一种基于DACO-XGBoost方法的快速电梯制动性能评估技术 姜叶峰、 李东鑫、 苏万斌、 易 cannan、 李凯、 沈伟、 徐树龙

《Actuators》：A DACO-XGBoost-Driven Method for Evaluating Braking Performance of High-Speed Elevators Yefeng Jiang, Dongxin Li, Wanbin Su, Cancan Yi, Ke Li, Wei Shen and Shulong Xu

　　摘要：为了解决高速电梯在125%额定载荷下行制动测试中劳动强度高以及测试结果准确性低的问题，本研究提出了一种基于动态蚁群优化–极端梯度提升（DACO-XGBoost）的数值模型驱动评估方法，用于评价电梯的制动能力。首先，为了克服由于制动分析期间测量样本不足导致的预测精度有限的问题，同时考虑了振动和噪声的影响，因此对空载上行和125%载荷下行条件进行了等效的动力学分析。基于此，开发了一种仿真数据生成方法，从空载上行运行状态生成载荷下行制动样本。其次，通过将上述模型生成的仿真样本与有限的测量样本结合起来，构建了一个由动态蚁群算法优化的XGBoost模型，提高了模型拟合电梯制动过程中复杂非线性关系的能力。这减轻了样本稀缺带来的限制，并能够准确预测关键的制动性能参数。实验结果表明，所提出的DACO-XGBoost显著提高了预测精度。对于制动距离，其均方根误差（RMSE）从7.5453降低到0.5661，平均绝对误差（MAE）从2.7452降低到0.0370；对于滑移量，RMSE从60.0307降低到1.2200，MAE从7.7401降低到0.8146。此外，与RF、GA-RF和PSO-RF相比，验证了所提出方法在高速电梯制动性能定量评估中的有效性。

1. 引言
作为现代建筑中垂直运输的核心工具，电梯对于确保建筑功能的正常运行和空间效率至关重要。然而，随着使用年限的增加，电梯结构不可避免地会出现性能下降，从而导致其机械特性的变化。在正常运行过程中，电梯的运行状态可以分为三种：待机、启动和制动[1,2,3]。然而，正常的启动和制动并不一定意味着制动性能完全可靠。2017年6月，中国原国家质量监督检验检疫总局发布了电梯监督检验和定期检验的规定，要求 Passenger elevators 每五年在125%额定载荷下进行一次下行制动测试。目前，高速电梯刹车的检验主要依赖于检验人员的主观判断，无法提供准确的定量测量数据[4]。在高速电梯制动过程中，轿厢通过多夹盘盘刹的机械作用以及刹车片与刹车轮之间的摩擦产生的制动力矩来减速停止[5,6]。然而，仅依靠简化的动力学分析难以建立通用的、全面的电梯制动能力评估模型。此外，制动过程中的摩擦和振动等因素也会影响制动能力评估的准确性[7,8]。因此，开发一个数字化和智能的高速电梯制动能力评估模型并实现定量表征具有重要的研究价值[9,10]。
制动能力是评估高速电梯安全水平的关键因素，通常通过制动距离和钢丝绳滑移量来表征。现有的研究主要集中在基于物理模型的动态响应分析或使用历史运行数据进行的趋势预测上。然而，它们的实际测试性能往往受到125%额定载荷下行制动测试数据量和质量的限制[11]。Jiang等人[12]提出了一种固定时间收敛的容错控制策略，他们的实验平台模拟了过载、温度升高和夹盘故障条件下的多夹盘盘刹，并实时收集制动力矩和振动数据，以实现制动力预测和控制参数优化。Wolszczak等人[13]利用蒙特卡洛不确定性量化方法对测量样本进行统计分析，评估了参数变化对整体制动性能的影响，并为控制系统和结构设计提供了参考。尽管以往的研究提供了多种制动性能测试、振动和噪声分析以及鲁棒性优化的方法，但这些方法大多仅限于单一运行条件或单一指标的离线测试。缺乏针对125%过载下行条件的专用建模和在线校准，基于机制的模型也尚未有效地与预测算法相结合。因此，这些方法难以满足高精度和实时评估制动性能的需求。另外，125%额定载荷下行制动测试中与重量处理相关的大量工作和低测试效率使得获取反映实际运行状态的大量特征信息变得极其困难，这成为阻碍先进AI诊断模型在工程实践中应用的瓶颈。如果能够使用数值模拟为空载上行和125%额定载荷下行条件建立等效的动力学模型，高性能的仿真可以产生代表实际运行条件的丰富制动性能数据，从而缓解现有AI模型面临的样本稀缺问题，并为特定运行状态下的制动能力评估提供新的方法。

现代机器学习方法在建模复杂系统方面具有明显优势。逻辑回归（LR）[14]因其简单性和强大的可解释性而常用于二元分类。朴素贝叶斯（NB）[15]基于贝叶斯定理和条件独立假设，适用于小型数据集和多类任务。随机森林（RF）[16]通过集成决策树来提高泛化能力。支持向量机（SVMs）[17]对高维非线性问题有效。相比之下，由Chen和Guestrin提出的XGBoost[18]因其支持交叉验证、抗过拟合能力和高并行效率而在许多领域得到广泛应用。Qiu等人[19]将改进的Aquila优化器（IAO）与XGBoost结合，并引入了SMOTE-Tomek混合采样方法，以解决振动信号中正常样本和故障样本之间的类别不平衡问题，实现了对电梯故障状态的准确诊断。Liang等人[20]利用实时工业物联网监控数据开发了一种基于XGBoost的电梯门系统故障诊断模型，并通过实际运行数据进行了验证，以准确识别门系统故障类型。蚁群优化（ACO）是一种基于群体的启发式随机搜索算法，模拟了蚂蚁的集体路径搜索行为，最初由Dorigo提出[21]。ACO具有正反馈和平行计算的特性，已被广泛用于模型参数优化[22,23,24]。然而，现有的连续参数优化ACO变体对初始信息素分布敏感，可能会出现过早收敛和搜索振荡。为了解决这个问题，本研究设计了一种动态信息素蒸发和平衡机制。通过引入随迭代次数变化的蒸发率，算法在早期迭代中保持强烈的全局探索能力，避免过早收敛，并在后期迭代中增强局部探索能力，引导群体快速收敛到高质量区域。同时，动态调整状态转移概率，平衡“探索”和“利用”，从而有效稳定地优化XGBoost回归模型的关键超参数，提高整体预测精度和鲁棒性。

总之，为了解决高速电梯在125%额定载荷下行制动测试中劳动强度高和测试结果准确性低的问题，本研究开发了一种基于等效动力学模型的双重驱动制动性能评估方案。首先，考虑振动和噪声能量影响，使用等效动力学模型生成丰富的仿真数据，有效弥补了载荷下行制动性能测量样本的不足。其次，引入了一种由动态蚁群算法优化的XGBoost回归模型（称为DACO-XGBoost），以实现125%额定载荷下行条件下制动距离和钢丝绳滑移量的高精度预测。

2. 基于仿真模型的制动样本生成
2.1. 电梯制动过程分析
根据热力学第一定律，在电梯制动过程中没有外部能量输入。总能量仅包括电梯的机械能和制动过程中产生的摩擦内能，部分能量以振动和噪声的形式释放。根据能量守恒定律，在理想情况下，制动过程中动能和势能的减少应等于摩擦内能以及振动和噪声能量。总能量关系可以表示为：
$$E = K + U + F + N$$
其中$K$表示电梯的势能，$U$表示动能，$F$表示制动过程中产生的摩擦内能，$N$表示振动能量。

对于电梯制动过程的动力学分析，轿厢、钢丝绳和牵引滑轮可以视为一个整体系统。该过程中的制动系统势能表示为：
$$U = m_g h$$
其中$m_g$是电梯系统的质量，$h$是高度。

电梯制动过程中的动能计算为：
$$K = \frac{1}{2} m_v v^2$$
其中$m_v$是电梯系统的质量，$v$是额定速度。

电梯制动距离主要取决于制动器和牵引条件的性能。在紧急制动过程中，摩擦力主要来自两个机制：牵引绳与牵引滑轮之间的相对滑移以及制动过程中的刹车盘继续旋转。因此，摩擦内能$F$可以表示为：
$$F = \mu m_v v^2$$
其中$\mu$是摩擦系数，$v$是制动速度。

振动能量$N$主要取决于振动幅度$\alpha$和频率$f$。其计算公式为：
$$N = \frac{1}{2} k \alpha^2 f^2$$
其中$k$是制动系统的等效弹簧常数（通常使用的电梯弹簧常数为5000 N/m），$\alpha$是振动幅度。

噪声能量$N$主要取决于声功率$P$和发射持续时间$t$。声功率$P$与声压级$L$之间的关系可以通过以下经验公式近似表示：
$$N \approx P t$$
其中$\eta$是一个比例系数，取决于环境条件和声音传播路径，通常设置为1.2 × 10^(-4) W/dB。在本研究中，系数$\eta$是通过在电梯制动系统上进行的初步噪声校准实验获得的。

因此，噪声能量可以表示为：
$$N = P t$$

需要注意的是，假设两种载荷条件下的初始制动速度相同[25]。因此，质量增加对速度曲线的影响有限，因为制动减速主要由施加的制动力决定，而不是质量的变化。这一假设允许在不对速度曲线造成显著失真的情况下更清晰地比较制动性能。

2.2. 空载上行制动过程模型
基于能量守恒，电梯空载上行制动过程的综合模型可以表示为：
$$E = m_g h + \mu m_v v^2 + \mu m_v v^2 t + \frac{1}{2} k \alpha^2 f^2 t$$
其中$m_g h$是空载上行的停止距离；$F$是制动过程中牵引绳与牵引滑轮相对滑动的摩擦力；$t$是制动后的相对滑移距离；$F'$是制动过程中刹车片与刹车卡钳衬垫相对滑动的摩擦力；$d$是制动后刹车盘与刹车卡钳衬垫之间的相对滑移距离；$\alpha$是制动过程中的振动幅度；$P$是制动过程中的声压级；$m_c$是移动电缆的重量；$m_w$是轿厢侧的钢丝绳重量；$m_w'$是平衡重侧的钢丝绳重量；$v$是制动过程中的实际运行速度；$v'$是制动过程中的钢丝绳运行速度。

当制动力足够大时，制动器引起的减速远超过牵引滑轮的最大承载减速能力。在这种情况下，空载上行制动时只发生钢丝绳滑移，刹车盘与刹车卡钳之间没有相对摩擦（因此$F' = 0$）。这表明制动能力足够，但牵引能力不足。这种情景被称为牵引力不足的电梯动态模型。当牵引能力足够但制动能力不足时，钢丝绳与牵引滑轮之间不会发生打滑，因此可以将绳索和滑轮视为一个整体系统。在整个制动过程中，摩擦内能主要由制动器产生的摩擦力生成，牵引绳索在牵引滑轮上基本上不会发生相对滑动（即μ=0）。这种情景被称为制动力不足的电梯动态模型。当制动器的制动能力和电梯的牵引能力都不足时，牵引滑轮会表现出显著的运动，而钢丝绳在空载上行制动过程中会经历明显的滑动。电梯运行过程的等效模型如图1所示。图1. 电梯运行过程的等效模型。(a) 空载上行制动过程的近似等效模型。(b) 125%负载下行制动过程的近似等效模型。

2.3. 125%负载下行制动过程的模型
对于空载上行制动，系统势能的变化由对重质量和轿厢质量之差决定。
对于125%额定负载下行制动，总轿厢质量变为（其中M_c是额定负载质量），而对重质量保持不变。下行条件下的势能变化修正为：
两种运行条件下的能量耗散机制是相同的，导致耗散项为：
对于空载上行制动，平动动能为K translational_kineticEnergy)。对于125%额定负载下行制动，通过加入额定负载项来修正平动质量，可以计算为：
动能变化项表示为：
基于能量守恒，可以在125%额定负载下获得电梯下行制动过程的综合模型：
其中d_stopping_distance是制动后的轿厢停止距离；f_kineticForce是由于牵引绳在牵引滑轮上的相对滑动而产生的摩擦力；d_slip_distance是相应的滑移距离；f_brakeDisk是制动盘在制动片衬里上的相对滑动而产生的摩擦力；d_brakePad是相应的滑移距离；v_brake-Amplitude是制动过程中的制动盘振动幅度；L.SoundPressureLevel是制动过程中的声压级；W_cable是行进电缆的重量；W_compensationChain是轿厢侧的电缆重量；W_rope是对重侧的电缆重量；v_brakingは制动过程中的电缆运行速度；v_ropeRunningSpeed是制动过程中的电缆运行速度。
与空载上行制动模型相比，当电梯以125%额定负载下降时，相应的模型表示如下，分别对应于牵引能力不足、制动能力不足以及制动和牵引能力都不足的情况。
假设空载上行和125%额定负载下行条件下的速度相同，即v_up RunningSpeed = v_downRunningSpeed，因此方程（13）-（15）可以转换为：
2.4. 125%负载下行制动的近似等效模型
高速电梯的制动力由弹簧产生。因此，在电梯加速到额定速度后，假设制动力基本保持不变，无论系统处于空载上行制动状态还是125%额定负载下行制动状态。
在上行和下行制动过程中，制动摩擦系数主要取决于制动片和牵引滑轮的材料和表面粗糙度。假设在短时间内摩擦系数大致保持恒定[26]。因此，制动器产生的摩擦力也假设不变，即制动盘盘的制动摩擦力满足μ = μ_baseValue。这个假设主要适用于接近额定速度状态的短时间制动，此时接触压力和温度的变化有限。
在紧急制动过程中，钢丝绳在自身张力的作用下在牵引滑轮上发生相对运动，产生摩擦。由于接触面属性保持不变，因此可以将等效摩擦系数假设为常数，即μ_eqEquivalentFrictionCoefficient无论是在空载上行制动还是125%额定负载下行制动过程中都是相同的。
基于上述关系，可以从空载上行条件计算出125%负载下行制动时的钢丝绳滑移量和电梯制动距离：
其中Δ_vibration_and_noiseEnergyLoss表示振动和噪声能量损失；f_brakeDiskAssociated是第i个制动器的制动盘与制动器衬片之间相对滑动产生的摩擦力；d_slip_distance是相应的滑移距离；ρ_proportionalityCoefficient是比例系数；d_brakeDistance_125%LoadDownRunning是125%负载下行制动时的制动距离；d_brakeDistance_NoLoadUpRunning是空载上行制动时的制动距离；Δ_ropeSlipAmount是125%负载下行制动时的钢丝绳滑移量；μ_tractionRatio是电梯的牵引比。
使用方程（22）、（24）和（25），建立的等效动态模型可以生成大量模拟样本，即钢丝绳滑移量和电梯制动距离的模拟数据，为后续的数据驱动建模和评估提供有效的数据支持。

2.5. 机制模型生成的样本的可行性分析
上述建立的等效动态模型不仅量化了制动过程中的机械能量转换和耗散，更重要的是将系统振动和噪声纳入了能量平衡框架。振动是电梯动态特性的强烈指标，包含了系统刚度、阻尼和实时负载状态等关键信息。噪声可以直接反映制动性能的下降和制动扭矩的减少。为了确保该机制模型生成的模拟数据能够真实反映物理电梯系统的动态行为，需要模拟信号和测量信号之间严格的一致性验证。在本研究中，采用余弦相似度（cosineSimilarity）进行匹配分析[27]。
余弦相似度是一种广泛用于衡量两个向量之间方向相似性的指标，特别是在高维特征空间中非常有效，因为它评估的是向量之间的角度而不是它们的大小。通常，当生成的样本与真实数据之间的相似度超过预设的0.6阈值时，认为合成样本在正常电梯制动条件下具有合理的准确性[28]。应当注意的是，选择更高的阈值可以生成更高质量的样本，但代价是计算成本的增加和潜在的样本多样性减少。模拟样本的可行性分析工作流程如图2所示。通过余弦相似度验证，该工作流程构建了一个高保真的模拟样本生成模型，解决了在应用传统机器学习模型进行电梯制动性能评估时遇到的样本稀缺问题，并为后续的制动能力预测研究提供了丰富的样本。

3. 制动力预测模型的理论基础
3.1. XGBoost模型
XGBoost是一种基于梯度提升决策树的增强型集成学习方法，因其能够高效准确地处理分类、回归和排序任务而被广泛使用。XGBoost通过迭代训练多个弱学习器（通常是决策树）。在每次迭代中，它专注于学习和优化前一模型的残差，并通过梯度下降构建新的决策树，从而逐步提高预测准确性。
XGBoost的预测基于一个定义的目标函数，该函数通常包含两部分，例如衡量预测误差的损失函数和约束模型复杂度的正则化项。假设模型由k棵决策树组成，即：
XGBoost通过最小化一个包含损失项和正则化项的目标函数来训练模型。损失项衡量预测值与真实值之间的差异，而正则化项控制模型复杂性以防止过拟合并鼓励更简单的树结构。目标函数可以表示为：
XGBoost通过最小化一个包含损失项和正则化项的目标函数来训练模型。损失项衡量预测值与真实值之间的差异，而正则化项控制模型复杂性以防止过拟合并鼓励更简单的树结构。
在训练过程中，XGBoost采用加性策略。在第t次迭代中，它拟合一棵新树来补偿残差，从而减少目标函数。为了高效计算增量目标，XGBoost使用损失的一阶和二阶导数进行二阶泰勒展开：
基于这些梯度统计，XGBoost可以解析地推导出给定固定树结构每个叶节点的最佳权重：
基于最佳叶节点权重，分裂带来的收益表示为：
其中Δ_gain表示分裂是否有益，从而指导分裂选择。如果超过阈值，叶节点将进一步分裂。否则，分裂停止。阈值通常设置为0。

3.2. 蚁群优化算法
蚁群优化是一种基于分布式计算的高效全局路径规划算法[28]。蚂蚁根据启发式函数和路径上的信息素浓度选择移动方向。蚂蚁从节点i移动到下一个节点j的概率由下式给出：
其中N(adjacentNodes)表示蚂蚁可以选择的下一个节点集合；f heuristicInfo和fpheromoneConcentration分别是第t次迭代中路径的信息素浓度；α_and(beta)表示它们的相对重要性；d_EuclideanDistance是从当前节点到候选节点的欧几里得距离。最优路径的搜索受到信息素更新策略的控制，该策略可以由以下模型定义：
其中d_rememberanceRate是信息素蒸发率；N_ants是蚂蚁的数量；d_pheromoneIncrement是蚂蚁k在第t次迭代中在路径上沉积的信息素增量；d_pheromoneEnhancementCoefficient是信息素增强系数；d_totalPathLength是蚂蚁k在第t次迭代中行走的总路径长度。
在本研究中，蚁群优化针对XGBoost模型的关键超参数（例如学习率和树深度），蚂蚁在超参数空间中搜索最佳参数组合。

3.3. 动态蚁群优化（DACO）
信息素蒸发率直接影响ACO的全局搜索能力和收敛速度。传统的ACO通常使用固定的蒸发率。如果初始设置的信息素蒸发率太小，信息素蒸发缓慢，蚂蚁倾向于重复探索早期发现的路径，容易陷入局部最优解，导致提前收敛。相反，如果信息素蒸发率设置得太大，信息素的引导效果减弱，蚂蚁难以积累高质量路径的经验，倾向于随机探索。
为了增强ACO平衡探索和利用的能力，引入了动态信息素蒸发策略，如方程（31）所示。在早期阶段，赋予信息素蒸发率一个相对较大的值以削弱信息素的引导作用，从而鼓励探索更可行的路径并进一步减少死锁的概率。随着迭代次数的增加，信息素蒸发率逐渐减小。因此，路径上的信息素浓度变得更加明显（由于负反馈衰减的减少），增强了蚂蚁的引导作用。在一定的迭代次数后，蚂蚁越来越倾向于选择信息素浓度较高的路径，从而加速了算法的收敛。

3.4. 用于制动能力预测的DACO优化XGBoost模型
为了克服XGBoost中的超参数设置问题，提出了DACO-XGBoost算法。基于该算法的基本描述，蚁群优化在每次迭代中更新XGBoost参数，直到达到最大迭代次数。最终确定的最佳XGBoost超参数被输出并应用于XGBoost模型。图3展示了参数优化过程。具体实施步骤如下：图3. DACO-XGBoost超参数优化流程。步骤1：设置子采样/收缩因子的上下界、最小子节点权重阈值、最大迭代次数、群体大小以及信息素蒸发系数。步骤2：将子采样/收缩因子和最小子节点权重阈值初始化为每只蚂蚁的位置向量。步骤3：执行蚂蚁群体搜索。步骤4：将数据集输入XGBoost模型进行训练。步骤5：使用XGBoost模型计算每个蚂蚁的目标函数值和信息素值，以识别当前最优蚂蚁。步骤6：检查终止条件。如果迭代次数超过最大迭代次数，则输出最佳群体解以及相应的子采样/收缩因子和最小子节点权重阈值。步骤7：更新信息素。如果未满足终止条件，则返回步骤3。

传统的电梯制动能力评估方法仅依赖于上行和下行制动距离、制动扭矩以及钢丝绳滑动量等信息，而忽略了制动过程中产生的振动和噪声信息。为了全面评估高速电梯的制动能力，首先需要解决在125%额定负载下获取下行制动测试数据的难题。首先，基于空载上行制动性能数据，使用动态等效模型生成125%额定负载下行时的模拟制动数据，从而扩大训练样本集。同时，收集实际运行的空载上行数据以及125%负载下行时的相应测量数据，形成测量样本集。随后，将生成的样本和测量样本输入基于XGBoost的电梯制动能力评估模型进行训练。在此过程中，引入DACO算法自适应调整关键XGBoost超参数，增强模型拟合复杂非线性关系的能力。最终，这一综合框架实现了对电梯制动性能的高精度评估和预测。所提出的综合评估模型的整体工作流程如图4所示。图4. 高速电梯综合制动能力评估的机制与数据双驱动框架。

4. 数据采集与实验分析
4.1. 数据描述
本研究调查了 Otis EMK9K 牵引电梯制动器（Otis Elevator Company，美国康涅狄格州法明顿）。所使用的传感器包括：(1) SVANTEK SV 307A 噪音传感器（SVANTEK Sp. z o.o.，波兰华沙），符合IEC 61672 [29] 1级标准，测量精度为±0.3 dB；(2) WIKA TR10 温度传感器（WIKA Alexander Wiegand SE & Co. KG，德国克林根贝格），A级精度为±(0.15 + 0.002|t|) °C；(3) RAK12033 6轴MEMS加速度计（RAKwireless Technology Limited，中国深圳），加速度测量精度为±0.005 g；(4) Omega TQ201-25 反作用扭矩传感器（OMEGA Engineering Inc.，美国康涅狄格州诺沃克），测量精度为±0.15% FSO，用于测量制动摩擦扭矩；(5) Fluke 振动传感器套件（Fluke Corporation，美国华盛顿州埃弗雷特），在10 Hz–1 kHz范围内的精度为±(5% + 2位)；(6) NOVOtechnik LWH-0100 线性位移传感器（Novotechnik Messwertaufnehmer OHG，德国奥斯特菲尔德恩），线性度为±0.04% FS，分辨率为0.01 mm，用于测量电梯位移。实验电梯制动的物理配置如图5所示，在实验室环境中进行了系统的制动性能测试。图5. 测量装置照片。实验包括两种运行条件：空载上行和125%额定负载下行。测量了关键参数，如电梯轿厢的初始速度、减速过程中的速度变化、张力变化、制动扭矩、振动幅度和制动减速度。如图6所示，125%负载下行制动测试需要手动将重物装入和取出电梯轿厢，这既耗时又费力。此外，加载测试可能会对电梯造成一定的损坏。图6. 125%额定负载测试的重物。测试过程中，使用上述高精度传感器和数据采集系统记录了时间序列信号，获得了400个有效数据集。实验数据如图7所示。在分析之前，所有数据都进行了归一化处理，以消除变量之间的尺度差异[30]。原则上，通过比较空载和125%负载条件下的制动距离和钢丝绳滑动量，可以分析不同负载情况下制动性能的差异，为优化制动控制策略和提高安全评估提供依据。然而，800个样本的数量不足以进行有效的模型训练，限制了模型的性能和泛化能力。因此，需要深入研究样本生成技术。图7. 钢丝绳滑动量和制动距离的测量样本。通过第1节中推导和计算的等效动态模型，获得了125%额定负载下行时的模拟运动数据，以弥补实验样本的不足。根据第2.5节的可行性分析，生成的样本被确认为有效，共获得了800个模拟样本，如图8所示。图8. 生成的钢丝绳滑动量和制动距离样本。为了直观评估生成的样本质量，本研究使用t-SNE对生成样本和测量样本进行了可视化处理。t-SNE是一种广泛使用的算法，它将高维数据投影到低维空间同时保持局部结构[31]。需要注意的是，t-SNE可视化主要作为一种辅助验证工具，提供数据集之间分布相似性的直观但定性的洞察。如图9和图10所示，将高维特征空间降维到二维平面后，生成的样本和测量样本在分布上具有强烈的重叠性和连续性。它们在2D空间中并未形成明显分离的簇，而是相互交织并共享类似的数据流形结构。这直观表明生成的样本有效地学习和再现了测量数据的固有特征和分布模式，具有高保真度和分布一致性，进一步验证了所提出的样本生成方法的有效性。图9. 生成样本与测量制动距离数据之间的分布一致性验证。图10. 生成样本与测量滑动量数据之间的分布一致性验证。

4.2. 实验设置与评估指标
实验计算机配置选择为CPU i5-12600KF、GPU NVIDIA 4060和32 GB RAM。为了验证模型的准确性和有效性，测量数据和生成数据分别按8:1:1的比例分为训练集、测试集和验证集。为确保数据独立性，来自相同实验条件或序列的样本被专门分配到一个子集中，避免不同集合之间的重叠。此外，采取了预防措施以防止潜在的数据泄漏，确保训练集和验证集中不会出现高度相关或重复的样本。使用均方根误差（RMSE）和平均绝对误差（MAE）作为评估模型预测性能的指标[32]。这些指标的计算方法如下：
(36) (37)
其中 表示真实值， 表示预测值， 表示数据维度。RMSE描述了误差的大小，便于决策。MAE是估计值与真实值之间平均绝对误差的均值，反映了实际的估计误差。更小的RMSE和MAE表示更好的预测性能。

4.3. 实验结果分析
4.3.1. 模型超参数设置与训练
初始超参数设置列在表1中。表1. XGBoost的超参数设置。将初始化的参数输入预定义函数（方程（35）进行计算。通过模拟蚂蚁的智能觅食行为，DACO算法在连续迭代过程中动态更新信息素水平和路径选择概率，从而在超参数空间中进行高效的全局优化。最优参数组合对应的最大迭代次数为86次，包括树深度10和学习率0.0888。训练过程中的损失函数曲线如图11所示。图11. 训练过程中的损失曲线。

4.3.2. 模型性能
通过将蚂蚁群体优化引入改进后的XGBoost模型进行全局超参数搜索，预测准确性显著提高。优化后，制动距离预测的RMSE和MAE从7.5453和2.7452分别降低到0.5661和0.0370。此外，钢丝绳滑动量预测的RMSE和MAE从60.0307和1.2200分别降低到7.7401和0.8146。这些结果充分表明，蚂蚁群体算法能够有效搜索最优XGBoost超参数，并全面提升预测性能。比较结果见表2。表2. 优化前后的误差对比。优化前后的误差分布分别如图12所示，其中(a)和(b)显示了优化前后的制动距离误差分布，(c)和(d)显示了相应的滑动量分布。从图12a,b可以看出，优化前制动距离误差集中在负范围内，表明存在系统性低估。分布相对狭窄但总体上偏离零，显示出一致的偏见。优化后，误差分布明显向零集中，平均值由红色虚线标示为约0.0258，表明系统性偏见已大大消除，预测准确性显著提高。对于滑动量，如图12c,d所示，优化前的误差分布更为分散，平均值为约?0.1298（略微偏向负侧），波动范围较大，表明预测受随机因素影响较大且缺乏稳定性。优化后，误差集中在接近零的位置，分布宽度大幅缩小。较低的直方图高度表明大多数样本的预测误差控制在一个非常小的范围内。总体而言，优化后的滑动量预测不仅纠正了系统性偏见，还显著抑制了随机波动，反映了模型性能的有效提升。图12. 优化前后制动距离和滑动量的误差分布。(a) 优化前的制动距离误差分布。(b) 优化后的制动距离误差分布。(c) 优化前的滑动量误差分布。(d) 优化后的滑动量误差分布。

4.3.3. 对比实验
为了进一步验证改进后的XGBoost模型的预测性能，选择了RMSE、MAE等指标进行评估。其中，RMSE反映了预测值与实际值之间平均平方差的平方根，对较大预测误差更敏感；而MAE表示预测值与实际值之间的平均绝对差异，直接衡量了整体预测偏差。较小的RMSE和MAE表示更好的预测性能。这些指标的计算方法如下：
(38) (37)
其中 是样本数量； 是真实值； 是预测值； 是真实值的平均值。 用于评估模型的拟合优度。通常，值越接近1，拟合效果越好。此外，选择了随机森林（RF）模型、遗传算法优化的随机森林（GA-RF）[33]和粒子群优化优化的随机森林（PSO-RF）[34]作为基线，以评估改进后的XGBoost模型的预测性能。预测结果如图14和图15所示。图14显示了四种方法的制动距离预测结果对比；图15显示了四种方法的滑移量预测结果对比。根据图14和图15中的指标比较，改进后的XGBoost模型在两个关键预测任务上均优于传统的RF及其优化版本（GA-RF和PSO-RF）：电梯制动距离和钢丝绳滑移量。在制动距离预测方面（见图14），该模型的均方根误差（RMSE）为0.5561，分别低于RF（27.26%）、GA-RF（10.51%）和PSO-RF（29.09%）。该方法的平均绝对误差（MAE）为0.0370，分别比上述三种模型减少了65.23%、48.68%和56.06%。同时，其性能指标提升到了0.9417，分别比基线模型高出34.49%、20.67%和23.89%，表明在制动距离预测方面具有出色的准确性和稳定性。在钢丝绳滑移量预测方面（见图15），该模型也表现出色。这些结果表明，该模型能够在保持强大解释能力的同时有效抑制误差。

除了预测准确性外，还评估了不同模型的计算效率，以提供更全面的比较。在相同的实验环境和数据集规模下，记录了每个模型的平均训练时间。如表3所示，由于结构较简单，传统的RF模型计算成本相对较低，而GA-RF和PSO-RF模型需要额外的优化迭代，导致计算时间增加。所提出的DACO-XGBoost模型引入了更复杂的优化机制，无疑在计算成本和预测性能之间取得了合理的平衡。为了更直观地展示改进后的XGBoost模型的优势，图16和图17分别比较了四种模型得到的制动距离和钢丝绳滑移量的拟合曲线。通过直接比较曲线形状、趋势跟踪和局部波动，可以清楚地发现模型在拟合准确性、稳定性和泛化能力方面的差异，从而验证了该模型的优越性。最后，为了验证该方法的泛化能力，在不同品牌的电梯上进行了制动性能测试。在无负载和125%负载条件下共进行了四种测试场景。每种场景下进行了五次重复实验以减少随机误差，分析使用了测量和计算结果的平均值。表4和表5展示了杭州西子奥的斯、上海三菱和日立的三种电梯在制动过程中的制动距离和钢丝绳滑移量的平均结果。根据表4和表5，基于五次重复实验的平均结果，该模型在不同品牌电梯的制动性能评估中表现出高预测准确性。对于制动距离预测（表4），杭州西子奥的斯、上海三菱和日立的误差分别为5.36%、2.54%和3.64%；对于钢丝绳滑移量预测（表5），相应的误差分别为6.16%、1.01%和1.19%。在两组结果中，所有预测误差均控制在10%以内，表明计算值与测量值之间有很好的一致性。此外，不同品牌之间的误差相对较小且稳定，证明了该模型的鲁棒性和可靠性。这些结果证实了该模型能够准确预测制动距离和钢丝绳滑移量，其输出与实验数据高度一致。

尽管本研究提出的机制-数据双驱动框架主要是基于等效动态仿真数据和有限的高速电梯测量样本开发和验证的，但需要认识到仿真结果与实际物理电梯制动过程之间存在不可避免的差异。这些差异可能源于等效动态模型中的简化假设，包括恒定的制动摩擦力、短时制动过程中的恒定摩擦系数以及对振动和噪声能量的等同处理。此外，该模型没有考虑实际工作条件，如刹车片的长期性能退化、制动部件的温升、外部环境干扰以及工程应用中常见的传感器测量误差。需要强调的是，本研究的核心目标并不是追求仿真数据和测量制动数据之间的完全数值一致性，而是解决高速电梯在125%额定负载下降制动测试中高劳动强度、低测试效率和测量样本不足的问题，并验证由等效动力学驱动的DACO-XGBoost模型的可行性和预测准确性。所提出的框架侧重于捕捉运行条件与制动性能指标之间的非线性映射关系，以及不同负载状态下制动距离和绳索滑移量的一致变化模式。在这种背景下，等效动态仿真提供了一个可控、可重复且低成本的数据生成环境，特别适合训练数据驱动模型和分析不受重载处理和不可控现场干扰影响的制动性能预测稳定性。因此，本研究中的性能验证和误差分析应被视为在典型工作条件下机制-数据双驱动方法有效性的验证，而不是在复杂现场干扰下的抗干扰能力的全面评估。

为了解决高速电梯在125%额定负载下降制动测试中的高成本和数据稀缺问题，本研究建立了一个基于等效动态机制的仿真信号生成模型，从而丰富了在这种运行条件下的制动过程样本。在此基础上，提出了一种通过动态蚁群优化（DACO）优化的XGBoost预测模型，以实现电梯制动距离和钢丝绳滑移量的高精度预测，为电梯制动能力的定量评估提供了可靠的方法。主要创新点包括：(1) 基于多物理场能量等效性的制动过程高保真动态模型。为了克服125%额定负载下降制动测量数据稀缺的瓶颈，本研究从电梯系统的整体能量传递和耗散机制入手，突破了传统模型仅考虑主导动能-势能转换的限制，建立了从无负载上升状态到满负载下降状态的跨状态映射关系。该模型能够生成多维度、高保真的仿真制动数据，有效扩展了训练样本库，并为后续的数据驱动建模提供了数据支持。(2) 为了解决机器学习超参数优化容易陷入局部最优解的问题，对经典蚁群算法进行了改进。通过设计非线性的、自适应变化的信息素蒸发和强化机制，并动态平衡“全局探索”和“局部利用”之间的搜索策略，显著提高了优化器在复杂参数空间中的稳定性和收敛效率。将这种DACO算法应用于优化关键的XGBoost超参数（如树深度和学习率），实现了模型结构与数据特征之间的精确匹配。(3) 开发了一种基于物理数据生成和智能预测的混合建模框架，实现了复杂制动过程的高精度仿真和定量性能评估。动态机制模型生成物理上一致的数据，弥补了测量数据的不足和差距，而优化的DACO-XGBoost模型从生成数据和测量数据中深度提取高维非线性特征和映射关系。这种方法实现了从无负载上升状态到125%负载下降状态整个运行范围内的电梯制动过程的准确高效数字孪生，显著提高了评估模型在实际工程场景中的适用性和可靠性。未来的工作可以将该模型扩展到其他运行条件，并开发自适应校正机制，进一步增强系统的泛化能力。