基于大數據的電梯檢驗檢測技術認可及故障分析應用研究

郭 淼 潘 鋒 李 斌 歐陽惠卿 王 博 王會方

（1.中國合格評定國家認可中心 北京 100062）

（2.上海市特種設備監督檢驗技術研究院 上海 200062）

（3.南京市特種設備安全監督檢驗研究院 南京 210000）

截至2022 年底，全國電梯總量已達964.46 萬臺[1]，我國是全球電梯保有量最多的國家。電梯檢驗檢測機構、型式試驗機構作為電梯制造、安裝、維保質量的技術檢驗機構，對確保電梯安全、減少電梯事故、服務政府監管發揮著重要作用。

2021 年2 月24 日，市場監管總局發布《市場監管總局關于同意開展電梯智慧監管試點的批復》（國市監特設函〔2021〕72 號）文件，批復上海市、南京市、杭州市、廣州市市場監管部門按照相應試點方案開展電梯智慧監管試點，電梯的監管模式逐漸向智慧化方式轉換，其中，基于大數據的電梯檢驗檢測活動也成為智慧監管的重要內容之一。

1 電梯領域檢驗檢測及認可活動現狀

從事電梯相關檢驗檢測活動的機構主要包括型式試驗機構、電梯綜合性檢驗機構和電梯檢測機構。截至2022 年底，共有7 家電梯型式試驗機構。全國共有特種設備綜合性檢驗機構568 個，其中，系統內檢驗機構278 個，行業和企業自檢機構190 個，電梯檢測機構59 個。各省、市和自治區均由省級特種設備檢驗機構從事電梯的監督檢驗，除西藏等省份以外絕大部分地級市均由當地地市級特種設備檢驗機構或者省級特種設備檢驗機構的地市級分支機構從事電梯的監督檢驗。電梯定期檢驗通常由取得電梯監督檢驗資格的綜合性檢驗機構進行，但部分行業也成立了對其所使用的電梯進行定期檢驗的自檢機構。近幾年，隨著電梯檢驗檢測工作改革，也有部分第三方檢測機構承擔電梯的檢測工作。

截至2021 年4 月，共有164 家電梯有關實驗室獲得CNAS 認可，上述7 家電梯型式試驗機構均獲得了CNAS 實驗室認可；另外共有31 家電梯有關檢驗機構獲得了CNAS 檢驗機構認可，其中20 家是從事電梯監督檢驗和定期檢驗的綜合性檢驗機構，其余11 家為電梯建筑結構、礦用電梯、消防員電梯的檢驗機構。

2 基于大數據的電梯檢驗檢測技術的應用

2.1 開展數據表規范設計，搭建電梯全生命周期數據庫

電梯數據表主要包括基本信息、檢驗信息、維保信息、運行信息、故障信息、事故信息、使用管理信息、改造修理信息等數據表[2]。將數據表規范與特種設備檢驗管理信息系統數據庫中的表名及字段名進行了一一對應，對特種設備檢驗管理信息系統的數據進行了篩選。在故障數據采集中，對數據表規范進行了微調和補充；實現了企業故障編碼規則、物聯網故障編碼規則、大數據故障數據表規范三者之間的轉換與統一。

本文研究的電梯全生命周期大數據庫包含超過10萬臺（套）電梯的設備基本信息、歷史檢驗信息以及約11 萬條電梯故障數據，具有共享性、統一性、可靠性和動態性特征需求。通過數據庫的物理結構設計、內容設計、功能模塊設計、數據庫信息語言編輯以及數據庫的存儲備份物理結構設計等，開展數據庫建設。

傳統的大數據分析往往只關注某一個環節，無法將電梯的生產（包括制造及維保）、檢驗和使用多個環節串聯起來進行數據挖掘和分析，單個環節的脫節數據采集將導致后期無法有效地預測。本文采集電梯的生產（包括制造及維保）、檢驗和使用等全生命周期的數據，對海量的多源異構數據進行不同方式的采集和提取，對結構化和非結構化數據進行不同方式的處理和存儲，實現了電梯全生命周期各環節數據的采集，并對電梯故障數據進行分析。

2.2 數據來源

隨著電梯相關企業信息化水平和質量管理水平的不斷提升，電梯相關主體包括制造單位、維保單位、使用單位和檢驗單位都將其作業過程和管理流程通過數據形式予以記錄，制造和維保單位還將電梯的運行狀態和故障等信息進行實時物聯網采集，產生了大量的數據信息，為行業的數據分析和挖掘提供了豐富的數據基礎。從目前行業現狀看，數據來源有以下幾方面：制造數據、維保數據、使用數據、檢驗數據、檢測數據和監管數據等。

2.3 數據結構和類型

這些數據從形式上看，包括結構化和非結構化數據；從數據的實時性來看，包括實時數據、準實時數據和靜態數據。

結構化數據主要是行業內各種信息化系統中，通過關系型數據庫進行存儲的數據，目前制造單位的ERP 系統、維保管理系統、檢驗管理系統和監察系統等系統中，形成了大量的以設備唯一編碼（包括設備代碼和注冊代碼等）為主鍵的關系型數據庫，包括了設備的基本信息、主機及部件的參數信息、相關單位信息等靜態信息和安裝記錄信息、維保記錄信息、檢驗記錄信息、監管記錄信息等準動態信息。

非結構化數據主要是隨著信息化系統的建設和完善而補錄原始記錄的圖片和隨著新規則要求而對作業現場和過程進行圖像和音視頻記錄的數據，這些數據無法通過關系數據庫直接獲取有效信息，需要經過二次處理后進行類結構化處理。主要包括紙質維保記錄、檢驗記錄、檢驗機構的催檢單、檢驗機構與使用單位的檢驗告知單等紙質信息錄入的數據、現場維保和檢驗的音視頻信息，word、excel 等文檔記錄信息。

從數據的實時性來看。設備初始化的數據均為靜態數據，包括設備的基本信息、主機及部件的參數信息、相關單位信息等靜態信息。設備在運行過程中產生的作業信息一般定期或不定期更新，例如維保記錄半月1 次，檢驗記錄1 年1 次，監督檢查記錄不定期更新等，這些數據的歷史數據保持一定周期，按頻率更新相應的數據，是一種準實時信息。對電梯運行狀態和故障進行實時檢測的物聯網信息則是一種動態信息，數據更新頻率高，除一些重要信息外（例如故障記錄等）保存周期較少。

2.4 數據采集及存儲

●2.4.1 數據采集架構

考慮到數據的不同來源、不同形式、不同分析要求，采用不同的數據采集方式。圖1 給出了數據采集的框架。

圖1 多源異構數據的采集框架

數據來源主要包括使用數據、維保數據、檢驗數據、監管數據、制造數據。每種數據均有不同的載體形式。由于使用單位的信息化系統建設較晚，很多關于電梯的數據均是通過紙質記錄和照片等記錄形式保存。較多的維保單位針對電梯運行和維護保養開展了信息化系統建設，同時也保留了大量的現場維保記錄，這些記錄也是通過紙質和圖片的形式保存。對于維保的設備、人員和機構等管理、部分維保單位的維保過程管理等采用信息化系統，形成了維保數據庫。檢驗機構和監管部門較早地建立和應用了信息化系統，形成了較為完善的檢驗數據庫和監察數據庫。

●2.4.2 SQL 腳本提取和XML 格式轉換的傳輸方式

對于形成結構化數據庫的制造、維保、檢驗和監察數據等，可以通過SQL 腳本提取的方式進行訪問傳輸，目前已經有非常成熟的數據交換機制，考慮到不同數據庫的轉換，一般采用支撐跨平臺、跨數據庫的JSON 語言實現。對于如word、excel 文檔等具有一定編碼格式的電子文本信息，通過XML 轉換，形成統一的編碼格式和展示形式，也可以進行較好的數據交換和傳輸。

●2.4.3 手動錄入及轉換方式

對于如紙質的生產日志、維保記錄、使用記錄等和現場工作圖片、音視頻等信息，則是一種非結構化數據，需要人工錄入，通過計算機識別轉換為可識別格式的數據，再進行編碼和傳輸處理。

●2.4.4 物聯網數據

對于維保單位和制造單位，通過電梯物聯網監測手段，實現對電梯的運行狀態和故障信息進行檢測，檢測的數據也是通過固定的格式傳輸至制造及維保單位的數據庫平臺，這些數據實時性較強，結構化較好。

2.5 電梯制造、維保、檢驗、使用的數據處理和分析

●2.5.1 數據處理

在利用大數據進行數據分析的過程中，會出現很多不符合要求的數據，例如重復錄入、錯誤錄入、部分信息缺失以及異常數據等[3]。數據預處理主要是將原始輸入數據中的無關數據進行刪除，包括一些重復數據和平滑噪聲數據等，同時篩選掉與后期數據建模無關的無效數據，以及處理原始輸入數據中的缺失值和異常值等。本文主要采用Python 進行數據預處理。

1）缺失值處理。在數據預處理過程中，往往會碰到電梯制造、維保、檢驗、評估數據的缺失問題。缺失值是數據預處理階段比較常見的問題。在進行數據分析前，需要了解數據的缺失情況，需要根據具體的實際情況來處理缺失值。例如，在電梯基礎數據中電梯的地理信息會存在很大的缺失值，一般是利用地圖軟件的API 提供的地理/逆地理編碼功能，補全和完善相關信息。

2）重復值處理。在數據的采集過程中，由于數據來源多樣化，錄入和數據的整合可能產生重復數據，采用刪除處理。例如，在電梯基礎數據錄入和傳輸后，因中文字符編碼的問題，出現某某電梯（中國）有限公司，受半角和全角等影響，呈現出數據的不同，需要進行統一化處理。

3）異常值處理。在數據預處理過程中，數據中有時會出現一個或幾個數值與其他數值的差異比較大，稱之為異常值，會對后期的數據模型造成干擾，導致建模結果差異較大，需要根據實際情況來判斷刪除或用其他值替換。例如，電梯速度明顯大于10 m/s，這些需要通過遍歷查找出異常值，然后根據規則進行調整。

●2.5.2 數據分析

數據分析是利用現代統計技術和大數據分析技術，對數據和物理機理對應的關系進行深入分析或對數據與數據之間的關聯關系進行挖掘，以找出相應的關系。常用的分析方式有兩大類：多元統計分析和數據挖掘方法。

1）多元統計分析包括：（1）因子分析。通過分析確認變量的共線性，提取共性因子，例如，在電梯中，分析多個數據項對電梯故障的影響，尋找影響電梯故障的影響因子。（2）回歸分析。確定不同變量之間的影響程度和依賴程度的分析方法，例如，在電梯數據中，分析不同故障類型之間的依賴關系，尋找故障背后的機理。（3）離散分析。通過測量數據分散程度的方法來評估數據的一致性，例如，對品牌電梯的故障數據進行分析，尋找品牌故障的離散程度，離散程度越高，越能體現故障的不均一性。

2）數據挖掘方法包括：（1）聚類分析。大數據分析技術本質就是一種分類技術，聚類分析是通過挖掘數據中的電梯對象及各個屬性數據的關系的信息，將電梯數據進行分組，常用的分析方法是K 均值聚類。（2）分類分析。與聚類分析不同，分類分析需要預定義類別，一般通過人工標注的分類訓練庫進行自動分類定義，對于電梯故障類別可以通過這種方式實現。（3）關聯分析。即找出電梯不同屬性之間的關聯，例如，對于電梯故障的多種影響因素，通過數據分析得到關聯關系和各影響因素的關聯影響因子。

3 基于大數據智能優選對電梯典型故障分析及研究

電梯在用量持續穩定增長，故障時有發生，產生各種安全隱患。本文電梯實驗數據庫中存儲了約10 萬臺（套）電梯設備基本信息、歷史檢驗信息以及約11 萬條電梯故障數據。筆者在對以上數據進行清洗和預處理之后，針對有效數據，進行了層門系統故障、停梯故障、電氣控制系統故障及其他典型故障分析，根據故障產生的原因，闡述了一些建議和措施，為消除安全隱患提供幫助。

3.1 電梯門系統故障相關分析

在所有的電梯故障中，電梯門系統故障約占70%。主要情況見表1。

表1 總故障匯總表

3.2 電梯停梯故障相關分析

電梯異常停梯是影響乘客最直觀感受的主要故障之一，也是造成電梯“關人”的重要原因。通過對上述110 629 條故障信息的分析，其中停梯相關故障共有4 390 條，占3.968 2%，造成電梯非正常停梯的故障類型見表2。

表2 停梯故障類型

由表2 可知，按照故障數據顯示，非平層停梯報警故障占40.41%，非平層停梯故障占0.25%，非正常停梯占2.18%。對于非平層停梯，主要由于平層感應器、旋轉編碼器等樓層識別裝置以及層門、轎廂和電氣安全裝置等出現故障。

由表2 可知，故障統計數據中的制動器故障中，制動器鐵芯卡阻占56.68%，制動器鐵芯磨損占0.05%，制動器閘瓦磨損占0.07%，抱閘檢測開關故障占0.11%，抱閘接觸器故障占0.25%。制動器鐵芯卡阻占比相對較高，考慮到故障檢測的錯誤概率，這些鐵芯卡阻的故障現象很多是因為檢測開關故障，因此這2 個故障比例有待進一步驗證。基于如上數據，在平時維護保養中，要重點針對制動器開展檢查，必要時要進行相關的功能試驗。

3.3 電梯電氣控制系統故障類型分析

電氣控制系統發生故障也是電梯整機設備故障的主要原因之一。經過對本文所述的11 萬條數據分析，直接由控制系統導致的整機故障有2 331 次，電氣控制系統故障往往導致電梯無法運行，電氣控制系統的主要故障有繼電器故障、變頻器故障等，見表3。

表3 電梯電氣和控制系統故障類型

3.4 電梯召喚、轎廂故障分析

電梯召喚系統和轎廂是乘客最直接接觸的電梯部件，在11 萬條故障數據中，召喚系統故障337 起，占0.304 6%；轎廂系統故障10 486 起，故障率為9.478 5%；異響故障109 起，故障率為0.098 5%。

呼梯按鈕是電梯整機部件中使用次數最多的零部件。通過對故障數據的分析，其中共發生337 次召喚系統故障，見表4，其中樓層按鈕損壞占比最大，尤其是1 層按鈕和關門按鈕，其他按鈕故障主要表現為某個樓層按鈕燈不亮，按鈕不靈敏、松動等；其次占比最大的是顯示故障[4]。

表4 召喚系統故障類型

轎廂系統故障主要表現為轎廂在開鎖區域外停止、轎廂意外移動、轎廂照明失效、乘梯危險行為。轎廂在開鎖區域外停止故障占比最大，占轎廂系統故障的93.24%。

4 結論與展望

本文研究分析了電梯相關機構認可現狀，對采集的11 萬條電梯故障數據通過大數據方法進行了預處理，并基于電梯物理知識對這些故障類型和原因進行了進一步分析，并給出了一些針對性的預防措施。通過智慧電梯建設，提升監管效能，將是電梯行業發展的趨勢。本文在智慧電梯的大數據方面做出了初步探索，有以下思考：

1）目前智慧監管技術在電梯中的應用主要體現在多源異構數據感知及獲取、數據分析方法研究和電梯智慧監管平臺應用等方面，其中數據感知及獲取是基礎，數據分析方法是應用支撐，平臺是智慧監管技術的最終應用形式。

2）在電梯運行數據感知及獲取方面，已經有了較為成熟的開關量獲取方式和應用，但運行狀態的模擬量的感知和監測還處于試驗研究階段，較少在實際的監控中得到應用。

3）在電梯業務數據獲取及應用方面，已經有了較多的業務應用系統，但數據的有效富集和整合還有待進一步加強。同時也缺乏對電梯應用的日志、文本、表格、圖片、視頻等數據結構化抽取和統一表示方法，尤其缺乏對電梯多源異構、超高維、不完全數據的多維知識提取、圖譜構建等大數據分析基礎理論與方法研究，難以解決多源復雜數據的有效挖掘難題。