【技術實現步驟摘要】
本專利技術屬于電梯故障預警，涉及一種基于局部patch與增強位置編碼的電梯風險預警方法。
技術介紹
1、隨著我國經濟的不斷發展，各地區城市化的不斷推進，電梯需求不斷增多，截止2021年底，我國電梯保有量達879.98萬臺左右，保有量世界第一。隨著電梯數量的激增及其普遍存在的問題，電梯故障、困人等安全事故時有發生，使得社會經濟財產受到損失，甚至威脅人身安全。近年來電梯質量安全受到國務院的高度重視，在2018年發布的《國務院辦公廳關于加強電梯質量安全工作的意見》（國辦發[2018]8號）中指出運用大數據、物聯網等信息技術，構建電梯安全公共信息服務平臺，建立以故障率、使用壽命為主要指標的電梯質量安全評價體系，逐步建立電梯全生命周期質量安全追溯體系。因此，電梯故障概率預測的研究是十分有必要，且有重大社會、經濟價值的。
2、當前的電梯故障預測算法大多基于電梯的溫度、濕度、運行速度、維保間隔等信息對電梯運行狀態建模并預測故障，使用的預測方法為時間序列預測算法lstm和機器學習方法隨機森林算法。這些方法對于時間序列的內在聯系挖掘不夠充分。本課題研究的原始數據包括電梯的制造單位、設備型號、性能參數、地理位置、故障記錄、困人記錄、天氣氣溫等多種類型的信息，難以用單一結構對所有輸入數據建模；故障記錄和困人記錄是事件型信息，在時間序列上相對稀疏，用于提取特征的信息相對不足；各類數據的內在聯系薄弱，難以使用單一結構進行建模并預測電梯故障概率。
3、隨著人工智能和大數據技術的發展，人工智能和大數據技術逐漸在電梯行業得以體現，電梯與
技術實現思路
1、本專利技術為了克服現有技術的不足，提供一種基于局部patch與增強位置編碼的電梯風險預警方法。
2、為了實現上述目的，本專利技術采用以下技術方案：
3、一種基于局部patch與增強位置編碼的電梯風險預警方法，包括以下步驟：
4、s1：采集物聯網電梯的數據作為風險預警的原始數據，存儲于數據庫中；
5、s2：對采集到的原始數據進行清洗，生成多變量時序特征，多變量時序特征包括：密集特征、稀疏特征和靜態特征；
6、s3：對生成的多變量時序特征進行預處理和patch操作，對輸入的時間序列采用patch模塊對時序數據進行分段處理，將輸入的時間序列按照一定大小的窗口和步長分割，并以分割形成的patch塊作為token輸入；
7、s4：對輸入的token通過相對位置編碼層進行位置編碼獲得綜合向量特征；
8、s5：將綜合向量特征按照輸入維度輸入傳輸到雙重注意力模塊進行雙重注意力建模，雙重注意力模塊包括patch內注意力和patch間注意力，基于計算權重采用softmax函數對輸入時序特征進行歸一化處理；根據自注意力機制的處理結果，通過卷積池化操作對綜合向量特征進行提取和交叉；
9、s6：將經過雙重注意力機制計算的輸出向量進行降維，輸出對應的故障類型，將降維結果通過softmax函數轉換后獲得故障概率分布；
10、s7：對多變量transformer?模型進行訓練，調整多變量transforme模型的參數，采用損失函數和adam優化器，結合驗證集評估模型性能，根據評估結果對模型結構或訓練過程進行調整；
11、s8：采用自定義的多層卷積塊對預測的故障類型和故障概率分布的數據進行后處理，以提取具體的維保需求。
12、進一步的，步驟s3中，采用嵌入層embedding對多變量時序特征進行預處理，將靜態特征和密集特征通過嵌入層轉換為密集特征，提取轉換后的密集特征和數據清洗后生成的密集特征，進行拼接；其轉換公式為：
13、x1=embedding(xsparse)
14、x2=embedding(xstatic)
15、x3=wxdense+b
16、f=cat(x1,x2,x3)
17、其中，x1是靜態特征經過轉換后生成的密集特征向量，x2是稀疏特征轉換為密集特征的向量，x3是密集特征提取的向量，xdense為密集特征，xsparse、xstatic為需要轉換的one-hot編碼特征，w為全連接層，f為得到的綜合向量，b為偏置參數，xdense通過全連接層w提取特征，進行cat拼接操作。
18、進一步的，步驟s3中，patch操作采用以下公式：
19、
20、其中，l為原始時間序列的長度，s為每個patch塊的長度，p為patch塊的數量，為向下取整操作，表示只考慮能夠完全適配的patch塊的數量。
21、進一步的，步驟s4中，位置編碼包括幾何位置編碼，進行幾何位置編碼的具體步驟包括：
22、s4.1：定義一個位置編碼函數，所述位置編碼函數根據元素在時序序列中的位置生成唯一的位置編碼；
23、s4.2：通過位置編碼函數生成每個時序序列位置對應的位置編碼；
24、s4.3：將生成的位置編碼與時序序列中對應位置的特征向量相結合。
25、進一步的，步驟s4中，位置編碼還包括語義位置編碼，將語義位置編碼注入至注意力圖中，使用l2正則化項來約束每層注意力圖與初始綜合向量特征的相似度矩陣之間的差異，作為語義pe，采用以下公式：
26、
27、其中，為時間語義正則化項，是模型中的注意力層數，是l2距離，是softmax操作，表示第層注意力層中的注意力圖，為初始時單變量每個patch塊的token的相似度矩陣，是每個token的查詢向量，代表每個token的鍵向量，是每個patch塊的token的相似度矩陣中的向量，d表示查詢向量、鍵向量和值向量的維度。
28、進一步的，步驟s5中，雙重注意力建模的具體步驟包括：
29、s5.1：輸入的時間序列為矩陣，其中為原始時間序列的長度，為特征維度，將矩陣劃分為多個patch塊，假設每個patch塊的長度為s，得到劃分后的每個patch塊的矩陣；
30、s5.2：對本文檔來自技高網...
【技術保護點】
1.一種基于局部patch與增強位置編碼的電梯風險預警方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于局部patch與增強位置編碼的電梯風險預警方法，其特征在于，步驟S3中，采用嵌入層embedding對多變量時序特征進行預處理，將靜態特征和密集特征通過嵌入層轉換為密集特征，提取轉換后的密集特征和數據清洗后生成的密集特征，進行拼接；其轉換公式為：
3.根據權利要求1所述的一種基于局部patch與增強位置編碼的電梯風險預警方法，其特征在于，步驟S3中，patch操作采用以下公式：其中，L為原始時間序列的長度，S為每個patch塊的長度，P為patch塊的數量，為向下取整操作，表示只考慮能夠完全適配的patch塊的數量。
4.根據權利要求1所述的一種基于局部patch與增強位置編碼的電梯風險預警方法，其特征在于，步驟S4中，位置編碼包括幾何位置編碼，進行幾何位置編碼的具體步驟包括：
5.根據權利要求4所述的一種基于局部patch與增強位置編碼的電梯風險預警方法，其特征在于，步驟S4中，位置編碼還包括語義位置編碼，將語義
6.根據權利要求5所述的一種基于局部patch與增強位置編碼的電梯風險預警方法，其特征在于，步驟S5中，雙重注意力建模的具體步驟包括：
7.根據權利要求6所述的一種基于局部patch與增強位置編碼的電梯風險預警方法，其特征在于，步驟S5.2中，每個patch塊的內部注意力輸出計算公式為：其中，分別為每個patch塊內的時間步的查詢向量、鍵向量和值向量，為嵌入后的特征維度。
8.根據權利要求6所述的一種基于局部patch與增強位置編碼的電梯風險預警方法，其特征在于，步驟S5.3中，patch間的注意力權重計算公式為：其中，、、分別為查詢矩陣、鍵矩陣和值矩陣，。
9.根據權利要求1所述的一種基于局部patch與增強位置編碼的電梯風險預警方法，其特征在于，所述步驟S1中風險預警的原始數據包括：電梯基礎信息、故障信息、天氣氣溫信息、維保信息。
10.根據權利要求1所述的一種基于局部patch與增強位置編碼的電梯風險預警方法，其特征在于，步驟S8中，自定義的多層卷積塊包括：兩層卷積層和一層全連接層，多層卷積塊提取具體維保需求的步驟包括：
...【技術特征摘要】
1.一種基于局部patch與增強位置編碼的電梯風險預警方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于局部patch與增強位置編碼的電梯風險預警方法，其特征在于，步驟s3中，采用嵌入層embedding對多變量時序特征進行預處理，將靜態特征和密集特征通過嵌入層轉換為密集特征，提取轉換后的密集特征和數據清洗后生成的密集特征，進行拼接；其轉換公式為：
3.根據權利要求1所述的一種基于局部patch與增強位置編碼的電梯風險預警方法，其特征在于，步驟s3中，patch操作采用以下公式：其中，l為原始時間序列的長度，s為每個patch塊的長度，p為patch塊的數量，為向下取整操作，表示只考慮能夠完全適配的patch塊的數量。
4.根據權利要求1所述的一種基于局部patch與增強位置編碼的電梯風險預警方法，其特征在于，步驟s4中，位置編碼包括幾何位置編碼，進行幾何位置編碼的具體步驟包括：
5.根據權利要求4所述的一種基于局部patch與增強位置編碼的電梯風險預警方法，其特征在于，步驟s4中，位置編碼還包括語義位置編碼，將語義位置編碼注入至注意力圖中，使用l2正則化項來約束每層注意力圖與初始綜合...
【專利技術屬性】
技術研發人員：王黎斌，汪宏，張晶，李榛，任玉標，李偉忠，朱俊超，周俊堅，鄧麗芬，周原冰，王陸嘉，崔天順，吳琳琳，
申請(專利權)人：杭州市特種設備檢驗科學研究院杭州市特種設備應急處置中心，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。