常 姍

(西安理工大學(xué)，西安710048)

截至2016年底，我國(guó)電梯保有量已達(dá)到470萬(wàn)臺(tái)。電梯成為繼飛機(jī)、火車、汽車之后的第四大交通工具。在電梯數(shù)量快速增加的同時(shí)，電梯安全面臨著生產(chǎn)質(zhì)量下降、維保質(zhì)量下降、安全意識(shí)不足的嚴(yán)峻形勢(shì)［1］。2014年1月1日起施行的《中華人民共和國(guó)特種設(shè)備安全法》規(guī)定:電梯必須保持電梯緊急報(bào)警裝置和通話裝置完好，保證聯(lián)絡(luò)暢通。支持并鼓勵(lì)建立電梯安全遠(yuǎn)程監(jiān)管系統(tǒng)，實(shí)現(xiàn)電梯安全網(wǎng)絡(luò)監(jiān)控管理。［2］目前，電梯五方通話裝置或電梯應(yīng)急通信系統(tǒng)基本做到了國(guó)內(nèi)全覆蓋;全國(guó)已有20多個(gè)省、市、自治區(qū)建立了電梯安全監(jiān)管系統(tǒng)。但是，電梯緊急報(bào)警裝置屬于被動(dòng)呼救方式，只在乘客被困時(shí)才用;而電梯安全監(jiān)管系統(tǒng)雖然可以實(shí)時(shí)主動(dòng)報(bào)警，但并不能實(shí)現(xiàn)電梯事故的預(yù)警預(yù)報(bào)。本文以電梯安全遠(yuǎn)程監(jiān)管系統(tǒng)數(shù)據(jù)庫(kù)中的數(shù)據(jù)作為數(shù)據(jù)源構(gòu)建電梯安全大數(shù)據(jù)挖掘平臺(tái)，著重研究了聚類算法K－Means和關(guān)聯(lián)算法Apriori，進(jìn)而實(shí)現(xiàn)電梯安全事故的預(yù)警預(yù)報(bào)。

1 電梯安全大數(shù)據(jù)來(lái)源

電梯主要由三大部分組成:轎廂、曳引機(jī)和控制柜，其中曳引機(jī)和控制柜均安置在機(jī)房。［3］電梯安全大數(shù)據(jù)來(lái)源于電梯安全遠(yuǎn)程監(jiān)管系統(tǒng)，該系統(tǒng)由硬件和軟件兩部分構(gòu)成:硬件部分安裝在電梯機(jī)房，從電梯控制板上實(shí)時(shí)提取電梯狀態(tài)信號(hào)并利用GPRS網(wǎng)絡(luò)推送到服務(wù)器，如圖1所示;軟件部分通過(guò)對(duì)電梯的運(yùn)行數(shù)據(jù)進(jìn)行分析，實(shí)時(shí)顯示電梯運(yùn)行狀態(tài)。［3］故障發(fā)生時(shí)迅速將故障電梯位置、故障現(xiàn)象、人員被困信息等通過(guò)短信、互聯(lián)網(wǎng)PC終端以及移動(dòng)互聯(lián)網(wǎng)終端等方式報(bào)告給值班室和維保人員，具有24小時(shí)電梯運(yùn)行參數(shù)在線監(jiān)測(cè)、電梯故障實(shí)時(shí)報(bào)警、電梯維保質(zhì)量評(píng)估等功能。

圖1 電梯安全遠(yuǎn)程監(jiān)管系統(tǒng)示意圖

電梯安全遠(yuǎn)程監(jiān)管系統(tǒng)使用的數(shù)據(jù)庫(kù)是SQL Server 2005，包括以下數(shù)據(jù)類型:

(1)電梯狀態(tài)數(shù)據(jù):運(yùn)行/檢修模式、上行、下行、上平層、下平層、門鎖、安全回路、電源等8路信號(hào)。［3］

(2)基礎(chǔ)數(shù)據(jù):電梯基本信息、注冊(cè)登記信息、電梯廠家資料、使用單位資料、維保公司資料、安裝信息、維保工人信息等。

(3)日常維保管理數(shù)據(jù):維保時(shí)間、維保項(xiàng)目、維保公司、維保人員信息、年檢記錄等。

(4)故障數(shù)據(jù):電梯位置、維保公司名稱、電梯用戶、電梯注冊(cè)登記號(hào)、電梯故障狀態(tài)等。

(5)違章數(shù)據(jù):維保公司、維保人員信息的違章信息、違章類型、違章描述等。

圖2 電梯安全大數(shù)據(jù)平臺(tái)構(gòu)架圖

2 電梯安全大數(shù)據(jù)平臺(tái)

電梯安全大數(shù)據(jù)平臺(tái)包括電梯安全大數(shù)據(jù)采集模塊、預(yù)處理模塊、數(shù)據(jù)挖掘模塊及數(shù)據(jù)展示模塊，其構(gòu)架圖如圖2所示。

數(shù)據(jù)采集模塊不間斷地收集與電梯相關(guān)的運(yùn)行狀態(tài)、日常維保、基礎(chǔ)、故障、報(bào)警、救援等數(shù)據(jù)，實(shí)現(xiàn)數(shù)據(jù)的大容量、多樣性、真實(shí)性和快速性。預(yù)處理模塊進(jìn)行統(tǒng)一標(biāo)準(zhǔn)的整理，包括數(shù)據(jù)導(dǎo)入、數(shù)據(jù)清洗、數(shù)據(jù)集成、數(shù)據(jù)變換、數(shù)據(jù)規(guī)約等過(guò)程。數(shù)據(jù)挖掘模塊主要通過(guò)數(shù)學(xué)模型、經(jīng)驗(yàn)公式、聚類算法、相關(guān)算法、模糊算法、遺傳算法、回歸分析等方式對(duì)海量數(shù)據(jù)信息進(jìn)行處理，實(shí)現(xiàn)從數(shù)據(jù)倉(cāng)庫(kù)獲取有用信息，如:預(yù)測(cè)電梯故障多發(fā)期，評(píng)判電梯維保質(zhì)量;通過(guò)電梯故障類型、頻率、零部件更換情況等預(yù)測(cè)電梯的運(yùn)行狀況等。數(shù)據(jù)展示模塊將大數(shù)據(jù)分析的結(jié)果用直觀的方式展示出來(lái)，如:關(guān)聯(lián)關(guān)系圖、熱點(diǎn)分布圖、時(shí)空時(shí)序圖、模擬推演圖等，便于指導(dǎo)實(shí)際的電梯監(jiān)管工作。由此形成一個(gè)“收集—分析—反饋—優(yōu)化”的循環(huán)過(guò)程，在這個(gè)過(guò)程中維保人員不斷地學(xué)習(xí)、優(yōu)化，使電梯的安全管理工作真正做到事前預(yù)警準(zhǔn)確、事中處理有效、事后分析合理［4－5］。

3 電梯安全大數(shù)據(jù)挖掘算法研究

電梯安全大數(shù)據(jù)挖掘時(shí)采用了分布式處理分析軟件——Hadoop，它依靠“Map(映射)”和“Reduce(規(guī)約)”并行運(yùn)算大數(shù)據(jù)集編程模型。［6］數(shù)據(jù)挖掘的分析方法有很多種，本文主要研究聚類算法K－Means和關(guān)聯(lián)分析算法Apriori。

圖3 改進(jìn)的K－Means聚類算法過(guò)程流程圖

3．1 一種改進(jìn)的K－means聚類算法

K－means聚類算法需要實(shí)現(xiàn)確定k值和初始聚類中心，改進(jìn)的K－means算法思想是Canopy聚類算法對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理，確定k值和去除離群點(diǎn)［7］。在初始聚類的選擇問題上則放棄Canopy算法，依然使用了傳統(tǒng)K－Means算法，即從數(shù)據(jù)集合中任意選擇k個(gè)聚類中心，不同之處在于初始聚類中心由一組變成多組，再通過(guò)準(zhǔn)則函數(shù)計(jì)算出最優(yōu)的初始聚類中心。MapReduce并行化總體分為Canopy算法并行化和K－Means算法并行化，如圖3所示，這兩部分的共同點(diǎn)是對(duì)其在確定數(shù)據(jù)對(duì)象與聚類中心距離的階段進(jìn)行并行化操作［8］。

3．2 一種改進(jìn)的Apriori關(guān)聯(lián)算法

Apriori算法在計(jì)算時(shí)采用迭代的方法，簡(jiǎn)單易行，但其缺點(diǎn)是多次掃描事務(wù)數(shù)據(jù)庫(kù)，需要很大的I/O負(fù)載，對(duì)每次k循環(huán)，候選集C［k］中的每個(gè)元素都必須通過(guò)掃描數(shù)據(jù)庫(kù)來(lái)驗(yàn)證其是否加入L［k］。由此可能產(chǎn)生龐大的候選集，由L［k－1］產(chǎn)生k－候選集C［k］是指數(shù)增長(zhǎng)。采用MapReduce分而治之的思想對(duì)傳統(tǒng)的Apriori算法進(jìn)行改進(jìn)，減少算法的運(yùn)行時(shí)間，將數(shù)據(jù)庫(kù)劃分為n個(gè)大小相同的數(shù)據(jù)塊，分別發(fā)送不同的工作節(jié)點(diǎn)，并設(shè)每個(gè)數(shù)據(jù)塊的最小支持度閾值不變;執(zhí)行Map函數(shù)，數(shù)據(jù)塊經(jīng)過(guò)各自節(jié)點(diǎn)的掃描，產(chǎn)生局部頻繁k－項(xiàng)集。Map函數(shù)先利用類似頻率統(tǒng)計(jì)的方法產(chǎn)生局部頻繁1項(xiàng)集，然后利用傳統(tǒng)Apriori算法的方法產(chǎn)生頻繁k－項(xiàng)集;利用Reduce函數(shù)合并所有的局部頻繁k－項(xiàng)集，具體合并方法為計(jì)算所有數(shù)據(jù)塊相同候選集的數(shù)目，得到全局候選頻繁k－項(xiàng)集;對(duì)數(shù)據(jù)庫(kù)進(jìn)行第二次掃描，計(jì)算全局候選頻繁項(xiàng)集的支持度并與最小支持度閾值進(jìn)行比較，找出最后的全局頻繁項(xiàng)集;不斷迭代，直至算法結(jié)束，［9］如圖4所示。改進(jìn)后的算法進(jìn)行的是并行運(yùn)算，其優(yōu)點(diǎn)是各節(jié)點(diǎn)之間的工作過(guò)程相互獨(dú)立互不影響，而且對(duì)于數(shù)據(jù)庫(kù)的掃描只需要2次，減少了算法執(zhí)行的時(shí)間開銷。

圖4 改進(jìn)的Apriori關(guān)聯(lián)算法優(yōu)化流程圖

3．3 改進(jìn)算法性能評(píng)估

分別從加速比與可擴(kuò)展性兩方面評(píng)估算法性能，實(shí)驗(yàn)數(shù)據(jù)來(lái)自電梯安全遠(yuǎn)程監(jiān)管系統(tǒng)數(shù)據(jù)庫(kù)中的故障數(shù)據(jù)。

(1)改進(jìn)的K－Means算法加速比分析:體現(xiàn)并行算法性能的主要標(biāo)準(zhǔn)之一就是加速比，它所描述的算法性能是通過(guò)減少運(yùn)行算法的時(shí)間而得到的［10］。若用S表示加速比，TS為單個(gè)節(jié)點(diǎn)聚類所用的時(shí)間，TP表示P個(gè)節(jié)點(diǎn)同時(shí)工作所用的時(shí)間，則S=TS/TP。分別在Hadoop測(cè)試環(huán)境3個(gè)節(jié)點(diǎn)上進(jìn)行對(duì)比實(shí)驗(yàn)，結(jié)果如圖5(a)所示［9］。由圖5(a)可以直觀地看出，改進(jìn)后的K－Means算法加速比較大。同時(shí)，隨著節(jié)點(diǎn)數(shù)的增加折線圖有變緩的趨勢(shì)，這是因?yàn)镠adoop平臺(tái)各節(jié)點(diǎn)之間相互通信時(shí)的時(shí)間開銷隨著節(jié)點(diǎn)數(shù)的增加而增加，導(dǎo)致加速比的增長(zhǎng)率減小。［11］

(2)改進(jìn)的K－Means算法可擴(kuò)展性分析:節(jié)點(diǎn)數(shù)的增加限制了加速比的增長(zhǎng)，導(dǎo)致加速比無(wú)法很好地體現(xiàn)集群利用率，若用E代表擴(kuò)展性，則E=S/P，其中S為上文提到的加速比，P為節(jié)點(diǎn)數(shù)目［12］。同樣分別在Hadoop測(cè)試環(huán)境的3個(gè)節(jié)點(diǎn)上進(jìn)行實(shí)驗(yàn)，結(jié)果如圖5(b)所示。分析圖5(b)可知，K－Means算法改進(jìn)后的折線圖整體呈下降趨勢(shì)，但是改進(jìn)后的算法效率要明顯高于改進(jìn)前的算法效率［13］。

(3)改進(jìn)的Apriori算法加速比分析:以1G、2G、4G的數(shù)據(jù)規(guī)模，使其分別運(yùn)行在Hadoop測(cè)試環(huán)境的3個(gè)節(jié)點(diǎn)上，觀察它們的運(yùn)行時(shí)間［14］，如圖5(c)所示。圖5(c)所示的結(jié)果是Hadoop平臺(tái)分別對(duì)3個(gè)數(shù)據(jù)規(guī)模在1、2、3共3個(gè)節(jié)點(diǎn)上所做的9次實(shí)驗(yàn)的結(jié)果，［9］可以看出，節(jié)點(diǎn)數(shù)越多，Hadoop處理數(shù)據(jù)所用的時(shí)間就越少。由此可以說(shuō)明改進(jìn)后的Apriori算法在Hadoop平臺(tái)上的加速比較好。［15］

(4)改進(jìn)的Apriori算法可擴(kuò)展性分析:若將1G數(shù)據(jù)用1個(gè)節(jié)點(diǎn)處理，2G數(shù)據(jù)用2個(gè)節(jié)點(diǎn)處理，3G數(shù)據(jù)用3個(gè)節(jié)點(diǎn)處理，結(jié)果如圖5(d)所示。分析圖5(d)中的運(yùn)行時(shí)間發(fā)現(xiàn)，當(dāng)數(shù)據(jù)量與節(jié)點(diǎn)數(shù)目按相同比例同時(shí)增加時(shí)，Hadoop運(yùn)行所需要的時(shí)間相差無(wú)異，這說(shuō)明改進(jìn)后的Apriori算法在Hadoop平臺(tái)上的擴(kuò)展性很好［16］。

圖5 改進(jìn)算法性能比較圖

綜上所述，改進(jìn)后的K－Means聚類算法和Apriori關(guān)聯(lián)算法在大數(shù)據(jù)集的處理上具有更好的性能。

4 基于Hadoop的電梯安全大數(shù)據(jù)挖掘算法結(jié)果分析

用以下幾個(gè)例子簡(jiǎn)要說(shuō)明改進(jìn)算法在電梯安全大數(shù)據(jù)平臺(tái)中的應(yīng)用。

(1)以小區(qū)為單位，各小區(qū)電梯故障情況分析:以每部電梯故障次數(shù)為觀測(cè)值，其聚類結(jié)果如表1所示。由于數(shù)據(jù)量大，小區(qū)數(shù)量眾多，本文只選取電梯數(shù)量較大的5個(gè)小區(qū)進(jìn)行分析，其電梯數(shù)量分別為60、56、52、48、42。通過(guò)表1可以看出:對(duì)于每個(gè)小區(qū)來(lái)說(shuō)，第1聚類中的電梯故障次數(shù)明顯少于第2聚類和第3聚類，對(duì)于不同聚類中的電梯，維保人員可以有不同的維保策略，對(duì)于第3聚類中的電梯，維保人員應(yīng)加強(qiáng)其檢修頻率，從而降低小區(qū)的電梯故障率。［9］

(2)各品牌電梯的電梯故障次數(shù)聚類結(jié)果分析:本文所使用的數(shù)據(jù)中，三菱、芬蘭通力、巨人通力和日立電梯占所有品牌電梯的70%以上，故著重對(duì)這4個(gè)品牌電梯進(jìn)行分析［17］。以品牌電梯為單位，以每部電梯故障次數(shù)為觀測(cè)值，觀測(cè)結(jié)果見表2。［9］通過(guò)表2可以看出，對(duì)于各品牌電梯來(lái)說(shuō)，每個(gè)聚類中的電梯故障率均不相同，第3聚類中的電梯故障率明顯高于前兩個(gè)聚類，各品牌電梯應(yīng)著重排查故障率較高的電梯，發(fā)現(xiàn)電梯自身潛在的危險(xiǎn)性。

表1 各小區(qū)每部電梯故障次數(shù)聚類結(jié)果

表2 各品牌電梯每部電梯故障次數(shù)最終聚類結(jié)果

表3 各故障類型與小區(qū)之間的關(guān)聯(lián)規(guī)則表

(3)各故障類型與小區(qū)之間的關(guān)聯(lián)規(guī)則結(jié)果分析:將最小置信度設(shè)置為30%，最小支持度設(shè)置為10%，得出的故障類型與小區(qū)之間的關(guān)聯(lián)規(guī)則見表3。通過(guò)表3的關(guān)聯(lián)規(guī)則能夠發(fā)現(xiàn)某特定小區(qū)的頻發(fā)故障，如小區(qū)3最可能發(fā)生的故障為沖頂或蹲底，概率超過(guò)了54%。結(jié)合聚類分析的結(jié)果，小區(qū)3的第3聚類中的電梯故障率最高，維保人員應(yīng)該重點(diǎn)檢修故障率較高的電梯的沖頂或蹲底故障，排除故障原因，確保電梯安全運(yùn)行［18］。

(4)各品牌電梯與故障類型之間的關(guān)聯(lián)規(guī)則結(jié)果分析:將最小置信度設(shè)置為10%，最小支持度同樣設(shè)置為10%，得出的故障類型與品牌電梯之間的關(guān)聯(lián)規(guī)則見表4。從表4關(guān)聯(lián)規(guī)則的結(jié)果能夠發(fā)現(xiàn)某品牌電梯的常見故障，如三菱電梯有20%的可能性發(fā)生短接門鎖運(yùn)行故障，同樣結(jié)合聚類分析的結(jié)果，三菱電梯的第3聚類電梯故障高發(fā)，應(yīng)著重對(duì)這些電梯進(jìn)行短接門鎖運(yùn)行故障原因分析。

表4 各故障類型與電梯品牌之間的關(guān)聯(lián)規(guī)則表

5 結(jié)語(yǔ)

本文以電梯安全遠(yuǎn)程監(jiān)管系統(tǒng)數(shù)據(jù)庫(kù)中的數(shù)據(jù)作為數(shù)據(jù)源構(gòu)建電梯安全大數(shù)據(jù)平臺(tái)，著重研究了改進(jìn)后的K－Means聚類算法和Apriori關(guān)聯(lián)算法，同時(shí)根據(jù)電梯故障數(shù)據(jù)對(duì)改進(jìn)前后的算法進(jìn)行了實(shí)驗(yàn)驗(yàn)證，結(jié)果表明兩種改進(jìn)算法的加速比與可擴(kuò)展性更好。利用改進(jìn)的聚類算法分析了各小區(qū)、各電梯品牌的電梯故障情況以及各維保公司的故障修復(fù)率，利用關(guān)聯(lián)算法分析了小區(qū)及品牌電梯的特定頻發(fā)故障，對(duì)電梯安全管理及事故預(yù)警預(yù)報(bào)有指導(dǎo)意義。

參考文獻(xiàn):

［1］張貞貞，檀吳．基于大數(shù)據(jù)的電梯監(jiān)管新模式［J］．電子技術(shù)與軟件工程，2017(22):164－165．

［2］全國(guó)人民代表大會(huì)常務(wù)委員會(huì)公報(bào)．中華人民共和國(guó)特種設(shè)備安全法［M］．北京:法律出版社，2014．

［3］李文峰，李志華，韓非．基于GSM網(wǎng)絡(luò)的電梯五方通話技術(shù)研究［J］．電子器件，2013，36(1):76－79．

［4］劉榮燦．電梯安全遠(yuǎn)程監(jiān)管系統(tǒng)終端的研制［D］．西安:西安科技大學(xué)碩士學(xué)位論文，2014．

［5］Dean J，Ghemawat S．MapReduce:Simplified data processingon large Clusters［J］．Communication of the Acm，2008，51(1):107－113．

［6］徐斌，李琳，鐘珞．面向大數(shù)據(jù)的智慧電梯分析預(yù)警平臺(tái)［J］．武漢理工大學(xué)學(xué)報(bào)(交通科學(xué)與工程版)，2017，41(2):359－362．

［7］周仁，任海鵬．復(fù)雜網(wǎng)絡(luò)系統(tǒng)的拓?fù)浣Y(jié)構(gòu)辨識(shí)方法［J］．西安理工大學(xué)學(xué)報(bào)，2017，33(1):80－85．

［8］丁梓恒．電梯安全管理淺見［J］．管理觀察，2016(33):62－63．

［9］馮永明．基于Hadoop的電梯安全大數(shù)據(jù)挖掘研究［D］．西安:西安科技大學(xué)碩士學(xué)位論文，2017．

［10］陳吉榮，樂嘉錦．基于Hadoop生態(tài)系統(tǒng)的大數(shù)據(jù)解決方案綜述［J］．計(jì)算機(jī)工程與科學(xué)，2013，35(10):25－35．

［11］張偉．電梯安全評(píng)價(jià)探析［J］．現(xiàn)代商貿(mào)工業(yè)，2014，26(9):175．

［12］蘇蓉．基于Hadoop平臺(tái)的安全日志聚類挖掘算法研究與應(yīng)用［D］．西安:西北大學(xué)碩士學(xué)位論文，2015．

［13］Jiang Q S，Ye J P，Zhang J F．Research on Car－Rail Coupling Dynamics of Ascending Hatchway of Elevator Safety Device Test Tower［J］．Advanced Materials Research，2014，978:135－138．

［14］Zarikas V，Loupls M，Papanikolaou N，et al．Statistical survey of elevator accidents in Greece［J］．Safety Science，2013，59:98－102．

［15］Mcconnell N C，Boyce K E，Shields J，et al．The UK 9/11 evacuation study:Analysis of survivors’recognition and response phase in WTC1［J］．Fire Safety Journal，2010，45(1):21－34．

［16］陳兆芳，張岐山．基于熵權(quán)和灰色關(guān)聯(lián)方法的電梯安全評(píng)價(jià)及其應(yīng)用［J］．安全與環(huán)境工程，2016，23(4):109－112．

［17］Hieu D V，Meesad P．Fast K－Means Clustering for Very Large Datasets Based on MapReduce Combined with a New Cutting Method［J］．Knowledge and Systems Engineering，2015，326:287－298．

［18］趙莉，候興哲，胡君，等．基于改進(jìn) K－means算法的海量智能用電數(shù)據(jù)分析［J］．電網(wǎng)技術(shù)，2014，38(10):2715－2720．