一种基于BP神经网络的电梯故障预测方法及系统与流程

本发明属于电梯故障预测，更具体地，涉及一种基于bp神经网络的电梯故障预测方法及系统。

背景技术：

1、bp神经网络（backpropagation neural network）是一种常见的人工神经网络模型，用于机器学习和深度学习任务。它是一种监督学习算法，通常用于解决分类和回归问题。

2、以下是bp神经网络的基本原理和步骤：

3、结构：bp神经网络由输入层、隐藏层和输出层组成。输入层接收原始数据，隐藏层进行特征转换，输出层产生最终的预测结果。

4、前向传播（forward propagation）：数据通过网络从输入层传递到输出层。每个神经元（节点）都有权重，这些权重用于调整输入的影响。前向传播的过程中，通过激活函数计算每个神经元的输出。

5、损失函数（loss function）：用于衡量模型预测与实际值之间的差异。目标是最小化损失函数，使模型的预测更接近实际值。

6、反向传播（backward propagation）：在前向传播之后，通过反向传播来更新权重，以减小损失函数。这是通过计算损失函数对权重的梯度，然后使用梯度下降（或其他优化算法）来更新权重。

7、现有技术中，想要通过bp神经网络对故障进行预测，需要有针对性的设计激活函数或模型，但是目前针对电梯故障预测领域的模型精确度不高。

技术实现思路

1、为解决以上技术问题，本发明提出一种基于bp神经网络的电梯故障预测方法，包括：

2、获取电梯的多个周期内的电梯数据向量，并按照周期形成多个电梯数据集，其中，所述电梯数据向量包括：电梯运行时间、电梯的负载百分比、电梯的运行速度、电梯的运行距离、电梯的加速度和电梯所在楼层的高度；

3、设置电梯故障预测模型，并根据所述电梯数据向量，计算电梯发生故障的概率，并通过所述电梯发生故障的概率对电梯故障进行预测；

4、设置bp神经网络，将所述电梯故障预测模型作为激活函数，并设置损失函数，将计算得到得电梯发生故障的概率与真实值进行对比，从而通过梯度下降法完成所述电梯故障预测模型中参数的拟合，以使预测结果更准确。

5、进一步的，所述电梯故障预测模型包括：

6、，

7、其中，为电梯发生故障的概率，为电梯数据集中的电梯数据向量的数量，为第一电梯数据集中第个电梯数据向量和第二电梯数据集中第个电梯数据向量的关联权重，为第一电梯数据集中第个电梯数据向量，为第二电梯数据集中第个电梯数据向量，为外部环境因素向量的数量，为第个外部环境因素向量的权重，为第个外部环境因素向量，为时间变化项的数量，为时间变化项的第个振幅，为时间变化项的第个频率，为时间变化项的第个相位，为偏置项，为时间。

8、进一步的，第一电梯数据集中第个电梯数据向量和第二电梯数据集中第个电梯数据向量的关联权重包括：

9、，

10、其中，为调整因子，为第一电梯数据集中第个电梯数据向量和第二电梯数据集中第个电梯数据向量的关联性系数。

11、进一步的，所述第一电梯数据集中第个电梯数据向量和第二电梯数据集中第个电梯数据向量的关联性系数包括：

12、，

13、其中，为所有电梯数据集中第个电梯数据向量的均值，为所有电梯数据集中第个电梯数据向量的均值。

14、进一步的，第个外部环境因素向量包括：建筑物的振动频率、电梯使用时的环境湿度和电梯使用时的环境风速。

15、本发明还提出一种基于bp神经网络的电梯故障预测系统，包括：

16、获取数据模块，用于获取电梯的多个周期内的电梯数据向量，并按照周期形成多个电梯数据集，其中，所述电梯数据向量包括：电梯运行时间、电梯的负载百分比、电梯的运行速度、电梯的运行距离、电梯的加速度和电梯所在楼层的高度；

17、设置模型模块，用于设置电梯故障预测模型，并根据所述电梯数据向量，计算电梯发生故障的概率，并通过所述电梯发生故障的概率对电梯故障进行预测；

18、设置神经网络模块，用于设置bp神经网络，将所述电梯故障预测模型作为激活函数，并设置损失函数，将计算得到得电梯发生故障的概率与真实值进行对比，从而通过梯度下降法完成所述电梯故障预测模型中参数的拟合，以使预测结果更准确。

19、进一步的，所述电梯故障预测模型包括：

20、，

21、其中，为电梯发生故障的概率，为电梯数据集中的电梯数据向量的数量，为第一电梯数据集中第个电梯数据向量和第二电梯数据集中第个电梯数据向量的关联权重，为第一电梯数据集中第个电梯数据向量，为第二电梯数据集中第个电梯数据向量，为外部环境因素向量的数量，为第个外部环境因素向量的权重，为第个外部环境因素向量，为时间变化项的数量，为时间变化项的第个振幅，为时间变化项的第个频率，为时间变化项的第个相位，为偏置项，为时间。

22、进一步的，第一电梯数据集中第个电梯数据向量和第二电梯数据集中第个电梯数据向量的关联权重包括：

23、，

24、其中，为调整因子，为第一电梯数据集中第个电梯数据向量和第二电梯数据集中第个电梯数据向量的关联性系数。

25、进一步的，所述第一电梯数据集中第个电梯数据向量和第二电梯数据集中第个电梯数据向量的关联性系数包括：

26、，

27、其中，为所有电梯数据集中第个电梯数据向量的均值，为所有电梯数据集中第个电梯数据向量的均值。

28、进一步的，第个外部环境因素向量包括：建筑物的振动频率、电梯使用时的环境湿度和电梯使用时的环境风速。

29、通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：

30、本发明获取电梯的多个周期内的电梯数据向量，并按照周期形成多个电梯数据集，其中，所述电梯数据向量包括：电梯运行时间、电梯的负载百分比、电梯的运行速度、电梯的运行距离、电梯的加速度和电梯所在楼层的高度；设置电梯故障预测模型，并根据所述电梯数据向量，计算电梯发生故障的概率，并通过所述电梯发生故障的概率对电梯故障进行预测；设置bp神经网络，将所述电梯故障预测模型作为激活函数，并设置损失函数，将计算得到得电梯发生故障的概率与真实值进行对比，从而通过梯度下降法完成所述电梯故障预测模型中参数的拟合，以使预测结果更准确。本发明通过以上技术方案能够结合bp神经网络，获得更准确的预测模型，从而精准预测电梯故障概率，减少安全事故。

技术特征：

1.一种基于bp神经网络的电梯故障预测方法，其特征在于，包括：

2.如权利要求1所述的一种基于bp神经网络的电梯故障预测方法，其特征在于，第一电梯数据集中第个电梯数据向量和第二电梯数据集中第个电梯数据向量的关联权重包括：

3.如权利要求2所述的一种基于bp神经网络的电梯故障预测方法，其特征在于，所述第一电梯数据集中第个电梯数据向量和第二电梯数据集中第个电梯数据向量的关联性系数包括：

4.如权利要求1所述的一种基于bp神经网络的电梯故障预测方法，其特征在于，第个外部环境因素向量包括：建筑物的振动频率、电梯使用时的环境湿度和电梯使用时的环境风速。

5.一种基于bp神经网络的电梯故障预测系统，其特征在于，包括：

6.如权利要求5所述的一种基于bp神经网络的电梯故障预测系统，其特征在于，第一电梯数据集中第个电梯数据向量和第二电梯数据集中第个电梯数据向量的关联权重包括：

7.如权利要求6所述的一种基于bp神经网络的电梯故障预测系统，其特征在于，所述第一电梯数据集中第个电梯数据向量和第二电梯数据集中第个电梯数据向量的关联性系数包括：

8.如权利要求5所述的一种基于bp神经网络的电梯故障预测系统，其特征在于，第个外部环境因素向量包括：建筑物的振动频率、电梯使用时的环境湿度和电梯使用时的环境风速。

技术总结本发明公开一种基于BP神经网络的电梯故障预测方法及系统，该方法包括：获取电梯的多个周期内的电梯数据向量，并按照周期形成多个电梯数据集，其中，所述电梯数据向量包括：电梯运行时间、电梯的负载百分比、电梯的运行速度、电梯的运行距离、电梯的加速度和电梯所在楼层的高度；设置电梯故障预测模型，并根据所述电梯数据向量，计算电梯发生故障的概率，并通过所述电梯发生故障的概率对电梯故障进行预测；设置BP神经网络，将所述电梯故障预测模型作为激活函数，并设置损失函数，将计算得到得电梯发生故障的概率与真实值进行对比，从而通过梯度下降法完成所述电梯故障预测模型中参数的拟合，以使预测结果更准确。技术研发人员：张璋,吴晓波,李冬,梅光敏,董浩明,蔡方舟,陈峥,刘志远,徐桂芳,欧阳道远,李善淼,肖佐财,孙敬伟,张琨,张银龙,何林,游鹏辉,庆光蔚,冯月贵受保护的技术使用者：武汉市特种设备监督检验所技术研发日：技术公布日：2024/7/29