一种融合知识图谱和神经网络的电梯故障诊断方法

本发明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。

背景技术：

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，本发明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tadc-lstm(time series feature extracton-attention-dynamicconvolution bilstm))，网络主要由三部分组成：时间序列特征提取，tfse(time seriesfeature extracton)层、时域自注意力tsa(temporal self-attention)层以及动态卷积bilstm(dynamic convolution bilstm，dc-bilstm)层；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；tsa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；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；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。

2、本发明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“描述”，“解决方案”；使用“dataproperty”关键字定义类的属性；在“电梯故障类型”类的属性面板中，用“包含”关系来关联相关的子类，用“描述”属性来描述电梯故障的详细信息；

21、步骤(1.7)构建实例：根据已定义的类和属性，创建具体的实例，表示真实的电梯故障案例；在本体编辑器中，创建一个新的实例(instance),使用“instance of”选项将电梯故障实例与电梯故障类型关联起来，指定实例所属电梯故障类型；最终，形成电梯故障诊断的本体，完成对电梯故障数据的统一描述。

22、再进一步，所述第二步的过程如下：

23、步骤(2.1)将实体空间中的电梯故障实体通过映射矩阵映射到相应的关系空间中得到映射后的向量，然后在关系空间中建模，过程为：

24、步骤(2.1.1)从电梯故障实体数据集中提取特征表示。对于文本属性使用词袋模型，对于数值模型使用数值本身作为特征；

25、其中，词袋模型是一种常用的文本表示方式，它将一段文本看作是由一组无序的词组成的集合，而忽略这些词在文本中出现的顺序；

26、步骤(2.1.2)构建映射矩阵：根据电梯故障实体特征的维度和关系空间的维度，构建映射矩阵mr，映射矩阵的大小为d*×m*；

27、其中，mr为每个关系对应的映射矩阵；

28、其中，d*是特征维度，m*是关系空间维度；

29、步骤(2.1.3)特征映射：将电梯故障实体的特征向量h，t分别与映射矩阵相乘hr＝hmr，tr＝tmr，得到映射后的特征向量hr，tr；

30、步骤(2.1.4)在关系空间中建模：利用映射后的特征向量hr，tr在关系空间中建模电梯故障实体之间的关系，hr+r＝tr。mr使得保持关系的电梯故障实体在关系空间中彼此靠近，而不具备关系的电梯故障实体会在关系空间中彼此远离；

31、其中，关系是指映射后的实体在关系空间中的位置和相互之间的距离关系；

32、其中，r为关系嵌入；

33、步骤(2.2)定义评分函数来度量三元组实体关系嵌入的误差；

34、步骤(2.2.1)transr要求正样本(已知故障的电梯状态三元组)(h,r,t)满足hr+r≈tr，因此定义如下评分函数fr(h,t)来度量三元组实体关系嵌入的误差：

35、

36、其中，表示l2距离又称为欧氏距离，用来表示两点之间或者多点之间的距离；

37、步骤(2.2.2)为了使得结果更规范按照约束条件对向量做归一化处理，设计如下约束条件||h||2≤1，||r||2≤1，||r||2≤1，||hmr||2≤1，||tmr||2≤1：

38、由上可得，transr定义的损失函数为：

39、

40、其中s是正样本，即已知为非正常的电梯状态的三元组集合，s'是负样本的三元组集合，h'和t'代表负样本，即已知为正常的电梯状态中的头尾实体向量，γ是一个常数，用来表示正负样本之间的间距；

41、其中∑表示求和运算，通常用于数学和统计学中。它表示将一系列数值相加的操作。

42、其中max表示取最大值的操作，通常用于数学、编程和统计学中。

43、更进一步，所述第三步的过程如下：

44、步骤(3.1)本发明设计了tfse对输入的电梯故障实体数据进行卷积编码，强化故障数据不同语义之间的联系，对特征进行时序分割。由卷积神经网络(convolutionalneural network，cnn)与时间窗口提取两部分组成。cnn采用了二维卷积进行卷积操作。而电梯实体数据向量化后为一维形式，为了适配二维卷积，需要对其进行维度变换，转化为图的形式进行处理。

45、其中，卷积编码是一种基于线性错误控制编码的方法，可在将数据传输到通信信道前对其进行编码；

46、其中，cnn是卷积神经网络的缩写，卷积神经网络中每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到的；

47、其中，二维卷积是将一个小矩阵在输入图片上滑动，并对卷积核所覆盖的像素进行运算得到输出结果；

48、其中，卷积是一个小的矩阵，用于在卷积运算中对输入数据进行特征提取；

49、步骤(3.2)tsfe通过时间窗口提取时序特征，以便输出能够适配后续处理，并具有时序特点；

50、步骤(3.3)本发明将时间注意力机制引入到电梯故障诊断方法中，首先将tsfe提取到的时序特征作为输入，然后获取不同时序特征之间的重要性，通过softmax对重要程度进行归一化操作得到时间自注意力机制权重。将时序特征与时间自注意力机制权重相乘得到输出。通过步骤3.4-3.6对电梯数据的特征信息进行提取，增强关键特征的表征能力，弱化冗余特征，丰富特征的细粒度。

51、其中，时间注意力机制是指在一段时间序列中，对于每一个时刻，分别考虑该时刻的信息以及前面的历史信息，并赋予不同的权重。这样让模型更加关注与当前任务相关的历史信息，从而提升模型的性能。

52、步骤(3.4)tsfe提取到的时序特征y作为tsa的输入，通过tsl层对特征不同序列之间的映射关系以及其重要性γ通过以下公式获取：

53、

54、其中，γi是是重要性γ的第i个元素，yi是y的第i个向量即为(yi1,yi2,...,yim)；

55、其中，wi和bi是相应的权重和偏差；

56、其中，t是转置操作，σ为sigmoid激活函数；

57、其中，e通常表示自然对数的底数；

58、其中，激活函数是一种在神经网络中广泛使用的数学函数，主要作用是为神经网络提供非线性特性，以便更好地逼近真实世界的复杂问题。

59、步骤(3.5)在获取了每个时间序列特征的重要性向量γ之后，通过softmax函数对重要程度进行归一化操作，得到注意力机制权重α：

60、

61、其中，softmax是一种常用的激活函数，常用于多分类问题的输出层；

62、其中，γj'是输入向量中的j'个元素,d1表示向量的长度。

63、步骤(3.6)通过将时间序列特征与归一化显著性αi相乘得到输出z：

64、z＝[z1,z2,...,zd]＝{α1y1,α2y2,...,αdyd}

65、其中，z是事件序列特征与归一化显著性的乘积。

66、优选的，所述步骤(3.1)的过程如下：

67、步骤(3.1.1)使用cnn对电梯实体的特征经过提取，cnn由2个卷积层，2个最大池化层组成。卷积层conv1(5×5)使用32个5×5×1的卷积核，卷积层conv2(5×5)使用64个5×5×1的卷积核，滑动步长均为1。

68、其中，最大池化层是深度学习卷积神经网络中一种常用的池化层。在卷积神经网络中，池化层用于减小特征图的空间尺寸，并提取出特征的重要性。

69、步骤(3.1.2)将电梯实体在平面的投影向量q输入到cnn中进行特征提取。

70、其中,q为电梯实体在平面的投影向量，尺寸为256*256。

71、步骤(3.1.3)投影向量q经过conv1(5×5)特征提取，得到输出特征图q1尺寸为232*232。

72、步骤(3.1.4)将特征图q1输入到最大池化(maxpooling)通过2*2的最大值池化后并使用same边缘填充，滑动步长为2，得到特征图q2尺寸为118*118。

73、其中，same边缘填充是卷积神经网络中常用的一种卷积操作，它使输入特征图经过卷积操作后输出的特征图的尺寸和输入特征图相同。

74、步骤(3.1.5)将特征图q2输入到conv2(5×5)特征提取，得到输出特征图q3尺寸为114*114。

75、步骤(3.1.6)将特征图q3重复步骤(3.1.4)得到cnn最终输出x，x的尺寸为57*57。

76、所述步骤(3.2)的过程如下：

77、步骤(3.2.1)通过flatten函数将cnn最终输出x展平为3249*1的一维数据

78、其中，x为cnn的最终输出，xi为将x展开的一维数据。

79、其中，flatten函数是一种常见的操作，用于将多维数据结构转换为一维结构。它将多层嵌套的元素展开，使其变为一个扁平的列表或数组。

80、步骤(3.2.2)利用滑动时间窗口对输出特征xi进行组合，形成d×m维的时序特征y，y通过以下公式获得：

81、

82、其中，m为每条时序特征的长度，d为特征数量，y为组合后的输出。

83、其中，滑动时间窗口是一种时间上连续移动的窗口，用于在时间序列数据或事件流中进行数据处理和分析。

84、所述第四步的过程如下：

85、步骤(4.1)dc-lstm将lstm前一刻神经元的输出ht-1以及当前时刻的输入zt使用动态卷积d_conv来代替，将矩阵乘法变成了卷积计算；

86、其中，ht-1是lstm前一刻神经元的输出，zt是当前时刻的输入；

87、步骤(4.2)d_conv使用一组k个并行的卷积核而不是单独一个卷积核，这些卷积核通过以及对输入j进行动态聚合，对以及的定义如公式所示：

88、

89、

90、其中，动态聚合是深度学习中的一种技术，用于在训练期间根据样本的特点自适应地调整损失函数的权重，以达到更好的效果；

91、其中，πk(j)为经过归一化的注意力权重参数，k为并行卷积核的个数；

92、其中，为并行卷积核的权重参数，为并行卷积核在当前位置的权重参数，为输出；

93、其中，损失函数指用于衡量机器学习模型输出与实际值不一致程度的函数；

94、步骤(4.3)将输入j与输出e'间的关系定义为g(·)：

95、

96、其中，j为d_conv的输入，e'为输出；

97、其中,g()为sigmoid门控函数，它将输入的加权和转换为一个介于0和1之间的值，表示信息是否应该通过；

98、以下是每个d_lstm(depthwise long short-term memory)单元的前向传播公式：

99、ct＝ft*ct-1+it*ct

100、

101、ft＝σ(gf([ht-1,zt])+bf)

102、

103、其中，ct表示t时刻的候选存储器，gi、gc、gf、go代表动态卷积操作，bi、bc、bf、bo代表偏移向量，σ代表sigmoid激活函数,ft代表遗忘门的输出，it代表输入门的输出；

104、其中，ct为当前时刻神经元的状态，ht为当前时刻神经元的输出；

105、其中，ot表示在当前时刻的输出门的输出,ht-1为上一时刻神经元的输出，zi为序列特征与归一化显著性的乘积；

106、其中，tanh激活函数又叫做双曲正切激活函数，输出均值为0，其收敛速度要比经典激活函数更快。

107、其中,d_lstm是指一种深度可分离lstm(long short-term memory)结构，lstm是一种循环神经网络(recurrent neural network，rnn)的变体，在处理序列数据时具有较强的记忆和长期依赖建模能力。

108、与现有技术相比，本发明得有益效果是：

109、本发明针对电梯故障诊断当前存在的问题，提出了一种融合知识图谱与神经网络的电梯故障诊断算法tadc-lstm，挖掘故障征兆与故障原因之间存在的多种复杂耦合关系。tfse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。tsa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。dc-bilstm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。最终，通过全连接层输出对电梯实体的故障预测结果。tadc-lstm不仅提高故障处理的效率和准确性，也帮助工程师更好地理解电梯故障知识图谱中各个实体和关系之间的语义关联，为故障预测和预防提供更有效的支持。