支持向量機背景下的自動扶梯故障預(yù)測方法研究

魏廣宏

(北京市地鐵運營有限公司機電分公司， 北京 100043)

0 引言

隨著我國國民經(jīng)濟的快速發(fā)展，自動扶梯成為商場或地鐵等場所的主要便利工具，由于自動扶梯所在的場所人流量較為密集，因此一旦發(fā)生故障便會在一定程度上威脅人們的安全。從影響自動扶梯因素的角度出發(fā)，分析自動扶梯運行的參數(shù)正常運轉(zhuǎn)值，實現(xiàn)自動扶梯在不受人為因素干擾條件下的故障預(yù)測對場所安全性來說具有重要意義。

國內(nèi)外研究人員對自動扶梯故障的分析尚處于發(fā)展階段，主要集中在風(fēng)險評估領(lǐng)域。一些學(xué)者從人的行為、設(shè)備狀態(tài)、環(huán)境影響和管理四個角度，采用定性的方法來分析當(dāng)前自動扶梯的安全水平，但定性分析具有很強的主觀性，仍需深入考慮[1-2]。也有學(xué)者利用BP神經(jīng)網(wǎng)絡(luò)算法對得到的扶梯故障參數(shù)進行排序，實現(xiàn)模型輸入，得到扶梯故障程度值，但預(yù)測精度不高，因此模型也需要細(xì)化和調(diào)整。一些學(xué)者利用互聯(lián)網(wǎng)技術(shù)在自動扶梯上安裝傳感器，并使用監(jiān)控數(shù)據(jù)進行實時分析。然而，這種方法可以作為獲取數(shù)據(jù)的渠道，在數(shù)據(jù)分析方面仍然存在一些局限性[3-4]。針對目前國內(nèi)外研究現(xiàn)狀中存在的問題，利用支持向量機算法建立自動扶梯故障預(yù)測模型，通過特征提取方法識別關(guān)鍵要素，篩選影響故障的主要因素，提高風(fēng)險預(yù)測效果的準(zhǔn)確性，并在運算過程中對核函數(shù)進行優(yōu)化，使得支持向量機的算法具有較好的性能。

1 自動扶梯故障影響因素提取

滑動模型是特征提取方法的一種[5-6]，可以將其運用在自動扶梯故障的有效影響因素提取過程。利用滑動窗口模型對數(shù)據(jù)進行預(yù)處理，過濾掉數(shù)據(jù)頭部的冗余特征部分，保證系統(tǒng)數(shù)據(jù)的質(zhì)量和穩(wěn)定性。將滑動窗口模型預(yù)處理好的數(shù)據(jù)進行求解，尋找最佳的影響因素。對于問題的求解能力取決于模型的初始溫度和溫度變化速率以及最終溫度情況。在算法運行過程中，若整體的升溫速率、降溫速率慢，則代表著算法最優(yōu)解的尋找能力強，但是若在算法運行過程中，處理速度持續(xù)性的減慢，則需要采用一定的方法實現(xiàn)平衡，以便達到最好的速度和效果的綜合能力。

對于自動扶梯故障因素識別來說，應(yīng)該使整體故障的交叉點數(shù)更少，線路的曼哈頓距離更低。網(wǎng)絡(luò)間交叉點數(shù)計算時，必須考慮線路升級或曲線代替直線實現(xiàn)交叉點不發(fā)生影響的情況。

在抑制釘螺滋生，降低疫區(qū)血吸蟲病感染的前提下，充分利用林下土地資源和森林生態(tài)環(huán)境，在林下開展種植、養(yǎng)殖等立體復(fù)合生產(chǎn)經(jīng)營，已是促進湖區(qū)經(jīng)濟快速發(fā)展的一種有效途徑。通過對洞庭湖區(qū)林業(yè)血防工程林農(nóng)復(fù)合經(jīng)營模式的走訪調(diào)查，本文選取了較典型的幾種林農(nóng)復(fù)合經(jīng)營模式進行統(tǒng)計分析，通過合理性及可行性評價，以期篩選出對抑螺防病林更有益的，且能夠?qū)崿F(xiàn)長短結(jié)合，可持續(xù)經(jīng)營的農(nóng)林復(fù)合經(jīng)營模式，為更有效地保護洞庭湖區(qū)生態(tài)環(huán)境以及林業(yè)血防工程建設(shè)提供參考。

將交叉點的數(shù)量通過公式來表達，對于待連接的兩條故障線路，a(x1,y1)和b(x2,y2)連線與c(x3,y3)和d(x4,y4)連線，設(shè)故障線路交點坐標(biāo)為O(x0,y0)，當(dāng)他們的關(guān)系滿足式(1)時，交叉點數(shù)量加1。

(1)

傳統(tǒng)的支持向量機算法會有很強的局限性，如算法的效率低，算法的預(yù)測準(zhǔn)確率較低，令a表示加速度，設(shè)定a=15，F(xiàn)代表物體間的引力，G代表常數(shù)，M代表質(zhì)量，R代表距離，則優(yōu)化后的算法加速度計算式為

d=|x1-x2|+|y1-y2|

(2)

根據(jù)節(jié)點數(shù)N和曼哈頓距離D得到目標(biāo)函數(shù)為

F=N+w·D

(3)

式中，w為算法權(quán)重因子，取值為0.5。

2 優(yōu)化后的支持向量機算法

2.1 預(yù)測模型

支持向量機是預(yù)測模型建立過程中常用的方法，可以通過最優(yōu)函數(shù)的求解得到整體的最優(yōu)性，實現(xiàn)預(yù)測效果的最優(yōu)化。本研究將自動扶梯故障的影響因素作為輸入數(shù)據(jù)集，令T={(x1，y1)，…，(xl，yl)}∈(Rn×R)l作為因素集合的標(biāo)記。在集合中，xi∈Rn，i=1，…，l。利用支持向量機算法對故障影響數(shù)據(jù)進行訓(xùn)練，訓(xùn)練公式如下:

g(x)=(w·Φ(x))+b,x∈Rn，a∈R

(4)

式中，w為權(quán)值向量，b為偏置項，Φ(x)為從Rn有限維空間到特征空間的映射函數(shù)。訓(xùn)練的整體過程是實現(xiàn)數(shù)據(jù)從高維向低維的計算，使得算法通過輸入因素數(shù)據(jù)，得到輸出的計算結(jié)果。在預(yù)測的過程中，還用到了相關(guān)公式進行優(yōu)化，如式(5)、式(6):

巖漿巖頗為發(fā)育，主要呈巖株與巖體形式出露，主要巖體有二長花崗巖、石英正長斑巖、角閃二長巖、石英二長巖等，集中位于西部楊頭村—胡公山一帶。

(5)

(6)

(7)

(8)

(9)

(10)

點評：文中小夫妻就像一個孩子和另一個孩子在玩過家家，玩膩了，一個不爽，就要去民政局。這不是追求自我，而是過于任性。愛是恒久忍耐，又有恩慈。列夫·托爾斯泰說：已婚的人從對方獲得的快樂，僅僅是婚姻的開頭，絕不是其全部意義?；橐龅娜亢x，蘊藏在瑣碎的家庭生活中?；橐鲋?，愛比對錯更重要，有效果比有道理更重要。放下“我是對的”的執(zhí)念吧，努力追求“我們是相愛的”這一共同初心，彼此聯(lián)結(jié)，才能創(chuàng)造親密豐盛的生命，讓婚姻有序、安寧、長久地維系下去。

2.2 萬有引力算法對預(yù)測模型的優(yōu)化

故障因素與目標(biāo)之間的影響距離一般用曼哈頓距離來表示。其距離的表示公式為

(11)

(12)

(13)

早上我找衣服穿準(zhǔn)備上班,套了一件久未穿的裙子,對著鏡子自語:“唉呀!怎么像包粽子一樣?！痹谝慌韵茨樀睦瞎f:“那是餡兒的問題,跟包的葉子無關(guān)!”

(14)

設(shè)定t為算法的運行時間，M(t)為算法的慣性質(zhì)量，ε為常量，優(yōu)化后的算法預(yù)測性計算式為

(15)

(16)

(17)

誤差的計算可以驗證算法運行效果的優(yōu)劣，主要包括相對誤差和相對均方誤差的計算，對誤差值的分析可以衡量模型預(yù)測效果的準(zhǔn)確性，設(shè)MAPE為平均誤差，RMSE為均誤差，可用公式表示為

(18)

(19)

This angle is interrelated to the volume density of the material by using the following equation:

“整合醫(yī)院整體信息平臺、改善醫(yī)療服務(wù)系統(tǒng)、打造醫(yī)患信息終端，是2013年至2018年醫(yī)院信息化建設(shè)的三大方向。”王立明介紹，在“互聯(lián)網(wǎng)+醫(yī)療+服務(wù)”的理念和實踐之下，醫(yī)院原有診療全流程正在被顛覆。

3 實例分析

3.1 數(shù)據(jù)獲取

本文結(jié)合統(tǒng)計數(shù)據(jù)可知自動扶梯故障的發(fā)生與維修次數(shù)、傳動裝置、減速器、電壓、節(jié)能措施、待機功率、變頻器參數(shù)、轉(zhuǎn)換率、運行率和保養(yǎng)程度等因素相關(guān)，因此通過專業(yè)儀器采集自動扶梯運行影響因素數(shù)據(jù)。

表1 原始自動扶梯監(jiān)測參數(shù)獲取數(shù)據(jù)

3.2 預(yù)測效果

利用VS2010和.NET對影響因素進行特征提取，根據(jù)影響特征提取的算法過程可知，當(dāng)因素個數(shù)為5時，特征提取方法的分類精度達到93.55%，所以可以利用特征提取算法篩選出1、3、5、8、9這5個影響因素。

品牌管理組織在圖書館并非是一個非常重要的組織，而品牌管理負(fù)責(zé)人也并不具備很大的權(quán)利，所以，管理層決策支持機制、相關(guān)人力資源的保障機制、圖書館各部門協(xié)調(diào)保障機制等一系列制度的預(yù)先確定是品牌管理組織得以正常運作的制度保障。

采用對比的方法分析傳統(tǒng)的支持向量機算法和優(yōu)化后的支持向量機算法的預(yù)測效果，驗證過程采用相同的自動扶梯故障數(shù)據(jù)，分析結(jié)果如圖1所示。

圖1 預(yù)測效果分析

根據(jù)圖1可知，優(yōu)化后的算法和傳統(tǒng)算法相比預(yù)測效果差異性較大，隨著算法運行次數(shù)的增多，優(yōu)化后的算法準(zhǔn)確性也逐漸得到了提升，傳統(tǒng)算法的預(yù)測準(zhǔn)確性相較于優(yōu)化后的算法相比較弱，因此，利用萬有引力優(yōu)化后的支持向量機預(yù)測模型，對于自動扶梯故障的預(yù)測具有一定的準(zhǔn)確性。

4 總結(jié)

本研究利用特征提取方法篩選出影響自動扶梯發(fā)生故障的主要影響因素，實現(xiàn)影響因素的降維。通過實驗驗證可知，本研究優(yōu)化后的算法準(zhǔn)確性也逐漸得到了提升，傳統(tǒng)算法的預(yù)測準(zhǔn)確性相較于優(yōu)化后的算法相比較弱。