基于多维故障特征的自适应电梯故障预警系统及方法与流程

本发明属于电梯安全运行检测技术领域，尤其涉及一种基于多维故障特征的自适应电梯故障预警系统及方法。

背景技术：

目前，电梯故障事故频发，特别是当电梯缺乏及时的维护时，经过多次故障的几类，最终引发严重的安全事故，给乘客带来严重的生命安全威胁，增大了维修代价。目前已有的技术中，通常基于预警装置进行预警电梯是否将会发生故障，或者基于传感器设备来检测设备性能与故障征兆等传感器数据，结合专家经验继而对电梯故障进行预警。现有的故障预警方法，虽然能在一定程度上对电梯故障进行预测，但是严重依赖了硬件设备与专家经验。例如在专利cn110436291a号专利中，基于安装实时检测模块，对电梯运行状态进行实时监测，并根据专家经验设定的指标去判断是否向检修终端发送维保检修提醒指令，该方法严重依赖经验规则，效果难以保证。而在专利cn102556792a号专利中则是基于大量传感器设备对电梯运行状态进行分析，其中涉及到了加速度传感器，声音传感器，以及大量信号处理模块等，成本较高。

技术实现要素：

本发明的目的在于提供一种不依赖经验规则的基于多维故障特征的自适应电梯故障预警系统及方法。

为实现上述目的，本发明提供一种基于多维故障特征的自适应电梯故障预警系统，包括：

数据采集模块，用于数据采集；

数据预处理模块，用于对采集到的数据进行处理；

特征构造模块，根据预处理模块中处理好的基本数据构造额外的特征；

模型拟合模块，用于训练数据模型输出预警模型；

预警模块，根据预警模型结合实时线上电梯数据判断是否发出电梯故障预警；

工单推送模块，根据所述预警模块给出的数据结合区域信息，进行智能工单派送。

根据本发明的一个方面，所述数据采集模块采集的数据包括但不限于电梯状态信息、场所类型信息、品牌信息、区域信息、天气数据。

根据本发明的一个方面，所述数据预处理模块对数据进行处理包括对噪声与缺失值进行删除、填充。

根据本发明的一个方面，所述特征构造模块构造额外的特征包括但不限于特征之间的关联信息、线性组合、最大最小值。

根据本发明的一个方面，所述模型拟合模块训练数据模型包括异常检测模型训练和有监督学习分类模型训练。

根据本发明的一个方面，在电梯故障样本数量步子，正负样本不平衡的情况下，采用异常检测模型训练，包括特征选择、模型训练、模型测试和模型评估与验证；

在特征选择过程中可以根据数据量大小自适应的选择特征算法，包括但不限于穷举法、方差选择法、相关系数法、聚类方法、孤立森林法、one-classsvm、autoencode、ganomaly。

根据本发明的一个方面，在电梯样本充足的情况下，采用有监督学习分类模型，包括但不限于randomforests、lightgbm、xgboost、lstm、cnn、gcn。

本发明还提供一种利用上述基于多维故障的自适应电梯故障预警系统的预警方法，包括：

s1、采集电梯数据，对数据进行处理进而进行特征构造；

s2、判断训练数据正负样本是否平衡；

s3、训练数据正负样本不平衡时，采用异常检测模型训练，训练数据正负样本平衡时，采用有监督学习分类模型训练；

s4、训练后输出预警模型，并对预警模型进行精度测试，满足精度要求后保存；

s5、将满足精度要求的预警模型结合实时电梯数据信息进行电梯故障预警；

s6、在持续多天发出故障预警时发送维保工单。

本发明的基于多维故障的自适应电梯故障预警系统及方法，不需要使用大量传感器等物理设备，并且不依赖经验规则，可以根据采集的数据自适应的选择模型算法，学习各个地区电梯的运行状态、区域、天气等特征属性，并且在发出预警同时可以根据区域信息，派送工单，提高维保效率。

附图说明

图1是示意性表示根据本发明基于多维故障的自适应电梯故障预警方法流程图。

具体实施方式

为了更清楚地说明本发明实施方式或现有技术中的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

下面结合附图和具体实施方式对本发明作详细地描述，实施方式不能在此一一赘述，但本发明的实施方式并不因此限定于以下实施方式。

结合图1所示，本发明的基于多维故障的自适应电梯故障预警系统包括数据采集模块、数据预处理模块、特征构造模块、模型拟合模块、预警模块和工单推送模块。

本发明的数据采集模块主要负责数据采集，数据包括但不限于电梯状态信息、场所类型信息、品牌信息、区域信息、天气等数据。数据预处理模块主要针对数据采集模块中的源数据进行处理，该模块主要功能是为了获得质量更优的数据，保证模型的学习效果。主要的处理方法包括但不局限于，对噪声与缺失值进行删除，填充等操作。特征构造模块根据数据预处理模块中处理好的基本数据构造额外的特征，该模块主要的功能是为了获取更多特征数据，提升模型的效果。包括但不限于特征之间的关联信息，线性组合，最大最小值等。

本发明的模型拟合模块主要由两部分组成，即异常检测模型训练与有监督学习分类模型训练。首先，在电梯故障样本数据量不足(根据实际需要设定样本数量阈值，小于设定阈值时为样本数量不足)，即正负样本不平衡的情况下。我们将采用无监督学习异常检测模型，该部分详细包括特征选择，模型训练、模型测试、模型评估与验证。

具体的，在特征选择过程中可以根据数据量大小自适应的选择特征选择算法，包括但不局限于穷举法、方差选择法、相关系数法等。模型也可自适应的选择传统的异常检测方法或者深度学习方法，包括但不局限于聚类方法、孤立森林、one-classsvm、autoencode、ganomaly等。

其次，在电梯样本充足的情况下，我们将采用有监督学习分类模型，该部分同样包括特征选择，模型训练、模型测试、模型评估与验证。具体的，有监督学习分类模型包括但不是局限于，传统的机器学习模型。如randomforests、lightgbm、xgboost等，或者采用多个模型集成的方法。同样，可以根据样本量选择深度学习模型，如lstm、cnn、gcn等，从而提高预警效果。这里的检测效果评估指标包括但不局限于精确率、召回率，或者是二者的加权的f-score，具体视需求而定。

本发明预警模块主要是接收线上数据，输入预警模型，并结合模型连续多天给出的预警指数来决定是否发生预警，提高预警的准确性。工单推送模块将根据预警模块给出的数据结合区域信息，进行智能工单派送，提高维保效率，节省人力。同时根据维保情况及时将维保数据反馈给数据采集模块。

如图1所示，本发明还提供一种利用上述基于多维故障的自适应电梯故障预警系统的预警方法，包括：s1、采集电梯数据，对数据进行处理进而进行特征构造；s2、判断训练数据正负样本是否平衡；s3、训练数据正负样本不平衡时，采用异常检测模型训练，训练数据正负样本平衡时，采用有监督学习分类模型训练；s4、训练后输出预警模型，并对预警模型进行精度测试，满足精度要求后保存；s5、将满足精度要求的预警模型结合实时电梯数据信息进行电梯故障预警；s6、在持续多天发出故障预警时发送维保工单。

本发明的基于多维故障的自适应电梯故障预警系统及方法，不需要使用大量传感器等物理设备，并且不依赖经验规则，可以根据采集的数据自适应的选择模型算法，学习各个地区电梯的运行状态、区域、天气等特征属性，并且在发出预警同时可以根据区域信息，派送工单，提高维保效率。

以上所述仅为本发明的一个实施方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。