CN111056395B - 一种基于多点压力传感器的抱闸故障诊断方法 - Google Patents

Abstract

本发明提供一种的基于多点压力传感器的抱闸故障诊断方法，属于封装外壳技术领域。该的基于多点压力传感器的抱闸故障诊断方法S1：获取第一信号数据；S2：对信号预测模型进行训练；S3：对第一信号数据进行分类。本发明对于给定任意一组待识别的闸瓦信号，输入到训练好的信号预测模型中，提取样本的深度学习特征，通过两次训练的方法来有效的判别该组信号属于正常状态或者故障状态，这样可以从分类的情况了解抱闸制动器压力的状态，可以实时直观展现抱闸闸瓦的受力分布情况，可实现抱闸装置运行状态的实时监测。

Description

一种基于多点压力传感器的抱闸故障诊断方法

技术领域

本发明属于抱闸故障诊断技术领域，涉及一种基于多点压力传感器的抱闸故障诊断方法。

背景技术

抱闸制动装置广泛应用于工业、民用曳引式电梯，由于抱闸装置故障导致的工业损失和人身安全问题的事故时有发生，制动器的整体性能随着工作次数的累加是不断变化的，国内制动器大都未对其动态特性和故障机理进行深入的研究，因而缺乏有效的抱闸装置故障诊断系统，仅仅依靠维保人员定期检查是无法从根本上保证其可靠运行的。这种常规的定期检查方式体现出以下不足之处：1)对维修工人要求高，需要进行长时间的培训和长期的经验积累；2)经济效益差，未能及时发现抱闸故障带来的工业损失是巨大的； 4)安全系数低，故障发生时容易造成人员伤亡。因此，根据制动器的动态特性和故障机理进行深入的研究，并在此基础上建立的抱闸故障诊断方法，对于提升曳引式电梯安全等级、缩短维修时间和减少维保投入具有重要的意义。

发明内容

本发明针对现有的技术存在的上述问题，提供一种基于多点压力传感器的抱闸故障诊断方法，本发明所要解决的技术问题是：如何提供一种基于多点压力传感器的抱闸故障诊断方法。

本发明的目的可通过下列技术方案来实现：

一种基于多点压力传感器的抱闸故障诊断方法，包括如下步骤：

S1：通过多点压力传感器检测抱闸制动器的压力以获取包括抱闸制动器压力值的第一信号数据；

S2：建立基于LeNet-5神经网络的信号预测模型并对信号预测模型进行训练；

S3：通过训练后的信号预测模型对第一信号数据进行分类。

优选的，步骤S1通过4*6的24点压力传感器收集第一信号数据，所述第一信号数据包括抱闸制动器左边闸瓦的左闸瓦传感器信号和抱闸制动器右边闸瓦的右闸瓦传感器信号，所述第一信号数据按照正常状态和故障状态进行分类。

优选的，步骤S1中包括对第一信号数据进行预处理，将多个4*6信号合并，通过用48组信号合成48*48的信号矩阵，其中一组信号包括左闸瓦传感器信号和右闸瓦传感器信号。

优选的，所述信号预测模型包括七层；第一层为输入层，第一层为原始的信号数据，第一层的图片大小为48*48*1、channel为1；第二层为卷积层，第二层的输入为输出层的输出，第二层的过滤器尺寸为5*5、深度为32，第二层使用全0填充，第二层的输出矩阵大小为48*48*32；第三层为池化层，第三层的输入为第二层输出的48*48*32的节点矩阵，第三层的过滤器尺寸大小为2*2、长和宽的步长均为2，第三层的输出矩阵大小为24*24*32；第四层为卷积层，第四层的输入为第三层的输出，第四层的过滤器尺寸为5*5、深度为64，第四层使用全0填充，第四层的输出矩阵大小为24*24*64；第五层为池化层，第五层的输入为第四层输出的24*24*64的节点矩阵，第五层的过滤器大小为2*2、长和宽的步长均为2，第五层的输出矩阵大小为12*12*64；第六层为全连接层，第六层的输入为第五层的输出，第六层输入节点个数为12*12*64，第六层输入节点个数为9216个，第六层输出节点个数为512个；第七层为全连接层，第七层输入节点个数为512个，第七层输出节点个数为4个。

优选的，所述信号预测模型的训练过程包括：输入训练样本集；提取信号特征进行分类训练；其中训练样本集和测试样本集的大小均为48*48像素。

优选的，所述压力传感器为柔性薄膜阵列压力传感器，步骤S1中柔性薄膜阵列压力传感器获取第一信号数据后将第一信号数据发送至传感器信号调理装置，所述传感器信号调理装置在柔性薄膜阵列压力传感器进行多路信号采集后将第一信号数据转换为第一转换数据，控制器将第一转换数据发送至内置有基于LeNet-5神经网络的信号预测模型的测量信号处理分析系统，测量信号处理分析系统通过预设数据对信号预测模型进行训练，测量信号处理分析系统通过训练后的信号预测模型对第一转换数据进行分类。

优选的，还包括用以检测抱闸制动器的第一测试数据的压力测试机，所述控制器将第一测试数据和第一信号数据进行比较以获取第一测试数据和第一信号数据之间的差值，如果差值大于预设值则控制器反馈“误差较大”信号，如果差值小于或者等于预设值则控制器反馈“合格”信号。

优选的，还包括用以通过单元力检测算法检测压力传感器的检测数据的检测电路，所述单元力检测算法包括：所述柔性薄膜压力传感器的AI量程设置为0~5V_DC，还包括用以存储所述柔性薄膜压力传感器检测的第一信号数据的MODBUS寄存器，所述MODBUS寄存器读数为0~50000，所述柔性薄膜压力传感器检测的抱闸制动器单元压力为Fs，Fs=C/( RH*VI/( V⁺ - VI))-F0，其中VI=(AI/50000)•V⁺，RH为可变电阻值，C为电导-压力转换系数，量纲为kg •S，F0为初始压力，V⁺为5V_DC。

优选的，所述测量信号处理分析系统通过MODBUS协议与控制器交互获取实时测量数据，所述测量信号处理分析系统的HMI显示信号预测模型对第一信号数据的分类结果。

优选的，所述抱闸制动器的总制动力为F₁，F₁=

，其中

为传感器单元受力之和，Ar 为承压比，抱闸制动器在机构停止运行时的制动力矩为F₂，Tb=2F₂Rμ，其中Tb为静态制动力矩，R 为抱闸制动器的制动轮半径，μ为摩擦系数。

本发明首先通过多点压力传感器检测抱闸制动器的压力以获取包括抱闸制动器压力值的第一信号数据，然后建立基于LeNet-5神经网络的信号预测模型并对信号预测模型进行训练，最后通过训练后的信号预测模型对第一信号数据进行分类，对于给定任意一组待识别的闸瓦信号，输入到训练好的信号预测模型中，提取样本的深度学习特征，通过两次训练的方法来有效的判别该组信号属于正常状态或者故障状态，这样可以从分类的情况了解抱闸制动器压力的状态，可以实时直观展现抱闸闸瓦的受力分布情况，可实现抱闸装置运行状态的实时监测。

附图说明

图1是本发明中根据制动器制动衬垫受力分布设计的4*6压力传感器阵列布局的结构示意图；

图2是本发明中的柔性薄膜阵列压力传感器检测数据并发送至传感器信号调整装置、多路信号采集后发送至测量信号处理分析系统时的示意图；

图3是本发明中的检测电路的结构示意图；

图4是本发明中的检测电路通过单元力检测算法检测压力传感器的检测数据时的全量程测试的曲线变化图；

图5是本发明中的测量信号处理分析系统在模拟制动器工作状态时的重复等压验证测试的曲线变化图。

具体实施方式

以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。

请参阅图1、图2、图3、图4、图5，本实施例中的基于多点压力传感器的抱闸故障诊断方法，包括如下步骤：

S1：通过多点压力传感器检测抱闸制动器的压力以获取包括抱闸制动器压力值的第一信号数据；

S2：建立基于LeNet-5神经网络的信号预测模型并对信号预测模型进行训练；

S3：通过训练后的信号预测模型对第一信号数据进行分类，对于给定任意一组待识别的闸瓦信号，输入到训练好的深度学习模型中，提取样本的深度学习特征，通过两次训练的方法来有效的判别该组信号属于正常状态或者故障状态。

此处，首先通过多点压力传感器检测抱闸制动器的压力以获取包括抱闸制动器压力值的第一信号数据，然后建立基于LeNet-5神经网络的信号预测模型并对信号预测模型进行训练，最后通过训练后的信号预测模型对第一信号数据进行分类，对于给定任意一组待识别的闸瓦信号，输入到训练好的信号预测模型中，提取样本的深度学习特征，通过两次训练的方法来有效的判别该组信号属于正常状态或者故障状态，这样可以从分类的情况了解抱闸制动器压力的状态，可以实时直观展现抱闸闸瓦的受力分布情况，可实现抱闸装置运行状态的实时监测。

步骤S1通过4*6的24点压力传感器收集第一信号数据，第一信号数据包括抱闸制动器左边闸瓦的左闸瓦传感器信号和抱闸制动器右边闸瓦的右闸瓦传感器信号，第一信号数据按照正常状态和故障状态进行分类。

步骤S1中可以包括对第一信号数据进行预处理，将多个4*6信号合并，通过用48组信号合成48*48的信号矩阵，其中一组信号包括左闸瓦传感器信号和右闸瓦传感器信号。

信号预测模型可以包括七层；第一层为输入层，第一层为原始的信号数据，第一层的图片大小为48*48*1、channel为1；第二层为卷积层，第二层的输入为输出层的输出，第二层的过滤器尺寸为5*5、深度为32，第二层使用全0填充，第二层的输出矩阵大小为48*48*32；第三层为池化层，第三层的输入为第二层输出的48*48*32的节点矩阵，第三层的过滤器尺寸大小为2*2、长和宽的步长均为2，第三层的输出矩阵大小为24*24*32；第四层为卷积层，第四层的输入为第三层的输出，第四层的过滤器尺寸为5*5、深度为64，第四层使用全0填充，第四层的输出矩阵大小为24*24*64；第五层为池化层，第五层的输入为第四层输出的24*24*64的节点矩阵，第五层的过滤器大小为2*2、长和宽的步长均为2，第五层的输出矩阵大小为12*12*64；第六层为全连接层，第六层的输入为第五层的输出，第六层输入节点个数为12*12*64，第六层输入节点个数为9216个，第六层输出节点个数为512个；第七层为全连接层，第七层输入节点个数为512个，第七层输出节点个数为4个。

信号预测模型的训练过程可以包括：输入训练样本集；提取信号特征进行分类训练；其中训练样本集和测试样本集的大小均为48*48像素。

请参阅图2，压力传感器可以为柔性薄膜阵列压力传感器，步骤S1中柔性薄膜阵列压力传感器获取第一信号数据后将第一信号数据发送至传感器信号调理装置，传感器信号调理装置在柔性薄膜阵列压力传感器进行多路信号采集后将第一信号数据转换为第一转换数据，控制器将第一转换数据发送至内置有基于LeNet-5神经网络的信号预测模型的测量信号处理分析系统，测量信号处理分析系统通过预设数据对信号预测模型进行训练，测量信号处理分析系统通过训练后的信号预测模型对第一转换数据进行分类。

柔性薄膜阵列压力传感器由多个电阻式薄膜压力传感器单元构成，可以静态和动态地测试2 个表面之间与传感器平面垂直方向的力，本申请中将传感器置于制动器摩擦衬垫与制动闸瓦之间，以检测制动面受力大小及力的分布。传感器是采用双面聚酯基材上分别印刷银电极、力敏、绝缘、胶水，然后将上下2 层基材面对面封装起来，引出的电极上压接FPC接口器件，柔性印刷电路板，选用1.0mm间距26针脚。每个传感器单元可视为一个电阻，在静态（不施力，不弯曲）条件下，传感器的电阻很大（>1MΩ）。在传感器的有效面积上施加力之后会带来传感器电阻的对应减小，施力越大，电阻变得越小。薄膜传感器与测力计、应变仪等不同，通常能获的力的测量精度范围大概在±5%到±25%，现有传感器制造技术尚不能保证阵列中各传感器的一致性。本申请中结合依赖于施力系统的一致性及测量校正方法改善阵列单元的一致性：前者通过施力结构优化帮助吸收由于力的分布引入的误差加以解决施力系统的一致性问题；后者采用阵列可变电阻测量校正方法，使得阵列中每个检测单元的分压比一致。柔性薄膜压力传感器在承压时，压力值与器件的电导率有良好的正相关性。

单元量程是柔性薄膜阵列压力传感器重要选型参数，按以下步骤和方法计算：总压力(Kg)={[制动力矩(NM)/力臂(M)]/9.8}/μ，其中制动力矩取标称最大值，μ为制动衬垫摩擦系数，一般取0.35，制动衬垫单位面积压力（kg/cm2）=总压力(Kg)/制动衬垫面积，传感器敏感区可能承受的最大压力=制动衬垫单位面积压力（kg/cm2）*传感器单元设计尺寸（cm2），根据计算结果取量程标称值（kg）作为选型参数。

作为本实施例中的基于多点压力传感器的抱闸故障诊断方法还可以包括用以检测抱闸制动器的第一测试数据的压力测试机，控制器将第一测试数据和第一信号数据进行比较以获取第一测试数据和第一信号数据之间的差值，如果差值大于预设值则控制器反馈“误差较大”信号，如果差值小于或者等于预设值则控制器反馈“合格”信号，可以实时获取合格数据和误差较大数据。压力测试机测试压力传感器的示数是否准确。

请参阅图3，作为本实施例中的基于多点压力传感器的抱闸故障诊断方法还可以包括用以通过单元力检测算法检测压力传感器的检测数据的检测电路，单元力检测算法可以包括：柔性薄膜压力传感器的AI量程设置可以为0~5V_DC，还可以包括用以存储柔性薄膜压力传感器检测的第一信号数据的MODBUS寄存器，MODBUS寄存器读数为0~50000，柔性薄膜压力传感器检测的抱闸制动器单元压力为Fs，Fs=C/( RH*VI/( V⁺ - VI))-F0，其中VI=(AI/50000) • V⁺，RH为可变电阻值，C为电导-压力转换系数，量纲为kg • S，F0为初始压力，V⁺为5V_DC。柔性薄膜压力传感器在承压时，压力值与器件的电导率有良好的正相关性。传感器作为可变电阻，可以简单的采用电阻分压的方式，通过测试电压来计算出电阻的大小，也可以通过运算放大器的运算电路来计算传感器的实时电阻。系统标定时根据F0=C/( RH*VI0/(V+ - VI0))计算获取，用于消除传感器阵列安装时的形变和装配过程产生的初始压力。请参阅图4，将Fs=C/( RH*VI/( V+ - VI))-F0作为单元力检测算法，测试时模拟施加了约2kg的初始压力，单元力在算法的全量程验证测试结果如图4所示的曲线变化，测试结果显示算法设计符合预期。

测量信号处理分析系统可以通过MODBUS协议与控制器交互获取实时测量数据，测量信号处理分析系统的HMI显示信号预测模型对第一信号数据的分类结果。请参阅图5，测试时模拟施加了约2kg的初始压力，模拟制动器工作状态的重复等压验证测试结果如图5所示的曲线变化，测试结果说明柔性薄膜压力传感器具有良好的重复性。

制动器闭合时制动轮表面所受压力为抱闸制动器的总制动力，抱闸制动器的总制动力可以为F₁，F₁=

，其中

为传感器单元受力之和，Ar 为承压比即传感器受力面积总和/摩擦衬片受力面积，抱闸制动器在制动过程结束机构停止运行时的制动力矩为F₂，Tb=2F₂Rμ，其中Tb为静态制动力矩，R为抱闸制动器的制动轮半径，μ为摩擦系数。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (6)

1.一种基于多点压力传感器的抱闸故障诊断方法，其特征在于，包括如下步骤：

S1：通过多点压力传感器检测抱闸制动器的压力以获取包括抱闸制动器压力值的第一信号数据；

S2：建立基于LeNet-5神经网络的信号预测模型并对信号预测模型进行训练；

S3：通过训练后的信号预测模型对第一信号数据进行分类；

步骤S1通过4*6的24点压力传感器收集第一信号数据，所述第一信号数据包括抱闸制动器左边闸瓦的左闸瓦传感器信号和抱闸制动器右边闸瓦的右闸瓦传感器信号，所述第一信号数据按照正常状态和故障状态进行分类；

步骤S1中包括对第一信号数据进行预处理，将多个4*6信号合并，通过用48组信号合成48*48的信号矩阵，其中一组信号包括左闸瓦传感器信号和右闸瓦传感器信号；

所述信号预测模型包括七层；第一层为输入层，第一层为原始的信号数据，第一层的图片大小为48*48*1、channel为1；第二层为卷积层，第二层的输入为输出层的输出，第二层的过滤器尺寸为5*5、深度为32，第二层使用全0填充，第二层的输出矩阵大小为48*48*32；第三层为池化层，第三层的输入为第二层输出的48*48*32的节点矩阵，第三层的过滤器尺寸大小为2*2、长和宽的步长均为2，第三层的输出矩阵大小为24*24*32；第四层为卷积层，第四层的输入为第三层的输出，第四层的过滤器尺寸为5*5、深度为64，第四层使用全0填充，第四层的输出矩阵大小为24*24*64；第五层为池化层，第五层的输入为第四层输出的24*24*64的节点矩阵，第五层的过滤器大小为2*2、长和宽的步长均为2，第五层的输出矩阵大小为12*12*64；第六层为全连接层，第六层的输入为第五层的输出，第六层输入节点个数为12*12*64，第六层输入节点个数为9216个，第六层输出节点个数为512个；第七层为全连接层，第七层输入节点个数为512个，第七层输出节点个数为4个；

所述信号预测模型的训练过程包括：输入训练样本集；提取信号特征进行分类训练；其中训练样本集和测试样本集的大小均为48*48像素。

2.如权利要求1所述的一种基于多点压力传感器的抱闸故障诊断方法，其特征在于：所述压力传感器为柔性薄膜阵列压力传感器，步骤S1中柔性薄膜阵列压力传感器检测抱闸制动器的单元力以获取第一信号数据，所述柔性薄膜阵列压力传感器将第一信号数据发送至传感器信号调理装置，所述传感器信号调理装置在柔性薄膜阵列压力传感器进行多路信号采集后将第一信号数据转换为第一转换数据，控制器将第一转换数据发送至内置有基于LeNet-5神经网络的信号预测模型的测量信号处理分析系统，测量信号处理分析系统通过预设数据对信号预测模型进行训练，测量信号处理分析系统通过训练后的信号预测模型对第一转换数据进行分类。

3.如权利要求2所述的一种基于多点压力传感器的抱闸故障诊断方法，其特征在于：还包括用以检测抱闸制动器的第一测试数据的压力测试机，所述控制器将第一测试数据和第一信号数据进行比较以获取第一测试数据和第一信号数据之间的差值，如果差值大于预设值则控制器反馈“误差较大”信号，如果差值小于或者等于预设值则控制器反馈“合格”信号。

4.如权利要求3所述的一种基于多点压力传感器的抱闸故障诊断方法，其特征在于：还包括用以通过单元力检测算法检测压力传感器的检测数据的检测电路，所述单元力检测算法包括：所述柔性薄膜压力传感器的AI量程设置为0~5V_DC，还包括用以存储所述柔性薄膜压力传感器检测的第一信号数据的MODBUS寄存器，所述MODBUS寄存器读数为0~50000，所述柔性薄膜压力传感器检测的抱闸制动器单元压力为Fs，Fs=C/( RH*VI/( V⁺ - VI))-F0，其中VI=(AI/50000) • V⁺，RH为可变电阻值，C为电导-压力转换系数，量纲为kg • S，F0为初始压力，V⁺为5V_DC。

5.如权利要求4所述的一种基于多点压力传感器的抱闸故障诊断方法，其特征在于：将单元力所述测量信号处理分析系统通过MODBUS协议与控制器交互获取实时测量数据，所述测量信号处理分析系统的HMI显示信号预测模型对第一信号数据的分类结果。

6.如权利要求5所述的一种基于多点压力传感器的抱闸故障诊断方法，其特征在于：所述抱闸制动器的总制动力为F₁，F₁=

，其中

为传感器单元受力之和，Ar为承压比，抱闸制动器在机构停止运行时的制动力矩为F₂，Tb=2F₂Rμ，其中Tb为静态制动力矩，R 为抱闸制动器的制动轮半径，μ为摩擦系数。

Images