基于孤立森林算法的電梯運(yùn)行異常狀態(tài)在線檢測(cè)

王蕓

關(guān)鍵詞：電梯運(yùn)行；異常狀態(tài)；在線檢測(cè)；孤立森林

中圖分類號(hào)：TP391.41；TP277；TU857 文獻(xiàn)標(biāo)識(shí)碼：A

0 引言

電梯系統(tǒng)采用機(jī)械牽引或液壓方式實(shí)現(xiàn)載荷傳輸，動(dòng)力源為電機(jī)。為確保達(dá)到一定目標(biāo)高度的精準(zhǔn)調(diào)控，需要將調(diào)節(jié)導(dǎo)軌設(shè)置在轎廂控制位置，通過調(diào)節(jié)結(jié)構(gòu)實(shí)現(xiàn)對(duì)轎廂滑動(dòng)方向的調(diào)整[1-2]。轎廂在電梯系統(tǒng)運(yùn)轉(zhuǎn)狀態(tài)正常的情況下為平滑加減速運(yùn)行，忽略振動(dòng)干擾因素[3-4]。對(duì)前期測(cè)試結(jié)果進(jìn)行分析得出，不適感在水平振動(dòng)加速度大于0.15 m/s²時(shí)隨即產(chǎn)生，此時(shí)監(jiān)測(cè)電梯運(yùn)行特征的指標(biāo)構(gòu)成運(yùn)行階段的轎廂振動(dòng)參數(shù)[5]。

以下兩種情況下異常振動(dòng)信號(hào)存在于電梯轎廂[6-8]：①電梯曳引機(jī)異常運(yùn)行。在旋轉(zhuǎn)過程中曳引機(jī)產(chǎn)生脈沖主要因?yàn)殡娞莓a(chǎn)生振動(dòng)，曳引機(jī)在轉(zhuǎn)子磨損過程中很容易引發(fā)不平衡情況，進(jìn)而在電梯轎廂振動(dòng)下產(chǎn)生異常特征。②導(dǎo)向輪磨損。在導(dǎo)向輪產(chǎn)生磨損時(shí)曳引輪繩槽間則會(huì)產(chǎn)生畸變，導(dǎo)致鋼絲繩受力異常，這種情況下電梯振動(dòng)狀況則會(huì)發(fā)生異常。

本文設(shè)計(jì)了可實(shí)時(shí)檢測(cè)電梯加速度參數(shù)與獲取質(zhì)量參數(shù)的一種方法，振動(dòng)狀態(tài)主要依據(jù)基線判斷，映射關(guān)系建立于電梯振動(dòng)位置和能量間，振動(dòng)信號(hào)變化特征則可采用內(nèi)部特征尺度分解（ICD）方法探究，電梯相關(guān)質(zhì)量參數(shù)異常數(shù)據(jù)測(cè)試采用孤立森林算法實(shí)現(xiàn)。

1 電梯運(yùn)行異常狀態(tài)檢測(cè)方法

1.1 孤立森林算法

作為一種集成學(xué)習(xí)算法，孤立森林算法主要實(shí)現(xiàn)的功能包括復(fù)雜時(shí)間異常高精度檢測(cè)?！吧倥c不同”是異常在孤立森林中給出的解釋，其中，“少”和“不同”分別表示具有較少的異常數(shù)據(jù)、正常數(shù)據(jù)與異常數(shù)據(jù)存在的差異，圖1 為孤立森林算法原理圖，a 點(diǎn)表示正常點(diǎn)，b 點(diǎn)表示異常點(diǎn)。

觀察圖1 得出，在數(shù)據(jù)集分類方面孤立森林算法主要應(yīng)用遞歸法，當(dāng)各樣本點(diǎn)滿足劃分?jǐn)?shù)或均處于孤立狀態(tài)時(shí)，可快速?gòu)臄?shù)據(jù)集內(nèi)篩選出異常點(diǎn)，然而正常點(diǎn)獲取難度較大。所以為了實(shí)現(xiàn)該目標(biāo)可采取隨機(jī)劃分方式。圖2 為具體結(jié)構(gòu)——iTree 構(gòu)造流程。

作為一種集成學(xué)習(xí)算法，孤立森林算法中的iTree 主要特征是隨機(jī)性，獲取孤立森林需設(shè)置n棵樹，不能單獨(dú)分析iTree 結(jié)果，各iTree 間保持相互獨(dú)立，在分布式系統(tǒng)中部署孤立森林。處理待測(cè)數(shù)據(jù)時(shí)需遍歷各棵iTree，并對(duì)iTree 中各待測(cè)數(shù)據(jù)樣本的路徑長(zhǎng)度進(jìn)行計(jì)算。算法穩(wěn)定性隨著iTree數(shù)量不斷增多而升高。

1.2 電梯運(yùn)行異常檢測(cè)

非侵入電梯運(yùn)行狀態(tài)判斷特征由轎廂振動(dòng)參數(shù)組成[9]。在本文設(shè)計(jì)中其處理流程包括：首先完成電梯健康狀況基線的初步設(shè)置，實(shí)時(shí)判斷結(jié)果偏離基線狀況，電梯異常情況產(chǎn)生時(shí)對(duì)應(yīng)結(jié)果偏離；其次分解處理水平振動(dòng)參數(shù)，應(yīng)用ICD 方法，判斷沖擊信號(hào)是否形成應(yīng)用包絡(luò)譜檢測(cè)方法，進(jìn)一步精準(zhǔn)分析電梯異常特征信號(hào)；最后則需構(gòu)建位置參數(shù)與電梯振動(dòng)能量間的函數(shù)關(guān)系，精確估計(jì)電梯運(yùn)行位置參數(shù)。

本文構(gòu)建基于孤立森林算法的在線檢測(cè)系統(tǒng)，可實(shí)時(shí)檢測(cè)電梯運(yùn)行異常參數(shù)，在線監(jiān)測(cè)流程如圖3 所示。

各項(xiàng)基本特征均包含在訓(xùn)練的孤立森林中，然后在iTree 系統(tǒng)中存儲(chǔ)訓(xùn)練數(shù)據(jù)特征，進(jìn)而對(duì)新產(chǎn)生的數(shù)據(jù)進(jìn)行判斷[2]。本文電梯質(zhì)量數(shù)據(jù)的記錄形式以窗口為主，先預(yù)訓(xùn)練孤立森林模型，然后對(duì)窗口進(jìn)行檢測(cè)，同時(shí)將數(shù)據(jù)清空，異常率采用設(shè)計(jì)異常分閾值計(jì)算，當(dāng)實(shí)際數(shù)值偏大時(shí)需立即報(bào)警。反之則需在緩沖區(qū)內(nèi)添加窗口數(shù)據(jù)，為了使電梯運(yùn)行狀態(tài)與檢測(cè)模型高度匹配，相比設(shè)定閾值N，緩沖區(qū)記錄數(shù)值較大時(shí)則需重新訓(xùn)練檢測(cè)模型。

2 實(shí)驗(yàn)與結(jié)果分析

2.1 方案設(shè)置

本文選用的測(cè)試對(duì)象為某居民區(qū)電梯，電梯數(shù)據(jù)采集應(yīng)用CMA3000 型加速度傳感器實(shí)現(xiàn)。

電梯運(yùn)動(dòng)加速度與振動(dòng)信號(hào)共同構(gòu)成電梯加速度信號(hào)。潛在故障信息可經(jīng)電梯系統(tǒng)振動(dòng)水平及運(yùn)動(dòng)特征反映獲取。根據(jù)電梯技術(shù)條件采集信號(hào)。

分析對(duì)象為數(shù)據(jù)集內(nèi)的襲擊數(shù)，訓(xùn)練樣本個(gè)數(shù)為36 萬(wàn)個(gè)，屬性種類為41 種，驗(yàn)證集中總數(shù)據(jù)樣本為25 萬(wàn)個(gè)，分開測(cè)試不同數(shù)量的孤立樹，按照10、100 與1 000 棵依次設(shè)定孤立樹數(shù)量。在各狀態(tài)中按照隨機(jī)取樣方式選取樣本20 組構(gòu)成訓(xùn)練集。

2.2 振動(dòng)結(jié)果分析

圖4 所示的均方根值水平振動(dòng)序列均超出故障線指標(biāo)。分析解調(diào)信號(hào)得出，振動(dòng)能量主要集中于低頻段，未觀察到故障變化特征，也未檢測(cè)出高頻沖擊信號(hào)，由此得出測(cè)試獲取的異常值為假警報(bào)，與人工測(cè)試獲取的信息特點(diǎn)相符。

2.3 質(zhì)量參數(shù)異常值檢測(cè)結(jié)果

無(wú)關(guān)屬性在訓(xùn)練孤立森林模型時(shí)需及時(shí)清除，最大速度、最大減速度及最大加速度指標(biāo)均是本次構(gòu)建訓(xùn)練模型的屬性，將時(shí)間等存在于運(yùn)行過程中的無(wú)效屬性從模型中去除。表1 為訓(xùn)練過程中所使用的數(shù)據(jù)。

按照256 的標(biāo)準(zhǔn)控制采樣數(shù)上限，共設(shè)置100棵iTree，孤立森林模型異常值經(jīng)訓(xùn)練獲取，如圖5所示，99.81% 的異常數(shù)據(jù)包含在內(nèi)，閾值設(shè)置為-0.18。

在線測(cè)試開展條件需控制窗口寬度為1 000，正常值占比在超過-0.18 時(shí)為99.7%，判斷電梯系統(tǒng)狀態(tài)可通過正常值比例實(shí)現(xiàn)，在判斷電梯正常狀態(tài)及實(shí)際運(yùn)行狀態(tài)間差異時(shí)，主要應(yīng)用孤立森林模型。

3 結(jié)論

本文開展基于孤立森林算法的電梯運(yùn)行異常狀態(tài)在線檢測(cè)分析，取得如下結(jié)果。

（1）振動(dòng)能量主要集中于低頻段，未觀察到故障變化特征，也未檢測(cè)出高頻沖擊信號(hào)，與人工測(cè)試獲取的信息特點(diǎn)相符。

（2）在線測(cè)試正常值占比均高于99.6%，判斷電梯正常狀態(tài)及實(shí)際運(yùn)行狀態(tài)間差異時(shí)，主要應(yīng)用孤立森林算法。

本研究有助于排除電梯運(yùn)行故障能力，保障生命安全，具有很好的實(shí)用性，但在高頻使用階段存在計(jì)算用時(shí)過長(zhǎng)的問題，期待后續(xù)增加智能算法進(jìn)行強(qiáng)化。