CN119476747A 一种基于分解-自相关和Wavelet的智慧电梯维保周期预测方法 （杭州市特种设备检验科学研究院(杭州市特种设备应急处置中心)）

一种基于分解-自相关和Wavelet的智慧电Wavelet的智慧电梯维保周期预测方法，其步骤标签为未来多个周期的故障数据；利用Embedding层对特征进行编码，并输入由自相关2S6：应用Wavelet变换从输入的时间序列中解析突发事件，提取数据中的高频部分S7：将融合特征xinput输入到多层感知机中，经过多个全连接层和非线性层，通过sigmoid激活函数生成每个时间步的二分类标签概率，获得输出xoutput，即模型预测概2.根据权利要求1所述的基于分解一自相关和Wavelet的智慧电梯维保周期预测方法，S4.1：将输入特征InputraweRd按照类型分为类别特征ceRlxm和连续特征m+n=d；E(I)eRIxdembed，m为类别特征数，dembed为嵌3.根据权利要求2所述的基于分解一自相关和Wavelet的智慧电梯维保周期预测方法，34.根据权利要求1所述的基于分解一自相关和Wavelet的智慧电梯维保周期预测方法，XS=X-xtcorrelation(x,)，其中，Z=ztrend十zseasonal，xencoaeu=Encoder(z)，其中，表示将ztrend和Z;easonal融合后的特征，表示经过多层编码器后得到的最终输出；Encoder()为多层编码器，通过将步骤S5.1~S5.5重复多次完成。5.根据权利要求4所述的基于分解一自相关和Wavelet的智慧电梯维保周期预测方法，S5.1.2：对于输入向量xpaading=[x1,x2,…,xr+2npaaaingl，使用以下公式计算趋"6.根据权利要求4所述的基于分解一自相关和Wavelet的智慧电梯维保周期预测方法，4,其中，Roll(x,r)为滚动操作，表a=1R7.根据权利要求4所述的基于分解一自相关和Wavelet的智慧电梯维保周期预测方法，N(0,1)为标准正态分布;8.根据权利要求1所述的基于分解一自相关和Wavelet的智慧电梯维保周期预测方法，X=[x,x2,…,xp]，其中，xi代表每一个特征对应的时间中，high-frequency(-)为提取高频的函数；x=[x,x2,…,xp]的每一个处理完后，重新拼接，获得输出;。9.根据权利要求8所述的基于分解一自相关和Wavelet的智慧电梯维保周期预测方法，其特征在于，所述步骤S6中的小波变换函数DWT()使用pywt包中的pywt.wavedec()5,l-1b()表示第l层偏置；l-1层的输出，入矩阵逐元素应用sigmoid(-)。6一种基于分解自相关和Wavelet的智XX7xwavelet；将编码器输出xencoded与高频部分xwavelet进行融合，获得融合特征xinput；[0013]S8：使用损失函数计算预测概率xoutput与实际标签labels之间的二元交[0017]S4.1：将输入特征InputraweRl⃞4按照类型分为类别特征ceRlxm续特征数，且m+n=d；eRIxdm为类别特征数，8N为输入特征，μ为输入特征N的均值，σ为输入特征N的标准差。获得趋势成分xt：[0039]XS=X-xt，zseasonaERIP为处理后的季节性成分，Autocorrelation(-)[0046]其中,为投影后的趋势成分，projection(-)为线性[0048]Z=ztrend十z，9Tlpadding为需要填充的行数，w为滑动窗口大小，填充后的输入向量;ztrena=wxt，xencoded与高频部分xwavelet进行融合的具体步骤包括：一个特征对应的时间序列，使用Wavelet变换T(-)代表小波变换函数；[0085]其中，high-frequency(-)为提取高频的函数；序列vi：IDWT(-)为小波逆变换；x=[r1,xz,…,xpl的每一个xi处理完后，重新拼接，获得输出xwavelet=[y1,y2,..,yn]；征xinput：。l-1层的输出，w(I)表示第lL-1[0108]针对应对突发事件的影响的困难，本发明使用了Wavelet小波变换来提取数据中xwaveletxxwaveletxoutputxwaveletxinputxxwaveletxinputxinputsigmoidxoutputlabelsxoutputlabels[0121]S8：使用损失函数计算预测概率与实际标签之间的二元交[0138]将归一化处理后的各个特征进行等频分箱，并构建与电梯故障标签相关的频数[0141]S4.1：将输入特征InputraweRl⃞d按照类型分为类别特征ceRlxm连续特征数，且m+n=d。E(i)eRIxdm为类别特征数，zn：N为输入特征，μ为特征N的均值，σ为特征N的标准差。[0158]于步骤S5中，通过分解模块和自相关机制获得编码器输出xencoded的具体步[0166]XS=X-xtER"为处理后的季节性成分，Autocorrelation()[0173]其中,为投影后的趋势成分，projection(-)为线zeRTXD表示将ztrend和zseasonal融合后的特征，。ztrena=wxt，xi代表每一个特征对应的时间序列，使用Wavelet变换将每一个xi分解为低频系数和T(-)代表小波变换函数。序列vi：x=[r1,xz,…,xpl的每一个xi处理完后，重新拼接，得到输出xwavelet=[y1,y2,..,yn]。，[0219]于步骤S6.1中，小波变换函数DWTpywt.wavedec()结果中的高频系数（这里在python中即为访问列表元素的操。l-1层的输出，w(I)表示第lL-1[0235]本实施例中，在步骤S7中，torch.nn.Linear用于定义每一层的全连接层，的输入和输出都会依赖