进入新世纪以来,经济飞速发展,人民的生活水平也在不断的提高,越来越多的高层建筑出现在人们的日常生活中。电梯也成为日常生活中不可或缺的重要运输工具。据统计数据显示:2017年全国电梯产量累计为67.9万台,同比增长5.1%。根据国家质检总局特种设备局的预测,预计2018年中国电梯累计产量为72.53万台,同比增长约6.8个百分点。面对如此庞大的电梯需求量,人们在享受电梯带来的便利的同时,也在担心电梯故障频繁发生会给人们的财产甚至生命带来威胁。为了减少电梯故障,除了要保证产品质量和做到定期检修外,更重要的是要有一套行之有效的电梯故障诊断系统。近年来,神经网络技术飞速发展,它具有很强的非线性拟合能力,可映射任意复杂的非线性关系,而且学习规则简单,便于计算机实现等优点。因此,本文主要研究利用神经网络进行电梯故障诊断的方法。本文的设计思路如下:首先,采集能够反映电梯故障特征的数据,进行归一化处理后作为神经网络的输入数据,要选取其中的一部分为网络的训练数据,另一部分网络的测试数据。其次采用概率神经网络作为电梯故障诊断的模型,同时采用改进后的粒子群算法对其进行优化。最后,模型输出的结果与正确的结果进行对比,确定本文提出的方法对电梯故障分类的效果。为建立基于神经网络的电梯故障诊断系统,本文主要做了如下工作:(1)神经网络的选择:当前常用的神经网络主要有:BP神经网络、径向基神经网络、灰色神经网络等。在众多神经网络中,概率神经网络过程简单、收敛速度快、样本的追加能力较强。因此,本文采用概率神经网络作为电梯故障诊断的网络。(2)电梯故障数据的获取:在电梯运行中,主要涉及机械系统、调速控制系统、安全系统、电力系统等4个系统,因此本文从上述4个系统中采集电梯故障数据。主要采集了钢丝绳滑距、安全钳动作提拉力、限速器转速、抱闸拉力、上下行电流、启动与制动的最大加减速度。为使所有的数据在[0,1]范围内,本文采用了数据归一化的处理方法,共获得了95组故障数据,将其中的80组作为概率神经网络的训练数据,将剩下的15组作为测试数据。(3)对概率神经网络进行优化:在以往的研究中,概率神经网络的平滑因子通常采用的是经验取值,为克服这一问题,本文采用了粒子群算法对概率神经网络的平滑因子进行寻优。但是,粒子群算法存在着易陷入局部极值的问题,因此要对粒子群算法进行改进。在众多改进策略中,比较经典的改进策略是惯性权重线性递减的改进策略。但是此方法存在着严重的缺陷:粒子在迭代后期全局搜索能力变弱,能使粒子陷入局部最优。本文提出了一种惯性权重正弦变化的策略,由于正弦函数是典型的周期函数,采用这种改进策略能使粒子的全局寻优与自身寻优同步进行。最后,将本文的改进策略与常见的惯性权重线性递减策略进行通过函数拟合的方法进行对比。验证了本文方法的优越性。(4)电梯的故障诊断:使用改进的粒子群算法优化概率神经网络的平滑因子,作为电梯故障诊断的模型。同时与平滑因子统一取值和惯性权重线性递减的方法作对比,验证了本文方法在电梯故障分类的效果。