[发明专利]基于深度学习的电梯设备故障预测方法

说明书

本发明基于深度学习的电梯设备故障预测方法，属于电梯故障预测技术领域；所要解决的技术问题为提供一种及时、准确的预测电梯故障类型和电梯故障时间的方法；为了解决上述技术问题，本发明具体步骤概括为：先采集电梯故障记录信息，建立实时电梯故障信息库；然后将电梯故障信息处理为事件序列和时间序列；再将事件序列和时间序列分别作为双LSTM的输入数据，经过循环神经网络的迭代训练得到两序列的输出embedding；再经过joint layer联合两个输出embedding，训练得到强度函数的背景知识和历史影响的非线性表示；最后根据强度函数的表征结果，预测电梯故障类型和时间；本发明可辅助电梯维修人员及早采取相关预防措施，避免故障事件的发生。

技术领域

本发明基于深度学习的电梯设备故障预测方法，属于电梯故障预测技术领域。

背景技术

随着高层建筑的不断增多，电梯的质量备受人们的关注。故障停梯、运行不畅甚至发生事故的电梯已经影响人们的日常生活。降低电梯的故障率，及时、准确检测排除故障的方法需要进一步研究。目前的电梯故障诊断及检测方法多是结合电梯结构与原理，提出针对电梯的机械系统、电气控制系统和安全保护系统的检测方法，但是这需要消耗大量的分析时间。

发明内容

本发明克服现有技术存在的不足，所要解决的技术问题为提供一种及时、准确的基于深度学习的电梯设备故障预测方法，达到预测电梯故障类型和电梯故障时间的目的，使得维修师傅可以根据预测结果定期去检测，降低电梯故障的发生率。

为了解决上述技术问题，本发明采用的技术方案为：基于深度学习的电梯设备故障预测方法，包括如下步骤：

步骤1、建立实时电梯故障信息库，依据故障信息相关、信息完整、信息非重复、故障信息非人为错误的操作四原则，筛选有效电梯故障信息作为网络的预处理信息序列，电梯故障信息包括故障记录信息和电梯基本信息，其中故障记录信息包括：电梯故障类型、故障原因和故障时间，电梯基本信息包括：电梯生产日期、电梯所处位置、电梯型号和电梯寿命；

步骤2、构造时间序列，包括两种特征：1)统计各种类型的电梯故障次数，2)电梯基本信息，这两种特征联合起来构成时间序列；

步骤3、构造事件序列，包括两种特征：1)按照故障发生时间先后为顺序排列的电梯故障类型的数据记录序列，2)相邻两故障事件间的时间间隔，这两种特征联合起来构成事件序列；

步骤4、构建LSTM神经网络；

步骤5、运用双LSTM神经网络训练时间序列和事件序列，得到强度函数的背景知识表征和历史影响表征；

步骤6、通过联合层joint layer融合背景知识表征和历史影响表征；

步骤7、利用通过双LSTM学习到的强度函数，通过故障类型预测层预测出电梯故障类型，利用分类损失层量化类别预测的损失值；

步骤8、利用通过双LSTM学习到的强度函数，通过故障时间预测层预测出电梯故障时间，利用回归损失层量化时间预测的损失值；

步骤9、基于步骤7和步骤8不断迭代训练神经网络模型，获得最优的网络模型，然后使用训练好的最优模型，通过故障类型预测层和故障时间预测层分别预测出电梯故障的类型和电梯故障时间；

步骤10、完善优化模型，电梯故障信息库实时更新，将实时更新的数据输入到模型中测试模型的准确性，并根据实际反馈情况修正完善模型。

具体的，所述步骤2中“构造时间序列”的做法为：假定被测电梯共有M台，有效故障类型种类共有N种，电梯故障时间窗口数为n，则能将第i台电梯第j个时间窗口的第k种故障类型有效故障数量记为1)以一周为时间窗口，统计各种故障类型次数2)电梯基本信息，这两种特征联合起来构成时间序列数据，具体表示如下所示：