CN113135480A - 基于局部和整体特征的电梯故障预警方法 - Google Patents

Abstract

本发明涉及一种基于局部和整体特征的电梯故障预警方法，实时采集电梯轿厢内的数据，对数据预处理后进行特征提取，对故障数据添加故障报警标签；利用特征向量和故障报警标签训练基础模型，将各基础模型进行线性加权组合形成混合模型；利用特征向量和故障报警标签形成测试样本，从中提取局部空间样本，将测试样本输入基础模型和混合模型中获得伪概率和混合故障概率；将局部空间样本输入基础模型中获得概率矩阵，选出与伪概率相关性最高的基础模型；将测试电梯特征数据输入选出的基础模型中，获得推理故障概率；利用推理故障概率和混合故障概率计算获得最终的故障概率。本发明充分利用样本的局部和整体的特征，实现更准确地对电梯故障进行预警。

Description

基于局部和整体特征的电梯故障预警方法

技术领域

本发明涉及一种基于局部和整体特征的并行集成分类算法的电梯故障预警方法。

背景技术

随着社会的发展，高层建筑越来越多，城市电梯的保有量不断地增长。仅通过维修人员经验或者制造商的维保手册很难应对复杂的电梯故障类型。人工事后维保已经不能满足电梯安全的需要。在相关技术中，越来越多的电梯故障预警系统是基于数据驱动的及时、准确电梯故障智能诊断。然而目前基于数据驱动的模型大多采用单一的智能诊断模型如树模型或者神经网络模型等，且大多数机器学习模型侧重于挖掘整体特征对故障诊断系统的有效性。

解决电梯安全问题的方案主要有：电梯故障发生后的故障诊断和维保人员定期巡查和维护保养。广泛应用的故障诊断技术主要有：专家系统、模糊推理等。相关技术提出了电梯故障预警的系统，这类系统通过在电梯内安装传感和监控系统，采集电梯运行的物理量，如：温度、电机电流等；通过微处理器对电梯进行实时监测，从而及时发现故障隐患、合理安排维修活动。但现有的技术诊断方法不能提供有效的故障预测功能，只能依靠电梯的定期维保。目的不明确的维保成本高、效率低。可见，现有技术的算法存在预警准确率低、预警数据模型单一等问题。

发明内容

本发明的目的在于提供一种基于局部和整体特征的电梯故障预警方法。

为实现上述发明目的，本发明提供一种基于局部和整体特征的电梯故障预警方法，包括以下步骤：

a、实时采集电梯轿厢内的数据，并对所述数据进行预处理；

b、对经过所述预处理的数据进行特征向量的提取，并对故障数据添加故障报警标签；

c、利用所述特征向量和所述故障报警标签训练基础模型，将各所述基础模型进行线性加权组合形成混合模型；

d、利用所述特征向量和所述故障报警标签形成测试样本，基于所述测试样本的特征向量，从中提取局部空间样本，并将所述测试样本分别输入所述基础模型和所述混合模型中获得伪概率和混合故障概率；

e、将所述局部空间样本输入所述基础模型中获得概率矩阵，利用所述概率矩阵与所述伪概率的比较选出与所述伪概率相关性最高的所述基础模型；

f、将测试电梯特征数据输入与所述伪概率相关性最高的基础模型中，获得推理故障概率；

g、利用所述推理故障概率和所述混合故障概率计算获得相应测试电梯的故障概率。

根据本发明的一个方面，所述步骤(a)采集的数据包括实时数据和触发数据，

所述实时数据的采集频率为1赫兹，所采集的数据包括电梯轿厢内温度、压力、加速度数据以及采集时间；

所述触发数据包括电梯开、关门以及开始、结束运行时提取的电梯内温度、压力、电梯运行的加速度、轿厢内的图片数据以及采集时间。

根据本发明的一个方面，所述步骤(a)中的预处理包括利用异常数据监测模型监测数据中的异常数据，并利用正常数据的回归模型对异常数据进行修正；

所述异常数据检测模型包括孤立森林模型，所述回归模型包括树回归模型；

其中，对图片数据的预处理包括利用YOLACT模型对轿厢内的图片进行人体实例分割以及利用多分类多标签模型对人体进行分类，获取轿厢内人物属性及人流量数据。

根据本发明的一个方面，在所述步骤(b)中，基于电梯运行数据和轿厢内人物属性及人流量数据，提取3日、5日、7日、15日的数据中的物理量的统计学特征形成特征工程，实现所述特征向量的提取；

所述统计学特征包括均值、方差和中位值；

电梯发生故障报警数据通过日志形式保存，故障报警时利用提前一天的特征向量。

根据本发明的一个方面，所述步骤(c)训练的基础模型包括树模型中的XGBOOST/GBDT、深度神经网络模型多层感知机MLP、时序模型LSTM和支持矢量机模型。

根据本发明的一个方面，在所述步骤(c)中，在将所述基础模型进行线性加权组合时，各所述基础模型的权重与其测试误差成反比。

根据本发明的一个方面，所述混合模型M为：

其中，M_i(i＝0，1，...，r)为所述基础模型，w_i(i＝0，1，...，r)为所述基础模型的权重，且

每个所述基础模型所占权重w_i根据模型的误差函数确定为：

其中，e_i为第i个基础模型的误差，r为基础模型的序号。

根据本发明的一个方面，在所述步骤(d)中，所述局部空间样本的提取方式为，随机选择d/2维的特征子向量SL₁、SL₂、…、SL_t，对于选出的每一组特征子空间在测试样本的训练集中提取与该特征子空间的欧氏距离最近的k个邻居样本；

重复进行所述邻居样本的提取步骤t次，将出现次数超过t/2的样本作为该测试样本的局部空间样本Sn；

其中，d为特征向量的维度。

根据本发明的一个方面，在所述步骤(e)中，所述概率矩阵p的维度为n×h，其中，n为测试样本的局部空间样本的个数，h为基础模型个数；

根据所述伪概率q和所述概率矩阵p的相关性，选出与所述伪概率p最相似的x个所述基础模型；

其中，所述伪概率q的维度为1×h，所述概率矩阵p的维度为n×h，所述相关性由皮尔逊相关性系数确定。

根据本发明的一个方面，在所述步骤(g)中，对所述混合故障概率p_m和所述推理故障概率p_x求取均值作为所述故障概率。

根据本发明的方案，实时采集电梯运行数据，并对其中的故障数据添加标签，从而形成电梯故障信息库。随后从数据中提取出建立故障预警系统模型所需的特征向量，利用之训练基础模型。当然，本发明从多模型角度综合考虑故障概率，因此还利用基础模型线性加权组合成混合模型。并且，还需要综合考虑局部和整体特征，因此还从测试样本中提取局部特征空间，将这些局部特征输入各个基础模型获得多模型局部空间概率矩阵。随后利用概率矩阵选出与基础模型的伪概率最相关的基础模型，并利用之计算测试电梯特征数据的推理故障概率。同时，测试样本还输入混合模型得到混合故障概率。最终求取推理故障概率和混合故障概率的平均值即可作为该测试数据最后的异常分数。由此，本发明利用集成的混合智能算法，可以吸纳不同模型的计算效果，同时充分利用样本的局部和整体的特征，从而基于数据驱动的及时、准确电梯故障智能诊断和预警(早期发现)。

附图说明

图1示意性表示本发明的一种实施方式的基于局部和整体特征的电梯故障预警方法的流程图；

图2示意性表示本发明的一种实施方式的预警方法中的预处理的流程图；

图3示意性表示本发明的一种实施方式的预警方法中的提取局部空间样本的流程图；

图4示意性表示本发明的一种实施方式的预警方法中获得概率矩阵的过程图。

具体实施方式

为了更清楚地说明本发明实施方式或现有技术中的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

下面结合附图和具体实施方式对本发明作详细地描述，实施方式不能在此一一赘述，但本发明的实施方式并不因此限定于以下实施方式。

参见图1，本发明的基于局部和整体特征的电梯故障预警方法，首先实时采集电梯轿厢内的数据，并对数据进行预处理。然后对经过预处理的数据进行特征向量的提取，并对故障数据添加故障报警标签。随后利用特征向量和故障报警标签训练基础模型，将各基础模型进行线性加权组合形成混合模型。然后利用特征向量和故障报警标签形成测试样本。为了综合考虑局部和整体特征，本发明还基于测试样本的特征向量，从测试样本中提取局部空间样本，并将测试样本分别输入基础模型和混合模型中获得伪概率和混合故障概率。再将所提取的将局部空间样本分别输入基础模型中获得概率矩阵，利用概率矩阵与伪概率的比较选出与伪概率相关性最高的基础模型。将测试电梯特征数据输入与伪概率相关性最高的基础模型中，获得推理故障概率。最后利用推理故障概率和混合故障概率获得相应测试电梯的故障概率。由此，本方法吸纳了不同模型的计算效果，同时又充分利用样本的局部和整体的特征，从而使得本发明的方法预警的准确度较高，实现了精准地电梯故障的早期发现和诊断。

本发明所采集的数据包括实时数据和触发数据，实时数据的采集频率为1赫兹，触发数据根据预设的触发逻辑获取，其包括电梯开、关门以及开始、结束运行等触发条件时时提取的数据。实时数据和触发数据包括采集时间和物理量，其中实时数据的物理量包括电梯轿厢的温度、压力、加速度数据；触发数据的物理量包括电梯内的温度、压力、电梯运行的速度、轿厢内的图片数据。当然，上述采集的数据中的物理量也可称为电梯运行数据。上述采集的实时数据和触发数据存在异常数据，因此随后还需要对这些数据进行预处理。

参见图2，预处理步骤包括通过异常数据监测模型监测数据中的异常数据，并建立正常数据的回归模型对异常数据进行修正。异常数据检测模型包括孤立森林模型，回归模型包括树回归模型。在本实施方式中，孤立森林模型异常数据占比为12％，对建立正常数据使用的模型为GBDT树回归模型，并利用GBDT回归树模型对异常数据进行修正。其中，对于图片数据，预处理包含对其进行识别和检测，具体为利用YOLACT模型对轿厢内图片进行人体实例分割以及多分类多标签模型对人体进行分类，获取轿厢内人物属性及人流量数据。

经过以上步骤即可完成数据的准备工作，随后可对数据集D中的数据进行特征提取。综合来讲，本发明基于电梯运行数据和轿厢内人物属性及人流量数据，提取这类数据3日、5日、7日、15日的物理量的统计学特征，从而形成了特征工程，完成特征向量的提取。本发明中，统计学特征包括均值、方差、中位值等。另外，还需对其中的电梯发生故障时的报警数据进行标注电梯发生故障报警数据通过日志形式保存，为了达到提前一日预警，故障报警选择提前一天的特征向量。其中，电梯发生故障的数据即为添加有故障报警标签的数据。

随后可利用上述提取的特征向量以及所添加的标签训练基础模型。为了使模型较为丰富，本发明所训练的基础模型包括4种，分别为树模型中的XGBOOST/GBDT、深度神经网络模型多层感知机MLP、时序模型LSTM和支持矢量机模型SVM，本实施方式选用的树模型为GBDT。混合模型是由基础模型线性加权组合而成，在进行线性加权组合时，各基础模型的权重与测试误差成反比，从而使误差较高的模型所占比例较小。由此，在本实施方式中，按以下混合规则进行组合，则形成的混合模型M为：

其中，M_i(i＝0，1，2，3)是分别对应GBDT、MLP、LSTM、SVM模型，w_i(i＝0，1，2，3)是该基础模型权重，且

每个独立基础模型所占权重w_i根据模型的误差函数确定：

其中，e_i为第i个基础模型的误差，r为基础模型的序号(即r＝3)。

至此即可完成基础模型的训练和混合模型的构建步骤。综合上述可知，本发明综合考虑局部特征和整体特征，因此，需要对测试样本S提取局部空间样本Sn。

参见图3，按照上述步骤既完成了训练流环节，而本发明的测试环节有别于传统的模型推理测试。具体的，在本实施方式中，测试样本S的特征向量维度为512(即d＝512)，因此局部空间样本Sn的提取方式为，子步骤1：随机从测试样本S的512维中随机选择50组256维(即d/2)的特征子向量，当然，根据本发明的构思，特征子向量的维度应为测试样本S特征向量维度(512)的一半，因此在实际实施时也可根据测试样本S的维度调整特征子向量的维度。子步骤2：对于选出的每一组特征子向量，在测试样本S的训练集中找到该特征子向量最近的20个邻居样本(即k＝20)，本实施方式中以欧氏距离为判定标准。而后需要重复上述步骤30次以上(即t＝30)，即所提取的特征向量为SL₁、SL₂、…、SL₃₀，并在最终将邻居样本中出现次数超过15(即t/2)的样本作为该测试样本S的局部空间样本Sn。本发明中，局部空间样本Sn的出现次数条件与重复次数有关，优选为重复次数的一半以上。

参见图4，在本实施方式中，按照上述步骤提取的局部空间样本Sn后续需要输入至4个基础模型中(即h＝4)，从而得到概率矩阵p。根据上述局部空间样本Sn的提取原理可知，最终由4个基础模型输出的概率矩阵的维度为n×4，其中，n为测试样本的局部空间样本的个数，例如本实施方式为20。按此法获得概率矩阵p之后，可根据伪概率q和概率矩阵p的相关性，选择与伪概率p最相似的2个基础模型(即x＝2)。由此，伪概率q的维度为1×4，概率矩阵p的维度为20×4。当然，最终选择的基础模型的个数可根据实际情况选取。具体的，可使用皮尔逊相关性系数来进行上述相关性的判断。

经过上述步骤即可获得最优的2个基础模型，随后可将测试电梯特征数据输入这2个最相似的基础模型中，从而获得推理故障概率p_x。测试电梯特征数据即为上述特征工程中提取的一系列统计学特征数据。实际上，此步骤也可以理解为计算测试数据的异常分数pro_i(i＝0，1，...，r)，在此式中，r即为根据相关性选择的基础模型序号。当然，还需要将测试样本S送入混合模型M，获取样本S的混合故障概率p_m(或称混合模型异常分数)。至此即得到了混合故障概率p_m和推理故障概率p_x这两个推理概率，最终还需要利用这两个概率形成新的标签，具体为对这两个概率求取均值，并将求得的平均值作为最终的故障概率。

以上所述仅为本发明的一个实施方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于局部和整体特征的电梯故障预警方法，包括以下步骤：

a、实时采集电梯轿厢内的数据，并对所述数据进行预处理；

b、对经过所述预处理的数据进行特征向量的提取，并对故障数据添加故障报警标签；

c、利用所述特征向量和所述故障报警标签训练基础模型，将各所述基础模型进行线性加权组合形成混合模型；

d、利用所述特征向量和所述故障报警标签形成测试样本，基于所述测试样本的特征向量，从中提取局部空间样本，并将所述测试样本分别输入所述基础模型和所述混合模型中获得伪概率和混合故障概率；

e、将所述局部空间样本输入所述基础模型中获得概率矩阵，利用所述概率矩阵与所述伪概率的比较选出与所述伪概率相关性最高的所述基础模型；

f、将测试电梯特征数据输入与所述伪概率相关性最高的基础模型中，获得推理故障概率；

g、利用所述推理故障概率和所述混合故障概率计算获得相应测试电梯的故障概率。

2.根据权利要求1所述的方法，其特征在于，所述步骤(a)采集的数据包括实时数据和触发数据，

所述实时数据的采集频率为1赫兹，所采集的数据包括电梯轿厢内温度、压力、加速度数据以及采集时间；

所述触发数据包括电梯开、关门以及开始、结束运行时提取的电梯内温度、压力、电梯运行的加速度、轿厢内的图片数据以及采集时间。

3.根据权利要求2所述的方法，其特征在于，所述步骤(a)中的预处理包括利用异常数据监测模型监测数据中的异常数据，并利用正常数据的回归模型对异常数据进行修正；

所述异常数据检测模型包括孤立森林模型，所述回归模型包括树回归模型；

其中，对图片数据的预处理包括利用YOLACT模型对轿厢内的图片进行人体实例分割以及利用多分类多标签模型对人体进行分类，获取轿厢内人物属性及人流量数据。

4.根据权利要求3所述的方法，其特征在于，在所述步骤(b)中，基于电梯运行数据和轿厢内人物属性及人流量数据，提取3日、5日、7日、15日的数据中的物理量的统计学特征形成特征工程，实现所述特征向量的提取；

所述统计学特征包括均值、方差和中位值；

电梯发生故障报警数据通过日志形式保存，故障报警时利用提前一天的特征向量。

5.根据权利要求1所述的方法，其特征在于，所述步骤(c)训练的基础模型包括树模型中的XGBOOST/GBDT、深度神经网络模型多层感知机MLP、时序模型LSTM和支持矢量机模型。

6.根据权利要求1所述的方法，其特征在于，在所述步骤(c)中，在将所述基础模型进行线性加权组合时，各所述基础模型的权重与其测试误差成反比。

7.根据权利要求6所述的方法，其特征在于，所述混合模型M为：

其中，M_i(i＝0，1，...，r)为所述基础模型，w_i(i＝0，1，...，r)为所述基础模型的权重，且

每个所述基础模型所占权重w_i根据模型的误差函数确定为：

其中，e_i为第i个基础模型的误差，r为基础模型的序号。

8.根据权利要求1所述的方法，其特征在于，在所述步骤(d)中，所述局部空间样本的提取方式为，随机选择d/2维的特征子向量SL₁、SL₂、…、SL_t，对于选出的每一组特征子空间在测试样本的训练集中提取与该特征子空间的欧氏距离最近的k个邻居样本；

重复进行所述邻居样本的提取步骤t次，将出现次数超过t/2的样本作为该测试样本的局部空间样本Sn；

其中，d为特征向量的维度。

9.根据权利要求1所述的方法，其特征在于，在所述步骤(e)中，所述概率矩阵p的维度为n×h，其中，n为测试样本的局部空间样本的个数，h为基础模型个数；

根据所述伪概率q和所述概率矩阵p的相关性，选出与所述伪概率p最相似的x个所述基础模型；

其中，所述伪概率q的维度为1×h，所述概率矩阵p的维度为n×h，所述相关性由皮尔逊相关性系数确定。

10.根据权利要求1所述的方法，其特征在于，在所述步骤(g)中，对所述混合故障概率p_m和所述推理故障概率p_x求取均值作为所述故障概率。

Images