基于孤立森林算法的电梯运行异常状态在线检测

王芸

关键词：电梯运行；异常状态；在线检测；孤立森林

中图分类号：TP391.41；TP277；TU857 文献标识码：A

0 引言

电梯系统采用机械牵引或液压方式实现载荷传输，动力源为电机。为确保达到一定目标高度的精准调控，需要将调节导轨设置在轿厢控制位置，通过调节结构实现对轿厢滑动方向的调整[1-2]。轿厢在电梯系统运转状态正常的情况下为平滑加减速运行，忽略振动干扰因素[3-4]。对前期测试结果进行分析得出，不适感在水平振动加速度大于0.15 m/s²时随即产生，此时监测电梯运行特征的指标构成运行阶段的轿厢振动参数[5]。

以下两种情况下异常振动信号存在于电梯轿厢[6-8]：①电梯曳引机异常运行。在旋转过程中曳引机产生脉冲主要因为电梯产生振动，曳引机在转子磨损过程中很容易引发不平衡情况，进而在电梯轿厢振动下产生异常特征。②导向轮磨损。在导向轮产生磨损时曳引轮绳槽间则会产生畸变，导致钢丝绳受力异常，这种情况下电梯振动状况则会发生异常。

本文设计了可实时检测电梯加速度参数与获取质量参数的一种方法，振动状态主要依据基线判断，映射关系建立于电梯振动位置和能量间，振动信号变化特征则可采用内部特征尺度分解（ICD）方法探究，电梯相关质量参数异常数据测试采用孤立森林算法实现。

1 电梯运行异常状态检测方法

1.1 孤立森林算法

作为一种集成学习算法，孤立森林算法主要实现的功能包括复杂时间异常高精度检测。“少与不同”是异常在孤立森林中给出的解释，其中，“少”和“不同”分别表示具有较少的异常数据、正常数据与异常数据存在的差异，图1 为孤立森林算法原理图，a 点表示正常点，b 点表示异常点。

观察图1 得出，在数据集分类方面孤立森林算法主要应用递归法，当各样本点满足划分数或均处于孤立状态时，可快速从数据集内筛选出异常点，然而正常点获取难度较大。所以为了实现该目标可采取随机划分方式。图2 为具体结构——iTree 构造流程。

作为一种集成学习算法，孤立森林算法中的iTree 主要特征是随机性，获取孤立森林需设置n棵树，不能单独分析iTree 结果，各iTree 间保持相互独立，在分布式系统中部署孤立森林。处理待测数据时需遍历各棵iTree，并对iTree 中各待测数据样本的路径长度进行计算。算法稳定性随着iTree数量不断增多而升高。

1.2 电梯运行异常检测

非侵入电梯运行状态判断特征由轿厢振动参数组成[9]。在本文设计中其处理流程包括：首先完成电梯健康状况基线的初步设置，实时判断结果偏离基线状况，电梯异常情况产生时对应结果偏离；其次分解处理水平振动参数，应用ICD 方法，判断冲击信号是否形成应用包络谱检测方法，进一步精准分析电梯异常特征信号；最后则需构建位置参数与电梯振动能量间的函数关系，精确估计电梯运行位置参数。

本文构建基于孤立森林算法的在线检测系统，可实时检测电梯运行异常参数，在线监测流程如图3 所示。

各项基本特征均包含在训练的孤立森林中，然后在iTree 系统中存储训练数据特征，进而对新产生的数据进行判断[2]。本文电梯质量数据的记录形式以窗口为主，先预训练孤立森林模型，然后对窗口进行检测，同时将数据清空，异常率采用设计异常分阈值计算，当实际数值偏大时需立即报警。反之则需在缓冲区内添加窗口数据，为了使电梯运行状态与检测模型高度匹配，相比设定阈值N，缓冲区记录数值较大时则需重新训练检测模型。

2 实验与结果分析

2.1 方案设置

本文选用的测试对象为某居民区电梯，电梯数据采集应用CMA3000 型加速度传感器实现。

电梯运动加速度与振动信号共同构成电梯加速度信号。潜在故障信息可经电梯系统振动水平及运动特征反映获取。根据电梯技术条件采集信号。

分析对象为数据集内的袭击数，训练样本个数为36 万个，属性种类为41 种，验证集中总数据样本为25 万个，分开测试不同数量的孤立树，按照10、100 与1 000 棵依次设定孤立树数量。在各状态中按照随机取样方式选取样本20 组构成训练集。

2.2 振動结果分析

图4 所示的均方根值水平振动序列均超出故障线指标。分析解调信号得出，振动能量主要集中于低频段，未观察到故障变化特征，也未检测出高频冲击信号，由此得出测试获取的异常值为假警报，与人工测试获取的信息特点相符。

2.3 质量参数异常值检测结果

无关属性在训练孤立森林模型时需及时清除，最大速度、最大减速度及最大加速度指标均是本次构建训练模型的属性，将时间等存在于运行过程中的无效属性从模型中去除。表1 为训练过程中所使用的数据。

按照256 的标准控制采样数上限，共设置100棵iTree，孤立森林模型异常值经训练获取，如图5所示，99.81% 的异常数据包含在内，阈值设置为-0.18。

在线测试开展条件需控制窗口宽度为1 000，正常值占比在超过-0.18 时为99.7%，判断电梯系统状态可通过正常值比例实现，在判断电梯正常状态及实际运行状态间差异时，主要应用孤立森林模型。

3 结论

本文开展基于孤立森林算法的电梯运行异常状态在线检测分析，取得如下结果。

（1）振动能量主要集中于低频段，未观察到故障变化特征，也未检测出高频冲击信号，与人工测试获取的信息特点相符。

（2）在线测试正常值占比均高于99.6%，判断电梯正常状态及实际运行状态间差异时，主要应用孤立森林算法。

本研究有助于排除电梯运行故障能力，保障生命安全，具有很好的实用性，但在高频使用阶段存在计算用时过长的问题，期待后续增加智能算法进行强化。