CN109626161A - 一种电梯故障诊断方法 - Google Patents
一种电梯故障诊断方法 Download PDFInfo
- Publication number
- CN109626161A CN109626161A CN201811554760.1A CN201811554760A CN109626161A CN 109626161 A CN109626161 A CN 109626161A CN 201811554760 A CN201811554760 A CN 201811554760A CN 109626161 A CN109626161 A CN 109626161A
- Authority
- CN
- China
- Prior art keywords
- node
- decision tree
- elevator
- decision
- algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
- B66B5/0006—Monitoring devices or performance analysers
- B66B5/0018—Devices monitoring the operating condition of the elevator system
Landscapes
- Maintenance And Inspection Apparatuses For Elevators (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
本发明公开了一种电梯故障诊断方法，包括以下步骤：收集电梯运行时产生的故障特征样本数据；使用C4.5算法对数据进行整理归类，生成原始决策树T，再对原始决策树进行信息增益、分裂信息、节点剪枝处理，以此生成决策树模型，模型中故障类型采用多分支；读取电梯运行时产生的含有故障特征的数据流；将故障特征在决策树模型中依据IF‑THEN规则进行判断；查找得到决策树的叶子结点，即该故障特征对应的故障。本发明适应电梯的故障类型，生成多分支决策树模型，检测并判断出电梯当前发生的故障，有效提高日常电梯维修保养工作效率。
Description
技术领域
本发明属于电梯故障诊断技术领域领域，特别涉及一种基于C4.5算法的电梯故障诊断方法。
背景技术
随着我国科学技术的不断发展，电梯广泛应用于我们的生活中。但是电梯经常也会出现各种故障，给我们带来许多不便，从而电梯的维护就显得尤为重要，电梯设备的故障诊断是电梯维护的重要内容。
随着城市建设发展，电梯的建设率大大增加，但由于有资质的电梯维修保养公司和专业的电梯维护从业人员较少，随之而来的是电梯得不到较好地维护，故障频发，严重影响人们的生活与生命安全。电梯的电力机械设备结构复杂，可能出现的故障种类繁多，可能引起故障的原因更为复杂，且故障征兆和故障原因并不是一一对应，而是交叉影响的，且电梯的运行是无故障运行到带故障运行的一个逐渐变化的过程，给维修保养人员准确判断电梯故障带来障碍。
决策树算法是数据挖掘中重要的分类方法，基于决策树的各种算法在执行速度、可扩展性、输出结果的可理解性、分类预测的准确性等方面各有千秋，在各个领域广泛应用且已经有了许多成熟的系统，如语音识别、模式识别和专家系统等，鲜有在电梯故障检测领域应用。但ID3算法中惯用的直接使用信息增益选择属性时偏向选择取值多的属性的不足，无法对不完整的数据进行处理。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提供一种电梯故障诊断方法，适应电梯的故障类型，生成多分支决策树模型，检测并判断出电梯当前发生的故障，有效提高日常电梯维修保养工作效率。
本发明的目的通过以下的技术方案实现：一种电梯故障诊断方法，包括以下步骤：
S1、收集电梯运行时产生的故障特征样本数据；
S2、使用C4.5算法(即ID3改进后的决策树算法)对数据进行整理归类，生成原始决策树T，再对原始决策树进行信息增益、分裂信息、节点剪枝处理，以此生成决策树模型，模型中故障类型采用多分支以适应电梯故障类别的多样，作为电梯故障诊断的依据；
S3、读取电梯运行时产生的含有故障特征Xx的数据流；
S4、将故障特征Xx在决策树模型中依据IF-THEN规则(条件-结论规则)进行判断；
S5、查找得到决策树的叶子结点，即含有故障特征Xx的数据流对应的故障Yy。
优选的，所述对原始决策树进行信息增益、分裂信息、节点剪枝处理的具体步骤为：
系统对电梯运行中产生的故障特征样本数据进行采集后，创建树节点，并选定某一特征值作为决策树的根节点并以处理属性值离散的方法从该节点开始进行分裂，即分类；
通过C4.5算法的决策树生成算法中的信息增益率计算，对各子叶节点的信息增益率进行计算，并从中选择出信息增益比最大的特征进行分裂；
根据C4.5算法的决策树修剪算法判断节点是否满足分裂停止条件，即是否满足每个节点只有一种类型的节点，若满足，则将其设置为叶子节点，否则将其剪除；
重复上述步骤直至每种不同属性决策树的根节点均被建立；
每个叶节点存放一个类别，将叶子节点存放的类别作为决策结果，通过使用信息增益率作为属性选择依据，有效克服了ID3算法中惯用的直接使用信息增益选择属性时偏向选择取值多的属性的不足，能够对不完整的数据进行处理；该改进算法在继承传统ID3的优点同时，提高了算法的准确率，产生的分类规则更加易于理解。
更进一步的，所述C4.5算法中的决策树生成算法根据信息增益率进行对分割点进行选取，使用公式计算各叶子节点信息增益率，其中A为叶子节点的属性，Gain(A)为属性A的信息增益，I(A)为属性A的分裂信息量，求出当前候选属集中所有属性的信息增益率，找出其中信息增益率最高的叶子节点作为决策树的根节点。
更进一步的，所述C4.5算法中的决策树修剪算法依据样本数据本身计算剪枝前后的误差，从而判断是否对节点进行剪枝；在决策树剪枝的PEP(悲观剪枝Pessimistic ErrorPruning)方法中，非叶子节点t0被叶子节点t1替换的条件是：替换后节点t2的误差率小于或等于原决策树子树Tt的误差率。通过对原始决策树从上而下的所有非叶子节点依次计算测试，从而得到结构最优的决策树；令某一叶子节点的实例个数为n(t),其中错误分类的个数为e(t)，误差率为：
r'(t)＝[e(t)+1/2]/n(t)
子树Tt叶子节点的个数为L(Tt)，Tt的分类误差为:
在定量分析中，用错误总数e′(Tt)代替错误率e(Tt)，即：
在决策树剪枝的PEP方法中，某一中间节点t0被叶子节点t1替换的条件是：替换后节点t2的误差率小于或等于原决策树子树Tt的误差率，即：
e′(t2)≤e′(Tt)+SE[e′(Tt)]
优选的，所述故障特征被采集并通过该C4.5算法计算后得到的叶子结点即为诊断结果，该节点使用Yy指代特定的故障，不使用“YES或NO”作为输出结果。
本发明与现有技术相比，具有如下优点和有益效果：
本发明提出了一种C4.5算法的电梯故障诊断方法，适应电梯的故障类型，生成多分支决策树模型，检测并判断出电梯当前发生的故障，有效提高日常电梯维修保养工作效率，减少人为判断造成的错误。
附图说明
图1是本发明一种电梯故障诊断方法流程图。
图2是为本发明实施例使用的C4.5算法构造的决策树典型模型。
图3是本发明实施例由C4.5算法构造的决策树生成流程图。
图4是为本发明实施例实际检测验证中以曳引系统为诊断对象生成的蒂森克虏伯TE-evolution 1无机房电梯曳引系统的决策树。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
一种电梯故障诊断方法，包括以下步骤：
S1、收集电梯运行时产生的故障特征样本数据；
S2、使用C4.5算法(即ID3改进后的决策树算法)对数据进行整理归类，生成原始决策树T，再对原始决策树进行信息增益、分裂信息、节点剪枝处理，以此生成决策树模型，模型中故障类型采用多分支以适应电梯故障类别的多样，作为电梯故障诊断的依据；
具体的：系统对电梯运行中产生的故障特征样本数据进行采集后，创建树节点，并选定某一特征值作为决策树的根节点并以处理属性值离散的方法从该节点开始进行分裂，即分类；
通过C4.5算法的决策树生成算法中的信息增益率计算，对各子叶节点的信息增益率进行计算，并从中选择处信息增益比最大的特征进行分裂；使用公式计算各叶子节点信息增益率，其中A为叶子节点的属性，Gain(A)为属性A的信息增益，I(A)为属性A的分裂信息量，求出当前候选属集中所有属性的信息增益率，找出其中信息增益率最高的叶子节点作为决策树的根节点。
根据C4.5算法的决策树修剪算法判断节点是否满足分裂停止条件，即是否满足每个节点只有一种类型的节点，若满足，则将其设置为叶子节点，否则将其剪除；依据样本数据本身计算剪枝前后的误差，从而判断是否对节点进行剪枝；在决策树剪枝的PEP(悲观剪枝Pessimistic Error Pruning)方法中，非叶子节点t0被叶子节点t1替换的条件是：替换后节点t2的误差率小于或等于原决策树子树Tt的误差率。通过对原始决策树从上而下的所有非叶子节点依次计算测试，从而得到结构最优的决策树；令某一叶子节点的实例个数为n(t),其中错误分类的个数为e(t)，误差率为：
r'(t)＝[e(t)+1/2]/n(t)
子树Tt叶子节点的个数为L(Tt)，Tt的分类误差为:
在定量分析中，用错误总数e′(Tt)代替错误率e(Tt)，即：
在决策树剪枝的PEP方法中，某一中间节点t0被叶子节点t1替换的条件是：替换后节点t2的误差率小于或等于原决策树子树Tt的误差率，即：
e′(t)≤e′(Tt)+SE[e′(Tt)]
计算后得到的叶子结点即为诊断结果，该节点使用Yy指代特定的故障，不使用“YES或NO”作为输出结果。
重复上述步骤直至每种不同属性决策树的根节点均被建立；
每个叶节点存放一个类别，将叶子节点存放的类别作为决策结果，通过使用信息增益率作为属性选择依据，有效克服了ID3算法中惯用的直接使用信息增益选择属性时偏向选择取值多的属性的不足，能够对不完整的数据进行处理；该改进算法在继承传统ID3的优点同时，提高了算法的准确率，产生的分类规则更加易于理解。
S3、读取电梯运行时产生的含有故障征兆Xx的数据流；
S4、将故障特征在决策树模型中依据IF-THEN规则(条件-结论规则)进行判断；
S5、查找得到决策树的叶子结点，即该故障特征对应的故障Yy。
如图1为本发明实施例的诊断方法流程图。本流程中的故障征兆数据Xx是通过对蒂森克虏伯TE-evolution1无机房电梯运行中出现的大量历史故障信息为基础，结合曳引式电梯运行机制以及信号监测和常见故障的研究得出的数据，以下为以电梯曳引系统为例：
表1曳引系统故障征兆示意表
| 编号 | 故障征兆 |
| X1 | 电梯运行出现噪声，震动 |
| X2 | 电梯启动困难，运行速度低 |
| X3 | 曳引系统主机发热 |
| X4 | 制动器不松闸 |
| X5 | 曳引轮与钢丝绳打滑 |
| X6 | 双侧制动器不同步 |
| X7 | 制动力不足 |
本流程中的曳引系统主要故障原因Yy也是通过对蒂森克虏伯TE-evolution1无机房电梯运行中出现的大量历史故障信息为基础，结合曳引式电梯运行机制以及信号监测和常见故障的研究得出的数据，以下为以电梯曳引系统为例：
表2曳引系统主要故障原因示意表
| 编号 | 故障原因 |
| Y1 | 电动机轴承磨损 |
| Y2 | 电动机定子、转子磨损 |
| Y3 | 减速箱轴承磨损 |
| Y4 | 曳引电机润滑油室缺油 |
| Y5 | 电磁制动器两侧间隙 |
| Y6 | 制动器电磁线圈异常工作 |
| Y7 | 曳引轮轮槽磨损 |
| Y8 | 曳引钢丝绳磨损 |
其中Y代表故障原因节点，Y共有9个属性，即Y1-Y8共8个故障属性以及无故障属性(用No表示)。
如图4为本发明实施例中实际检测验证中以曳引系统为诊断对象生成的蒂森克虏伯TE-evolution 1无机房电梯曳引系统的决策树。由如图所示的决策树中，可以得到20条IF-THEN规则如下：
规则1：IF(X1<＝0.226and X2<＝0.367and X3<＝0.48and X4<＝0.61and X5<＝0.289andX6<＝0.16and X7<＝0.413)THEN Y＝No
规则2：IF(X1<＝0.226and X2<＝0.367and X3>0.48)THEN Y＝Y4
规则3：IF(X1<＝0.226and X2<＝0.367and X3<＝0.48and X4>0.61)THEN Y＝Y6
……
规则20：IF(X1>0.534and X5>0.332)THEN Y＝Y8。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (5)
1.一种电梯故障诊断方法，其特征在于，包括以下步骤：
S1、收集电梯运行时产生的故障特征样本数据；
S2、使用C4.5算法对数据进行整理归类，生成原始决策树T，再对原始决策树进行信息增益、分裂信息、节点剪枝处理，以此生成决策树模型，模型中故障类型采用多分支；
S3、读取电梯运行时产生的含有故障特征Xx的数据流；
S4、将故障特征Xx在决策树模型中依据IF-THEN规则进行判断；
S5、查找得到决策树的叶子结点，即含有故障特征Xx的数据流对应的故障Yy。
2.根据权利要求1所述的电梯故障诊断方法，其特征在于，所述对原始决策树进行信息增益、分裂信息、节点剪枝处理的具体步骤为：
系统对电梯运行中产生的故障特征样本数据进行采集后，创建树节点，并选定某一特征值作为决策树的根节点并以处理属性值离散的方法从该节点开始进行分裂，即分类；
通过C4.5算法的决策树生成算法中的信息增益率计算，对各叶子节点的信息增益率进行计算，并从中选择出信息增益比最大的特征进行分裂；
根据C4.5算法的决策树修剪算法判断节点是否满足分裂停止条件，即是否满足每个节点只有一种类型的节点，若满足，则将其设置为叶子节点，否则将其剪除；
重复上述步骤直至每种不同属性决策树的根节点均被建立；
每个叶节点存放一个类别，将叶子节点存放的类别作为决策结果。
3.根据权利要求2所述的电梯故障诊断方法，其特征在于，所述C4.5算法中的决策树生成算法根据信息增益率进行对分割点进行选取，使用公式计算各叶子节点信息增益率，其中A为叶子节点的属性，Gain(A)为属性A的信息增益，I(A)为属性A的分裂信息量，求出当前候选属集中所有属性的信息增益率，找出其中信息增益率最高的叶子节点作为决策树的根节点。
4.根据权利要求2所述的电梯故障诊断方法，其特征在于，所述C4.5算法中的决策树修剪算法依据样本数据本身计算剪枝前后的误差，从而判断是否对节点进行剪枝；在决策树剪枝的PEP方法中，非叶子节点t0被叶子节点t1替换的条件是：替换后节点t2的误差率小于或等于原决策树子树Tt的误差率；通过对原始决策树从上而下的所有非叶子节点依次计算测试，从而得到结构最优的决策树；令某一叶子节点的实例个数为n(t)，其中错误分类的个数为e(t)，误差率为：
r′(t)＝[e(t)+1/2]/n(t)
子树Tt叶子节点的个数为L(Tt)，Tt的分类误差为：
在定量分析中，用错误总数e′(Tt)代替错误率e(Tt)，即：
在决策树剪枝的PEP方法中，某一中间节点t0被叶子节点t1替换的条件是：替换后节点t2的误差率小于或等于原决策树子树Tt的误差率，即：
e′(t2)≤e′(Tt)+SE[e′(Tt)]
5.根据权利要求1所述的电梯故障诊断方法，其特征在于，所述故障特征被采集并通过该C4.5算法计算后得到的叶子结点即为诊断结果，该节点使用Yy指代特定的故障。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811554760.1A CN109626161A (zh) | 2018-12-19 | 2018-12-19 | 一种电梯故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811554760.1A CN109626161A (zh) | 2018-12-19 | 2018-12-19 | 一种电梯故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109626161A true CN109626161A (zh) | 2019-04-16 |
Family
ID=66075252
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811554760.1A Pending CN109626161A (zh) | 2018-12-19 | 2018-12-19 | 一种电梯故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109626161A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111302173A (zh) * | 2019-11-25 | 2020-06-19 | 广东马上到网络科技有限公司 | 电梯钢丝绳异常检测方法、装置、设备及可读存储介质 |
| CN112464995A (zh) * | 2020-11-06 | 2021-03-09 | 广东电网有限责任公司东莞供电局 | 一种基于决策树算法的电网配变故障诊断方法及系统 |
| CN112861973A (zh) * | 2021-02-08 | 2021-05-28 | 汕头大学 | 一种基于决策树的通信铁塔故障诊断方法 |
| CN113029619A (zh) * | 2021-02-24 | 2021-06-25 | 北京科技大学 | 基于c4.5决策树算法的地下铲运机故障诊断方法 |
| CN114291675A (zh) * | 2021-11-18 | 2022-04-08 | 杭州电子科技大学 | 一种基于复杂网络和置信规则推理的电梯故障诊断方法 |
| CN115159288A (zh) * | 2022-07-07 | 2022-10-11 | 浙江省特种设备科学研究院 | 一种电梯故障识别方法 |
-
2018
- 2018-12-19 CN CN201811554760.1A patent/CN109626161A/zh active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111302173A (zh) * | 2019-11-25 | 2020-06-19 | 广东马上到网络科技有限公司 | 电梯钢丝绳异常检测方法、装置、设备及可读存储介质 |
| CN112464995A (zh) * | 2020-11-06 | 2021-03-09 | 广东电网有限责任公司东莞供电局 | 一种基于决策树算法的电网配变故障诊断方法及系统 |
| CN112861973A (zh) * | 2021-02-08 | 2021-05-28 | 汕头大学 | 一种基于决策树的通信铁塔故障诊断方法 |
| CN113029619A (zh) * | 2021-02-24 | 2021-06-25 | 北京科技大学 | 基于c4.5决策树算法的地下铲运机故障诊断方法 |
| CN114291675A (zh) * | 2021-11-18 | 2022-04-08 | 杭州电子科技大学 | 一种基于复杂网络和置信规则推理的电梯故障诊断方法 |
| CN114291675B (zh) * | 2021-11-18 | 2024-05-03 | 杭州电子科技大学 | 一种基于复杂网络和置信规则推理的电梯故障诊断方法 |
| CN115159288A (zh) * | 2022-07-07 | 2022-10-11 | 浙江省特种设备科学研究院 | 一种电梯故障识别方法 |
| CN115159288B (zh) * | 2022-07-07 | 2024-04-02 | 浙江省特种设备科学研究院 | 一种电梯故障识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109626161A (zh) | 一种电梯故障诊断方法 | |
| CN108562854B (zh) | 一种电机异常状态在线预警方法 | |
| WO2021120934A1 (zh) | 一种基于卷积神经网络的DRGs自动分组方法 | |
| CN108985380B (zh) | 一种基于聚类集成的转辙机故障识别方法 | |
| CN113435652B (zh) | 一种一次设备缺陷诊断与预测方法 | |
| CN106021771A (zh) | 一种故障诊断方法及装置 | |
| CN114723285B (zh) | 一种电网设备安全性评估预测方法 | |
| CN106021545A (zh) | 用于车辆远程诊断与备件检索的方法 | |
| CN110458039A (zh) | 一种工业过程故障诊断模型的构建方法及其应用 | |
| CN110555058A (zh) | 基于改进决策树的电力通信设备状态的预测方法 | |
| CN108961468A (zh) | 一种基于集成学习的船舶动力系统故障诊断方法 | |
| CN114169424A (zh) | 基于k近邻回归算法和用电数据的排污量预测方法 | |
| CN111737035A (zh) | 一种基于服务器日志的故障诊断方法与系统 | |
| CN116720048A (zh) | 一种基于机器学习模型的电站辅机故障诊断方法和系统 | |
| CN115130847A (zh) | 一种设备画像建模方法及系统 | |
| CN102929241B (zh) | 精对苯二甲酸装置安全运行指导系统及其应用 | |
| CN117076915B (zh) | Fpso原油工艺系统的智能故障归因分析方法及系统 | |
| CN108446202B (zh) | 一种机房设备的安全状况的判断方法 | |
| CN116629409A (zh) | 一种基于朴素贝叶斯算法的sofc系统故障几率预测方法 | |
| CN116976191A (zh) | 一种水轮发电机组轴系稳定性劣化趋势预测方法 | |
| CN115713027A (zh) | 一种变压器状态评估方法、装置及系统 | |
| CN114861749A (zh) | 一种基于深度原型网络的少样本轴承故障诊断方法 | |
| CN114693175A (zh) | 一种基于网源涉网试验的机组状态分析方法与系统 | |
| CN112488360B (zh) | 基于人工智能的配变异常分析预警方法 | |
| CN116756619B (zh) | 一种基于大数据的设备智能诊断方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190416 |