CN108083044A - 一种基于大数据分析的电梯按需维保***及方法 - Google Patents

Abstract

本发明提供一种基于大数据分析的电梯按需维保***，包括数据源、数据接入模块和数据处理模块，数据接入模块从数据源中获取数据并进行解析和分发，数据处理模块接收数据接入模块分发的数据并进行存储、建模和分析；数据接入模块包括数据解析单元、数据清洗单元和数据分发单元。本发明还提供一种基于大数据分析的电梯按需维保方法。本发明运用物联网设备采集的维保相关的电梯数据及电梯安全运行故障数据，结合电梯日常使用过程中的故障情况及物联网设备在线情况等，实现按照电梯安全运行风险需求实施物联网+维保的日常维保模式建立电梯按风险、按状况维保的量化指标数学模型，为维保改革提供数据支撑。

Description

一种基于大数据分析的电梯按需维保***及方法

技术领域

本发明涉及电梯维保技术领域，尤其涉及基于电梯物联网大数据分析预测维保需求的模型和***。

背景技术

近年来国内经济突飞猛进，城市进入高层建筑快速建设期，电梯作为高层建筑出入的重要垂直交通工具，也迎来井喷式发展，与此同时，随着电梯数量的高速增长，电梯维保市场需求高涨，传统的维保方式出现了人机不匹配、恶性竞争、维保工作做不实、做不好的现象，对电梯维保的安全性和可靠性产生了极大的威胁。

目前也有对电梯维保方面的研究，例如中国专利申请CN201410609531.0，公开了一种电梯维保时间的计算方法，通过半月保的计算方式或者年度保、半年保、季度保、半月保四保合一的方式，规划电梯维保时间。

该技术方案缺点：该方案主要依靠统一的时间计算的方式安排电梯维保计划，这种方式管理粗放，无法针对单梯做精细化管理，造成的现象便是针对一些质量较好或者使用不频繁的电梯，电梯运行状况良好，却安排资源进行维保，占用本已非常紧缺的维保资源；针对电梯安全风险较大，却无法及时做出预警，在常规维保计划到来之前可能已出现故障，同时由于维保资源的粗放管理，进一步导致故障风险高的电梯无法获取足够维保资源。

发明内容

本发明针对背景技术中的问题，提供一种基于大数据分析的电梯按需维保***，基于物联网数据采集技术，采集大量电梯运行参数数据，结合电梯历史维保数据及故障数据，使用大数据技术分析技术，实现电梯维保预测，将传统的按时间维保的方式，调整为按电梯运行风险、运行状态的按需维保方式。

为此，本发明采用以下技术方案：一种基于大数据分析的电梯按需维保***，包括数据源、数据接入模块和数据处理模块，数据接入模块从数据源中获取数据并进行解析和分发，数据处理模块接收数据接入模块分发的数据并进行存储、建模和分析；数据源中的数据包括电梯基础数据、电梯运行数据、电梯故障数据及电梯维保数据；数据接入模块包括数据解析单元、数据清洗单元和数据分发单元，其中数据解析单元从数据源中获取相关数据，解析后发送至数据清洗单元，经过数据清洗单元清洗后的数据，由数据分发单元发送至数据处理模块进行相应的处理。

进一步地，在数据源中，电梯基础数据包括电梯品牌、电梯型号和电梯投产日期，电梯运行数据包括电梯运行速度、电梯运行温度、电梯运行频率和电梯震动幅度，电梯故障数据包括电梯故障类型和故障发生时间，电梯维保数据包括电梯维保日期和维保情况反馈。

进一步地，在数据接入模块中，数据解析单元通过统一的数据传输入口，将接收到的数据按照统一的通讯协议和统一的数据标准，实现数据接入归集管理，数据清洗单元定义清洗规则，对脏数据进行过滤，实现初步数据质量管理，数据分发单元将接入并清洗后的数据发送到数据处理模块进行存储和分析。

进一步地，在数据处理模块中，数据存储单元存储海量数据以提供分析使用，数据建模单元通过对历史数据的分析建立电梯故障预测模型并能够进行模型的自我学习，预测分析单元接入一定时间内电梯运行的相关数据，代入模型中进行计算，输出电梯维保预估日期。

本发明还提供一种基于大数据分析的电梯按需维保方法，该方法采用上述***，并包括实时在线预警分析和离线维保日期评估两个流程，离线维保日期评估以实时在线预警分析的结果或中间结果为依据，其中，实时在线预警分析针对突发情况发出报警，并通知检修人员进行维保检查，具体包括以下步骤：

A1、数据准备：实时接入电梯运行数据并拉取前一定时间内电梯正常运行的历史数据，数据项包括电梯运行速度、电梯运行加速度、电梯轿厢温度和电梯震动幅度，将数据项汇集后按电梯品牌和型号分类输入离群点检测模型；

A2、预警检测：通过分析实时数据与历史数据相比产生的局部离群点，将分析后的数据带入故障风险预警模型进行风险预测，故障风险预警模型经过计算输出风险系数；

A3、数据存储：根据数据是否属于离群数据分别存储至离群数据库，对于属于离群数据的存储至离群数据库，对于不属于离群数据的存储至非离群数据库；

离线维保日期评估用于故障发生前的维保提醒，具体包括以下步骤：

B1、获取电梯故障数据，根据电梯品牌及型号统计平均故障发生的间隔周期，获取按需维保间隔周期均值；

B2、统计近一段时间的间隔周期内由实时在线预警分析流程得出的电梯运行风险系数的均值，并由高到低进行排序；

B3、对单台电梯，依据风险系数大小，在按需维保间隔周期均值的基础上，结合维保资源对维保周期进行拉长或缩短，风险系数高的电梯适当缩短维保周期，风险系数低的电梯适当拉长维保周期。

进一步地，步骤A2中的预警检测还包括风险系数的确认，具体是指：在故障风险预测模型输出风险系数后，预测分析单元获取近5分钟内的实施风险系数，对这些实时风险系数做均值处理，如果实时风险系数的均值大于阈值，则输出故障预警。

进一步地，在步骤A2的预警检测步骤中，通过基于密度的局部离群点检测模型对实时数据和历史数据进行比较从而获得离群数据库，基于密度的局部离群点检测模型通过局部异常因子算法，利用各种统计的、距离的、密度的量化指标描述数据样本和其他样本的疏离程度，从而判断出数据的异常程度，区分离群点和非离群点。

进一步地，在步骤A2中故障风险预测模型的具体算法是：

（1.1）对电梯运行速度、电梯运行加速度、电梯运行温度和震动幅度的局部离群因子根据式1进行加权平均计算；

式1，

其中，x1，....，xn是观测变量，w1....wn是权重值；

观测变量x1，....，xn由基于密度的局部离群点检测模型计算得到；

（1.2）通过电梯故障数据获取出现故障的时间点；

（1.3）从离群数据库中获取此时间点前1小时内的数据；

（1.4）对上述1小时内的数据进行占比分析得到对应的数据项权重。

进一步地，与实时风险系数进行比较的阈值由风险系数阈值测算模型获得，风险系数阈值测算模型的具体算法是：

（2.1）通过电梯故障数据获取出现故障的时间点；

（2.2）从离群数据库和非离群数据库获得此时间点前1小时的数据；

（2.3）将获取的数据带入故障分析预测模型，得出故障发生前5分钟内的故障风险系数，取这些系数的最小值作为风险阈值；

（2.4）通过持续的故障检测对阈值进行修正调优。

本发明的有益效果是：本发明运用物联网设备采集的维保相关的电梯数据及电梯安全运行故障数据，结合电梯日常使用过程中的故障情况及物联网设备在线情况等，实现按照电梯安全运行风险需求实施物联网+维保的日常维保模式，即对安全性能高、故障分析低的电梯，由电梯制造企业通过远程监测进行设备检查、维护并对发现的故障及时维修，针对安全性能低、故障风险高的电梯，由维保公司及时安排维保人员上门进行检修、维保，将基于时间、项目的维保转化基于设备状况或基于风险的维保，初步建立电梯按风险、按状况维保的量化指标数学模型，为维保改革提供数据支撑。

附图说明

图1是本发明的***框图。

图2是实时分析预警流程的流程图。

图3是局部离群点检测模型的示意图。

图4是离线维保日期评估的流程图。

具体实施方式

以下结合附图对本发明的具体实施方案做进一步详细说明，应当指出的是，实施例只是为了更加清楚第说明本发明的技术方案，并不是对本发明的限定。

实施例1，一种基于大数据分析的电梯按需维保***。

如图1所示，包括数据源、数据接入模块和数据处理模块，数据接入模块从数据源中获取数据并进行解析和分发，数据处理模块接收数据接入模块分发的数据并进行存储、建模和分析；数据源中的数据包括电梯基础数据、电梯运行数据、电梯故障数据及电梯维保数据；数据接入模块包括数据解析单元、数据清洗单元和数据分发单元，其中数据解析单元从数据源中获取相关数据，解析后发送至数据清洗单元，经过数据清洗单元清洗后的数据，由数据分发单元发送至数据处理模块进行相应的处理。

在数据源中，电梯基础数据包括电梯品牌、电梯型号和电梯投产日期，电梯运行数据包括电梯运行速度、电梯运行温度、电梯运行频率和电梯震动幅度，电梯故障数据包括电梯故障类型和故障发生时间，电梯维保数据包括电梯维保日期和维保情况反馈。

在数据接入模块中，数据解析单元通过统一的数据传输入口，将接收到的数据按照统一的通讯协议和统一的数据标准，实现数据接入归集管理，数据清洗单元定义清洗规则，对脏数据进行过滤，实现初步数据质量管理，数据分发单元将接入并清洗后的数据发送到数据处理模块进行存储和分析。

在数据处理模块中，数据存储单元存储海量数据以提供分析使用，数据建模单元通过对历史数据的分析建立电梯故障预测模型并能够进行模型的自我学习，预测分析单元接入一定时间内电梯运行的相关数据，代入模型中进行计算，输出电梯维保预估日期。

实施例2，一种基于大数据分析的电梯按需维保方法。

如图2所示，本实施例的方法以实施例1的***为基础，包含两个核心流程，其中一个是实时在线预警分析流程，针对实时接入的运行数据与历史数据做异常检测，针对异常数据重点关注并报警，运维单位接到报警之后去现场进行维保检查；第二个流程是离线维保日期评估流程，根据电梯故障数据、维保数据以及电梯运行数据，建立数学公式，评估单台电梯需要进行维保的日期，以下分别对这两个流程进行说明。

（一）实时在线预警分析流程。

实时分析预警流程主要针对突发异常情况，及时做出报警，并安排检修人员进行维保检查，将事故防范于未然，具体处理流程图如下图2。

实时分析预警流程主要分三个大阶段，如图2中标识出的1.1-1.4步骤属于数据准备阶段，2.1-2.6步骤属于故障预警检测阶段，3.1-3.4步骤属于数据存储阶段。

具体来说，在数据准备阶段，主要为后续的模型分析准备数据，包括实时接入的电梯运行状态数据以及拉取最近1小时电梯正常运行历史数据（从非离群数据库中拉取）。数据项包括电梯运行速度、运行加速度数据、轿厢温度数据、震动幅度数据，数据汇集后以电梯品牌及型号分类输入基于密度的离群点检测模型。

基于密度的离群点检测模型主要利用各种统计的、距离的、密度的量化指标去描述数据样本跟其他样本的疏离程度，进而判断出数据的异常程度，如下图3所示，通过视觉直观的感受一下，对于C1集合的点，整体间距，密度，分散情况较为均匀一致，可以认为是同一簇；对于C2集合的点，同样可认为是一簇，o1、o2点相对孤立，正是我们要分析出来的异常点或离散点。基于密度的离群点检测模型通过局部异常因子算法-Local Outlier Factor(LOF) 实现C1和C2这种密度分散情况迥异的集合的异常点识别，算法通用高效，能适应电梯运行异常状态数据的识别。

Lof算法公式如下：LOFk(p)=∑o∈Nk(p)lrdk(o)lrdk(p)|Nk(p)|=∑o∈Nk(p) lrdk(o)|Nk(p)|/lrdk(p)

Lof算法通过如上公式输出P点的局部离群因子（LOFk(p)），如果LOFk(p)越接近1，说明p的其邻域点密度差不多，p可能和邻域同属一簇；如果这个比值越小于1，说明p的密度高于其邻域点密度，p为密集点；如果这个比值越大于1，说明p的密度小于其邻域点密度，p越可能是异常点。

LOF算法在java、python等多种编程语言中均有成熟实现，本发明仅仅是利用了该成熟的算法，因此不作详细算法推导，对本领域技术人员来说，知晓此算法并能够利用此算法进行推导是常规技术手段。

在故障预警检测阶段，此阶段通过分析实时数据中与历史数据相比产生的局部离群点，进而将分析后的数据带入故障风险预警模型进行风险预测，模型经过计算输出风险系数。单次出现的高风险事件有可能为一些错误数据等因素造成的，不能直接佐证出现了故障风险，需要持续一段时间的出现高风险事件，才能做出准确判断，因此需要获取最近5分钟实时数据风险系数，对其做均值处理，均值如果大于阈值（通过“风险系数阈值测算模型”计算得到），则输出故障预警。

其中，故障风险预测模型主要通过对电梯运行速度、运行加速度、温度及震动幅度的局部离群因子的加权平均算法得出总体数据离群系数，将其称为风险系数，风险系数的大小将决定是否推送报警。加权公式如下：

其中的x1，……，xn是观测变量，w1，……，wn是权重值。将公式带入故障风险预测模型中，x存在四个，分别为电梯运行速度局部离群因子x1，运行加速度局部离群因子x2，温度局部离群因子x3，震动幅度离群因子x4，权重值同样存在四个，分别为电梯运行速度局部离群因子占风险系数权重w1,电梯运行加速度局部离群因子占风险系数权重w2,温度局部离群因子占风险系数权重w3,震动幅度局部离群因子占风险系数权重w4。

公式中x1....x4由“基于密度的局部离群点检测模型”计算得出，权重则需要通过针对历史故障情况相关性分析得出，具体做法如下：

（1）通过电梯故障数据获取出现故障的时间点。

（2）从“离群数据库”中获取此时间点前1小时的数据。

（3）对数据进行占比分析得出对应数据项权重，如电梯运行速度离群数据总数占总离群数据总数的15%，则电梯运行速度局部离群因子占风险系数权重w1等于0.15。

风险系数阈值测算模型通过离线分析输出风险系数，是一套通过历史故障数据做学习佐证的模型，具体实施步骤如下：

（1）通过电梯故障数据获取出现故障的时间点。

（2）从“离群数据库”及“非离群数据库”中获取此时间点前1小时的数据。

（3）对获取出来的数据带入故障分析预测模型，得出故障发生前5分钟的故障风险系数，取这些系数最小值作为风险阈值。

（4）后续通过持续检测故障预警准确性对阈值进行调优。

（二）离线维保日期评估流程。

上述的实时在先分析预警流程主要用来解决突发故障前的维保提醒，但是常态化的维保工作（根据维保日期评估模型测算维保周期）还是需要开展，一方面用来收集更多的维保及电梯故障数据供模型学习优化，另一方面也是解决实时分析预警流程未涵盖场景的维保检查，常态维保过程中发现的新故障场景或是数据规律将持续优化到实时分析预警流程中，常态的维保根据已获得的数据可以离线进行分析，具体流程如图4所示。

（1）获取电梯故障数据，并根据电梯品牌及型号统计平均故障发生间隔周期，作为按需维保间隔周期均值。

（2）统计最近间隔周期内电梯运行风险系数均值，由高到低进行排序操作。

（3）针对单台电梯依据风险系数，在按需维保间隔周期均值的基础上，结合维保资源对周期进行拉长或缩短操作，风险系数高的电梯适当缩短维保周期、风险系数低的电梯适当拉长维保周期。

Claims (9)

1.一种基于大数据分析的电梯按需维保***，其特征是，包括数据源、数据接入模块和数据处理模块，数据接入模块从数据源中获取数据并进行解析和分发，数据处理模块接收数据接入模块分发的数据并进行存储、建模和分析；数据源中的数据包括电梯基础数据、电梯运行数据、电梯故障数据及电梯维保数据；数据接入模块包括数据解析单元、数据清洗单元和数据分发单元，其中数据解析单元从数据源中获取相关数据，解析后发送至数据清洗单元，经过数据清洗单元清洗后的数据，由数据分发单元发送至数据处理模块进行相应的处理。

2.根据权利要求1所述的一种基于大数据分析的电梯按需维保***，其特征是，在数据源中，电梯基础数据包括电梯品牌、电梯型号和电梯投产日期，电梯运行数据包括电梯运行速度、电梯运行温度、电梯运行频率和电梯震动幅度，电梯故障数据包括电梯故障类型和故障发生时间，电梯维保数据包括电梯维保日期和维保情况反馈。

3.根据权利要求1所述的一种基于大数据分析的电梯按需维保***，其特征是，在数据接入模块中，数据解析单元通过统一的数据传输入口，将接收到的数据按照统一的通讯协议和统一的数据标准，实现数据接入归集管理，数据清洗单元定义清洗规则，对脏数据进行过滤，实现初步数据质量管理，数据分发单元将接入并清洗后的数据发送到数据处理模块进行存储和分析。

4.根据权利要求1所述的一种基于大数据分析的电梯按需维保***，其特征是，在数据处理模块中，数据存储单元存储海量数据以提供分析使用，数据建模单元通过对历史数据的分析建立电梯故障预测模型并能够进行模型的自我学习，预测分析单元接入一定时间内电梯运行的相关数据，代入模型中进行计算，输出电梯维保预估日期。

5.一种基于大数据分析的电梯按需维保方法，其特征是，该方法应用权利要求1-4中任一项所述的电梯按需维保***，并包括实时在线预警分析和离线维保日期评估两个流程，离线维保日期评估以实时在线预警分析的结果或中间结果为依据，其中，实时在线预警分析针对突发情况发出报警，并通知检修人员进行维保检查，具体包括以下步骤：

A1、数据准备：实时接入电梯运行数据并拉取前一定时间内电梯正常运行的历史数据，数据项包括电梯运行速度、电梯运行加速度、电梯轿厢温度和电梯震动幅度，将数据项汇集后按电梯品牌和型号分类输入离群点检测模型；

A2、预警检测：通过分析实时数据与历史数据相比产生的局部离群点，将分析后的数据带入故障风险预警模型进行风险预测，故障风险预警模型经过计算输出风险系数；

A3、数据存储：根据数据是否属于离群数据分别存储至离群数据库，对于属于离群数据的存储至离群数据库，对于不属于离群数据的存储至非离群数据库；

离线维保日期评估用于故障发生前的维保提醒，具体包括以下步骤：

B1、获取电梯故障数据，根据电梯品牌及型号统计平均故障发生的间隔周期，获取按需维保间隔周期均值；

B2、统计近一段时间的间隔周期内由实时在线预警分析流程得出的电梯运行风险系数的均值，并由高到低进行排序；

B3、对单台电梯，依据风险系数大小，在按需维保间隔周期均值的基础上，结合维保资源对维保周期进行拉长或缩短，风险系数高的电梯适当缩短维保周期，风险系数低的电梯适当拉长维保周期。

6.根据权利要求5所述的一种基于大数据分析的电梯按需维保方法，其特征是，步骤A2中的预警检测还包括风险系数的确认，具体是指：在故障风险预测模型输出风险系数后，预测分析单元获取近5分钟内的实施风险系数，对这些实时风险系数做均值处理，如果实时风险系数的均值大于阈值，则输出故障预警。

7.根据权利要求6所述的一种基于大数据分析的电梯按需维保方法，其特征是，在步骤A2的预警检测步骤中，通过基于密度的局部离群点检测模型对实时数据和历史数据进行比较从而获得离群数据库，基于密度的局部离群点检测模型通过局部异常因子算法，利用各种统计的、距离的、密度的量化指标描述数据样本和其他样本的疏离程度，从而判断出数据的异常程度，区分离群点和非离群点。

8.根据权利要求7所述的一种基于大数据分析的电梯按需维保方法，其特征是，在步骤A2中故障风险预测模型的具体算法是：

（1.1）对电梯运行速度、电梯运行加速度、电梯运行温度和震动幅度的局部离群因子根据式1进行加权平均计算；

式1，

其中，x1，....，xn是观测变量，w1....wn是权重值；

观测变量x1，....，xn由基于密度的局部离群点检测模型计算得到；

（1.2）通过电梯故障数据获取出现故障的时间点；

（1.3）从离群数据库中获取此时间点前1小时内的数据；

（1.4）对上述1小时内的数据进行占比分析得到对应的数据项权重。

9.根据权利要求7所述的一种基于大数据分析的电梯按需维保方法，其特征是，与实时风险系数进行比较的阈值由风险系数阈值测算模型获得，风险系数阈值测算模型的具体算法是：

（2.1）通过电梯故障数据获取出现故障的时间点；

（2.2）从离群数据库和非离群数据库获得此时间点前1小时的数据；

（2.3）将获取的数据带入故障分析预测模型，得出故障发生前5分钟内的故障风险系数，取这些系数的最小值作为风险阈值；

（2.4）通过持续的故障检测对阈值进行修正调优。