[发明专利]基于双向门控循环神经网络的电梯故障预警方法

权利要求书

1.一种基于双向门控循环神经网络的电梯故障诊断方法，其特征在于，按照以下步骤实施：

步骤1：将电梯振动数据库中的样本，按照信号中所包含的故障类型通过专家进行分类定义，完成样本标注；

步骤2：将分类定义后的样本转化为样本序列，

该样本序列包含两个部分，第一部分为信号序列，采样间隔按照采样时间的设置对应确定；第二部分为标签序列，标签序列标注出对应的信号序列所处的分类；

将信号序列数据转化为矩阵形式，信号序列的矩阵形状为[序列样本数量,步长,输入数据维度]；同时将信号序列对应的标签序列数据转化为矩阵形式，标签序列的矩阵形状为[序列样本数量,输出标签维度]；

步骤3：将序列化后的样本分为训练集及测试集，

其中训练集数据占总样本的60％，测试集数据占总样本的30％，交叉验证集为10％；

步骤4：构建双向门控循环神经网络构架，

双向门控循环神经网络构架包括三个部分，第一部分为输入层部分，第二部分为隐含层部分，第三部分为输出层部分；输入层部分仅包含一层输入层；隐含层部分包含多层，包括双向门控循环神经网络层、全连接层、丢弃层；输出层部分仅包含一层的Soft-Max层，

训练后的双向门控循环神经网络通过最后的Soft-Max层来输出序列的判断结果，其中除输入层外其余双向门控循环神经网络层均通过激活函数与前一层双向门控循环神经网络层链接；

每一层的输出数据使用批规范化进行规范化处理；

步骤5：将构建好的双向门控循环神经网络构架进行训练，每次训练遍历训练集中的每一个训练数据，每次遍历被称为一个世代，使双向门控循环神经网络构架进行多个世代训练；

若干个世代使用测试集中的数据来进行测试，得到数据准确率，并使用损失函数输出损失率；经过多个世代训练后，得到最优的双向门控循环神经网络诊断模型；

步骤6：过拟合判断，

使用交叉验证集来进行过拟合测试，若精确度大幅下降则出现过拟合现象，出现过拟合现象则调整超参数，采用修改丢弃层丢弃率、更改全连接层数量、修改学习率、更改训练世代、或调整隐含层数量；

如果减少双向门控循环神经网络层数量，则需要重新通过步骤5进行训练，得到双向门控循环神经网络诊断模型；

步骤7：使用双向门控循环神经网络诊断模型对电梯振动波形进行电梯故障判断，判断标准与步骤1的专家标注有关，且遵守国家或行业相关标准，从最后一层Soft-Max层抽取判断结果；

步骤8：输出判断结果，该判断结果表明电梯处于故障状态则发送警报。