技术领域
本发明涉及到电梯导靴故障诊断技术领域，具体涉及一种基于VMD-SVD和SSA-SVM的电梯导靴故障诊断方法。
背景技术
随着电梯的使用量日益增加，其舒适度和安全问题也成为了人们的关注的焦点，由于大面积的广泛使用和频繁的启动制动，电梯故障难免时而发生。在新闻和电视屏幕上也经常会听到电梯故障带给人们的财产和经济损失，严重的甚至会危害生命，而深究电梯故障背后的原因，其中一部分就是跟电梯导靴有关，电梯导靴是电梯部件中很重要的零件之一，是比较常见的故障来源。电梯导靴是电梯导轨与轿厢之间的可以滑动的尼龙块，它可以将轿厢固定在导轨上，这样轿厢就可以平稳的上下移动。电梯每天都在高负荷的工作中，最直接影响到的就是电梯导靴，这样总免不了电梯的磨损，而电梯导靴的优劣情况程度及磨损程度直接影响到人们乘坐电梯的舒适度，甚至导靴有脱出导轨的危险。经过统计显示，在电梯故障的事故中，有五分之一的故障原因都是由于电梯导靴所引起，因此寻找适当的故障诊断、识别方法，对于有效地控制电梯导靴故障具有时代的迫切感。
当电梯导靴磨损严重产生故障时，运行时所产生的振动信号将变为显著的非平稳信号,而这些信号中往往隐藏着大量的特征信息，因此，需要运用适合的信号分析方法提取特征参数，当前处理这些非平稳的信号方法有很多，常用的有小波包变换，经验模态分解(EMD)，局部均值分解(LMD)等，这些方法在信号处理方面都有不错的效果但同时存在一些弊端，例如小波包分解中的小波基和分解层数选择不恰当会对结果产生偏差，EMD和LMD都属于递归模态分解的范畴，缺乏严格的数学理论,变分模态分解(VMD)最大的特点就是它拥有非递归属性，能够对信号进行自适应处理，克服了EMD及其扩展方法存在的模态混叠、对频率相近的分量无法正确分解这一现象，具备很高的分解效率，能够有效的提取振动信号的特征。
发明内容
为解决现有技术中的不足，本发明提供一种基于VMD-SVD和SSA-SVM的电梯导靴故障诊断方法，能够精确地诊断和预测电梯导靴故障，可以明显的提取故障特征，结果简单明了，且可操性强，克服了信号分解存在模态混叠导致虚假分量的问题，且运算量低，提取的特征能够很好的表征信号的特性，诊断和预测系统的处理器资源的占用少，诊断和预测系统的处理器的功率消耗低。
为了达到上述技术目的，本发明提供了一种基于VMD-SVD和SSA-SVM的电梯导靴故障诊断方法，包括以下步骤：
1)通过加速度传感器对电梯导靴上导靴故障状态下的振动信号、下导靴故障状态下的振动信号以及正常状态下的导靴振动信号进行采集和载入，并对采集和载入的振动信号做预处理；
2)基于预处理的振动信号，利用中心频率法对VMD的参数模态个数K进行确定，并对采集到的振动信号进行变分模态分解，将原始信号分解成K个分量；
3)用分解后的K个模态分量构建特征矩阵，对构建的特征矩阵进行奇异值分解得到奇异值序列；
4)以分解后的奇异值序列作为信号的特征值，并将其作为训练后的SSA-SVM的输入量，输出电梯导靴故障诊断结果。
进一步地，步骤2)的具体步骤包括：
针对预处理的振动信号，如果分解后的模态分量出现中心频率相近的分量，则说明VMD对信号进行了过度分解，需降低K值，直至分解后的模态分量不再出现中心频率相近的分量；
以上导靴故障振动信号为例，如下为K在设定为不同值的情况下各模态分量的中心频率，由以下数据可知，当K值为6时，出现了中心频率相近的分量，说明VMD对信号进行了过度分解，因此K的值最终设定为5；
将采用中心频率法得到的K值代入VMD中，对导靴振动信号分解，假设电梯导靴的振动信号为u(t),通过Hilbert变换，得到每个IMF的分量u
对各分量进行信号混合，给解析信号预估一个中心频率，将每个分量的频谱调制到基带上：
寻求K个估计带宽之和最小的模态函数u
其中变分约束问题为：
式中，u
为了解决上述约束最优化问题，引入二次惩罚因子α和拉格朗日乘法算子λ(t)；
进一步地，步骤3)的具体步骤包括：
采用VMD将振动信号分解为K个有限带宽的IMF分量，每个IMF分量都代表某一频率尺度特征的分解系数，可以将其作为振动信号的特征，IMF分量重构可以特征矩阵A，如下：
式中：n＝N；m＝K；N为原始振动信号采样点数，对A进行奇异值分解(SingularValue Decomposition,SVD)，表达式如下：
式中∑
进一步地，步骤4)中，针对上导靴故障状态下的振动信号、下导靴故障状态下的振动信号以及正常状态下的导靴振动信号三种工况状态下分别取多组数据，用各组中部分数据作为样本，然后用剩下的部分数据作为测试数据，用提取到的奇异值序列作为输入分类器的特征向量。
进一步地，步骤4)中，针对上导靴故障状态下的振动信号、下导靴故障状态下的振动信号以及正常状态下的导靴振动信号进行采集和载入，三种工况状态下分别取偶数组数据，用各组中任意的、数量为偶数组的30％的数据作为样本，然后用剩下的数量为偶数组的70％数据作为测试数据，用分解后的奇异值序列作为特征量，以形成训练组和测试组。
进一步地，所述加速度传感器采用三维陀螺仪加速传感器。
进一步地，步骤1)中，对变压器进行振动测试、信号采集时，采样频率为1000Hz，采样点数为2000。
本发明所达到的有益效果：
1.本发明采用一种基于VMD-SVD和SSA-SVM的电梯导靴故障诊断方法，降低了诊断时的运算量，减少了诊断和预测系统的处理器资源的占用，对应地降低了诊断和预测系统的处理器的功率消耗。
2.本发明的方法相较于EMD分解方法，不存在虚假分量问题，结果更准确。
3.本发明采用中心频率法来确定VMD的模态数，清晰可靠，而且简单。
4.本发明的特征量具有通用性。
附图说明
图1为本发明所示方法的整体流程图；
图2为本发明所示方法的诊断结果图。
具体实施方式
下面结合附图对本发明做进一步描述。以下实施案例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1-图2所示，一种基于VMD-SVD和SSA-SVM的电梯导靴故障诊断方法，包括以下步骤：
1)通过加速度传感器对电梯导靴上导靴故障状态下的振动信号、下导靴故障状态下的振动信号以及正常状态下的导靴振动信号进行采集和载入，并对采集和载入的振动信号做预处理；
2)基于预处理的振动信号，利用中心频率法对VMD的参数模态个数K进行确定，并对采集到的振动信号进行变分模态分解，将原始信号分解成K个分量；
3)用分解后的K个模态分量构建特征矩阵，对构建的特征矩阵进行奇异值分解得到奇异值序列；
4)以分解后的奇异值序列作为信号的特征值，并将其作为训练后的SSA-SVM的输入量，输出电梯导靴故障诊断结果。
进一步地，步骤2)的具体步骤包括：
针对预处理的振动信号，如果分解后的模态分量出现中心频率相近的分量，则说明VMD对信号进行了过度分解，需降低K值，直至分解后的模态分量不再出现中心频率相近的分量；
以上导靴故障振动信号为例，如下为K在设定为不同值的情况下各模态分量的中心频率，由以下数据可知，当K值为6时，出现了中心频率相近的分量，说明VMD对信号进行了过度分解，因此K的值最终设定为5；
将采用中心频率法得到的K值代入VMD中，对导靴振动信号分解，假设电梯导靴的振动信号为u(t),通过Hilbert变换，得到每个IMF的分量u
对各分量进行信号混合，给解析信号预估一个中心频率，将每个分量的频谱调制到基带上：
寻求K个估计带宽之和最小的模态函数u
其中变分约束问题为：
式中，u
为了解决上述约束最优化问题，引入二次惩罚因子α和拉格朗日乘法算子λ(t)；
进一步地，步骤3)的具体步骤包括：
采用VMD将振动信号分解为K个有限带宽的IMF分量，每个IMF分量都代表某一频率尺度特征的分解系数，可以将其作为振动信号的特征，IMF分量重构可以特征矩阵A，如下：
式中：n＝N；m＝K；N为原始振动信号采样点数，对A进行奇异值分解(SingularValue Decomposition,SVD)，表达式如下：
式中∑
进一步地，步骤4)中，针对上导靴故障状态下的振动信号、下导靴故障状态下的振动信号以及正常状态下的导靴振动信号三种工况状态下分别取多组数据，用各组中部分数据作为样本，然后用剩下的部分数据作为测试数据，用提取到的奇异值序列作为输入分类器的特征向量。
进一步地，步骤4)中，针对上导靴故障状态下的振动信号、下导靴故障状态下的振动信号以及正常状态下的导靴振动信号进行采集和载入，三种工况状态下分别取偶数组数据，用各组中任意的、数量为偶数组的30％的数据作为样本，然后用剩下的数量为偶数组的70％数据作为测试数据，用分解后的奇异值序列作为特征量，以形成训练组和测试组。
进一步地，所述加速度传感器采用三维陀螺仪加速传感器。
进一步地，步骤1)中，对变压器进行振动测试、信号采集时，采样频率为1000Hz，采样点数为2000。
优选的，训练SSA-SVM的过程如下：
①由于径向基函数核函数只需确定一个参数δ，因此选用RBF作为函数，利用SSA对最优δ和C进行寻优；
其中C是惩罚系数，即对误差的宽容度。C越高，说明越不能容忍出现误差,容易过拟合。C越小，容易欠拟合。C过大或过小，泛化能力变差。
式中，gamma是选择RBF函数作为kernel后，该函数自带的一个参数。隐含地决定了数据映射到新的特征空间后的分布，gamma越大，支持向量越少，gamma值越小，支持向量越多。支持向量的个数影响训练与预测的速度。
②将样本输入到SSA-SVM中，一部分进行训练，一部分测试，计算准确率，并分别与EMD-SVD-SVM、EMD-SVD-SSA-SVM、VMD-SVD-SVM方法作对比。
在本发明的一个具体实施例中，采用EVA-625三维加速度传感器以及处理对型号为B22型垂直电梯导靴进行振动测试，采样频率为2000Hz。上导靴故障状态下的振动信号、下导靴故障状态下的振动信号以及正常状态下的导靴振动信号四种状态下分别取100组数据，用各组中任意的70组数据作为训练样本，然后用剩下的每30组数据作为测试数据，用分解后的K个IMF分量构建特征矩阵，对特征矩阵进行奇异值分解，用分解后的奇异值序列作为特征量。表1所示为训练集数据预测结果。表1为SSA-SVM的预测结果与EMD-SVD-SVM、EMD-SVD-SSA-SVM、VMD-SVD-SVM预测结果的比较，由表1可以看出，基基于VMD-SVD和SSA-SVM的电梯导靴故障诊断方法可以有效地识别出故障，其，预测精度分别比VMD-SVD-SVM、EMD-SVD-SSA-SVM、EMD-SVD-SVM提高了3.3％、6.7％和10％，本发明的诊断效果在各方面都优于基于EMD和传统SVM的效果。
表1
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
机译： 滑动导靴和设置有滑动导靴的电梯
机译： 电梯门故障诊断装置，电梯门故障诊断方法及电梯系统
机译： 电梯故障诊断装置及电梯故障诊断方法
