電梯導(dǎo)靴故障診斷研究的國(guó)內(nèi)外文獻(xiàn)綜述1.1智能故障診斷方法研究現(xiàn)狀1967年，美國(guó)在其國(guó)內(nèi)建立起對(duì)于故障的發(fā)生進(jìn)行預(yù)防和處理的小組，該小組成立后，小組每個(gè)成員的主要任務(wù)就是對(duì)故障的預(yù)測(cè)方案、故障的診斷方法、故障的檢測(cè)方案和故障的產(chǎn)生原因四個(gè)方向展開研究，其目的是能夠?qū)τ跈C(jī)械的故障有更深層次的了解與認(rèn)識(shí)，避免這些故障的發(fā)生或者使故障帶來的災(zāi)難降低到最小。美國(guó)在隨后的很多年對(duì)一些故障的解決方案、故障發(fā)生的概率和故障的原因進(jìn)行綜合，然后將綜合的結(jié)果用于軍事領(lǐng)域，都取得了非常好的成果。瑞典通過建立獨(dú)有的失效分析網(wǎng)和專家?guī)?，進(jìn)而對(duì)整個(gè)國(guó)家的機(jī)械故障進(jìn)行診斷與分析。在亞洲國(guó)家中，日本在整個(gè)國(guó)家的交通和電力系統(tǒng)方面做出了較為優(yōu)先的故障診斷研究，這些研究對(duì)于日本的國(guó)家安全取得了非常明顯的成就。與美國(guó)、瑞典和日本等國(guó)家相比，由于我國(guó)發(fā)展較為靠后，在故障診斷的研究上起步比較晚。但是我國(guó)科技發(fā)展較為迅猛，在近些年故障診斷的過程中也取得了較為不錯(cuò)的成就。1987年，我國(guó)建立了自己獨(dú)有的故障診斷分會(huì)，定期地召開各種故障診斷學(xué)術(shù)研究會(huì)議，在各大高校里面也相繼建立自己獨(dú)有的故障診斷實(shí)驗(yàn)室，這些研究機(jī)構(gòu)對(duì)我國(guó)故障診斷方面的發(fā)展做出了極大的貢獻(xiàn)。在如今的智能化故障診斷時(shí)期，各種先進(jìn)的方法層出不窮，常用的智能故障診斷方法有如下幾種：(1)基于專家系統(tǒng)的故障診斷方法專家系統(tǒng)最初是由斯坦福大學(xué)的研究人員引進(jìn)的，是為解決特定領(lǐng)域的復(fù)雜問題而開發(fā)的[9]。專家系統(tǒng)是通過知識(shí)體進(jìn)行推理來解決復(fù)雜問題的，知識(shí)庫(kù)、推理機(jī)、知識(shí)獲取模塊和解釋界面四個(gè)模塊組成了一個(gè)完整的專家系統(tǒng)體系。其中知識(shí)庫(kù)中的知識(shí)以事實(shí)和規(guī)則的形式存儲(chǔ)起來，事實(shí)是短期信息，可以劇烈變化，規(guī)則是長(zhǎng)期信息，相對(duì)比較固定，知識(shí)庫(kù)說白了就是存儲(chǔ)知識(shí)的容器，代表著準(zhǔn)則。推理機(jī)負(fù)責(zé)對(duì)專家系統(tǒng)進(jìn)行全面的協(xié)作和調(diào)控，其通過知識(shí)庫(kù)中既有的知識(shí)與準(zhǔn)則以一定的推演策略去完成問題的求解，推理機(jī)基于一定的原則用既有的知識(shí)推出新的結(jié)果[10-12]。綜上所述，專家系統(tǒng)為現(xiàn)代人工智能和機(jī)器學(xué)習(xí)的雛形，基于專家系統(tǒng)的故障診斷方法就是診斷對(duì)象計(jì)算機(jī)上采集的信息應(yīng)用不同的規(guī)則，經(jīng)過一系列的討論，必要時(shí)可以隨時(shí)調(diào)用不同的應(yīng)用程序，在運(yùn)行過程中可以從用戶那里獲取必要的信息，快速查找最終或可能出現(xiàn)的故障是用戶確認(rèn)的一種方式。(2)故障樹分析診斷法故障樹分析是一種自上而下的方法，最初由H.Waston和A.Mearns于1962年在貝爾實(shí)驗(yàn)室為空軍開發(fā)[13]。這一概念后來被波音公司采用，如今廣泛應(yīng)用于航空航天、汽車、化工、核和軟件行業(yè)，尤其是有關(guān)可靠性和安全相關(guān)事件。故障樹分析的目的是有效地識(shí)別系統(tǒng)故障的原因，并在故障發(fā)生前降低風(fēng)險(xiǎn)。對(duì)于復(fù)雜系統(tǒng)來說，故障樹是一個(gè)非常寶貴的工具，可以直觀地顯示識(shí)別問題的邏輯方式。此外，通過這種分析可以獲得系統(tǒng)的效率。故障樹分析由兩個(gè)元素“事件”和“邏輯門”組成，這兩個(gè)元素將事件連接起來，以確定最不希望發(fā)生的事件的原因[14-15]。故障樹可以更好地理解給定過程中的可靠性、可信性和安全問題。故障樹以可視化的方式布置系統(tǒng)，顯示流程中各個(gè)步驟之間的關(guān)系，并幫助工人預(yù)測(cè)問題及其潛在影響。(3)基于人工神經(jīng)網(wǎng)絡(luò)（ANN）的智能故障診斷方法人工神經(jīng)網(wǎng)絡(luò)使機(jī)器能夠處理與人腦相似的數(shù)據(jù)，并根據(jù)這些數(shù)據(jù)做出決策或采取行動(dòng)。人工神經(jīng)網(wǎng)絡(luò)試圖通過人工神經(jīng)元來復(fù)制這種現(xiàn)象，人工神經(jīng)元被稱為單位，它們層層排列，相互連接，形成網(wǎng)狀結(jié)構(gòu)[16]。人工神經(jīng)網(wǎng)絡(luò)是分布式的處理系統(tǒng)，它具有很強(qiáng)的映射功能，并且按照一定的算法建立訓(xùn)練樣本類別和模式之間的關(guān)系。然后通過建立神經(jīng)元將其每個(gè)部分聯(lián)系起來，每個(gè)神經(jīng)元在神經(jīng)網(wǎng)絡(luò)中就相當(dāng)于一個(gè)計(jì)算單元，通過建立起的這個(gè)神經(jīng)網(wǎng)絡(luò)便可以對(duì)一個(gè)確定故障系統(tǒng)進(jìn)行系統(tǒng)的分析和診斷。人工神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)非常明確。優(yōu)點(diǎn)是它的非線性映射性和自學(xué)習(xí)能力非常強(qiáng)，缺點(diǎn)就是收斂速度比較慢、容易陷入局部最小值和網(wǎng)絡(luò)參數(shù)難以確定。1.2振動(dòng)信號(hào)處理研究現(xiàn)狀信號(hào)從不同的特征域分析可以提取不同維度的特征信息，融合這些特征可以使得特征提取具有完備性、有效性。在對(duì)信號(hào)進(jìn)行特征域分析時(shí)，主要從信號(hào)的時(shí)域、頻域和時(shí)頻域入手[17]，在信號(hào)的時(shí)域指標(biāo)中又分有量綱指標(biāo)和無量綱指標(biāo)，其中有量綱指標(biāo)包括均值、均方差、峰值、峰峰值，其中均值是反映信號(hào)中心趨勢(shì)的一個(gè)指標(biāo)，反映了信號(hào)中的靜態(tài)部分；均方值反映信號(hào)的振動(dòng)強(qiáng)度[18]；方差反映信號(hào)幅值偏離均值的大小；峰值、峰峰值反映信號(hào)幅值的增大過程。有量綱指標(biāo)能夠從信號(hào)時(shí)域內(nèi)幅值和能量的角度反映信號(hào)狀態(tài)的變化，但對(duì)工況敏感。無量綱指標(biāo)一般是信號(hào)統(tǒng)計(jì)量的比值，可以克服有量綱指標(biāo)的缺點(diǎn)，基本不受速度、載荷等工況因素的影響，常用的無量綱指標(biāo)有偏斜度指標(biāo)、峭度指標(biāo)等。偏斜度指標(biāo)反映信號(hào)概率密度函數(shù)的中心偏離正態(tài)分布的程度，反映信號(hào)幅值分布相對(duì)其均值的不對(duì)稱性；峭度指標(biāo)反映信號(hào)概率密度函數(shù)峰頂?shù)耐蛊蕉萚19]。時(shí)域分析和頻域分析是分析設(shè)備工作狀態(tài)及判定設(shè)備是否出現(xiàn)故障最常用的方法，其中時(shí)域分析直觀地反映出信號(hào)加速度隨著時(shí)間的變化，頻域反映出信號(hào)的振動(dòng)頻率隨著時(shí)間的變化，利用時(shí)域分析所提取的特征是對(duì)信號(hào)過程平均化的結(jié)果，而利用頻域分析所提取的特征在時(shí)間尺度上分辨率較低，且都是基于穩(wěn)態(tài)普假設(shè)理論[20]，無法對(duì)信號(hào)的瞬態(tài)頻率隨時(shí)間的變化進(jìn)行表征，故上述兩種方法通常用來處理線性平穩(wěn)的信號(hào)，而由故障引起的導(dǎo)靴振動(dòng)信號(hào)由于其構(gòu)成比較復(fù)雜，往往都是非平穩(wěn)、非線性的信號(hào)，光靠單獨(dú)的時(shí)域或者頻域分析不能很好的對(duì)此類信號(hào)進(jìn)行剖析。頻率分析在平穩(wěn)信號(hào)的處理上表現(xiàn)出色，但由于機(jī)械故障所產(chǎn)生的振動(dòng)信號(hào)為非平穩(wěn)信號(hào)，單純的時(shí)域或頻域分析不能對(duì)這類振動(dòng)信號(hào)進(jìn)行詳盡的分析，導(dǎo)致所提取的信息有所缺失。時(shí)頻分析注重信號(hào)在時(shí)域和頻域上的表現(xiàn)，能夠兼顧振動(dòng)信號(hào)在時(shí)間和頻率尺度上的特點(diǎn)。通過將時(shí)域和頻域相結(jié)合的方式，使得在處理非平穩(wěn)振動(dòng)信號(hào)時(shí)更加的科學(xué)合理，用時(shí)頻分析的方法來對(duì)類似導(dǎo)靴故障振動(dòng)信號(hào)進(jìn)行分析顯得尤為重要[21]，時(shí)頻分析中常用的有短時(shí)傅里葉變換(STFT)、小波變換(WT)、Wigner-Ville時(shí)頻分析、固有時(shí)間尺度分解、局部均值分解以及變分模態(tài)分解[22-25]。1.3故障識(shí)別研究現(xiàn)狀模式識(shí)別是計(jì)算機(jī)科學(xué)的四大基石之一。它包括在小的、分解的問題中尋找相似性或模式，這些問題可以幫助我們更有效地解決更復(fù)雜的問題。模式識(shí)別的一個(gè)重要方面是它的應(yīng)用潛力。例如語音識(shí)別，說話人識(shí)別，多媒體文檔識(shí)別，自動(dòng)醫(yī)療診斷。在一個(gè)典型的模式識(shí)別應(yīng)用程序中，計(jì)算機(jī)通過識(shí)別和描繪輸入數(shù)據(jù)所包含的模式及其相互關(guān)系，對(duì)輸入數(shù)據(jù)施加同一性。原始數(shù)據(jù)被處理并轉(zhuǎn)換成機(jī)器可以使用的形式。模式識(shí)別是檢測(cè)特征或數(shù)據(jù)排列的能力，這些特征或數(shù)據(jù)產(chǎn)生關(guān)于給定系統(tǒng)或數(shù)據(jù)集的信息。在技術(shù)背景下，一種模式可能是一段時(shí)間內(nèi)重復(fù)出現(xiàn)的數(shù)據(jù)序列，可用于預(yù)測(cè)趨勢(shì)、識(shí)別對(duì)象的圖像中特征的特定配置、用于自然語言處理的詞和短語的頻繁組合，或者是網(wǎng)絡(luò)上的特定行為集群，這些行為可能表明存在攻擊以及幾乎無窮無盡的其他可能性。在模式識(shí)別中，模式識(shí)別系統(tǒng)在進(jìn)行工作時(shí)只要判斷被識(shí)別的對(duì)象落入哪一個(gè)區(qū)域，就能確定出它所屬的類別。電梯導(dǎo)靴故障診斷工況識(shí)別問題實(shí)際上恰恰是基于統(tǒng)計(jì)模式識(shí)別的識(shí)別分類問題，通常先使用傳感器對(duì)所研究的對(duì)象進(jìn)行數(shù)據(jù)采集，并應(yīng)用相應(yīng)的特征提取方法對(duì)振動(dòng)信號(hào)提取特征進(jìn)而對(duì)故障的類型進(jìn)行預(yù)測(cè)分類[26]，從而達(dá)到最終故障分類的目的。目前應(yīng)用于故障診斷的模式識(shí)別方法有ANN(人工神經(jīng)網(wǎng)絡(luò))、KNN(最近鄰節(jié)點(diǎn)算法)、決策樹、隨機(jī)森林算法、邏輯回歸、樸素貝葉斯分類器、SVM(支持向量機(jī))和聚類算法等。隨機(jī)森林，顧名思義，是由大量的個(gè)體決策樹組成，在隨機(jī)森林中，每棵樹都會(huì)給定對(duì)應(yīng)的類預(yù)測(cè)，得票最多的類將成為我們模型的預(yù)測(cè)隨機(jī)森林，隨機(jī)森林分類器可以用來解決回歸或分類問題。隨機(jī)森林在故障分類領(lǐng)域也得到了廣泛的應(yīng)用，如李兵等[27]用改進(jìn)的隨機(jī)森林算法對(duì)電機(jī)軸承故障進(jìn)行相關(guān)的應(yīng)用，山東科技大學(xué)的王子蘭[28]等運(yùn)用隨機(jī)森林算法對(duì)旋轉(zhuǎn)機(jī)械齒輪組進(jìn)行故障診斷。人工神經(jīng)網(wǎng)絡(luò)是受生物神經(jīng)網(wǎng)絡(luò)的啟發(fā)的大規(guī)模并行計(jì)算系統(tǒng)，由大量具有許多互連的簡(jiǎn)單處理器組成。當(dāng)前有各種各樣的人工神經(jīng)網(wǎng)絡(luò)用于模擬真實(shí)的神經(jīng)網(wǎng)絡(luò)，研究動(dòng)物和機(jī)器的行為和控制，但也有用于工程目的的人工神經(jīng)網(wǎng)絡(luò)，如模式識(shí)別、預(yù)測(cè)和數(shù)據(jù)壓縮。近年來，隨著計(jì)算機(jī)技術(shù)的快速發(fā)展，人工神經(jīng)神經(jīng)網(wǎng)絡(luò)也被大量研究人員應(yīng)用于機(jī)械設(shè)備的故障診斷中，如湖南大學(xué)楊宇等[29]運(yùn)用經(jīng)驗(yàn)?zāi)B(tài)分解結(jié)合神經(jīng)網(wǎng)絡(luò)的方法對(duì)滾動(dòng)軸承故障進(jìn)行診斷并有效的識(shí)別出滾動(dòng)軸承的工作狀態(tài)和故障類型；國(guó)防科技大學(xué)胡蔦慶等[30]采用經(jīng)驗(yàn)?zāi)B(tài)分解與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法對(duì)行星齒輪箱的故障進(jìn)行診斷，有效的對(duì)行星齒輪的故障進(jìn)行了分類；支持向量機(jī)是每個(gè)學(xué)習(xí)機(jī)器學(xué)習(xí)的人應(yīng)該掌握的一種簡(jiǎn)單算法。支持向量機(jī)算法的目標(biāo)是在N維空間中找到一個(gè)超平面，該超平面能清晰地對(duì)數(shù)據(jù)點(diǎn)進(jìn)行分類。支持向量機(jī)是許多人在應(yīng)用模式識(shí)別解決問題時(shí)的首選，因?yàn)樗a(chǎn)生了顯著的精度和較少的計(jì)算能力。正是由于支持向量機(jī)具備精度高計(jì)算少的特點(diǎn)，研究人員常常把支持向量機(jī)應(yīng)用于機(jī)械設(shè)備故障的分類，湖南科技大學(xué)蔣玲莉[31]等用完備經(jīng)驗(yàn)?zāi)B(tài)分解(CEEMDAN)結(jié)合支持向量機(jī)的方法對(duì)螺旋錐齒輪故障進(jìn)行識(shí)別，準(zhǔn)確識(shí)別了螺旋錐齒輪故障的故障類型；空軍工程大學(xué)陳俊柏[32]等,基于經(jīng)驗(yàn)?zāi)B(tài)分解與SVM相結(jié)合的方法對(duì)機(jī)載燃油泵進(jìn)行故障診斷并達(dá)到很高的故障診斷率；參考文獻(xiàn)陳筍,余磊,趙迪鳴.2014-2019年全國(guó)電梯安全事故統(tǒng)計(jì)及事故防范措施[J].中國(guó)電梯,2021,32(02):25-27.吳鵬,徐靜云,余斌,成新民.基于KPCA-DSVM的電梯運(yùn)行故障診斷方法[J].計(jì)算機(jī)應(yīng)用研究,2020,37(S1):194-196.余立蘋,李云飛,朱世行.基于高維數(shù)據(jù)流的異常檢測(cè)算法[J].計(jì)算機(jī)工程,2018,44(01):51-55.馮文周,曹樹謙,趙峰,胡鋮,劉文波.電梯系統(tǒng)共振失效的靈敏度研究[J].振動(dòng)與沖擊,2015,34(01):165-170.DurakE,YurtsevenHA.Experimentalstudyofthetribologicalpropertiesofanelevator'sbrakelinings[J].IndustrialLubrication&Tribology,2016,68(6):683-688.陳是扦,彭志科,周鵬.信號(hào)分解及其在機(jī)械故障診斷中的應(yīng)用研究綜述[J].機(jī)械工程學(xué)報(bào),2020,56(17):91-107.王瑋.大數(shù)據(jù)背景下頻譜分析在設(shè)備故障診斷中的應(yīng)用[J].科學(xué)與信息化,2017,000(010):136-137.RuiYang,MengjieHuang,QidongLu,MaiyingZhong.RotatingMachineryFaultDiagnosisUsingLong-short-termMemoryRecurrentNeuralNetwork[J].IFACPapersOnLine,2018,51(24).張煜東,吳樂南,王水花.專家系統(tǒng)發(fā)展綜述[J].計(jì)算機(jī)工程與應(yīng)用,2010,46(19):43-47.PieroniMarinaP.P.,McAlooneTimC.,BorgianniYuri,MaccioniLorenzo,PigossoDanielaC.A..Anexpertsystemforcirculareconomybusinessmodelling:advisingmanufacturingcompaniesindecouplingvaluecreationfromresourceconsumption[J].SustainableProductionandConsumption,2021,27.ChilakaRanga,AshwaniKumarChandel,RajeevanChandel.Expertsystemforconditionmonitoringofpowertransformerusingfuzzylogic[J].JournalofRenewableandSustainableEnergy,2017,9(4).Hojatallahsadeghi,Darushfarid,SeyedehFarnazKouhbananiNejad.SelectionofOptimalPortfolioUsingExpertSysteminMamdaniFuzzyEnvironment[J].Mu?āli?āt-iMudīriyyat-i?an?atī,2018,16(48).P.Aghaei,G.Asadollahfardi,A.Katabi.SafetyriskassessmentinshoppingcenterconstructionprojectsusingFuzzyFaultTreeAnalysismethod[J].Quality&Quantity,2021.倪紹徐,張?jiān)７?易宏,梁曉鋒.基于故障樹的智能故障診斷方法[J].上海交通大學(xué)學(xué)報(bào),2008(08):1372-1375+1386.DenizTuncay,NurayDemirel.RELIABILITYANALYSISOFADRAGLINEUSINGFAULTTREEANALYSIS[J].BilimselMadencilikDergisi,2017(2).MuniseDidemDemirba?,DidemSofuo?lu.ThermalStressControlinFunctionallyGradedPlateswithArtificialNeuralNetwork[J].InternationalScientificandVocationalStudiesJournal,2018(1).2．陳是扦,彭志科,周鵬.信號(hào)分解及其在機(jī)械故障診斷中的應(yīng)用研究綜述[J].機(jī)械工程學(xué)報(bào),2020,56(17):91-107吳定會(huì),鄭洋,韓欣宏.基于多特征融合與XGBoost的風(fēng)機(jī)軸承故障診斷[J].傳感器與微系統(tǒng),2020,39(07):145-149.付偉,周新志,寧芊,劉才學(xué),艾瓊,何攀.基于多特征提取與IPSO＿LSSVM的故障診斷[J].組合機(jī)床與自動(dòng)化加工技術(shù),2018(12):38-42.紀(jì)國(guó)宜,趙淳生.振動(dòng)測(cè)試和分析技術(shù)綜述[J].機(jī)械制造與自動(dòng)化,2010,40(03):1-5+50.李春蘭,高閣,張亞飛,葉豪,王海楊,杜松懷.基于局部均值分解(LMD)的單通道觸電信號(hào)盲源分離算法[J].農(nóng)業(yè)工程學(xué)報(bào),2019,35(12):200-208.Zhong-weiZhang,Huai-haiChen,Shun-mingLi,Jin-