本發(fā)明涉及故障分類，尤其涉及一種電梯故障分類方法及系統(tǒng)。

背景技術(shù)：

1、隨著城市建筑的高密度發(fā)展和智能樓宇的廣泛部署，電梯系統(tǒng)作為垂直交通的重要組成部分，其安全性與穩(wěn)定性日益受到重視；現(xiàn)有電梯運行維護(hù)依賴周期性檢修和基于異常日志的被動響應(yīng)機(jī)制，難以及時發(fā)現(xiàn)潛在故障風(fēng)險，近年來，雖然部分系統(tǒng)已引入傳感器采集振動、電流等信號進(jìn)行初步診斷，但大多數(shù)方法僅依賴單一模態(tài)數(shù)據(jù)或靜態(tài)規(guī)則庫，難以實現(xiàn)對復(fù)雜故障情形的動態(tài)識別，尤其在面對多源異構(gòu)數(shù)據(jù)融合困難、異常行為隱性表達(dá)、多類型故障共現(xiàn)等問題時表現(xiàn)不足，準(zhǔn)確率和實用性均存在局限。

2、在此背景下，亟需一種能夠融合多模態(tài)運行數(shù)據(jù)、具備時空建模能力和圖譜知識推理能力的智能化故障診斷方案，以實現(xiàn)從數(shù)據(jù)感知、特征提取到?jīng)Q策推理的端到端故障分類流程；結(jié)合知識圖譜技術(shù)與深度學(xué)習(xí)結(jié)構(gòu)，能夠?qū)v史案例經(jīng)驗結(jié)構(gòu)化嵌入圖譜網(wǎng)絡(luò)，并通過特征節(jié)點與圖譜節(jié)點之間的匹配關(guān)系，實現(xiàn)對當(dāng)前運行狀態(tài)的語義推理；進(jìn)而通過引入殘差神經(jīng)網(wǎng)絡(luò)模型，增強(qiáng)對復(fù)雜故障特征的表達(dá)能力和分類置信控制能力，從而顯著提升電梯故障檢測的準(zhǔn)確性、實時性與可解釋性。

技術(shù)實現(xiàn)思路

1、基于上述目的，本發(fā)明提供了一種電梯故障分類方法。

2、一種電梯故障分類方法，包括以下步驟：

3、s1：實時采集電梯運行的多源異構(gòu)數(shù)據(jù)，包括機(jī)械振動信號、驅(qū)動電機(jī)三相電流波形信號、轎廂視頻行為數(shù)據(jù)、控制柜指令流；

4、s2：對所述多源異構(gòu)數(shù)據(jù)進(jìn)行時空對齊處理，生成標(biāo)準(zhǔn)化時序數(shù)據(jù)矩陣；

5、s3：從標(biāo)準(zhǔn)化時序數(shù)據(jù)矩陣中提取多維度故障特征，包括振動信號的時頻域聯(lián)合特征、電流波形的諧波畸變特征、視頻數(shù)據(jù)的行為異常特征；

6、s4：基于歷史故障案例庫構(gòu)建動態(tài)知識圖譜，所述知識圖譜包括故障特征節(jié)點、故障類型節(jié)點、維修方案節(jié)點的三層拓?fù)浣Y(jié)構(gòu)；

7、s5：將提取的多維度故障特征與動態(tài)知識圖譜進(jìn)行節(jié)點匹配，根據(jù)匹配度動態(tài)調(diào)整圖譜節(jié)點權(quán)重，并基于優(yōu)化后的知識圖譜節(jié)點權(quán)重，采用改進(jìn)的殘差神經(jīng)網(wǎng)絡(luò)模型輸出最終故障分類結(jié)果及置信度。

8、進(jìn)一步的，所述s1包括：

9、s11，利用三軸加速度傳感器安裝于電梯曳引機(jī)殼體表面，以1khz采樣率采集機(jī)械振動信號；

10、s12，通過電流互感器采集驅(qū)動電機(jī)三相電流波形信號；

11、s13，通過安裝于轎廂頂部的視頻采集裝置實時采集乘客視頻行為數(shù)據(jù)；

12、s14，通過接入電梯控制柜的can總線接口，實時采集控制柜指令流。

13、進(jìn)一步的，所述s2包括：

14、s21，對多源異構(gòu)數(shù)據(jù)進(jìn)行時間戳標(biāo)準(zhǔn)化處理；

15、s22，根據(jù)所有數(shù)據(jù)源中時間戳的全集構(gòu)建全局統(tǒng)一時間軸；

16、s23，對各數(shù)據(jù)源的對齊結(jié)果進(jìn)行歸一化處理；

17、s24，將歸一化后的所有數(shù)據(jù)源拼接為標(biāo)準(zhǔn)化時序數(shù)據(jù)矩陣。

18、進(jìn)一步的，所述s3包括：

19、s31，針對振動信號，采用短時傅里葉變換提取其時頻域聯(lián)合特征；

20、s32，針對電流波形信號，采用諧波畸變率提取電流波形的諧波畸變特征；

21、s33，針對視頻數(shù)據(jù)，采用幀間差法提取行為異常特征，計算行為運動能量；

22、s34，對振動信號的時頻域聯(lián)合特征、電流波形的諧波畸變特征、視頻數(shù)據(jù)的行為異常特征進(jìn)行拼接，構(gòu)成多維度故障特征。

23、進(jìn)一步的，所述s31中提取振動信號的時頻域聯(lián)合特征包括：

24、s311，利用短時傅里葉變換將歸一化機(jī)械振動信號映射至?xí)r頻域，獲得能量譜密度函數(shù)；

25、s312，從能量譜中提取時序特征指標(biāo)，包括主頻分布、瞬時頻率、頻譜能量集中度以及幀能量；

26、s313，以滑動窗口長度對時序特征指標(biāo)進(jìn)行統(tǒng)計匯總，構(gòu)建時頻域聯(lián)合特征向量。

27、進(jìn)一步的，所述s4包括：

28、s41，基于歷史故障案例庫提取每個案例的故障特征向量、對應(yīng)的故障類型標(biāo)簽及維修方案信息，構(gòu)建歷史故障案例集；

29、s42，將歷史數(shù)據(jù)中的特征向量聚類生成故障特征節(jié)點，結(jié)合故障類型標(biāo)簽和維修方案記錄，分別構(gòu)建故障類型節(jié)點和維修方案節(jié)點，形成包括三類節(jié)點的三層拓?fù)浣Y(jié)構(gòu)；

30、s43，根據(jù)故障特征節(jié)點與故障類型節(jié)點之間的相似性關(guān)系以及故障類型節(jié)點與維修方案節(jié)點之間的共現(xiàn)關(guān)系建立圖中有向邊，并賦予權(quán)重，構(gòu)建動態(tài)知識圖譜。

31、進(jìn)一步的，所述s5包括：

32、s51，節(jié)點匹配與權(quán)重調(diào)整：將提取的多維度故障特征與知識圖譜中的故障特征節(jié)點進(jìn)行匹配，并根據(jù)匹配結(jié)果確定故障類型節(jié)點的相關(guān)性程度，動態(tài)調(diào)整知識圖譜中各故障類型節(jié)點的權(quán)重；

33、s52，故障分類推理輸出：基于調(diào)整后的知識圖譜節(jié)點權(quán)重，將當(dāng)前故障特征與圖譜權(quán)重融合后輸入至改進(jìn)的殘差神經(jīng)網(wǎng)絡(luò)模型，輸出對應(yīng)的故障分類結(jié)果及其置信度。

34、進(jìn)一步的，所述s51包括：

35、s511，采用指數(shù)距離函數(shù)計算當(dāng)前特征向量與圖譜中每個故障特征節(jié)點的相似性得分；

36、s512，將相似性得分作為故障特征節(jié)點的激活系數(shù)，并通過圖譜傳播機(jī)制，將激活值傳遞至故障類型節(jié)點集合，得到每個故障類型節(jié)點的更新權(quán)重。

37、進(jìn)一步的，所述s52包括：

38、s521，將當(dāng)前故障特征向量與調(diào)整后的故障類型節(jié)點權(quán)重向量進(jìn)行拼接，形成聯(lián)合輸入向量；

39、s522，將所述聯(lián)合輸入向量作為殘差神經(jīng)網(wǎng)絡(luò)的輸入，網(wǎng)絡(luò)由多個堆疊的殘差模塊構(gòu)成；

40、將最后一層輸出向量輸入至softmax分類器，對故障類型節(jié)點集合中各節(jié)點進(jìn)行分類概率計算，得到最終的故障分類結(jié)果與置信度。

41、一種電梯故障分類系統(tǒng)，用于實現(xiàn)上述的一種電梯故障分類方法，包括以下模塊：

42、數(shù)據(jù)采集模塊：實時采集電梯運行的多源異構(gòu)數(shù)據(jù)，包括機(jī)械振動信號、驅(qū)動電機(jī)三相電流波形、轎廂視頻行為數(shù)據(jù)以及控制柜指令流；

43、時空對齊模塊：對所述多源異構(gòu)數(shù)據(jù)進(jìn)行時空對齊處理，生成標(biāo)準(zhǔn)化時序數(shù)據(jù)矩陣；

44、特征提取模塊：從標(biāo)準(zhǔn)化時序數(shù)據(jù)矩陣中提取多維度故障特征，所述故障特征包括振動信號的時頻域聯(lián)合特征、電流波形的諧波畸變特征和視頻數(shù)據(jù)的異常行為識別特征；

45、知識圖譜構(gòu)建模塊：基于歷史故障案例庫構(gòu)建動態(tài)知識圖譜，所述知識圖譜包括故障特征節(jié)點、故障類型節(jié)點和維修方案節(jié)點的三層拓?fù)浣Y(jié)構(gòu)；

46、圖譜匹配與推理模塊：將當(dāng)前提取的多維度故障特征與動態(tài)知識圖譜進(jìn)行節(jié)點匹配，根據(jù)匹配度動態(tài)調(diào)整圖譜節(jié)點權(quán)重，并基于優(yōu)化后的圖譜節(jié)點權(quán)重，采用改進(jìn)的殘差神經(jīng)網(wǎng)絡(luò)模型輸出故障分類結(jié)果及其置信度。

47、本發(fā)明的有益效果：

48、本發(fā)明提供的一種電梯故障分類方法，能夠融合機(jī)械振動信號、電流波形、視頻行為數(shù)據(jù)及控制指令多源異構(gòu)運行信息，通過統(tǒng)一的時空對齊機(jī)制構(gòu)建標(biāo)準(zhǔn)化時序數(shù)據(jù)矩陣，并提取多維度特征，包括時頻聯(lián)合特征、諧波畸變指標(biāo)與視頻行為模式，克服了傳統(tǒng)方法依賴單一傳感信號、對復(fù)雜異常行為識別能力弱的問題，有效提升了特征表達(dá)的全面性與故障表征的敏感性。

49、本發(fā)明基于歷史案例構(gòu)建的三層動態(tài)知識圖譜可實現(xiàn)電梯故障語義關(guān)系的結(jié)構(gòu)化建模，通過故障特征節(jié)點與圖譜節(jié)點的匹配機(jī)制，結(jié)合圖譜傳播與節(jié)點權(quán)重動態(tài)調(diào)整，實現(xiàn)先驗知識與當(dāng)前狀態(tài)的融合推理。在此基礎(chǔ)上引入殘差神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，增強(qiáng)深層特征學(xué)習(xí)能力并提高模型穩(wěn)定性，可輸出具有置信度控制的分類結(jié)果，顯著提升故障診斷的準(zhǔn)確率、實時響應(yīng)性和可解釋性，具備良好的工程實用價值和應(yīng)用推廣前景。