随着现代化城市的发展,我国在经济、政治、文化方面的发展都达到世界先进水平,我国房地产行业高层建筑投资比例的增加和轨道交通快速建设为电梯的发展带来了机遇。虽然电梯的投入使用为人们的出行带来诸多便利,但由于电梯市场存在信息管理不够完善、维修人员意识淡薄、缺乏及时有效应急措施等问题,无法全面对电梯质量进行评估,从而造成电梯事故的频繁发生。电梯的安全性和可靠性不容忽视,因此,寻找一种有效的方法对电梯故障进行预测显得尤为重要。本文首先介绍了电梯的研究背景以及对电梯进行故障预测的重要意义,并对比调研了国内外神经网络和故障预测方法的发展现状,指出目前国内外电梯故障预测方法中各自存在的优缺点,同时强调了故障预测技术在电梯领域的研究的高需求。BP神经网络是一种常用的基于数据挖掘的预测算法,它可以模拟人大脑的神经元系统,通过神经元的信息传递训练学习和联想。针对电梯故障发生缺乏有效预防措施的问题,本文利用BP神经网络搭建了一个电梯故障预测模型,将传感器采集到的电梯的运行速度、温度、湿度、载重量、曳引机振动值、轿厢振动值以及曳引轮和曳引绳间摩擦力7个参数进行分析处理,一部分作神经网络的训练数据,一部分作测试数据来预测电梯在未来一段时间发生冲顶或蹲底故障。由于BP神经网络在数据学习的过程中存在收敛速度较慢、易出现局部最小化问题,针对BP神经网络上述的不足和局限性,在BP神经网络的基础上,又搭建了结构简单、算法收敛速度更快的RBF径向基神经网络故障预测模型。又因常规RBF神经网络对隐含层中心节点选择随机性对RBF神经网络模型的参数具有很大影响。而粒子群算法起源于对鸟类、鱼类等群体行为的研究,是一种对连续非线性函数的优化算法,可用于各种非线性、不可微和多峰值的复杂优化问题。因此,本文选用一种具有全局寻优能力的PSO粒子群算法对RBF神经网络模型参数进行优化,以得到全局最优的权值和阈值。最后,通过仿真实验对比分析,验证RBF神经网络的局限性,同时也说明通过PSO优化后的RBF神经网络能有效缩短训练时间,提高预测精度。