[发明专利]基于云边协同的电梯故障预测方法及装置

权利要求书

1.基于云边协同的电梯故障预测方法，其特征在于，包括：

云端设备将预置的故障预测模型的全局初始参数加密广播至各个边端设备；

各个所述边端设备实时采集电梯设备运行的声纹数据，并根据预置的时频转换函数对所述声纹数据进行短时傅里叶变换，得到对应的频域信息；

各个所述边端设备获取所述全局初始参数，基于对应的频域信息和所述全局初始参数对本地预置的故障预测模型进行模型训练，得到对应的局部模型参数，并将所述局部模型参数加密后传输至所述云端设备；

所述云端设备接收并解密来自各个所述边端设备的局部模型参数，根据加权算法对全局模型进行更新，并将更新后得到的全局模型参数下发给所有边端设备，使各个所述边端设备持续对自身的局部模型参数进行迭代，直至达到预设条件，得到最终预测模型；

各个所述边端设备基于当前时刻所述电梯设备对应的目标频域信息和所述最终预测模型，对所述电梯设备故障的概率进行预测，得到对应的预测概率矩阵并将所述预测概率上传至所述云端设备；

所述云端设备对所述预测概率矩阵进行筛选，得到所述电梯设备的故障概率，并根据所述故障概率进行对应的处理。

2.根据权利要求1所述的基于云边协同的电梯故障预测方法，其特征在于，所述根据预置的时频转换函数对所述声纹数据进行短时傅里叶变换，得到对应的频域信息，包括：

按以下公式对所述声纹数据进行短时傅里叶变换：

δ(n,w)＝10log₁₀(|X(n,w)|²)，

其中，x(m)表示输入的声纹数据的离散样本；w(m)表示窗函数；e表示自然常数；X(n,w)表示定义在时域n和频域w上的二维函数；j表示虚数单位；δ(n,w)表示定义在时域n和频域w上的频域信息。

3.根据权利要求1所述的基于云边协同的电梯故障预测方法，其特征在于，所述云端设备接收并解密来自各个所述边端设备的局部模型参数，根据加权对全局模型进行更新，包括：

按以下公式对全局模型的模型参数进行更新：

其中，表示电梯设备m的第s+1轮的全局模型；表示电梯设备m的第s+1轮的本地模型；n_m,c表示电梯设备m在本轮训练中本地模型的数据量；表示电梯设备m参与本轮训练的所有本地模型的总数据量。

4.根据权利要求1所述的基于云边协同的电梯故障预测方法，其特征在于，所述故障预测模型采用CNN-GRU模型，所述CNN-GRU模型包括CNN模块和GRU模块；

所述基于对应的频域信息和所述全局初始参数对本地的故障预测模型进行模型训练，包括：

将所述频域信息输入所述CNN-GRU模型的CNN模块，通过所述CNN模块对所述频域信息进行特征提取，得到特征向量；

将所述特征向量输入所述CNN-GRU模型的GRU模块中，通过所述GRU模块对所述特征向量进行学习和归一化，得到所述特征向量对应的概率，并对所述全局初始参数进行更新迭代。

5.根据权利要求4所述的基于云边协同的电梯故障预测方法，其特征在于，所述CNN模块包括第一网络结构、第二网络结构、第三网络结构和第四网络结构，所述第一网络结构、第二网络结构、第三网络结构和第四网络结构均由两层卷积层、一层最大池化层以及若干个正则化层组成；

所述通过所述CNN模块的对所述频域信息进行特征提取，得到特征向量，包括：

依次经过所述第一网络结构的两层卷积层及对应的正则化层对所述频域信息进行卷积和归一化，接着经过所述第一网络结构的最大池化层对输出的特征进行池化，得到第一提取特征；

依次经过所述第二网络结构的两层卷积层及对应的正则化层对所述第一提取特征进行卷积和归一化，接着经过所述第二网络结构的最大池化层对输出的特征进行池化，得到第二提取特征；

依次经过所述第三网络结构的两层卷积层及对应的正则化层对所述第二提取特征进行不同的特征提取，接着经过所述第三网络结构的最大池化层对输出的特征进行池化，得到第三提取特征；

依次经过所述第四网络结构的两层卷积层及对应的正则化层对所述第三提取特征进行卷积和归一化，接着经过所述第四网络结构的最大池化层对输出的特征进行池化，得到所述特征向量。