郭 俊 李方舟 马凯超

嘉兴市特种设备检验检测院 嘉兴 314000

0 引言

如今随着科技和生活水平的提高，电梯已经成为建筑必备的室内搭乘工具。电梯数量不断地增加，为生活带来便利的同时也导致电梯故障愈来愈频繁，电梯发生故障轻则影响日常生活，重则导致人员伤亡[1]。近年来，基于大数据的研究表明，电梯故障主要包括电梯门失效和电气系统失灵，而电梯门故障大部分是由电梯门触点问题引起的，故及时有效地对电梯门触点进行故障分析和预测十分重要。

Qiu J 等[2]采用了基于MPGA 优化算法的BP 神经网络模型，分析了门锁触点由外力导致故障的问题，对电梯门锁进行故障预测，尽管MPGA-BP 算法能够解决依赖权值随机初始化的问题，但模型收敛速度和训练时间有待提高；Wen P G 等[3]利用PSO-BP 对门锁触点驱动电气装置进行分析，通过分析振动频率对电梯门故障进行模拟预测，PSO-BP 算法解决了学习率对收敛速度以及受节点数影响的问题，但是粒子群算法本身随机性很强，存在依赖初始参数的问题；Zhang A 等[4]利用深卷积森林神经网络算法对人为导致的电梯门故障进行分析预测，深卷积森林神经网络算法在精度、召回率等评估指标上相比于传统算法都有所改进，但与BP 算法一样存在模型收敛速度较慢，计算复杂的问题。

目前，国内外通常利用BP 神经网络算法进行电梯部件的故障分析和预测，但BP 算法存在训练时间复杂、不稳定等缺点。支持向量机（Support Vector Machine，SVM）[5，6]是一种分类效果好、算法简单并兼具高效率性，但也存在无法解决大规模样本问题的算法；……