1.一种基于改进的黏菌算法优化Elman神经网络的电梯故障预测方法，其特征在于：利用传感器采集电梯运行数据，通过WIFI模块将数据上传给后台进行数据处理，后台的数据处理采用改进的黏菌算法优化的Elman神经网络模型；黏菌算法经过sine‑tent混沌映射优化和加入新的贪心步骤优化，将具有更高精度的寻优结果输出到Elman神经网络模型，从而优化Elman模型的权值和阈值，最后输出预测结果；具体的运行步骤包括：步骤1：利用传感器采集各项电梯运行数据；

步骤2：将采集到的数据上传至后台进行数据预处理；

步骤3：针对步骤2中的数据预处理，将采集到的数据进行归一化处理，把数据统一归为[0,1]，并输入到Elman神经网络模型；

步骤4：初始Elman模型的权值和阈值；

步骤5：利用黏菌算法得出最优值；

步骤6：判断是否达到结束条件，若达到条件则将最优值赋给Elman神经网络；若没有达到，则重新进行步骤5；

步骤7：根据Elman神经网络的输出结果，判断电梯是否会出现对应的电梯故障。

2.根据权利要求1所述的一种基于改进的黏菌算法优化Elman神经网络的电梯故障预测方法，其特征在于：所述的黏菌算法经过sine‑tent混沌映射优化和加入新的贪心步骤优化，加入的贪心步骤公式如下：公式(1)是让黏菌个体在当前最优值附近进行搜索，将搜索结果和当前个体的适应度进行比较，若新个体的适应度值优于当前个体，则更新位置到新个体，反之保留原来的位置；

其中，xn为新个体，xb为当前最优个体，y1为震荡衰减函数，randA为[‑a,a]的均匀随机数，xr是整个种群中的随机个体，xi为当前个体，t为自变量，F为适应度值。

3.根据权利要求1或2所述的一种基于改进的黏菌算法优化Elman神经网络的电梯故障预测方法，其特征在于：所述的黏菌算法经过sine‑tent混沌映射优化，使得黏菌算法在更新位置时增加其全局搜索能力，黏菌算法增加sine‑tent混沌映射优化的公式如下：xn＝xb+kn*(ω1x1‑x2) (3)

公式(2)中，kn为[0,1]中的sine‑tent映射；公式(3)是经过sine‑tent混沌优化之后的黏菌算法个体更新公式；加入混沌映射后的个体更新公式具有更好的全局搜索性能，可以有效的跳出局部最优；公式(3)中，kn为[0,1]中的sine‑tent映射,ω1为权值，x1、x2为两个随机个体。

4.根据权利要求1所述的一种基于改进的黏菌算法优化Elman神经网络的电梯故障预测方法，其特征在于：步骤2所述归一化处理的公式如下：公式(4)中，x为当前位置的值,x′为归一化之后的值，xmin为数据集中的最小值，xmax为数据集中的最大值，a、b为归一化之后的最大值和最小值，权利要求1中为[0,1]。

5.根据权利要求1所述的一种基于改进的黏菌算法优化Elman神经网络的电梯故障预测方法，其特征在于：步骤5所述的利用黏菌算法得出最优值，通过排序、权重更新、位置更新三个部分，黏菌算法可以得到一个最优个体，将最优个体输入到Elman模型优化该模型的权值或阈值；排序、权重更新、位置更新三个部分具体的操作方式为：(1)排序：即对种群的适应度优劣进行排序，为后续计算做准备；

(2)权重更新：更新权重时，不同的个体有不同的更新方式，其中适应度较优的一半种群采用公式(5)，较差的一半采用公式(6)；

在公式(5)和公式(6)中，xb和xw为该次迭代中适应度最优和最差值，适应度较优的一半种群经过权重更新公式后权重取值较大，适应度越好的个体权重越接近1，反之则权重越小；

(3)位置更新：根据公式更新位置，更新公式为：

p＝tanh(|F(xb)‑F(xi)|) (9)

xn＝rand*(xmax‑xmin)+xminrand1≤z (10)

xn＝randB*xirand1＞z，rand2＞p (12)

公式(7)和公式(8)是参数更新公式，随着迭代次数最后趋于0，公式(9)是阈值公式，用于在位置更新时决定用公式(10)或者公式(11)。在公式(7)(8)(9)中，a、b为逐渐迭代到0的值，用于控制randA和randB的上下限，p为判断阈值，t为当前迭代数，T为最大迭代数。

公式(10)(11)(12)是具体的位置更新公式，公式(10)的作用是获取一个随机位置；公式(11)是在当前最优位置附近进行搜索；公式(12)则是让个体收敛到0；

在公式(10)(11)(12)中，xn为个体最新位置，rand1、rand2是[0，1]内的随机数，z为常量，一般取值为0.03；randA为[‑a，a]的均匀随机数，randB为[‑b，b]内的均匀随机数。

6.根据权利要求1所述的一种基于改进的黏菌算法优化Elman神经网络的电梯故障预测方法，其特征在于：步骤1中所述的电梯运行数据包括：电梯井温度、曳引机震动、曳引机温度、轿厢震动、电梯速度、电梯加速度、电梯门开关时间、电梯门震动等，以U(1)‑U(8)表示。

7.根据权利要求1所述的一种基于改进的黏菌算法优化Elman神经网络的电梯故障预测方法，其特征在于：步骤7所述的电梯故障可分为电梯轿厢运行故障和电梯门故障，以Y(1)、Y(2)表示。

8.根据权利要求1所述的一种基于改进的黏菌算法优化Elman神经网络的电梯故障预测方法，其特征在于：所述的Elman神经网络是一种局部反馈递归神经网络，属于非线性状态空间模型，Elman的拓扑结构可以分为四个层:输入层，隐藏层，承接层和输出层。

9.根据权利要求8所述的一种基于改进的黏菌算法优化Elman神经网络的电梯故障预测方法，其特征在于：所述承接层的作用是接收隐藏层的输出，并以反馈的形式将与前一次时间相对应的信息传递给隐藏层，以建立局部环形结构；由于连接层单元对所包含的特性具有延迟记忆效应，在对电梯进行故障预测过程中，Elman神经网络的输出值更符合数据的实际发展趋势。

10.根据权利要求1或8或9所述的一种基于改进的黏菌算法优化Elman神经网络的电梯故障预测方法，其特征在于：所述Elman神经网络的数学表达式为：c(t)＝X(t‑1) (13)

X(t)＝f(ω1*U(t)+ω2*c(t)) (14)

Y(t)＝g(ω3*X(t)) (15)

在公式(13)(14)(15)中，C(t)为反馈状态向量；Y(t)为输出节点向量；X(t)为中间层节点单元向量；U(t)为输入向量；ω3为中间层到输出层连接权值；ω1为输入层到中间层连接权值；ω2为承接层到中间层连接权值；g()为输出神经元的传递函数，是中间层输出的线性组合；f()为中间层神经元的传递函数，常采用S函数。