[发明专利]一种基于深度学习的自注意力电梯困人预测方法

说明书

本发明公开了一种基于深度学习的自注意力电梯困人预测方法，其中深度学习模型接受电梯静态信息和历史动态信息，对输入特征做归一化处理，将处理后的特征传入长短期记忆网络，获得时序抽象特征；将时序抽象特征序列放入自注意力机制层，计算不同时间点的特征对于当前时间点特征的相似性，并加权求和，得到综合全时段信息的当前时间点特征；将综合后的当前时间点特征传入二层全连接层，将特征转换为二元的困人/不困人概率预测；本发明可以在不使用电梯组件具体运行数据的前提下，仅使用电梯的静态数据与历史动态数据，预测电梯在下一个时间点的困人概率，解决电梯在当前物联网设备安装不足的情况下直接有效数据不足的问题。

技术领域

本发明涉及深度学习领域，特别是涉及一种基于深度学习的自注意力电梯困人预测方法。

背景技术

电梯困人时间序列预测，是指根据现有的电梯静态信息与动态信息，预测电梯在下一个时间点的困人概率，是一种典型的复杂设备故障预测。预测电梯困人概率，提前检修高风险电梯，能够有效降低电梯困人事件的发生，保障人民群众的生命财产安全，提高经济生活的运行效率。

现有的故障预测方法大多面向组件级的退化过程，这类退化过程表现为规则性很强的变化形态，并且能够被单一模型很好地建模和预测。然而，对于复杂装备，由于其系统组成及故障机理的复杂性，不同组件之间存在较强的耦合性，难以分别对其单独建模进行故障预测，已有的单一模型很难得到理想的预测效果。为此，部分学者提出组合的故障预测方法，针对现有的变电设备故障率预测模型，往往会出现不同时期的预测数值不尽统一的现象，研究了基于累积失效规律结合灰色线性回归模型的故障率组合预测方法，得到了较单一模型更好的预测效果。然而，组合方法的构建过程复杂、人工依赖性强，且不利于在实际中推广和应用。

实践证明，多数系统的失效率符合浴盆曲线规律，在系统投入使用的早期磨合过程中，其故障可通过试运转或系统联调等方式解决。经过磨合期后系统进入平稳运行阶段，该阶段的故障诱因多为非规程的不当操作，因此在平稳运行阶段具有失效率低、运行稳定等特点。随着运行年限的增长，其组件表现出明显的退化状态，系统进入损耗失效期，该时期故障多为渐变故障。复杂装备兼具电气和机械双重特性，并且长期处于复杂多变的工作环境，零部件容易磨损和老化，其性能退化至完全失效往往要经历较长时间，因此渐变故障所占的比重更大。

随着系统安全性与可靠性要求的进一步提高，人们更希望根据装备实时状态监测信息，对其渐变故障的演变过程进行分析，从而预测装备未来的运行状况。因此，一种基于深度学习的自注意力电梯困人时间序列预测模型是迫切需要的。

发明内容

本发明的目的是解决现有技术的不足，提供一种基于深度学习的自注意力电梯困人预测方法。

为了解决上述问题，本发明采用如下技术方案：

一种基于深度学习的自注意力电梯困人预测方法，包括如下步骤：

步骤1：根据电梯相关的静态信息及动态信息，结合困人记录以及故障记录，作为模型训练过程的输入，传入深度学习模型；

步骤2：将输入信息分类连接，并对同一类型的输入信息完成归一化处理；

步骤 3：根据时间序列拼接静态信息和动态信息；将拼接后的特征信息传入长短期记忆网络，获得时序抽象特征；

步骤4：将获取的时序抽象特征传入自注意力机制层，计算不同时间点的特征对于当前时间点特征的相似性，并加权求和，得到综合全时段信息的当前时间点特征；

步骤5：将综合时序特征传入两层全连接层，并将特征转换为困人预测概率；

步骤6：判断模型是否已完成训练；若模型未完成训练，则进入步骤7；否则，进入步骤8；

步骤7：模型未完成训练，则将模型预测困人概率与真实困人情况传入交叉熵损失函数，计算预测损失，并通过反向传播更新神经网络参数，完成模型训练，返回步骤1；