楊昊

摘?要：本次研究對(duì)人工智能技術(shù)相關(guān)情況概述，對(duì)電梯故障問題實(shí)行分析，最后對(duì)電梯故障分析中人工智能技術(shù)應(yīng)用情況加以探究，旨在合理運(yùn)用該項(xiàng)技術(shù)于電梯故障分析中，充分發(fā)揮出人工智能技術(shù)的應(yīng)用價(jià)值，及時(shí)明確電梯故障原因，然后采用針對(duì)性對(duì)策處理電梯故障問題。

關(guān)鍵詞：人工智能技術(shù);電梯故障;應(yīng)用

近年來，我國(guó)房地產(chǎn)行業(yè)發(fā)展前景較好，促使高層建筑數(shù)量不斷增加，有效促進(jìn)了電梯行業(yè)的發(fā)展。電梯的應(yīng)用為人們的生活提供了便捷，可節(jié)省出行上下樓梯的時(shí)間，然而長(zhǎng)時(shí)間使用電梯存在一定的安全隱患，發(fā)生電梯故障的幾率較大。所以，為減少電梯故障的發(fā)生率，建議采用人工智能技術(shù)對(duì)電梯故障加以分析，旨在有效發(fā)揮出人工智能技術(shù)的應(yīng)用價(jià)值，比如：圖像識(shí)別、語言處理、自動(dòng)化控制等。

一、人工智能技術(shù)相關(guān)情況概述

人工智能AI融合多學(xué)科內(nèi)容，比如：計(jì)算機(jī)、神經(jīng)、機(jī)器人學(xué)等學(xué)科內(nèi)容，所以可提高計(jì)算機(jī)芯片計(jì)算方面能力，促進(jìn)神經(jīng)網(wǎng)絡(luò)人工智能技術(shù)的良好發(fā)展，常見神經(jīng)網(wǎng)絡(luò)包括深度、卷積、循環(huán)幾種神經(jīng)網(wǎng)絡(luò)類型[1]。

（1）深度神經(jīng)網(wǎng)絡(luò)DNN，為存在≥3層隱藏層神經(jīng)網(wǎng)絡(luò)，一般通過誤差反向傳播BP算法進(jìn)行訓(xùn)練，因網(wǎng)絡(luò)層不斷加深，所以訓(xùn)練時(shí)發(fā)生梯度消失情況，若想順利完成訓(xùn)練有一定難度，各層使用全連接方法訓(xùn)練，這時(shí)訓(xùn)練參數(shù)會(huì)不斷增加。預(yù)訓(xùn)練方法的出現(xiàn)，有效處理了DNN訓(xùn)練方面問題，具有結(jié)構(gòu)簡(jiǎn)單的特點(diǎn)，可在函數(shù)逼近、稀疏表示中運(yùn)用。

（2）卷積神經(jīng)網(wǎng)絡(luò)CNN多在圖像識(shí)別中應(yīng)用，在模擬人腦視覺處理圖片時(shí)，能借助權(quán)值共享機(jī)制的作用控制網(wǎng)絡(luò)結(jié)果參數(shù)。CNN卷積操作外可進(jìn)行池化操作，平均池化、最大池化均比較常見，其中池化層能提取特征信息降維、保留主要特征，如此利簡(jiǎn)化使網(wǎng)路計(jì)算流程，防止發(fā)生擬合的現(xiàn)象。同時(shí)池化操作的實(shí)施，能加大卷積核感受野，網(wǎng)絡(luò)層設(shè)計(jì)深度加深、識(shí)別精度增加，這時(shí)利于提高識(shí)別的整體水平，在目標(biāo)檢測(cè)和圖像語義分隔領(lǐng)域中使用，均能夠獲得理想效果。（3）循環(huán)神經(jīng)網(wǎng)絡(luò)RNN，為處理序列數(shù)據(jù)任務(wù)常用網(wǎng)絡(luò)模型，各個(gè)循環(huán)單元輸入通過當(dāng)前時(shí)刻輸入X1、上一時(shí)刻輸出h1構(gòu)成，以此充分發(fā)揮網(wǎng)絡(luò)記憶功能。使用RNN可處理輸入數(shù)據(jù)依賴問題，正確梳理處理、記憶時(shí)序關(guān)系，所以建議在語言處理、機(jī)器翻譯、DNA序列分析等中應(yīng)用。

二、電梯故障問題分析

電梯，屬于涵蓋較多技術(shù)為一體的特種設(shè)備，涉及機(jī)械電子領(lǐng)域、微處理器領(lǐng)域、電氣工程領(lǐng)域等，可及時(shí)將人/物傳輸于要求位置。其中客梯可為人們提供服務(wù)，將人們輸送至指定位置;貨梯主要面向貨物提供服務(wù)，能夠?qū)⒇浳锛皶r(shí)輸送到指定的位置;醫(yī)用電梯重點(diǎn)服務(wù)的對(duì)象為醫(yī)療器械;觀光電梯可為游客提供服務(wù)，能夠聯(lián)系游客觀光景色進(jìn)行科學(xué)設(shè)計(jì)[2]。因電梯結(jié)構(gòu)復(fù)雜、涉及生產(chǎn)、安裝、運(yùn)行等多個(gè)環(huán)節(jié)，所以容易發(fā)生故障問題，通過研究發(fā)現(xiàn)電梯故障主要可分成電梯機(jī)械、電氣2兩個(gè)故障類型。而這兩種故障類型又可分為較多小的故障類別，比如：安全回路斷開、換成?？孔冾l器故障、運(yùn)行過程門鎖斷開、門鎖閉合不上等故障。

三、電梯故障分析中人工智能技術(shù)應(yīng)用情況探究

當(dāng)前，電梯產(chǎn)業(yè)快速發(fā)展下、電梯需求量越來越大，如此必然會(huì)產(chǎn)生較多電梯故障數(shù)據(jù)。針對(duì)于此，需合理運(yùn)用人工智能技術(shù)進(jìn)行電梯故障分析、診斷，一般情況下在電梯出廠后應(yīng)詳細(xì)記錄相關(guān)信息，比方說：出廠日期、安裝位置、維修時(shí)間、故障類型等信息[3]。在此之后，及時(shí)將所收集的電梯信息詳細(xì)記錄下來、作以預(yù)處理，相同型號(hào)電梯在制造工藝方面比較無差異，因而需聯(lián)系型號(hào)進(jìn)行電梯分組;在此之后根據(jù)故障類型作以分組處理，由于相同故障分布模式基本相同，故此作以故障類型分組處理時(shí)應(yīng)該采取典型故障處理，以便減少故障問題處理的時(shí)間。故障數(shù)據(jù)進(jìn)行與處理后，遵循電梯編號(hào)、故障類型加以分組，主要對(duì)電梯故障產(chǎn)生的相關(guān)數(shù)據(jù)作以分組，以RNN變體、GRU網(wǎng)絡(luò)加強(qiáng)數(shù)據(jù)建模方面訓(xùn)練。其中故障數(shù)據(jù)有時(shí)間軸關(guān)聯(lián)會(huì)花費(fèi)較長(zhǎng)的時(shí)間，這時(shí)產(chǎn)生故障的可能性較大，而且故障數(shù)據(jù)存在時(shí)序性特征信號(hào)。和LSTM網(wǎng)絡(luò)相對(duì)比GRU結(jié)構(gòu)非常簡(jiǎn)單、相關(guān)參數(shù)比較少，可見選用GRU網(wǎng)絡(luò)模型處理故障數(shù)據(jù)非常必要，預(yù)處理故障數(shù)據(jù)按時(shí)間序列排序，能添加電梯運(yùn)行速度、震動(dòng)、MTBF等相關(guān)信息，及時(shí)將相關(guān)數(shù)據(jù)信息輸入至GRU網(wǎng)絡(luò)模型中加強(qiáng)訓(xùn)練，然后以交叉驗(yàn)證方法選出GRU模型最佳參數(shù)[4]。除此之外，應(yīng)該進(jìn)行不同型號(hào)、故障類型訓(xùn)練GRU模型，目的為對(duì)故障時(shí)間進(jìn)行預(yù)測(cè)，客觀分析電梯故障成因。

結(jié)語：人工智能技術(shù)在處理大數(shù)據(jù)、自動(dòng)提取數(shù)據(jù)內(nèi)部特征方面的應(yīng)用優(yōu)勢(shì)突出，在不同領(lǐng)域中運(yùn)用均可發(fā)揮出該項(xiàng)技術(shù)的最大作用，比如：工業(yè)生產(chǎn)、機(jī)械制造等領(lǐng)域。本文在電梯故障分析中應(yīng)用人工智能技術(shù)處理，能夠正確梳理故障數(shù)據(jù)內(nèi)部關(guān)聯(lián)，確保故障分析、診斷的效果。

參考文獻(xiàn)：

[1]舒寧、馮燕寬、葛智君、林琦越、李浩波.人工智能技術(shù)在電梯故障分析中的應(yīng)用[J].電子產(chǎn)品可靠性與環(huán)境試驗(yàn)，2020，38（S2）：66-70.

[2]張逍云，陳豪.電梯安全風(fēng)險(xiǎn)分析及智能化安全控制研究[J].山東工業(yè)技術(shù)，2019，000（008）：19.

[3]吳劍斌，高樹澤.人工智能在電力系統(tǒng)故障診斷中的應(yīng)用探討[J].通信電源技術(shù)，2020，037（002）：271-272.

[4]孫南，高勇，井德強(qiáng)，等.淺談人工智能技術(shù)在電梯群高速運(yùn)行控制領(lǐng)域的發(fā)展與展望[J].中國(guó)電梯，2019，30（07）：6-9+48.