基于HK-RVM 與WCO 的電梯門鎖故障預測

郭 俊 李方舟 馬凱超

嘉興市特種設備檢驗檢測院 嘉興 314000

0 引言

如今隨著科技和生活水平的提高，電梯已經成為建筑必備的室內搭乘工具。電梯數量不斷地增加，為生活帶來便利的同時也導致電梯故障愈來愈頻繁，電梯發生故障輕則影響日常生活，重則導致人員傷亡[1]。近年來，基于大數據的研究表明，電梯故障主要包括電梯門失效和電氣系統失靈，而電梯門故障大部分是由電梯門觸點問題引起的，故及時有效地對電梯門觸點進行故障分析和預測十分重要。

Qiu J 等[2]采用了基于MPGA 優化算法的BP 神經網絡模型，分析了門鎖觸點由外力導致故障的問題，對電梯門鎖進行故障預測，盡管MPGA-BP 算法能夠解決依賴權值隨機初始化的問題，但模型收斂速度和訓練時間有待提高；Wen P G 等[3]利用PSO-BP 對門鎖觸點驅動電氣裝置進行分析，通過分析振動頻率對電梯門故障進行模擬預測，PSO-BP 算法解決了學習率對收斂速度以及受節點數影響的問題，但是粒子群算法本身隨機性很強，存在依賴初始參數的問題；Zhang A 等[4]利用深卷積森林神經網絡算法對人為導致的電梯門故障進行分析預測，深卷積森林神經網絡算法在精度、召回率等評估指標上相比于傳統算法都有所改進，但與BP 算法一樣存在模型收斂速度較慢，計算復雜的問題。

目前，國內外通常利用BP 神經網絡算法進行電梯部件的故障分析和預測，但BP 算法存在訓練時間復雜、不穩定等缺點。支持向量機（Support Vector Machine，SVM）[5，6]是一種分類效果好、算法簡單并兼具高效率性，但也存在無法解決大規模樣本問題的算法；相關向量機（Relevance Vector Machine，RVM）[7，8]相比于SVM 引入了貝葉斯算法，能夠產生更加稀疏的全局解，預測速度更快，相比于BP 神經網絡算法，RVM克服了其缺點并且最優解不存在隨參數變化的問題。本文提出的混合核相關向量機（Hybrid Kernel Relevance Vector Machine，HK-RVM）[9-11]是基于RVM 提出的，HK-RVM 采用多核加權方法增加了RVM 的核函數構建混合模型，在先驗參數的結構下移除非相關點獲得稀疏化模型得到相應最優參數。由于HK-RVM 結合了多個核函數的優點，需要的關聯向量更少、概率預測精度更高、泛化能力更強，但存在易受變量控制的劣勢。世界杯優化算法（World Cup Optimization，WCO)）是一種通過模擬世界杯各球隊之間的相互競爭來確定最優解的數學優化算法，為此，本文利用世界杯算法(WCO)[12，13]對HK-RVM 進行優化，提升了模型的泛化能力和系統的魯棒性。具體而言，由于接觸電阻時間序列信號的變化可以反映電梯門鎖是否發生故障，本文首先通過對采集的電阻時序數據進行模型訓練，然后利用WCOHK-RVM 模型對電梯門鎖觸點故障進行預測，獲得了電阻大小隨時間的變化規律，從而實現對電梯門鎖觸點的故障預測。

1 理論描述

1.1 混合核相關向量機(HK-RVM)

HK-RVM 采用了多核函數克服了單一核函數的局限性，且是一個高度稀疏的模型，只需少量的樣本數據即可獲得合理的預測結果，故相比于RVM 預測效果更好。

式中：N為數據樣本數量，ωi為模型權重，ε為獨立高斯噪聲，M(x，xi)為一個非線性核函數。

核函數的選擇是模型性能的關鍵。在眾多核函數中，多項式核函數是一種典型的全局核函數，具有很強的泛化能力，高斯核函數是一類具有良好局部學習能力的局部核函數，單純的RVM 通常采用高斯函數作為核函數導致泛化性和魯棒性存在局限性。所以本文提出的HKRVM 以單核RVM 為基礎，集合了多種不同的核函數，在降低局限性的同時使整個RVM 模型更加全面。混合核函數的具體表達式為

假設目標值yi是獨立的，則似然函數可定義為

其中

根據貝葉斯準則和多元條件高斯分布準則，后驗分布的表達式為

其中

接下來用極大似然法對超參數α和方差σ2進行估計計算。將新數據x°、預測值y°和方差σ°2定義為

基于1-ζ的置信區間，預測值y°的置信區間的表達式為

式中：Lkζ為預測區間的下限，Ukζ為預測區間的下限，ρζ/2為標準正態分布的雙邊分位數。

由此可見，HK-RVM 模型預測精度主要取決于核函數參數值，參數值包括m、r、β、δ，接下來將通過優化算法WCO 來對核函數參數值進行優化，從而提高模型的預測精度。

1.2 世界杯優化算法(WCO)

1.2.1 建立大陸與隊伍

世界杯優化算法（WCO）是一種基于人類社會智能競賽的優化算法，WCO 由于其競爭性質和基于最優團隊的探索，使WCO 具有不受參數影響、收斂速度快、不易陷入局部極值問題等優點，能夠充分地發揮出優化模型的作用。

在搜索空間中形成問題變量的初始值是解決優化問題的一個關鍵，在WCO 中被稱為團隊，團隊以集群為單位，這些簇被指定為Cn。每個大陸都被設置在搜索空間的不同位置。由于WCO 擁有更多團隊，這表明WCO 將得到優化。在這個算法中，投票操作根據排名給最優秀的團隊。這一過程一直持續到獲得最佳價值的最佳團隊，并且大多數團隊根據其排名聚集在同一個大陸。

在M個大陸中解決N維優化問題時，設定每個大陸為1×NV(N為變量)的數組來表示各大陸當前參加比賽的球隊，數組定義為

式中：xi為某個國家的第i個隊伍，所有的變量（x1，x2，…，xNV）都是浮點數，每個大陸的排名通過對變量（x1，x2，…，xNV） 的等級函數的適應度值來實現，表達式為

式中：N為維數，M為大陸的個數。

初始化步驟是該算法的最大優點之一，每個大陸由不同標準差的隨機團隊的不同值組成。定義的時間間隔被劃分為幾個大陸，每個大陸在考慮的范圍內產生一些不同的隨機團隊，故該算法的收斂速度比其他算法快得多。

WCO 首先生成大小為Nq×Nv的候選大陸矩陣，其中Nq定義團隊的數量，Nv為問題中變量的數量。一些隨機組建的團隊被認為是針對這些最初的大陸。在最初的國際足聯中，有五大陸，每一大陸都包括4 支球隊，這些值被用作團隊在不同迭代中對每個大陸的投入的初始限制。

1.2.2 團隊之間的競爭

在初始化球隊后，接下來為評估各大陸的得分情況，得分具有模糊性，因為可能存在某個球隊得分過高而忽略掉其他的得分情況，故通過下面的步驟來解決模糊性問題。

1）獲取所有的大陸

2）計算各大陸的平均值和標準差，表達式為

3）評分公式為

式中：Ω為排序算子；ψ為標準差效應變化的系數項，ψ∈[0，1]。

4）根據排名在向量中對所有大陸進行排序，假設5 個大陸和n個團隊，表達式為

式中：n為每個大陸的團隊數量。

在解決得分模糊性問題后，每個大陸的最小值被分離并放入向量變量中用于下一次比賽，XTotal的最小值被選為當前杯的冠軍，表達式為

1.2.3 更新

在確定當前杯的冠軍后，根據之前的比賽和球隊的排名定義新的人口(各大陸及其球隊)。這部分不同于真正的國際足聯，將采用啟發式模式。矢量定義為

式中：Q為大小為N×M的新人口總數，XRd為問題限制區間之間的隨機值，XBs為當前最優向量，XBs的特征定義為

式中：α為Ub和Lb之間的精度系數，Ub和Lb分別為所考慮問題的上限與下限。

由于存在交叉點（CP）值的問題，XRd和XBs的大小可以分開并更改為

在產生新的人口后，將被分成n個大陸的m個團隊，表達式為

1.3 基于WCO-HK-RVM 模型的電梯門鎖故障預測模型

本文采用WCO 算法對HK-RVM 構建的預測模型進行優化，建立WCO-HK-RVM 模型對電梯門鎖觸點進行預測。技術路線流程如圖1 所示。具體步驟為：

圖1 本文所述方法的流程圖

1）采集電梯門鎖觸點數據并進行預處理，生成樣本訓練數據集和測試數據集。

2）通過訓練數據集對HK-RVM 進行核參數、調整函數等參數的初始化。

3）利用WCO 對上述參數進行優化迭代，找到最優參數。即首先設置算法初始參數種群數量及維度；根據公式建立大陸和團隊并評估適應度函數值；然后通過解決模糊化問題模型確定團隊之間的排名；接下來更新大陸和團隊分數，確定下一屆參加的大陸和團隊，即更新種群的位置；最后重新評估適應度函數值并更新國家和團隊分數；判斷是否滿足迭代條件，若滿足則輸出排名分數及下一屆參加的國家和團隊，否則返回步驟3，重新迭代更新計算。

4）通過優化后的最優參數構建WCO-HK-RVM 模型并進行分析，通過評價指標均方根誤差(Root Mean Square Error，RMSE)和平均絕對百分比誤差(Mean Absolute Percentage Error，MAPE）對電梯門鎖觸點故障進行分析和預測，分析本文提出的方法的準確率的同時不斷地進行優化。

2 實驗研究

2.1 數據采集

電梯門鎖發生故障會導致門鎖電路的電壓、電流、環境溫度、磁場等發生變化，選取的故障特征必須隨故障形式的不同具有不同的表現，故將接觸電阻作為故障特征來進行實驗分析[14]。為了更好地實現對電梯門鎖觸點預測，本文采用電動機、控制模塊、驅動器和直線移動模組來實現觸點的開閉，通過控制模塊實現電動機的正反轉、驅動器可以調節電動機的實時轉速來控制頻率、最后利用移動模塊實現門鎖觸點的開閉；利用恒流源、模塊CPU、運算放大器和模數轉換器等組成的運行電路來實現測試和采集功能，實驗模塊和測試模塊結合采集不同條件下接觸電阻實時數據。通過門鎖觸點模擬模塊和單片機測試系統來采集接觸電阻數據，并根據數據集繪出電阻時序圖，接下來通過模型對采集的55 組數據進行訓練和預測，整個實驗數據的時序圖如圖2 所示。

圖2 接觸電阻時序圖

2.2 HK-RVM-WCO 模型預測

為了能夠精準反映模型預測的精度，采用RMSE和MAPE 作為評判預測精度的評估指標，表達式為

本文將RMSE 和MAPE 作為WCO-HK-RVM 模型的適應度指標，并對HK-RVM 模型中的核參數、調整參數進行迭代優化從而不斷地優化模型，提高模型的預測精度。設定初始參數m=0.9，δ=0.9，β=0.9，設置WCO 最初大陸為5 個，球隊數量為25 個。本文將55組數據前50 組作為訓練集，后5 組作為測試集。通過計算可以發現訓練后模型的RMSE 計算值為0.036 1，MAPE 值為1.252 6，模型預測圖為電阻隨實驗次數變化的規律圖像，WCO-HK-RVM 模型的預測結果如圖3所示。由圖3 可知，本文提出的WCO-HK-RVM 模型預測結果與實際偏離程度更小，基本上達到了完全擬合的狀態，重合度較高，能夠滿足預警和監測的要求。

圖3 WCO-HK-RVM 模型預測圖

2.3 結果評價

為了能夠體現本文提出方法的真實性，采用傳統的預測模型SVM 和長短期記憶人工神經網絡（Long Short-Term Memory，LSTM）[15，16]對上述數據進行訓練，并將計算出的2 種誤差與本文提出的方法進行對比。設定LSTM 中神經元個數為200，學習率為0.002；設定SVM 懲罰參數為10，步長為1，核參數設置為0.1，其他均為默認值，SVM 和LSTM 模型預測結果如圖4 和圖5 所示，RMSE 值和MAPE 值如表1 所示。

表1 RMSE 和MAPE 對比圖

圖4 SVM 模型預測圖

圖5 LSTM 模型預測圖

由SVM 模型預測的結果可知，實際數據均低于預測數據，正是由于SVM 算法由于核函數選擇的隨意性會導致預測結果的變化，預測性能和泛化能力下降。由LSTM 模型預測可知，預測結果與實際相近，序列越長LSTM 收斂速度越慢，誤差越大，會逐漸偏離實際值導致預測失效，無法完成門鎖故障的預警。

通過上面的RMSE 值、MAPE 值和模型預測圖對比可知，SVM 預測模型由于過分依賴參數導致存在欠擬合的問題，LSTM 預測模型存在過擬合問題并且隨訓練次數增加預測效果愈差。本文提出的WCO-HK-RVM相比于傳統的2 種方法RMSE 值和MAPE 值更小，誤差最低，預測精度更高，收斂性更強。

3 結論

針對電梯門鎖觸點故障實際問題，在HK-RVM 的基礎上，利用WCO 優化算法進行模型優化，提出了基于WCO-HK-RVM 模型的電梯門鎖故障預測算法，其具有收斂速度快、預測精度高的特點，可以根據不同的觸點故障進行有效的預測。同時，通過采集的電阻時序圖數據，并與傳統預測算法SVM 和LSTM 相比較，模型的預測精度顯著提高，表明該方法可應用于實際電梯故障檢測中，在提高生產檢測的效率的同時減輕現場人員的工作量。