[发明专利]一种基于深度自编码器的自动扶梯故障识别与预警方法

权利要求书

1.一种基于深度自编码器的自动扶梯故障识别与预警方法，其特征在于，包括以下步骤：

步骤1、数据获取与预处理：通过振动传感器采集自动扶梯梯级与驱动装置的加速度数据，将原始数据通过滑动窗口聚合，并将小部分数据打上标签；将数据划分为训练集、测试集；

步骤2、基于深度自编码器的模型训练：基于深度自编码器的故障识别模型共由三部分组成，编码器、解码器与分类器；首先用编码器与解码器搭建模型，用无标签的训练集进行训练模型权重；基于该权重，然后用编码器与解码器搭建模型，用小部分有标签的训练集进行二次训练模型权重；训练完成后，保存模型；

步骤3、基于深度自编码器的模型测试：将待分析的自动扶梯运行数据输入到模型中，编码器将输出数据特征，编码器与分类器构成的模型将输出故障识别结果；

步骤4、基于t-SNE算法的数据可视化：将模型提取的数据特征作为t-SNE算法的输入，t-SNE算法输出数据特征的二维或三维可视化结果。

2.根据权利要求1所述的基于深度自编码器的自动扶梯故障识别与预警方法，其特征在于，步骤1通过CTC-AC102传感器采集自动扶梯梯级与驱动装置的加速度数据，首先在梯级无故障的情况下，在驱动主机上安装振动传感器，分别获取驱动主机无故障、驱动主机制动器不良与驱动电机故障时候的振动数据；其次在驱动主机无故障时，分别获取梯级无故障、梯级支架盖断裂、梯级滚轮损坏时的振动数据；并将原始数据通过滑动窗口聚合，窗口大小为48，滑动步长为32；并将小部分数据打上标签，标签包括驱动装置无故障、驱动装置制动器工作不良、驱动装置电机故障、梯级无故障、梯级支架盖断裂、梯级滚轮损坏，分别用0-5表示；最后将数据划分为训练集、测试集。

3.根据权利要求1所述的基于深度自编码器的自动扶梯故障识别与预警方法，其特征在于，步骤2基于深度自编码器的故障识别模型共由三部分组成，编码器、解码器与分类器；首先用编码器与解码器搭建模型，用无标签的训练集进行训练模型权重；基于该权重，然后用编码器与解码器搭建模型，用小部分有标签的训练集进行二次训练模型权重；训练完成后，保存模型。

4.根据权利要求1所述的基于深度自编码器的自动扶梯故障识别与预警方法，其特征在于，步骤3将待分析的自动扶梯运行数据输入到模型中，编码器将输出数据特征，编码器与分类器构成的模型将输出故障识别结果；故障识别结果通过混淆矩阵进行可视化，混淆矩阵是实现分类算法性能的有效可视化工具；并根据评价指标对模型识别效果进行评价，衡量模型常用的指标有准确率，精确率precision，召回率recall与F-score；其计算方式如下：

其中TP_i表示数据属于第i类，模型将其分到第i类；FP_i表示数据不属于第i类，模型将其分到i类；FN_i表示数据属于第i类，模型将其分到其他类。

5.根据权利要求1所述的基于深度自编码器的自动扶梯故障识别与预警方法，其特征在于，步骤4将模型提取的数据特征输入t-SNE算法，t-SNE算法输出数据特征的二维或三维可视化结果；数据初始维度为48，然后使用深度自编码器降维对数据进行初步降维，初步降维后数据维度为8；再使用t-SNE算法将数据降至2维以可视化。