CN114014120B - 电梯制动性能预测方法、装置及存储介质 - Google Patents
电梯制动性能预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114014120B CN114014120B CN202111458140.XA CN202111458140A CN114014120B CN 114014120 B CN114014120 B CN 114014120B CN 202111458140 A CN202111458140 A CN 202111458140A CN 114014120 B CN114014120 B CN 114014120B
- Authority
- CN
- China
- Prior art keywords
- elevator
- value
- predictor
- sequence
- prediction
- 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.)
- Active
Links
Images
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
- B66B5/0037—Performance analysers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B50/00—Energy efficient technologies in elevators, escalators and moving walkways, e.g. energy saving or recuperation technologies
Landscapes
- Elevator Control (AREA)
Abstract
本发明提供一种电梯制动性能预测方法、装置及存储介质,涉及电梯制动性能评估领域,所述方法包括:获取设定时间间隔的电梯空载上行试验工况的电梯制动性能参数的值,按时间顺序对所述电梯制动性能参数的值进行组合,得到所述电梯制动性能参数的样本序列;使用所述样本序列训练预测模型,得到电梯制动性能预测器和预测序列;根据所述电梯制动性能参数的标准值在所述预测序列中确定第一值;根据所述第一值在所述预测序列中的序号和所述时间间隔确定未来电梯出现故障的时间。本发明可以预测电梯未来故障的时间,以便对即将出现故障的电梯进行提前维修。
Description
技术领域
本发明涉及电梯制动性能评估领域,更为具体而言,涉及一种电梯制动性能预测方法、装置及存储介质。
背景技术
电梯作为关乎国计民生的重要特种设备,使用十分广泛。制动器是一般电梯中最为重要的部件,直接关系到电梯的使用安全,对电梯制动性能的评估至关重要。
目前针对电梯制动性能的评估,主要通过制动器的制停试验来检测制动器当前的制动性能是否符合国家标准。然而制停试验无法高频进行,上一次检测维修到下一次检测维修之间的时间较长,会存在较长的维修区间。
在较长的维修区间内,制动器性能很可能会快速衰退。尤其是现今对制动器的维护方式有限,无法彻底修复电梯使用过程中的损伤,同时制动性能的衰退会进一步导致制停时的磨损,由此导致老旧电梯的制动性能相比于新电梯衰退的更加快,老旧电梯的制动器可能会在较长的维修区间内失效从而引发严重事故。
发明内容
为解决上述技术问题,本发明提供了一种电梯制动性能预测方法、装置及存储介质,其可以预测未来电梯制动系统出现故障的时间,以便提前对即将发生故障的制动系统进行维修或更换。
本发明实施方式的第一方面提供一种电梯制动性能预测方法,所述方法包括:
获取设定时间间隔的电梯空载上行试验工况的电梯制动性能参数的值,按时间顺序对所述电梯制动性能参数的值进行组合,得到所述电梯制动性能参数的样本序列;
使用所述样本序列训练预测模型,得到电梯制动性能预测器和预测序列,其中,所述预测序列为预测的设定时间范围内的所述电梯制动性能参数的值的时间序列;
根据所述电梯制动性能参数的标准值在所述预测序列中确定第一值,其中,所述第一值大于或等于所述标准值,且所述第一值与所述标准值的差的绝对值最小,或所述第一值小于或等于所述标准值,且所述第一值与所述标准值的差的绝对值最小;
根据所述第一值在所述预测序列中的序号和所述时间间隔确定未来电梯出现故障的时间。
本发明实施方式的第二方面提供一种电梯制动性能预测装置,所述装置包括:
参数值获取模块,用于获取设定时间间隔的电梯空载上行试验工况的电梯制动性能参数的值,按时间顺序对所述电梯制动性能参数的值进行组合,得到所述电梯制动性能参数的样本序列;
预测模块,用于使用所述样本序列训练预测模型,得到电梯制动性能预测器和预测序列,其中,所述预测序列为预测的设定时间范围内的所述电梯制动性能参数的值的时间序列;
第一值确定模块,用于根据所述电梯制动性能参数的标准值在所述预测序列中确定第一值,其中,所述第一值大于或等于所述标准值,且所述第一值与所述标准值的差的绝对值最小,或所述第一值小于或等于所述标准值,且所述第一值与所述标准值的差的绝对值最小;
故障时间预测模块,用于根据所述第一值在所述预测序列中的序号和所述时间间隔确定未来电梯出现故障的时间。
本发明实施方式的第三方面提供一种电梯制动性能预测装置,包括:
存储器,其上存储有计算机指令;
处理器,用于执行所述计算机指令以实现上述任意一种实施方式中所述的电梯制动性能预测方法。
本发明实施方式的第四方面提供一种可读计算机存储介质,其上存储有计算机程序,所述计算机程序可以被处理器执行以实现上述任意一种实施方式中所述的电梯制动性能预测方法。
相比于现有技术而言,本发明实施方式通过采集电梯制动性能参数的样本序列,使用所述样本序列训练预测模型,得到电梯制动性能预测器和预测序列,可以使用所述电梯制动性能预测器和预测序列对未来的电梯制动性能参数进行预测,评估未来电梯出现故障的时间,以便对即将出现故障的电梯提前进行维修。
附图说明
为了更加清楚地说明本发明实施方式中的技术方案,下面将对实施方案描述中所需要使用的附图做简要的介绍,显而易见地,下面描述的附图仅仅是本发明一些实施方式的附图,对本领域普通技术人员来讲,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。
图1是本发明实施方式提供的一种电梯制动性能预测方法的流程示意图;
图2是本发明实施方式提供的一种构建电梯制动性能第一预测器和第一预测序列的方法流程示意图;
图3是本发明实施方式提供的CRJ模型的网络结构示意图;
图4是本发明实施方式提供的使用QPSO算法调整初始CRJ预测器超参数的流程示意图;
图5是本发明实施方式提供的一种构建电梯制动性能第二预测器和第二预测序列的方法流程示意图;
图6是本发明实施方式提供的一种电梯制动性能第二预测器的构造过程示意图;
图7是本发明实施方式提供的一种电梯整体性能退化情况的预测示意图;
图8是本发明实施方式提供的一种电梯制动性能预测装置的模块示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图和具体实施方式对本发明的各个方面进行详细阐述。本领域技术人员应当理解,下述的各种实施方式只用于举例说明,而非用于限制本发明的保护范围。
电梯制动性能随时间推移会逐渐降低,维修人员对电梯制动系统的维修主要局限于调整闸瓦间隙,清理油污等,并没有改变制动系统退化的事实。随着时间的推移,电梯制动性能的下降会越来越显著,最终导致严重的电梯事故发生。维修人员对制动性能的常规判断是对不同工况下的静动态电梯制动距离进行检测,并根据相关标准与前期数据进行比对判断。这种测量和判断显然是不足的,因为其只对当前的制动性能进行了评判,无法判断在下次维修前,该电梯的制动性能是否会在维修区间(即两次检测维修之间的时间段)内低于标准值而导致意外发生。
现今对电梯制动性能评估的方法有很多且较为成熟,但缺少对电梯的制动能力的预测。本发明实施方式通过对最能代表电梯性能的电梯制动性能参数进行检测,通过机器学习挖掘出参数的历史数据之间的规律,根据该规律对电梯未来的制动性能进行可靠性判断,可以在维修阶段为维修人员提供有效参考。维修人员可以确定未来制动系统故障的时间,提前对即将发生故障的制动系统进行更换或维修。本发明实施方式提供的方法可以应用于老旧电梯制动性能的预测上,其对老旧电梯的曳引能力预测有较好的效果。
参见图1,图1是本发明实施方式提供的一种电梯制动性能预测方法的流程示意图。如图1所示,该制动性能预测方法包括:
S101:获取设定时间间隔的电梯空载上行试验工况的电梯制动性能参数的值,按时间顺序对所述电梯制动性能参数的值进行组合,得到所述电梯制动性能参数的样本序列。
在本实施方式中,电梯制动性能参数可以为电梯的响应时间、制动减速度、制动距离中的一个,也可以电梯的响应时间、制动减速度、制动距离中的多个。时间间隔可以根据电梯检测需要来设定,其可以为一周、两周、三周等,也可以为5天、10天、15天等。在获取设定时间间隔的电梯制动性能参数的值后,可以按时间顺序对电梯制动性能参数的值进行组合,从而得到电梯制动性能参数的样本序列。例如,对于制动距离参数,假设第一周的值为1,第二周的值为1.2,第三周的值为1.4,第四周的值为1.5,则按时间顺序可以将这些值进行组合,从而得到样本序列(1,1.2,1.4,1.5)。
电梯空载上行试验是检测电梯制动性能的主要试验,其对制动性能要求较高,适于判断电梯制动性能。在本实施方式中,可以以设定时间间隔进行电梯空载上行试验,采集电梯空载上行试验工况的电梯制动性能参数的值,使用电梯空载上行试验工况的电梯制动性能参数的值组成样本序列,以便对电梯制动性能进行准确预测。例如,可以以一周时间为时间间隔进行空载上行试验,以一周一次的频率采集电梯在空载上行试验工况的响应时间、制动减速度、和/或制动距离的值。
空载上行试验是电梯日常的常规维修中经常进行的试验。在本实施方式中,也可以从电梯日常的常规维修记录中获取设定时间间隔的电梯空载试验工况的电梯制动性能参数的值,以避免多次试验对电梯制动系统造成的磨损。
在获取到样本序列后,可以对数据进行归一化处理,使数据映射到[0,1]的区间,以提高预测模型的收敛速度和预测能力。例如,对于采集的电梯制动距离的n个原始数据,可以采用下述归一化公式对样本序列做归一化处理,从而得到归一化后的样本序列:
其中,xi表示参数的第i个数据的原始值,xi’表示第i个数据归一化后的值,xmax表示参数原始数据中的最大值,xmax表示参数原始数据中的最大值。
对于采集的其他电梯制动性能参数的值,也可以采用上式进行归一化处理。
S102:使用所述样本序列训练预测模型,得到电梯制动性能预测器和预测序列。
在本实施方式中,所述预测模型可以为QPSO-CRJ模型,其可以基于QPSO-CRJ算法来构建。在构建了QPSO-CRJ模型后,可以使用样本序列来训练该模型,得到电梯制动性能预测器和预测序列。所述电梯制动性能预测器用于预测未来设定时间范围内的电梯制动性能参数的发展趋势,所述预测序列为所述电梯制动性能预测器预测的未来设定时间范围内的所述电梯制动性能参数的值的时间序列,例如,电梯制动性能参数的预测序列可以为电梯未来几周参数值的时间序列。使用所述样本序列训练预测模型,得到电梯制动性能预测器和预测序列的具体方法将在下文做详细说明。
S103:根据所述电梯制动性能参数的标准值在所述预测序列中确定第一值。
在本实施方式中,所述第一值大于或等于所述标准值,且所述第一值与所述标准值的差的绝对值最小,或所述第一值小于或等于所述标准值,且所述第一值与所述标准值的差的绝对值最小。电梯制动性能参数的标准值可以根据电梯型号确定。例如,可以根据电梯的具体型号查询国标要求确定该电梯的制动性能参数的标准值。
对于一些电梯制动性能参数,其参数值大于或等于标准值时认为电梯的制动性能出现故障。对于这种情况,可以将预测序列中的每一个值与标准值进行比较,将预测序列中首次大于或等于所述标准值的参数值确定为第一值,即所述第一值大于或等于所述标准值,且所述第一值与所述标准值的差的绝对值最小。例如,如果预测序列为(0.3,0.4,0.51,0.6),标准值为0.5,则可以确定第一值为0.51。
对于另一些电梯制动性能参数,其参数值小于或等于标准值时认为电梯的制动性能出现故障。对于这种情况,可以将预测序列中的每一个值与标准值进行比较,将预测序列中首次小于或等于所述标准值的参数值确定为第一值,即所述第一值小于或等于所述标准值,且所述第一值与所述标准值的差的绝对值最小。例如,如果预测序列为(0.6,0.51,0.4,0.3),标准值为0.5,则可以确定第一值为0.4。
S104:根据所述第一值在所述预测序列中的序号和所述时间间隔确定未来电梯出现故障的时间。
在本实施方式中,第一值为电梯出现制动故障时电梯制动性能参数的值,预测序列为电梯制动性能参数的预测值的时间序列。在确定了第一值后,可以确定第一值在预测序列中的序号,根据序号和预测序列中预测值之间的时间间隔来确定电梯出现故障的时间。
例如,如果时间间隔为一周,采用上述电梯制动性能预测器预测的制动距离的预测序列为:G(1),G(2)…G(20),该预测序列表示从起始预测时间起未来20周内制动距离的预测值。假设G(19)为0.45,G(20)为0.51,查询国标可知Gmax=0.5,则可以判断电梯会在未来第20周时出现故障。
请参见图2,图2是是本发明实施方式提供的一种构建电梯制动性能第一预测器和第一预测序列的方法流程示意图。如图2所示,使用所述样本序列训练构建的预测模型,得到电梯制动性能预测器和预测序列可以包括下述步骤:
S201:对所述样本序列进行相空间重构,得到相空间矢量集。
在本实施方式中,电梯的响应时间、制动减速度、制动距离等电梯制动性能参数的样本序列为混沌时间序列,其具有一定的混沌特性。混沌时间序列中蕴含着系统信息,为了从电梯制动性能参数的样本序列中恢复出电梯制动性能变化的原动力系统,对电梯制动性能进行预测,本实施方式可以对电梯制动性能参数的样本序列进行相空间重构,恢复混沌系统,在重构的相空间对电梯制动性能参数的值进行预测。
例如,设数量为n的电梯制动性能参数的样本序列为x(i),i=1,2,...,n,需要构建n-(m-1)τ个m维相空间矢量Xi,采用延迟坐标法重构x(i),得到重构后的相空间轨迹为:
其中,重构后的相空间矢量Xi=(x(i),x(i+τ),...,x(i+(m-1)τ)),τ为延迟时间,m为嵌入维度,延迟时间和嵌入维度可以根据相空间重构算法求取,如C-C算法,G-P算法等。重构后的相空间矢量的集合构成相空间矢量集。
在本实施方式中,可以将下一时刻样本序列中电梯制动性能参数的值x(i+1+(m-1)τ)作为上一时刻相空间矢量Xi的标注,随机选取70%的相空间矢量构建训练样本集,30%的相空间矢量作为测试样本集,以训练出电梯制动性能预测器,实现电梯制动性能的预测,即实现下述映射:
S202:使用所述相空间矢量集训练CRJ模型,构建初始CRJ预测器。
CRJ(cycle reservoir with regular jumps,确定性跳跃循环网络)是时间序列分析模型ESN(echo state network,回声状态网络)的一种改进算法,其本质是一种递归神经网络,其结构如图3所示。如图3所示,CRJ网络由输入层、输出层和储备池构成,其储备池的状态更新公式为:
h(t+1)=f[Winu(t+1)+Wh(t)+Wbacky(t)]
其中,Win为输入权值矩阵,维数为P×K,W为内部状态权值矩阵,维数为P×P,Wback为输出至内部状态权值矩阵,维数为Q×P,K为输入维数,P为储备池神经元的个数,Q为输出维数,f为内部神经元激活函数,取sigmoid函数。特别地,在W矩阵中,rc为循环边权重,rj为跳跃边权重,跳跃步长为L。系统的输出方程为:
y(t+1)=fout[Wouth(t+1)]
其中,fout为输出层激活函数,一般选取线性函数。CRJ网络在训练时只需要训练隐藏层(即储备池)到输出层的连接权值矩阵Wout。
在本实施方式中,可以以电梯制动性能参数样本序列重构后的相空间矢量Xi=(x(i),x(i+τ),...,x(i+(m-1)t))作为模型输入,其下一时刻电梯制动性能参数的值x(i+1+(m-1)t)作为输出来训练CRJ模型,从而得到初始CRJ预测器。初始CRJ预测器中,Win、Wout、Wback、储备池节点数P、循环边权重rc、跳跃边权重rj、输入单元尺度Is可以依赖经验确定,输入维度可以根据重构后的相空间矢量Xi确定,其中,输入维度K=嵌入维度m,输出维度为1。
S203:根据所述相空间矢量集和QPSO算法调整所述初始CRJ预测器的超参数,得到优化后的QPSO-CRJ预测器。
与ESN相比,CRJ网络的储备池采用了确定的连接结构,这种结构相比于随机生成的储备池使网络性能得到提高,弥补了随机连接时网络的不确定性,降低了神经元连接的冗余。但由于CRJ网络确定的跳跃步长,使其不能充分考虑时间序列中的随机因素,泛化能力较低。
为解决上述问题,本实施方式采用QPSO(量子粒子群算法)对构建的初始CRJ预测器进行超参数寻优,以提高模型的泛化能力,便于对不同的电梯数据使用。其中,本实施方式假设步长L是随机的,以充分挖掘储备池中高聚类系数节点的信息,增强网络的学习能力,初始CRJ预测器待优化的超参数包括:储备池节点数P、循环边权重rc、跳跃边权重rj、输入单元尺度Is。使用QPSO算法调整初始CRJ预测器的超参数的流程将在下文进行详细说明。
S204:使用所述相空间矢量集训练优化后的QPSO-CRJ预测器,得到电梯制动性能第一预测器和第一预测序列。
在本实施方式中,可以从相空间矢量集中随机选取70%的相空间矢量作为训练样本集,30%的相空间矢量作为测试样本集,训练优化后的QPSO-CRJ预测器,从而得到电梯制动性能第一预测器。在构建了电梯制动性能第一预测器后,可以使用该预测器不断预测电梯制动性能参数的值,从而得到电梯制动性能参数的第一预测序列。其中,第一预测序列为第一预测器预测的未来设定时间长度的电梯制动性能参数的值的时间序列。
例如,假设电梯制动性能参数的样本序列长度为n,进行相空间重构的嵌入维数为5,延迟时间为1,则可以将电梯制动性能参数重构后的相空间矢量(x(n-4),x(n-3),x(n-2),x(n-1),x(n))输入到构建的第一预测器,预测下一时刻的参数值x(n+1),然后将相空间矢量(x(n-3),x(n-2),x(n-1),x(n),x(n+1))再输入到构建的第一预测器,预测下一时刻的参数值x(n+2),以此类推,直到预测出设定个数的参数值,从而得到第一预测序列。
请参见图4,图4是本发明实施方式提供的一种使用QPSO算法调整初始CRJ预测器的超参数的流程示意图。如图4所示,根据所述相空间矢量和QPSO算法调整所述初始CRJ预测器的超参数,得到优化后的QPSO-CRJ预测器可以包括下述步骤:
S301:随机产生初始种群,并设置初始化种群粒子的位置和速度以及当前迭代次数t和最大迭代次数T。
S302:判断t是否大于T,若t大于T,则转入S307,否则进行S303;
S303:更新粒子的位置和速度;
S304:对粒子的位置进行变异、交叉、选择的操作;
S305:选择所述粒子的最优适应值个体进入下一代,同时更新全局最优解的值;
S306:更新迭代次数后转入S302;
S307:输出全局最优解,将全局最优解作为CRJ预测器的最优超参数。
在本实施方式中,可以根据CRJ预测器输出的相空间矢量的预测值和相空间矢量的实际输出值(即相空间矢量的标签值)计算CRJ预测器的适应度函数值,将适应度函数值最低时CRJ预测器的超参数作为全局最优解。其中,CRJ预测器的适应度函数为CRJ预测器在自我训练时的数据学习损失率,其用于衡量CRJ预测器在全部样本上的表现。CRJ预测器的适应度函数为:
在得到CRJ预测器的最优超参数后,可以将最优超参数带入CRJ预测器,得到优化后的QPSO-CRJ预测器。
进一步地,为提高电梯制动性能预测的泛化性和准确性,提高电梯制动性能预测器的非线性预测能力,可以将QPSO-CRJ预测器作为基预测器,使用Adaboost(自适应增强)算法训练出多个弱预测器,然后将多个弱预测器组合成电梯制动性能第二预测器,使用该第二预测器对电梯制动性能参数的值进行预测,以提高泛化能力和预测能力。
请参见图5、图6,图5是本发明实施方式提供的一种构建电梯制动性能第二预测器和第二预测序列的方法流程示意图,图6是本发明实施方式提供的电梯制动性能第二预测器的构造过程示意图。如图5、图6所示,所述使用样本序列训练构建的预测模型,得到电梯制动性能预测器和预测序列可以包括下述步骤:
S401:对所述样本序列进行相空间重构,得到相空间矢量集。
S402:使用所述相空间矢量集训练CRJ模型,构建初始CRJ预测器。
S403:根据所述相空间矢量集和QPSO算法调整所述初始CRJ预测器的超参数,得到优化后的QPSO-CRJ预测器。
其中,步骤S401-S403可以参见前述实施方式的步骤S201-S203,在此不再赘述。
S404:初始化样本权重。
在本实施方式中,样本权重表示训练时各个训练样本的重要性,其可以改变训练样本的数量,从而改变训练样本在总体样本集中的占比。例如,本来一个训练样本的数量是1个,可以对其加权使其变成0.8个,或者1.5个。在本实施方式中,可以根据训练样本集中训练样本的总数量为各训练样本分配相同的初始样本权重。例如,训练样本集中的训练样本有m个,则可以为每个训练样本的分配相同的初始样本权重其中,训练样本集为训练样本组成的集合,训练样本可以为从电梯制动性能参数的样本序列重构后的相空间矢量集中随机选取的相空间矢量。
S405:根据所述样本权重和训练样本训练所述QPSO-CRJ预测器,得到电梯制动性能弱预测器。
在分配了样本权重后,可以使用样本权重对各训练样本进行加权,改变训练样本在训练样本集中的数量,得到第一训练样本集。
在得到第一训练样本集后,可以将QPSO-CRJ预测器作为基预测器,使用第一训练样本集训练构建的QPSO-CRJ基预测器,从而得到电梯制动性能弱预测器。
S406:根据所述电梯制动性能弱预测器对第一训练样本的误差函数确定所述弱预测器的弱预测器权重。
在本实施方式中,所述第一训练样本为该弱预测器预测错的训练样本,该弱预测器对第一训练样本的预测输出值与第一训练样本的实际输出值不同。具体而言,可以使用所述电梯制动性能弱预测器对各训练样本进行预测,得到各训练样本的预测输出值。通过比较各训练样本的预测输出值与各训练样本的实际输出值,可以确定第一训练样本,其中,所述第一训练样本为该弱预测器的预测输出值与实际输出值不同的训练样本。
在确定了第一训练样本后,可以根据所述电梯制动性能弱预测器对第一训练样本的误差函数确定该弱预测器的预测器权重。
其中,弱预测器(k)对第一训练样本的误差函数为:Dk(j),Dk(j)表示在训练弱预测器(k)时第一训练样本(j)的样本权重,第一训练样本(j)为弱预测器(k)预测错的训练样本,j为第一训练样本的下标。例如,弱预测器(k)对训练样本Xj的预测值为y’j,训练样本Xj的实际输出值为yj,若y’j≠yj,则训练样本Xj即为弱预测器(k)的第一训练样本,训练样本Xj的权重Dk(j)即为弱预测器(k)对第一训练样本的误差函数值。
在确定了弱预测器对第一训练样本的误差函数值后,可以根据该误差函数值确定该弱预测器的弱预测器权重,确定弱预测器权重的公式为:
其中,ak表示弱预测器(k)的弱预测器权重,k为弱预测器的下标值,k=1,2,3...,Dk(j)表示在训练弱预测器(k)时第一训练样本(j)的样本权重。
S407:根据所述弱预测器权重更新所述样本权重,重复进行步骤S405-S407,直到训练出设定个数的弱预测器和弱预测器权重。
在本实施方式中,可以根据弱预测器(k)的弱预测器权重来增加在训练下一弱预测器(k+1)时第一训练样本(j)的样本权重,增加对第一训练样本的关注,即增加对预测错的样本的关注,从而提高模型的泛化能力和预测能力。
其中,可以通过下述公式来更新在下一次训练时第一训练样本(j)样本权重:
其中,Dk+1(j)表示在训练弱预测器(k+1)时第一训练样本(j)的样本权重,Dk(j)表示在训练弱预测器(k)时第一训练样本(j)的样本权重,Xj表示第一训练样本,其为弱预测器(k)预测错的样本,j为第一训练样本的下标,fk(Xj)表示弱预测器(k)对第一训练样本Xj的预测输出值,yj表示第一训练样本的实际输出值,其可由第一训练样本的标签值确定,ak表示弱预测器(k)的弱预测器权重,β为归一化因子,其可以通过下式计算:
也就是说,在本实施方式中,如果某个训练样本已经被准确地预测,那么在构造下一次训练的训练样本集时,就降低该训练样本的样本权重;相反,如果某个训练样本没有被准确地预测,那么在构造下一次训练的训练样本集时,就提高该训练样本的样本权重,使该训练样本得到弱预测器对应的话语权。然后,更新样本权值后的训练样本集被用于训练下一个预测器,整个训练过程如此迭代地进行下去。
在本实施方式中,将弱预测器的个数作为终止S405-S407循环的条件。在其他实施方式中,也可以设定其他终止条件,例如,可以设定弱预测器对整体训练样本的代价函数值,当弱预测器的代价函数值高于设定值时,终止S405-S407的循环。
S408:对所述设定个数的弱预测器和弱预测器权重进行加权求和,得到电梯制动性能第二预测器和第二预测序列。
在本实施方式中,在训练得到设定个数的弱预测器后,可以使用所述弱预测器权重对所述弱预测器进行加权求和,从而得到电梯制动性能第二预测器,所述电梯制动性能第二预测器为Adaboost-QPSO-CRJ预测器。之后,可以使用所述电梯制动性能第二预测器对未来设定时间长度的电梯制动性能参数的值进行预测,从而得到第二预测序列。其中,所述电梯制动性能第二预测器的预测公式为:
其中,ak表示弱预测器(k)的弱预测器权重,k为弱预测器的下标值,k=1,2,3...。Xi表示输入时间序列,fk(Xi)表示弱预测器(k)对输入时间序列Xi的预测输出值。
举例来说,如果在训练第二预测器的过程中,使用训练样本对QPSO-CRJ模型训练的最大次数为K。则在第k次训练中,可以根据样本权重(k)和训练样本训练QPSO-CRJ模型,得到弱预测器(k);根据弱预测器(k)对第一训练样本的误差函数Dk(j)确定弱预测器(k)的弱预测器权重ak;然后根据弱预测器权重ak确定第(k+1)次训练的样本权重(k+1)。之后,使用样本权重(k+1)进行第(k+1)次训练,直到达到最大训练次数K。其中,k表示当前训练次数,当k=1时,样本权重(1)等于初始样本权重。在初始样本权重中,各训练样本的样本权重相同。
通过上述方法,本实施方式可以得到泛化能力和预测能力更强的第二预测器。
从上述描述中可以看出,本发明实施方式提供的第一预测器为QPSO-CRJ预测器,其可以通过样本序列训练QPSO-CRJ模型得到,第二预测器为Adaboost-QPSO-CRJ预测器,其可以通过样本序列训练Adaboost-QPSO-CRJ模型得到,即在使用所述样本序列训练预测模型,得到电梯制动性能预测器和预测序列中,预测模型可以为QPSO-CRJ模型,也可以为Adaboost-QPSO-CRJ模型。
在进行电梯制动性能模型训练的时候,其实是使用参数1去预测参数2,参数2去预测参数3,…,以此类推。这个时候,其实模型对训练集也是有失误的,就是虽然已经学习训练过了,但训练出来的模型还是会对某些训练样本预测错,可以理解成模型“忘记了”,这种情况时正常的,若训练出来的模型完全拟合训练集我们会认为模型过拟合了。
如此,根据模型的训练结果可以确定模型的损失,根据模型的损失(ek)给模型一个权值,损失越多模型权值越低,再根据结果调整训练样本的样本权值,对预测错的训练样本(预测输出值与实际输出值存在误差的训练样本,即第一训练样本)给予更大权值,以在之后的模型训练中,给予预测错的训练样本以更大的关注。
最后,集结所有训练好的模型(即弱预测器),根据模型权值组合成新的模型(第二预测器)。第二预测器中包含多个弱预测器,但这多个弱预测器中没有一个出现过拟合,第二预测器通过多个弱预测器学习到了绝大多数数据,但又不会对任意一个数据拟合。而第一预测器本质属于一种弱预测器,因此,本发明实施方式提供的第二预测器的泛化能力和预测能力优于第一预测器。通过使用本发明实施方式提供的第二预测器对电梯制动性能进行预测,可以预测的更为准确,从而便于更加准确的预测电梯出现故障的时间。
进一步地,为定量了解电梯制动性能的退化情况,判断电梯的梗概制动能力,可以根据各电梯制动性能参数的样本序列分别训练出各电梯制动性能参数的电梯制动性能预测器,根据各电梯制动性能预测器预测各参数在未来设定时间范围的参数值,从而得到各参数的预测序列。然后获取各参数的标准值,将各参数的预测序列和各参数的标准值代入下式计算电梯整体性能退化值,以预测电梯整体性能退化情况:
其中,F为电梯整体性能退化值,R为参数的总个数,Grmax为第r个参数的标准值,Gri为第r个参数的预测序列中第i个预测值。
请参见图7,图7是根据本发明实施方式的电梯整体性能退化情况的预测示意图。如图7所示,在本实施方式中,电梯制动性能参数包括响应时间、最大减速度和制动距离三者。可以进行电梯空载上行试验,获取设定时间间隔的电梯空载上行试验工况的响应时间、最大减速度和制动距离的值,从而分别得到响应时间样本序列、最大减速度样本序列和制动距离样本序列。
然后,可以使用响应时间样本序列训练Adaboost-QPSO-CRJ模型,得到响应时间预测模型和响应时间预测序列,使用最大减速度样本序列训练Adaboost-QPSO-CRJ模型,得到最大减速度预测模型和最大减速度预测序列,使用制动距离样本序列训练Adaboost-QPSO-CRJ模型,得到制动距离预测模型和最大减速度预测序列。
之后,可以使用响应时间的预测序列、最大减速度的预测序列和制动距离的预测序列进行制动性能评估。例如,可以将所述响应时间、最大减速度和制动距离的预测序列和标准值代入下式计算电梯整体性能退化值,以预测电梯整体性能退化情况:
由于电梯事关人身安全,对于多个电梯制动性能参数,只要有一个参数出现故障,就认为电梯出现问题并进行处理。因此,本发明实施方式可以对多个电梯制动性能参数分别预测其在未来设定时间范围内的参数值,得到多个参数中各参数的预测序列,根据各参数的预测序列和各参数的标准值分别判断各参数的参数值出现问题的时间,然后将最早出现问题的时间作为未来电梯出现故障的时间。例如,对于响应时间、最大减速度、制动距离这三个参数,可以根据响应时间预测序列及其标准值、最大减速度预测序列及其标准值和制动距离预测序列及标准值分别判断响应时间出现问题的时间、最大减速的出现问题的时间、制动距离出现问题的时间,然后将上述三个时间中的最早时间作为未来电梯出现故障的时间。
在上述实施方式中,采用电梯制动性能第二预测器和第二预测序列对电梯制动性能进行精确评估和预测。在其他实施方式中,也可以首先根据电梯制动性能第一预测器和第一预测序列对电梯制动性能进行简单评估,预测出电梯可能出现故障的第一时间范围,然后采用电梯制动性能第二预测器预测所述第一时间范围内的第二预测序列,以在兼顾预测效率的同时对电梯制动性能进行精确预测与评估。
当然,如果对制动性能预测的要求不高,也可以仅训练出电梯制动性能第一预测器和第一预测序列,使用第一预测序列来简单评估电梯制动性能,预测电梯故障的大约时间。
请参见图8,图8是本发明实施方式提供的一种电梯制动性能预测装置的模块示意图。如图8所示,电梯制动性能预测装置10可以包括:
参数值获取模块11,用于获取设定时间间隔的电梯空载上行试验工况的电梯制动性能参数的值,按时间顺序对所述电梯制动性能参数的值进行组合,得到所述电梯制动性能参数的样本序列;
预测模块12,用于使用所述样本序列训练预测模型,得到电梯制动性能预测器和预测序列,其中,所述预测序列为预测的设定时间范围内的所述电梯制动性能参数的值的时间序列;
第一值确定模块13,用于根据所述电梯制动性能参数的标准值在所述预测序列中确定第一值,其中,所述第一值大于或等于所述标准值,且所述第一值与所述标准值的差的绝对值最小,或所述第一值小于或等于所述标准值,且所述第一值与所述标准值的差的绝对值最小;
故障时间预测模块14,用于根据所述第一值在所述预测序列中的序号和所述时间间隔确定未来电梯出现故障的时间。
本实施方式中各模块的具体处理可以参见前述方法实施方式中的对应处理,在此不再赘述。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本发明可借助软件结合硬件平台的方式来实现。基于这样的理解,本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施方式或者实施例的某些部分所述的方法。
本发明实施方式还提供一种计算机可读存储介质,例如,硬盘、软盘、光盘、磁带、磁盘、优盘、闪存等。所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行以实现如上述方法实施方式中记载的任何一种电梯制动性能预测方法的部分或全部步骤。
本发明实施方式还提供一种电梯制动性能预测装置,其包括:存储器,其上存储有计算机指令;处理器,用于执行所述计算机指令以如上述方法实施方式中记载的任何一种电梯制动性能预测方法的部分或全部步骤。
本领域技术人员应当理解,以上所公开的仅为本发明的实施方式而已,当然不能以此来限定本发明之权利范围,依本发明实施方式所作的等同变化,仍属本发明权利要求所涵盖的范围。
Claims (8)
1.一种电梯制动性能预测方法,所述方法包括:
获取设定时间间隔的电梯空载上行试验工况的电梯制动性能参数的值,按时间顺序对所述电梯制动性能参数的值进行组合,得到所述电梯制动性能参数的样本序列;
使用所述样本序列训练预测模型,得到电梯制动性能预测器和预测序列,其中,所述预测序列为预测的设定时间范围内的所述电梯制动性能参数的值的时间序列;
根据所述电梯制动性能参数的标准值在所述预测序列中确定第一值,其中,所述第一值大于或等于所述标准值,且所述第一值与所述标准值的差的绝对值最小,或所述第一值小于或等于所述标准值,且所述第一值与所述标准值的差的绝对值最小;
根据所述第一值在所述预测序列中的序号和所述时间间隔确定未来电梯出现故障的时间;
其中,所述使用所述样本序列训练预测模型,得到电梯制动性能预测器和预测序列包括下述步骤:
对所述样本序列进行相空间重构,得到相空间矢量集;
使用所述相空间矢量集训练CRJ模型,构建初始CRJ预测器;
根据所述相空间矢量集和QPSO算法调整所述初始CRJ预测器的超参数,得到优化后的QPSO-CRJ预测器;
使用所述相空间矢量集训练所述优化后的QPSO-CRJ预测器,得到电梯制动性能第一预测器和第一预测序列;
其中,所述根据所述相空间矢量集和QPSO算法调整所述初始CRJ预测器的超参数,得到优化后的QPSO-CRJ预测器包括下述步骤:
S301:随机产生初始种群,并设置初始化种群粒子的位置和速度以及当前迭代次数t和最大迭代次数T;
S302:判断t是否大于T,若t大于T,则转入S307,否则进行S303;
S303:更新粒子的位置和速度;
S304:对粒子的位置进行变异、交叉、选择的操作;
S305:选择所述粒子的最优适应值个体进入下一代,同时更新全局最优解的值;
S306:更新迭代次数后转入S302;
S307:输出全局最优解,将全局最优解作为CRJ预测器的最优超参数。
2.根据权利要求1所述的电梯制动性能预测方法,其特征在于,
所述电梯制动性能参数包括:电梯的响应时间、制动减速度、制动距离中的一个或多个。
4.根据权利要求1所述的方法,其特征在于,所述使用所述样本序列训练预测模型,得到电梯制动性能预测器和预测序列还包括下述步骤:
S404:初始化样本权重;
S405:根据所述样本权重和训练样本训练所述优化后的QPSO-CRJ预测器,得到电梯制动性能弱预测器,其中,所述训练样本为从所述相空间矢量集中随机选取的相空间矢量;
S406:根据所述电梯制动性能弱预测器对第一训练样本的误差函数确定所述弱预测器的弱预测器权重,其中,所述第一训练样本为所述弱预测器的预测输出值与实际输出值不同的训练样本;
S407:根据所述弱预测器权重更新所述样本权重,重复进行步骤S405-S407,直到训练出设定个数的弱预测器和弱预测器权重;
S408:对所述设定个数的弱预测器和弱预测器权重进行加权求和,得到电梯制动性能第二预测器和第二预测序列。
6.一种电梯制动性能预测装置,所述装置包括:
参数值获取模块,用于获取设定时间间隔的电梯空载上行试验工况的电梯制动性能参数的值,按时间顺序对所述电梯制动性能参数的值进行组合,得到所述电梯制动性能参数的样本序列;
预测模块,用于使用所述样本序列训练预测模型,得到电梯制动性能预测器和预测序列,其中,所述预测序列为预测的设定时间范围内的所述电梯制动性能参数的值的时间序列;
第一值确定模块,用于根据所述电梯制动性能参数的标准值在所述预测序列中确定第一值,其中,所述第一值大于或等于所述标准值,且所述第一值与所述标准值的差的绝对值最小,或所述第一值小于或等于所述标准值,且所述第一值与所述标准值的差的绝对值最小;
故障时间预测模块,用于根据所述第一值在所述预测序列中的序号和所述时间间隔确定未来电梯出现故障的时间;
其中,所述使用所述样本序列训练预测模型,得到电梯制动性能预测器和预测序列包括下述步骤:
对所述样本序列进行相空间重构,得到相空间矢量集;
使用所述相空间矢量集训练CRJ模型,构建初始CRJ预测器;
根据所述相空间矢量集和QPSO算法调整所述初始CRJ预测器的超参数,得到优化后的QPSO-CRJ预测器;
使用所述相空间矢量集训练所述优化后的QPSO-CRJ预测器,得到电梯制动性能第一预测器和第一预测序列;
其中,所述根据所述相空间矢量集和QPSO算法调整所述初始CRJ预测器的超参数,得到优化后的QPSO-CRJ预测器包括下述步骤:
S301:随机产生初始种群,并设置初始化种群粒子的位置和速度以及当前迭代次数t和最大迭代次数T;
S302:判断t是否大于T,若t大于T,则转入S307,否则进行S303;
S303:更新粒子的位置和速度;
S304:对粒子的位置进行变异、交叉、选择的操作;
S305:选择所述粒子的最优适应值个体进入下一代,同时更新全局最优解的值;
S306:更新迭代次数后转入S302;
S307:输出全局最优解,将全局最优解作为CRJ预测器的最优超参数。
7.一种电梯制动性能预测装置,其特征在于,包括:
存储器,其上存储有计算机指令;
处理器,用于执行所述计算机指令以实现权利要求1-5中任一项权利要求所述的方法。
8.一种可读计算机存储介质,其特征在于,其上存储有计算机程序,所述计算机程序可以被处理器执行以实现权利要求1-5中任一项权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111458140.XA CN114014120B (zh) | 2021-12-01 | 2021-12-01 | 电梯制动性能预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111458140.XA CN114014120B (zh) | 2021-12-01 | 2021-12-01 | 电梯制动性能预测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114014120A CN114014120A (zh) | 2022-02-08 |
CN114014120B true CN114014120B (zh) | 2023-05-26 |
Family
ID=80067423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111458140.XA Active CN114014120B (zh) | 2021-12-01 | 2021-12-01 | 电梯制动性能预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114014120B (zh) |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105136509A (zh) * | 2015-10-10 | 2015-12-09 | 天津豪雅科技发展有限公司 | 电梯制动参数检测仪 |
CN110002308B (zh) * | 2019-04-02 | 2023-05-12 | 冯光辉 | 实时监测电梯制动器制动能力的方法 |
CN110414031B (zh) * | 2019-05-07 | 2021-10-22 | 深圳大学 | 一种基于volterra级数模型预测时间序列的方法、装置、电子设备及计算机可读存储介质 |
CN110902514B (zh) * | 2019-12-19 | 2022-05-17 | 无锡英威腾电梯控制技术有限公司 | 一种电梯运行控制方法及相关设备 |
CN111044928A (zh) * | 2019-12-31 | 2020-04-21 | 福州大学 | 一种锂电池健康状态估计方法 |
US20210256422A1 (en) * | 2020-02-19 | 2021-08-19 | Google Llc | Predicting Machine-Learned Model Performance from the Parameter Values of the Model |
CN112141843B (zh) * | 2020-09-07 | 2022-07-19 | 嘉兴市特种设备检验检测院 | 用于检测电梯制动器制动性能的动态检测系统及方法 |
CN113158362B (zh) * | 2021-03-18 | 2023-11-28 | 浙江理工大学 | 一种物理失效和数据驱动融合的电梯剩余寿命预测方法 |
CN113376541B (zh) * | 2021-06-04 | 2023-06-06 | 辽宁工程技术大学 | 一种基于crj网络的锂离子电池健康状态预测方法 |
CN113626586A (zh) * | 2021-08-02 | 2021-11-09 | 中车大连电力牵引研发中心有限公司 | 一种磁浮列车的故障文本分析处理方法 |
-
2021
- 2021-12-01 CN CN202111458140.XA patent/CN114014120B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114014120A (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Salfner et al. | Predicting failures of computer systems: A case study for a telecommunication system | |
KR20200119383A (ko) | 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법 | |
KR100936892B1 (ko) | 배터리의 장기 특성 예측 시스템 및 방법 | |
JP6359960B2 (ja) | 故障予測装置、故障予測方法及び故障予測プログラム | |
CN111984513A (zh) | 一种预测性维护方法、装置、设备以及存储介质 | |
US8977575B2 (en) | Confidence level generator for bayesian network | |
CN109344967B (zh) | 一种基于人工神经网络的智能电表生命周期预测方法 | |
US20240012407A1 (en) | Condition-Based Method for Malfunction Prediction | |
KR20190123040A (ko) | 딥러닝 기반 태양광 발전량 예측 모델 갱신 주기를 설정하는 태양광 발전량 예측 모델 관리 장치 및 그 방법 | |
CN111044926A (zh) | 质子交换膜燃料电池寿命预测方法 | |
US6453265B1 (en) | Accurately predicting system behavior of a managed system using genetic programming | |
CN111523727A (zh) | 基于不确定过程的考虑恢复效应的电池剩余寿命预测方法 | |
CN112417767B (zh) | 一种衰减趋势确定模型构建方法、衰减趋势确定方法 | |
CN114595883A (zh) | 基于元学习的油浸式变压器剩余寿命个性化动态预测方法 | |
CN114014120B (zh) | 电梯制动性能预测方法、装置及存储介质 | |
CN113962253A (zh) | 基于深度小波极限学习机的轴承剩余寿命预测方法及系统 | |
CN113837427A (zh) | 用于对资产执行预测性健康分析的方法和计算系统 | |
CN110163332B (zh) | 一种变压器故障诊断方法 | |
EP4312038A1 (en) | A method for characterizing the evolution of state of health of a device with duration of operation | |
JP6919705B2 (ja) | 劣化予測装置、劣化予測方法、及びプログラム | |
El Houda et al. | Towards a new dynamic model-based testing approach for multi-agent systems | |
Tirovolas et al. | Introducing fuzzy cognitive map for predicting engine’s health status | |
US20180121794A1 (en) | Method and system for machine failure prediction | |
Pievatolo et al. | Bayesian modelling of train door reliability | |
Atamuradov et al. | Segmentation based feature evaluation and fusion for prognostics |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |