電梯智能運維技術發展與趨勢

陶杰 蔣曦陽 黃健鵬 童一飛

(1.江蘇省特種設備安全監督檢驗研究院 江蘇南京 210036;2.南京理工大學機械工程學院 江蘇南京 210094)

近年來，隨著我國電梯輸出數量的增加和年保有總量的迅速增長，電梯制造業的重要地位愈發凸顯。通過相關行業數據的調查顯示，我國會在電梯市場領域持續發展，并加大在電梯核心領域研發力度，具有十分廣闊的發展空間。2010 年我國電梯保有量162.9 萬臺，而截至2019 年我國電梯保有量已高速增長至700萬臺[1]，已成為全球電梯保有量最多的國家。但隨之而來的問題也應運而生，為了保證用戶的人身安全，根據《特種設備安全法》之規定，我國電梯的檢查維保周期不得超過15 d，電梯的數量眾多，維保單位、電梯制造廠家的維保質量參差不齊。傳統定期檢查方式存在很嚴重的弊端，無法第一時間預警電梯故障，且通過人工檢查判斷對相關工作人員的經驗有較高的要求[2]，導致對電梯實際故障情況的判斷會出現偏差，影響最終故障的解決。因此，建立電梯質量安全信息平臺具有重要的社會意義。

1 電梯故障監測

為了監測設備運行狀況，狀態監測系統能夠獲取設備運行的信息，并將該信息用于預測設備狀態特性變化以及相應的變化趨勢，從而對其受損程度進行評估。通過對設備狀態的監測，可以保證設備的正常運行，避免造成經濟和人員的損失[3]。借助計算機技術和當前現代化的通信手段，一些國際知名電梯廠商已經和領域內學者展開了合作，研發出配套的電梯遠程監控系統并取得了一定的成效。RAO A R等人[4]指出，日立公司針對該品牌電梯特性研發出可對被監管電梯建立數據檔案的電梯安全監管系統，全天候監控存儲電梯的基本信息。基于風險監測，PARK S T[5]等人提出了一種電梯維護實現方法，此種方法的特點是可以做出系統性決定，并據此識別出有問題的具體零部件，通過韓國電梯事故數據模擬證明了該方法的良好效用。HUI S C 等人[6]指出富士達開發了電梯遠程監控可視系統（ELVIC），通過連接大樓內的廣域網絡或局域網絡，即可在電腦上開啟監控可視系統，實時監控電梯運行情況。袁圓[7]提出，美國奧的斯電梯公司的遠程電梯網絡監控系統（REM-X），以網絡傳輸為介質，全面采集并且分析不同種類的電梯運行相關數據，可全天候、遠距離對處在系統內的電梯的運行狀況進行實時監控，并將異常和故障及時提交上報至監控中心、服務器終端和移動端。

2 電梯故障診斷

電梯作為特種設備，根據不同的數據類型和監控方式，可以將其故障監測和診斷方法歸結為信號處理和故障樹兩類。

2.1 信號處理方法

隨著物聯網技術和計算機技術的進步，通過各類傳感器來監測機械設備的運行的相關“信號的分析處理技術”學科得以取得長足的發展，并且開始將其應用到設備監測當中。電梯作為特殊設備的一種，也逐漸開始探索通過信號處理的方式來對故障進行監測。由于電梯組裝會涉及很多零部件，采用數學建模來處理并擬合電梯運行中眾多零部件傳遞的信號，更深層次地探索擬合信號與電梯故障與否以及不同類型的電梯故障之間的關系。通過這種方式能夠有效地抓取電梯各個組件間的信號特點，并通過獲得的相關的信號特點來提取與之相對應的電梯故障。例如：朱曉玲[8]利用通信傳輸技術設計了一種基于Gabor 小波變換和多核支持向量機的電梯導靴故障診斷創新技術的物聯網數據遠程云存儲+云計算的服務平臺，處理區域內電梯安全監管的業務，遠程監控區域內電梯運行狀態,診斷和預警可能發生的電梯故障，實現電梯安全管理規范化、智能化和一體化。CHAE H等人[9]提出了一個涉及狀態分類、預處理和分類的集成框架，用于使用控制狀態信息對電梯門進行故障診斷。包健等人[10]提出在電梯故障診斷中運用信息融合技術，將多個分類器的結果結合進行集成判斷，將電梯中控制開關信號作為神經網絡的輸入，提高了電梯運行問題的診斷準確率。

2.2 故障樹方法

故障樹方法（FTA）又稱事故樹分析法，是一種特殊的倒立樹狀邏輯因果關系圖，在系統安全工程和故障診斷領域有著十分重要的應用。故障樹的基本思想是：將一個疑似故障作為起點，是一種自上而下的演繹式失效分析法，通過布林邏輯組合低階事件，分析系統中的不被期望狀態[11]。近年來，許多專家學者已經將故障樹分析法應用在分析電梯故障上，在分析過程中，學者們用故障樹的方式將所有可能造成電梯故障的原因和相關故障表現進行匯總整理，再逐層通過樹形結構對電梯故障進行層層分析，通過圖形化的結構表達故障與系統零件的內在聯系，進而判斷電梯故障類型。例如：張東平等人[12]設計了的故障診斷專家系統，通過電梯故障知識庫與故障樹之間的匹配關系來判斷電梯運行的故障。喬久鵬[13]對故障樹分析方法進行了改進，通過構建多棵故障樹容納不同的故障類型，并通過使用最小割集理論所建立的推理機推理電梯故障類型，從而判斷電梯故障。張闊等人[14]通過故障樹法和改進PSO_PNN網絡建立模型對故障進行診斷與分類。

3 電梯故障預警

研究人員通常將采集到的信號進行提取相應的統計特征，如均方根誤差（RMS）、峰值（Kurtosis），作為機械設備的健康評價因子（Health Indicator，HI）。HI 會隨著設備的生命周期不斷變化，會出現健康階段和失效階段這兩個階段。

為防止設備進入失效狀態，造成嚴重的人員與經濟損失，維保人員需要在故障初期即退化階段對設備進行預防性維修，及早的發現問題并解決。業內專家和學者已經開始從多方面入手研究，以期在電梯設備故障初期有效地進行故障預警、排查。例如：李俊芳等人[15]為了能夠實現對電梯門可能發生故障進行預測，利用神經網絡模型預測電梯門系統故障，通過電梯門系統工作狀態值之間的內在關系的建立，預測下一狀態數值。段登等人[16]通過在預測多電梯運行系統的故障時運用神經網絡模型的方法來得出預測結果，此方法利用電梯的信號采集終端的運行信號提取的數據特征，通過徑向基神經網絡（RBF）來擬合信號之間的關系。張從力等人[17]提出利用模糊推理的軟測量技術和專家系統預測電梯運行故障。JIANG X Y等人[18]提出了一種基于人工智能和大數據的故障監測和診斷方法，對電梯整個運行狀態進行監控。

4 流數據處理技術

隨著物聯網技術的不斷發展，傳感器的數量和種類不斷增加，采集到的相應數據也爆發式的增長，并且這些實時流數據源源不斷地傳輸至數據庫當中，以待后續處理。因此，在對電梯數據進行在線分析的過程中，經常會面對每秒突破幾千、幾萬、甚至十萬級別的數據量。傳統的單臺計算機設備難以完成如此龐大的計算任務，因此依托集群對實時數據并行計算處理的技術慢慢發展起來，旨在快速準確地處理這些大批量實時流數據。

國內外學者為了能夠更快地處理盡可能多的實時數據，從而對流式數據處理技術做了大量的研究。在最早期主要采用消息隊列的方式對實時數據進行處理，但是消息隊列的構建十分冗雜，不適合在工程中進行應用而且數據處理情況相對不穩定。近幾年，很多專注于流式數據處理的開源社區不斷涌現，比較著名的有Storm、Spark Streaming、Flink[19]。Storm 作為流數據處理的先行者，最早是創業公司BackType 的團隊人員進行開發，隨后被Apache軟件基金收購并開始作為頂級開源項目進行發展。Storm 提供了相較于消息隊列延遲度更低的數據處理方法，但是它在數據吞吐量方面并不盡人意，很難真正在一些大型工程項目當中真正實施。隨后，加州大學伯克利分校的AMP實驗室的研究人員為了解決Storm數據吞吐量不足的問題，嘗試將接收的實時流數據按照一定時間間隔進行拆分，交給Spark Engine引擎，最終得到一批批的結果。如果在進行數據批處理的過程中，盡可能地將數據分割，當分割得足夠小時，數據集就可以近似當作數據流進行處理，但是這種方式依然無法使其做到真正的流式數據處理，實時處理依然不夠盡如人意。在此基礎上，Flink的出現克服了上述兩種框架的弊端，除了提供高精度的Exactly-once 運算，避免數據重復消費以外，還將數據流處理延遲降低到數據亞秒級的同時還保有很高的數據吞吐量，與其他組件的組合使用也十分便捷。

5 深度學習技術

深度學習技術極大地促進了故障診斷領域的發展，為故障診斷提供了更多智能化的方法[20]。基于知識的診斷方法可以在診斷過程中不斷學習，擴充系統的資源庫，自我提升，是一個開放學習的系統。隨著系統的復雜性越來越高，診斷故障時使用這種方法的優勢也越來越顯著，因為它不需要建立關于對象的精確的數學模型。基于知識的診斷方法主要采用支持向量機、神經網絡、深度自編碼器等理論技術。由于該方法克服了傳統的數學模型的診斷方法依賴于模型的缺點，因此在故障診斷領域處于主流地位。在電梯故障研究領域，使用深度學習的方法進行對電梯故障的診斷與預警已經被很多專業的專家學者認可。

6 未來展望

隨著電梯物聯網的實施應用愈加普遍，如何提高其乘運質量和運行的安全性便成了相當重要的課題。目前，國內外大部分電梯企業和科研機構都在開展研究有關電梯故障監測、預警等信息化系統建設的研究工作，主要研究內容包括物聯網技術、電梯故障監測與診斷、電梯故障預警、數據流處理技術、深度學習技術這5個方面。總體來說，國外對于電梯故障監測、診斷與預警系統的開發由于起步較早，已經多次在實踐中進行運行，開發經驗比較豐富。雖然我國在故障監測與預警系統開發技術缺少較新的理論基礎，但是隨著我國相關研究人員對大數據技術以及深度學習技術的不斷學習，在技術上有了一定的突破。

相關工作者可以借鑒國內外對電梯安全監測系統的開發經驗，基于物聯網技術對電梯各類運行數據進行采集，并在分布式集群中通過流數據計算框架以及深度學習等技術構建電梯典型故障監測與預警系統，除了上述幾個層面的技術，還要在以下幾個方面進行更深入的研究。

6.1 提升故障監測與診斷計算速度

在Flink 這類計算集群中，算子的應用與優化能夠極大地影響數據的計算速度以及所消耗的時間。如何對計算集群中的算子進行優化節省不必要的計算資源浪費，減小運算所消耗的時間，需要進行進一步研究。

6.2 實現參考模型庫的在線更新

在智能運維系統對電梯系統進行實時故障預警，大多研究的故障預警模型及預警閾值都是通過線下對智能感知獲取的數據進行訓練與分析而得到，然后再將其應用在線上實時故障預警當中。但是由于電梯種類繁多，而且實際生產生活過程中環境也會隨外界環境因素發生改變，如何實時在線更新預警模型以及閾值，值得進行更深入的探究。