基于數字孿生的電梯制動性能預測及評價

郭青源 王 璇 李菊峰 楊 陽 牛衛飛

（1.天津市特種設備監督檢驗技術研究院 天津 300192）

（2.國家市場監管重點實驗室（特種設備數字孿生共性技術） 天津 300192）

隨著我國城鎮化進程的加快，高層建筑迅猛發展，而電梯是高層建筑中不可缺少的設備。截至2022年底，全國電梯總量達到964.46萬臺[1]，使用15年以上的老舊電梯已達73.68萬臺[2]。根據《特種設備典型事故案例集》統計，墜梯、沖頂和剪切占電梯傷亡非人為事故的82%，而電梯制動性能是造成上述現象的根本原因[3]。如何對電梯制動性能進行精準預測，是保證民生安全和國家垂直交通系統平穩運行的巨大挑戰。

制動性能的可靠性是保證電梯安全運行的前提。當前制動性能監測方法主要分為物理方法和機器學習方法，物理方法主要是傳統制動器廠家廣泛采用定檢和抽檢的檢測方法來確保制動器的正常運行。機器學習方法主要是神經網絡、支持向量機、極限學習機等。由于神經網絡可以很好地挖掘訓練數據中的線性和非線性之間的關系以及深層特征，它們通常具有更好的預測性能。根據相關文獻對長期短期記憶（LSTM）和其他預測模型進行測試對比，表明LSTM在長期預測和短期預測方面均優于其他預測模型[4-6]。由于電梯屬于長生命周期運轉設備，LSTM存在模型復雜性和訓練時間長的問題，因此對大量的多維數據優化處理可以增強LSTM的訓練效果?；诙嗑S數據提出基于主成分分析（PCA）的方法，采用PCA對采集到的歷史運行數據進行特征提取，并對提取后的特征值進行歸一化處理，從而得到優化的數據集[7]。為了提高制動器性能預測的精度，需要對原始數據的噪聲進行濾波處理，因為多參量因素序列通常是非平穩的，直接對原始數據預測可能會對結果造成較大的誤差，分解原始序列的信號可以提升預測精度以及降低數據運算的復雜程度。

基于上述特點，為了解決傳統制動性能預測模型的特征不準確和收斂速度慢的問題，提出基于數字孿生的電梯制動性能預測及評價?；跀底謱\生五維模型的概念，建立物理實體、虛擬實體、孿生數據、應用服務以及連接交互的5個維度[8]。在這5個維度的基礎上借助數據驅動的方法對物理實體的歷史數據和實時數據進行分析與挖掘，從而提出了基于PCARF-LSTM（主成分分析-隨機森林-長期短期記憶）的預測融合算法對物理實體進行高精度模擬和預測，以提高制動性能的預測精度。本文以藍光曳引機為研究對象，基于電梯制動器的失效模式搭建了實驗平臺，結合多參量傳感器監測裝置來探究對電梯數字孿生制動性能的全生命周期監管。

1 電梯實體的搭建

1.1 電梯失效模式的分析

電梯實驗平臺的搭建主要研究電梯的運行狀態從健康逐漸衰減到故障狀態下的變化規律。傳統的失效故障監測方法，主要是在電梯正常工況運行下布置相關傳感器進行實時數據的監測以及故障預警，但是由于電梯全生命周期較長，實時監測的數據達到海量，難以實時判斷電梯全生命周期的健康狀態。故本文設計并搭建了電梯失效實驗平臺，實驗平臺主要根據模擬3種故障場景組合而成，是通過布置步進電機、拉桿、拉線以及蝸輪、蝸桿、旋轉臺等多類模塊組合而成的控制平臺，在控制平臺的基礎上布置振動、電流、電壓、編碼器以及限位器等多類傳感器?；谠O備的失效機理，通過實驗平臺來加快設備制動性能衰減的時間，從而達到在不同工作模式下，對電梯制動性能進行分析研究的目的。如圖1所示，圖1（a）為藍光曳引機，圖1（b）為電梯失效實驗平臺。

圖1 電梯實驗平臺結構示意圖

如圖2所示，本文設計的實驗平臺主要由藍光曳引機、基于海普蒙特的變頻器與PLC控制柜組成。首先通過PLC對3個不同的故障模式對應組件進行編程，保證機構運轉性能正常；然后通過程序調節設備的模擬量、電流值、電壓值和制動力矩，使曳引機性能逐漸失效，通過失效過程中的多維度的物理量，來探究制動性能的變化。本文通過不間斷地模擬故障場景，來保證在多種復雜工況條件下采集到電梯在多種失效模式下的全生命周期的參數信息。

圖2 電梯實驗臺示意圖

電梯在工作過程中發生失效的場景分為制動器單側卡阻、單臂動作和制動力不足，主要原因是制動彈簧壓力過大、制動氣隙過大、維持電流過小、開閘電壓過低等，因此本文主要針對以上失效原因進行研究分析，見表1。

表1 電梯失效場景及故障原因

1.2 基于實體動態感知的智能監測系統設計

電梯智能監測系統即物理實體的動態感知，主要由傳感器組網、可編程化的物聯網網關以及服務器組成，整體的動態感知框架如圖3所示。將電流傳感器、電壓傳感器、振動加速度傳感器和變頻器接入電梯控制回路中，監測電梯制動線圈電流、振動幅值、制動力、開關門狀態、電梯運行層數。將以上多路信號與控制柜中的PLC系統相連，并將PLC設置為從機，將物聯網網關設置為主機，使用主機內部集成開發的Node-Red（基于瀏覽器的流程編輯器）實時采集設備靜動態數據，從而建立數字孿生的感知層。

圖3 物理實體的動態感知框架

依據電梯數字孿生傳輸層中的數據通信技術，通過物聯網網關將感知層采集的動態數據采用MQTT（消息隊列遙測傳輸協議）、Zigbee（紫蜂）、4G/5G等相關傳輸方式反饋至電梯數字孿生的平臺層，其中傳輸層的用途還包括電梯虛擬實體和物理實體之間的雙向映射、動態交互與實體連接。

2 電梯數字孿生體的搭建

電梯數字孿生體主要包括電梯運營維護數據庫、電梯診斷知識庫、基于COMSOL（多物理場仿真軟件）制動線圈的電磁力仿真模型以及基于ADAMS（機械系統動力學自動分析）的動力學模型。

電梯運營維護數據庫包含電梯的設計信息、環境的溫度/濕度、維修信息、施工單位信息等，為電梯后期運營保養提供便利。電梯診斷知識庫依據采集的大量動態歷史數據，基于收集淺層知識和分析深層知識，獲取制動器的領域知識，從而搭建故障模式數據庫、故障機理庫、維修策略庫，為后期數據挖掘與故障分析建立基礎。

COMSOL制動線圈的電磁力仿真分析，針對制動器的制動線圈，從電磁力學的角度，建立基于動鐵芯動作響應的時間模型。根據制動力矩不足、制動響應時間超時、釋放響應時間超時、制動器不抱閘和制動器不松閘的5種故障模式來建立故障機理[9]?；谌S軟件搭建制動線圈的三維模型，并將其導入COMSOL進行電磁仿真分析，并定義線圈的材料，設定其邊界條件，對其進行網格劃分與求解，通過后處理輸出磁力云圖，如圖4所示。通過電磁仿真分析結合實時采集的線圈中鐵芯運動的時間和線圈電流，來模擬制動線圈內部的運動狀態。

圖4 電磁仿真云圖

在電磁仿真的基礎上，構建電梯制動器的數字孿生虛擬實體，包括反映實際電梯制動器外觀形狀、尺寸大小、裝配關系等幾何信息的幾何模型，反映實際制動器的制動特性、電磁特性等物理性能的物理模型。在電梯制動器的幾何模型和物理模型的基礎上，建立ADAMS制動器的動力學行為模型，定義制動器的材質，設定其運動的邊界條件、彈簧系數以及阻尼系數，并結合磁力云圖，通過電磁力的變化對制動器的制動力矩進行仿真分析，通過后處理輸出動力學特性圖，如圖5所示，從而分析制動器在不同工況下，電磁力和制動彈簧力矩的性能變化。

圖5 動力學仿真圖

在上述分析的基礎上，平臺層對傳輸層傳輸的數據進行數據分析，并針對相關平臺各種數據協議之間的不同接口，通過開放數據庫互連（ODBC）、Java數據庫互連（JDBC）等驅動接口進行數據共享，并將高保真模型的分析結果反饋至電梯制動器實體，來更新數字孿生虛擬實體，使虛擬模型不斷迭代與演化；基于數據關系、歷史經驗、大數據、數據挖掘等形成的評價體系，針對電梯制動性能，建立狀態監測和健康狀態診斷的規則模型，實現處理、存儲、融合、分析感知層傳遞的實際電梯系統的數據、外部系統共享的數據以及虛擬實體孿生結果數據。

3 數字孿生的電梯制動性能預測及評價的平臺搭建

3.1 電梯制動性能預測模型的構建

數字孿生的電梯制動性能預測及評價的平臺主要依據電梯的診斷知識庫、運營維護數據庫、連續的動態采集信息、制動線圈的電磁仿真和動力學仿真的后處理信息，建立電梯的故障預測因素的關聯數據集，形成電梯制動性能狀態監測預警模型，從而完善電梯數字孿生體的進化。

電梯制動性能預測與評價系統通過獲取電梯的實時動態信息，在診斷知識庫模塊、電磁仿真模塊和動力學仿真模塊的基礎上，建立深度多模態信息融合的電梯數字孿生算法，通過PCA對數據進行相關性分析，可以得到數據維度相關性不大的數據，可作為輸入數據，并將上述樣本信息通過隨機森林拆分為訓練集和測試集，并將原有的數據集分為前期數據信息、中期數據信息和后期數據信息，為此建立基于PCA-RFLSTM的數據回歸電梯預測模型，如圖6所示。其中前期數據源作為數據挖掘的訓練數據，中期數據作為數據挖掘模型的修正數據，后期數據作為數據挖掘模型的驗證數據。LSTM數據回歸預測模型隨著實時數據的變化依次更新，保持電梯數字孿生體的持續進化，并通過深度多模態信息融合的電梯數字孿生算法，從而達到對電梯性能的及時分析以及故障預測。

圖6 基于PCA-RF-LSTM的數據回歸電梯預測模型

3.2 電梯應用服務系統的構建

電梯應用服務系統是各類分析的決策系統，根據電梯物理實體和虛擬實體相關數據的融合分析及開發故障診斷、遠程運維、事故追溯等分析技術，對電梯進行狀態監測和安全評價。

基于電梯物理實體和虛擬實體，通過將多維數據信息融合以及算法分析決策的結果反饋至應用層，針對電梯數字孿生應用層的需求，通過平臺層的數據分析結果并結合MR（混合現實技術）的人機交互來實現操作、檢測、維修、更換等信息流閉環。

通過使用增強現實的MR人機交互工具來識別現場的設備環境，應用于Unity-3D（實時3D引擎）平臺以增強現實的形式將制動器孿生體與物理實體相疊加，以MR的視角在現場呈現電梯信息數據曲線圖和制動線圈的磁密云圖，使維保人員迅速理解并判斷當前制動器的結構和運行狀態；與此同時維保人員可以通過遠程指導的模塊功能，通過系統內的遠程專家來幫助查看制動器的制動電流和磁力云圖的歷史演化趨勢，結合關聯數據明晰電梯在過去、現在和未來的變化趨勢，達到對設備進行問題預測與狀態評價的目的。

3.3 電梯制動性能預測與評價的數字孿生體系的構建

電梯制動性能預測與評價的數字孿生體系的構建，主要基于電梯物理實體的動態感知與虛擬實體高保真模型的數據融合，并通過孿生數據電梯預測融合算法進行故障診斷、遠程指導、事故重構，如圖7所示。

圖7 電梯制動性能預測與評價的數字孿生體系

4 電梯制動性能數字孿生系統的綜合性能評價

針對電梯制動性能數字孿生系統的準確性、安全性、經濟性、穩定性、可靠性等分別進行闡述如下：

4.1 系統的準確性

電梯制動性能數字孿生系統提出基于PCA-RFLSTM的數據回歸電梯預測模型，通過實驗平臺模擬故障的場景，系統能夠可靠地處理相關數據并給出實時預測診斷，該模型在保證預測精度的同時給出對應的置信區間，實現實時的預測效果。

將電梯制動性能數字孿生系統應用于實驗平臺進行測試，該實驗平臺以每組運轉100次進行實驗測試，共運行10組，并在每組內隨機模擬各類制動性能故障事故共10次，經實驗結果統計，在系統實時監測下，制動性能故障檢測可以迅速準確地識別故障并進行提前預警，極大地避免了因制動性能不足，而對電梯運行帶來的安全隱患。

4.2 系統的安全性和經濟性

本系統基于深度學習和實時交互技術，并結合動力學和電磁學建立高保真模型，來實現基于數字孿生的實時預測制動性能的安全預警。

在電梯制動性能數字孿生系統中通過使用增強現實的MR人機交互工具識別現場的設備環境，在電梯遇到突發緊急事件，維保人員可以借助MR設備緊急聯系遠程維護專家，通過減少設備的搶修時間，來提高緊急救援成功的概率，從而避免不必要的設備破壞和人員傷亡，來提升整體的經濟效益。

4.3 系統的穩定性和可靠性

本系統基于邊緣計算的智能網關，將處理的結果數據以數據流的形式，每隔1 s發送1組數據至孿生系統，孿生系統每間隔1 s解析1組數據，將數據結合高保真模型進行動態仿真得到了預測數據，并將預測數據上傳可視化的電梯曳引機數字孿生平臺，電梯曳引機數字孿生平臺如圖8所示。該預測系統經過長期的可靠性測試，具有較好的穩定性。

圖8 電梯曳引機數字孿生平臺展示圖

5 系統前期使用情況

本文研制出的數字孿生電梯制動性能預測及評價系統，在數字孿生實驗室對其功能測試成功后，在天津市范圍內布置了300多臺基于邊緣采集的智能網關系統，已經連續1年對電梯的性能指標進行實時動態監測，并對電梯的安全性能進行評估分析和故障預測，后續將對應用服務平臺和人工智能算法進行更新迭代，為電梯數字孿生領域的監測作出貢獻。

6 結束語

本文針對傳統電梯監測的局限性，自主設計并搭建電梯實驗平臺，基于實驗平臺極大地縮減了電梯制動性能的測試周期，并提出數字孿生電梯制動性能預測及評價系統?；谶吘売嬎愕奈锫摼W網關對電梯進行實時動態采集，并搭建了電梯數字孿生體，建立COMSOL制動線圈的電磁力仿真模型以及ADAMS的動力學模型，進行電梯孿生體和物理實體之間的雙向映射與動態交互；并構建了基于PCA-RF-LSTM的數據回歸電梯預測模型，達到對電梯的性能進行及時分析以及故障預測的目的；并在電梯的應用服務中搭建決策系統，根據電梯物理實體和虛擬實體相關數據的融合分析及開發故障診斷、遠程運維、事故追溯等分析技術，對電梯進行狀態監測和安全評價。