[发明专利]基于深度学习的电梯设备故障预测方法

摘要

本发明基于深度学习的电梯设备故障预测方法，属于电梯故障预测技术领域；所要解决的技术问题为提供一种及时、准确的预测电梯故障类型和电梯故障时间的方法；为了解决上述技术问题，本发明具体步骤概括为：先采集电梯故障记录信息，建立实时电梯故障信息库；然后将电梯故障信息处理为事件序列和时间序列；再将事件序列和时间序列分别作为双LSTM的输入数据，经过循环神经网络的迭代训练得到两序列的输出embedding；再经过joint layer联合两个输出embedding，训练得到强度函数的背景知识和历史影响的非线性表示；最后根据强度函数的表征结果，预测电梯故障类型和时间；本发明可辅助电梯维修人员及早采取相关预防措施，避免故障事件的发生。

主权项

1.基于深度学习的电梯设备故障预测方法，其特征在于，包括如下步骤：步骤1、建立实时电梯故障信息库，依据故障信息相关、信息完整、信息非重复、故障信息非人为错误的操作四原则，筛选有效电梯故障信息作为网络的预处理信息序列，电梯故障信息包括故障记录信息和电梯基本信息，其中故障记录信息包括：电梯故障类型、故障原因和故障时间，电梯基本信息包括：电梯生产日期、电梯所处位置、电梯型号和电梯寿命；步骤2、构造时间序列，包括两种特征：1)统计各种类型的电梯故障次数，2)电梯基本信息，这两种特征联合起来构成时间序列；步骤3、构造事件序列，包括两种特征：1)按照故障发生时间先后为顺序排列的电梯故障类型的数据记录序列，2)相邻两故障事件间的时间间隔，这两种特征联合起来构成事件序列；步骤4、构建LSTM神经网络；步骤5、运用双LSTM神经网络训练时间序列和事件序列，得到强度函数的背景知识表征和历史影响表征；步骤6、通过联合层joint layer融合背景知识表征和历史影响表征；步骤7、利用通过双LSTM学习到的强度函数，通过故障类型预测层预测出电梯故障类型，利用分类损失层量化类别预测的损失值；步骤8、利用通过双LSTM学习到的强度函数，通过故障时间预测层预测出电梯故障时间，利用回归损失层量化时间预测的损失值；步骤9、基于步骤7和步骤8不断迭代训练神经网络模型，获得最优的网络模型，然后使用训练好的最优模型，通过故障类型预测层和故障时间预测层分别预测出电梯故障的类型和电梯故障时间；步骤10、完善优化模型，电梯故障信息库实时更新，将实时更新的数据输入到模型中测试模型的准确性，并根据实际反馈情况修正完善模型。