成的危害不起到容錯作用。電梯曳引機的工作環境比較復雜、比較惡劣，經常會遇到電磁干擾，電梯運行過程中經常會夾雜著很多的各類噪聲，故電梯所使用傳感器采樣信號中會有噪聲存在。采樣信號夾雜大量噪聲會使數據處理的復雜度增強，嚴重影響狀態模式識別的準確性，需要自修復電梯控制系統解決這一問題。

4 基于支持向量機的電梯自修復控制系統研究

關鍵技術主要有：電梯故障檢測與隔離、對電梯執行機構及時提供故障信息、將電梯故障部位進行有效隔離、切斷電梯故障部分對整個電梯控制系統的影響；自主維護診斷系統，利用信息對電梯故障進行準確定位和記錄，減輕檢修人員的負擔，提供運行效率。

由于電梯運行所處的工作環境比較差，結構較精密，電梯的任何故障都肯能導致電梯控制系統所需要的信號錯誤，對于運行性能有所影響，電梯運行的可靠性是電梯控制系統需要解決的關鍵問題之一。

5 結語

電梯電流在各類干擾作用下對于電梯故障預測與控制有重要意義，其大小將影響電梯的運行效率和人身安全；首先需要建立電流與某一類干擾的數學模型，然后系統說明了支持向量機電梯電流模型算法的原理，最后采用支持向量機進行電梯故障的預測仿真。

參考文獻

[1] 冼廣淋，駱雪超，肖宇峰.統計學習理論與支持向量機[J].中國科技信息，2005（12）：178-181.

[2] 李紅蓮，王春花，袁保宗.一種改進的支持向量機[J].計算機學報，2003（8）：1015-1020.

[3] LinCF，WangSD.Fuzzy support vector machines[J].IEEE Transactions on Neural Network，2002，13（2）：464-471.