[发明专利]基于深度学习的电梯困人特征解析与时间序列预测模型构建方法、所得模型及预测方法

说明书

本发明涉及基于深度学习的电梯困人特征解析与时间序列预测模型构建方法、所得模型及预测方法。该构建方法包括采集电梯原始数据，采用软标签，将稀疏特征和密集特征转换，拼接，传入LSTM神经网络计算得到时序抽象特征，传入全连接层并转换为预测困人概率，以交叉熵损失函数计算预测损失，并通过反向传播更新LSTM神经网络参数以训练模型。该预测方法包括采用构建方法获得多个预测模型，利用侧重点略有差别的多个预测模型进行综合处理并得到综合困人概率作为预测结果。本发明能在不使用电梯组件具体运行数据的前提下，使用软标签、电梯的静态数据与历史动态数据，学习到电梯困人事件的相关特征，预测电梯在下一个时间点的困人概率。

技术领域

本发明涉及一种基于深度学习的电梯困人特征解析与时间序列预测模型构建方法，由该构建方法获得的预测模型，以及采用该模型的预测方法，属于计算机科学与技术、深度学习、设备安全、故障预测技术领域。

背景技术

故障预测，是指基于存储在大数据存储与分析平台中的数据，通过设备使用数据、工况数据、主机及配件性能数据、配件更换数据等设备与服务数据，进行设备故障、服务、配件需求的预测，为主动服务提供技术支撑，延长设备使用寿命，降低故障率。

现有的故障预测方法大多面向简单、规则性较强的变化形态。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，通过研究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，该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。

深度学习是通过模拟人脑神经元的活动，输入大量的历史数据，以学习到样本数据的内在规律和表示形式。当前在自然语言处理、语音识别、人脸识别等多个领域，深度学习已经取得了大量的成果。由于深度学习原理的抽象性，能够快速地运用到新领域中。

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的历史运行数据，对其运行状态进行分析，预测装备未来的运行状况，减少装备的故障率。具体到电梯安全领域，当前仍然存在着大量不具备物联网设备安装条件从而缺乏电梯组件具体运行数据的老旧电梯，这类电梯往往只有静态数据和历史动态数据，采用现有的故障预测模型及方法会因直接有效数据不足而难以实现有效预测。因此，迫切需要研制出能够仅仅使用电梯的静态数据与历史动态数据实现有效预测的预测模型及方法。

经检索发现，申请号CN202110977026.1、申请公布号CN113734928A的发明专利，公开了一种基于神经网络的在用电梯故障预测方法，利用传感器采集电梯的运行数据，针对采集数据建立电梯故障预测模型；传感器采集信号后通过采集装置内的4G模块传输给后台处理系统。后台数据处理装置利用神经网络模型根据电梯运行状态参数对电梯往后一段时间可能发生的故障类型进行有效预测。然而，以该技术方案为代表的现有技术并不能仅凭电梯的静态数据与历史动态数据实现有效预测，这就很难套用到前文提到的老旧电梯上进行预测。

此外，申请号CN202010861302.3、申请公布号CN112001548A的发明专利公开了一种基于深度学习的OD客流预测方法。虽然此类预测方法也采用了深度学习技术，但是并未教导如何将该技术进行改进以适应于前文提到的老旧电梯进行有效预测。

发明内容

本发明的主要目的是：克服现有技术存在的问题，提供一种基于深度学习的电梯困人特征解析与时间序列预测模型构建方法，该方法构建所得模型，以及采用该模型的预测方法，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，抽取电梯的时序特征，预测电梯在下一个时间点的困人概率，从而针对不具备物联网设备安装条件而缺乏电梯组件具体运行数据的老旧电梯给出可行有效的解决方案。

本发明解决其技术问题的技术方案如下：