[發(fā)明專(zhuān)利]一種基于深度學(xué)習(xí)的自注意力電梯困人預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202210192632.7
• 申請(qǐng)日: 2022-03-01
• 公開(kāi)（公告）號(hào): CN114266201B
• 公開(kāi)（公告）日: 2022-07-22
• 發(fā)明（設(shè)計(jì)）人: 王黎斌;汪宏;李偉忠;鄧麗芬;許衛(wèi)全;張宇;周東;王啟洲;王陸嘉;朱俊超;周原冰;吳斌;馬舜
• 申請(qǐng)（專(zhuān)利權(quán)）人: 杭州市特種設(shè)備檢測(cè)研究院（杭州市特種設(shè)備應(yīng)急處置中心）
• 主分類(lèi)號(hào): G06F30/27
• 分類(lèi)號(hào): G06F30/27;G06N3/04;G06N3/08;G06Q10/04;G06F111/08
• 代理公司: 杭州天昊專(zhuān)利代理事務(wù)所(特殊普通合伙) 33283
• 代理人: 董世博

本發(fā)明公開(kāi)了一種基于深度學(xué)習(xí)的自注意力電梯困人預(yù)測(cè)方法，其中深度學(xué)習(xí)模型接受電梯靜態(tài)信息和歷史動(dòng)態(tài)信息，對(duì)輸入特征做歸一化處理，將處理后的特征傳入長(zhǎng)短期記憶網(wǎng)絡(luò)，獲得時(shí)序抽象特征；將時(shí)序抽象特征序列放入自注意力機(jī)制層，計(jì)算不同時(shí)間點(diǎn)的特征對(duì)于當(dāng)前時(shí)間點(diǎn)特征的相似性，并加權(quán)求和，得到綜合全時(shí)段信息的當(dāng)前時(shí)間點(diǎn)特征；將綜合后的當(dāng)前時(shí)間點(diǎn)特征傳入二層全連接層，將特征轉(zhuǎn)換為二元的困人/不困人概率預(yù)測(cè)；本發(fā)明可以在不使用電梯組件具體運(yùn)行數(shù)據(jù)的前提下，僅使用電梯的靜態(tài)數(shù)據(jù)與歷史動(dòng)態(tài)數(shù)據(jù)，預(yù)測(cè)電梯在下一個(gè)時(shí)間點(diǎn)的困人概率，解決電梯在當(dāng)前物聯(lián)網(wǎng)設(shè)備安裝不足的情況下直接有效數(shù)據(jù)不足的問(wèn)題。

技術(shù)領(lǐng)域

本發(fā)明涉及深度學(xué)習(xí)領(lǐng)域，特別是涉及一種基于深度學(xué)習(xí)的自注意力電梯困人預(yù)測(cè)方法。

背景技術(shù)

電梯困人時(shí)間序列預(yù)測(cè)，是指根據(jù)現(xiàn)有的電梯靜態(tài)信息與動(dòng)態(tài)信息，預(yù)測(cè)電梯在下一個(gè)時(shí)間點(diǎn)的困人概率，是一種典型的復(fù)雜設(shè)備故障預(yù)測(cè)。預(yù)測(cè)電梯困人概率，提前檢修高風(fēng)險(xiǎn)電梯，能夠有效降低電梯困人事件的發(fā)生，保障人民群眾的生命財(cái)產(chǎn)安全，提高經(jīng)濟(jì)生活的運(yùn)行效率。

現(xiàn)有的故障預(yù)測(cè)方法大多面向組件級(jí)的退化過(guò)程，這類(lèi)退化過(guò)程表現(xiàn)為規(guī)則性很強(qiáng)的變化形態(tài)，并且能夠被單一模型很好地建模和預(yù)測(cè)。然而，對(duì)于復(fù)雜裝備，由于其系統(tǒng)組成及故障機(jī)理的復(fù)雜性，不同組件之間存在較強(qiáng)的耦合性，難以分別對(duì)其單獨(dú)建模進(jìn)行故障預(yù)測(cè)，已有的單一模型很難得到理想的預(yù)測(cè)效果。為此，部分學(xué)者提出組合的故障預(yù)測(cè)方法，針對(duì)現(xiàn)有的變電設(shè)備故障率預(yù)測(cè)模型，往往會(huì)出現(xiàn)不同時(shí)期的預(yù)測(cè)數(shù)值不盡統(tǒng)一的現(xiàn)象，研究了基于累積失效規(guī)律結(jié)合灰色線(xiàn)性回歸模型的故障率組合預(yù)測(cè)方法，得到了較單一模型更好的預(yù)測(cè)效果。然而，組合方法的構(gòu)建過(guò)程復(fù)雜、人工依賴(lài)性強(qiáng)，且不利于在實(shí)際中推廣和應(yīng)用。

實(shí)踐證明，多數(shù)系統(tǒng)的失效率符合浴盆曲線(xiàn)規(guī)律，在系統(tǒng)投入使用的早期磨合過(guò)程中，其故障可通過(guò)試運(yùn)轉(zhuǎn)或系統(tǒng)聯(lián)調(diào)等方式解決。經(jīng)過(guò)磨合期后系統(tǒng)進(jìn)入平穩(wěn)運(yùn)行階段，該階段的故障誘因多為非規(guī)程的不當(dāng)操作，因此在平穩(wěn)運(yùn)行階段具有失效率低、運(yùn)行穩(wěn)定等特點(diǎn)。隨著運(yùn)行年限的增長(zhǎng)，其組件表現(xiàn)出明顯的退化狀態(tài)，系統(tǒng)進(jìn)入損耗失效期，該時(shí)期故障多為漸變故障。復(fù)雜裝備兼具電氣和機(jī)械雙重特性，并且長(zhǎng)期處于復(fù)雜多變的工作環(huán)境，零部件容易磨損和老化，其性能退化至完全失效往往要經(jīng)歷較長(zhǎng)時(shí)間，因此漸變故障所占的比重更大。

隨著系統(tǒng)安全性與可靠性要求的進(jìn)一步提高，人們更希望根據(jù)裝備實(shí)時(shí)狀態(tài)監(jiān)測(cè)信息，對(duì)其漸變故障的演變過(guò)程進(jìn)行分析，從而預(yù)測(cè)裝備未來(lái)的運(yùn)行狀況。因此，一種基于深度學(xué)習(xí)的自注意力電梯困人時(shí)間序列預(yù)測(cè)模型是迫切需要的。

發(fā)明內(nèi)容

本發(fā)明的目的是解決現(xiàn)有技術(shù)的不足，提供一種基于深度學(xué)習(xí)的自注意力電梯困人預(yù)測(cè)方法。

為了解決上述問(wèn)題，本發(fā)明采用如下技術(shù)方案：

一種基于深度學(xué)習(xí)的自注意力電梯困人預(yù)測(cè)方法，包括如下步驟：

步驟1：根據(jù)電梯相關(guān)的靜態(tài)信息及動(dòng)態(tài)信息，結(jié)合困人記錄以及故障記錄，作為模型訓(xùn)練過(guò)程的輸入，傳入深度學(xué)習(xí)模型；

步驟2：將輸入信息分類(lèi)連接，并對(duì)同一類(lèi)型的輸入信息完成歸一化處理；

步驟 3：根據(jù)時(shí)間序列拼接靜態(tài)信息和動(dòng)態(tài)信息；將拼接后的特征信息傳入長(zhǎng)短期記憶網(wǎng)絡(luò)，獲得時(shí)序抽象特征；

步驟4：將獲取的時(shí)序抽象特征傳入自注意力機(jī)制層，計(jì)算不同時(shí)間點(diǎn)的特征對(duì)于當(dāng)前時(shí)間點(diǎn)特征的相似性，并加權(quán)求和，得到綜合全時(shí)段信息的當(dāng)前時(shí)間點(diǎn)特征；

步驟5：將綜合時(shí)序特征傳入兩層全連接層，并將特征轉(zhuǎn)換為困人預(yù)測(cè)概率；

步驟6：判斷模型是否已完成訓(xùn)練；若模型未完成訓(xùn)練，則進(jìn)入步驟7；否則，進(jìn)入步驟8；

步驟7：模型未完成訓(xùn)練，則將模型預(yù)測(cè)困人概率與真實(shí)困人情況傳入交叉熵?fù)p失函數(shù)，計(jì)算預(yù)測(cè)損失，并通過(guò)反向傳播更新神經(jīng)網(wǎng)絡(luò)參數(shù)，完成模型訓(xùn)練，返回步驟1；