一種基于K-Means的電梯維保質量分析方法

摘要：電梯首次檢驗不合格率能夠極大程度反應出電梯日常維保質量，本研究通過歷史三年的電梯定檢數據，并結合電梯設備信息、品牌信息以及檢驗不符合項信息，構建歷年最優聚類模型，通過從電梯品牌、安裝單位、使用年限、不符合項四個維度分析不合格檢次分布情況，找出常年維保質量較低的重點監管維保單位，并且排查出了頻繁出現的不符合項及反復出現該問題的設備，為監管提供標靶。

關鍵詞：電梯維保；維保質量；K-Means

Abstract：" The unqualified rate of elevator first inspection can greatly reflect the daily maintenance quality of elevator. This study constructs the optimal clustering model over the years through the elevator regular inspection data of three years， combined with elevator equipment information， brand information and inspection non-conformity information. Through the analysis of the distribution of unqualified inspections from the four dimensions of elevator brand， installation unit， service life and non-conformity， the key regulatory maintenance units with low maintenance quality are found out， and the frequent non-conformities and equipment with repeated problems are found out， which provides a target for supervision.

Key Words：" Elevator maintenance; Maintenance quality; K-Means

0引言

電梯作為一種與大眾生活密切相關的垂直運輸交通工具，在社會發展進程中需求越來越大，同時帶來的安全問題也逐漸被大眾重視。檢驗作為電梯的體檢，極大程度反應出電梯日常維保質量，而維保質量關系著電梯的使用安全，是保障電梯安全運行重要環節，電梯維保質量的高低也直接關系著電梯的運行狀況、使用壽命和故障發生概率。

隨著大數據技術的日趨成熟，利用大數據分析技術逐漸成為近幾年各領域數據應用的研究熱點，國內也有不少學者利用大數據分析技術開展了關于電梯維保質量的研究。鄒學敏、唐文斌的研究中應用灰色綜合評價法基于多個評價指標完成對電梯維護保養質量評價[1]；彭成輝等人的研究中應用層次分析法解決目前電梯企業維保質量評價問題[2]；李東的研究主要是基于對61份電梯抽查案例的不符合項進行統計與分析后，再進一步研究使用單位和維保單位的工作質量[3]；趙育、王光熙的研究中應用BP神經網絡構建了電梯維保質量評價網絡模型。以上研究為電梯維保質量評價提出了建設性建議，多以構建復雜的電梯維保質量評價體系為前提，研究樣本偏少。筆者構建了簡易的月度首次檢驗不合格率業務數據模型，以此為基礎，應用聚類算法，為監管和檢驗單位提供了典型排查單位和排查項。

本研究主要基于某省特種設備檢驗數據中2017～2019年度的電梯定檢數據，以維保單位為分析主體，計算各維保單位各月度首次檢驗不合格率，通過月度首次檢驗不合格率即未經過復檢電梯的不合格率，來評估各維保單位的維保質量高低，并嘗試結合電梯品牌、安裝單位、使用年限、不符合項等指標，從多角度剖析維保單位首次檢驗不合格率低下的原因，為電梯檢驗與安全監察工作提供標靶。

1分析技術路線說明

本研究整體分析技術路線說明如下：（1）收集了某省2017～2019年三年的電梯定檢記錄及其他相關業務數據，并進行清洗整合，形成建模所需數據寬表；（2）基于定檢記錄整合后的數據寬表，應用K-Means算法按年度構建每家維保單位月度首次檢驗不合格率聚類模型，采用Silhouette_Score輪廓系數指標對比選擇各年度最優的聚類模型；（3）結合電梯品牌、安裝單位、使用年限、不符合項分析，分析各項數據的不合格檢次、不合格率分布情況，解析各年度最優聚類模型的類特征；（4）通過對比各維保單位三年的類分布情況，識別出典型的常年維保質量較低的單位、常年反復的不符合項及設備。

2實現技術路線說明

2.1收集業務數據

獲取2017～2019年三年的電梯定期檢驗記錄數據、設備檔案數據、維保單位數據、品牌數據以及不合格項數據。

首先，過濾刪除復檢合格與復檢不合格記錄，并過濾刪除三年內的無維保單位的檢驗記錄；其次，根據檢驗日期字段，計算每條檢驗記錄數據的檢驗月份；再次，以維保單位、檢驗月份為分組字段，計算每個維保單位每個月份的不合格檢驗記錄數、總檢驗記錄數、每年度發生檢驗的月份數等數據；最后，以按年度構建維保單位數據表，并過濾刪除維保單位月份數小于12個月的維保單位。

對于保留的維保單位，計算每年各月度的首次檢驗不合格率；如未發生不合格的月度需將其首次檢驗不合格率記為0。構建2017年、2018年以及2019年各年度的建模寬表，如表1所示。

2.2構建聚類模型

聚類K-Means算法是把相似的物體聚在一起，相似度（或稱距離）用歐氏距離來衡量，即給定兩個樣本與，其中表示特征數，和兩個向量間的歐氏距離（Euclidean Distance）表示為：

筆者再通過輪廓系數（Silhouette）來確定K值，輪廓系數的表示為：

其中，表示樣本點與同一類中所有其他點的平均距離，即樣本點與同一類中其他點的相似度；表示樣本點與下一個最近類中所有點的平均距離，即樣本點與下一個最近類中其他點的相似度。

筆者以各年度數據寬表數據作為模型輸入，K值取值嘗試取3-8，形成每年度的聚3類、聚4類……聚8類細分結果表，計算每個聚類結果的輪廓系數（Silhouette）來選取最優聚類結果。

就具體而言，本次分析對象細化為所維保的電梯在全年每個月份均有進行檢驗的維保企業。本節將以2019年聚類模型為例，對數據分析情況進行詳細闡述。2019年全年經過數據清洗后參與建模的維保單位為210家。經過聚類后，K值為3-8的聚類模型輪廓系數分別如表2所示。

由表2可得出，本年度細分模型選取 Silhouette 值最大的聚3類作為2019年度聚類最終模型，并可得到最優類中心與類分布，如圖 2所示。

由圖2可得出，筆者將不合格率較低且平穩的類命名為維保質量較優類（即類1），將不合格率較高但較為平穩的類命名為維保質量一般類（即類0），將不合格率最高且最不平穩的類命名為維保質量較差類（即類2）。維保質量2019年每個類別月度不合格率整體情況由優到差為維保質量較優類（類1）＞ 維保質量一般類（類0）＞維保質量較差類（類2）。維保質量較優類（類1）可作為維保質量較好的一個維保單位群體，維保質量一般類（類0）次之，而維保質量較差類（類2）可作為維保質量較差的一個維保單位群體。統計每個類別維保單位個數，如表3所示。

2.3解析最優結果

將設備信息、檢驗信息、品牌信息、不符合項信息等進行關聯，分別從電梯品牌、安裝公司、使用年限以及不符合項四個維度進行結果解讀。

從每條檢驗信息設備對應的品牌信息角度進行分析，分別統計分析每年度聚類模型每類細分結果中電梯品牌不合格檢次前20位的分布情況，對比分析2019年度三類細分結果中不合格檢次、合格檢次及不合格率在品牌維度上的分布，可發現維保質量較優類（類1）的品牌不合格率遠低于維保質量較差類（類2）的品牌不合格率，參見圖3、圖4。

從安裝公司的角度進行分析，分別統計分析每年度聚類模型每類細分結果中電梯關聯的安裝公司不合格檢次前20位的分布情況。對比分析2019年度三類細分結果中不合格檢次、合格檢次及不合格率在安裝公司維度上的分布，可發現維保質量較優類（類1）的品牌不合格率遠低于維保質量較差類（類2）的品牌不合格率，參見圖5、圖6。

從使用年限的角度進行分析，分別統計分析每年度聚類模型每類細分結果中電梯使用年限不合格的分布情況。對比分析2019年度三類細分結果中不合格檢次、合格檢次及不合格率在使用年限維度上的分布，可發現維保質量較優類（類1）的使用年限與不合格率呈現出正相關性，隨著年限增加，不合格率逐步上升。而維保質量較差類（類2）的使用年限與不合格率無相關性。參見圖7、圖8。

最后，分析下各類別不符合項的整體分布情況，對不符合項信息進行統計分析。以文字云的形式展現各類別最為明顯的不符合項情況，可發現2019年度五方對講/緊急報警裝置失效和底坑積水/滲水的情況最為多見，參見圖9。

2.4識別典型單位

通過以上方式構建每年度的聚類模型并解讀最優聚類結果，觀察2017至2019年三年共同參與模型細分的維保單位，共135家。結合三個年度的聚類結果，比較分析2017至2019年維保單位的變化趨勢，識別出維保質量較低的典型維保單位。

結合三年的模型細分結果，135家維保單位中，屬于2019年維保質量較差類（類2）有7家，占2019年維保質量較差類（類2）的7/10。7家維保單位在2018年細分結果中，屬于維保質量較差類（類0、類3）共4家，另外3家屬于維保質量一般類（類4、類2）；而在2017年細分結果中，有5家屬于維保質量較差類（類0）和維保質量一般類（類1），另外2家屬于維保質量較優的類2。綜上，可推測維保單位A和維保單位B 2家有維保質量下降的可能性。另外5家維保單位，特別是維保單位F、維保單位G等5家單位，可推測常年維保質量較低。

2.5不符合項分布

分析三年的每年聚類類別不符合項分布情況，發現2017至2019年三年參與建模的檢驗記錄中，連續三年出現五方對講/緊急報警裝置失效的在用在冊設備有23臺設備，分別分布在F市、Z市、Q市和P綜合實驗區。2017至2019年三年參與建模的檢驗記錄中，連續三年出現底坑積水/滲水的在用在冊設備有17臺設備，分別分布在F市和Z市。

3總結與建議

通過對這三年中數家維保單位歷史電梯檢驗記錄的分析，構建歷年的最優聚類模型，筆者找出了7家需要關注的維保單位，建議監察單位對其進行重點監管。同時，筆者找出了常年反復出現同一不符合項風險問題的電梯設備，建議可以對該類設備進行專項整治，以引起使用單位、維保單位的重視。對于電梯頻繁出現的不符合項，建議各地檢驗機構提醒一線檢驗員留意是否出現常年反復的情況，或注意該類不符合項的檢驗檢測工作。

參考文獻

[1]鄒學敏，唐文斌.灰色綜合評價法在電梯維保質量評價中的應用.中國特種設備安全，2020，36（4）.

[2]彭成輝，陳笑蓉，李洪浩.AHP在電梯維保質量評價中的應用研究 [J].貴州大學學報：自然科學版，2017，34（1）.

[3]李冬.基于抽查案例的電梯維保質量分析與建議[J].中國電梯，2020（11）.

[4]趙育，王光熙.基于BP神經網絡的電梯維保質量評價.中國電梯，2019（8）.