基于贝叶斯网络的电梯振动故障诊断及维修方案决策

引言

随着社会的发展进步,民众对电梯已经从最基本的安全进一步提升为舒适、美观、高效等全方位的需求。电梯异常振动是影响舒适感的最主要因素,而且往往难以快速排除,成为电梯维保过程中的一大难题,也是电梯乘客投诉的一个热点问题。

本文以构建学习最简电梯振动贝叶斯网络为例,提出了故障诊断和维修方案决策方法,展望了贝叶斯网络在电梯故障诊断领域的应用前景。

1建立模型结构

图1是基于Netica构建的最简贝叶斯网络模型,它包含了以下因素:

(1)自然节点(NatureNode)。表示模型域中的变量,用方框表示,并列出各节点状态的概率表。例如电梯钢丝绳缺陷节点是完全独立节点,其概率取决于学习的数据样本。

(2)弧。表示两节点直接的因果关系,用箭头图形化表示,箭头方向表明原因的方向,例如钢丝绳缺陷是导致Z轴异常振动的原因。

(3)状态。表示一个过程中的特定条件。例如电梯钢丝绳缺陷节点,有韧性(toughness)、张力(tension)、磨损(wearoff)、无缺陷(nodefect)四种状态。

(4)条件概率表。每个节点都有一个条件概率表与之对应。条件概率表表示了基于先验概率或学习样本得出的各状态可能性。如图2所示,存在韧性缺陷的钢丝绳不导致异常振动的概率为4.35%,高频振动概率为87.42%,低频振动概率为8.23%,这些都是基于学习样本得出的,即不同的样本条件概率表也不同。

2贝叶斯网络学习

(1)数据样本的组建。本文选取了0市业主反映舒适感较差的14个小区300多台高层电梯的综合情况进行研究,对贝叶斯网络中的各节点及其状态进行检测采集,获得一个数据样本。

(2)样本数据的离散化处理。在贝叶斯网络中使用分类型变量,有连续变量和离散变量。如果设定的是离散型数据,则需要人为将其离散化后直接输入状态名称。

(3)贝叶斯网络学习。经过学习的贝叶斯网络获取了一组变量之间的概率联系,数据样本的体量和代表性一定程度上决定了贝叶斯网络的实用性。

3贝叶斯网络的使用

3.1决策网络

如图3所示,增加决策节点"钢丝绳维修方案",状态为更换(Rep1ace)、维修调整(Repair)、无操作(Nothing),并增加效用节点Z,根据维修方案成本及故障排除效果,设定各状态效用值,例如钢丝绳张力问题,采用维修调整方案最佳,效用值l00,而采用更换方案虽有效果,但成本过高,效用值20。

3.2故障模拟

对已学习的贝叶斯网络模型,输入父节点"钢丝绳缺陷"状态值,其子节点状态各概率将发生改变,可得出Z轴异常振动不同频率的概率值,从而可用已知缺陷预测振动故障概率。

3.3故障诊断

通过EVA仪器测量的电梯Z轴振动加速度曲线和频谱分析,可得出"Z轴异常振动频率"节点的状态值,输入状态值后,可改变父节点"钢丝绳缺陷"状态值,从而由已知振动故障情况来推测缺陷各原因的概率。

3.4维修方案决策

对图3带有决策网络的贝叶斯网络模型,输入测量得出的电梯"Z轴异常振动频率"状态值,可改变钢丝绳维修方案各状态的效用值,从而在特定情况下为快速维修决策提供智能化的最优选择。

3.5网络优化

在获得足够数据的前提下,即使是最简贝叶斯网络也可以不断改进优化,例如把各状态值进一步细化,钢丝绳张力偏差分不同等级,振动频率再划分为更多档等,从而使网络模型更加细化具体,故障诊断和维修方案决策更准确。

4电梯异常振动故障贝叶斯网络的拓展和应用前景

虽然该网络模型过于简化,但我们可以根据电梯振动原理,不断增加节点扩展网络分支,使贝叶斯网络更加复杂并接近现实,最终能应对现实中发现的多数振动故障情况。例如可以增加影响Z轴方向振动的其他因素:曳引轮、减震垫、导轨、气流等,也可以再增加X轴和y轴的振动网络,探讨不同轴向振动的关联性。只要有充足的样本数据,贝叶斯网络可以不断学习完善,足以建立起相对复杂的网络结构,对电梯振动故障进行智能化诊断,推荐最佳维修方案。

总之,电梯行业的大数据分析已经成为一个趋势,利用贝叶斯网络可以对电梯故障事件和设备属性之间进行不确定推理和预测,有很大的研究和应用前景。