Publication details
Abstracts and keywords
Niniejsza rozprawa dotyczy problematyki identyfikacji usterek układów napędowych drzwi kabinowych dźwigów osobowych. Analizowany system jest jednym z najbardziej newralgicznych elementów windy oraz najczęstszą przyczyną awarii całego dźwigu osobowego. Dodatkowo, napędy drzwi kabinowych stanowią skomplikowany układ elektromechaniczny, przez co ich diagnostyka i naprawa jest zagadnieniem utrudnionym. Wśród dotychczasowych rozwiązań prezentowanych w literaturze przedmiotu wyróżnić można metody związane z analizą spektralną drgań układu, analizą sygnatury prądu silnika napędowego, diagramami ryby, drzewami usterek, systemami wieloagentowymi, rozpoznawaniem obrazów oraz uczeniem maszynowym. Widoczny jest jednak brak wyczerpującego studium dotyczącego prezentowanej tematyki, które uwzględniałoby problem klasyfikacji błędów związanych z poszczególnymi elementami systemu, niezbalansowania klasowego zbioru danych oraz konieczności ograniczenia ilości informacji przesyłanych magistralą wewnętrzną dźwigu. Opracowany system diagnostyki usterek zakładał wykonywanie pomiarów parametrów diagnostycznych układu napędowego, przetwarzanie ich w sposób ograniczający ilość danych, a następnie klasyfikację 11 stanów pracy urządzenia. Cel osiągnięto poprzez budowę stanowiska z prototypowym układem napędowym drzwi kabinowych, określenie najczęstszych awarii układu oraz sposobu ich symulowania, opracowanie sposobu wstępnego przetwarzania danych, który pozwolił na 300-krotne ograniczenie ilość informacji koniecznych do przesłania magistralą dźwigową i do serwera centralnego, a także modelowanie z wykorzystaniem metod uczenia maszynowego i ewaluację wyników. Wykonano analizę porównawczą skuteczności identyfikacji usterek przez siedem różnych algorytmów uczenia maszynowego. Do strojenia parametrów poszczególnych modeli dobrano odpowiednią metodę walidacji krzyżowej oraz algorytm przeszukiwania zbiorów parametrów, co umożliwiło uzyskanie czułości przekraczającej 97% oraz wskaźnika f1 powyżej 96%. Następnie zaimplementowano opracowaną metodę przygotowania danych na sterowniku napędowym drzwi kabinowych.
This dissertation deals with the problem of the lift cabin door drive systems failure identification. The analyzed structure is one of the most sensitive elevator components and the most common cause of the passenger elevator failure. In addition, cabin doors represent a complex electromechanical structure, making their diagnosis and repair a difficult subject. Among the solutions presented in the literature there are methods related to spectral analysis of system vibrations, drive motor current signature analysis, fish diagrams, fault trees, multi-agent systems, image recognition and machine learning. However, there is a noticeable lack of a comprehensive study on the presented subject, which would take into account the problem of fault classification associated with individual system components, the class imbalance of the dataset, and the necessity to limit the amount of data transmitted via the elevator's internal bus. The developed fault diagnosis system involved measuring diagnostic parameters of the drive system, processing them in a way that reduces the amount of data, and then classifying 11 operating states of the device. The goal was achieved by building a test stand with a prototype cabin door drive system, determining the most common system faults and how to simulate them, developing a method of data preprocessing that allowed to reduce by 300 times the amount of information transmitted via internal bus, as well as modeling using machine learning methods and evaluating the results. A comparative analysis of the fault identification effectiveness of seven different machine learning algorithms was performed. A suitable cross-validation method and parameter optimization algorithm were selected for tuning of each model, which made it possible to achieve recall exceeding 97% and f1 score above 96%. Then the developed data preparation method was implemented on the cabin door drive controller.
