【技术实现步骤摘要】
本专利技术属于电梯故障诊断领域，涉及了一种融合知识图谱和神经网络的电梯故障诊断方法。
技术介绍
1、电梯作为现代建筑中必不可少的便民设施，在我们日常生活中扮演着至关重要的角色。然而，随着电梯使用量的增加，电梯停运、故障等问题也时有发生。电梯故障诊断因而受到越来越多科研人员关注。因此，快速准确地诊断电梯故障并采取相应措施，能够最大限度地保障乘客安全，并提高电梯的使用效率和寿命。
2、电梯故障诊断的主要目的是确定电梯发生故障的原因和位置，以便尽快修复并恢复电梯的正常运行。通过对电梯进行系统化、科学化的故障排除和维修。
3、深度学习技术的高速发展，为电梯故障诊断提供了许多新的研究思路。电梯故障数据具有数据量小、时序性强、数据采集相对困难以及特征提取难度大等特点，这使得深度学习算法难以直接应用到电梯故障诊断领域，如何从杂乱的电梯故障数据中学习故障特征是一个具有挑战性的问题。主流基于深度学习的电梯故障诊断方法是基于数据的诊断方法是通过对电梯系统的运行数据进行采集、处理和分析，通过机器学习、数据挖掘等技术，对电梯系统进行故障诊断。这种方法不需要事先对电梯系统进行深入的了解和分析，只需要获取足够的运行数据，通过训练机器学习模型来实现对电梯系统的诊断。但是，该方法需要大量的数据，同时对于数据的质量和准确性要求较高，对数据的预处理和特征提取等技术也提出了更高的要求。
技术实现思路
1、为了克服现有技术的不足，本专利技术提出了融合知识图谱与神经网络的电梯故障诊断方法(简称tad
2、本专利技术提供如下的技术方案：
3、一种融合知识图谱和神经网络的电梯故障诊断方法，包括以下步骤：
4、第一步：构建电梯故障知识图谱以自顶向下构建方式先定义好电梯故障知识图谱的领域和范围，然后再根据领域知识、专家经验，半自动地构建知识图谱；其中，知识图谱一种可视化工具，用于展示知识领域中概念、主题和它们之间的关系，它通过节点和边来表示不同的概念和它们之间的联系，形成一个由多个节点和边组成的图形；
5、第二步：使用transr模型通过训练把实体以及他们之间的关系嵌入成为低维向量，能够在保留原有的隐含关系的基础上通过神经网络来进行预测电梯可能出现的故障，其中，transr是基于平移距离的知识图谱嵌入模型；
6、第三步：基于知识图谱和神经网络的思想，构建三层网络模型，包含提取时间序列特征的时间序列特征提取层、时域自注意力层、动态卷积层；
7、其中，时间序列特征提取层通过对输入数据进行卷积编码提取出时间序列特征，强化了数据上下文语义之间的联系；
8、其中，时域自注意力层能够在不同的时间序列数据中捕捉重要节点，帮助神经网络更好地理解序列数据，提高模型的性能；
9、其中，动态卷积层通过对序列数据进行建模，来捕捉序列中存在的长期依赖关系，对序列特征中相对重要的部分显著表达，从而提高电梯故障诊断的效率与准确率；
10、第四步：在传统的bilstm的基础上进行改进，将其中的lstm单元替换为带有动态卷积的dc-lstm单元。传统的lstm通过全连接层来连接其他单元，其权重是固定的，无法随时间的变化而动态调整；而动态卷积的卷积核大小是可变的，并根据实际长度进行调整，这使得动态卷积在处理电梯故障序列数据时更加灵活有效，更好地捕捉序列之间的差异性；
11、其中，bilstm是双向长短时记忆网络的简称。它是一种常用的循环神经网络变体，用于处理具有时序关系的序列数据；
12、其中，lstm是长短时记忆网络的简称，是一种常用的循环神经网络变体，用于处理具有时序关系的序列数据；
13、其中，卷积核是图像处理时，给定输入图像，输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素，其中权值由一个函数定义，这个函数称为卷积核；
14、进一步，所述第一步的过程如下：
15、步骤(1.1)参照电梯国家标准与规范《电梯制造与安装安全规范第1部分：乘客电梯和载货电梯》以及特检院报告《特种设备安全监督检查办法》,确定了电梯的相关属性，包括：电梯故障实体以及部件状态、环境因素、厂商与安装日期、载重能力、速度、轿厢尺寸；
16、步骤(1.2)运用自顶向下的本体知识表示方法构建电梯故障知识图谱的模式层，对电梯概念、实体、属性、关系以及规则进行建模，形成电梯知识图谱的电梯故障知识模型，本体是一种用于描述领域知识的形式化方法，用于描述实体、属性和关系之间的概念及其之间的约束关系；
17、步骤(1.3)使用本体建模语言owl，定义电梯故障知识图谱的概念、类别、属性和关系，确定顶层概念、主要类和子类，以及它们之间的层次结构。使用owl创建一个顶层概念，“电梯故障”，通过添加类(class)来表示这些顶层概念；
18、步骤(1.4)：创建主要类和子类：使用本体建模工具protégé中的类继承和子类化机制来定义类之间的层次结构，创建电梯故障类，并定义子类：电梯停止，电梯无响应，电梯运行异常，电梯机械故障，电梯电气故障，电梯传感器故障，电梯控制系统故障；
19、步骤(1.5)：创建故障类型类和子类并定义层次结构：创建一个名为“电梯故障类型”的类，它可以有子类:电梯停止，电梯无响应，电梯运行异常，电梯机械故障，电梯传感器故障，电梯控制系统故障，用于表示电梯故障的不同类型；在本体编辑器中，通过子类化(subclass)机制将子类与“电梯故障类型”类关联起来，在每个类的属性面板中，使用“subclass of”选定“电梯故障类型”类；
20、步骤(1.6)确定关系和属性：使用owl定义类之间的关系和属性。在本体编辑器中创建关系(relation)，构建的关系有“包含”，“导致”，“修复”；使用“objectproperty”关键词定义对象属性，表示类与类之间的关联；同时，在本体编辑器中创建属性(property)，创建的属性有本文档来自技高网...
【技术保护点】
1.一种融合知识图谱和神经网络的电梯故障诊断方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的一种融合知识图谱和神经网络的电梯故障诊断方法，其特征在于，所述第一步的过程如下：
3.如权利要求1或2所述的一种融合知识图谱和神经网络的电梯故障诊断方法，其特征在于，所述第二步的过程如下：
4.如权利要求1或2所述的一种融合知识图谱和神经网络的电梯故障诊断方法，其特征在于，所述第三步的过程如下：
5.如权利要求4所述的一种融合知识图谱和神经网络的电梯故障诊断方法，其特征在于，所述步骤(3.1)的过程如下：
6.如权利要求4所述的一种融合知识图谱和神经网络的电梯故障诊断方法，其特征在于，所述步骤(3.2)的过程如下：
7.如权利要求1或2所述的一种融合知识图谱和神经网络的电梯故障诊断方法，其特征在于，所述第四步的过程如下：
【技术特征摘要】
1.一种融合知识图谱和神经网络的电梯故障诊断方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的一种融合知识图谱和神经网络的电梯故障诊断方法，其特征在于，所述第一步的过程如下：
3.如权利要求1或2所述的一种融合知识图谱和神经网络的电梯故障诊断方法，其特征在于，所述第二步的过程如下：
4.如权利要求1或2所述的一种融合知识图谱和神经网络的电梯故障诊断方法...
【专利技术属性】
技术研发人员：肖刚，姚俊波，陆佳炜，李仁，茹晓英，姚芳芳，徐晶，胡豪，
申请(专利权)人：中国计量大学，
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。