DB50T 1393-2023 电梯永磁同步驱动主机故障诊断导则　

ICS91.140.90CCSQ78DB50重庆市市场监督管理局发布IDB50/T1393—2023 12规范性引用文件 13术语和定义 14故障数据采集 25诊断流程 26后期处置 4附录A（资料性）人工智能网络模型的建立 5附录B（资料性）特征频率的计算 7参考文献 9DB50/T1393—2023本文件按照GB/T1.1－2020《标准化工作导则第1部分：标准化文件的结构和起草规则》的规定起草。请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别专利的责任。本文件由重庆市市场监督管理局提出、归口并组织实施。本文件起草单位：重庆市特种设备检测研究院、重庆大学、重庆市质量和标准化研究院。本文件主要起草人：杨震立、康笃刚、张雷、毛永芳、张东平、罗恒、邹同锋、柴毅、吕潇、邹瑜、刘传奇、赵再友、李智、黄崧、邱勇军、谭宏伟。1DB50/T1393—2023电梯永磁同步驱动主机故障诊断导则本文件规定了电梯永磁同步驱动主机故障诊断的故障数据采集、诊断流程和后期处置。本文件适用于额定速度不大于6.0m/s的电梯永磁同步驱动主机故障诊断。2规范性引用文件下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，仅该日期对应的版本适用于本文件，不注日期的引用文件，其最新版本（包括所有的修改单）适用于本文件。GB/T10068—2020轴中心高为56mm及以上电机的机械振动振动的测量、评定及限值GB/T29716.3机械振动与冲击信号处理第3部分：时频分析方法GB/T31821—2015电梯主要部件报废技术条件3术语和定义下列术语和定义适用于本文件。3.1电梯永磁同步驱动主机故障faultofpermanentmagnetsynchronousliftmachine电梯本体不能识别的永磁同步驱动主机故障，包括主轴故障、轴承故障、永磁体故障、匝间断路故3.2迁移诊断模型transportdiagnosismodel基于迁移学习机制建立的神经网络故障诊断模型。3.3数据准备datapreparation合理截取采样得到的一维时间序列信号并转换为二维图片，作为神经网络模型的输入。3.4迁移学习transporttraining在神经网络中使用域自适应层与域分类器来进行域自适应学习，利用源域数据训练基本特征提取及分类网络后使用源域与目标域数据共同训练特征迁移层，实现对目标域数据的分布适配。4故障数据采集4.1采集位置电梯永磁同步驱动主机故障数据的采集应在特定位置进行，包括但不限于：2DB50/T1393—2023——振动信号：采集点应包括电梯永磁同步驱动主机主轴的轴向以及相互垂直的径向，具体位置可参照GB/T10068—2020中7.2的要求。——电流信号：采集点应在变频器输出端至电梯永磁同步驱动主机进线端之间。4.2质量要求采集到的电流及振动数据应至少达到以下要求：——进行必要的数据预处理，如异常值剔除、降噪等；——信噪比不得低于30dB；——量化精度应不得低于16Bit；——采样频率应不得低于100Hz。采集所使用的传感器应通过计量检定和校准，并在有效期内使用。5诊断流程5.1诊断方法5.1.1分类对于电梯永磁同步驱动主机故障，可采用人工智能分析、制造单位推荐方法、信号分析以及拆机检查这4种方法进行诊断。应优先采用人工智能分析进行诊断。未采用人工智能分析的情况下，采用制造单位推荐方法进行诊断。制造单位推荐方法无法确诊的情况下，采用信号分析进行诊断。信号分析无法确诊的情况下，采用拆机检查进行诊断。5.1.2人工智能分析宜建立神经网络模型。当不能同时获取正常及故障状态下监测数据的情况下，还宜建立迁移诊断模型。神经网络模型应具有输入层、不少于一个的中间层、输出层，其输出宜为故障类型的独热编码，不同的编码代表被检测电梯永磁同步驱动主机所呈现的不同故障类型。神经网络模型的建立方法可参考附录A。电梯空载上行及下行全程运行至少3次，在符合4.1规定的位置采集电梯永磁同步驱动主机的振动信号和电流信号，采用人工智能对上述信号进行分析。5.1.3制造单位推荐方法电梯制造单位对于电梯永磁同步驱动主机故障诊断的推荐方法包括经验判断、带电测试、辨识振动位置、轴承热成像检测、空载反电势检测等，现场诊断流程应参照各出厂检验的要求进行。5.1.4信号分析电梯空载上行及下行全程运行至少3次，在符合4.1规定的位置采集电梯永磁同步驱动主机的振动信号和电流信号，采取降噪、滤波、时频变换等措施对频谱、功率谱等进行分析，具体可参照GB/T29716.3中的相关要求。5.1.5拆机检查拆机检查前，应将电梯的轿厢运行至井道顶部并使对重压实在缓冲器上，采用专业工具（如电动葫芦）将轿厢吊起，并人为动作安全钳的触发装置。完成上述操作后，再根据永磁同步驱动主机的结构按顺序拆卸并检查转子、轴承、转轴等。3DB50/T1393—20235.2故障分类本文件所述的故障分类情况见表1。表1电梯永磁同步驱动主机故障分类故障类别故障描述故障代号主轴故障主轴磨损、偏心、受撞击等S轴承故障轴承磨损、配合松动、点蚀等B永磁体故障因高温等造成永磁体的磁感应强度减弱M匝间断路故障匝间线圈被异物割破导致断路C5.3故障判定5.3.1人工智能分析5.3.1.1模型的预训练预训练的输入设定，需要对所获取的电梯永磁同步驱动主机稳定运行信号进行截取和预处理。预训练模型训练时使用的输入为一维时间序列信号，需按照每段信号至少10个周期的标准进行截取。预训练模型训练时使用的输入为图像信号，可参照GB/T29716.3或其他等效方法将一维时间序列信号转换为二维图像信号作为神经网络输入源。利用在试验台架上人为设置的故障数据，在符合5.1.2规定的神经网络模型上进行训练，当检测准确率达到95%以上时，停止训练并保存模型参数。利用实际获取的故障数据，在符合5.1.2规定的神经网络模型上进行训练，当检测准确率达到80%以上时，停止训练并保存模型参数。5.3.1.2智能诊断在电梯永磁同步驱动主机现场采集符合5.1.2的振动信号和电流信号，通过适当的数据准备成为图片，输入至预训练模型进行迁移学习完成故障诊断的计算，得出诊断结果。5.3.2制造单位推荐方法故障判定标准应参照电梯制造单位的出厂检验标准执行。5.3.3信号分析5.3.3.1主轴故障当电梯正常运行时，电梯永磁同步驱动主机主轴旋转基频及其倍频的幅值明显大于正常值时，可以判定为主轴故障。主轴旋转基频的计算方法见附录B。5.3.3.2轴承故障当电梯正常运行时，包括但不限于下列振动的特征频率及其倍频的幅值明显大于正常值，可判定为电梯永磁同步驱动主机轴承故障：——内圈旋转频率；4DB50/T1393—2023——外圈旋转频率；——滚动体通过频率；——保持架旋转频率。轴承各特征频率的计算方法见附录B。5.3.3.3永磁体故障当电梯正常运行时，变频器输出端至电梯永磁同步驱动主机进线端之间的电流明显增大，且相电流谐波频率幅值明显大于正常值时，可以判定为电梯永磁同步驱动主机永磁体故障。相电流谐波频率的计算方法见附录B。5.3.3.4匝间断路故障当电梯正常运行时，变频器输出端至电梯驱动主机进线端之间的电流中，若任意一相电流振幅的有效值明显大于正常电流振幅的有效值时，可判定为电梯永磁同步驱动主机匝间断路故障。5.3.4拆机检查把电梯驱动主机拆开后：——目测轴承内圈、外圈、滚动体等部位的损伤情况，判断轴承是否磨损等失效；——目测主轴的磨损情况，判断主轴是否磨损；——采用专业仪器分别测量各磁钢的磁感应强度，判断各磁钢是否退磁；——目测匝间线圈完好情况，判断是否存在匝间断路；——观察驱动主机其他部位的情况，判断是否还存在其他的故障。6后期处置6.1报废按GB/T31821—2015中4.2的要求进行报废处理。6.2修理判定为电梯永磁同步驱动主机主轴磨损、轴承磨损、磁钢退磁故障时，宜采取更换主轴、更换轴承、更换磁钢的方式进行修理。判定为电梯永磁同步驱动主机匝间断路故障时，宜采取整体更换驱动主机的方式进行修理。判定为电梯永磁同步驱动主机的其他故障时，宜按照制造单位推荐方法进行修理。5(资料性)神经网络模型的建立A.1神经网络模型的选择电梯永磁同步驱动主机故障诊断的神经网络模型宜采用卷积神经网络，其建模流程包括卷积层、激活函数、池化层、连接层等的建立以及训练。A.2神经网络模型的建立考虑到电梯永磁同步驱动主机在处于不同故障模式下的振动信号产生的低频和高频信息有明显的区别，大卷积核会着重提取信号的短时高频特征，小卷积核则主要获取信号的全局信息即低频特征，因此宜采取以下建模方式：——采用3个卷积层、3个全连接层、3个池化层；——采用由一层大卷积核和三层小卷积核堆叠而成的一维卷积核；——损失函数采用交叉熵损失函数；——优化函数采用自适应动量的随机优化算法；——激活函数采用整流线性单元；——池化层采用最大池化的方法。采用上述方式建立的卷积层、全连接层以及网络整体结构如图A.1、图A.2以及图A.3所示。权重：200×100×3偏置：200偏置：200权重：100×100×3偏置：100权重：200×100×3一维最大池化线性整流线性整流图A.1卷积层线性层线性层权重：120×570偏置：120线性层权重：84×120偏置：84权重：7×84偏置：7线性整流图A.2全连接层6输入输入卷积层线性整流池化层卷积层线性整流池化层线性整流全局矩阵乘法数据展平池化层线性整流卷积层全局矩阵乘法线性整流全局矩阵乘法全连接层输出图A.3网络整体结构图A.3预训练模型的构建及训练针对电梯永磁同步驱动主机故障特征，采用一次训练所抓取的数据样本数量宜设置为32、学习率为0.001的超参数值进行模型训练，并采用误差反向传播机制对所建立的卷积神经网络进行训练，使其准确率达到95%以上。构建域自适应结构的域分类器，将目标域与源域数据随机按1:1比例混合构建数据集，若目标域数据过少可适当提高源域数据比例至1.3:1。添加源域数据标签为0,目标域数据标签为1,添加领域类型标签以后，源域数据包含故障类型和领域类型共两种标签，目标域数据仅有领域类型标签。串联特征提取网络、自适应层与域分类器网络来训练域分类器，使其判别精度到50%左右。7DB50/T1393—2023（资料性）特征频率的计算B.1符号下列符号用于电梯永磁同步驱动主机的计算公式（B.1）~公式（B.6）。n——额定转速，r/min；D——轴承的节径，mm；d——滚动体的直径，mm；α——接触角，rad；z——滚动体个数；P——磁极对数。frB.3轴承B.3.1内圈旋转频率fififrB.3轴承B.3.1内圈旋转频率fifi(1cos)（B.2）B.3.2外圈旋转频率f0f0(1-cos)（B.3）B.3.3滚动体通过频率fbfb[1-()2cos2]（B.4）B.3.4保持架旋转频率fcfc(1-cos)（B.5）B.4相电流谐波频率fn8DB50/T1393—2023fn(1)……