基于极端梯度提升回归模型的电梯钢丝绳磨损预测方法

目前对电梯钢丝绳磨损量预测的研究还存在不足，针对这一问题，采用基于极端梯度提升(XGBoost)算法的机器学习方法，对电梯钢丝绳磨损率的预测进行了理论分析、数据采集和实验测试研究。首先，在目标损失函数中增加了额外的正则化项，并使用了贝叶斯超参数优化，提出了优化后的算法BO-XGBoost;然后，用自制的电梯钢丝绳疲劳试验机对曳引轮直径、载荷力、频率和包角这4个因素进行了试验，得到了用于预测钢丝绳磨损率的数据；最后，用BO-XGBoost算法对钢丝绳磨损率进行了预测分析，同时与多元线性回归(MLR)、随机森林(RF)以及支持向量机(SVM)等机器学习算法进行了比较。研究结果表明：BO-XGBoost算法的建模效果和回归效果最好，其泛化能力也最高，能适应不同工况的实验，在预测钢丝绳磨损率方面优于其他几个模型，预测值与试验值达到了99.1%的准确率，证明了该方法的有效性。

Elevator wire rope wear prediction method based on extreme gradient lifting regression model