本发明属于特种设备运行过程软测量建模和应用领域，特别涉及一种基于深度学习的电梯时序数据的异常诊断方法。
背景技术：
随着现代化过程的稳步推进，电梯、起重机械、客运索道等特种设备得到广泛的应用，它的出现极大提高了人们生产生活的便捷性与效率。因此，特种设备在人们生活中占据着非常重要的位置，已经与人们的生活息息相关。然而，伴随的特种设备的普及，特种设备的安全问题也得到了极大地关注，因为特种设备一旦发生故障，将直接危害人类的生命和财产安全，这种后果将是无法想象的。针对特种设备的安全问题，采取的措施是定期的对特种设备进行检验，评估特种设备的运行状况以及运行寿命。但是这种措施存在四个问题：1、首先对质检员的专业要求度很高，并且质检员需要大量特种设备故障诊断经验，这样的评估结果才具有可信度；2、特种设备的系统结构复杂，造成的故障存在太多的不确定性，无法进行精确的评估；3、设备出现异常的概率较低，并且出现的时间不固定，无法通过定期的检验进行有效的把控；4、定期的检验具有严重的滞后性，无法实时的对特种设备进行监控，以保障人们的生命和财产安全。
随着人工智能时代的到来，很多人工操作逐渐被智能设备所替代，通过智能设备对特定装置进行实时的监控，不仅检测效率更高，而且成本低；并且人工智能技术也愈发成熟与完善，在异常诊断方面也取得了很多有效的成果，极大促进了异常诊断技术的发展。基于人工智能的异常诊断技术，主要利用传感器对特种设备关键位置进行数据采集，通过观察总体数据的变化结合专家诊断系统，确定特检设备的运行状况以及运行寿命。该方法只需要实时的记录传感器不同时刻的数据显示，通过物联网技术传到用户的电脑进行数据分析，就能对电梯的安全状况进行有效评估。一旦特种设备很容易产生或大或小的异常，会造成特种设备上传感器波形发生跳变、断层等现象形成异常数据。此时，只需要对特种设备产生的实时数据进行有效分析得到数据中的异常点，就能诊断出特种设备运行过程的异常情况，从而实时的给出预警措施。
技术实现要素：
发明目的：本发明针对传统的特种设备异常诊断方法需要花费庞大的人力物力进行人工检查的问题，采用数据驱动的方式对特种设备运行状况进行综合评估，提出一种基于深度学习的电梯时序数据的异常诊断方法。
技术方案：一种基于深度学习的电梯时序数据的异常诊断方法，包括如下步骤：
步骤1、数据的采集，电梯的时序数据是通过对电梯上关键位置上的门球轴承，湿度和振动传感器进行采样得到，以时间序列的形式进行存储；
步骤2、对上述时序数据进行预处理得到建模样本，将建模样本划分为训练样本和测试样本；
步骤3、采用训练样本，建立基于注意力机制的长短记忆网络的预测模型，采用测试样本进行预测，预测下一时刻的状态值；
步骤4、将训练样本输入到变分编码器中，得到目标最优损失值α；
步骤5、将状态值输入到采用变分编码器重构的范围区域中，确定正常范围区间的上下限；
步骤6、在线采集电梯上传感器实时测定的时序数据，并对其进行预处理；
步骤7、将预处理后的新样本输入到步骤3中基于注意力机制的长短记忆网络的预测模型中，获得对应的状态值，然后将状态值输入到步骤5中，判断状态值是否处于正常范围区间的上下限，实时的判断数据的异常情况。
所述步骤2中，对上述时序数据进行预处理得到建模样本的具体预处理过程为：
其中，时序数据d＝{(x′1，y1)，(x′2，y2)，…，(x′m，ym)}，
所述步骤3中，建立基于注意力机制的长短记忆网络的预测模型分为编码阶段和解码阶段。编码器阶段具体实现步骤如下：
步骤1、将训练样本等分为批量为n的时序数据，基于注意力机制的长短记忆网络的输入为当前的时间t输入
步骤2、给定时间t，则上一时间的隐含状态表示为
步骤3、设隐含单元个数为h，给定时间t的小批量输入xt和上一隐含状态ht-1，时间t的输入门
it＝σ(xtwxi ht-1whi bi)
ft＝σ(xtwxf ht-1whf bf)
ot＝σ(xtwxo ht-1who bo)
wxi，wxf，
步骤4、候选记忆细胞
步骤5、ct的计算为：
其中，
步骤6、记忆细胞ct则通过使用按元素乘法，符号为⊙，对输入门、遗忘门和输出门进行控制，获取隐含状态中的信息，当前时间的记忆细胞ct的公式为：
步骤7、通过输出门来控制从记忆细胞到隐含状态ht的表达式为：
ht＝ot⊙tanh(ct)；
解码器阶段具体实现步骤如下：
步骤1、对于编码器的索引t，解码器时间t′的隐含状态可以由前一时刻的隐含状态ht′-1进行表示，当前隐含状态可以表示为：
ht′＝g(ct′，ht′-1)
其中，g为矩阵相乘操作；
步骤2、对解码器在时间t′的背景为所有的编码器隐含状态进行加权平均：
步骤3、使用softmax运算得到概率分布：
步骤4、对于et′t，通过f函数以时间t和t′的隐含变量为输入：
ett＝f(ht′-1，ht)
其中f函数是做内积运算，通过激活函数tanh进行感知变换：
f(s，h)＝tanh(wsht′-1 whht)vt
其中
步骤5、最后训练误差的函数为：
基于注意力机制的长短记忆网络的预测模型的具体步骤为：
步骤1、初始化编码器h0，wxi，wxf，wxo、whi，whf，who、bi，bf，bowxc、whc、bc、v，ws，wh，满足相应维度且数值为0到1的矩阵，样本批量大小n＝8，t＝m/n，神经网络训练的epoach＝1000；
步骤2、设定epoach＝1；
步骤3、设定t＝1；
步骤4、令ht-1＝h0和样本xt，代入所述步骤2中的公式得到h1；
步骤5、将t＝t 1，当t≤t转到步骤64，否则转到步骤66；
步骤6、得到ht，令t′＝1；
步骤7、进入解码器部分，令ht′-1＝ht，代入到ht′＝g(ct′，ht′-1)中得到ht′，则使
步骤8、将t′＝t′ 1，当t≤t转到步骤67，否则转到步骤69；
步骤9、最后根据
步骤10、epoach＝epoach 1，当epoach≤1000转到步骤63，否则，训练结束，以此建立基于注意力机制的长短记忆网络的预测模型，将模型保存；
步骤11、采用测试样本放入到已训练好模型中进行预测，预测下一时刻的状态值；
所述步骤4中，变分编码器包含两部分：编码器和解码器，编码器和解码器都为全连接层神经网络，编码器使用四层全连接网络，输入维度为d，输出维度为4，中间两层隐含层维度分别为8和6；解码器的维度与编码器的维度相反，输入输出维度分别为4和d，中间隐含层的维度为6和8；编码器主要将提取的数据特征映射成低维的潜在特征向量，而解码器将低维的潜在特征向量解码重构与原始数据特征尽可能接近。具体实现步骤如下：
步骤1、k表示原始样本维度为12，下标j表示潜在特征向量的维度，即输出维度4，将训练样本编码器的编码器部分得到低维的潜在特征向量，样本为
其中randn_like(·)表示返回满足标准正态分布的随机数，然后将该潜在变量zi经过解码器还原与训练样本维度一样的样本数据x″i；
步骤2、使用输入数据的边际似然估计下界作为目标损失函数找到潜在变量的正确分布：
对比此时输出的样本数据与训练样本的误差，通过上式计算目标损失值，需要达到的目标是使样本数据与训练样本的差异尽可能小，在训练变分编码器时，使用随机梯度下降算法进行训练，优化神经网络的初始化参数，得到的目标损失值为α；
所述步骤5中，将状态值输入到采用变分编码器重构的范围区域中，确定正常范围区间的上下限，具体过程为：
步骤1、输入测试样本，以及基于训练样本得到的重建概率阈值α，通过模型训练得到测试样本的状态值；
步骤2、将上述状态值输入到变分编码器模型中进行异常诊断，将目标损失值低于的时序数据状态值的最大值和最小值记录下来得到[δmax，δmin]，得到正常范围区间的上下限[δmin，δmax]。
有益效果：本发明通过对特种设备产生的实时数据进行分析，诊断出特种设备运行过程的异常情况，从而对特种设备进行有效监控，避免了检测的滞后性；为特种设备运行过程的故障实时监测提供了一种方法。
附图说明
图1是一种基于深度学习的电梯时序数据的异常诊断方法的整体架构图。
图2是一种基于深度学习的电梯时序数据软测量建模后预测结果。
图3是一种基于深度学习的电梯时序数据的异常诊断方法的异常诊断效果。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。参照图1，一种基于深度学习的电梯时序数据的异常诊断方法，包括以下步骤：
步骤1、数据的采集，电梯的时序数据是通过对电梯上关键位置上的门球轴承，湿度和振动传感器进行采样得到，以时间序列的形式进行存储；
步骤2、对上述时序数据进行预处理得到建模样本，将建模样本划分为训练样本和测试样本；
步骤3、采用训练样本，建立基于注意力机制的长短记忆网络的预测模型，采用测试样本进行预测，预测下一时刻的状态值；
步骤4、将训练样本输入到变分编码器中，得到目标最优损失值α；
步骤5、将状态值输入到采用变分编码器重构的范围区域中，确定正常范围区间的上下限；
步骤6、在线采集电梯上传感器实时测定的时序数据，并对其进行预处理；
步骤7、将预处理后的新样本输入到步骤3中基于注意力机制的长短记忆网络的预测模型中，获得对应的状态值，然后将状态值输入到步骤5中，判断状态值是否处于正常范围区间的上下限，实时的判断数据的异常情况。
在进一步实施例中，所述步骤2对上述时序数据进行预处理得到建模样本的具体预处理过程为：
其中，时序数据d＝{(x′1，y1)，(x′2，y2)，…，(x′m，ym)}，
在进一步实施例中，所述步骤3建立基于注意力机制的长短记忆网络的预测模型分为编码阶段和解码阶段。编码器阶段具体实现步骤如下：
步骤1、将训练样本等分为批量为n的时序数据，基于注意力机制的长短记忆网络的输入为当前的时间t输入
步骤2、给定时间t，则上一时间的隐含状态表示为
步骤3、设隐含单元个数为h，给定时间t的小批量输入xt和上一隐含状态ht-1，时间t的输入门
it＝σ(xtwxi ht-1whi bi)
ft＝σ(xtwxf ht-1whf bf)
ot＝σ(xtwxo ht-1who bo)
wxi，wxf，
步骤4、候选记忆细胞
步骤5、ct的计算为：
其中，
步骤6、记忆细胞ct则通过使用按元素乘法，符号为⊙，对输入门、遗忘门和输出门进行控制，获取隐含状态中的信息，当前时间的记忆细胞ct的公式为：
步骤7、通过输出门来控制从记忆细胞到隐含状态ht的表达式为：
ht＝ot⊙tanh(ct)；
解码器阶段具体实现步骤如下：
步骤1、对于编码器的索引t，解码器时间t′的隐含状态可以由前一时刻的隐含状态ht′-1进行表示，当前隐含状态可以表示为：
ht′＝g(ct′，ht′-1)
其中，g为矩阵相乘操作；
步骤2、对解码器在时间t′的背景为所有的编码器隐含状态进行加权平均：
步骤3、使用softmax运算得到概率分布：
步骤4、对于et′t，通过f函数以时间t和t′的隐含变量为输入：
ett＝f(ht′-1，ht)
其中f函数是做内积运算，通过激活函数tanh进行感知变换：
f(s，h)＝tanh(wsht′-1 whht)vt
其中
步骤5、最后训练误差的函数为：
基于注意力机制的长短记忆网络的预测模型的具体步骤为：
步骤1、初始化编码器h0，wxi，wxf，wxo、whi，whf，who、bi，bf，bowxc、whc、bc、v，ws，wh，满足相应维度且数值为0到1的矩阵，样本批量大小n＝8，t＝m/n，神经网络训练的epoach＝1000；
步骤2、设定epoach＝1；
步骤3、设定t＝1；
步骤4、令ht-1＝h0和样本xt，代入所述步骤2中的公式得到h1；
步骤5、将t＝t 1，当t≤t转到步骤64，否则转到步骤66；
步骤6、得到ht，令t′＝1：
步骤7、进入解码器部分，令ht′-1＝ht，代入到ht′＝g(ct′，ht′-1)中得到ht′，则使
步骤8、将t′＝t′ 1，当t≤t转到步骤67，否则转到步骤69；
步骤9、最后根据
步骤10、epoach＝epoach 1，当epoach≤1000转到步骤63，否则，训练结束，以此建立基于注意力机制的长短记忆网络的预测模型，将模型保存；
步骤11、采用测试样本放入到已训练好模型中进行预测，预测下一时刻的状态值；
在进一步实施例中，所述步骤4中，变分编码器包含两部分：编码器和解码器，编码器和解码器都为全连接层神经网络，编码器使用四层全连接网络，输入维度为d，输出维度为4，中间两层隐含层维度分别为8和6；解码器的维度与编码器的维度相反，输入输出维度分别为4和d，中间隐含层的维度为6和8；编码器主要将提取的数据特征映射成低维的潜在特征向量，而解码器将低维的潜在特征向量解码重构与原始数据特征尽可能接近。具体实现步骤如下：
步骤1、k表示原始样本维度为12，下标j表示潜在特征向量的维度，即输出维度4，将训练样本编码器的编码器部分得到低维的潜在特征向量，样本为
其中randn_like(·)表示返回满足标准正态分布的随机数，然后将该潜在变量zi经过解码器还原与训练样本维度一样的样本数据x″i；
步骤2、使用输入数据的边际似然估计下界作为目标损失函数找到潜在变量的正确分布：
对比此时输出的样本数据与训练样本的误差，通过上式计算目标损失值，需要达到的目标是使样本数据与训练样本的差异尽可能小，在训练变分编码器时，使用随机梯度下降算法进行训练，优化神经网络的初始化参数，得到的目标损失值为α；
在进一步实施例中，所述步骤5中，将状态值输入到采用变分编码器重构的范围区域中，确定正常范围区间的上下限，具体过程为：
步骤1、输入测试样本，以及基于训练样本得到的重建概率阈值α，通过模型训练得到测试样本的状态值；
步骤2、将上述状态值输入到变分编码器模型中进行异常诊断，将目标损失值低于的时序数据状态值的最大值和最小值记录下来得到[δmax，δmin]，得到正常范围区间的上下限[δmin，δmax]。
以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。
1.一种基于深度学习的电梯时序数据的异常诊断方法，其特征在于，包括如下步骤：
步骤1、数据的采集，电梯的时序数据是通过对电梯上关键位置上的门球轴承，湿度和振动传感器进行采样得到，以时间序列的形式进行存储；
步骤2、对上述时序数据进行预处理得到建模样本，将建模样本划分为训练样本和测试样本；
步骤3、采用训练样本，建立基于注意力机制的长短记忆网络的预测模型，采用测试样本进行预测，预测下一时刻的状态值；
步骤4、将训练样本输入到变分编码器中，得到目标最优损失值α；
步骤5、将状态值输入到采用变分编码器重构的范围区域中，确定正常范围区间的上下限；
步骤6、在线采集电梯上传感器实时测定的时序数据，并对其进行预处理；
步骤7、将预处理后的新样本输入到步骤3中基于注意力机制的长短记忆网络的预测模型中，获得对应的状态值，然后将状态值输入到步骤5中，判断状态值是否处于正常范围区间的上下限，实时的判断数据的异常情况。
2.根据权利要求1所述的一种基于深度学习的电梯时序数据的异常诊断方法，所述步骤2中，对上述时序数据进行预处理得到建模样本的具体预处理过程为：
其中，时序数据d＝{(x′1,y1),(x′2,y2),…,(x′m,ym)}，
3.根据权利要求1所述的一种基于深度学习的电梯时序数据的异常诊断方法，其特征在于，所述步骤3中，建立基于注意力机制的长短记忆网络的预测模型分为编码阶段和解码阶段。
4.根据权利要求3所述的一种基于深度学习的电梯时序数据的异常诊断方法，其特征在于，所述编码器阶段具体实现步骤如下：
步骤41、将训练样本等分为批量为n的时序数据，基于注意力机制的长短记忆网络的输入为当前的时间t输入
步骤42、给定时间t，则上一时间的隐含状态表示为
步骤43、设隐含单元个数为h，给定时间t的小批量输入xt和上一隐含状态ht-1，时间t的输入门
it＝σ(xtwxi ht-1whi bi)
ft＝σ(xtwxf ht-1whf bf)
ot＝σ(xtwxo ht-1who bo)
步骤44、候选记忆细胞
步骤45、ct的计算为：
其中，
步骤46、记忆细胞ct则通过使用按元素乘法，符号为⊙，对输入门、遗忘门和输出门进行控制，获取隐含状态中的信息，当前时间的记忆细胞ct的公式为：
步骤47、通过输出门来控制从记忆细胞到隐含状态ht的表达式为：
ht＝ot⊙tanh(ct)。
5.根据权利要求3所述的一种基于深度学习的电梯时序数据的异常诊断方法，其特征在于，所述解码器阶段具体实现步骤如下：
步骤51、对于编码器的索引t，解码器时间t′的隐含状态可以由前一时刻的隐含状态ht′-1进行表示，当前隐含状态可以表示为：
ht′＝g(ct′,ht′-1)
其中，g为矩阵相乘操作；
步骤52、对解码器在时间t′的背景为所有的编码器隐含状态进行加权平均：
步骤53、使用softmax运算得到概率分布：
步骤54、对于et′t，通过f函数以时间t和t′的隐含变量为输入：
ett＝f(ηt′-1,ht)
其中f函数是做内积运算，通过激活函数tanh进行感知变换：
f(s,h)＝tanh(wsηt′-1 whht)vt
其中
步骤55、最后训练误差的函数为：
6.根据权利要求3所述的一种基于深度学习的电梯时序数据的异常诊断方法，其特征在于，所述基于注意力机制的长短记忆网络的预测模型的具体步骤为：
步骤61、初始化编码器h0，wxi,wxf,wxo、whi,whf,who、bi,bf,bowxc、whc、bc、v,ws,wh，满足相应维度且数值为0到1的矩阵，样本批量大小n＝8，t＝m/n，神经网络训练的epoach＝1000；
步骤62、设定epoach＝1；
步骤63、设定t＝1；
步骤64、令ht-1＝h0和样本xt，代入所述步骤2中的公式得到h1；
步骤65、将t＝t 1，当t≤t转到步骤64，否则转到步骤66；
步骤66、得到ht，令t′＝1；
步骤67、进入解码器部分，令ht′-1＝ht，代入到ht′＝g(ct′,ht′-1)中得到ht′，则使
步骤68、将t′＝t′ 1，当t≤t转到步骤67，否则转到步骤69；
步骤69、最后根据
步骤610、epoach＝epoach 1，当epoach≤1000转到步骤63，否则，训练结束，以此建立基于注意力机制的长短记忆网络的预测模型，将模型保存；
步骤611、采用测试样本放入到已训练好模型中进行预测，预测下一时刻的状态值。
7.根据权利要求1所述的一种基于深度学习的电梯时序数据的异常诊断方法，其特征在于，所述步骤4中，变分编码器包含两部分：编码器和解码器，编码器和解码器都为全连接层神经网络，编码器使用四层全连接网络，输入维度为d，输出维度为4，中间两层隐含层维度分别为8和6；解码器的维度与编码器的维度相反，输入输出维度分别为4和d，中间隐含层的维度为6和8；编码器主要将提取的数据特征映射成低维的潜在特征向量，而解码器将低维的潜在特征向量解码重构与原始数据特征尽可能接近。
8.根据权利要求7所述的一种基于深度学习的电梯时序数据的异常诊断方法，其特征在于，具体实现步骤如下：
步骤81、k表示原始样本维度为12，下标j表示潜在特征向量的维度，即输出维度4，将训练样本编码器的编码器部分得到低维的潜在特征向量，样本为
其中randn_like(·)表示返回满足标准正态分布的随机数，然后将该潜在变量zi经过解码器还原与训练样本维度一样的样本数据x″i；
步骤82、使用输入数据的边际似然估计下界作为目标损失函数找到潜在变量的正确分布：
对比此时输出的样本数据与训练样本的误差，通过上式计算目标损失值，需要达到的目标是使样本数据与训练样本的差异尽可能小，在训练变分编码器时，使用随机梯度下降算法进行训练，优化神经网络的初始化参数，得到的目标损失值为α。
9.据权利要求1所述的一种基于深度学习的电梯时序数据的异常诊断方法，其特征在于，所述步骤5进一步具体过程为：
步骤91、输入测试样本，以及基于训练样本得到的重建概率阈值α，通过模型训练得到测试样本的状态值；
步骤92、将上述状态值输入到变分编码器模型中进行异常诊断，将目标损失值低于的时序数据状态值的最大值和最小值记录下来得到[δmax,δmin]，得到正常范围区间的上下限[δmin,δmax]。
技术总结