結(jié)合注意力機制與MSCNN-BiLSTM模型的電梯主動式故障預(yù)警

劉鎧 林穗賢 胡昱 楊賢

摘? 要：主動式故障預(yù)警不僅可以輔助電梯的檢修與維護(hù)，還可以最大程度地降低電梯安全事故?；谀彻粳F(xiàn)有電梯運行狀態(tài)的數(shù)據(jù)集，提出一種電梯健康指數(shù)（HI）預(yù)測模型。該模型是結(jié)合注意力機制的多尺度卷積神經(jīng)網(wǎng)絡(luò)（MSCNN）和雙向長短時記憶網(wǎng)絡(luò)（BiLSTM）的融合模型，可以全面提取電梯數(shù)據(jù)集的深層次特征和時序信息，實現(xiàn)HI預(yù)測和主動式故障預(yù)警。在與其他常見模型方法的比較中，證實了該文模型具有更好的預(yù)測性能。

關(guān)鍵詞：主動式；故障預(yù)警；MSCNN-BiLSTM；注意力機制

中圖分類號：TP183；TP391 文獻(xiàn)標(biāo)識碼：A 文章編號：2096-4706（2023）15-0151-06

Elevator Active Fault Early Warning Based on Attention Mechanism and

MSCNN-BiLSTM Model

LIU Kai1， LIN Suixian2， HU Yu1， YANG Xian1

（1.School of Electromechanical Engineering， Guangdong University of Technology， Guangzhou? 510006， China; 2.Guangzhou Guangri Elevator Industry Co.， Ltd.， Guangzhou? 511441， China）

Abstract： Active fault early warning can not only assist in elevator's maintenance and repair， but also minimize elevator safety accidents. A predictive model for elevator health index （HI） is proposed based on the existing dataset of elevator operation status in a certain company. This model is a fusion model of Multi-Scale Convolutional neural network （MSCNN） and bidirectional long short memory network （BiLSTM） combining attention mechanism， which can comprehensively extract the deep features and time series information of elevator dataset， and realize HI prediction and active fault early warning. In comparison with other common model methods， it has been confirmed that the model proposed in this paper has better predictive performance.

Keywords： active; fault early warning; MSCNN-BiLSTM; attention mechanism

0? 引? 言

故障預(yù)警是設(shè)備故障預(yù)測和設(shè)備健康管理領(lǐng)域的研究熱點，其有著廣泛的應(yīng)用[1-3]。在物聯(lián)網(wǎng)、云計算等技術(shù)的驅(qū)動下，機械設(shè)備與工業(yè)制造系統(tǒng)朝著大型化、復(fù)雜化、高精度化和智能化方向發(fā)展，隨之產(chǎn)生了諸多問題，如設(shè)備健康維護(hù)與保障的難度不斷加大，維護(hù)成本持續(xù)提高；設(shè)備不可預(yù)測的故障增加，尤其是電梯等特種設(shè)備，一旦關(guān)鍵部件出現(xiàn)意外故障，可能會帶來災(zāi)難性的后果。隨著國家經(jīng)濟(jì)發(fā)展和人民生活水平提高，電梯已然成為日常生活中的常用設(shè)備，也因為其使用頻率較高，故障率也一直維持在較高的水平，這給百姓的生活帶來極大不便甚至生命威脅。故障預(yù)警可提前掌握電梯運行狀態(tài)并進(jìn)行電梯檢修，避免故障的發(fā)生，具有很高的研究價值。

王玉軍[4]提出，當(dāng)維修成本較高時，預(yù)防性維修比故障后維修更符合經(jīng)濟(jì)效益。我國實行的是電梯定期預(yù)防性維修以及故障后的緊急搶修相結(jié)合的電梯維保制度，定期維修存在著資源消耗過大的問題。針對此問題，學(xué)者們提出了不定期維保制度，依賴于故障預(yù)警技術(shù)確定設(shè)備維修時間，輔助工程師制定維修策略?，F(xiàn)今故障預(yù)警領(lǐng)域的關(guān)鍵技術(shù)為：分析故障產(chǎn)生機理、退化趨勢，構(gòu)建性能退化模型[5]；提取設(shè)備運行狀態(tài)發(fā)展趨勢特征，剔除噪聲信息，進(jìn)而構(gòu)建設(shè)備故障預(yù)測模型[6]；根據(jù)設(shè)備退化趨勢和實際生產(chǎn)生活需求，確定故障預(yù)警時間。

在電梯相關(guān)領(lǐng)域的研究成果主要集中在故障診斷方面，而對故障預(yù)警時間的研究較少。在現(xiàn)有的故障預(yù)警研究中，基本只采用了歷史電梯運行數(shù)據(jù)，而沒有結(jié)合電梯故障數(shù)據(jù)，未針對故障發(fā)生時刻的電梯參數(shù)進(jìn)行研究[7]。使用單一的電梯狀態(tài)數(shù)據(jù)進(jìn)行故障預(yù)測，會導(dǎo)致忽略了電梯的其他關(guān)鍵數(shù)據(jù)，最終造成故障預(yù)警精確度不高，無法準(zhǔn)確提前預(yù)警電梯故障發(fā)生時間等問題。

因此，本文結(jié)合電梯歷史故障數(shù)據(jù)和運行數(shù)據(jù)對電梯進(jìn)行故障發(fā)生時間預(yù)測，提出了一種結(jié)合注意力機制的多尺度卷積神經(jīng)網(wǎng)絡(luò)和長短時雙向記憶神經(jīng)網(wǎng)絡(luò)（Multi-Scale Convolutional Neural Network and Bi-directional Long Short-Term Memory， MSCNN-BiLSTM）的HI預(yù)測模型。該模型一方面充分利用了MSCNN深層次空間特征提取的優(yōu)點，提高了模型特征提取的深度和效率；另一方面融合了BiLSTM時間序列信息的處理能力，增強了算法模型對電梯退化期間時間序列信息的記憶能力；最后使用注意力機制實現(xiàn)權(quán)重分配，過濾無效信息，實現(xiàn)電梯的HI預(yù)測，最終根據(jù)實際需要確定故障預(yù)警閾值來完成故障預(yù)警。

1? 背景分析

1.1? 故障預(yù)警現(xiàn)狀

隨著軟硬件技術(shù)的快速發(fā)展，物聯(lián)網(wǎng)技術(shù)逐漸應(yīng)用到機械設(shè)備的運行監(jiān)管系統(tǒng)中，以實現(xiàn)設(shè)備深層次監(jiān)管，定期評估設(shè)備的運行狀況。電梯行業(yè)結(jié)合物聯(lián)網(wǎng)技術(shù)，通過在電梯設(shè)備中添加傳感器或者電梯主控板進(jìn)行電梯運行數(shù)據(jù)采集與分析，基于此實現(xiàn)電梯故障預(yù)警。

故障預(yù)警一般聚焦于故障診斷和預(yù)警時間預(yù)測，傳統(tǒng)故障診斷技術(shù)局限于人工信號分析，依賴于專業(yè)技術(shù)人員的機理知識和經(jīng)驗[8]，存在著局限性；隨著機器學(xué)習(xí)和深度學(xué)習(xí)的快速發(fā)展，診斷技術(shù)增添了智能診斷方向，通過卷積神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)算法[9]極大地提高了診斷效率和便捷性。江朋等[10]提出了一種集成故障預(yù)警模型，通過FP-Growth算法對歷史運行數(shù)據(jù)和故障檢修數(shù)據(jù)進(jìn)行特征參數(shù)融合和故障分類，實現(xiàn)了故障診斷專家知識庫構(gòu)建和設(shè)備故障預(yù)警。

故障預(yù)警最重要的一環(huán)是故障預(yù)警的時間，現(xiàn)今主要的預(yù)測依據(jù)是設(shè)備的運行狀態(tài)與正常狀態(tài)的偏離度和設(shè)備故障時間。對于偏離度計算方法，彭道剛[11]等人提出一種基于長短期記憶網(wǎng)絡(luò)和支持向量機的故障預(yù)警方法，利用長短期記憶網(wǎng)絡(luò)輸出壓氣機的參數(shù)預(yù)測值和實際值的殘差曲線，設(shè)立預(yù)警閾值，通過殘差與閾值的距離以此來確定預(yù)警時間。

1.2? 健康指數(shù)預(yù)測方法

數(shù)據(jù)驅(qū)動方法具有高效的數(shù)據(jù)處理能力，并且無需依賴設(shè)備實際退化機理模型和專家知識，通過挖掘隱藏在大量歷史數(shù)據(jù)中的退化信息，進(jìn)行有效的故障預(yù)測。在這一領(lǐng)域中，已有一些效果不錯的成果[12，13]。蔣文博等人采用比例風(fēng)險模型構(gòu)造HI，再通過機器學(xué)習(xí)模型實現(xiàn)了電梯故障預(yù)測[7]。李京峰等人采用深度置信網(wǎng)絡(luò)對各個監(jiān)測參數(shù)加權(quán)融合，構(gòu)造HI，再通過長短時記憶神經(jīng)網(wǎng)絡(luò)（LSTM）實現(xiàn)了發(fā)動機故障預(yù)測[14]。王玉靜等人使用卷積神經(jīng)網(wǎng)絡(luò)和LSTM構(gòu)建出具HI，最后通過多項式曲線擬合實現(xiàn)了軸承故障預(yù)測[15]。谷夢瑤等人采用馬氏距離計算設(shè)備狀態(tài)的偏離度，再運用負(fù)向轉(zhuǎn)換函數(shù)構(gòu)建HI，最后通過相似性壽命預(yù)測方法實現(xiàn)了陀螺儀故障預(yù)測[16]。岳研等人采用多通道融合特征提取器提和自適應(yīng)選擇器提取關(guān)鍵特征，最后通過BiLSTM構(gòu)造HI并實現(xiàn)了故障預(yù)測[17]。

綜上所述，故障預(yù)測是故障預(yù)警任務(wù)中必不可少的部分，是指導(dǎo)工程師制定維保策略至關(guān)重要的基礎(chǔ)，所以本文主要研究電梯設(shè)備的HI預(yù)測模型，實現(xiàn)電梯自動式故障預(yù)警。

2? 數(shù)據(jù)和方法

實驗所使用的數(shù)據(jù)集來自某電梯公司2022年179臺電梯的故障數(shù)據(jù)和運行數(shù)據(jù)，保證了數(shù)據(jù)集的真實可靠性，實驗在Python編程環(huán)境中編寫。本文提出的模型方法預(yù)測流程由數(shù)據(jù)采集、數(shù)據(jù)存儲、數(shù)據(jù)預(yù)處理、數(shù)據(jù)分析4大模塊組成。

2.1? 數(shù)據(jù)介紹

故障數(shù)據(jù)包含了主故障碼、電梯編號、故障時間、電梯運行次數(shù)、電梯狀態(tài)碼、故障解除時間等故障相關(guān)信息，共有176列，表1為故障數(shù)據(jù)樣本；運行數(shù)據(jù)是電梯運行過程所記錄的參數(shù)信息，包括電梯編號、運行時間、啟動樓層、停止樓層、電梯狀態(tài)、運行接觸器吸合時間等57列信息，表2為運行數(shù)據(jù)樣本。

2.2? 數(shù)據(jù)預(yù)處理

2.2.1? 原始數(shù)據(jù)處理

原始的電梯故障數(shù)據(jù)和電梯運行數(shù)據(jù)是按照發(fā)生時間直接存儲在總數(shù)據(jù)庫中，存在重復(fù)提交、系統(tǒng)誤判和部分記錄內(nèi)容缺失等問題，無法直接用于數(shù)據(jù)匹配和模型訓(xùn)練，需要設(shè)置數(shù)據(jù)清洗步驟，獲取一份規(guī)整的電梯故障數(shù)據(jù)和運行數(shù)據(jù)。

對于原始故障數(shù)據(jù)，首先剔除故障次數(shù)小于3次的電梯故障數(shù)據(jù)，此類電梯一般是使用年限較短、質(zhì)量較好、使用頻率較低的電梯，也可能是部分?jǐn)?shù)據(jù)丟失等情況，缺乏足夠的歷史數(shù)據(jù)；其次剔除短期內(nèi)多次發(fā)生相同故障的數(shù)據(jù)，此情況是系統(tǒng)重復(fù)報障或者維修人員維修不完全導(dǎo)致的；再者剔除誤報障的數(shù)據(jù)，此類數(shù)據(jù)是由于系統(tǒng)誤判電梯狀況產(chǎn)生的；最后基于日均故障次數(shù)，用四分位展布法去除離群點，剔除的數(shù)據(jù)基本來源于實驗電梯和使用頻率低的電梯。

對于電梯運行數(shù)據(jù)，首先基于故障數(shù)據(jù)的時間和電梯工號，構(gòu)建剩余使用壽命標(biāo)簽；接著對數(shù)據(jù)進(jìn)行去重操作；最后經(jīng)過歸一化處理每個特征，因為數(shù)據(jù)維度高，擁有著不同的量綱。歸一化處理公式為：

2.2.2? 數(shù)據(jù)標(biāo)簽構(gòu)建

對于同一種故障而言，電梯從故障解除到故障發(fā)生的周期內(nèi)的運行數(shù)據(jù)具有時間連續(xù)性。隨著電梯運行時間不斷增加，電梯部件的磨損不斷加重，使得電梯部件的HI在運行周期內(nèi)時刻變化，因此可采用基準(zhǔn)度量法計算電梯在運行周期中的位置LOC，以此初步定義HI，計算公式為：

其中，T（n， i）表示第i個運行周期中的故障時刻，T（0， i）表示第i個運行周期的起始時刻，T（ j， i）表示第i個運行周期中的第j個時刻。雖然LOC與故障直接相關(guān)，但時間并不足以作為HI定義的唯一判斷標(biāo)準(zhǔn)，因為一般故障的發(fā)生是由多種因素相結(jié)合所導(dǎo)致的，所以需要融合多個因素構(gòu)造的HI更加有效。本文采用多元線性回歸算法對相關(guān)特征與LOC進(jìn)行擬合，由擬合結(jié)果實現(xiàn)對HI的最終定義，計算公式為：

HI = b0 + b1F1 + b2F2 + … + bnFn + ε? ? ? ? （3）

其中HI表示更新后的健康指數(shù)，b0表示常數(shù)項，F(xiàn)i表示第i個特征，bi表示第i個特征的回歸系數(shù)，ε表示誤差項。

2.3? 基于注意力機制的MSCNN-BiLSTM模型

本文提出的基于注意力機制的MSCNN-BiLSTM（MSCNN-BiLSTM-AM）健康指數(shù)預(yù)測模型是由空間特征處理模塊、時間特征處理模塊和輸出模塊3個部分組成。空間特征處理模塊由3個不同卷積核的卷積層和Concatenate層構(gòu)成；時間特征處理模塊由BiLSTM層、Attention層構(gòu)成；健康指數(shù)輸出模塊由Flatten層和全連接層組成，結(jié)構(gòu)如圖1所示。在空間特征處理模塊中，MSCNN模型通過設(shè)置不同大小卷積核自動提取并整合電梯數(shù)據(jù)的多尺度特征，經(jīng)過多次重復(fù)提取，最終提取到最全面有效的特征信息；在時間特征處理模塊中，BiLSTM模型提取并保留長時間的序列信息，再經(jīng)由注意力機制層權(quán)重分配后，與MSCNN模型提取的特征映射圖作為下一模塊的輸入數(shù)據(jù)。健康指數(shù)輸出模塊將兩種輸入數(shù)據(jù)融合且一維化處理，最后通過全連接層輸出健康指數(shù)值。

2.3.1 MSCNN

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是模擬于人體神經(jīng)元，具有局部提取和參數(shù)共享的特性，在特征自動提取方面有著很廣闊的應(yīng)用前景。當(dāng)數(shù)據(jù)集的數(shù)據(jù)維度比較高時，CNN和最大池化層相結(jié)合可以自動高效提取特征和縮小數(shù)據(jù)規(guī)模，提高模型的信息提取能力和訓(xùn)練效率。電梯運行狀態(tài)數(shù)據(jù)包含大量信息，需要進(jìn)行全面的數(shù)據(jù)特征提取和篩選工作。由于單尺度CNN只能提取到局部的特征信息，忽略了全局特征，丟失了部分重要的空間信息，而MSCNN由多個不同尺度卷積核組成，可以提取數(shù)據(jù)中多維度的空間特征信息，因此本文使用MSCNN來提取電梯運行過程中的不同層次的數(shù)據(jù)特征，捕獲數(shù)據(jù)集中更為全面的深層次空間特征信息。

在本文中，輸入數(shù)據(jù)集為二維向量，長為特征數(shù)量，寬為時間序列。二維數(shù)據(jù)經(jīng)過數(shù)據(jù)處理后，輸入到多尺度卷積層中經(jīng)過多尺度特征提取，形成相對應(yīng)的特征映射圖。為了維持每個卷積層輸出的數(shù)據(jù)維度，本文采用了零填充法，且使用了Relu激活函數(shù)來增加卷積核的非線性擬合能力。最后將每個尺度的特征圖整合為一張綜合特征映射圖，并將其作為下一層的輸入值。

2.3.2 BiLSTM

RNN被稱為循環(huán)神經(jīng)網(wǎng)絡(luò)，其中每個隱藏層都具有自連接的特性，因此相較于其他模型結(jié)構(gòu)，擁有時間記憶功能。由于自身網(wǎng)絡(luò)結(jié)構(gòu)無法記錄長時間序列數(shù)據(jù)間的聯(lián)系信息，為此科學(xué)家設(shè)計了細(xì)胞狀態(tài)和三種門結(jié)構(gòu)來實現(xiàn)長期信息記憶功能。細(xì)胞狀態(tài)負(fù)責(zé)保存數(shù)據(jù)信息，sigmoid、tanh激活函數(shù)以及點乘操作等內(nèi)容組合形成一種綜合門結(jié)構(gòu)，其結(jié)構(gòu)如圖2所示。電梯運行數(shù)據(jù)蘊含著時間序列特征信息，其中當(dāng)前時刻的運行狀態(tài)與前一時刻的運行狀態(tài)有關(guān)，因此需要利用LSTM的特性捕捉時間特征信息。

BiLSTM模型稱為雙向長短期記憶神經(jīng)網(wǎng)絡(luò)，由前向LSTM和反向LSTM層結(jié)合而成，如圖3所示，輸入層將參數(shù)同時輸入到兩個方向的LSTM模型中，從前向和后向兩個方向同步處理序列；兩個方向的LSTM均有獨立的隱藏層，可以在一個特定的時間步長中同時獲取前向和后向的信息，從而提取更為全面的時間特征信息。相較于只能獲得單一方向信息的LSTM，BiLSTM理論上能夠提高最終預(yù)測的準(zhǔn)確率。

2.3.3? 注意力機制

注意力機制是啟發(fā)于動物關(guān)注眼睛看到的特別部分，并通過神經(jīng)計算做出反應(yīng)。它可以使模型篩選出冗余數(shù)據(jù)中的高質(zhì)量信息，只選擇關(guān)鍵信息進(jìn)行處理，提高了信息提取能力。BiLSTM模型雖然具有長時間的數(shù)據(jù)記憶能力，但很難捕捉到時間序列中的復(fù)雜特征，而注意力機制已經(jīng)在睡眠分期[18]、語音識別[19]等諸多方面展現(xiàn)出了顯著效果，因此本文選用注意力機制，輔助模型進(jìn)行注意力權(quán)重分配，賦予關(guān)鍵信息更高的權(quán)重，減少資源浪費和提高模型效率。

注意力機制由查詢向量（Query Vector）和鍵值對（key-value pair）進(jìn)行權(quán)重計算，其計算步驟如下：

1）每個輸入向量和query點積計算出注意力打分函數(shù)，計算它們之間的相關(guān)性。

2）Softmax計算出每key的權(quán)重。

3）將權(quán)重與對應(yīng)的value加權(quán)求和得到最終的注意力。

計算公式為：

其中，q、（K， V ）分別表示query、輸入信息的矩陣表示，K用來計算注意力分布，V用來計算聚合信息，s （kn， q）表示打分函數(shù)。

2.4? 評價指標(biāo)

本文采用平均絕對誤差MAE和決定分?jǐn)?shù)R2對模型的預(yù)測性能進(jìn)行評價。兩者均是評估真實值與預(yù)測之間距離的指標(biāo)，MAE指標(biāo)值越小，R2指標(biāo)值越接近于1，代表預(yù)測的效果越好，模型的精度越高，計算公式為：

3? 實驗結(jié)果

本節(jié)將展示模型在電梯數(shù)據(jù)集上的預(yù)測性能，并為了驗證不同卷積核公差對于模型性能的影響，單獨以卷積核公差為自變量進(jìn)行大量驗證實驗。本文采用留出法將電梯數(shù)據(jù)集隨機劃分3個獨立的數(shù)據(jù)集：訓(xùn)練集、驗證集和測試集，其中訓(xùn)練集占總數(shù)據(jù)集的70%，驗證集占總數(shù)據(jù)集的10%，測試集占20%。

3.1? 模型回歸預(yù)測性能

用訓(xùn)練集訓(xùn)練融合模型，再利用驗證集進(jìn)行性能驗證，以此訓(xùn)練多個模型，最后選擇性能最優(yōu)模型擬合測試集，得到實際健康度和預(yù)測值的擬合結(jié)果圖。如圖4所示，x軸為時間序列，y軸為健康指數(shù)，其中黑線為真實值，灰線為模型預(yù)測值。

根據(jù)圖4真實值和預(yù)測值的擬合效果所示，可以看出本文所提出的融合模型的預(yù)測性能較好，擬合的電梯健康指數(shù)曲線雖然有波動的趨勢，但前進(jìn)的趨勢與實際情況吻合，和實際壽命曲線十分接近，特別是到磨損中后期，兩條曲線基本重合。

3.2? 卷積核公差實驗

在本實驗中，我們研究不同的卷積范圍對于模型性能的影響。MSCNN采用了三種不同尺度的卷積核自動提取數(shù)據(jù)特征，以此得到不同范圍的特征信息。為了保證自變量只有卷積核公差，實驗必須首先確定中心卷積核尺度，將其設(shè)為不變量。經(jīng)過大量實驗，發(fā)現(xiàn)中心卷積核為9時模型對測試集的擬合效果最佳。最終以9為中心基準(zhǔn)，以1～7的公差范圍進(jìn)行實驗。對比實驗結(jié)果如圖5所示，當(dāng)公差為4時，MSE取得最小值，R2取得最大值，訓(xùn)練出的模型綜合預(yù)測性能最佳；在公差為1時，模型性能最差，而隨著公差的增加，模型的性能逐漸提高，但當(dāng)超過4后，模型的性能反而開始下降。實驗結(jié)果表明，更大的公差能夠提取到更多的空間層次特征信息，從而提高模型的預(yù)測準(zhǔn)確度；而當(dāng)公差超過一定范圍后，將會給模型帶來干擾信息，導(dǎo)致模型訓(xùn)練過擬合，引起最終的預(yù)測準(zhǔn)確度下降。

4? 對比分析

為了進(jìn)一步驗證本文提出的健康指數(shù)預(yù)測模型的可靠性和有效性，本文添加了與流行的深度學(xué)習(xí)模型的對比實驗，如DCNN、CNN-LSTM、CNN-BiLSTM、CNN-BiLSTM-AM、MSCNN-BiLSTM方法。為排除數(shù)據(jù)不同帶來的預(yù)測誤差，本文采用同一批數(shù)據(jù)進(jìn)行實驗，并且采用MAE和R2兩種評價指標(biāo)對模型的預(yù)測性能進(jìn)行評估。模型預(yù)測性能對比如表3所示。

由表3可以得知，在同一批實驗數(shù)據(jù)中，基于注意力機制的MSCNN-BiLSTM模型的平均絕對誤差MAE最小，決定系數(shù)R2更接近于1。

由CNN-BiLSTM-AM與MSCNN-BiLSTM-AM模型算法預(yù)測性能的對比可知，在同時進(jìn)行多尺度卷積自動提取數(shù)據(jù)特征的前提下，后者的MAE比前者降低了41.40%，R2提高了2.15%。該結(jié)果說明了多尺度卷積模塊從不同角度提取了數(shù)據(jù)中更多、更深層次的空間特征，提供給模型全面且有效數(shù)據(jù)信息，提高了模型的預(yù)測準(zhǔn)確率。

由MSCNN-BiLSTM與MSCNN-BiLSTM-AM模型算法預(yù)測性能的對比可知，在增加注意力機制的情況下，后者的MAE比前者降低了50.49%，R2提高了3.72%。由此充分說明了注意力機制根據(jù)電梯的運行狀態(tài)分配不同注意力權(quán)重，讓模型得以專注于更為有效的特征信息，實現(xiàn)更精準(zhǔn)的電梯健康指數(shù)預(yù)測。

綜上所述，對比于如今較為流行的模型算法，本文所提出的基于注意力機制的MSCNN-BiLSTM模型在電梯健康指數(shù)預(yù)測領(lǐng)域中具有較高的預(yù)測性能，也證明了本文所提出模型的可靠性和優(yōu)越性。

根據(jù)相關(guān)的評判標(biāo)準(zhǔn)和工程實踐經(jīng)驗，將健康指數(shù)的范圍劃分成5個等級，分別為健康、亞健康、良好、異常和缺陷，如表4所示。當(dāng)健康等級到達(dá)異常等級時，則進(jìn)行故障預(yù)警，讓維修人員著手制定檢修方案。

5? 結(jié)? 論

本文提出了一個基于注意力機制的電梯健康指數(shù)預(yù)測模型，該模型由空間特征處理模塊、時間特征處理模塊和輸出模塊三部分組成?？臻g特征處理模塊中通過MSCNN的多尺度的卷積核自動提取電梯數(shù)據(jù)中深層次的隱藏特征，并篩選出具有最完善信息和趨勢性的特征；時間特征處理模塊中采用BiLSTM的雙向LSTM和LSTM特有的三種門結(jié)構(gòu)同時捕捉計算過程中每個時間點的歷史和未來數(shù)據(jù)，充分利用了序列數(shù)據(jù)的前后時間關(guān)系特征，完成對數(shù)據(jù)信息的全面提取分析；通過注意力機制實現(xiàn)注意力權(quán)重分配；輸出模塊利用全連接層完成對電電梯健康指數(shù)的高效、精確預(yù)測。本文通過對電梯數(shù)據(jù)的實驗研究和模型性能對比分析，驗證了所提出方法模型的有效性和可靠性。

參考文獻(xiàn)：

[1] 牛玉廣，李曉彬，張佳輝.基于多元狀態(tài)估計與自適應(yīng)閩值的電站輔機故障預(yù)警 [J].動力工程學(xué)報，2019，39（9）：717-724.

[2] 孫建平，趙立慧，孫博揚，等.基于數(shù)據(jù)驅(qū)動與多變量狀態(tài)估計的汽動引風(fēng)機故障預(yù)警 [J].熱力發(fā)電，2020，49（1）：78-84.

[3] 韓寶宏，閆明勝，段鵬飛，等.基于SOM-MQE模型的設(shè)備故障預(yù)警方法 [J].工業(yè)技術(shù)創(chuàng)新，2021，8（1）：74-78.

[4] 王玉軍.浴盆曲線理論在民航空管設(shè)備管理中的應(yīng)用 [J].通訊世界，2017（17）：280-281.

[5] 劉子健，劉柏，吳婷，等.考慮性能退化的海用雷達(dá)可靠性優(yōu)化策略方法 [J].船舶標(biāo)準(zhǔn)化與質(zhì)量，2017（4）：45-49+56.

[6] ELLEFSEN A L，BJ?RLYKHAUG E，?S?Y V，et al. Remaining useful life predictions for turbofan engine degradation using semi-supervised deep architecture [J].Reliability Engineering & System Safety，2019，183：240-251.

[7] 蔣文博，胡瀾也，宋斐，等.基于比例風(fēng)險模型與機器學(xué)習(xí)混合方法的電梯故障預(yù)測 [J].工業(yè)工程與管理，2021，26（4）：19-27.

[8] 王江萍，孫文莉.基于小波包能量譜齒輪振動信號的分析與故障診斷 [J].機械傳動，2011，35（1）：55-58.

[9] ZHAO D Z，WANG T Y，CHU F L. Deep convolutional neural network based planet bearing fault classification [J].Computers in Industry，2019，107：59-66.

[10] 江朋，陸遠(yuǎn)，胡瑩.基于LSTM+FP-Growth算法的印刷設(shè)備故障預(yù)警及診斷 [J].南昌大學(xué)學(xué)報：工科版，2021，43（3）：276-284.

[11] 彭道剛，姬傳晟，涂煊，等.基于LSTM-SVM的燃?xì)廨啓C壓氣機故障預(yù)警研究 [J].動力工程學(xué)報，2021，41（5）：394-399.

[12] YAN L，ZHANG H T，GONCALVES J，et al. An interpretable mortality prediction model for COVID-19 patients [J].Nature Machine Intelligence，2020，2（5）：283-288.

[13] ZHU J L，GE Z Q，SONG Z H，et al. Review and big data perspectives on robust data mining approaches for industrial process modeling with outliers and missing data [J].Annual Reviews in Control，2018，46：107-133.

[14] 李京峰，陳云翔，項華春，等.基于LSTM-DBN的航空發(fā)動機剩余壽命預(yù)測 [J].系統(tǒng)工程與電子技術(shù)，2020，42（7）：1637-1644.

[15] 王玉靜，李少鵬，康守強，等.結(jié)合CNN和LSTM的滾動軸承剩余使用壽命預(yù)測方法 [J].振動、測試與診斷，2021，41（3）：439-446+617.

[16] 谷夢瑤，陳友玲，王新龍.多退化變量下基于實時健康度的相似性壽命預(yù)測方法 [J].計算機集成制造系統(tǒng)，2017，23（2）：362-372.

[17] 岳研，劉暢，劉韜.基于深度融合神經(jīng)網(wǎng)絡(luò)的軸承健康指標(biāo)構(gòu)建 [J].電子測量與儀器學(xué)報，2021，35（7）：44-52.

[18] BAHDANAU D，CHOROWSKI J，SERDYUK D，et al. End-to-End Attention-based Large Vocabulary Speech Recognition [J/OL].arXiv：1508.04395 [cs.CL].[2023-01-02].https：//arxiv.org/abs/1508.04395v2.

[19] 邱錫鵬.神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí) [M].北京：機械工業(yè)出版社，2020.