基于物理信息神经网络的电梯退化诊断与早期预警

《Sensors》：Physics-Informed Neural Network-Based Elevator Degradation Diagnosis and Early Warning

　　

随着城市建筑密度和电梯部署规模的持续增长，电梯系统的可靠性、维护以及退化风险预警日益受到关注。基于固定阈值或规则逻辑的传统监测方法虽然易于实现，但往往难以识别渐进性退化，并且对复杂工况和测量噪声较为敏感。该研究提出了一种基于物理信息神经网络（PINN）的电梯健康监测与早期预警方法。首先，对多传感器数据进行时间对齐与特征重构，并引入双路径加速度估计方法，以提高动态状态计算的稳定性。其次，将考虑载荷变化、电机驱动和机械阻力的简化牵引电梯动力学模型嵌入PINN训练过程中，用于识别隐藏参数。随后构建电气残差与动力学残差指标，从不同物理视角表征系统状态。最后，建立了结合异常幅值与持续时长的时间累积风险模型，用于检测渐进性退化趋势。结果表明，该方法具有稳定的参数收敛性和有效的状态评估能力。与传统基于阈值的监测方法相比，所提出方法能够更早检测到退化趋势，并减少由瞬态扰动引起的误报警。该方法为电梯系统的预测性维护与智能运行提供了一种具有可解释性且实用的解决方案。

该论文发表于《Sensors》，围绕牵引电梯系统在复杂工况下的健康监测与渐进性退化预警问题展开，核心目标是在缺乏充足故障样本、传统阈值法难以识别早期退化的现实背景下，建立一种兼具物理可解释性、工程可部署性与早期预警能力的监测框架。研究背景在于，电梯作为现代高层建筑不可缺少的垂直运输基础设施，运行频繁、载荷变化大、启停过程多，一旦发生故障不仅影响服务连续性，还可能带来困人乃至安全事故风险。现有方法多依赖固定阈值和规则逻辑，对速度、电压、电流、门锁状态等信号设置预定义限值，当信号越界时触发报警。这类方法响应快、实现简单，但本质上属于静态判定机制，难以适应载荷变化、运行方向变化、楼层区间变化等非平稳工况，也容易受噪声影响产生漏报或误报。更关键的是，电梯是典型的机电耦合系统，负载不平衡、摩擦状态变化、电机性能退化等因素相互作用，传统规则法难以刻画这种复杂动态关系，尤其难以及时发现导轨磨损、电机效率下降等渐进性异常。

针对上述问题，研究人员提出了基于物理信息神经网络（PINN）的电梯健康监测与退化风险预警方法。研究首先建立牵引电梯的简化机电耦合模型，将载荷变化、电机驱动、机械摩擦和制动效应纳入统一动力学框架；然后将该物理模型嵌入神经网络训练，使模型在拟合运行数据的同时满足物理约束，从而在线识别等效质量、摩擦系数、驱动系数、反电动势（EMF，electromotive force，反电动势）系数等隐藏参数。进一步地，研究构建了电压残差与驱动力残差两个健康指标，从电气域与机械动力学域双重视角评估系统状态；在此基础上，提出同时考虑异常幅值与持续时间的时间累积风险模型，以实现渐进性退化的早期预警。研究结论表明，该方法在真实运行数据上实现了稳定参数收敛，能够有效评估系统状态，并且相较传统阈值监测更早发现退化趋势，同时减少由瞬态扰动与测量噪声造成的误报警，体现出面向预测性维护的工程应用价值。

就主要技术方法而言，研究采用了数个关键技术环节。其一，针对现场多源异构数据，实施时间对齐、重采样、插值和状态同步，构造统一时序输入；样本来源为Sicher Elevator Co., Ltd., Huzhou, China生产的GRPS30型曳引客梯控制柜实测运行数据。其二，针对约1 Hz低采样频率条件下由速度差分直接求加速度易受噪声干扰的问题，提出融合速度差分路径与载荷变化路径的双路径加速度估计。其三，构建轻量化PINN，将简化牵引电梯动力学模型与电机电气模型嵌入训练过程，并以双残差损失函数和先验参数约束共同完成参数辨识。其四，基于归一化残差建立非线性时间累积风险模型，实现在线健康评估与退化趋势预警。

在研究结果部分，论文按照不同小节系统展示了方法有效性。

5.1. Experimental Setup and Dataset
该部分通过真实电梯运行数据构建实验基础，并明确了模型训练与验证的适用边界。研究对象为一台额定载荷1000 kg、额定速度1.75 m/s、服务26层26站的GRPS30型牵引客梯。数据直接采自控制柜，包含运行速度、电压、轿厢载荷、门状态、运行方向和楼层信息等多源信号，总时长3 h，共约10,800个样本。在全部数据中，依据0.05 m/s速度阈值识别出约957个有效运动样本，占总样本的8.9%，分布于约80次独立运行事件。研究指出，由于电梯运行具有间歇性，静止阶段样本主要受控制逻辑、制动机制与安全联锁影响，不适宜直接主导动力学参数辨识，因此训练中对运动状态样本赋予更高权重。该部分说明，研究是在无明显故障样本条件下开展，符合实际预测性维护场景，也为后续验证“有限故障数据条件下的退化预警能力”提供依据。

5.2. PINN Parameter Identification and Dual-Residual Analysis
该部分首先通过数据预处理与双路径加速度估计证明，异构现场信号可以被重构为具有物理意义的状态变量。研究显示，基于速度差分的加速度估计对启停过程响应迅速，但对噪声与低频采样敏感；基于载荷变化的加速度估计更平滑，抗波动能力更强，但动态响应略慢。通过加权融合后，所得加速度信号在保留主要运动动态特征的同时，抑制了由低采样率和测量噪声引起的波动，为后续PINN训练提供了更稳定输入。随后，论文展示了PINN训练收敛过程：总损失在训练早期快速下降，约20,000个训练轮次后关键物理参数逐步收敛，总体损失降低超过两个数量级，表明模型能够有效学习电梯运行特性及隐藏参数。进一步，模型预测电压与实测电压趋势高度一致，估计驱动力也能有效反映系统工况，说明所建动力学模型与PINN框架具有良好的拟合能力。在双残差分析中，大多数运行阶段电压残差与驱动力残差均接近零，而较大残差峰值主要出现在加速与减速阶段，反映了快速状态变化下更高的建模不确定性。论文特别指出，双残差并非追求完全独立的故障指示，而是通过电气域和动力学域的互补一致性校验，提高状态评估的鲁棒性与可解释性。

5.3. PINN-Based Risk Assessment and Early Warning
该部分通过构建三类典型渐进性退化情景验证方法的预警能力，包括电机驱动性能下降、制动性能退化以及机械摩擦增加。研究结果表明，在电机退化情景下，与电机相关的风险指标显著上升，而其他指标维持在较低水平，说明模型可以有效识别驱动系统异常；在制动退化情景下，制动相关风险明显增加，其他指标变化较小，验证了方法区分不同退化模式的能力；在摩擦退化情景下，多个风险指标同时上升，说明摩擦变化会对系统整体运行状态产生联动影响，这与导轨磨损或润滑不足会同时引起能耗升高、平稳性下降和驱动负载增加的工程经验一致。定量上，电机退化条件下对应风险值超过900，而其他指标低于450；制动退化条件下制动相关风险超过800，其余指标低于400。研究还表明，时间累积风险模型可显著减少瞬态噪声引发的误报警：正常运行时，即便出现短时残差峰值，风险指标仍保持稳定；而当异常持续存在时，即使单次残差幅值不大，风险也会逐渐累积并触发预警。这说明该模型更符合设备退化的实际演化规律，可作为“完全正常运行”与“硬安全停机”之间的连续健康评价机制，为维护决策提供支持。

5.4. Comparison with Conventional Threshold-Based Monitoring
该部分将所提PINN风险评估框架与传统阈值法在两类渐进性退化场景中进行对比，即通过摩擦系数逐渐增大表征润滑退化，通过电机驱动系数逐渐减小表征电机退化。研究结果表明，传统阈值法在早期退化阶段虽已存在偏离健康状态的系统行为，但由于信号幅值尚未超出预设阈值，因此无法及时报警；随着工况变化和测量波动，还会出现间歇性孤立报警峰，显示出其对瞬态扰动和噪声较敏感。相比之下，PINN方法并不依赖单一信号越限，而是通过评估多变量之间的物理一致性，并根据残差演化构建时间风险指标，因此即使单个传感器信号仍处于允许范围内，持续的小偏差也会逐步累积为可识别的退化风险。结果显示，在润滑退化情景中，PINN风险指标约在s时已出现明显上升趋势，而阈值法约在s后才出现频繁报警，证明PINN框架能够显著提前识别退化趋势。论文还指出，传统阈值法输出的是二值报警状态，只能表示是否越界，而PINN生成的是连续健康指标，能够同时体现退化程度与时间演化过程，更适合预测性维护场景。在所研究情景中，阈值法在润滑退化中产生超过6次孤立报警，在电机退化中产生超过16次孤立报警，而PINN框架则给出了平滑连续的风险演化过程，显著减少了由瞬时波动导致的无效报警。

讨论部分的核心在于，该研究并未试图以风险指标直接替代电梯现有的安全保护逻辑，而是将其定位为面向退化监测和维护决策支持的健康指标。传统阈值法更适合检测突发性故障，但对渐进性退化的识别能力有限，且容易受到工况变化和测量噪声影响。PINN框架通过将物理模型嵌入数据驱动学习，一方面降低了对大量标注故障样本的依赖，另一方面使隐藏参数具有明确物理意义，从而增强了诊断结果的可解释性。双残差设计进一步提高了异常识别的鲁棒性，而考虑异常持续性的时间累积风险模型则使预警过程更符合真实设备老化和劣化的连续演化规律。整体来看，这项研究证明了PINN在电梯健康监测中的应用潜力，也为故障样本有限条件下的常规机电设备智能维护提供了可部署的技术路线。

研究结论部分可译为：该论文提出了一种基于物理信息神经网络（PINN）的电梯健康监测与退化风险预警方法。为解决传统数据驱动方法物理可解释性弱、对故障样本依赖强等局限，研究将电梯动力学模型与牵引驱动模型嵌入神经网络训练过程，从而实现关键隐藏参数的在线辨识和系统状态评估。首先，针对多源异构、异步采样和低采样频率等实际数据问题，研究对多传感器数据进行了时间对齐与特征重构，并进一步提出双路径加速度估计方法，提高了低频数据条件下动态状态估计的稳定性与准确性。其次，通过将运行数据与物理约束相结合，建立了面向牵引电梯系统的PINN模型，实现了等效质量、摩擦系数和驱动系数等关键参数的识别；同时构建了基于电气残差与动力学残差的双残差健康指标，从不同物理视角表征系统运行状态。最后，提出同时考虑异常幅值与持续时长的时间累积风险模型，以实现渐进性退化故障的早期检测与预警。实验结果表明，该方法实现了稳定的参数收敛，并能够有效识别系统异常状态。所构建的风险指标较传统基于阈值的监测方法能够更早揭示退化趋势，同时减少由瞬态扰动和测量噪声引起的无效报警。双残差机制进一步提高了异常检测的鲁棒性，并增强了诊断结果的物理可解释性。总体而言，该研究展示了PINN在电梯健康监测中的应用潜力，并为故障数据有限条件下传统机电设备的智能维护，特别是早期退化检测与预测性维护应用，提供了一种实用解决方案。