基于孤立森林算法的電梯運行異常狀態在線檢測

王蕓

關鍵詞：電梯運行；異常狀態；在線檢測；孤立森林

中圖分類號：TP391.41；TP277；TU857 文獻標識碼：A

0 引言

電梯系統采用機械牽引或液壓方式實現載荷傳輸，動力源為電機。為確保達到一定目標高度的精準調控，需要將調節導軌設置在轎廂控制位置，通過調節結構實現對轎廂滑動方向的調整[1-2]。轎廂在電梯系統運轉狀態正常的情況下為平滑加減速運行，忽略振動干擾因素[3-4]。對前期測試結果進行分析得出，不適感在水平振動加速度大于0.15 m/s²時隨即產生，此時監測電梯運行特征的指標構成運行階段的轎廂振動參數[5]。

以下兩種情況下異常振動信號存在于電梯轎廂[6-8]：①電梯曳引機異常運行。在旋轉過程中曳引機產生脈沖主要因為電梯產生振動，曳引機在轉子磨損過程中很容易引發不平衡情況，進而在電梯轎廂振動下產生異常特征。②導向輪磨損。在導向輪產生磨損時曳引輪繩槽間則會產生畸變，導致鋼絲繩受力異常，這種情況下電梯振動狀況則會發生異常。

本文設計了可實時檢測電梯加速度參數與獲取質量參數的一種方法，振動狀態主要依據基線判斷，映射關系建立于電梯振動位置和能量間，振動信號變化特征則可采用內部特征尺度分解（ICD）方法探究，電梯相關質量參數異常數據測試采用孤立森林算法實現。

1 電梯運行異常狀態檢測方法

1.1 孤立森林算法

作為一種集成學習算法，孤立森林算法主要實現的功能包括復雜時間異常高精度檢測。“少與不同”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據、正常數據與異常數據存在的差異，圖1 為孤立森林算法原理圖，a 點表示正常點，b 點表示異常點。

觀察圖1 得出，在數據集分類方面孤立森林算法主要應用遞歸法，當各樣本點滿足劃分數或均處于孤立狀態時，可快速從數據集內篩選出異常點，然而正常點獲取難度較大。所以為了實現該目標可采取隨機劃分方式。圖2 為具體結構——iTree 構造流程。

作為一種集成學習算法，孤立森林算法中的iTree 主要特征是隨機性，獲取孤立森林需設置n棵樹，不能單獨分析iTree 結果，各iTree 間保持相互獨立，在分布式系統中部署孤立森林。處理待測數據時需遍歷各棵iTree，并對iTree 中各待測數據樣本的路徑長度進行計算。算法穩定性隨著iTree數量不斷增多而升高。

1.2 電梯運行異常檢測

非侵入電梯運行狀態判斷特征由轎廂振動參數組成[9]。在本文設計中其處理流程包括：首先完成電梯健康狀況基線的初步設置，實時判斷結果偏離基線狀況，電梯異常情況產生時對應結果偏離；其次分解處理水平振動參數，應用ICD 方法，判斷沖擊信號是否形成應用包絡譜檢測方法，進一步精準分析電梯異常特征信號；最后則需構建位置參數與電梯振動能量間的函數關系，精確估計電梯運行位置參數。

本文構建基于孤立森林算法的在線檢測系統，可實時檢測電梯運行異常參數，在線監測流程如圖3 所示。

各項基本特征均包含在訓練的孤立森林中，然后在iTree 系統中存儲訓練數據特征，進而對新產生的數據進行判斷[2]。本文電梯質量數據的記錄形式以窗口為主，先預訓練孤立森林模型，然后對窗口進行檢測，同時將數據清空，異常率采用設計異常分閾值計算，當實際數值偏大時需立即報警。反之則需在緩沖區內添加窗口數據，為了使電梯運行狀態與檢測模型高度匹配，相比設定閾值N，緩沖區記錄數值較大時則需重新訓練檢測模型。

2 實驗與結果分析

2.1 方案設置

本文選用的測試對象為某居民區電梯，電梯數據采集應用CMA3000 型加速度傳感器實現。

電梯運動加速度與振動信號共同構成電梯加速度信號。潛在故障信息可經電梯系統振動水平及運動特征反映獲取。根據電梯技術條件采集信號。

分析對象為數據集內的襲擊數，訓練樣本個數為36 萬個，屬性種類為41 種，驗證集中總數據樣本為25 萬個，分開測試不同數量的孤立樹，按照10、100 與1 000 棵依次設定孤立樹數量。在各狀態中按照隨機取樣方式選取樣本20 組構成訓練集。

2.2 振動結果分析

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

2.3 質量參數異常值檢測結果

無關屬性在訓練孤立森林模型時需及時清除，最大速度、最大減速度及最大加速度指標均是本次構建訓練模型的屬性，將時間等存在于運行過程中的無效屬性從模型中去除。表1 為訓練過程中所使用的數據。

按照256 的標準控制采樣數上限，共設置100棵iTree，孤立森林模型異常值經訓練獲取，如圖5所示，99.81% 的異常數據包含在內，閾值設置為-0.18。

在線測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 時為99.7%，判斷電梯系統狀態可通過正常值比例實現，在判斷電梯正常狀態及實際運行狀態間差異時，主要應用孤立森林模型。

3 結論

本文開展基于孤立森林算法的電梯運行異常狀態在線檢測分析，取得如下結果。

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

（2）在線測試正常值占比均高于99.6%，判斷電梯正常狀態及實際運行狀態間差異時，主要應用孤立森林算法。

本研究有助于排除電梯運行故障能力，保障生命安全，具有很好的實用性，但在高頻使用階段存在計算用時過長的問題，期待后續增加智能算法進行強化。