本發(fā)明屬于安全工程優(yōu)化，具體是指一種基于人工智能的安全工程優(yōu)化方法及系統(tǒng)。

背景技術(shù)：

1、安全工程優(yōu)化利用人工智能技術(shù)，對(duì)電梯系統(tǒng)的相關(guān)數(shù)據(jù)進(jìn)行綜合分析和處理，以提升電梯的安全性、可靠性和運(yùn)營(yíng)效率，從而實(shí)現(xiàn)電梯系統(tǒng)的智能化安全管理，降低事故發(fā)生率，更好地保障乘客安全。但在現(xiàn)有安全工程優(yōu)化過程中，存在電梯運(yùn)行狀態(tài)評(píng)估對(duì)模型預(yù)測(cè)準(zhǔn)確性要求較高，需要進(jìn)一步進(jìn)行參數(shù)優(yōu)化，而傳統(tǒng)麻雀搜索算法的參數(shù)優(yōu)化能力有限，導(dǎo)致模型預(yù)測(cè)效果不佳，影響電梯運(yùn)行狀態(tài)評(píng)估可靠性的技術(shù)問題；存在電梯故障數(shù)據(jù)復(fù)雜，且時(shí)常夾帶噪聲，單一模型在進(jìn)行電梯故障預(yù)測(cè)時(shí)的預(yù)測(cè)精度和魯棒性較差，容易引起誤報(bào)，增加不必要的維護(hù)成本的技術(shù)問題；存在傳統(tǒng)電梯安全工程優(yōu)化依靠專業(yè)技術(shù)人員的經(jīng)驗(yàn)和判斷，易受到主觀因素影響，且需要耗費(fèi)大量時(shí)間和人力資源，過程耗時(shí)耗力，導(dǎo)致電梯安全工程優(yōu)化效率低、有效性差的技術(shù)問題。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述情況，為克服現(xiàn)有技術(shù)的缺陷，本發(fā)明提供了一種基于人工智能的安全工程優(yōu)化方法及系統(tǒng)，針對(duì)在現(xiàn)有安全工程優(yōu)化過程中，存在電梯運(yùn)行狀態(tài)評(píng)估對(duì)模型預(yù)測(cè)準(zhǔn)確性要求較高，需要進(jìn)一步進(jìn)行參數(shù)優(yōu)化，而傳統(tǒng)麻雀搜索算法的參數(shù)優(yōu)化能力有限，導(dǎo)致模型預(yù)測(cè)效果不佳，影響電梯運(yùn)行狀態(tài)評(píng)估可靠性的技術(shù)問題，本方案創(chuàng)造性地采用增強(qiáng)參數(shù)優(yōu)化的長(zhǎng)短期記憶模型進(jìn)行電梯運(yùn)行狀態(tài)評(píng)估，通過引入帳篷混沌映射、自適應(yīng)慣性權(quán)重和隨機(jī)慣性權(quán)重，增加麻雀種群多樣性，有效避免陷入局部最優(yōu)解，提高了算法的全局搜索能力，更好地進(jìn)行參數(shù)優(yōu)化，提升模型預(yù)測(cè)效果，進(jìn)而增強(qiáng)電梯運(yùn)行狀態(tài)評(píng)估可靠性；針對(duì)在現(xiàn)有安全工程優(yōu)化過程中，存在電梯故障數(shù)據(jù)復(fù)雜，且時(shí)常夾帶噪聲，單一模型在進(jìn)行電梯故障預(yù)測(cè)時(shí)的預(yù)測(cè)精度和魯棒性較差，容易引起誤報(bào)，增加不必要的維護(hù)成本的技術(shù)問題，本方案創(chuàng)造性地采用自編碼器長(zhǎng)短期記憶并行模型進(jìn)行電梯故障預(yù)測(cè)，通過將自編碼器和長(zhǎng)短期記憶網(wǎng)絡(luò)并行處理，更好捕捉豐富的特征表示，提升了模型預(yù)測(cè)精度，通過梯度提升技術(shù)進(jìn)行集成學(xué)習(xí)，增強(qiáng)了模型魯棒性，從而降低誤報(bào)率和維護(hù)成本；針對(duì)在現(xiàn)有安全工程優(yōu)化過程中，存在傳統(tǒng)電梯安全工程優(yōu)化依靠專業(yè)技術(shù)人員的經(jīng)驗(yàn)和判斷，易受到主觀因素影響，且需要耗費(fèi)大量時(shí)間和人力資源，過程耗時(shí)耗力，導(dǎo)致電梯安全工程優(yōu)化效率低、有效性差的技術(shù)問題，本方案創(chuàng)造性地綜合電梯運(yùn)行狀態(tài)評(píng)估信息和電梯故障預(yù)測(cè)信息，來實(shí)現(xiàn)電梯安全工程優(yōu)化，減少主觀因素影響，有效提升電梯系統(tǒng)的整體穩(wěn)定性和可靠性，促進(jìn)電梯系統(tǒng)管理的智能化發(fā)展。

2、本發(fā)明采取的技術(shù)方案如下：本發(fā)明提供的一種基于人工智能的安全工程優(yōu)化方法，該方法包括以下步驟：

3、步驟s1：數(shù)據(jù)準(zhǔn)備；

4、步驟s2：數(shù)據(jù)預(yù)處理；

5、步驟s3：電梯運(yùn)行狀態(tài)評(píng)估；

6、步驟s4：電梯故障預(yù)測(cè)；

7、步驟s5：電梯安全工程優(yōu)化。

8、進(jìn)一步地，在步驟s1中，所述數(shù)據(jù)準(zhǔn)備，用于收集電梯安全工程優(yōu)化所需的原始數(shù)據(jù)，具體為通過收集電梯系統(tǒng)相關(guān)數(shù)據(jù)，得到電梯安全原始數(shù)據(jù)，所述電梯安全原始數(shù)據(jù)包括電梯運(yùn)行數(shù)據(jù)、環(huán)境數(shù)據(jù)、歷史故障數(shù)據(jù)和維護(hù)記錄。

9、進(jìn)一步地，在步驟s2中，所述數(shù)據(jù)預(yù)處理，用于預(yù)處理電梯安全原始數(shù)據(jù)，具體為通過對(duì)電梯安全原始數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，得到電梯狀態(tài)整合數(shù)據(jù)和電梯故障整合數(shù)據(jù)，包括以下步驟：

10、步驟s21：數(shù)據(jù)清洗，具體為通過異常值刪除、缺失值填補(bǔ)和重復(fù)值去除，對(duì)電梯安全原始數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗，得到電梯安全清洗數(shù)據(jù)；

11、步驟s22：歸一化處理，具體為通過對(duì)電梯安全清洗數(shù)據(jù)進(jìn)行數(shù)據(jù)歸一化處理，得到電梯安全標(biāo)準(zhǔn)數(shù)據(jù)；

12、步驟s23：數(shù)據(jù)整合，具體為將電梯安全標(biāo)準(zhǔn)數(shù)據(jù)中的電梯運(yùn)行數(shù)據(jù)和環(huán)境數(shù)據(jù)進(jìn)行數(shù)據(jù)整合，得到電梯狀態(tài)整合數(shù)據(jù)，并將電梯安全標(biāo)準(zhǔn)數(shù)據(jù)中的歷史故障數(shù)據(jù)和維護(hù)記錄進(jìn)行數(shù)據(jù)整合，得到電梯故障整合數(shù)據(jù)。

13、進(jìn)一步地，在步驟s3中，所述電梯運(yùn)行狀態(tài)評(píng)估，用于評(píng)估電梯當(dāng)前運(yùn)行狀態(tài)，具體為依據(jù)電梯狀態(tài)整合數(shù)據(jù)，采用增強(qiáng)參數(shù)優(yōu)化的長(zhǎng)短期記憶模型，進(jìn)行電梯運(yùn)行狀態(tài)評(píng)估，得到電梯運(yùn)行狀態(tài)評(píng)估信息，包括步驟s31-s34：

14、步驟s31：構(gòu)建長(zhǎng)短期記憶模型，具體為構(gòu)建包括輸入門、遺忘門、記憶單元和輸出門的長(zhǎng)短期記憶模型，得到長(zhǎng)短期記憶模型；

15、步驟s32：改進(jìn)麻雀搜索算法，具體為在麻雀搜索算法中引入帳篷混沌映射、自適應(yīng)慣性權(quán)重和隨機(jī)慣性權(quán)重，對(duì)麻雀搜索算法進(jìn)行改進(jìn)，得到改進(jìn)的麻雀搜索算法；

16、所述改進(jìn)的麻雀搜索算法，包括以下步驟：

17、步驟s321：通過帳篷混沌映射初始化麻雀種群，用于增加初始解多樣性，包括步驟s3211-s3212：

18、步驟s3211：在[0,1]區(qū)間內(nèi)隨機(jī)生成每個(gè)麻雀位置，計(jì)算公式為：

19、；

20、式中，xij是第i個(gè)麻雀在第j維上的位置，i是麻雀索引，j是解空間維度索引，d是矩陣維度，用于表示解空間維度，所述解空間維度等于需要優(yōu)化的模型參數(shù)總數(shù)，rand(0,1)是在[0,1]區(qū)間內(nèi)生成的隨機(jī)數(shù)，posi是第i個(gè)麻雀位置，xi1是第i個(gè)麻雀在第1維上的位置，xi2是第i個(gè)麻雀在第2維上的位置，xid是第i個(gè)麻雀在第d維上的位置；

21、步驟s3212：對(duì)每個(gè)麻雀位置進(jìn)行帳篷混沌映射，直到達(dá)到最大映射次數(shù)，得到麻雀初始種群；

22、所述帳篷混沌映射的計(jì)算公式為：

23、；

24、式中，k是映射次數(shù)索引，是第k+1次映射的第i個(gè)麻雀在第j維上的位置，是第k次映射的第i個(gè)麻雀在第j維上的位置；

25、步驟s322：構(gòu)建適應(yīng)度函數(shù)，用于評(píng)估每個(gè)麻雀位置的優(yōu)劣，具體為將交叉熵?fù)p失函數(shù)作為適應(yīng)度函數(shù)，通過適應(yīng)度函數(shù)計(jì)算每個(gè)麻雀位置的適應(yīng)度值；

26、步驟s323：發(fā)現(xiàn)者位置更新，具體為在發(fā)現(xiàn)者位置更新中引入自適應(yīng)慣性權(quán)重，進(jìn)行發(fā)現(xiàn)者位置更新，所述發(fā)現(xiàn)者具體指尋找食物的麻雀，所述發(fā)現(xiàn)者位置更新的計(jì)算公式為：

27、；

28、式中，是自適應(yīng)慣性權(quán)重，exp(·)是自然指數(shù)函數(shù)，t是迭代次數(shù)索引，tmax是最大迭代次數(shù)，是在第t+1次迭代時(shí)第i個(gè)麻雀位置，是第t次迭代時(shí)第i個(gè)麻雀位置，是取值范圍為[0，1]的調(diào)整參數(shù)，用于調(diào)整位置更新的幅度，r1是取值范圍為[0，1]的預(yù)警值，val是取值范圍為[0.5，1]的安全值，r2是服從正態(tài)分布的隨機(jī)數(shù)，l是元素均為1的1×d矩陣，d是矩陣維度，用于表示解空間維度；

29、步驟s324：跟隨者位置更新，具體為在跟隨者位置更新中引入隨機(jī)慣性權(quán)重，進(jìn)行跟隨者位置更新，所述跟隨者具體指跟隨發(fā)現(xiàn)者尋找食物的麻雀，所述跟隨者位置更新的計(jì)算公式為：

30、；

31、式中，是隨機(jī)慣性權(quán)重，是隨機(jī)慣性權(quán)重均值，是隨機(jī)慣性權(quán)重標(biāo)準(zhǔn)差，用于控制隨機(jī)慣性權(quán)重的波動(dòng)幅度，n（0，1）是服從標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)數(shù)，是第t+1次迭代時(shí)發(fā)現(xiàn)者占據(jù)的最佳位置，是第t次迭代時(shí)的全局最差位置，a是取值為{-1，1}的1×d矩陣，t是轉(zhuǎn)置操作；

32、步驟s325：警戒者位置更新，所述警戒者具體指負(fù)責(zé)識(shí)別潛在危險(xiǎn)的麻雀，計(jì)算公式為：

33、；

34、式中，是第t次迭代時(shí)全局最優(yōu)位置，fi是第i個(gè)麻雀位置的適應(yīng)度值，fg是全局最優(yōu)位置的適應(yīng)度值，fw是全局最差位置的適應(yīng)度值，是極小常數(shù)，用于避免分母為零的情況，r3是均勻分布在[-1，1]區(qū)間的隨機(jī)數(shù)；

35、步驟s326：通過重復(fù)執(zhí)行步驟s323至步驟s325進(jìn)行麻雀位置更新，直到達(dá)到最大迭代次數(shù)，通過迭代計(jì)算全局最優(yōu)位置作為模型最優(yōu)參數(shù)，所述最大迭代次數(shù)為500；

36、步驟s33：構(gòu)建增強(qiáng)參數(shù)優(yōu)化的長(zhǎng)短期記憶模型，具體為通過對(duì)長(zhǎng)短期記憶模型進(jìn)行模型訓(xùn)練，并采用改進(jìn)的麻雀搜索算法進(jìn)行參數(shù)調(diào)優(yōu)，得到增強(qiáng)參數(shù)優(yōu)化的長(zhǎng)短期記憶模型；

37、步驟s34：計(jì)算電梯運(yùn)行狀態(tài)評(píng)估結(jié)果，具體為依據(jù)電梯狀態(tài)整合數(shù)據(jù)，通過增強(qiáng)參數(shù)優(yōu)化的長(zhǎng)短期記憶模型進(jìn)行電梯運(yùn)行狀態(tài)評(píng)估，得到電梯運(yùn)行狀態(tài)評(píng)估信息。

38、進(jìn)一步地，在步驟s4中，所述電梯故障預(yù)測(cè)，用于預(yù)測(cè)電梯未來發(fā)生故障的概率，具體為依據(jù)電梯故障整合數(shù)據(jù)和電梯運(yùn)行狀態(tài)評(píng)估信息，采用自編碼器長(zhǎng)短期記憶并行模型，進(jìn)行電梯故障預(yù)測(cè)，得到電梯故障預(yù)測(cè)信息；

39、所述自編碼器長(zhǎng)短期記憶并行模型，包括輸入層、并行自編碼器長(zhǎng)短期記憶層、梯度提升預(yù)測(cè)層和輸出層；

40、所述并行自編碼器長(zhǎng)短期記憶層，包括并行的自編碼器子網(wǎng)和長(zhǎng)短期記憶子網(wǎng)；

41、所述自編碼器子網(wǎng)，用于無監(jiān)督地學(xué)習(xí)數(shù)據(jù)特征；

42、所述長(zhǎng)短期記憶子網(wǎng)，用于處理時(shí)間序列數(shù)據(jù)并捕捉長(zhǎng)期依賴性；

43、所述梯度提升預(yù)測(cè)層，用于綜合處理并行自編碼器長(zhǎng)短期記憶層輸出并生成預(yù)測(cè)結(jié)果；

44、所述電梯故障預(yù)測(cè)，包括以下步驟：

45、步驟s41：構(gòu)建輸入層，用于接收輸入數(shù)據(jù)，具體為通過輸入層接收電梯故障整合數(shù)據(jù)和電梯運(yùn)行狀態(tài)評(píng)估信息作為模型的輸入數(shù)據(jù)；

46、步驟s42：構(gòu)建并行自編碼器長(zhǎng)短期記憶層，包括步驟s421-s422：

47、步驟s421：構(gòu)建自編碼器子網(wǎng)，具體為構(gòu)建包括編碼器、重復(fù)向量層、解碼器和重構(gòu)損失層的自編碼器子網(wǎng)，通過自編碼器子網(wǎng)對(duì)輸入數(shù)據(jù)進(jìn)行計(jì)算，得到自編碼器子網(wǎng)輸出特征；

48、步驟s422：構(gòu)建長(zhǎng)短期記憶子網(wǎng)，具體為將包括輸入門、遺忘門、記憶單元和輸出門的長(zhǎng)短期記憶模型作為長(zhǎng)短期記憶子網(wǎng)，通過長(zhǎng)短期記憶子網(wǎng)對(duì)輸入數(shù)據(jù)進(jìn)行計(jì)算，得到長(zhǎng)短期記憶子網(wǎng)輸出特征；

49、步驟s43：構(gòu)建梯度提升預(yù)測(cè)層，具體為將輕量級(jí)梯度提升模型作為梯度提升預(yù)測(cè)層，通過梯度提升預(yù)測(cè)層對(duì)自編碼器子網(wǎng)輸出特征和長(zhǎng)短期記憶子網(wǎng)輸出特征進(jìn)行集成學(xué)習(xí)，得到最終預(yù)測(cè)結(jié)果；

50、步驟s44：構(gòu)建輸出層，用于輸出最終預(yù)測(cè)結(jié)果；

51、步驟s45：構(gòu)建自編碼器長(zhǎng)短期記憶并行模型，具體為通過步驟s41的輸入層、步驟s42的并行自編碼器長(zhǎng)短期記憶層、步驟s43的梯度提升預(yù)測(cè)層和步驟s44的輸出層進(jìn)行自編碼器長(zhǎng)短期記憶并行模型構(gòu)建，得到自編碼器長(zhǎng)短期記憶并行模型；

52、步驟s46：模型訓(xùn)練，具體為通過對(duì)自編碼器長(zhǎng)短期記憶并行模型進(jìn)行訓(xùn)練，得到電梯故障預(yù)測(cè)模型；

53、步驟s47：計(jì)算電梯故障預(yù)測(cè)結(jié)果，具體為通過電梯故障預(yù)測(cè)模型進(jìn)行電梯故障預(yù)測(cè)，得到電梯故障預(yù)測(cè)信息。

54、進(jìn)一步地，在步驟s5中，所述電梯安全工程優(yōu)化，具體為綜合電梯運(yùn)行狀態(tài)評(píng)估信息和電梯故障預(yù)測(cè)信息，對(duì)電梯運(yùn)行參數(shù)和維護(hù)計(jì)劃進(jìn)行優(yōu)化，實(shí)現(xiàn)電梯安全工程優(yōu)化；

55、依據(jù)電梯運(yùn)行狀態(tài)評(píng)估信息和電梯故障預(yù)測(cè)信息，動(dòng)態(tài)調(diào)整電梯運(yùn)行參數(shù)，所述電梯運(yùn)行參數(shù)包括電梯速度、加速度、減速度和載重限制，用于降低電梯在高風(fēng)險(xiǎn)狀態(tài)下運(yùn)行的強(qiáng)度，從而減少電梯故障發(fā)生概率；

56、依據(jù)電梯運(yùn)行狀態(tài)評(píng)估信息和電梯故障預(yù)測(cè)信息，調(diào)整電梯的維護(hù)頻次，并優(yōu)先處理高風(fēng)險(xiǎn)電梯。

57、本發(fā)明提供的一種基于人工智能的安全工程優(yōu)化系統(tǒng)，包括：數(shù)據(jù)準(zhǔn)備模塊、數(shù)據(jù)預(yù)處理模塊、電梯運(yùn)行狀態(tài)評(píng)估模塊、電梯故障預(yù)測(cè)模塊和電梯安全工程優(yōu)化模塊；

58、所述數(shù)據(jù)準(zhǔn)備模塊，用于數(shù)據(jù)準(zhǔn)備，通過數(shù)據(jù)準(zhǔn)備，得到電梯安全原始數(shù)據(jù)，并將所述電梯安全原始數(shù)據(jù)發(fā)送至數(shù)據(jù)預(yù)處理模塊；

59、所述數(shù)據(jù)預(yù)處理模塊，用于數(shù)據(jù)預(yù)處理，通過數(shù)據(jù)預(yù)處理，得到電梯狀態(tài)整合數(shù)據(jù)和電梯故障整合數(shù)據(jù)，并將所述電梯狀態(tài)整合數(shù)據(jù)發(fā)送至電梯運(yùn)行狀態(tài)評(píng)估模塊，將所述電梯故障整合數(shù)據(jù)發(fā)送至電梯故障預(yù)測(cè)模塊；

60、所述電梯運(yùn)行狀態(tài)評(píng)估模塊，用于電梯運(yùn)行狀態(tài)評(píng)估，通過電梯運(yùn)行狀態(tài)評(píng)估，得到電梯運(yùn)行狀態(tài)評(píng)估信息，并將所述電梯運(yùn)行狀態(tài)評(píng)估信息發(fā)送至電梯故障預(yù)測(cè)模塊和電梯安全工程優(yōu)化模塊；

61、所述電梯故障預(yù)測(cè)模塊，用于電梯故障預(yù)測(cè)，通過電梯故障預(yù)測(cè)，得到電梯故障預(yù)測(cè)信息，并將所述電梯故障預(yù)測(cè)信息發(fā)送至電梯安全工程優(yōu)化模塊；

62、所述電梯安全工程優(yōu)化模塊，綜合電梯運(yùn)行狀態(tài)評(píng)估信息和電梯故障預(yù)測(cè)信息，對(duì)電梯運(yùn)行參數(shù)和維護(hù)計(jì)劃進(jìn)行優(yōu)化，實(shí)現(xiàn)電梯安全工程優(yōu)化。

63、采用上述方案本發(fā)明取得的有益效果如下：

64、（1）針對(duì)在現(xiàn)有安全工程優(yōu)化過程中，存在電梯運(yùn)行狀態(tài)評(píng)估對(duì)模型預(yù)測(cè)準(zhǔn)確性要求較高，需要進(jìn)一步進(jìn)行參數(shù)優(yōu)化，而傳統(tǒng)麻雀搜索算法的參數(shù)優(yōu)化能力有限，導(dǎo)致模型預(yù)測(cè)效果不佳，影響電梯運(yùn)行狀態(tài)評(píng)估可靠性的技術(shù)問題，本方案創(chuàng)造性地采用增強(qiáng)參數(shù)優(yōu)化的長(zhǎng)短期記憶模型進(jìn)行電梯運(yùn)行狀態(tài)評(píng)估，通過引入帳篷混沌映射、自適應(yīng)慣性權(quán)重和隨機(jī)慣性權(quán)重，增加麻雀種群多樣性，有效避免陷入局部最優(yōu)解，提高了算法的全局搜索能力，更好地進(jìn)行參數(shù)優(yōu)化，提升模型預(yù)測(cè)效果，進(jìn)而增強(qiáng)電梯運(yùn)行狀態(tài)評(píng)估可靠性；

65、（2）針對(duì)在現(xiàn)有安全工程優(yōu)化過程中，存在電梯故障數(shù)據(jù)復(fù)雜，且時(shí)常夾帶噪聲，單一模型在進(jìn)行電梯故障預(yù)測(cè)時(shí)的預(yù)測(cè)精度和魯棒性較差，容易引起誤報(bào)，增加不必要的維護(hù)成本的技術(shù)問題，本方案創(chuàng)造性地采用自編碼器長(zhǎng)短期記憶并行模型進(jìn)行電梯故障預(yù)測(cè)，通過將自編碼器和長(zhǎng)短期記憶網(wǎng)絡(luò)并行處理，更好捕捉豐富的特征表示，提升了模型預(yù)測(cè)精度，通過梯度提升技術(shù)進(jìn)行集成學(xué)習(xí)，增強(qiáng)了模型魯棒性，從而降低誤報(bào)率和維護(hù)成本；

66、（3）針對(duì)在現(xiàn)有安全工程優(yōu)化過程中，存在傳統(tǒng)電梯安全工程優(yōu)化依靠專業(yè)技術(shù)人員的經(jīng)驗(yàn)和判斷，易受到主觀因素影響，且需要耗費(fèi)大量時(shí)間和人力資源，過程耗時(shí)耗力，導(dǎo)致電梯安全工程優(yōu)化效率低、有效性差的技術(shù)問題，本方案創(chuàng)造性地綜合電梯運(yùn)行狀態(tài)評(píng)估信息和電梯故障預(yù)測(cè)信息，來實(shí)現(xiàn)電梯安全工程優(yōu)化，減少主觀因素影響，有效提升電梯系統(tǒng)的整體穩(wěn)定性和可靠性，促進(jìn)電梯系統(tǒng)管理的智能化發(fā)展。