一种基于时间序列预测模型的电梯轿厢振动异常预警方法

摘要

一种基于时间序列预测模型的电梯轿厢振动异常预警方法，使用时间序列预测模型对电梯传感数据进行预测，根据预测值是否在正常值的范围内来对电梯轿厢是否会发生振动异常进行提前预警。

说明书

技术领域

本发明专利涉及一种电梯轿厢振动异常预警方法。

背景技术

电梯是人们生活中不可缺少的交通工具，其类型主要包括垂直电梯、自动扶梯和自动人行道等。随着我国经济的快速发展，电梯保有量也在快速增长，截至2015年底，我国电梯总量超过400万台，且目前国内电梯年增长50-60万台，已成为世界电梯保有量最多的国家。然而，电梯在方便人们工作和生活的同时，作为特种装备所导致的事故却不断发生，在此背景下，利用物联网技术、大数据技术等新一代信息技术提高电梯安全监测能力成为提高电梯安全性有效途径之一。

电梯故障预警是对电梯可能发生的故障进行预先识别，并采取相应措施避免故障发生的一种技术。人们已经对电梯预警技术和方法展开了一些探索，例如，李俊芳等(天津理工大学学报,2009)提出基于神经网络的电梯门故障预测方法，通过神经网络对电梯门系统工作的状态数据进行建模，从而预测下一状态的数值来进行故障预警；段登等(计算机应用系统，2011)提出基于神经网络的多电梯运行系统故障预测，通过采集控制终端的运行信号，使用径向基神经网络来拟合各个信号间的关系，从而输入历史数据给出预测结果；张从力等(仪器仪表学报，2004)则提出基于模糊理论和专家系统并结合工业控制网的故障预测方法。王林林(东北大学，2013)通过改进Holt-Winters时间序列预测模型，将诊断模型的结果作为输入进行电梯故障预测。

随着梯联网技术的发展，电梯中安装了大量的传感器，能够实时感知电梯的运行状态，为电梯预警提供了大量的数据基础。电梯传感器数据具有明显的时序特征，即这些数据是随着时间的推移而产生的，因此可以基于时序数据处理的方法对电梯的异常情况进行预警。

另一方面，随着近年来人工智能和深度学习的发展，深度学习的应用层出不穷，并且在多种领域都取得了较好的效果。因此一些研究也用深度学习技术处理时序数据。例如Connor等提出使用循环神经网络(RNN)对时间序列数据进行建模，RNN可以充分利用序列数据的历史信息(IEEE Transactions on Neural Networks，1994)；Chen等(IEEEInternational Conference on Big Data，2015)利用循环神经网络进行股票预测；Sutskever等(International Conference on Machine Learning，2011)利用循环神经网络进行文本生成。

但是，RNN存在梯度消失的问题导致无法很好的利用长期历史信息。为了解决这个问题，研究者提出了长短期记忆网络(Long Short-Term Memory Network，LSTM)(Neuralcomputation,1997)，其对循环神经网络中隐层单元的特殊改进，增加记忆单元、输入门、遗忘门和输出门，通过三种门结构,控制历史信息在神经网络中状态的记忆和遗忘，能够学习到长期的历史信息。

除了循环神经网络，卷积神经网络也能够很好的对时序数据进行建模，例如Mittelman(Computer Science，2015)提出非采样的全卷积神经网络，通过使用卷积操作而不是RNN的循环结构来避免RNN中容易出现的梯度消失和梯度爆炸问题。

发明内容

本发明要克服现有技术的上述缺点，提供一种基于时间序列预测模型的电梯轿厢振动异常预警方法。

为了对电梯轿厢振动异常情况进行准确预测，本发明结合扩张因果卷积网络和循环神经网络处理时序数据的各自优势，对电梯传感监测到的轿厢振动信号时序数据进行分析，对未来一段时间的振动信号进行预测，根据所预测的值是否超出相应阈值来判定电梯轿厢是否会发生振动异常。

本发明的一种基于时间序列预测模型的电梯轿厢振动异常预警方法，包括以下步骤：

(1)电梯振动数据预处理过程；

电梯振动数据在数据采集和传输过程中可能由于采集误差、网络传输导致数据出现冗余、丢失和异常的问题，为此需要对电梯振动数据进行预处理，分为以下步骤：

(1.1)数据清洗；

数据清洗主要用于处理电梯振动数据的冗余和空值问题，冗余数据将会导致时间序列数据在时间维度上无法对齐，从而导致模型出现较大的预测误差，因此在该阶段需要同一时刻存在的数据冗余进行删除；

另外，数据空值则是在传输中出现某一时刻数据的缺失，需要对出现异常空值的时刻进行数据填充，数据清洗算法步骤如下：

输入：原始时间序列数据D

输出：清洗后的时间序列D’

步骤：

(S1):从D中取出时间序列中的首个数据D₀赋值为s和p

(S2):for时间序列数据集D中的每个数据项item1then：

if s的时间＝＝item1的时间then:

从D中移除item1项

将item1赋值给s

(S3):for时间序列数据集D中的每个数据项item2then：

if item2的值＝＝NULL then:

取出p和D中下一项的值，取2者的均值赋值给item2

将item2赋值给p

(S4):将修改后的序列输出

(1.2)划分窗口

将电梯轿厢振动数据按照时间步长进行划分，即在模型训练和预测时根据该时间步长的历史信息预测下一个时刻的数值，例如设时间序列{1，2，3，4}，按照滑动步长为1，滑动窗口大小为2进行划分，则划分后的数据为{{1，2}，{2，3}，{3，4}}；

(1.3)数据归一化

多条件时间序列数据的每个条件在数值上相差较大且可能具有不同的波动范围，因此为了能够很好地训练模型，必须对这些数据进行归一化处理，其方法是将各类数值缩放到同一尺度，其计算公式如下：

其中x为原始数值，x_min为当前维度所有数据中数值最小的值，x_max为当前维度所有数据中数值最大的值,x^*为缩放后的数值；

(1.4)洗牌和切分数据集

洗牌是指将按照时间窗口划分后的数据进行打乱，切分数据集是指将全部数据集进行划分，使一部分数据用于模型的训练，一部分数据用于模型的选择，另一部分数据用于对预测准确性的判断；

(2)时间序列预测模型

时间序列预测模型将深度学习的长短期记忆网络和扩张因果卷积网络相结合，能够对电梯振动的时序数据进行分析，并对未来的趋势进行预测，图1给出时间序列预测模型的结构图；

设电梯振动时序数据X＝(x¹,x²,...,x^t-1,x^t)，x^t是传感器在t时刻的数值，则电梯轿厢振动预测即是根据已知数据X，求得x^t+1时刻的最大似然估计p(x):

x^t+1时刻的值将会利用t+1时刻之前的所有数据值；

若结合额外的辅助传感器数据，则可获得多条件时间序列，此时公式(2)变为如下形式表示：

其中x^t表示t时刻轿厢振动信号数据，表示t时刻的第i个额外传感器数据的值，i＝1,2,3,...,n表示有n个条件；

公式(2)与公式(3)是电梯轿厢振动数据的预测目标，图1给出时间序列预测模型的网络结构图，图2给出长短期记忆网络内部单元结构图，利用长短期记忆网络提取整个时间序列的全局特征，由于长短期记忆网络具有独特的记忆单元，因此可以很好的充分利用非常长的时间间隔历史信息；

(3)时间序列预测模型训练与预测

利用均方根反向传播算法对时间序列预测模型的训练与预测步骤如下：

定义：时间步长s，模型参数θ，学习率η，小常数δ，衰减率ρ，批大小m,预测滑动窗口大小j

输入：训练集n表示训练集总样本数；测试集k表示测试集总样本数

输出：预测结果R_out

T1：将训练集划分为模型输入集

T2：依据训练集划分模型标签集合

T3：随机初始化模型参数θ，初始化累计变量r＝0

T4：从训练集中采样m个样本作为批次输入

T5：While没有达到停止条件do

计算小批次数据的梯度：

累计梯度：r←ρr+(1-ρ)g⊙g

新参数：

更新参数：θ←θ’

end

returnθ

T6：使用测试集D_测试＝{x₁,x₂,…,x_k}进行预测：

for i←1to j do

根据模型和步骤(5)训练好的参数θ，计算下一时间步预测值：v_i

将v_i追加至{x₂,x₃,…,x_k}末尾

end

T7：输出预测结果：R_out＝{v₁,v₂,…,v_j}

(4)分析预测；

将轿厢振动加速度历史数据输入模型中进行预测，如果预测值超过电梯轿厢振动设定的阈值则进行异常报警。

本发明的优点是：

本发明所提出的时间序列预测模型可以提取到不同时间间隔长度的时序特征，并最终将这些特征组合起来形成一个包含不同时间间隔的组合特征，这个能从时间序列数据中抽取多范围、多层次特征的模型相比使用固定时间间隔的模型在预测准确度具有一定的优势，从而也使电梯轿厢振动异常预警具有较高的预警准确度。

附图说明

图1是本发明的时间序列预测模型网络结构图。

图2是本发明的长短期记忆网络单元结构图。

具体实施方式

下面结合附图，进一步说明本发明的技术方案。

为了进一步说明本发明的内容及所使用的技术手段，以某台电梯的轿厢水平振动加速度单变量时间序列数据为例，时间序列的部分数据如表1所示，结合该数据对本发明的具体实施方式做进一步说明，步骤如下：

表1轿厢水平振动加速度时间序列数据

序号时间水平振动加速度12018/02/26 20:16:45.702-0.12112422018/02/26 20:16:46.701-0.00975032018/02/26 20:16:47.700-0.07327342018/02/26 20:16:48.699-0.11393752018/02/26 20:16:49.699-0.056885………9982018/03/01 23:59:21.7830.0769819992018/03/01 23:59:22.782-0.43750010002018/02/26 20:33:23.780-0.481461

(1)数据预处理过程

(1.1)数据清洗

由于电梯数据在收集和传输时会存在冗余和缺失的问题，因此在预处理的首要阶段需要对电梯数据进行清洗，根据发明内容中的数据清洗算法进行清洗，处理冗余值和缺失值；

(1.2)划分窗口

本示例以180个时间单位的数据长度作为窗口大小，滑动步长设为1，则序列项形式如{{1,2,…,180},{2,3,…,181},{3,4,…,182}}，其中数字表示项数，即1表示时间序列数据的第1项，182表示数据的第182项，因此划分后每组包含180个时间单位的数据；

(1.3)归一化处理；

由于为了避免数据大范围波动而对模型训练造成影响并为了能使模型能快速收敛，故需进行数值缩放，考虑到数据的特点本发明使用的缩放方式为min-max归一化，此操作会将所有维度的数据缩放到[0,1]之间；

以上述示例数据为例进行说明：

数据中的最大数值为0.473587,最小数值为-0.661926，因此对这些数据按公式2进行缩放得到的结果如表2所示：

表2数据归一化结果

序列时间归一化后的水平振动加速度12018/02/26 20:16:45.7020.4762622722018/02/26 20:16:46.7010.5743448132018/02/26 20:16:47.7000.518402742018/02/26 20:16:48.6990.4825915752018/02/26 20:16:49.6990.53283494………9992018/03/01 23:59:22.7820.5151372110002018/03/01 20:33:23.7800.19764283

(1.4)洗牌和切分数据集；

洗牌即将(1.2)步骤中划分后的数据集的顺序进行随机洗牌打乱其间数据的顺序，在切分数据集时按照10％，10％，80％的比例进行划分，其中80％的数据作为训练集，10％的数据作为验证集用于模型参数的调整，最后10％的数据则用来对模型的预测准确度进行评估；

(2)时间序列预测模型；

将归一化后的轿厢水平振动数据作为时间序列预测模型的输入进行训练，以180个时间单位作为训练数据时间步长，根据以上数据模型构建3维输入张量，形状为(batchsize,time step,features)，其中batch size为样本输入batch大小,time step为时间步长，features为总特征个数，本示例中batch size为128，time step为180，features为1，时间序列预测模型将根据历史180个时间单位中所有的数据去发现输入数据的潜在规律，本示例使用两层LSTM网络和四层残差连接块构建时间序列模型，模型具体结构参数见表3：

表3 LSTM-DCC预测模型结构参数

模型训练参数如下表4所示：

表4时间序列预测模型训练参数

超参数名称具体设置学习算法均方根反向传播算法学习率0.001损失函数均方误差Dropout率0.5批次大小(batch size)128时间步长180迭代次数1000

(3)时间序列预测模型训练与预测

使用上述算法对时间序列模型进行训练，模型的输入为上述3维张量，模型的输出为下一个时间单位的数据；

在预测阶段使用与训练阶段相同的数据预处理过程，构建3维输入张量，其形状为(1,180,1)，数据输入至时间序列预测模型中，最后根据设置的预测步长预测相应时间单位的未来数据；

(4)分析预测；

在进行电梯轿厢振动异常预警时对需要监控的振动信号设置正常范围区间，例如本示例以±0.4作为水平振动加速度的阈值，将传感器的数据输入模型进行预测，若模型的预测结果显示数据超过±0.4的范围则表示电梯可能发生将要发生异常。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。