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与流程

本发明属于电梯故障分类，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：

1、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。

2、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。

3、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。

4、因此，亟需提供一种新型的电梯故障分类方法。

技术实现思路

1、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。

2、为实现上述目的，本发明的技术方案如下：

3、一种基于多粒度级联森林的电梯故障分类方法，包括：

4、s1、构建电梯故障数据集；

5、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；

6、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；

7、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。

8、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。

9、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。

10、更进一步地，归一化处理具体为：

11、

12、其中，是归一化后的值，是参数的原始值，是最小值，是最大值。

13、进一步地，步骤s2中平均不纯度减少值的获取方法包括：

14、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；

15、s22、计算每个特征的平均不纯度减少值；具体包括：

16、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；

17、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；

18、其中，不纯度可以选用基尼不纯度来表示，具体为：

19、

20、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）。

21、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：

22、

23、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。

24、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。

25、s224、重复s221-s223步骤，直至求得所有特征的平均不纯度减少值。

26、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，

27、若，则保留（包含）前的所有特征作为重要特征；

28、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。

29、进一步地，步骤s3具体包括：

30、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；

31、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。

32、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。

33、更进一步地，长度k的取值范围满足：

34、

35、并且k取正整数。

36、更进一步地，子样本向量的数量s满足公式：s=(p-k)/1+1。

37、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。

38、相对于现有技术，本发明具有以下有益效果：

39、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。

40、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。

技术特征：

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：

2.根据权利要求1所述的电梯故障分类方法，其特征在于，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。

3.根据权利要求2所述的电梯故障分类方法，其特征在于，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。

4.根据权利要求2所述的电梯故障分类方法，其特征在于，归一化处理具体为：

5.根据权利要求1所述的电梯故障分类方法，其特征在于，步骤s2中平均不纯度减少值的获取方法包括：

6.根据权利要求5所述的电梯故障分类方法，其特征在于，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，

7.根据权利要求1所述的电梯故障分类方法，其特征在于，步骤s3具体包括：

8.根据权利要求7所述的电梯故障分类方法，其特征在于，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。

9.根据权利要求8所述的电梯故障分类方法，其特征在于，长度k的取值范围满足：

10.一种电子设备，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1-9任一项所述的基于多粒度级联森林的电梯故障分类方法。

技术总结
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。

技术研发人员：周旭,顾月江,高鹏,廖宏明,于青松
受保护的技术使用者：通用电梯股份有限公司
技术研发日：
技术公布日：2024/3/31