文摘

有许多原因自动扶梯逆转失败,原因是分布在不同的地方。很难找到故障的具体位置在实际故障进行故障诊断。与此同时,失败的相关信息不用于故障诊断,这是效率低下的问题故障排除。为此,本文提出一种多属性决策方法相结合的动态信息并给出最优故障排除以提高故障诊断的效率。首先,根据电梯的结构组件,自动扶梯故障树建立了逆转。其次,一个静态的决策矩阵建立了综合考虑到失效概率,搜索成本和影响程度的故障树的底事件。最后,影响系数矩阵的每个属性的信息由动态信息获得的故障诊断,给出静态决策融合影响矩阵确定动态决策矩阵,动态决策矩阵加权和规范化,顺序偏好的技术相似,理想的解决方案是用来确定最优故障排除。某种类型的自动扶梯的逆转失败作为一个例子,融合动态信息的多属性决策方法用于缩短故障诊断时间,提高故障诊断的效率,并验证了该方法的有效性。

1。介绍

自动扶梯是一种固定与圆形梯级运行电力驱动设备,主要用于运输乘客。它可以连续运输乘客。目前,自动扶梯被广泛使用,成为不可或缺的公共交通的一部分,和自动扶梯被广泛使用在拥挤的地方,尤其是购物中心、车站、地铁(1,2]。数增加的自动扶梯,自动扶梯的安全问题变得越来越突出。在2019年,130年发生事故和相关特种设备事故,导致119人死亡,49人受伤。其中,电梯事故占33岁和29人死亡,占事故总数的25.38%,交通事故的数量排名第二。在自动扶梯事故,自动扶梯逆转事故占比例相对较大,导致严重的后果,如乘客下降和挤压3]。因此,重要的是要跟踪失败的原因,并迅速排除故障后自动扶梯事故发生逆转。

许多方法已经使用领域的故障诊断和故障排除,以及故障树分析已广泛应用领域的工程系统的可靠性分析和故障诊断4- - - - - -6]。为了分析家用电梯事故的原因和预防措施,陈等人利用故障树分析诊断家电梯(7]。上面的方法缺乏足够的考虑搜索序列的故障的原因是盲目的,导致诊断效率低。为了提高故障诊断的效率,王等人使用底部的重要性事件获取灰色关联度,然后计算不同失效模式的自动扶梯的概率,以某种故障事件(底部8]。刘等人电梯的基本事件结构重要度的计算问题,以便进行快速和全面检查电梯系统失败后被困的人9]。然而,这些方法只依靠单一指标排除,忽略了故障诊断中故障搜索成本的重要性。为了考虑失效概率,搜索成本、故障诊断和影响学位,他等人研究多属性决策方法和计算起重机液压系统的故障搜索路径的多属性决策方法在故障诊断(10]。然而,这种方法只计算一次故障诊断之前,所以提供的搜索路径是不可变的,它没有充分考虑动态信息的影响可能出现在故障排除故障搜索路径。从调查中获得的动态信息时的底事件,剩余的底事件的搜索排序相应变化。

针对现有自动扶梯故障排除工作,结合其他机械设备故障诊断的研究工作,本文将多属性决策方法应用到自动扶梯故障首次故障排除工作,与此同时,融合获得的动态信息,给出了最优故障排除秩序来说技术相似的理想解决方案,提高了故障诊断的效率,并支持自动扶梯逆转故障的快速诊断。

2。建立故障树自动扶梯逆转

自动扶梯是一种复杂的运输设备非常接近机电一体化,所以有必要了解电梯的组成结构之前建立故障树(逆转11]。目前,有许多类型的自动扶梯在公共场所使用。虽然他们的电气控制系统和梯级系统是不同的,他们的主要结构是相同的,包括桁架、一级系统,扶手系统、铁路系统、扶手、安全保护装置和电气控制设备(12- - - - - -14]。自动扶梯的结构图研究图所示1。

故障树分析法是一种图形推理的逻辑方法。需要最不受欢迎的国家的目标系统的逻辑分析和发现所有这失败状态可能发生的原因15- - - - - -17]。通过自动扶梯逆转事故的统计,事故的原因是全面调查,并发现故障主要发生在电网电压波动,逆转保护设备、主机、传动链,梯级链的一级系统。以自动扶梯逆转失败为顶事件,并采取的10个原因逆转失败如过载、栅极电压不足,齿轮啮合齿轮箱的故障和损坏梯级链底事件。建立故障树如图2和事件代码显示在表1。

3所示。多属性故障排除与动态信息

3.1。建立动态多属性决策矩阵

3.1.1。建立静态多属性决策矩阵

在故障树、割集是一些底事件的集合会导致顶上事件发生。如果割集的任何底事件不发生时,顶事件不会发生,所以割集称为最小割集(18]。本文采用提升方法将故障树得到最小割集。最小割集提供了一个搜索方案检查静态决策矩阵。因此,电梯故障树搜索方案{逆转X₁},{X₂},{X₃},{X₄},{X₅},{X₆},{X₇},{X₈},{X₉},{X₁₀}。

假设有n搜索方案后检查系统失败,和米属性影响搜索方案需要考虑。这些属性包括失效概率,搜索成本,和影响程度。在这里,X= (X₁,X₂,……,X_n)代表的搜索方案检查。使用Y_我= (Y_i1Y_i2、……Y_即时通讯)来表示属性值的集合我th搜索方案,Y_ij的价值吗jth属性的我th搜索方案(19- - - - - -22]。每个搜索计划检查的属性值可以表示为静态多属性决策矩阵一个提供基本信息分析静态故障决策序列(23- - - - - -26]。 在哪里可选的计划和吗的属性是可选的计划。

3.1.2。建设动态信息影响矩阵

自动扶梯反转断层后,动态信息将出现在故障排除。是获取信息的不同对属性值的影响底事件通过人类感知,当故障诊断仪器测量,和其他手段。因此,在接下来的故障诊断是很有意义的。故障诊断故障的原因时,必须充分考虑动态信息的影响,出现在故障搜索路径。动态信息的影响可以表示为矩阵B的影响,它提供了实时更新信息动态故障决策序列。

进行故障诊断时,自动扶梯逆转缺点,不同的信息有不同的对底事件的属性值的影响由于广泛和各种各样的信息。自动扶梯的结构密切相关,响的汽车系统是直接连接到传动链,链的横板间接连接到传动链,和主引擎的自动扶梯由变速箱、刹车,和汽车,所以动态信息期间将得到维护。矩阵B,因此,在确定影响故障诊断中获得的动态信息自动扶梯逆转失败应该分类和总结。获得的动态信息如表所示2。

动态信息的建设影响矩阵也需要确定可选的底事件,这是由底部事件影响的动态信息。自动扶梯系统结构和组成相关,底部事件关联图动态信息显示在图的影响3。

动态信息后分类总结和探索事件影响的动态信息,底部三个属性影响搜索计划被认为是:失效概率,搜索成本和程度的影响。影响矩阵B根据分析可以确定三个影响搜索方案的属性被自动扶梯,获得的动态信息和底部事件动态信息的影响。 在哪里代表可选的解决方案, , ,和搜索的三个属性是可选的解决方案,然后呢分块矩阵的动态信息获得的影响 , ,和在搜索方案 。

3.1.3。建立动态的决策矩阵

动态决策矩阵C提出了确定动态信息融合的影响矩阵B静态决策矩阵的基础上一个。在搜索方案检查、动态信息N₁,N₂、……N_p获得和影响矩阵B是确定的。根据建立的静态多属性决策矩阵,用列年代₁,年代₂,年代₃在矩阵一个和分区矩阵N₁,N₂,……,N_p在矩阵B获取动态多属性决策矩阵C。 在哪里代表可选的解决方案, , ,和搜索的三个属性是可选的解决方案,然后呢N₁,N₂、……N_p分块矩阵的获取动态信息的影响j在 , ,和在搜索方案 。

3.2。组合的加权归一化矩阵

我们映射失效概率的三个属性值,搜索成本和影响程度0到1的范围,所以属性值不同的单位和大小可以比较和加权。因此,使用多属性值作出决定,每个属性的数据集需要规范化。向量化规范是一个线性变化,从而使广场之和相同的每个方案的属性值是1。本文运用向量归一化,规范化矩阵Z是 在哪里归一化矩阵的元素是什么Z。

普通最小二乘法用于确定各目标的权重。首先,成对比较目标的重要性。如果有n目标,然后 时间需要比较。马克的相对重要性我th的目标jth目标 ,这是近似重量的比值的价值吗的属性我的重量的属性j, 。两两比较的结果n目标是矩阵D。

如果可以准确地估计,然后呢

当 ,

如果估计是不准确的,等号在上面应该近似公式。使用普通最小二乘方法 。即时的解决方案是

受 和 。

使用拉格朗日方法解决制约标量优化问题,拉格朗日函数

l发现的偏导数 并将其设置为0来获得n代数方程:

从n+ 1方程结合方程(10), ,哪里有n+ 1变量X₁,X₂、……X_n和 ,我们可以得到 。然后,加权归一化矩阵X可以获得,其中的元素是什么

3.3。动态更新搜索路径的算法

TOPSIS是一种有效和先进指标方法,首次引入的黄和Yoon获得最好的选择基于妥协的解决方案原理(27]。可接受的解决方案可以被看作是更有利的答案与最短的路线极限和最长的路线从不利的极限28]。顺序偏好的技术相似,理想的解决方案是用来确定正理想解(尿)和负理想方案(尼斯)。每个解决方案的相对亲密计算理想的解决方案,并给出一个静态搜索方案根据相对亲密大小(29日,30.]。π是虚拟的最佳方案,每个属性值是最优的;相反,NIS是虚拟最差的方案,每个属性值是最糟糕的。然后,我们可以比较各个方案之间的距离和积极的和消极的理想解决方案,以确定这些计划的优先级。最好的方案是π,远离NIS附近最糟糕的方案是逆。所代表的故障模式最坏的方案具有很高的优先级,需要优先和及时消除31日,32]。π和NIS被定义为 在哪里J是属性设置中获益。 在哪里是属性设置成本。

每个解决方案的距离正理想解和负理想解

每个解决方案的相对亲密的积极的理想解决方案

静态搜索解决方案的优先级如下:排列的顺序从大到小排序,搜索计划应该首先搜索排名在前面。

搜索路径的动态更新通过融合动态信息的获得是基于静态搜索方案。确定动态搜索决策矩阵根据影响系数矩阵的动态信息和静态搜索决策矩阵,然后加权归一化矩阵形式。最后,指标值是用来计算的动态更新搜索路径。在搜索和调查过程,动态信息的影响时,必须更新搜索路径。故障排除与动态多属性信息的流程图如图4。

4所示。讨论

采取某种类型的自动扶梯逆转失败变速箱振动和电机振动与动态信息列,比较研究的多属性决策融合故障诊断和动态信息多属性决策故障进行故障诊断。

4.1。自动扶梯反向故障诊断基于多属性决策

失败的概率P,搜索成本米和影响程度我自动扶梯的反转底事件作为决策属性。首先,失效概率失败的数量的比例是所有自动扶梯的数量在一段时间。其次,搜索成本包括三个部分:故障排除的时间,故障诊断的成本,维护人员的水平。每个部分的分数得分由电梯维修单位和专家,然后取平均值。搜索成本的价值是重量部分加起来,0到100的值。最后一个属性被认为是影响程度,这是事件的风险系统的影响,0到10的价值。这三个属性的排序如表所示3。

根据建立的静态搜索决策矩阵表4和公式(1)是

根据电梯的结构特点和实际的故障诊断,专家给一个矩阵D两两比较的失败的概率,搜索成本,和影响程度。

权重矩阵解决了普通最小二乘法,得到W= (0.3015 0.5859 0.1126)。

根据公式(14),计算每个解决方案的相对亲密= (0.81781979 0.08788215 0.18998842 0.65570464 0.43039158 0.2951551 0.5744929 - 0.49053362 0.6200986 - 0.4672242)^T。确定静态搜索方案的顺序从大到小排序,搜索和解决第一方案。根据上面的计算中,静态搜索的排名顺序可以得到:X₁,X₄,X₉,X₇,X₈,X₁₀,X₅,X₆,X₃,X₂。

4.2。自动扶梯逆转故障诊断基于多属性决策的动态信息

当维修工检查电梯逆转缺点反过来根据静态搜索方案,发现电梯没有一个过载故障(X₁),根据排序方案,他去机房检查主机是否移动(X₄)。在这个时候,发现齿轮箱振动电机振动异常。根据底事件动态信息图的影响3,两个矩阵动态信息的影响和构造。齿轮箱的振动影响矩阵如表所示4,电机振动影响矩阵如表所示5。

之前确定动态多属性决策矩阵C的基础上,建立了静态多属性决策矩阵一个和静态搜索方案,把检查底事件形成的静态多属性矩阵 。

动态多属性决策矩阵C通过剩下的静态多属性矩阵的积吗 ,块矩阵 ,和块矩阵 。

根据公式(14),相对亲密= (0.58264259 0.54647906 0.49801184 0.37603026 0.52195369 0.44488445 - 0.18551129 0.39504794 - 0.35804312)^T。确定的搜索方案的顺序从大到小排序,搜索和解决第一方案。根据上面的计算,搜索的排名顺序可以动态更新:X₄,X₉,X₁₀,X₇,X₅,X₃,X₈,X₂,X₆。

按照动态更新搜索方案执行故障排除。在这个过程中,没有遇到动态信息。因此,按照更新后的订单执行故障排除。最后,故障搜索和电机功率太小了(X₁₀)。故障定位比静态搜索方案,提高了故障诊断的效率。

5。结论

扶梯逆转故障树的基础上,本文综合考虑了失效概率,搜索成本和影响程度的底部事件创建静态决策矩阵,然后集成动态信息影响矩阵建立动态决策矩阵规范化矩阵和权重,最后利用TOPSIS排除逆转事故,给最优故障排除序列。相比的方法解决故障底事件的重要性和多属性决策的方法,该方法考虑了故障检修中出现的动态信息,提供一个动态故障搜索路径,提高故障诊断的效率,并保存故障排除时间。但是。这种方法不能有效解决故障诊断问题的最小割集不是一个单一的事件,显示了其局限性。在未来故障诊断研究中,我们将解决这个问题复杂,故障树逻辑门和其他特殊应用解决方案设备故障排除工作。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了中国国家重点研发项目(2019号yff0302203)。