技术领域
[0001] 本
发明涉及一种使用
多层感知器神经网络进行电梯故障识别的方法,属于电梯故障识别领域。
背景技术
[0002] 随着我国城市化建设的发展步伐日渐加快，高层
建筑物越来越多，家用直梯的普及程度亦迅猛增长，电梯也成为了人们日常生活中必要的交通设备。
[0003] 根据新闻报道，截至2014年底，我国在用电梯数量已超过350万台，每年新增电梯数量接近50万台，而运行多年的老旧电梯数量快速增加，使用超过十年的电梯已超过100万台，虽然近年来电梯在可靠性方面有很大程度上的改进，但在实际运作中电梯困人、故障停梯等不正常运行状况时有发生。统计运作了5-10年的电梯设备，单台电梯平均每年产生机械、电气等轻微故障36.5次，冲顶、夹人等危险性较大的事故33次，电梯部件功能退化带来的安全
风险日益受到社会关注。老旧电梯的快速增加，以及目前电梯故障识别技术的落后使得维修人员面临很大的压
力，这正在严重威胁人民群众的生命安全。而且随着国家标准、国外标准与企业内部标准的不断升级补充，老旧电梯往往无法获得
软件升级，其造成的安全隐患同样值得关注。
[0004] 在电梯故障识别分类领域，使用if-then判断语句的传统方法一直占据主流地位。但是随着电梯故障识别技术的不断发展以及电梯状态
传感器技术的进步，电梯状态的传感器数量不断增加，故障码的范围不断扩大，传统方法程序的编写遇到很大的困难，程序变得越来越复杂，在设计方法和
迭代升级上面临很多难以解决的问题。
[0005] 特别是原先可以很容易编写的判断程序因为增加了传感器需要彻底
修改逻辑关系，出了问题就要工程师现场烧写程序或者召回产品等问题日益突出。而且因为故障分类逻辑太过复杂，产生了逻辑重合的问题，相同的输入
信号可能会产生不同的输出，这对于维修人员就会产生误导，在输出故障码错误的时候只能挨个原因去试，维修的效率很低。
[0006] 而多层感知器神经网络(Multilayer Perceptrons,MLP)能够一定程度上解决这种问题，它是神经网络
算法中很具代表性的网络类型，具有多输入多输出的结构特点。本发明建立的适应电梯故障识别需要的多层感知器神经网络模型特别使用了Softmax函数，使得多层感知器神经网络可以输出概率，将输出的概率利用总量控制等方法加以处理，可以大大提高识别
精度。并且由于电梯的故障识别属于多输入多输出的多维问题，所以传统的神经网络模型难以胜任，针对电梯故障复杂的判断逻辑、多维的输入输出特点，还建立了每层神经元个数更多的双隐层结构，使得电梯故障识别的准确率提高。
发明内容
[0007] 针对以上问题本发明提供了一种使用多层感知器神经网络进行电梯故障识别的方法。这种基于多层感知器神经网络的电梯故障识别方法，内部的程序结构为多层感知器神经网络，通过数据训练权值，使神经网络学习故障分类方法，而在需要升级识别方法的时候，只须远程修改权值即可，而不需要改动程序的主体结构。同时通过大量训练建立起故障的原因与
输入信号之间的关系，快速
锁定故障产生的原因，多层感知器的输出为概率，利用总量控制的原则可以按照概率输出多个故障码，提供更多的可靠信息，对于维修人员有更强的指导作用。为了解决以上问题，本发明采用了如下技术方案：
[0008] 一种使用多层感知器神经网络进行电梯故障识别的方法，其特征在于，包括以下步骤：
[0009] A、采集、筛选电梯故障数据，建立
数据库，用于多层感知器神经网络训练；
[0010] B、程序初始化，读取用于训练所述多层感知器神经网络的电梯故障数据，针对电梯故障识别的特点建立所述多层感知器神经网络；
[0011] C、训练所述多层感知器神经网络，并测试其对于电梯故障识别的准确率；
[0012] D、使用权值已经训练好的多层感知器神经网络模型对实际数据进行故障识别；
[0013] E、按照总量控制的原则，选取所述多层感知器神经网络输出中概率较大的一个或者多个故障码作为最终输出。
[0014] 所述步骤B中建立的神经网络模型是指多层感知器(MLP)神经网络，具有多输入多输出的结构特点，针对电梯故障复杂的判断逻辑、多维的输入输出特点，还建立了每层神经元个数为80个的双隐层结构，使得电梯故障识别的准确率提高；
[0015] 所述多层感知器神经网络的
输入层的输入为方向、
门区信号、下次级端站、上次级端站等39个电梯状态参数，两个隐层的激活函数为Sigmoid函数,两个隐层均有80个神经元，
输出层的激活函数为Softmax函数，输出层的输出为门联锁故障、驱动故障、开闸故障等41个故障类型的概率，这41个概率对应了0-40共41个故障码，代表了每种故障类型发生的概率。
[0016] 所述多层感知器神经网络输出层激活函数是Softmax函数，公式如下：
[0017]
[0018] p(j)是指输出层第j个输出的概率,aj是指输出层的第j个输入,为前一级所有输出的加权累加和，M是输出层神经元的总个数，是一个常数，ak是指输出层的第k个输入,1<＝k<＝M。传统神经网络的输出层一般是0-1输出，而所述多层感知器神经网络输出层使用Softmax函数，可输出多个概率，代表每一个故障码发生的概率，且所有的故障码概率之和为1，这样能够包含更多的电梯故障信息，为电梯维修人员提供参考。
[0019] 所述多层感知器神经网络的损失函数采用Softmax函数的交叉熵损失函数，公式为：
[0020]
[0021] zk是输出层第k个正确的输出，是真实值，yk是第k个实际的输出，是预估值，1<＝k<＝M。M是输出的总个数，也就是是输出层神经元的总个数，即故障码的个数，其偏导数可以化简为加减运算的形式，便于在所述计算机或者电梯的
单片机中编程和使用；
[0022] 对于上述损失函数求偏导并化简可得： 由此公式根据链式法则得到双隐层结构的反向传播的算法推导如下：
[0023]
[0024]
[0025]
[0026] Whi、Ujh、Vkj分别是指输入层和隐层0之间的权值、隐层0和隐层1之间的权值、隐层1和输出层之间的权值,θh是指隐层0的第h个神经元的激活函数的输出,θ1j是指隐层1的第j个神经元的激活函数的输出。上述推导的反向传播公式在多层感知器神经网络反向传播时，根据误差修正权值Vkj、Ujh、Whi的时候使用。
[0027] 所述步骤C中多层感知器神经网络训练方法包括在修正所述权值的时候加入动量项
加速收敛，其公式为： Whi(t)指在t这个时刻输入层和隐层0之间的权值， 是指权值的W(t)的梯度向量，Whi(t+1)是Whi(t)的下一次训练的权值，ΔWhi(t)·A就是加入的动量项，A是动量系数，B是学习速率，在反向传播修正权值的阶段使用上述公式加速收敛。
[0028] 如果所述步骤D中权值已经训练好的多层感知器神经网络模型用于所述电梯控制板，可以通过所述
服务器远程更新权值以变更故障识别逻辑的方法包括以下步骤：
[0029] D-A、首先服务器下发修改故障识别部分的权值的命令；
[0030] D-B、然后电梯控制板的CPU保存目前的工作状态，确定没有乘客之后，进入暂停一切工作的状态；
[0031] D-C、服务器将新的权值通过GPRS通讯模
块下发到电梯控制板的RAM中，然后保存到Flash权值储存区Ⅰ中，Flash权值储存区Ⅱ作为备份，防止出现断电没有储存完造成数据错误；
[0032] D-D、在保存到Flash权值储存区Ⅰ中成功后，与服务器进行校验，正确之后，再将Flash权值储存区Ⅰ中的数据保存到Flash权值储存区Ⅱ中；
[0033] D-E、至此服务器无线更新权值的过程结束；
[0034] 传统方法使用if-then逻辑语句难以远程修改故障识别逻辑，而上述方法可以稳定简单地通过远程更新权值以修改故障识别逻辑，更加准确地判断故障原因。
[0035] 所述步骤E中基于总量控制的输出电梯故障类型的方法包括以下步骤：
[0036] E-A、每一个所述神经网络输出的概率均对应一个所述的故障码，这表示在目前的输入数据下每一种故障类型发生的概率，首先对于所述神经网络输出使用总量控制的方法，将概率最大的故障码的概率与设置的
阈值相比较，如果小于阈值，则按照概率大小依次输出两个故障码；
[0037] E-B、然后将两个概率之和与阈值相比较，如果小于阈值，则按照概率大小依次输出三个故障码；
[0038] E-C、为防止算法聚焦度过低，最多输出三个可能的故障码；
[0039] E-D、最多输出故障码的个数可以根据现场的需要进行改变。
[0040] 与现有的技术相比，本发明的有益效果是：该电梯故障识别方法，对于电梯门故障、
变频器故障和驱动故障等电梯常见的30多种故障具有良好的识别准确度。这种使用总量控制处理神经网络输出的电梯故障识别方法，相对于传统方法，准确率更高的同时，还可以输出一个或多个故障码，并且按照概率排序，能够提供更加丰富的电梯故障信息，对维修人员具有更好的参考作用。不仅可以分析故障原因，减轻了维修人员的工作量，又能相对简单得实现远程升级故障识别系统，降低现场修改程序的人员
费用，同时使电梯的故障分类标准始终符合最新的国家、企业标准，提高了电梯的安全性，对于电梯行业的智能化升级，保障人民群众的生命安全具有很大的意义。
附图说明
[0041] 图1是本发明使用多层感知器神经网络进行电梯故障识别的
流程图；
[0042] 图2为本发明的多层感知器神经网络的结构图；
[0043] 图3为本发明的多层感知器神经网络权值远程更新原理图；
[0044] 图4是阈值与总量控制对于准确率的影响柱状图。
具体实施方式
[0045] 下面结合附图与具体实施方式对本发明作进一步详细描述：
[0046] 如图1所示，本发明提供了一种使用多层感知器神经网络进行电梯故障识别的方法，包括训练所述神经网络和使用训练后的神经网络进行电梯故障识别，本方法所识别电梯故障包括门故障、变频器故障、驱动故障等，所述训练和使用神经网络包括以下步骤：
[0047] A、采集、筛选电梯故障数据，建立数据库，用于多层感知器神经网络训练；
[0048] B、所述程序初始化，读取用于训练所述多层感知器神经网络的电梯故障数据，针对电梯故障识别的特点建立所述多层感知器神经网络；
[0049] C、训练所述多层感知器神经网络，并测试其对于电梯故障识别的准确率；
[0050] D、使用权值已经训练好的多层感知器神经网络模型对实际数据进行故障识别；
[0051] E、按照总量控制的原则，选取所述多层感知器神经网络输出中概率较大的一个或者多个故障码作为最终输出。
[0052] 以上是本发明整个流程的综合阐述，下面将对每个步骤的创新点进行解释。
[0053] 步骤B中建立的神经网络模型是指多层感知器(MLP)神经网络，具有多输入多输出的结构特点，针对电梯故障复杂的判断逻辑、多维的输入输出特点，还建立了每层神经元个数为80个的双隐层结构，使得电梯故障识别的准确率提高；
[0054] 所述多层感知器神经网络的输入层的输入为方向、门区信号、下次级端站、上次级端站等39个电梯状态参数，两个隐层的激活函数为Sigmoid函数,两个隐层均有80个神经元，输出层的激活函数为Softmax函数，输出层的输出为门联锁故障、驱动故障、开闸故障等41个故障类型的概率，这41个概率对应了0-40共41个故障码，代表了每种故障类型发生的概率。
[0055] 所述多层感知器神经网络输出层激活函数是Softmax函数，公式如下：
[0056]
[0057] p(j)是指输出层第j个输出的概率,aj是指输出层的第j个输入,为前一级所有输出的加权累加和，M是输出层神经元的总个数，是一个常数，ak是指输出层的第k个输入,1<＝k<＝M。传统神经网络的输出层一般是0-1输出，而所述多层感知器神经网络输出层使用Softmax函数，可以输出多个概率，代表每一个故障码发生的概率，且所有的故障码概率之和为1，这样能够包含更多的电梯故障信息，为维修人员提供参考。
[0058] 电梯的故障识别涉及到39个输入信号，也就是相当于39维的输入，输出设置为41个概率，对应0-40这41个故障码，属于多输入多输出问题，非常复杂，为了适应电梯故障识别复杂的逻辑关系，使用每层神经元个数达到80个的双隐层结构增加了所述神经网络的复杂程度，神经元个数远大于常见的单隐层神经网络，这样可以包含更多的信息，拟合性能和泛化性能都比较好。同时为了在识别后，给予现场维修人员更多的信息，降低识别的误差率，特别使用Softmax函数作为输出层的激活函数，这样可以输出概率，相对于传统的0-1输出，可以输出更多的信息，对于输出的概率进行合理的处理，例如使用总量控制等方法，可以显著提高识别准确度，同时给予现场维修人员更多的参考。
[0059] 而步骤B中读取的数据需要经过去重、筛选和修改，这些数据每一条一共为40位，前39位是输入，最后1位是输出的故障码(每一位是一个十进制数字，不是计算机科学中的bit)。这些数据的具体含义如下：
[0060] 表1每一位输入的含义
[0061]
[0062]
[0063] 表2每一个输出的故障码的含义
[0064]
[0065] 实际仅有30多个故障码，为了以后的扩展，在试验中设置41个故障码。
[0066] 所述多层感知器神经网络的损失函数采用Softmax函数的交叉熵损失函数，公式为：
[0067]
[0068] zk是输出层第k个正确的输出，是真实值，yk是第k个实际的输出，是预估值，1<＝k<＝M。M是输出的总个数，也就是是输出层神经元的总个数，即故障码的个数，其偏导数可以化简为加减运算的形式，便于在所述计算机或者电梯的单片机中编程和使用；
[0069] 对于上述损失函数求偏导并化简可得： 由此公式根据链式法则得到双隐层结构的反向传播的算法推导如下：
[0070]
[0071]
[0072]
[0073] Whi、Ujh、Vkj分别是指输入层和隐层0之间的权值、隐层0和隐层1之间的权值、隐层1和输出层之间的权值,θh是指隐层0的第h个神经元的激活函数的输出,θ1j是指隐层1的第j个神经元的激活函数的输出。上述推导的反向传播公式在多层感知器神经网络反向传播时，根据误差修正权值Vkj、Ujh、Whi的时候使用。
[0074] 其中，步骤B中神经网络训练方法包括以下步骤：
[0075] A、首先将数据正向传播依次经过隐层0、隐层1到达输出层，其输出为每一种故障码的概率；
[0076] B、然后通过算法的损失函数得到输出结果和正确结果偏差；
[0077] C、通过反向传播按照偏差使用
梯度下降法依次修改每个权值；
[0078] D、不断重复步骤A到C的过程，直到达到准确率的要求；
[0079] E、至此神经网络训练的过程结束。
[0080] 以上简单描述了一下训练神经网络的过程，与通常的方法是相似的。
[0081] 如图2中的神经网络结构所示，在隐层0部分的正向传播的算法可以简单表示为：
[0082]
[0083] bh＝θh(ah)
[0084]
[0085] ah是指前一级(输入层)所有输出的加权累加和，bh是指激活函数θh(ah)的输出，whi是指输入层和隐层0之间的权值，xi是指输入层的第i个输出，1<＝i<＝R，由原始的输入数据在输入层归一化得到，θh(ah)是指隐层0的激活函数，隐层1的正向传播部分同理，而Softmax函数的交叉熵损失函数如下：
[0086] (zk是正确的输出)
[0087] 求完偏导数可以化简为：
[0088]
[0089] 反向传播的算法推导如下：
[0090]
[0091]
[0092]
[0093] Whi、Ujh、Vkj分别是指输入层和隐层0之间的权值、隐层0和隐层1之间的权值、隐层1和输出层之间的权值,θh是指隐层0的第h个神经元的激活函数的输出,θ1j是指隐层1的第j个神经元的激活函数的输出。
[0094] 以上是双隐层的神经网络算法，通过双隐层增加了神经网络的复杂程度，对于电梯故障识别中复杂的逻辑关系有着更好的拟合效果，故障识别的准确率更高。
[0095] 而步骤C中所述多层感知器神经网络训练方法包括在修正所述权值的时候加入动量项加速收敛，其公式为：
[0096] Whi(t)指在t这个时刻的时候输入层和隐层0之间的权值， 是指权值的W(t)的梯度向量，Whi(t+1)是Whi(t)的下一次训练的权值，ΔWhi(t)·A就是加入的动量项，A是动量系数，B是学习速率，在反向传播修正权值的阶段使用上述公式加速收敛。
[0097] 在试验中共收集了
覆盖比较全面的10万条数据，随机分配为数据库60000条和验证数据40000条，
训练数据为在60000条的故障数据库中随机
抽取25000条，剩下的作为测试数据。模型每训练一次就会用测试数据测试其准确率；在多次运行，确定其最佳参数之后，使用验证数据对于模型整体识别准确率进行评估。所述多层感知器神经网络的权值的产生同样是在一定范围内随机产生的，主要原因就是通过初始权值的随机性和训练数据的随机性消除模型建立和训练过程中的偶然性因素，在最后验证的时候能够获得相对客观的结果。
[0098] 通过试验来确定最佳参数，首先在训练次数等其他条件都相同且比较合适的情况下，将隐层
节点个数设置为每层20、40、60、80、100、120个。在节点数均为80个的时候，拟合性能和泛化性能综合考虑是最好的。
[0099] 然后对于训练次数进行考虑，在节点数均为80，而且其他条件都相同且比较合适的情况下，将训练次数设置为500、1500、2500、4500、7500、10500、14500、17500、20500个。在训练次数为7500的时候，训练时间和准确率综合考虑是最好的。
[0100] 其他参数的确定与以上的过程类似，经过试验确定最佳参数，设置的双隐层的节点数均为80，训练7500次，学习速率与动量系数均为0.01，取得了很好的效果，识别准确率在95％以上。
[0101] 其中，如果所述步骤D中权值已经训练好的多层感知器神经网络模型用于所述电梯控制板，可以通过所述服务器远程更新权值以变更故障识别逻辑的方法包括以下步骤：
[0102] D-A、首先服务器下发修改故障识别部分的权值的命令；
[0103] D-B、然后电梯控制板的CPU保存目前的工作状态，确定没有乘客之后，进入暂停一切工作的状态；
[0104] D-C、服务器将新的权值通过GPRS通讯模块下发到电梯控制板的RAM中，然后保存到Flash权值储存区Ⅰ中，Flash权值储存区Ⅱ作为备份，防止出现断电没有储存完造成数据错误；
[0105] D-D、在保存到Flash权值储存区Ⅰ中成功后，与服务器进行校验，正确之后，再将Flash权值储存区Ⅰ中的数据保存到Flash权值储存区Ⅱ中；
[0106] E、至此服务器无线更新权值的过程结束；
[0107] 传统方法使用if-then逻辑语句难以远程修改故障识别逻辑，而上述方法可以稳定简单地通过远程更新权值以修改故障识别逻辑，更加准确地判断故障原因。
[0108] 结构参见图3，服务器使用无线GPRS更新权值，通过这种方法来更新故障识别部分的识别逻辑。建立起神经网络的软件之后，只要修改权值，这样对应故障的识别逻辑就会改变，这样就相当于可以随时对于电梯的故障识别部分的软件进行修改。
[0109] 其中，步骤E中基于总量控制的输出电梯故障类型的方法包括以下步骤：
[0110] E-A、每一个所述多层感知器神经网络输出的概率均对应一个所述的故障码，这表示在目前的输入数据下每一种故障类型发生的概率，首先对于所述多层感知器神经网络输出使用总量控制的方法，将概率最大的故障码的概率与设置的阈值相比较，如果小于阈值，则按照概率大小依次输出两个故障码；
[0111] E-B、然后将两个概率之和与阈值相比较，如果小于阈值，则按照概率大小依次输出三个故障码；
[0112] E-C、为防止算法聚焦度过低，最多输出三个可能的故障码；
[0113] E-D、最多输出故障码的个数可以根据现场的需要进行改变。
[0114] 这种总量控制的方法通常见于环境污染排放控制领域，但在本发明中，在对于多层感知器识别电梯故障输出的每种故障的概率进行选取的处理中也取得了良好的效果。使用总量控制的方法，可以将输出的故障码的概率之和与设置的阈值的大小作比较，在概率最大的故障码的概率达不到阈值的时候，按照概率大小顺序输出两个或三个概率，其对于准确率的影响如图4所示，采用总量控制的方法，设置一个合适的阈值(本发明中设置为0.995)，可以增加输出的可靠性，在概率最大的输出其概率不够大的时候，输出其次的两个或三个故障码，最终明显提高了模型整体的准确率，对于维修人员具有更大的指导作用。
[0115] 本发明中描述的电梯故障识别方法，对于电梯门故障、变频器故障和驱动故障等电梯常见的30多种故障具有良好的识别准确度。相对于传统的识别方法，准确率更高的同时，还可以输出一个或多个故障码，并且按照概率排序，能够提供更加丰富的电梯故障信息，对维修人员具有更好的参考作用。不仅可以分析故障原因，减轻了维修人员的工作量，又能相对简单得实现远程升级故障识别系统，降低现场修改程序的人员费用，同时使电梯的故障分类标准始终符合最新的国家、企业标准，提高了电梯的安全性，对于电梯行业的智能化升级，保障人民群众的生命安全具有很大的意义。
[0116] 以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述
实施例的限制，上述实施例和
说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的
权利要求书及其等效物界定。
