一种智能化的电梯异常状态检测方法与流程

本发明涉及电梯检测领域，具体是指一种智能化的电梯异常状态检测方法。

背景技术：

1、电梯作为现代高层建筑中不可或缺的垂直运输工具，其安全、稳定运行直接关系到人员的日常出行便捷与生命安全，永磁同步电机因其高效率、低噪声、良好的低速大转矩特性，已成为现代电梯曳引系统的主流驱动方案，永磁同步电机在长期连续运行过程中，若未能及时发现故障，将导致电梯运行异常，甚至引发安全事故。

2、传统故障检测方法多依赖人工定期巡检或事后维修，缺乏对电梯运行状态的实时、连续监测能力，人工检测不仅效率低下、成本高昂，而且难以捕捉早期故障的微弱征兆，往往在故障已发展至较为严重阶段时才能被发现；现有基于单一传感器的监测方案在面对复杂工况时容易受到噪声干扰，难以全面反映电梯驱动系统的多维度运行状态，导致检测结果可靠性不足；现有基于机器学习的故障诊断方法中，支持向量机等传统模型对大规模数据的处理能力有限，且对参数选择敏感，而深度学习方法虽具有较高的特征提取能力，但计算复杂度高、训练时间长，难以满足电梯实时监测对低延迟的需求。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了一种智能化的电梯异常状态检测方法，针对现有电梯故障检测方法难以实现实时连续监测、故障发现滞后的技术问题，本发明通过部署多源传感器阵列实现了对电梯永磁同步电机驱动系统运行状态的全方位实时监测，结合高效的信号处理与机器学习分类模型，能够在电机健康状态退化至临界之前及时发现异常并发出预警，实现从事后维修向预测性维护的转变；针对现有基于单一传感器的监测方案信息来源有限、检测可靠性不足的技术问题，本发明融合了多源传感数据，通过离散小波变换从多维度信号中提取丰富的时频域特征，全面反映电机的电气、机械和热状态，显著提高了故障检测的可靠性和鲁棒性；针对现有机器学习模型处理大规模数据能力有限、分类粒度粗糙、超参数依赖人工经验设定的技术问题，本发明构建了rhizostoma优化算法与随机森林相结合的混合分类模型，通过rhizostoma优化算法对随机森林的超参数进行全局自动寻优，克服了人工调参的局限性，随机森林集成多棵决策树的投票结果，具有较强的抗过拟合能力和对噪声数据的鲁棒性，实现对电机健康状态的精细化分级。

2、本发明采取的技术方案如下：本发明提供了一种智能化的电梯异常状态检测方法，所述一种智能化的电梯异常状态检测方法，具体包括以下步骤：

3、步骤s1：多源传感数据采集，在电梯永磁同步驱动电机上部署多源传感器阵列，实时采集电机运行过程中的多维状态数据，所述多源传感器阵列包括：电流传感器，振动传感器，温度传感器，霍尔效应传感器，各传感器以预设采样频率同步采集数据，一条多维状态数据作为一个样本，一个传感器数据作为一个特征变量，将电机的实际健康状态标记为标签；

4、步骤s2：数据预处理，对多维状态数据进行预处理，包括缺失值处理、异常值剔除、数据归一化和特征筛选，得到输入特征；

5、步骤s3：多源信号时频域特征提取，采用离散小波变换对输入特征进行时频域特征提取，获取信号在不同频带上的时频域特征；

6、步骤s4：构建混合分类模型，基于rhizostoma优化算法与随机森林构建ro-rf混合分类模型，对电梯永磁同步驱动电机的健康状态进行分类识别，所述健康状态包括三类：正常状态、边缘状态和临界状态；

7、步骤s5：健康状态分类，将步骤s3提取的时频域特征向量按预设比例划分为训练集和测试集，采用步骤s4构建的混合分类模型进行分类。

8、进一步地，步骤s2，数据预处理，具体包括以下子步骤：

9、步骤s21：对多维状态数据进行清洗，识别并处理数据中的缺失值，对于缺失值比例低于预设阈值的样本，采用线性插值方法进行填补，对于缺失值比例高于预设阈值的样本，进行删除；

10、步骤s22：采用四分位距方法剔除异常值，具体操作为：计算每个特征变量的第一四分位数和第三四分位数，四分位距定义为第三四分位数和第一四分位数的差，将小于q1−1.5×iqr或大于q3+1.5×iqr的数据判定为异常值并剔除，q1是第一四分位数，q3是第三四分位数，iqr是四分位距；

11、步骤s23：对于连续缺失的数据段，采用基于相似样本匹配的数据修复方法，在所有多维状态数据中寻找与缺失样本特征最相似的完整样本，以该完整样本的对应特征值作为缺失样本的修复值；

12、步骤s24：采用最小-最大归一化方法对多维状态数据进行归一化处理，将所有特征变量的数值范围映射至[0，1]区间，所用公式如下：

13、；

14、式中，是原始特征值，是归一化后的特征值，是该特征变量在所有样本中的最小值，是该特征变量在所有样本中的最大值；

15、步骤s25：采用皮尔逊相关系数法衡量各特征变量与电机健康状态标签之间的相关程度，筛选出与电机异常状态相关性最强的特征变量作为后续预测模型的输入特征，所述皮尔逊相关系数的计算公式如下：

16、；

17、式中，是特征变量和标签之间的皮尔逊相关系数，是样本总数，是样本索引，是第个样本中特征变量xx的取值，是第个样本中标签yy的取值；

18、根据皮尔逊相关系数的计算结果，选取与电机健康状态标签相关系数绝对值大于预设阈值的特征变量作为预测模型的输入特征。

19、进一步地，步骤s3，多源信号时频域特征提取，通过离散小波变换通过对输入特征进行多尺度分解，将输入特征分解为低频近似分量和高频细节分量，所述离散小波变换的分解过程如下：

20、对输入特征中的离散信号进行多尺度分解，计算每层分解的低频近似系数和高频细节系数，分别由以下递推公式计算得到：

21、；

22、；

23、式中，是低频近似系数，是高频细节系数，是分解层数索引，是系数位置索引，是求和变量索引，是低通滤波器系数，是高通滤波器系数，是上一层分解的低频近似系数；

24、离散信号通过各层细节系数和最终层近似系数进行完全重构，得到重构离散信号，所用重构公式如下：

25、；

26、式中，是重构离散信号，是最大分解层数，是第层的近似系数，是第层的细节系数，是尺度函数，是小波函数；

27、通过离散小波变换，从各层细节系数中提取以下时频域特征：各层细节系数的能量值、能量占比、熵值、均值、标准差、峰值因子和峭度，构成原始特征向量。

28、进一步地，步骤s4，构建混合分类模型，具体包括以下子步骤：

29、步骤s41：构建随机森林基分类器，随机森林由n棵决策树组成，每棵决策树基于从训练数据中bootstrap抽样后得到的子训练集进行训练，对于一个新的输入样本，计算随机森林的输出，所用公式如下：

30、；

31、式中，是随机森林的最终预测类别，是类别标签，0表示正常状态，1表示边缘状态，2表示临界状态，是决策树的总数，是决策树的索引，是第棵决策树对输入样本的预测类别，是指示函数，当括号内条件成立时取值为1，否则取值为0；

32、每棵决策树在节点分裂时，从所有时频域特征中随机选取一个特征子集，从中选择最佳分裂特征，节点分裂采用基尼不纯度作为分裂准则，对于任一节点，基尼不纯度的计算公式如下：

33、；

34、式中，是节点的基尼不纯度，是节点中属于类别的样本所占比例，节点分裂时选择使分裂后子节点基尼不纯度加权和最小的特征和分裂阈值；

35、步骤s42：采用rhizostoma优化算法对随机森林的超参数进行全局优化，待优化的超参数包括决策树数量、决策树最大深度、节点分裂所需的最小样本数、叶节点最少样本数以及最大特征数；

36、rhizostoma优化算法模拟水母在海洋中的觅食行为，通过以下步骤实现全局寻优：

37、步骤s421：种群初始化，随机生成r个候选解，第j个候选解的位置向量表示分别对应待优化超参数，候选解在各维度上的初始值在对应的搜索空间内随机生成，所用公式如下：

38、；

39、式中，是第个候选解在第个维度上的初始值，和分别是第个维度的搜索下界和上界，是(0，1)区间内均匀分布的随机数；

40、步骤s422：边界约束处理，当候选解在搜索过程中超出搜索空间边界时，将其重新映射至边界内侧，所用公式如下：

41、；

42、式中，是边界约束处理后的位置值，是当前位置值；

43、步骤s423：位置更新，候选解的位置更新通过levy飞行实现，位置更新公式如下：

44、；

45、式中，是更新后的位置，是步长，服从levy分布，是(0，1)区间内均匀分布的随机数，步长从cauchy分布中采样，所用公式如下：

46、；

47、式中，是cauchy分布的概率密度函数，是温度参数，控制步长波动的幅度；

48、步骤s424：接受概率，采用模拟退火机制决定是否接受更新后的位置，所用公式如下：

49、；

50、式中，是接受概率，是更新前后目标函数值的差值，即即随机森林在验证集上的分类错误率的差值，是当前温度参数；

51、步骤s425：运动控制因子，引入运动控制因子动态调节算法的探索与开发阶段，所用公式如下：

52、；

53、式中，是第次迭代的运动控制因子，是当前迭代次数，是最大迭代次数；

54、当运动控制因子小于阈值时，算法进入开发阶段，在当前最优解附近进行精细搜索，否则处于探索阶段，在大范围内搜索新的潜在最优区域；

55、步骤s426：迭代优化，重复执行上述位置更新、边界约束处理和接受概率判断，直至达到最大迭代次数，输出使随机森林分类错误率最低的最优超参数组合；

56、步骤s43：采用最优超参数组合重新训练随机森林模型。

57、进一步地，步骤s5，健康状态分类，具体包括以下子步骤：

58、步骤s51：将预处理后的数据集按比例划分为训练集和测试集，采用分层抽样策略使各类别样本在训练集和测试集中的比例与原始数据集一致；

59、步骤s52：采用步骤s42中rhizostoma优化算法寻优得到的最优超参数组合，在训练集上训练随机森林模型，训练过程中，每棵决策树基于bootstrap抽样得到的子训练集独立生长，节点分裂时从随机选取的特征子集中选择最佳分裂特征和分裂阈值，

60、步骤s53：在测试集上评估训练完成的混合分类模型的分类性能，采用精确率、召回率、f1分数和准确率作为评价指标；

61、步骤s54：将训练完成的混合分类模型部署至电梯实时监测系统中，对实时采集的多源传感数据进行在线异常状态检测，混合模型输出当前电机的健康状态类别，并根据输出类别触发相应的预警机制，当检测结果为边缘状态时，发出维护提醒，当检测结果为临界状态时，发出故障报警。

62、采用上述方案本发明取得的有益效果如下：

63、（1）针对现有电梯故障检测方法难以实现实时连续监测、故障发现滞后的技术问题，本发明通过部署多源传感器阵列实现了对电梯永磁同步电机驱动系统运行状态的全方位实时监测，结合高效的信号处理与机器学习分类模型，能够在电机健康状态退化至临界之前及时发现异常并发出预警，实现从事后维修向预测性维护的转变；

64、（2）针对现有基于单一传感器的监测方案信息来源有限、检测可靠性不足的技术问题，本发明融合了多源传感数据，通过离散小波变换从多维度信号中提取丰富的时频域特征，全面反映电机的电气、机械和热状态，显著提高了故障检测的可靠性和鲁棒性；

65、（3）针对现有机器学习模型处理大规模数据能力有限、分类粒度粗糙、超参数依赖人工经验设定的技术问题，本发明构建了rhizostoma优化算法与随机森林相结合的混合分类模型，通过rhizostoma优化算法对随机森林的超参数进行全局自动寻优，克服了人工调参的局限性，随机森林集成多棵决策树的投票结果，具有较强的抗过拟合能力和对噪声数据的鲁棒性，实现对电机健康状态的精细化分级。