基于深度生存分析与SHAP的电梯风险预测.pdfVIP

计算机系统应用

ISSN

1003-3254,

CODEN

CSAOBNE-mail:

csa@

2024,33(11):247−256

[doi:

10.15888/ki.csa.009685]

[CSTR:

32024.14.csa.009685]

©中国科学院软件研究所版权所有.Tel:

+86-10

基于深度生存分析与SHAP的电梯风险预测①

1112

曾倩欣,

王槃,

杨欢,

杨勇

1(华南师范大学

软件学院,

佛山

528225)

2(广东省特种设备检测研究院

佛山检测院,

佛山

528041)

通信作者:

杨欢,

E-mail:

huan_yang2019@163.com

摘要:

为解决低频、不规则时间周期的基于统计的电梯预测性维护问题,

本文提出了结合深度生存分析与数据切

割、补偿的综合方案.

本文通过建立动态静态生存状态向量,

捕捉影响大型故障风险的因素;

此外,

针对记录型数据

中存在的左删失问题,

本文采用数据补充的方式解决,

并探究不同补充方式与分割策略对深度生存模型精度的影

响.

最后,

研究对电梯场景下的深度生存模型使用SHAP分析,

揭示各因素对故障风险的动态影响.

研究结果显示,

采用数据粗分割与Cox填充方式组合的模型具有强预测能力和准确性,

DeepSurv模型在预测能力和稳定性上表现

突出,

梯龄、提升高度对大型故障风险的贡献随特定条件的变化会发生转折.

关键词:

预防性维护;

深度生存分析;

电梯;

数据删失;

SHAP

引用格式:

曾倩欣,王槃,杨欢,杨勇.基于深度生存分析与SHAP的电梯风险预测.计算机系统应用,2024,33(11):247–256.

/

1003-3254/9685.html

ElevatorRiskPredictionBasedonDeepSurvivalAnalysisandSHAP

1112

ZENG

Qian-Xin,

WANG

Pan,

YANG

Huan,

YANG

Yong

1(School

of

Software,

South

China

Normal

University,

Foshan

528225,

China)

2(Foshan

Branch,

Guangdong

Institute

of

Special

Equipment

Inspection

and

Research,

Foshan

528041,

China)

Abstract:

This

study

proposes

a

comprehensive

solution

that

combines

deep

survival

analysis,

data

segmentation,

and

data

imputation

to

address

the

issue

of

statistical

predictive

maintenance

for

elevators,

which

is

characterized

by

low

frequency

and

irregular

time

periods.

This

study

establishes

both

dynamic

and

static

survival

vectors

to

capture

factors

influencing

major

fault

risks.

Additionally,

to

tackle

left

censoring

in

recorded

data,

this

research

employs

data

imputation

and

explores

the

impact

of

different

imputation

methods

and

segmentation

strategie