[發明專利]一種使用多層感知器神經網絡進行電梯故障識別的方法

有效

• 申請號: 201711083773.0
• 申請日: 2017-11-07
• 公開（公告）號: CN107886168B
• 公開（公告）日: 2018-11-09
• 發明（設計）人: 張夏;張洪達;劉斌
• 申請（專利權）人: 歌拉瑞電梯股份有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;B66B5/02
• 代理公司: 北京盛凡智榮知識產權代理有限公司 11616
• 代理人: 戴翔

1.一種使用多層感知器神經網絡進行電梯故障識別的方法，其特征在于：包括以下步驟：

A、采集、篩選電梯故障數據，建立數據庫，用于多層感知器神經網絡訓練；

B、程序初始化，讀取用于訓練所述多層感知器神經網絡的電梯故障數據，針對電梯故障識別的特點建立所述多層感知器神經網絡

C、訓練所述多層感知器神經網絡，并測試其對于電梯故障識別的準確率；

D、使用權值已經訓練好的多層感知器神經網絡模型對實際數據進行故障識別；

E、按照總量控制的原則，選取所述多層感知器神經網絡輸出中概率較大的故障碼作為最終輸出；

所述步驟B中建立的神經網絡模型是指多層感知器MLP神經網絡，且每層神經元個數為80個的雙隱層結構；

所述多層感知器神經網絡的輸入層的輸入為方向、門區信號、下次級端站、上次級端站，共39個電梯狀態參數，兩個隱層的激活函數為Sigmoid函數,兩個隱層均有80個神經元，輸出層的激活函數為Softmax函數，輸出層的輸出為門聯鎖故障、驅動故障、開閘故障，共41個故障類型的概率，這41個概率對應了0-40共41個故障碼，代表了每種故障類型發生的概率；

所述多層感知器神經網絡輸出層激活函數是Softmax函數，公式如下：

p(j)是指輸出層第j個輸出的概率,a_j是指輸出層的第j個輸入,為前一級所有輸出的加權累加和，M是輸出層神經元的總個數，是一個常數，a_k是指輸出層的第k個輸入,1≤k≤M；傳統神經網絡的輸出層是0-1輸出，而所述多層感知器神經網絡輸出層使用Softmax函數，可以輸出多個概率，代表每一個故障碼發生的概率，且所有的故障碼概率之和為1，這樣能夠包含更多的電梯故障信息，為電梯維修人員提供參考；

所述多層感知器神經網絡的損失函數采用Softmax函數的交叉熵損失函數，公式為：

z_k是輸出層第k個正確的輸出，是真實值，y_k是第k個實際的輸出，是預估值，1≤k≤M；M是輸出的總個數，也就是是輸出層神經元的總個數，即故障碼的個數，其偏導數可以化簡為加減運算的形式，便于在計算機或者電梯的單片機中編程和使用；

對于上述損失函數求偏導并化簡可得：由此公式根據鏈式法則得到雙隱層結構的反向傳播的算法推導如下：

上述推導的反向傳播公式在多層感知器神經網絡反向傳播時，根據誤差修正權值V_kj、U_jh、W_hi的時候使用；W_hi、U_jh、V_kj分別是指輸入層和隱層0之間的權值、隱層0和隱層1之間的權值、隱層1和輸出層之間的權值,θ_h是指隱層0的第h個神經元的激活函數的輸出,θ¹_j是指隱層1的第j個神經元的激活函數的輸出；x_i是指輸入層的第i個輸出。

2.根據權利要求1所述的一種使用多層感知器神經網絡進行電梯故障識別的方法，其特征在于：所述步驟C中多層感知器神經網絡訓練方法包括在修正所述權值的時候加入動量項加速收斂，其公式為：

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

W_hi(t)指在t這個時刻輸入層和隱層0之間的權值，▽E(W(t))是指權值的W(t)的梯度向量，W_hi(t+1)是W_hi(t)的下一次訓練的權值，ΔW_hi(t)·A就是加入的動量項，A是動量系數，B是學習速率，在反向傳播修正權值的階段使用上述公式加速收斂。