[发明专利]一种使用多层感知器神经网络进行电梯故障识别的方法

权利要求书

1.一种使用多层感知器神经网络进行电梯故障识别的方法，其特征在于：包括以下步骤：

A、采集、筛选电梯故障数据，建立数据库，用于多层感知器神经网络训练；

B、程序初始化，读取用于训练所述多层感知器神经网络的电梯故障数据，针对电梯故障识别的特点建立所述多层感知器神经网络

C、训练所述多层感知器神经网络，并测试其对于电梯故障识别的准确率；

D、使用权值已经训练好的多层感知器神经网络模型对实际数据进行故障识别；

E、按照总量控制的原则，选取所述多层感知器神经网络输出中概率较大的故障码作为最终输出；

所述步骤B中建立的神经网络模型是指多层感知器MLP神经网络，且每层神经元个数为80个的双隐层结构；

所述多层感知器神经网络的输入层的输入为方向、门区信号、下次级端站、上次级端站，共39个电梯状态参数，两个隐层的激活函数为Sigmoid函数,两个隐层均有80个神经元，输出层的激活函数为Softmax函数，输出层的输出为门联锁故障、驱动故障、开闸故障，共41个故障类型的概率，这41个概率对应了0-40共41个故障码，代表了每种故障类型发生的概率；

所述多层感知器神经网络输出层激活函数是Softmax函数，公式如下：

p(j)是指输出层第j个输出的概率,a_j是指输出层的第j个输入,为前一级所有输出的加权累加和，M是输出层神经元的总个数，是一个常数，a_k是指输出层的第k个输入,1≤k≤M；传统神经网络的输出层是0-1输出，而所述多层感知器神经网络输出层使用Softmax函数，可以输出多个概率，代表每一个故障码发生的概率，且所有的故障码概率之和为1，这样能够包含更多的电梯故障信息，为电梯维修人员提供参考；

所述多层感知器神经网络的损失函数采用Softmax函数的交叉熵损失函数，公式为：

z_k是输出层第k个正确的输出，是真实值，y_k是第k个实际的输出，是预估值，1≤k≤M；M是输出的总个数，也就是是输出层神经元的总个数，即故障码的个数，其偏导数可以化简为加减运算的形式，便于在计算机或者电梯的单片机中编程和使用；

对于上述损失函数求偏导并化简可得：由此公式根据链式法则得到双隐层结构的反向传播的算法推导如下：

上述推导的反向传播公式在多层感知器神经网络反向传播时，根据误差修正权值V_kj、U_jh、W_hi的时候使用；W_hi、U_jh、V_kj分别是指输入层和隐层0之间的权值、隐层0和隐层1之间的权值、隐层1和输出层之间的权值,θ_h是指隐层0的第h个神经元的激活函数的输出,θ¹_j是指隐层1的第j个神经元的激活函数的输出；x_i是指输入层的第i个输出。

2.根据权利要求1所述的一种使用多层感知器神经网络进行电梯故障识别的方法，其特征在于：所述步骤C中多层感知器神经网络训练方法包括在修正所述权值的时候加入动量项加速收敛，其公式为：

W_hi(t+1)＝W_hi(t)-ΔW_hi(t)·A-▽E(W(t))·B

W_hi(t)指在t这个时刻输入层和隐层0之间的权值，▽E(W(t))是指权值的W(t)的梯度向量，W_hi(t+1)是W_hi(t)的下一次训练的权值，ΔW_hi(t)·A就是加入的动量项，A是动量系数，B是学习速率，在反向传播修正权值的阶段使用上述公式加速收敛。