基于大數據分析的電梯應急處置智能引導方法

摘 要：為縮短電梯故障困人事件處置時間，故研究融合電梯故障原因預判、救援單位自動推薦與救援站點選址優化布置的應急處置智能引導方法。歸集電梯檢驗/維保/監管/應急等多源業務數據，通過建立多種詞嵌入模型實現歷史故障文本數據向量化，提出基于注意力機制與Bi-LSTM模型的故障文本聚類算法獲取電梯故障標簽，利用Boosting集成學習算法構建電梯故障原因預測分類模型；建立基于距離、品牌、維保星級、歷史響應時間等的救援單位能力多維度評價指標體系及任務推薦方法，提出基于多輪Meanshift聚類的電梯網格救援站點選址優化算法。該方法能快速準確地預測電梯故障原因（Top-3準確率達到86.1%），實現最優救援單位推薦和站點維修救援壓力均衡，能夠縮短故障困人事件的處理時間，提高電梯救援效率。文中提出的電梯應急處置大數據智能引導方法，對于提高電梯困人故障救援能力具有重要意義。

關鍵詞：電梯；物聯網；大數據分析；應急處置；智能引導；任務分派；故障預判；站點優化

中圖分類號：TP391.1 文獻標識碼：A 文章編號：2095-1302（2025）06-0-06

DOI：10.16667/j.issn.2095-1302.2025.06.022

0 引 言

根據各市縣的電梯數量、維保單位和交通狀況等因素，全國各地的電梯96333應急處置平臺一般會在各市縣設立N個電梯網格救援站點[1]，當收到電梯故障救援請求后，平臺首先選擇該電梯對應的維保公司，如果簽約維保公司不響應，則派選距離最近的救援站點進行救援，但是這樣的任務分派方式存在以下問題：距離最近的救援站點可能對困人電梯品牌、特征、環境不熟悉，現場排查電梯故障時間長，救援效率低，甚至由于操作不當造成次生事故；在住宅區、商業區和偏遠市郊承載的電梯和人流量壓力并不相同，就近分派導致任務分配不均，同時不合理的網格救援站點分布也會浪費平臺的救援資源，出現人員閑置、利用率不高等問題。

在電梯故障應急救援研究方面，文獻[2]研發了面向任務型對話的電梯應急處置智能應答系統，對電梯被困人員進行語音引導和語音安撫，并通過云平臺與救援中心進行交互及共享數據，實現應急處置救援的高效性和準確性。文獻[3]通過小波包分解對電梯轎廂振動信號進行特征參數提取，再結合BP神經網絡與D-S證據理論進行故障診斷。文獻[4]提出了基于深度學習算法的通用多層感知器神經網絡模型，通過電梯時間序列數提取的深度特征進行故障檢測。文獻[5-6]對南京市電梯應急處置平臺積累的數據進行了深入分析和挖掘，采用GBDT（Gradient Boosting Decision Tree）算法對電梯故障原因進行實時預測。文獻[7]提出了一種基于機器學習的電梯門故障診斷方法，通過圖像處理提取電梯門間動態距離隨時間變化的信號，測量電梯門間變化的距離，從噪聲信號數據中提取出梯形曲線進行建模，采用k近鄰分類器、支持向量機和二叉分類樹三種分類器動態識別電梯門故障。文獻[8]提取了能夠反映電梯不同運行狀態的振動信息，通過基于小波包的多閾值去噪方法對信號進行預處理，并通過特征信息提取進行故障預測。目前，國內外關于電梯應急處置與故障原因預測的研究較少，主要利用電梯振動等運行信號對電梯是否會發生故障進行預測，當電梯發生故障后其運行信號可能很難獲取，存在實時故障診斷困難及故障點定位準確率低等缺點。

因此，本文研究了電梯故障數據集文本聚類及故障原因預測方法，通過多維度多指標綜合考量各維保單位的救援能力，進行救援派遣任務的自動最優推薦；通過設計合理的站點分布評價指標和大數據聚類分析，尋求站點負載更加均衡的站點分布解決方案，實現電梯應急處置智能引導，促進平臺救援資源科學配置和高效利用，幫助救援人員縮短電梯故障處理時間，進一步提升平臺應急處置能力，減少乘客的生命財產損失。

1 電梯應急處置智能引導關鍵技術

1.1 電梯多源數據歸集與數據庫構建

本文研究采用的數據包括電梯基礎數據、檢驗數據、救援數據、統計數據、維保數據、安全監察系統數據、電梯二級網格救援單位及站點數據等，基礎數據包括電梯身份標識、基本信息、技術參數等，救援數據包括96333平臺接到的各類報警及處理情況，其中比較關鍵的字段有救援單位、救援響應時間、到場時間、救出時間、故障原因等。電梯統計數據包括電梯96333年報、電梯質量安全報告等，包含電梯數量情況、電梯品牌及維保單位情況分析、電梯應急處置情況、電梯困人救援分析等信息。

采用Sqoop工具、FTP（File Transfer Protocol）、Flume工具、網絡爬蟲等技術對上述多源數據進行歸集，對基礎數據中電梯所在縣區和經緯度缺失數據，利用高德地圖提供的Web Service API進行補全，對于電梯所在地區、類型、歸屬公司等同一屬性的屬性值用多個值進行表示的情況進行屬性值統一。針對電梯故障預判、救援站點推薦、選址優化等任務，建立以電梯96333編號為鍵的JSON格式數據庫，包括后續算法模型可直接調用的電梯故障文本數據、救援調度問題的數據、選址優化問題的電梯位置數據等。

1.2 電梯故障原因預測分類算法

電梯故障原因預測算法流程如圖1所示。從電梯數據庫中抽取電梯歷史故障數據集，利用Skip-Gram模型、CBOW模型、Glove詞向量等多種詞嵌入模型進行故障文本數據向量化，構建Bi-LSTM和注意力機制模型，提取出詞向量中的詞特征[9]，獲取輸入故障文本序列的上、下文信息以提高模型準確率，計算詞向量與詞向量、句子向量與句子向量、詞向量與句子向量的相似度，并進行加權獲得其最終的相似度。根據相似度度量，采用K-means算法[10-12]對電梯歷史故障數據集進行聚類，相同的故障描述聚為一類，將聚類簇作為電梯故障標簽；然后將故障電梯數據的基本信息轉化為one hot向量或歸一化，將歷史故障信息等通過歸一化或log函數處理添加到特征中。利用得到的特征以及標注信息構建訓練集和測試集，通過Boosting集成學習的方式構建訓練電梯故障原因預測分類模型。當電梯發生困人故障時，根據故障電梯數據的基本信息以及該電梯歷史故障信息，提取相應的特征輸入該模型，實時預測導致該電梯故障的原因，快速準確定位故障區域。

1.3 應急處置任務自動分配推薦方法

自動推薦算法分為數據預處理、指標計算、結果推薦三個模塊，構建基于距離、品牌、維保星級、歷史響應時間等的救援單位能力多維度評價指標體系，提出基于二部圖結構的推薦算法，實現對故障電梯的最優救援單位推薦。

指標計算模塊根據維保電梯的經緯度與維修救援站點的經緯度，計算兩地之間的歐氏距離。根據維保星級變化數據，計算當前各救援站點的維保星級得分。根據歷史數據中每次維修響應單位到達現場總耗時與救援總耗時之和，計算出每個維保單位的歷史響應時長數據及平均值，作為響應時間的指標得分。采用詞頻-逆文本頻率指數加權方法（Term Frequency-Inverse Document Frequency， TF-IDF）衡量維保單位對于特定品牌電梯的維修專業程度以及不可替代性，某品牌的電梯在維保單位中的重要性隨著它在歷史記錄中出現的次數呈線性增加，并隨著它在所有維保單位中出現的頻率呈線性下降，根據公式（1）和公式（2）分別計算各個維保單位的TF值與該品牌的IDF值，相乘得到TF-IDF重要性指標：

式中：i代表電梯品牌；j代表維保單位；D代表維保單位數量；d代表維保單位歷史記錄。

結果推薦模塊輸入為電梯經緯度以及電梯品牌，輸出為維保單位或網格救援站點名稱。建立基于二部圖結構的推薦算法，如圖2所示。自動推薦系統包含m個電梯和n個維修站點，因此二部圖有m+n個節點，二部圖邊的權重為維修站點對于電梯的得分，來自于救援能力評價指標計算的加權平均結果，得分為0的邊在圖中不顯示。

資源分配有兩個階段，首先由維修站點到電梯，然后回到維修站點。由此，維修站點p到維修站點q的資源分配權重wpq可以表示為：

式中：r表示權重分；k（iq）表示維修站點q的度；k（ul）表示電梯l的度。

得到資源分配矩陣后，對電梯重新分配資源，用式（4）計算維修站點的新資源：

最后按照綜合推薦得分從高到低排序，得到最終的自動推薦結果。

1.4 基于多輪Meanshift聚類的救援站點優化算法

對于電梯救援的全局效率而言，站點的合理分布至關重要。為了能夠進一步提升電梯困人應急處置能力，針對已有電梯分布和電梯的故障次數信息，研究救援站點優化算法，基于多輪含接受和拒絕的Meanshift[13-14]電梯聚類，運用基于故障質心計算的方式計算出每類電梯的最終維修救援站點物理位置，算法流程如圖3所示，包括混合高斯模型GMM去噪、動態半徑列表計算、聚類接受分數評估、剩余樣本處理、故障質心計算等步驟。

（1）混合高斯模型GMM去噪處理

由于原始數據集X中存在較多噪聲，利用混合高斯模型GMM對整個數據集進行去噪處理，設置閾值來過濾掉比較偏遠、分散的低密度噪聲樣本，消除低密度電梯群對于最終站點覆蓋結果的影響。

（2）動態半徑列表計算

對數據集X進行預處理后，通過最密集區域的Meanshift類內樣本數與最稀疏區域的類內樣本數近似，得到最小和最大鄰域半徑rmin和rmax，如式（6）～式（8）所示，然后使用rmax作為初始值，通過重復乘以比例因子α（0lt;αlt;1）來生成與多輪 Meanshift 相對應的增量鄰域半徑列表，直到它小于或等于rmin，再使用這個半徑列表中的所有半徑，自小到大地對樣本進行聚類。（3）聚類接受分數評估

對于鄰域半徑固定的單輪Meanshift聚類結果中的類c，假設其對應的樣本集為Xc，可以基于類內樣本數計算單類分數來評估是否接受單類的聚類結果，計算如下：

如果Scorec較大，說明類內樣本數與標準數不同，該類樣本將被送入下一輪Meanshift聚類。否則，將其作為Z的一個元素，作為最終聚類結果之一：

式中：λ（λ≥0）表示單類分數數量的接受閾值，當λ較小時，會導致最終聚類較少，未分類樣本較多；當λ足夠大時，算法最終會退化為原始的Meanshift，即用rmin進行單輪Meanshift聚類。

（4）剩余樣本處理

對于多輪Meanshift聚類結束時仍未分類的樣本，記為集合XR，將它們分配給從類中心到樣本的距離不超過距離rmax的類。如果多個類同時滿足這個條件，則將每個剩余樣本xR∈XR分配給最符合聚類接受分數標準的類，具體計算如下：

式中：Z表示在前多輪Meanshift中設置的可接受的聚類中心；XZ是對應于某個已經被接受的聚類中心z的所有樣本的集合。至此，完成對于所有樣本點的聚類，即每部電梯都分配給了對應的救援站點。

（5）故障質心計算

經過多輪Meanshift聚類后，得到每部電梯和其對應的救援站點位置，根據單個電梯的故障次數x與公式（14）計算出對應的故障密度（權值weight）：

對于同一類中的電梯，計算所有電梯坐標的帶權均值，用故障質心作為本電梯類的救援站點選址位置，該算法流程如圖4所示。

2 實驗與結果

2.1 電梯故障原因預判及救援單位自動推薦實驗

從電梯數據庫中抽取某市2014年1月至2020年12月的電梯歷史故障數據集，通過電梯故障文本聚類算法，得到12個故障類別，標簽和具體頻次如圖5所示，可以發現，故障數量具有一定的周期性，每年二月故障數量驟減，然后逐月上升，7月、8月以及11月、12月故障較多（可能是天氣炎熱潮濕或寒冷導致）。但是有的故障的周期性不明顯或數據缺失嚴重（如故障2、8、10），可能是因為不同的人員記錄的故障原因主觀因素較多導致。

對于上述電梯歷史故障數據集，使用12個故障類別作為標簽，通過Boosting集成學習的方式進行訓練，同時在迭代過程中設置early stopping的方式防止過擬合，結果顯示迭代75次時訓練結果達到最優，模型在測試集上top-1準確率達到66.2%，top-3準確率（預測最有可能的3類故障原因）達到86.1%，實現了基于歷史電梯故障記錄，在新電梯故障發生時對故障原因進行預判，當推薦top-k個預測結果時，正確結果的覆蓋率可以達到設定的要求。

選擇某臺真實電梯進行救援單位推薦算法實驗，輸入電梯經緯度（經度118.8°，緯度32°）以及電梯品牌（上海東芝電梯有限公司），輸出為維保單位或維修救援站點名稱。首先，使用電梯與維保單位的歐氏距離作為召回指標，先初篩出若干個距離最近的5個維保單位作為后續推薦的候選集，根據品牌、維保星級、響應時間和近期響應四個指標，進行歸一化處理（0～5分）和排序，得到各個單一維度下的推薦結果，以江蘇粵立電梯安裝工程有限公司和日立電梯（中國）有限公司江蘇分公司為例，用Python pyecharts文件包中的雷達圖對其指標結果進行可視化處理，如圖6所示。將各個維度下的指標得分進行加權平均（各維度權值為0.2），計算出綜合推薦得分，產生推薦列表，見表1。從表1中可以看出，得分最高的救援單位為江蘇粵立電梯安裝工程有限公司，分值為3.128 6；得分第二高的為日立電梯（中國）有限公司江蘇分公司，分值為2.783 3。因此，最終的自動推薦結果為江蘇粵立電梯安裝工程有限公司。通過表1和圖7可知，利用該方法可以為故障電梯分配最合理的救援單位，并可查看相關救援單位的各項指標分，推薦算法有很好的可解釋性。

2.2 救援站點選址優化仿真實驗

在電梯應急處置過程中，需要根據不同的維修人員到場時間來對維修站點的救援有效范圍進行進一步確定。下面結合實際地圖給出當救援時間分別為7、10、15 min時，MRM算法在同一數據集上的表現，如圖7（a）～圖7（c）所示，圖7中，點表示電梯的分布，三角形表示救援站點的選址位置；對于抵達搶修現場時間限定在15 min內的場景中，標明了每個救援站點負責的電梯范圍，如圖7（d）所示，可以看出本文算法擁有較強的抗敏感性。

另外，圖8（b）給出了10 min場景下各個站點的電梯負載，以此和圖8（a）初始救援站點分布的電梯不均衡負載進行對比，進一步展現了MRM算法對于站點壓力的公平性和有效性。

3 結 語

（1）在電梯應急處置平臺基礎上，為進一步提高電梯故障困人救援效率，提出基于電梯故障原因預判、救援單位自動推薦與站點選址優化布置的應急處置智能引導方法，實現對故障電梯的救援單位推薦，以及對電梯故障原因的預判，減少故障困人事件的處理時間，提高救援效率，保障被困人員的生命財產安全，同時降低人力成本，為各物業公司減少人員被困超過30 min以上造成的賠償損失。

（2）研究基于協同訓練的電梯故障文本聚類方法，構建了注意力機制與Bi-LSTM模型分別提取文本數據的句子信息和關鍵詞信息，利用多層相似加權計算電梯故障文本相似度，根據相似度度量從歷史故障描述的文本數據進行聚類得到故障標簽；基于具有可類比性的電梯故障數據集，構建基于Boosting集成學習的電梯故障預測分類模型，實時預測導致電梯發生故障的原因，通過電梯應急處置平臺告知救援人員，救援人員可以根據預測結果有針對性地處理電梯故障，加快解救被困人員。

（3）對于救援單位自動推薦問題，將多個維度下的指標得分進行加權平均，計算出綜合推薦得分，得到最終的自動推薦結果；針對電梯網絡救援站點的選址優化問題，提出多輪Meanshift聚類算法優化救援站點的位置，實現每個站點的維修救援壓力均衡和救援資源的最優利用，進一步提高平臺的電梯應急處置能力，后續可進一步研究面對電梯數量的逐年增長，新增的救援站點如何優化配置等問題。

注：本文通訊作者為曹宏偉。

參考文獻

[1]宿愛香，車剛，李嫄.面向新型智慧城市的電梯智慧應急處置一體化平臺構建方案[J].特種設備安全技術，2022（1）：47-48.

[2]張海燕.面向任務型對話的電梯應急處置智能應答系統研發[D].銀川：北方民族大學，2021.

[3]趙裕峰.神經網絡和D-S理論在電梯故障診斷中的應用[J].微處理機，2018，39（4）：51-55.

[4] MISHRA K M， HUHTAL A K J. Fault detection of elevator systems using multilayer perceptron neural network [C]// 2019 24th IEEE International Conference on Emerging Technologies and Factory Automation （ETFA）. [S.l.]： IEEE， 2019.

[5]慶光蔚，劉肖凡.基于機器學習的城市電梯困人故障原因預測方法研究[J]. 物聯網技術，2022，12 （10）： 55-58.

[6]張慎如，王爽，王會方，等. 電梯應急處置與安全監管大數據分析決策技術研究[J]. 機電工程技術，2019，48（5）：125-128.

[7] HSU C Y， QIAO Y， WANG C， et al. Machine learning modeling for failure detection of elevator doors by three-dimensional video monitoring [J]. IEEE access， 2020（8）： 211595-211609.

[8] JIANG X， NAMOKEL M， HU C， et al. Research on elevator fault information extraction and prediction diagnosis [Z]. 2021.

[9]馮月春， 陳惠娟. 改進Bi-LSTM的文本相似度計算方法[J]. 計算機工程與設計， 2022， 43 （5）： 1397-1403.

[10] BRZEZI?SKA N A， HORY? C. Outliers in rules-the comparision of LOF， COF and KMEANS algorithms [J]. Procedia computer science， 2020， 176： 1420-1429.

[11]劉洪基. 基于混沌PSO的大數據智能加權K均值聚類算法[J]. 計算機應用與軟件，2022，39（4）：311-319.

[12] GHADIRI M， SAMADI S， VEMPALA S. Socially fair k-means clustering [C]// FAccT'21： 2021 ACM Conference on Fairness， Accountability， and Transparency. [S.l.]： ACM， 2021.

[13] CHEN Q Q， HE L J， DIAO Y N， et al. A novel neighborhood granular meanshift clustering algorithm [J]. Mathematics， 2022， 11 （1）： 207-207.

[14]趙宇紅， 張曉楠. 基于超圖和K-means改進的異質網絡社區發現算法[J]. 計算機應用與軟件，2021，38（10）：290-296.

作者簡介：周前飛，博士，正高級工程師，主要從事電梯物聯網與大數據分析技術研究工作。

曹宏偉，碩士，高級工程師，主要從事特種設備風險監測技術研究工作。

慶光蔚，博士，正高級工程師，主要從事電梯大數據分析與智慧應急處置技術研究工作。

馮月貴，碩士，正高級工程師，主要從事電梯物聯網與大數據分析技術研究工作。

王會方，博士，正高級工程師，主要從事電梯物聯網與應急處置技術研究工作。

李 歌，碩士，工程師，主要從事特種設備風險監測技術研究工作。

收稿日期：2024-04-02 修回日期：2024-05-10

基金項目：國家重點研發計劃資助（2022YFF0607405）