电梯智能运维技术发展与趋势

陶杰 蒋曦阳 黄健鹏 童一飞

(1.江苏省特种设备安全监督检验研究院 江苏南京 210036;2.南京理工大学机械工程学院 江苏南京 210094)

近年来，随着我国电梯输出数量的增加和年保有总量的迅速增长，电梯制造业的重要地位愈发凸显。通过相关行业数据的调查显示，我国会在电梯市场领域持续发展，并加大在电梯核心领域研发力度，具有十分广阔的发展空间。2010 年我国电梯保有量162.9 万台，而截至2019 年我国电梯保有量已高速增长至700万台[1]，已成为全球电梯保有量最多的国家。但随之而来的问题也应运而生，为了保证用户的人身安全，根据《特种设备安全法》之规定，我国电梯的检查维保周期不得超过15 d，电梯的数量众多，维保单位、电梯制造厂家的维保质量参差不齐。传统定期检查方式存在很严重的弊端，无法第一时间预警电梯故障，且通过人工检查判断对相关工作人员的经验有较高的要求[2]，导致对电梯实际故障情况的判断会出现偏差，影响最终故障的解决。因此，建立电梯质量安全信息平台具有重要的社会意义。

为了监测设备运行状况，状态监测系统能够获取设备运行的信息，并将该信息用于预测设备状态特性变化以及相应的变化趋势，从而对其受损程度进行评估。通过对设备状态的监测，可以保证设备的正常运行，避免造成经济和人员的损失[3]。借助计算机技术和当前现代化的通信手段，一些国际知名电梯厂商已经和领域内学者展开了合作，研发出配套的电梯远程监控系统并取得了一定的成效。RAO A R等人[4]指出，日立公司针对该品牌电梯特性研发出可对被监管电梯建立数据档案的电梯安全监管系统，全天候监控存储电梯的基本信息。基于风险监测，PARK S T[5]等人提出了一种电梯维护实现方法，此种方法的特点是可以做出系统性决定，并据此识别出有问题的具体零部件，通过韩国电梯事故数据模拟证明了该方法的良好效用。HUI S C 等人[6]指出富士达开发了电梯远程监控可视系统（ELVIC），通过连接大楼内的广域网络或局域网络，即可在电脑上开启监控可视系统，实时监控电梯运行情况。袁圆[7]提出，美国奥的斯电梯公司的远程电梯网络监控系统（REM-X），以网络传输为介质，全面采集并且分析不同种类的电梯运行相关数据，可全天候、远距离对处在系统内的电梯的运行状况进行实时监控，并将异常和故障及时提交上报至监控中心、服务器终端和移动端。

电梯作为特种设备，根据不同的数据类型和监控方式，可以将其故障监测和诊断方法归结为信号处理和故障树两类。

2.1 信号处理方法

随着物联网技术和计算机技术的进步，通过各类传感器来监测机械设备的运行的相关“信号的分析处理技术”学科得以取得长足的发展，并且开始将其应用到设备监测当中。电梯作为特殊设备的一种，也逐渐开始探索通过信号处理的方式来对故障进行监测。由于电梯组装会涉及很多零部件，采用数学建模来处理并拟合电梯运行中众多零部件传递的信号，更深层次地探索拟合信号与电梯故障与否以及不同类型的电梯故障之间的关系。通过这种方式能够有效地抓取电梯各个组件间的信号特点，并通过获得的相关的信号特点来提取与之相对应的电梯故障。例如：朱晓玲[8]利用通信传输技术设计了一种基于Gabor 小波变换和多核支持向量机的电梯导靴故障诊断创新技术的物联网数据远程云存储+云计算的服务平台，处理区域内电梯安全监管的业务，远程监控区域内电梯运行状态,诊断和预警可能发生的电梯故障，实现电梯安全管理规范化、智能化和一体化。CHAE H等人[9]提出了一个涉及状态分类、预处理和分类的集成框架，用于使用控制状态信息对电梯门进行故障诊断。包健等人[10]提出在电梯故障诊断中运用信息融合技术，将多个分类器的结果结合进行集成判断，将电梯中控制开关信号作为神经网络的输入，提高了电梯运行问题的诊断准确率。

2.2 故障树方法

故障树方法（FTA）又称事故树分析法，是一种特殊的倒立树状逻辑因果关系图，在系统安全工程和故障诊断领域有着十分重要的应用。故障树的基本思想是：将一个疑似故障作为起点，是一种自上而下的演绎式失效分析法，通过布林逻辑组合低阶事件，分析系统中的不被期望状态[11]。近年来，许多专家学者已经将故障树分析法应用在分析电梯故障上，在分析过程中，学者们用故障树的方式将所有可能造成电梯故障的原因和相关故障表现进行汇总整理，再逐层通过树形结构对电梯故障进行层层分析，通过图形化的结构表达故障与系统零件的内在联系，进而判断电梯故障类型。例如：张东平等人[12]设计了的故障诊断专家系统，通过电梯故障知识库与故障树之间的匹配关系来判断电梯运行的故障。乔久鹏[13]对故障树分析方法进行了改进，通过构建多棵故障树容纳不同的故障类型，并通过使用最小割集理论所建立的推理机推理电梯故障类型，从而判断电梯故障。张阔等人[14]通过故障树法和改进PSO_PNN网络建立模型对故障进行诊断与分类。

研究人员通常将采集到的信号进行提取相应的统计特征，如均方根误差（RMS）、峰值（Kurtosis），作为机械设备的健康评价因子（Health Indicator，HI）。HI 会随着设备的生命周期不断变化，会出现健康阶段和失效阶段这两个阶段。

为防止设备进入失效状态，造成严重的人员与经济损失，维保人员需要在故障初期即退化阶段对设备进行预防性维修，及早的发现问题并解决。业内专家和学者已经开始从多方面入手研究，以期在电梯设备故障初期有效地进行故障预警、排查。例如：李俊芳等人[15]为了能够实现对电梯门可能发生故障进行预测，利用神经网络模型预测电梯门系统故障，通过电梯门系统工作状态值之间的内在关系的建立，预测下一状态数值。段登等人[16]通过在预测多电梯运行系统的故障时运用神经网络模型的方法来得出预测结果，此方法利用电梯的信号采集终端的运行信号提取的数据特征，通过径向基神经网络（RBF）来拟合信号之间的关系。张从力等人[17]提出利用模糊推理的软测量技术和专家系统预测电梯运行故障。JIANG X Y等人[18]提出了一种基于人工智能和大数据的故障监测和诊断方法，对电梯整个运行状态进行监控。

随着物联网技术的不断发展，传感器的数量和种类不断增加，采集到的相应数据也爆发式的增长，并且这些实时流数据源源不断地传输至数据库当中，以待后续处理。因此，在对电梯数据进行在线分析的过程中，经常会面对每秒突破几千、几万、甚至十万级别的数据量。传统的单台计算机设备难以完成如此庞大的计算任务，因此依托集群对实时数据并行计算处理的技术慢慢发展起来，旨在快速准确地处理这些大批量实时流数据。

国内外学者为了能够更快地处理尽可能多的实时数据，从而对流式数据处理技术做了大量的研究。在最早期主要采用消息队列的方式对实时数据进行处理，但是消息队列的构建十分冗杂，不适合在工程中进行应用而且数据处理情况相对不稳定。近几年，很多专注于流式数据处理的开源社区不断涌现，比较著名的有Storm、Spark Streaming、Flink[19]。Storm 作为流数据处理的先行者，最早是创业公司BackType 的团队人员进行开发，随后被Apache软件基金收购并开始作为顶级开源项目进行发展。Storm 提供了相较于消息队列延迟度更低的数据处理方法，但是它在数据吞吐量方面并不尽人意，很难真正在一些大型工程项目当中真正实施。随后，加州大学伯克利分校的AMP实验室的研究人员为了解决Storm数据吞吐量不足的问题，尝试将接收的实时流数据按照一定时间间隔进行拆分，交给Spark Engine引擎，最终得到一批批的结果。如果在进行数据批处理的过程中，尽可能地将数据分割，当分割得足够小时，数据集就可以近似当作数据流进行处理，但是这种方式依然无法使其做到真正的流式数据处理，实时处理依然不够尽如人意。在此基础上，Flink的出现克服了上述两种框架的弊端，除了提供高精度的Exactly-once 运算，避免数据重复消费以外，还将数据流处理延迟降低到数据亚秒级的同时还保有很高的数据吞吐量，与其他组件的组合使用也十分便捷。

深度学习技术极大地促进了故障诊断领域的发展，为故障诊断提供了更多智能化的方法[20]。基于知识的诊断方法可以在诊断过程中不断学习，扩充系统的资源库，自我提升，是一个开放学习的系统。随着系统的复杂性越来越高，诊断故障时使用这种方法的优势也越来越显著，因为它不需要建立关于对象的精确的数学模型。基于知识的诊断方法主要采用支持向量机、神经网络、深度自编码器等理论技术。由于该方法克服了传统的数学模型的诊断方法依赖于模型的缺点，因此在故障诊断领域处于主流地位。在电梯故障研究领域，使用深度学习的方法进行对电梯故障的诊断与预警已经被很多专业的专家学者认可。

随着电梯物联网的实施应用愈加普遍，如何提高其乘运质量和运行的安全性便成了相当重要的课题。目前，国内外大部分电梯企业和科研机构都在开展研究有关电梯故障监测、预警等信息化系统建设的研究工作，主要研究内容包括物联网技术、电梯故障监测与诊断、电梯故障预警、数据流处理技术、深度学习技术这5个方面。总体来说，国外对于电梯故障监测、诊断与预警系统的开发由于起步较早，已经多次在实践中进行运行，开发经验比较丰富。虽然我国在故障监测与预警系统开发技术缺少较新的理论基础，但是随着我国相关研究人员对大数据技术以及深度学习技术的不断学习，在技术上有了一定的突破。

相关工作者可以借鉴国内外对电梯安全监测系统的开发经验，基于物联网技术对电梯各类运行数据进行采集，并在分布式集群中通过流数据计算框架以及深度学习等技术构建电梯典型故障监测与预警系统，除了上述几个层面的技术，还要在以下几个方面进行更深入的研究。

6.1 提升故障监测与诊断计算速度

在Flink 这类计算集群中，算子的应用与优化能够极大地影响数据的计算速度以及所消耗的时间。如何对计算集群中的算子进行优化节省不必要的计算资源浪费，减小运算所消耗的时间，需要进行进一步研究。

6.2 实现参考模型库的在线更新

在智能运维系统对电梯系统进行实时故障预警，大多研究的故障预警模型及预警阈值都是通过线下对智能感知获取的数据进行训练与分析而得到，然后再将其应用在线上实时故障预警当中。但是由于电梯种类繁多，而且实际生产生活过程中环境也会随外界环境因素发生改变，如何实时在线更新预警模型以及阈值，值得进行更深入的探究。