【技术实现步骤摘要】
本专利技术属于电梯故障预警技术，尤其涉及一种基于空间注意力网络与特征划分的电梯风险预警方法。
技术介绍
1、随着我国的经济发展和城市化进程的加快，电梯的安装，部署数量迅速增大，目前保有量已达到保有量世界第一。随之而来的问题便是电梯故障、困人等安全事故时有发生，造成社会经济财产损失和人员伤亡。由于目前电梯的监管、维保技术规范等标准还尚未完全成熟，频繁对电梯进行维护会产生大量人力、物力以及时间成本，并且电梯故障受到工作环境、运行状况、电梯参数、人为破坏等诸多因素的影响。因此设计出一种适用性较好的电梯故障预测和维保方案具有一定的挑战性。
2、随着科技的飞速发展和社会的深度变革，物联网已经逐渐成为推动经济发展、改善人民生活的重要力量。在智智慧物流、智慧农业、智慧医疗、智能家居、智慧交通、智慧安防等方面取得了广泛的应用。transformer的提出是深度学习史上具有里程碑意义的事件，其特殊的机制使得其在自然语言处理和计算机视觉领域均取得了巨大的成功。
3、传统时间序列模型常伴有一系列问题：1）传统时间序列模型依赖于其归纳偏置，当时序特征不明显时网络表现不佳；2）容易收敛于局部最小值，无法找到最优解；3）lstm并行性较差，训练消耗时间较多。
技术实现思路
1、本专利技术为了克服现有技术的不足，提供了一种基于空间注意力网络与特征划分的电梯风险预警方法。
2、为了实现上述目的，本专利技术提供了一种基于空间注意力网络与特征划分的电梯风险预警方法，其包括以下步骤：
3、s1：采集物联网电梯的原始数据，对原始数据进行预处理，对预处理后的所有数据特征进行归一化处理，生成时序特征；
4、s2：通过embedding层对时序特征进行位置编码，将位置编码与原时序特征相加获得第一特征；
5、s3：将编码后的第一特征与静态特征拼接获得模型的输入特征，将输入特征按照时间序列输入至多头自注意力机制的transformer模型中进行降维，将降维得到的结果与输入特征相加获得注意力特征；所述transformer模型包括至少两个堆叠的transformer编码器，各编码器之间跨层连接；
6、s4：将注意力特征与未经过自注意力层处理的特征相加，将相加结果输入至layernorm层获得第二特征；
7、s5：将第二特征输入至一全连接层，再将结果与第二特征相加得到第三特征；
8、s6：将第三特征输入至layernorm层获得第四特征；
9、s7：将第四特征与编码后的第一特征相加获得首个编码器的结果；
10、s8：重复步骤s3至步骤s7的过程至少一次，当重复最后一次过程时，将结果输入至一全连接层，将其结果通过分类模块激活，获得各时段预测的故障概率，生成预测结果；
11、s9：获取电梯实际故障结果，将预测结果和实际故障结果通过交叉熵损失函数计算对应的损失度，采用adam优化器优化生成的transformer模型；
12、s10：重复步骤s3至步骤s9的过程，训练transformer模型，获得预警结果。
13、优选的，步骤s1中，物联网电梯的原始数据包括：电梯数据、故障数据、天气数据。
14、优选的，步骤s1中，所述原始数据进行预处理的步骤包括：
15、s1.1:将原始数据中空缺的数据采用径向基函数插值法进行插值，使用高斯函数作为径向基函数，其插值公式为：
16、
17、其中x为原始数据，为原始数据的方差。
18、s1.2：对原始数据进行校正。
19、优选的，步骤s2中，所述时序特征进行位置编码的计算公式为：
20、
21、
22、其中，pos表示位置索引，dmodel表示输入的嵌入维度，i表示嵌入向量中的第几维，pe表示计算获得的位置编码。
23、优选的，步骤s3具体步骤包括：
24、s31：将拼接后的特征按照时间序列分成多个方块并将其排成一列；
25、s32：将重新排列后的特征按照时间序列的方式输入transformer模型的线性层进行加权求和，以获得维度为的查询向量、维度为的键向量和维度为的值向量；
26、s3.3：计算注意力特征，其计算公式为：
27、，
28、其中，表示softmax激活函数，表示时间序列，n表示时间序列长度，m表示序列中的元素。
29、优选的，步骤s3中，拼接后的输入特征可在transformer模型的不同位置之间进行注意力传递。
30、优选的，步骤s3中，各transformer编码器之间的结构表达式为：
31、
32、其中，表示上一transformer编码器的输入特征，表示当前transformer编码器输出。
33、优选的，步骤s5中的layernorm层内设有残差模块，所述残差模块与全连接层跳跃连接。
34、优选的，步骤s8中，步骤s3至步骤s7的重复次数为transformer编码器的堆叠个数。
35、优选的，步骤s8中，分类模块通过sigmoid激活函数对全连接层的结果进行激活，获得预测概率。
36、综上所述，本专利技术提供的一种基于空间注意力网络与特征划分的电梯风险预警方法，其有益效果在于，其通过获取物联网电梯的原始数据，对原始数据进行预处理和归一化处理，为精准预测物联网电梯故障概率提供了数据基础；通过构建由多个跨层连接的transformer编辑器组成的transformer模型，解决了随着网络层数增加训练网络模型发生退化的问题，同时也能保证特征信息在逐层传播时不会丢失；通过对时序特征进行位置编码以及多头自注意力机制的transformer模型进行降维处理，增大了transformer模型的并行性，有效地提高了训练速度。
本文档来自技高网...【技术保护点】
1.一种基于空间注意力网络与特征划分的电梯风险预警方法，其特征在于，其包括以下步骤：
2.根据权利要求1所述的基于空间注意力网络与特征划分的电梯风险预警方法，其特征在于，所述步骤S1中，物联网电梯的原始数据包括：电梯数据、故障数据、天气数据。
3.根据权利要求2所述的基于空间注意力网络与特征划分的电梯风险预警方法，其特征在于，所述步骤S1中，所述原始数据进行预处理的步骤包括：
4.根据权利要求1所述的基于空间注意力网络与特征划分的电梯风险预警方法，其特征在于，所述步骤S2中，所述时序特征进行位置编码的计算公式为：
5.根据权利要求1所述的基于空间注意力网络与特征划分的电梯风险预警方法，其特征在于，所述步骤S3具体步骤包括：
6.根据权利要求5所述的基于空间注意力网络与特征划分的电梯风险预警方法，其特征在于，所述步骤S3中，拼接后的输入特征可在transformer模型的不同位置之间进行注意力传递。
7.根据权利要求1所述的基于空间注意力网络与特征划分的电梯风险预警方法，其特征在于，所述步骤S3中，各trans
8.根据权利要求1所述的基于空间注意力网络与特征划分的电梯风险预警方法，其特征在于，所述步骤S5中的layernorm层内设有残差模块，所述残差模块与全连接层跳跃连接。
9.根据权利要求1所述的基于空间注意力网络与特征划分的电梯风险预警方法，其特征在于，所述步骤S8中，步骤S3至步骤S7的重复次数为transformer编码器的堆叠个数。
10.根据权利要求1所述的基于空间注意力网络与特征划分的电梯风险预警方法，其特征在于，所述步骤S8中，分类模块通过sigmoid激活函数对全连接层的结果进行激活，获得预测概率。
...【技术特征摘要】
1.一种基于空间注意力网络与特征划分的电梯风险预警方法，其特征在于，其包括以下步骤：
2.根据权利要求1所述的基于空间注意力网络与特征划分的电梯风险预警方法，其特征在于，所述步骤s1中，物联网电梯的原始数据包括：电梯数据、故障数据、天气数据。
3.根据权利要求2所述的基于空间注意力网络与特征划分的电梯风险预警方法，其特征在于，所述步骤s1中，所述原始数据进行预处理的步骤包括：
4.根据权利要求1所述的基于空间注意力网络与特征划分的电梯风险预警方法，其特征在于，所述步骤s2中，所述时序特征进行位置编码的计算公式为：
5.根据权利要求1所述的基于空间注意力网络与特征划分的电梯风险预警方法，其特征在于，所述步骤s3具体步骤包括：
6.根据权利要求5所述的基于空间注意力网络与特征划分的电梯风险预警方法，其特征在于，所述步骤s3中，拼...
【专利技术属性】
技术研发人员：王黎斌，李伟忠，周东，崔天顺，余浩翔，费麒铭，张宇，许卫全，吴琳琳，邓晓峰，马舜，邵鹏，
申请(专利权)人：杭州市特种设备检测研究院杭州市特种设备应急处置中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。