以电梯运行数据在高维空间分布特性为依据,提出一种正负类双超球体支持向量数据描述的电梯故障监测与诊断模型,将实时电梯数据分为健康样本、故障样本和未知漂移异常样本.针对电梯设备老化产生的漂移异常样本判别精度低的问题,将支持向...以电梯运行数据在高维空间分布特性为依据,提出一种正负类双超球体支持向量数据描述的电梯故障监测与诊断模型,将实时电梯数据分为健康样本、故障样本和未知漂移异常样本.针对电梯设备老化产生的漂移异常样本判别精度低的问题,将支持向量数据描述(support vector data description,SVDD)与凸二次双层规划方法结合,形成一种双层支持向量数据描述方法(bilevel-support vector data description,B-SVDD).该方法首先对电梯运行数据进行凸集区间化处理,接下来通过5次迭代更新超球体球心与半径,最后计算数据到正、负球心的距离判别未知漂移异常样本的类别.此外,利用该模型的堆叠形式划分故障样本空间,诊断四类常见的电梯故障.实验结果表明,漂移异常样本的判别最终可以达到98.3%的平均分类准确率,为电梯故障监测与诊断提供一种快速有效的方法.展开更多
文摘以电梯运行数据在高维空间分布特性为依据,提出一种正负类双超球体支持向量数据描述的电梯故障监测与诊断模型,将实时电梯数据分为健康样本、故障样本和未知漂移异常样本.针对电梯设备老化产生的漂移异常样本判别精度低的问题,将支持向量数据描述(support vector data description,SVDD)与凸二次双层规划方法结合,形成一种双层支持向量数据描述方法(bilevel-support vector data description,B-SVDD).该方法首先对电梯运行数据进行凸集区间化处理,接下来通过5次迭代更新超球体球心与半径,最后计算数据到正、负球心的距离判别未知漂移异常样本的类别.此外,利用该模型的堆叠形式划分故障样本空间,诊断四类常见的电梯故障.实验结果表明,漂移异常样本的判别最终可以达到98.3%的平均分类准确率,为电梯故障监测与诊断提供一种快速有效的方法.
