CN117786560B - 一种基于多粒度级联森林的电梯故障分类方法及电子设备 - Google Patents
一种基于多粒度级联森林的电梯故障分类方法及电子设备 Download PDFInfo
- Publication number
- CN117786560B CN117786560B CN202410217266.5A CN202410217266A CN117786560B CN 117786560 B CN117786560 B CN 117786560B CN 202410217266 A CN202410217266 A CN 202410217266A CN 117786560 B CN117786560 B CN 117786560B
- Authority
- CN
- China
- Prior art keywords
- value
- features
- elevator fault
- feature
- elevator
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000007637 random forest analysis Methods 0.000 claims abstract description 17
- 238000013145 classification model Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 24
- 238000012512 characterization method Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 238000003066 decision tree Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 230000014759 maintenance of location Effects 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 239000012535 impurity Substances 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于电梯故障分类技术领域，具体涉及一种基于多粒度级联森林的电梯故障分类方法及电子设备。所述电梯故障分类方法包括：S1、构建电梯故障数据集；S2、基于电梯故障数据集，利用随机森林的平均不纯度减少值对原始特征进行初步筛选，得出重要特征；S3、建立基于多粒度级联森林的电梯故障分类模型；S4、将实时获取的特征信息输入最终的电梯故障分类模型，进行电梯故障的实时分类。本发明可以有效降低输入至后续多粒度级联森林中的特征数量，降低后续模型训练的复杂度和干扰。同时无需大量超参数的调节，也无需大规模的训练数据，即可达到相当的分类精度。
Description
技术领域
本发明属于电梯故障分类技术领域，具体涉及一种基于多粒度级联森林的电梯故障分类方法及电子设备。
背景技术
电梯是和人们日常生活息息相关的特种设备，电梯一旦发生故障，其后果一般比较严重，甚至可能威胁乘客的生命安全，因此，准确的电梯故障诊断一直是电梯研究的重点。而为了实现准确的电梯故障诊断，需要先实现准确的电梯故障分类。
电梯是一种高度复杂的机电一体化系统，电梯的运行同时也很容易受到多种环境因素的影响，因此，建立电梯故障诊断理论模型难度较大。随着人工智能技术的发展，数据驱动的电梯故障诊断模型已逐渐发展起来，其中较为具有代表性的是基于深度学习的电梯故障诊断模型。深度学习模型大多建立在神经网络上，即多层参数化的可分化非线性模块，可以通过反向传播来训练模型。
然而，深度神经网络使用的超参数较多，学习性能严重依赖于参数调整的精度，不同层数及不同超参数选择使得深度神经网络的训练难度很大，同时，深度神经网络需要大量的数据集进行训练，在数据量较小时，模型性能欠佳。
因此，亟需提供一种新型的电梯故障分类方法。
发明内容
为了解决现有技术中存在的上述技术问题，本发明提供一种基于多粒度级联森林的电梯故障分类方法及电子设备，利用随机森林进行初始特征的选择，利用级联森林进行分类器的训练，得到最终的电梯故障分类结果。
为实现上述目的，本发明的技术方案如下：
一种基于多粒度级联森林的电梯故障分类方法，包括：
S1、构建电梯故障数据集；
S2、基于电梯故障数据集，利用随机森林的平均不纯度减少值对原始特征进行初步筛选，得出重要特征；
S3、根据步骤S2中的重要特征，建立基于多粒度级联森林的电梯故障分类模型；
S4、将实时获取的特征信息输入最终的电梯故障分类模型，进行电梯故障的实时分类。
进一步地，电梯故障数据集包括电梯基本属性参数和电梯故障类型数据，对于采集的原始的电梯基本属性参数进行量化和归一化处理。
更进一步地，电梯故障类型数据包括：人为原因、外部原因、门系统、曳引系统、导向系统、轿厢、控制系统、电气系统、安装保护装置。
更进一步地，归一化处理具体为：
其中，是归一化后的值，/>是参数的原始值，/>是最小值，/>是最大值。
进一步地，步骤S2中平均不纯度减少值的获取方法包括：
S21、将步骤S1中构建的电梯故障数据集划分为训练集和验证集，其中电梯基本属性作为输入特征，电梯故障类型数据作为输出量，利用随机森林模型进行模型训练，训练过程中，每个决策树均基于随机采样的训练样本和随机选择的特征子集进行训练；
S22、计算每个特征的平均不纯度减少值；具体包括：
S221、在训练的过程中，每个决策树都会根据特征进行节点分裂，随机选取任一特征，找到该特征在每个决策树中出现的所有节点；
S222、在每个节点处，计算使用该特征进行分裂后的不纯度减少值；
其中，不纯度可以选用基尼不纯度来表示，具体为：
其中，是当前节点的样本集，/>是类别的总数，/>是样本集中属于第i类的概率（即当前节点中第i类样本所占的比例）。
特征在某个节点分裂的不纯度减少值的计算公式可以表示为：
其中，是当前节点的基尼不纯度，N是当前节点的样本数，/>和/>分别是分裂后左子节点和右子节点的样本数，/>和/>分别是左子节点和右子节点的不纯度。
S223、将该特征在所有树中的所有节点的不纯度减少值进行平均，得到该特征的平均不纯度减少值。
S224、重复S221-S223步骤，直至求得所有特征的平均不纯度减少值。
更进一步地，对平均不纯度减少值进行初步筛选具体包括：得到每个特征的平均不纯度减少值后，将所有特征的平均不纯度减少值从大到小排列，将所有特征的平均不纯度减少值进行两两比较，计算差值的绝对值，i对应平均不纯度减少值排在第i个对应的特征，j对应平均不纯度减少值排在第j个对应的特征，j=i+1；取所有/>中的最大值/>，
若，则保留/>（包含/>）前的所有特征作为重要特征；
若，则按照平均不纯度减少值从大到小的顺序，依次累计平均不纯度减少值，当累计值/>大于0.9时，保留特征M（包含M）之前的所有特征作为重要特征，其中/>表示第m个平均不纯度减少值，M表示累计的特征数量。
进一步地，步骤S3具体包括：
S31、通过多粒度扫描方法，扫描原始特征，生成输入特征表征向量；
S32、将每个森林生成的输入特征表征向量进行拼接，并输入级联森林中进行训练，得到多粒度级联森林的电梯故障分类模型。
更进一步地，步骤S31具体包括：对输入的P维样本，通过长度为K的采样窗口进行滑动采样，得到S个K维特征子样本向量，每个子样本均用于完全随机森林和普通随机森林的训练，并在每个森林中都获得一个长度为C的概率向量，进而每个森林产生长度为S×C的表征向量，之后将每层的F个森林的结果拼接后得到本层的输出结果。
更进一步地，长度K的取值范围满足：
并且K取正整数。
更进一步地，子样本向量的数量S满足公式：S=(P-K)/1+1。
本发明还提供一种电子设备，其包括存储器和处理器，所述存储器内存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于多粒度级联森林的电梯故障分类方法。
相对于现有技术，本发明具有以下有益效果：
本发明提供的基于多粒度级联森林的电梯故障分类方法，首先利用随机森林的平均不纯度减少值进行原始特征的初步选择，其次利用多粒度扫描进行进一步的特征处理，探寻隐藏的特征关系，最后利用级联森林进行分类器的训练，得到最终的电梯故障分类模型及结果。通过本发明中所提到的平均不纯度减少值初筛原始特征方法，可以有效降低输入至后续多粒度级联森林中的特征数量，降低后续模型训练的复杂度和干扰。
采用本发明中所提到的多粒度级联森林方法，针对不同的电梯场景，可以始终保证训练的复杂度在一定的范围内；同时该方法相对目前效果最好的深度神经网络方法，无需大量超参数的调节，也无需大规模的训练数据，即可达到相当的分类精度。
附图说明
图1为本发明的方法流程图。
图2为本发明建立的其中一个实施例的电梯故障分类模型。
具体实施方式
下面将结合附图说明对本发明的技术方案进行清楚的描述，显然，所描述的实施例并不是本发明的全部实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
需要说明的是，除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式不应被理解为对本发明范围的限制。
以下对示例性实施例的描述仅仅是说明性的，在任何意义上都不作为对本发明及其应用或使用的任何限制。这里对于相关领域普通技术人员已知的技术、方法和装置可能不作详细讨论，但在适用这些技术、方法和装置情况下，这些技术、方法和装置应当被视为本说明书的一部分。
本发明提供一种基于多粒度级联森林的电梯故障分类方法，如图1所示，包括：
S1、构建电梯故障数据集；
电梯故障数据集包括电梯基本属性参数和电梯故障类型数据，电梯基本属性参数指的是电梯从制造、安装完成后的通用参数，即无需增加额外传感器而获得的一些参数，对于采集的原始的电梯基本属性参数进行量化和归一化处理。量化是指将非数值型数据进行人工数据标注或人工划分数据区间，归一化是指将部分数值型数据，将其数值转换为0-1之间的数值，具体转换方法为：
其中，是归一化后的值，/>是参数的原始值，/>是最小值，/>是最大值。
例如电梯基本属性参数包括：额定速度、额定载重量、门数、站数、层数、使用场所、拖动方式、控制方式、悬挂装置数量、悬挂装置规格、安全钳型式、缓冲器型式、IC卡系统、开门方向、开门方式等。
电梯故障类型数据共9个大类，包括：人为原因、外部原因、门系统、曳引系统、导向系统、轿厢、控制系统、电气系统、安装保护装置，并分别人为标注为类型1-9。
S2、基于电梯故障数据集，利用随机森林的平均不纯度减少值对原始特征进行初步筛选，得到重要特征；具体包括：
S21、将步骤S1中构建的电梯故障数据集划分为训练集和验证集，训练集和验证集的划分比例优选为7：3；其中电梯基本属性参数作为输入特征，电梯故障类型数据作为输出量，利用随机森林模型进行模型训练，在训练的过程中，每个决策树均基于随机采样的训练样本和随机选择的特征子集进行训练；
S22、计算每个特征的平均不纯度减少值；具体包括：
S221、在训练的过程中，每个决策树都会根据特征进行节点分裂，随机选取任一特征，找到该特征在每个决策树中出现的所有节点；
S222、在每个节点处，计算使用该特征进行分裂后的不纯度减少值；
其中，不纯度可以选用基尼不纯度来表示，具体为：
其中，是当前节点的样本集，/>是类别的总数，/>是样本集中属于第i类的概率（即当前节点中第i类样本所占的比例）。
特征在某个节点分裂的不纯度减少值的计算公式可以表示为：
其中，是当前节点的基尼不纯度，N是当前节点的样本数，/>和/>分别是分裂后左子节点和右子节点的样本数，/>和/>分别是左子节点和右子节点的不纯度。
S223、将该特征在所有树中的所有节点的不纯度减少值进行平均，得到该特征的平均不纯度减少值。
S224、重复S221-S223步骤，直至求得所有特征的平均不纯度减少值。
S23、得到每个特征的平均不纯度减少值后，将所有特征的平均不纯度减少值从大到小排列，将所有特征的平均不纯度减少值进行两两比较，计算差值的绝对值，i对应平均不纯度减少值排在第i个对应的特征，j对应平均不纯度减少值排在第j个对应的特征，j=i+1；取所有/>中的最大值/>，
若，认为在特征/>之前的所有特征与在特征/>之后的所有特征重要程度相差较大，则保留/>（包含/>）前的所有特征作为重要特征；
若，则认为特征之间的相对重要程度差距不是非常明显，则按照平均不纯度减少值从大到小的顺序，依次累计平均不纯度减少值，当累计值/>大于0.9时，保留特征M（包含M）之前的所有特征作为重要特征，其中/>表示第m个平均不纯度减少值，M表示累计的特征数量。
其中，i取值为1，2，3……，F-1，F为特征的总数量。
S3、建立基于多粒度级联森林的电梯故障分类模型；具体包括：
S31、通过多粒度扫描方法，滑动窗口扫描原始特征，即筛选出的重要特征，生成输入特征表征向量；具体包括：对输入的完整P维样本，通过长度为K的采样窗口进行滑动采样，得到S个K维特征子样本向量，每个子样本均用于完全随机森林和普通随机森林的训练，并在每个森林中都获得一个长度为C（类别数）的概率向量，进而每个森林产生长度为S×C的表征向量，之后将每层的F个森林的结果拼接后得到本层的输出结果。
其中，长度K的取值范围满足：
即保证采样后每个森林产生的保证向量维度在100-500之间，从而降低模型训练的复杂度和保证模型训练的速度。其中保证K取正整数，因为采样窗口的长度最小为1，若的值小于1，则取1；若/>的值小于1，则取1。
同时，K的取值建议优选下限，即的向下取整，以在满足K的范围内尽量保证特征的多样性。
例如：若输入样本维度P为100，分类总类别数为5，则，K优选为1。
若输入样本维度P为150，分类总类别数为5，则，K优选为51。
若输入样本维度P为15，分类总类别数为9，则，K优选为1。
另外，子样本向量的数量S满足公式：S=(P-K)/1+1。
举例说明，假设对于电梯的九分类问题，如图2所示，有一个15维（序列数据）的样本输入，现在设定采样窗口是1维的，使用两个森林，那可以通过逐步的采样，每个森林最终获得个子样，两个森林共获得270个子样；若采样窗口是2维的，每个森林最终获得/>个子样，两个森林共获得252个子样；若采样窗口是3维的，最终获得/>个子样，两个森林共获得234个子样。
其中，完全随机森林由多棵树组成，每棵树包含所有的特征，并且随机选择一个特征作为分裂树的分裂节点，一直分裂到每个叶子节点只包含一个类别或者不多于十个样本结束。
标准随机森林同样由多棵树构成，每棵树通过随机选取特征总数的平方根数量个特征，然后通过基尼分数来筛选分裂节点。
S32、将每个森林生成的输入特征表征向量进行拼接，并输入级联森林中进行训练，每一层的级联接收前一层处理的特征信息，并将处理结果（类向量）输出到下一层，最终得到多粒度级联森林的电梯故障分类模型。
以九分类为例，输入特征为向量，经过每个森林学习后，得到预测类分布，求平均，再与之前的原始特征拼接，作为下一层的输入。每个森林的学习数据利用5折交叉验证得到，以减少过拟合风险。扩展完一层后，整个级联结构可在验证集上面测试性能，若没有显著提高，训练过程会终止，故而层数可以自动确定。
S4、将实时获取的特征信息输入最终的电梯故障分类模型，进行电梯故障的实时分类。
本发明还提供一种电子设备，其包括存储器和处理器，所述存储器内存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于多粒度级联森林的电梯故障分类方法。
以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的范围，其均应涵盖在本发明的权利要求范围当中。
Claims (2)
1.一种基于多粒度级联森林的电梯故障分类方法，其特征在于，包括：
S1、构建电梯故障数据集；
电梯故障数据集包括电梯基本属性参数和电梯故障类型数据，
电梯基本属性参数包括：额定速度、额定载重量、门数、站数、层数、使用场所、拖动方式、控制方式、悬挂装置数量、悬挂装置规格、安全钳型式、缓冲器型式、IC卡系统、开门方向、开门方式；对于采集的电梯基本属性参数进行量化和归一化处理，量化是指将非数值型数据进行人工数据标注或人工划分数据区间，归一化是指将部分数值型数据，将其数值转换为0-1之间的数值，具体转换方法为：
其中，是归一化后的值，/>是参数的原始值，/>是最小值，/>是最大值；
电梯故障类型数据共9个大类，包括：人为原因、外部原因、门系统、曳引系统、导向系统、轿厢、控制系统、电气系统、安装保护装置，并分别人为标注为类型1-9；
S2、基于电梯故障数据集，利用随机森林的平均不纯度减少值对原始特征进行初步筛选，得出重要特征；具体包括：
S21、将步骤S1中构建的电梯故障数据集划分为训练集和验证集；其中电梯基本属性参数作为输入特征，电梯故障类型数据作为输出量，利用随机森林模型进行模型训练，在训练的过程中，每个决策树均基于随机采样的训练样本和随机选择的特征子集进行训练；
S22、计算每个特征的平均不纯度减少值；具体包括：
S221、在训练的过程中，每个决策树都会根据特征进行节点分裂，随机选取任一特征，找到该特征在每个决策树中出现的所有节点；
S222、在每个节点处，计算使用该特征进行分裂后的不纯度减少值；
不纯度选用基尼不纯度来表示，具体为：
其中，是当前节点的样本集，/>是类别的总数，/>是样本集中属于第i类的概率，即当前节点中第i类样本所占的比例；
特征在某个节点分裂的不纯度减少值的计算公式表示为：
其中，是当前节点的基尼不纯度，N是当前节点的样本数，/>和/>分别是分裂后左子节点和右子节点的样本数，/>和/>分别是左子节点和右子节点的不纯度；
S223、将该特征在所有树中的所有节点的不纯度减少值进行平均，得到该特征的平均不纯度减少值；
S224、重复S221-S223步骤，直至求得所有特征的平均不纯度减少值；
S23、得到每个特征的平均不纯度减少值后，将所有特征的平均不纯度减少值从大到小排列，将所有特征的平均不纯度减少值进行两两比较，计算差值的绝对值，i对应平均不纯度减少值排在第i个对应的特征，j对应平均不纯度减少值排在第j个对应的特征，j=i+1；取所有/>中的最大值/>，
若，认为在特征/>之前的所有特征与在特征/>之后的所有特征重要程度相差较大，则保留包含/>前的所有特征作为重要特征；
若，则认为特征之间的相对重要程度差距不是非常明显，则按照平均不纯度减少值从大到小的顺序，依次累计平均不纯度减少值，当累计值/>大于0.9时，保留特征包含M之前的所有特征作为重要特征，其中/>表示第m个平均不纯度减少值，M表示累计的特征数量；
其中，i取值为1，2，3……，F-1，F为特征的总数量；
S3、建立基于多粒度级联森林的电梯故障分类模型；具体包括：
S31、通过多粒度扫描方法，滑动窗口扫描原始特征，即筛选出的重要特征，生成输入特征表征向量；具体包括：对输入的完整P维样本，通过长度为K的采样窗口进行滑动采样，得到S个K维特征子样本向量，每个子样本均用于完全随机森林和普通随机森林的训练，并在每个森林中都获得一个长度为C的概率向量，C为类别数，进而每个森林产生长度为S×C的表征向量，之后将每层的F个森林的结果拼接后得到本层的输出结果；
其中，长度K的取值范围满足：
其中K取正整数，若的值小于1，则K取1；若/>的值小于1，则K取1；
子样本向量的数量S满足公式：S=(P-K)/1+1；
S32、将每个森林生成的输入特征表征向量进行拼接，并输入级联森林中进行训练，每一层的级联接收前一层处理的特征信息，并将处理结果输出到下一层，最终得到多粒度级联森林的电梯故障分类模型；
S4、将实时获取的特征信息输入最终的电梯故障分类模型，进行电梯故障的实时分类。
2.一种电子设备，其包括存储器和处理器，其特征在于，所述存储器内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1所述的基于多粒度级联森林的电梯故障分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410217266.5A CN117786560B (zh) | 2024-02-28 | 2024-02-28 | 一种基于多粒度级联森林的电梯故障分类方法及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410217266.5A CN117786560B (zh) | 2024-02-28 | 2024-02-28 | 一种基于多粒度级联森林的电梯故障分类方法及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117786560A CN117786560A (zh) | 2024-03-29 |
| CN117786560B true CN117786560B (zh) | 2024-05-07 |
Family
ID=90402185
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410217266.5A Active CN117786560B (zh) | 2024-02-28 | 2024-02-28 | 一种基于多粒度级联森林的电梯故障分类方法及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117786560B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4697243A (en) * | 1985-07-25 | 1987-09-29 | Westinghouse Electric Corp. | Methods of servicing an elevator system |
| CN108594788A (zh) * | 2018-03-27 | 2018-09-28 | 西北工业大学 | 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法 |
| CN109297689A (zh) * | 2018-09-11 | 2019-02-01 | 中国水利水电科学研究院 | 一种引入权重因子的大型水力机械智能诊断方法 |
| WO2020140620A1 (zh) * | 2019-01-04 | 2020-07-09 | 平安科技（深圳）有限公司 | 基于智能决策的文本分类方法、装置、服务器及存储介质 |
| CN111722046A (zh) * | 2020-07-01 | 2020-09-29 | 昆明理工大学 | 一种基于深度森林模型的变压器故障诊断方法 |
| CN112116058A (zh) * | 2020-09-16 | 2020-12-22 | 昆明理工大学 | 一种基于粒子群算法优化多粒度级联森林模型的变压器故障诊断方法 |
| CN112756759A (zh) * | 2021-01-11 | 2021-05-07 | 上海智能制造功能平台有限公司 | 点焊机器人工作站故障判定方法 |
| CN113159389A (zh) * | 2021-03-25 | 2021-07-23 | 大连海事大学 | 一种基于深度森林生成对抗网络的金融时间序列预测方法 |
| CN113538145A (zh) * | 2021-07-20 | 2021-10-22 | 哈尔滨理工大学 | 一种基于多粒度级联森林的股票走势预测方法 |
| CN113673611A (zh) * | 2021-08-25 | 2021-11-19 | 北京航空航天大学 | 基于深度森林的飞行器故障诊断方法和系统 |
| US11341410B1 (en) * | 2017-12-07 | 2022-05-24 | Triad National Security, Llc | Subsurface stress criticality associated with fluid injection and determined using machine learning |
| CN114873425A (zh) * | 2022-05-23 | 2022-08-09 | 浙江大学 | 一种基于振动特征增强的扶梯驱动链故障诊断方法 |
| CN115238752A (zh) * | 2022-08-15 | 2022-10-25 | 福州亿力卓越管理顾问有限公司 | 一种基于人工智能的充电桩故障预测系统 |
| CN116304700A (zh) * | 2023-03-10 | 2023-06-23 | 国网江苏省电力有限公司电力科学研究院 | 一种输电线路暂态波形故障类型识别方法、设备及介质 |
| WO2023165635A1 (zh) * | 2022-03-04 | 2023-09-07 | 北京工业大学 | 基于残差拟合机制简化深度森林回归的炉排炉mswi过程二噁英排放软测量方法 |
| CN117023311A (zh) * | 2023-08-16 | 2023-11-10 | 通用电梯股份有限公司 | 电梯远程虚拟维修方法、维修装置、电子设备和存储装置 |
| RU2022126104A3 (zh) * | 2023-12-18 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10466142B2 (en) * | 2016-07-13 | 2019-11-05 | Hitachi, Ltd. | Equipment control based on failure determination |
| CN108388860B (zh) * | 2018-02-12 | 2020-04-28 | 大连理工大学 | 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法 |
| US11893499B2 (en) * | 2019-03-12 | 2024-02-06 | International Business Machines Corporation | Deep forest model development and training |
| CN110675959B (zh) * | 2019-08-19 | 2023-07-07 | 平安科技（深圳）有限公司 | 数据智能分析方法、装置、计算机设备及存储介质 |
| US12071323B2 (en) * | 2020-08-17 | 2024-08-27 | Mitsubishi Electric Research Laboratories, Inc. | Contactless elevator service for an elevator based on augmented datasets |
-
2024
- 2024-02-28 CN CN202410217266.5A patent/CN117786560B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2022126104A3 (zh) * | 2023-12-18 | |||
| US4697243A (en) * | 1985-07-25 | 1987-09-29 | Westinghouse Electric Corp. | Methods of servicing an elevator system |
| US11341410B1 (en) * | 2017-12-07 | 2022-05-24 | Triad National Security, Llc | Subsurface stress criticality associated with fluid injection and determined using machine learning |
| CN108594788A (zh) * | 2018-03-27 | 2018-09-28 | 西北工业大学 | 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法 |
| CN109297689A (zh) * | 2018-09-11 | 2019-02-01 | 中国水利水电科学研究院 | 一种引入权重因子的大型水力机械智能诊断方法 |
| WO2020140620A1 (zh) * | 2019-01-04 | 2020-07-09 | 平安科技（深圳）有限公司 | 基于智能决策的文本分类方法、装置、服务器及存储介质 |
| CN111722046A (zh) * | 2020-07-01 | 2020-09-29 | 昆明理工大学 | 一种基于深度森林模型的变压器故障诊断方法 |
| CN112116058A (zh) * | 2020-09-16 | 2020-12-22 | 昆明理工大学 | 一种基于粒子群算法优化多粒度级联森林模型的变压器故障诊断方法 |
| CN112756759A (zh) * | 2021-01-11 | 2021-05-07 | 上海智能制造功能平台有限公司 | 点焊机器人工作站故障判定方法 |
| CN113159389A (zh) * | 2021-03-25 | 2021-07-23 | 大连海事大学 | 一种基于深度森林生成对抗网络的金融时间序列预测方法 |
| CN113538145A (zh) * | 2021-07-20 | 2021-10-22 | 哈尔滨理工大学 | 一种基于多粒度级联森林的股票走势预测方法 |
| CN113673611A (zh) * | 2021-08-25 | 2021-11-19 | 北京航空航天大学 | 基于深度森林的飞行器故障诊断方法和系统 |
| WO2023165635A1 (zh) * | 2022-03-04 | 2023-09-07 | 北京工业大学 | 基于残差拟合机制简化深度森林回归的炉排炉mswi过程二噁英排放软测量方法 |
| CN114873425A (zh) * | 2022-05-23 | 2022-08-09 | 浙江大学 | 一种基于振动特征增强的扶梯驱动链故障诊断方法 |
| CN115238752A (zh) * | 2022-08-15 | 2022-10-25 | 福州亿力卓越管理顾问有限公司 | 一种基于人工智能的充电桩故障预测系统 |
| CN116304700A (zh) * | 2023-03-10 | 2023-06-23 | 国网江苏省电力有限公司电力科学研究院 | 一种输电线路暂态波形故障类型识别方法、设备及介质 |
| CN117023311A (zh) * | 2023-08-16 | 2023-11-10 | 通用电梯股份有限公司 | 电梯远程虚拟维修方法、维修装置、电子设备和存储装置 |
Non-Patent Citations (7)
| Title |
|---|
| FS-CRF:基于特征切分与级联随机森林的异常点检测模型;刘振鹏，等;计算机科学;20200831;47(8);第185-188页 * |
| 基于ANN的电梯故障诊断系统的研究;谢知坚;;质量技术监督研究;20161231(第03期);第43-47页 * |
| 基于KPCA-DSVM的电梯运行故障诊断方法;吴鹏，等;计算机应用研究;20201231;37;第194-198页 * |
| 基于深度森林的变压器故障诊断方法;刘可真，等;电力科学与工程;20200930(第09期);第1-7页 * |
| 数据融合技术在电梯故障诊断中的应用;李屹，等;制造业自动化;20091025;31(第10期);第69-71页 * |
| 采用核主元成分分析和随机森林的电梯故障诊断;李伟贺，等;化工自动化及仪表;20140110(第01期);第27-31页 * |
| 随机森林算法在柴油机故障诊断中的应用;魏东海，等;机械设计与制造;20200731(第07期);第63-66页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117786560A (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112365040B (zh) | 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法 | |
| CN110175386B (zh) | 变电站电气设备温度预测方法 | |
| CN109490814B (zh) | 基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法 | |
| CN115081316A (zh) | 基于改进麻雀搜索算法的dc/dc变换器故障诊断方法及系统 | |
| CN112732921B (zh) | 一种虚假用户评论检测方法及系统 | |
| CN113591728A (zh) | 基于集成深度学习的电能质量扰动分类方法 | |
| CN105606914A (zh) | 一种基于iwo-elm的航空功率变换器故障诊断方法 | |
| CN112765315B (zh) | 一种法律场景智能分类系统和方法 | |
| CN112766603B (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
| CN113177587B (zh) | 基于主动学习和变分自编码器的广义零样本目标分类方法 | |
| CN114120637A (zh) | 一种基于连续监测器的智慧高速交通流量预测方法 | |
| CN111596292B (zh) | 基于重要性网络和双向堆叠循环神经网络的雷达目标识别方法 | |
| CN111309909A (zh) | 一种基于混合模型的文本情感分类方法 | |
| CN112257847A (zh) | 一种基于CNN和LSTM预测地磁Kp指数的方法 | |
| CN111506868B (zh) | 一种基于hht权值优化的超短期风速预测方法 | |
| CN116484299A (zh) | 基于梯度提升树与多层感知机融合的充电桩故障诊断方法 | |
| CN115730526A (zh) | 一种机场用电负荷的智能监控和预测方法及系统 | |
| CN115659244A (zh) | 故障预测方法、装置及存储介质 | |
| CN118095570A (zh) | 台区智能负荷预测方法、系统、电子设备、介质及芯片 | |
| CN117786560B (zh) | 一种基于多粒度级联森林的电梯故障分类方法及电子设备 | |
| JPH0934863A (ja) | ニューラルネットワークによる情報統合処理方法 | |
| CN111783688B (zh) | 一种基于卷积神经网络的遥感图像场景分类方法 | |
| CN110288002B (zh) | 一种基于稀疏正交神经网络的图像分类方法 | |
| CN115800274B (zh) | 一种5g配电网馈线自动化自适应方法、装置及存储介质 | |
| CN112615843A (zh) | 一种基于多通道SAE-AdaBoost的电力物联网网络安全态势评估方法 |
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 |