CN109033450B - 基于深度学习的电梯设备故障预测方法 - Google Patents

Abstract

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。

Description

基于深度学习的电梯设备故障预测方法

技术领域

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。

背景技术

随着高层建筑的不断增多，电梯的质量备受人们的关注。故障停梯、运行不畅甚至发生事故的电梯已经影响人们的日常生活。降低电梯的故障率，及时、准确检测排除故障的方法需要进一步研究。目前的电梯故障诊断及检测方法多是结合电梯结构与原理，提出针对电梯的机械***、电气控制***和安全保护***的检测方法，但是这需要消耗大量的分析时间。

发明内容

本发明克服现有技术存在的不足，所要解决的技术问题为提供一种及时、准确的基于深度学习的电梯设备故障预测方法，达到预测电梯故障类型和电梯故障时间的目的，使得维修师傅可以根据预测结果定期去检测，降低电梯故障的发生率。

为了解决上述技术问题，本发明采用的技术方案为：基于深度学习的电梯设备故障预测方法，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。

具体的，所述步骤2中“构造时间序列”的做法为：假定被测电梯共有M台，有效故障类型种类共有N种，电梯故障时间窗口数为n，则能将第i台电梯第j个时间窗口的第k种故障类型有效故障数量记为

1)以一周为时间窗口，统计各种故障类型次数

2)电梯基本信息，这两种特征联合起来构成时间序列数据，具体表示如下所示：

其中m表示电梯型号，d表示电梯生产日期，l表示电梯所处位置，n表示电梯故障时间窗口数，上述表示中以双横线为例表示第M台电梯在第一个时间窗口中，N种故障类型的统计次数和电梯基本信息的表示单元。

具体的，所述步骤3中“构造事件序列”的做法为：1)将所有电梯信息根据电梯id不同分开存储，将电梯故障时间换算为时间戳数据，对于每台电梯按照故障发生时间排列电梯故障类型，2)计算每台电梯相邻故障事件的间隔时间，3)故障类型T和时间戳间隔I组成事件序列最小单元，具体表示如下所示：

所述电梯id表示电梯的唯一标志——电梯号。

具体的，所述步骤4中“构建LSTM神经网络”的做法为：

本发明中使用的循环神经网络变式LSTM具体公式定义如下：

i_t＝g(W_i x_t+U_iy_t-1+V_ic_t-1+b_i)，

f_t＝g(W_fx_t+U_fy_t-1+V_fc_t-1+b_f),

c_t＝f_tc_t-1+i_t⊙tanh(W_cx_t+U_cy_t-1+b_c),

o_t＝g(W_ox_t+U_oy_t-1+V_oc_t+b_o),

y_t＝o_t⊙tanh(c_t)

以上是LSTM中输入门，遗忘门，单元状态，和输出门的计算公式，其中i_t表示输入门的计算公式，f_t表示遗忘门的计算公式，c_t表示单元状态计算公式，o_t和y_t共同表示输出门的计算公式，o_t表示利用g函数确定单元状态的哪个部分将输出出去，最后y_t表示把单元状态利用tanh处理之后和o_t相乘即为确定要输出的部分；其中U，V分别为神经网络训练需要学习的参数矩阵，⊙代表数组元素依次相乘，函数g采用sigmoid激活函数，

表示输入序列，

表示生成隐含层状态，以上公式可以简化为公式：(y_t,c_t)＝LSTM(x_ty_t-1+c_t-1)。

其中，LSTM构建过程具体做法如下：

(1)网络初始化：确定网络的输入层节点数i、隐含层节点数j、输出层节点数k和单元状态维度，初始化输入层、隐含层和输出层神经元间的连接权值，输入门、遗忘门、输出门和细胞单元的连接权重W_i,W_f,W_O,W_c，初始化阈值b_f,b_c,b_o,b_i，给定学习速率和神经元激励函数；

(2)计算每个神经元的输出值：对于LSTM即为f_t,i_t,c_t,o_t,h_t；

(3)误差计算：根据预测输出和预期输出矩阵反向计算每个神经元的误差项；

(4)权值更新：根据网络预测误差更新网络连接权值W_i,W_f,W_O,W_c；

(5)阈值更新：根据网络预测误差更新网络节点阈值b_f,b_c,b_o,b_i；

(6)判断是否结束，若没有结束返回步骤(2)；

(7)结束后，使用训练好的双LSTM神经网络进入步骤5；

具体的，所述步骤5中“运用双LSTM神经网络训练时间序列和事件序列”的做法为：

具体公式如下所示：

上式中

表示时间序列，

表示事件序列，其中z_i表示事件序列中的事件类型，t_i表示事件发生的时间戳，两个序列分别用于学习背景知识和历史影响。

具体的，所述步骤6中“通过联合层joint layer融合背景知识表征和历史影响表征”的做法为：采用tanh函数作为joint layer联合函数，构建点过程强度函数的非线性映射，

经过联合层joint layer构建出的点过程强度函数的非线性映射的公式如下所示：

具体的，所述步骤7中“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”的做法为：

其中，故障预测主类和子类的计算公式如下所示：

U_t＝softMax(W_ue_t+b_U)

u_t＝softMax(W_u[e_t,U_t]+b_u)

上式中，U和u分别代表主类和子类，W_u和b_u表示模型在训练过程中要学习的参数矩阵；首先利用softMax函数将e_t作为输入预测出故障主要类别U_t；然后再次利用softMax函数，将e_t和主类预测值U_t作为输入计算子类的预测值。

具体的，所述步骤8中“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。”，做法具体为：

s_t＝W_se_t+b_s

其中，s_t是每个事件对应的时间戳，W_s和b_s表示模型在训练过程中要学习的参数矩阵。

具体的，所述步骤9中“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”，做法具体为：

其中整个模型的损失是时间预测损失和事件类型预测损失之和。利用交叉熵损失函数做事件类型预测，用平方损失函数做时间戳预测。具体的损失函数公式如下所示：

上式中N代表节点总数，事件点通过l来索引，即l表示第几个事件，W_u表示神经网络模型学得的事件类别的参数矩阵，

是下次事件点的时间戳，

代表时间点的历史信息，对于时间损失函数部分采用高斯惩罚函数：

其中σ表示统一方差，取σ²＝10；

通过最小化损失和，循环训练整个模型，最后得出最优的模型。

具体的，所述步骤10中“完善优化模型”的做法为：通过训练集获得电梯故障预测模型，然后利用实时更新的故障信息库获取测试集，基于测试集测验模型的准确性，并实时完善优化模型。

通过上述步骤，能够完成基于双LSTM的点过程强度函数的电梯***故障预测模型的构建，通过对电梯故障数据做预处理，形成时间序列和事件序列数据，即能通过双LSTM神经网络模型得到故障表征，进一步联合两种embedding获得强度函数的非线性表示函数，通过循环训练整个模型，最后经过点过程的强度函数最终可以预测电梯的故障时间和故障类型。本发明适用于解决实际问题中的电梯故障类型和时间预测问题，能够帮助电梯维修师傅利用已知的电梯故障信息预测电梯将要发生故障的类型和时间，可以提早做好预防措施，避免电梯故障的发生，减小电梯故障带来的损失和危险，具有很高的实际应用价值。

综上，本发明公开一种基于深度学习的电梯设备故障预测方法，该方法针对电梯***中高密度采样的在线运行测量数据，提出一种运用双LSTM分别训练事件序列和时间序列，然后结合点过程强度函数的数据挖掘算法。本发明从数据的角度出发，基于电梯历史故障信息序列，实时远程监控故障电梯，采用神经网络模型从海量的电梯报警信息中挖掘出电梯故障的内在规律，及时准确预测出电梯故障类型和时间，从而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。

LSTM(Long Short-TermMemory)是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM区别于RNN的地方，主要在于它在算法中加入了一个判断信息有用与否的“处理器”，这个处理器作用的结构被称为cell。一个cell当中被放置三扇门，分别叫做输入门、遗忘门和输出门。一个信息进入LSTM的网络当中，可以根据规则来判断是否有用。只有符合算法认证的信息才会留下，不符的信息则通过遗忘门被遗忘。目前已经证明，LSTM是解决长序依赖问题的有效技术，并且这种技术的普适性非常高。各研究者根据LSTM纷纷提出了自己的变量版本，这就让LSTM可以处理***的垂直问题。

RNN在序列数据上的应用：从应用场景上，RNN作为本发明的构造模块，可应用于两种序列数据：时间序列和事件序列，两者可协同建模，具体介绍如下：

(1)时间序列：指在相同时间间隔内记录相关数据的信息统计的一种同步序列。在最近的时间窗口中时间序列可以及时捕获随时间变化的特征，因此RNN经常将时间序列作为输入做相关序列预测问题。例如，视频帧就可看做一种时间序列数据，我们可以根据历史视频帧分析其内在联系，预测下一帧的内容。RNN已经广泛应用于视频分析和语音识别等领域。

(2)事件序列：指通过时间戳记录事件随机特征的一种异步序列。事件序列将随机生成的时间戳作为RNN的输入，使事件序列能更加高效的捕获事件间的长期依赖关系。因此本发明使用双LSTM对两种序列数据进行协同建模，既可以捕获同步信息的更新规律，又可以捕获突发信息的异步随机性，利用循环神经网络生成条件强度函数的非线性映射，避免了参数假设带来的限制。

点过程指的是一个时间序列或者时间序列的随机模型。点过程是一种建模序列推荐算法的数学框架，它采用强度函数衡量点过程的动态变化性。点过程分为事件点过程和物体点过程。事件点过程：地震或者其他灾难事件；服务器的访问事件；工厂制造的不合格产品事件；三岔路发生的交通事故事件等。带标记的点过程最初就是用来预测地震和余震的发生规律问题；物体点过程：高速公路上汽车的位置；DNA的基因等。

强度函数的发展历程介绍：点过程作为建模序列模型的数学框架，采用条件强度函数衡量点过程的动态变化性。强度函数的定义：在时间窗口[t+dt)中，λ(t)代表在历史事件H_t＝{z_i,t_i|t_i＜t}发生的前提下新事件的发生概率，具体公式如下：

其中E(dN(t)|H_t)表示在历史H_t的基础上，在时间间隔[t+dt)内事件发生个数的期望值。条件强度函数在点过程序列预测算法中扮演着关键性的作用，因强度函数参数化形式的不同点过程将取得不同的效果。点过程的强度函数的变化过程如下：泊松过程；加强版泊松过程；霍克斯过程；活性点过程；自修正点过程；RMTPP模型；TRPP模型。

强度函数的参数化形式均由两部分组成：背景知识和历史特征。将以上方法总结如表1所示。从表1可见前五种强度函数是根据先验知识人为假设出的参数模型，存在一定的限制，模型不能完全符合现实序列问题的复杂的动态变化。而RMTPP模型利用LSTM学习来自事件序列的历史特征的参数。虽然忽略时间序列的背景特征，但是作为半参数化的强度函数，RMTPP模型也取得了不错的效果；TRPP模型使用双LSTM对时间序列和事件序列分别建模，作为强度函数的背景知识和历史信息。因此主要借鉴后两个模型的思想构造我们的模型。

表1 点过程强度函数

本发明与现有技术相比具有以下有益效果。

1、本发明将神经网络LSTM和点过程结合用于电梯故障预测，提出一种运用双LSTM分别训练事件序列和时间序列，然后结合点过程强度函数的数据挖掘算法，从数据的角度出发，基于电梯历史故障信息序列，采用神经网络模型训练数据包含的内在规律，通过神经网络的非线性表征学习电梯故障类型的变化规律，从而达到预测电梯故障类型和电梯故障时间的目的，使得维修师傅可以根据预测结果定期去检测，降低电梯故障的发生率。

2、本发明利用电梯故障的海量数据，利用神经网络学习其发生内在规律，避免了人为假设的错误判断，使得模型更加准确高效。

3、本发明中模型利用实时更新的故障信息库，可以及时验证模型的准确性，及时优化模型，使得模型具有时效性。

附图说明

图1为本发明的总体步骤流程图。

图2为本发明中时间序列和时间序列的协同建模图。

图3为本发明中故障类型预测和故障时间预测框架图。

具体实施方式

下面结合附图对本发明做进一步详细说明。

如图1所示，本发明基于深度学习的电梯设备故障预测方法，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；

具体的，“构造时间序列”的做法为：假定被测电梯共有M台，有效故障类型种类共有N种，电梯故障时间窗口数为n，则能将第i台电梯第j个时间窗口的第k种故障类型有效故障数量记为

1)以一周为时间窗口，统计各种故障类型次数

2)电梯基本信息，这两种特征联合起来构成时间序列数据，具体表示如下所示：

其中m表示电梯型号，d表示电梯生产日期，l表示电梯所处位置，n表示电梯故障时间窗口数，上述表示中以双横线为例表示第M台电梯在第一个时间窗口中，N种故障类型的统计次数和电梯基本信息的表示单元。

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；

具体的，“构造事件序列”的做法为：1)将所有电梯信息根据电梯id不同分开存储，将电梯故障时间换算为时间戳数据，对于每台电梯按照故障发生时间排列电梯故障类型，2)计算每台电梯相邻故障事件的间隔时间，3)故障类型T和时间戳间隔I组成事件序列最小单元，具体表示如下所示：

所述电梯id表示电梯的唯一标志——电梯号。

步骤4、构建LSTM神经网络；

具体的做法为：

本发明中使用的循环神经网络变式LSTM具体公式定义如下：

i_t＝g(W_i x_t+U_iy_t-1+V_ic_t-1+b_i)，

f_t＝g(W_fx_t+U_fy_t-1+V_fc_t-1+b_f),

c_t＝f_tc_t-1+i_t⊙tanh(W_cx_t+U_cy_t-1+b_c),

o_t＝g(W_ox_t+U_oy_t-1+V_oc_t+b_o),

y_t＝o_t⊙tanh(c_t)

以上是LSTM中输入门，遗忘门，单元状态，和输出门的计算公式，其中i_t表示输入门的计算公式，f_t表示遗忘门的计算公式，c_t表示单元状态计算公式，o_t和y_t共同表示输出门的计算公式，o_t表示利用g函数确定单元状态的哪个部分将输出出去，最后y_t表示把单元状态利用tanh处理之后和o_t相乘即为确定要输出的部分；其中U，V分别为神经网络训练需要学习的参数矩阵，⊙代表数组元素依次相乘，函数g采用sigmoid激活函数，

表示输入序列，

表示生成隐含层状态，以上公式可以简化为公式：(y_t,c_t)＝LSTM(x_ty_t-1+c_t-1)。

其中，LSTM构建过程具体做法如下：

(1)网络初始化：确定网络的输入层节点数i、隐含层节点数j、输出层节点数k和单元状态维度，初始化输入层、隐含层和输出层神经元间的连接权值，输入门、遗忘门、输出门和细胞单元的连接权重W_i,W_f,W_O,W_c，初始化阈值b_f,b_c,b_o,b_i，给定学习速率和神经元激励函数；

(2)计算每个神经元的输出值：对于LSTM即为f_t,i_t,c_t,o_t,h_t；

(3)误差计算：根据预测输出和预期输出矩阵反向计算每个神经元的误差项；

(4)权值更新：根据网络预测误差更新网络连接权值W_i,W_f,W_O,W_c；

(5)阈值更新：根据网络预测误差更新网络节点阈值b_f,b_c,b_o,b_i；

(6)判断是否结束，若没有结束返回步骤(2)；

(7)结束后，使用训练好的双LSTM神经网络进入步骤5；

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；

具体的，“运用双LSTM神经网络训练时间序列和事件序列”的做法为：

具体公式如下所示：

上式中

表示时间序列，

表示事件序列，其中z_i表示事件序列中的事件类型，t_i表示事件发生的时间戳，两个序列分别用于学习背景知识和历史影响。

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；

具体的做法为：采用tanh函数作为joint layer联合函数，构建点过程强度函数的非线性映射，

经过联合层joint layer构建出的点过程强度函数的非线性映射的公式如下所示：

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；

具体的做法为：

故障预测主类和子类的计算公式如下所示：

U_t＝softMax(W_ue_t+b_U)

u_t＝softMax(W_u[e_t,U_t]+b_u)

上式中，U和u分别代表主类和子类，W_u和b_u表示模型在训练过程中要学习的参数矩阵；首先利用softMax函数将e_t作为输入预测出故障主要类别U_t；然后再次利用softMax函数，将e_t和主类预测值U_t作为输入计算子类的预测值。

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；

具体的做法为：

s_t＝W_se_t+b_s

其中，s_t是每个事件对应的时间戳，W_s和b_s表示模型在训练过程中要学习的参数矩阵。

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；

具体的，“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”的做法为：

其中整个模型的损失是时间预测损失和事件类型预测损失之和。利用交叉熵损失函数做事件类型预测，用平方损失函数做时间戳预测。具体的损失函数公式如下所示：

上式中N代表节点总数，事件点通过l来索引，即l表示第几个事件，W_u表示神经网络模型学得的事件类别的参数矩阵，

是下次事件点的时间戳，

代表时间点的历史信息，对于时间损失函数部分采用高斯惩罚函数：

其中σ表示统一方差，取σ²＝10；

通过最小化损失和，循环训练整个模型，最后得出最优的模型。

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。

具体的，“完善优化模型”的做法为：通过训练集获得电梯故障预测模型，然后利用实时更新的故障信息库获取测试集，基于测试集测验模型的准确性，并实时完善优化模型。

上述步骤2和步骤3如图2所示，表示了时间序列和事件序列的生成方式，两序列是协同建模的。由于时间序列由基础信息和统计信息组成，可知时间序列携带数据的背景知识信息，事件序列的异步随机生成的时间戳序列携带了突发性信息，只有将两种序列协同建模才能捕获更加完整的信息内涵。

图3为电梯故障类型预测和故障时间预测的主要框架图，具体介绍如步骤5-9所示。

上面结合附图对本发明的实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (10)

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。

2.根据权利要求1所述的基于深度学习的电梯设备故障预测方法，其特征在于：

所述步骤2中“构造时间序列”的做法为：假定被测电梯共有M台，有效故障类型种类共有N种，电梯故障时间窗口数为n，则能将第i台电梯第j个时间窗口的第k种故障类型有效故障数量记为

1)以一周为时间窗口，统计各种故障类型次数

2)电梯基本信息，这两种特征联合起来构成时间序列数据，具体表示如下所示：

其中m表示电梯型号，d表示电梯生产日期，l表示电梯所处位置，n表示电梯故障时间窗口数，上述表示中以双横线为例表示第M台电梯在第一个时间窗口中，N种故障类型的统计次数和电梯基本信息的表示单元。

3.根据权利要求1所述的基于深度学习的电梯设备故障预测方法，其特征在于：

所述步骤3中“构造事件序列”的做法为：1)将所有电梯信息根据电梯id不同分开存储，将电梯故障时间换算为时间戳数据，对于每台电梯按照故障发生时间排列电梯故障类型，2)计算每台电梯相邻故障事件的间隔时间，3)故障类型T和时间戳间隔I组成事件序列最小单元，具体表示如下所示：

所述电梯id表示电梯的唯一标志——电梯号。

4.根据权利要求1所述的基于深度学习的电梯设备故障预测方法，其特征在于：

所述步骤4中“构建LSTM神经网络”的做法为：

使用的循环神经网络变式LSTM具体公式定义如下：

i_t＝g(W_ix_t+U_iy_t-1+V_ic_t-1+b_i)，

f_t＝g(W_fx_t+U_fy_t-1+V_fc_t-1+b_f),

c_t＝f_tc_t-1+i_t⊙tanh(W_cx_t+U_cy_t-1+b_c),

o_t＝g(W_ox_t+U_oy_t-1+V_oc_t+b_o),

y_t＝o_t⊙tanh(c_t)

以上是LSTM中输入门，遗忘门，单元状态，和输出门的计算公式，其中i_t表示输入门的计算公式，f_t表示遗忘门的计算公式，c_t表示单元状态计算公式，o_t和y_t共同表示输出门的计算公式，o_t表示利用g函数确定单元状态的哪个部分将输出出去，最后y_t表示把单元状态利用tanh处理之后和o_t相乘即为确定要输出的部分；其中U，V分别为神经网络训练需要学习的参数矩阵，⊙代表数组元素依次相乘，函数g采用sigmoid激活函数，

表示输入序列，

表示生成隐含层状态，以上公式可以简化为公式：(y_t,c_t)＝LSTM(x_ty_t-1+c_t-1)。

5.根据权利要求1所述的基于深度学习的电梯设备故障预测方法，其特征在于：

所述步骤5中“运用双LSTM神经网络训练时间序列和事件序列”的做法为：

具体公式如下所示：

其中z_i表示事件序列中的事件类型，t_i表示事件发生的时间戳，两个序列分别用于学习背景知识和历史影响。

6.根据权利要求1所述的基于深度学习的电梯设备故障预测方法，其特征在于：

所述步骤6中“通过联合层joint layer融合背景知识表征和历史影响表征”的做法为：采用tanh函数作为joint layer联合函数，构建点过程强度函数的非线性映射，

经过联合层joint layer构建出的点过程强度函数的非线性映射的公式如下所示：

7.根据权利要求1所述的基于深度学习的电梯设备故障预测方法，其特征在于：

所述步骤7中“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”的做法为：

其中，故障预测主类和子类的计算公式如下所示：

U_t＝softMax(W_ue_t+b_U)

u_t＝softMax(W_u[e_t,U_t]+b_u)

上式中，U和u分别代表主类和子类，W_u和b_u表示模型在训练过程中要学习的参数矩阵；首先利用softMax函数将e_t作为输入预测出故障主要类别U_t；然后再次利用softMax函数，将e_t和主类预测值U_t作为输入计算子类的预测值。

8.根据权利要求6所述的基于深度学习的电梯设备故障预测方法，其特征在于：

所述步骤8中“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”，做法具体为：

s_t＝W_se_t+b_s

其中，s_t是每个事件对应的时间戳，W_s和b_s表示模型在训练过程中要学习的参数矩阵。

9.根据权利要求1所述的基于深度学习的电梯设备故障预测方法，其特征在于：

所述步骤9中“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”，做法具体为：

其中整个模型的损失是时间预测损失和事件类型预测损失之和；利用交叉熵损失函数做事件类型预测，用平方损失函数做时间戳预测； 具体的损失函数公式如下所示：

上式中N代表节点总数，事件点通过l来索引，即l表示第几个事件，W_u表示神经网络模型学得的事件类别的参数矩阵，

是下次事件点的时间戳，

代表时间点的历史信息，

代表事件点的故障预测子类，对于时间损失函数部分采用高斯惩罚函数：

其中σ表示统一方差，取σ²＝10；

通过最小化损失和，循环训练整个模型，最后得出最优的模型。

10.根据权利要求1所述的基于深度学习的电梯设备故障预测方法，其特征在于：

所述步骤10中“完善优化模型”的做法为：通过训练集获得电梯故障预测模型，然后利用实时更新的故障信息库获取测试集，基于测试集测验模型的准确性，并实时完善优化模型。

Images