融合SVM和傳感器數據的自動扶梯踏板振動故障檢測方法

摘 要：為了實現自動扶梯踏板振動故障精準檢測，提出了融合SVM和傳感器數據的故障檢測方法。使用自動扶梯踏板振動故障傳感器，結合FFT頻譜分析方法構建矩陣，對倒頻譜平滑處理。模擬平滑處理過程，建立自回歸滑動平均模型，剔除光滑信號和噪聲后的突變信號。構建故障特征融合SVM模型，運用拉格朗日函數求解最優超平面的問題。設計基于SVM故障檢測步驟，設定最優分類閾值，完成自動扶梯踏板振動的故障檢測。由實驗結果可知，所研究方法X、Y、Z方向振動故障信號波動幅值分別為[-0.02 dB，0.02 dB]、[-0.01 dB，0.02 dB]和[-0.06 dB，0.05 dB]，只在Z方向與實際波動幅值存在0.01 dB的幅值波動誤差，其余均一致，具有精準檢測效果。

關鍵詞：融合SVM；傳感器數據；自動扶梯；踏板振動；故障檢測

中圖分類號：TH277文獻標識碼：A

An Automatic Escalator Pedal Vibration Fault Detection

Method Based on SVM and Sensor Data Fusion

LI Zixiang

（Henan Special Equipment Inspection Technology Research Institute，Zhengzhou，Henan 450000，China）

Abstract：In order to achieve accurate detection of escalator pedal vibration faults， a fault detection method integrating SVM and sensor data is proposed. Using an escalator pedal vibration fault sensor and combining FFT spectrum analysis method to construct a matrix for smooth processing of the cepstrum. Simulate the smoothing process， establish an autoregressive moving average model， and eliminate abrupt signals after smoothing and noise. Construct a fault feature fusion SVM model and use the Lagrange function to solve the problem of optimal hyperplane. Design fault detection steps based on SVM， set the optimal classification threshold， and complete fault detection of escalator pedal vibration. According to the experimental results， the fluctuation amplitudes of the vibration fault signal in the X， Y， and Z directions of the studied method are [-0.02 dB，0.02 dB]， [-0.01 dB，0.02 dB]， and [-0.06 dB，0.05 dB]， respectively. There is only a 0.01 dB amplitude fluctuation error between the Z direction and the actual fluctuation amplitude， and the rest are consistent， indicating accurate detection effect.

Key words：fused SVM; sensor data; escalator; pedal vibration; fault detection

電梯安全性受到廣泛關注。自動扶梯的運轉并不是很復雜，它是由兩個特殊的環形鏈條組成，在減速齒輪驅動下通過一個與之相匹配的踏板來運行。自動扶梯踏板是電梯的重要組成部分，它的失效會引起電梯的抖動，嚴重時會引起扶梯變形，甚至驟停或塌陷，造成嚴重的安全事故。當踏板振動發生故障時，腳踏振動也會表現出明顯的非平穩和非線性。

目前針對自動扶梯踏板振動故障檢測主要集中于文獻[1]提出的基于振動感知的故障檢測方法，通過最小二乘法擬合不同電壓等級下的振動主頻率，再通過R Square法對其進行線性化處理，從而優選出最佳測點。結合基于最佳觀測點選擇的多參數融合方法，檢測振動故障；文獻[2]提出的基于振動頻響法的故障檢測方法，采用振動頻率響應方法，獲取不同工況下的線圈振動頻率響應曲線，并將其與正常工況下的共振頻率響應曲線進行比較，以此曲線的相關性為判別線圈是否出現故障，并通過相關性來判定線圈的松弛故障等級；文獻[3]提出的基于振動傳感器的故障檢測方法，采用矢量指數值集與廣義反向矩陣相結合的方法，實現基于壓縮傳感技術的特征提取與跟蹤。通過對失真數據的處理，實現對樣本數據的有效提取。采用了一種基于Logistic回歸的方法對信號識別，以此實現故障信號分類及判斷。

由于電梯踏板的振動狀態不穩定，且呈現出一種暫態變化的規律，使整體的故障診斷結果很難精確。因此，提出了融合SVM和傳感器數據的檢測方法，克服上述方法中存在的問題。

1 基于傳感器數據的自動扶梯踏板振動故

障特征提取

為了檢測自動扶梯踏板振動故障，首先結合傳感器提取振動故障數據，該裝置結構如圖1所示。

使用故障傳感器采集到的數據，將濾波后的信號與背景噪聲相結合，提取出含有故障突變信息的成分[4-5]。并將該方法與 FFT頻譜分析方法相結合，提取出了電梯踏板振動的特征分量。

根據特征分量提取結果，使用一種將信號連續截斷并構造矩陣的方法，將信號表示為一組信號線性疊加信號[6]。將自動扶梯踏板振動信號構造成合適的i×j維矩陣X，可表示為：

X=x11x12…x1jx21x22…x2jxi1xi2…xij （1）

由式（1）得出的各成分信號相互正交，且在頻域上的分辨能力更強[7]。在此基礎上，利用非正交特性對系統進行降噪處理，能得到含有較高信噪比的故障信號。

采用FFT對i×j維矩陣X進行頻譜分析，如果采樣間隔為Δt，那么一次采樣的樣本周期可表示為：

T=n·Δt（2）

式中，n表示采樣點數[8]。在分析自動扶梯踏板振動頻譜時，需要對倒頻譜進行平滑處理，以減少隨機誤差：

eT=1m（3）

式中，m表示平滑次數[9]。梯級自底向上（或自頂向下）移動產生的振動信號具有非平穩性，尤其是在靠近驅動裝置時，動態加速度波動大，一次檢測所得信號序列長度較小。

由于在同一時間采集到的信號序列前后，都有一個“起動”和“停頓”效應，所以實際可用的信號序列長度比上述采集結果要小得多[10]。如果用時序分析法得到觸發光譜，就可以解決信號序列長度與分辨率、精確度的矛盾。在分析時，可以自動認為時間較短（例如1 s），假定這是一種穩定的隨機過程[11]。

假設平穩隨機過程的一組隨時間變化的數據為x1，x2，…，xt，通過這些數據相關性，模擬平滑處理過程，并建立自回歸滑動平均模型，可表示為：

xt-∑ak=1kxt-1=εt-∑bk=1φkeT（4）

式中，φi、a分別表示第k個自回歸平均參數和階數；φi、b分別表示第k個滑動平均參數和階數；εt表示離散白噪聲[12-13]。

根據上述建立的自回歸滑動平均模型，使用最大熵譜估值對數據最小均方差擬合處理，并利用拉格朗日因子法求解熵的極大值，由此得到的最大熵譜可表示為：

S=-Tγ2kΔt1-∑Pk=1ake1-i2πTΔt2（5）

式中，γk表示功率P的預測誤差[14]。根據最大熵譜，將所有奇異值按照從大到小排序，計算各點奇異值的曲率公式為：

μk=Sk+1－2Sk+Sk－11+Sk－Sk－123（6）

曲率譜中最大峰的位置，也就是奇數曲線中最大曲率所在的位置[15]。k可用作有效與噪聲奇異值之間的邊界點，當奇異值曲線在k點處呈凸狀時，就認為前k個點均為奇異值；當奇異值曲線在k點處呈凹狀時，就認為前k－1個點均為奇異值。利用最大熵的特征，通過對其首條線和末條線進行組合，在去除了平滑和噪聲之后，獲得了突變信號。

2 基于融合SVM的提取故障特征檢測

支持向量機具有很好的自適應能力和可擴展性[16]。支持向量機的主要思路是尋求一種能夠正確判別這兩類數據并使其最小化的一種方法。綜合運用傳感數據，以提升檢測準確性和可靠性。在此基礎上，構建了多傳感器特征級信息融合模型，如圖2所示。

利用8個傳感器所獲得的完全一致的特征量，構成8個特征量，并利用 SVM方法對8個傳感器進行模式識別[17]。為了對所有樣本進行精確分類，最初的最優超平面搜索問題被轉化為帶有約束條件的極值問題：

min L－1（x）=‖w‖22yk·w·xk+η≥1（7）

式中，L（x）表示超平面之間距離；w表示約束權重；yk表示平面范圍，yk∈－1，1；η表示分類閾值。

對于該極值問題，采用拉格朗日函數求解，使得該極值問題與拉格朗日函數的鞍點密切相關，即滿足對w和η的偏導為0，基于此，構建的最優分類超平面的函數可表示為：

f（x）=sgn∑Lk=1ckykxk+η（8）

式中，ck表示位于標準超平面之上的支持向量元素之一。對一類非線性問題，只需將一類向量與一類向量相對應，并用最優分類超平面進行求解，即可得到類函數。

在SVM基礎上，將其劃分成兩個步驟：第一步是在訓練步驟中，利用已知的正常和故障狀態下的不同特征樣本來對支撐向量機進行訓練，尋找出訓練樣本中的支撐向量，并以此來決定最優的分類超平面。第二步是故障診斷，在該過程中將相關的數據裝載到該過程中，并按照最佳分類水平，對待檢測樣本進行分類決策，將該過程視為以支持向量機為基礎的故障檢測過程，如圖3所示。

根據圖3所設計的診斷步驟，結合最優分類超平面函數，設定分類閾值δ，當f（x）≥δ時，說明檢測結果正常；當f（x）lt;δ時，說明檢測結果故障，由此完成自動扶梯踏板振動的故障檢測。

3 實 驗

3.1 實驗裝置

以一家大型購物中心為研究對象，采用測試儀器對一部于2019年10月投入運行的自動扶梯進行了測試。在測試過程中，可以利用加速模塊APP， 并對WIFI工組網測試，在APP端輸入測試編號和設備信息等信息后，就會開啟自動扶梯的上行。當恢復到正常的速度后，打開數據采集功能，并迅速地將加速器模塊放在第一腳踏板的前面，如圖4所示。

使模組X測定軸線與扶梯踏板X坐標重合，即為與升降機運轉之逆向。在檢測自動扶梯踏板傾斜度時，操作 APP完成了數據的收集，迅速通過加速模塊登記相關數據，并分析振動數據。

3.2 實驗過程

在對自動扶梯踏板進行振動試驗之前，必須先切斷可能對試驗產生不利作用的外界震動來源，并在腳踏起動過程結束后再進行實驗。

三條軸的方向都服從右坐標定律，X軸線向下，與踏板方向平行，Z軸線向上，與踏板成直角，Y軸正相交踏板X軸和Z軸。自動扶梯踏板振動實驗過程如下所示：首先，當自動扶梯梯級通過梳齒與梯級面相交處時，采用MEMS三軸加速度傳感器，校準自動扶梯梯級的測量坐標，采樣頻率為100 Hz，時長為10 s。總數據量為1000個樣本，其中正常樣本800個，故障樣本200個，并將數據集平均劃分為訓練集和測試集。然后測試人員站在待測試腳掌的最后一階腳掌上，踩著自動走道行走。之后在整個測試過程中，在測試踏板運轉到自動扶梯傾斜區終點之前，無須再進行數據采集。最后通過對電梯斜坡部分的實測數據統計，并將收集到的振動數據集導出為Excel文件，保存到計算機中。使用MATLAB提供的csvread讀取數據，使用MATLAB提供的信號處理工具箱中的函數滑動窗口平均法、低通濾波器對數據進行去噪、濾波和去趨勢等處理。使用訓練集上的數據，通過MATLAB的fitcsvm函數訓練多個SVM模型，并通過投票法將多個模型集成為一個融合SVM模型。在測試集上進行時域分析，通過自相關函數分析提取特征，計算出信號的幅值作為特征向量，將特征向量輸入已訓練好的融合SVM模型進行分類，根據模型的輸出結果進行故障判斷。

3.3 故障信號解析

通過實驗過程及實驗裝置，發現踏板轉子發生故障，因此，對踏板轉子X、Y、Z方向的振動故障信號波動幅值進行分析，可用圖5表示。

由圖5可知，踏板轉子發生故障后，X方向振動故障信號波動幅值為[-0.02 dB，0.02 dB]，Y方向振動故障信號波動幅值為[-0.01 dB，0.02 dB]，Z方向振動故障信號波動幅值為[-0.05 dB，0.05 dB]，X方向振動故障信號比Y、Z方向密集。

3.4 實驗結果與分析

使用基于振動感知的故障檢測方法、基于振動頻響法的故障檢測方法、基于振動傳感器的故障檢測方法和融合SVM和傳感器數據的檢測方法，對比分析振動故障信號波動幅值，其中X方向波動幅值如圖6所示。

由圖6可知，使用四種故障檢測方法的故障信號波動幅值，依次為[-0.03 dB，0.15 dB]、[-0.04 dB，0.04 dB]、[-0.005 dB，0.01 dB]、[-0.02 dB，0.02 dB]，只有使用所研究方法與實際X方向振動故障信號波動幅值一致。

使用不同方法的Y方向波動幅值檢測結果，如圖7所示。

由圖7可知，使用四種故障檢測方法的故障信號波動幅值，依次為[-0.03 dB，0.03 dB]、[-0.01 dB，0.01 dB]、[-0.016 dB，0.03 dB]、[-0.01 dB，0.02 dB]，只有使用所研究方法與實際Y方向振動故障信號波動幅值一致。

使用不同方法的Z方向波動幅值檢測結果，如圖8所示。

由圖8可知，使用四種故障檢測方法的故障信號波動幅值，依次為[-0.15 dB，0.15 dB]、[-0.01 dB，0.01 dB]、[-0.015 dB，0.15 dB]、[-0.06 dB，0.05 dB]，使用所研究方法與實際Z方向振動故障信號波動幅值最接近，只存在0.01dB的幅值波動誤差。

4 結 論

融合SVM分類算法和傳感器數據，提出了一種新的自動扶梯踏板振動故障檢測方法，基于支持向量機SVM的故障特征提取算法，可以有效地克服常規識別算法中模式模糊的問題，實現對自動扶梯踏板振動故障特征分量的有效識別，并通過實驗驗證了所研究方法檢測結果精準。該方法可以有效地挖掘多個信源間的冗余和互補性，極大地提升了檢測精度，減少了檢測過程的不確定因素，優于現有的多傳感器聯合檢測算法。

參考文獻

［１］ 高樹國，張明文，吳書煜，等.基于振動感知的油浸式電抗器松動故障檢測方法[J].振動與沖擊，2022，41（11）：42-49.

[2] 丁彬，呂亮，劉強，等.基于振動頻響法的變壓器繞組松動故障檢測方法研究[J].高壓電器，2022，58（9）：203-209.

[3] 朱廣賀，朱智強，袁逸萍.基于振動傳感器的風力發電機故障檢測算法[J].傳感技術學報，2023，36（1）：108-112.

[4] 張毅，郝高巖，劉璇.改進變分模態分解包絡譜分析在自動扶梯軸承故障診斷中的應用[J].軸承，2021（7）：46-51.

[5] 蒲金飛，侯占強，吳學忠，等.基于蝶翼式MEMS振動傳感器的軸承故障信號檢測方法[J].傳感技術學報，2022，35（4）：433-439.

[6] 林萬德，王生杰，包正紅，等.基于諧波與振動特性的大型調相機轉子偏心故障診斷方法[J].河南理工大學學報（自然科學版），2021，40（6）：132-139.

[7] 林樹青，陳仕鴻，黃宇.面向機械振動故障診斷的無線傳感器網絡信號采集[J].機械設計與制造，2023（4）：96-100.

[8] 郭旭，駱勇鵬，王林堃，等.基于CNN與DCGAN的結構振動監測傳感器故障診斷及監測數據恢復[J].鐵道科學與工程學報，2022，19（11）：3383-3395.

[9] 方一鳴，閻淑雅，李建雄，等.SS DEWMA圖多目標優化及在輸出傳感器故障檢測中的應用[J].控制與決策，2022，37（6）：1656-1664.

[10]王濤，林培杰，周海芳，等.采用ELM和優化電壓傳感器布局的光伏陣列故障檢測與區域定位[J].福州大學學報（自然科學版），2022，50（4）：475-482.

[11]張毅，李欣.基于振動分析的自動扶梯狀態監測與預警系統研究[J].都市快軌交通，2021，34（6）：149-154.

[12]林濤，張達，王建君.改進LSTM RF算法的傳感器故障診斷與數據重構研究[J].計算機工程與科學，2021，43（5）：845-852.

[13]梁海波，成剛，張志東，等.多傳感器檢測管道缺陷數據融合方法[J].激光與光電子學進展，2023，60（4）：316-324.

[14]商俊燕，丁輝，胡學龍.基于XGBoost的無線傳感器網絡冗余數據檢測算法[J].傳感技術學報，2022，35（11）：1568-1572.

[15]傅成城，高成，黃姣英.基于接觸面優化方法和整體仿真的壓縮式壓電振動傳感器固有頻率優化[J].儀表技術與傳感器，2021（7）：38-43.

[16]皮瑤，劉惠康，李倩.基于柔性薄膜陣列壓力傳感器的抱閘故障診斷[J].高技術通訊，2021，31（8）：836-843.

[17]文藝，伍康，王力軍.絕對重力測量中振動傳感器振動補償性能的分析[J].物理學報，2022，71（4）：374-384.