摘要：為促進故障預測技術(shù)在電梯維保領(lǐng)域的研究，綜述了垂直電梯故障預測技術(shù)的最新進展和研究成果。根據(jù)垂直電梯故障預測實現(xiàn)方式的不同，將其分為基于經(jīng)驗模型的故障預測方法和基于數(shù)據(jù)驅(qū)動的故障預測方法，并對這兩類故障預測方法的特點進行分析和總結(jié)。針對垂直電梯故障預測技術(shù)發(fā)展面臨的挑戰(zhàn)，未來應加強垂直電梯故障機理研究，優(yōu)化數(shù)據(jù)處理和特征提取算法，進一步開發(fā)具有優(yōu)良泛化能力和高準確度的故障預測模型。同時，做好全生命周期的高價值數(shù)據(jù)積累工作，為故障預測模型的持續(xù)優(yōu)化提供堅實基礎(chǔ)。

關(guān)鍵詞：故障預測；電梯維保；垂直電梯

中圖分類號：TP206.3 文獻標志碼：A 文章編號：1674-2605（2024）05-0001-10

DOI：10.3969/j.issn.1674-2605.2024.05.001 開放獲取

Overview of Fault Prediction Technology for Vertical Elevators

YAN Mingming1，2 LI Ning2 TANG Zimin1，2 LIU Zhixue2

（1.School of Automation Science and Engineering， South China University of Technology， Guangzhou 510641， China 2.Guangzhou Guangri Elevator Industry Co.， Ltd.， Guangzhou 511447， China）

Abstract： To promote the research of fault prediction technology in the field of elevator maintenance， the latest progress and research achievements of vertical elevator fault prediction technology are summarized. According to the different implementation methods of vertical elevator fault prediction， it is divided into empirical model-based fault prediction methods and data-driven fault prediction methods， and the characteristics of these two fault prediction methods are analyzed and summarized. In response to the challenges faced by the development of vertical elevator fault prediction technology， future research on vertical elevator fault mechanisms should be strengthened， data processing and feature extraction algorithms should be optimized， and fault prediction models with excellent generalization ability and high accuracy should be further developed. At the same time， do a good job in accumulating high-value data throughout the entire life cycle， providing a solid foundation for the continuous optimization of fault prediction models.

Keywords： fault prediction; elevator maintenance; elevator

0 引言

垂直電梯作為現(xiàn)代建筑不可或缺的交通工具，為人們出行提供了極大的便利。根據(jù)《2016―2022年中國電梯行業(yè)發(fā)展態(tài)勢與十三五競爭戰(zhàn)略研究報告》顯示，我國已成為全球最大的電梯生產(chǎn)國、消費國和出口國。隨著垂直電梯的廣泛使用，電梯困人、溜車和非正常運行等現(xiàn)象偶有發(fā)生，其安全性和可靠性

成為人們高度關(guān)注的問題。為了預防潛在電梯故障，降低運維成本，垂直電梯故障預測技術(shù)的發(fā)展備受關(guān)注。

電梯故障預測技術(shù)屬于設備故障預測與健康管理的范疇，其根據(jù)電梯關(guān)鍵零部件或系統(tǒng)當前和歷史的性能退化狀態(tài)信息，如溫度、聲學信號、振動信號和電壓電流等，在故障發(fā)生前，預測性地診斷關(guān)鍵零

部件或系統(tǒng)完成其規(guī)定功能的能力，主要包括關(guān)鍵零部件或系統(tǒng)的健康狀態(tài)評估、潛在故障類型和影響程度評估、剩余使用壽命預測等[1-3]。目前，針對電梯故障預測的研究主要集中在電梯的故障診斷方面[4-6]，更關(guān)注電梯當前的運行狀態(tài)，即電梯是否發(fā)生故障、故障的類型和位置等，而對電梯未來的運行狀態(tài)預測研究相對較少。當前，國內(nèi)外各大電梯公司均致力于電梯遠程監(jiān)控系統(tǒng)的研制和開發(fā)，但系統(tǒng)功能側(cè)重于電梯的運行狀態(tài)監(jiān)測和遠程故障診斷。

根據(jù)垂直電梯故障預測實現(xiàn)方式的不同，本文將其分為基于經(jīng)驗模型的方法和基于數(shù)據(jù)驅(qū)動的方法，并分別對這兩類方法進行總結(jié)和評價，并展望垂直電梯故障預測技術(shù)的未來發(fā)展方向。

1 基于經(jīng)驗模型的垂直電梯故障預測方法

基于經(jīng)驗模型的垂直電梯故障預測方法利用專家知識和行業(yè)經(jīng)驗建立預測模型，如故障樹、專家系統(tǒng)或經(jīng)驗公式等，通過分析監(jiān)測數(shù)據(jù)，預測電梯故障的位置、類型、程度和剩余使用壽命等。張從力等[7]構(gòu)建了一種基于模糊推理的電梯故障預測專家系統(tǒng)，但在實踐中專家系統(tǒng)的知識規(guī)則較難獲取，且預測結(jié)果對模糊推理能力有較強的依賴性，導致該系統(tǒng)在工程應用中有較大的局限性。宗群等[8]提出了一種基于故障樹的電梯故障診斷專家系統(tǒng)，將電梯系統(tǒng)故障樹的最小割集和最小割集重要度作為診斷規(guī)則，并基于最小割集重要度進行推理和判斷；試驗結(jié)果表明，該系統(tǒng)能夠有效地解決專家系統(tǒng)知識完整性差的問題，有利于快速診斷故障。在進一步的研究中，宗群等[9]通過分析電梯監(jiān)測數(shù)據(jù)關(guān)鍵特征量的演變特征，基于故障樹模型和專家規(guī)則，對故障類型或故障趨勢進行相似度匹配判定，實現(xiàn)了電梯潛在故障類型、位置和剩余使用壽命的預測。NIU等[10]提出了一種基于專家知識和多源數(shù)據(jù)構(gòu)建電梯故障樹的方法，利用逼近理想解排序法來預測電梯的振動故障，并對故障原因的可能性進行排序；試驗表明，該方法具有較高的診斷效率。在隨后的研究中，NIU等[11]又提出了一種基于客觀數(shù)據(jù)與專家主觀經(jīng)驗相結(jié)合的電梯運行性能評估方法，并通過不同性能等級的電梯運行狀態(tài)數(shù)據(jù)驗證了該方法的有效性；該方法適用于整梯運行性能的評估，對指導整梯健康狀態(tài)評估具有一定的參考意義。不同于電梯故障預測專家系統(tǒng)，王林林[12]提出了一種改進的Holt- Winters時間序列故障預測模型，通過分析電梯故障數(shù)據(jù)的變化趨勢來預測電梯故障；但該模型未考慮定期維保對電梯故障數(shù)據(jù)變化趨勢的影響。

基于經(jīng)驗模型的垂直電梯故障預測方法主要是根據(jù)專家分析問題的思路和經(jīng)驗建立知識庫、規(guī)則庫和推理機來解決問題。該類故障預測方法相對簡單，易于工程實現(xiàn)，但對經(jīng)驗和系統(tǒng)規(guī)則的要求較高，對特征模糊集的表達能力依賴性較強。

2 基于數(shù)據(jù)驅(qū)動的垂直電梯故障預測方法

基于數(shù)據(jù)驅(qū)動的垂直電梯故障預測方法是一種利用統(tǒng)計模型或機器學習，通過分析電梯的歷史故障數(shù)據(jù)、運行統(tǒng)計數(shù)據(jù)或傳感器數(shù)據(jù)進行故障預測的方法。因該類方法不需要故障預測的先驗知識，故在垂直電梯的故障預測領(lǐng)域得到廣泛關(guān)注[13-14]。目前，常用的基于數(shù)據(jù)驅(qū)動的垂直電梯故障預測方法分為基于統(tǒng)計模型、基于人工智能和基于混合模型的3類預測方法。垂直電梯的故障預測方法如圖1所示。

圖1 垂直電梯的故障預測方法

2.1 基于統(tǒng)計模型的垂直電梯故障預測方法

基于統(tǒng)計模型的垂直電梯故障預測方法采用基于經(jīng)驗知識的統(tǒng)計模型來描述電梯零部件或系統(tǒng)的性能退化過程，構(gòu)建故障預測模型。故障預測模型的參數(shù)通常為隨機變量，由樣本序列的概率分布決定，用于描述電梯零部件或系統(tǒng)性能退化過程的不確定性。

YAN等[15]利用Logistic回歸分析和最大似然技術(shù)建立了性能評估模型，并基于自回歸移動平均模型來評估關(guān)鍵零部件的剩余使用壽命，在電梯開關(guān)門系統(tǒng)的剩余使用壽命預測上有較好的應用效果；但在實際應用中，電梯開關(guān)門系統(tǒng)的控制方式對預測結(jié)果的準確性有較大影響。李琪[16]提出了一種基于威布爾分布的電梯安全剩余使用壽命預測模型，利用電梯的維保管理數(shù)據(jù)分別預測無維保和有維保的電梯安全剩余使用壽命；試驗結(jié)果表明，該模型具有較強的實用性，但模型參數(shù)值的確定有較強主觀性，需要對大量的電梯維保數(shù)據(jù)進行分析才能給出合理閾值，以提高模型的穩(wěn)定性。陳嚴嘉[17]分析了電梯塊式制動器的性能退化機理，并建立了由兩個伽馬過程組成的制動器性能退化模型來預測電梯的剩余使用壽命；試驗驗證了該模型的有效性，但考慮到不同型號的電梯制動器結(jié)構(gòu)和性能的差異，該模型的準確性仍需大量的工業(yè)數(shù)據(jù)來驗證。王美德[18]建立了基于維納過程的電梯曳引機性能退化模型來預測電梯的剩余使用壽命；但電梯運行工況的差異性對該模型預測精度的影響仍需進一步驗證。

基于統(tǒng)計模型的垂直電梯故障預測方法可以描述電梯零部件或系統(tǒng)性能退化過程的不確定性，及其對故障預測結(jié)果的影響，不依賴于描述垂直電梯性能退化過程的物理模型。但該類方法受限于統(tǒng)計模型的前提假設。

2.2 基于人工智能的垂直電梯故障預測方法

基于人工智能的垂直電梯故障預測方法，采用人工智能技術(shù)從電梯全生命周期的運行狀態(tài)監(jiān)測數(shù)據(jù)中，學習關(guān)鍵零部件或系統(tǒng)的性能退化行為，構(gòu)建垂直電梯關(guān)鍵零部件或系統(tǒng)的故障預測模型。

人工神經(jīng)網(wǎng)絡是故障預測領(lǐng)域應用較為廣泛的人工智能技術(shù)[19]。李俊芳等[20]提出了一種基于神經(jīng)網(wǎng)絡的電梯門系統(tǒng)故障預測方法，利用反向傳播（back propagation， BP）神經(jīng)網(wǎng)絡模型，建立電梯控制系統(tǒng)元器件電信號與門系統(tǒng)故障的映射來預測故障類型；通過試驗驗證了該方法的有效性，但該方法僅適用于電梯門系統(tǒng)當前故障狀態(tài)的識別。為降低神經(jīng)網(wǎng)絡初始參數(shù)值的隨機性對預測結(jié)果的影響，WEN等[21]提出了一種結(jié)合粒子群算法和BP神經(jīng)網(wǎng)絡的電梯故障預測模型，利用粒子群算法確定初始權(quán)重和閾值，以提高故障預測精度，可預測電梯開關(guān)門系統(tǒng)的典型故障類型；試驗結(jié)果表明，該模型具有較高的識別準確率，但并未對電梯具體的故障類型、位置及影響程度進行預測和評估。為了提升粒子群算法的收斂速度，BAI等[22]提出了一種改進的粒子群BP神經(jīng)網(wǎng)絡電梯故障預測模型；試驗結(jié)果表明，該模型可準確預測電梯的沖頂和蹲底兩類故障，但其應用范圍有較大的局限性，且預測效果受限于訓練樣本的質(zhì)量。馮鑫等[23]提出了一種基于遺傳神經(jīng)網(wǎng)絡的電梯故障預測方法，采用遺傳算法來確定神經(jīng)網(wǎng)絡的初始權(quán)重和閾值，以提升神經(jīng)網(wǎng)絡的收斂速度；試驗結(jié)果表明，該方法可根據(jù)電梯運行狀態(tài)的監(jiān)測數(shù)據(jù)有效地預估電梯的健康狀態(tài)，但該方法只針對一臺電梯進行研究，應用范圍具有一定的局限性。為了解決BP神經(jīng)網(wǎng)絡在電梯門鎖故障診斷中泛化能力弱和預測精度低等問題，QIU等[24]提出了一種基于多種群遺傳BP神經(jīng)網(wǎng)絡的電梯門鎖故障預測模型；試驗結(jié)果表明，相比于傳統(tǒng)的遺傳BP神經(jīng)網(wǎng)絡，該模型的故障預測性能有明顯提升。段登等[25]利用徑向基函數(shù)（radial basis function， RBF）神經(jīng)網(wǎng)絡構(gòu)建電梯故障預測模型，根據(jù)電梯運行過程中的狀態(tài)數(shù)據(jù)預測電梯的故障類型；仿真結(jié)果表明，該模型能夠較準確地預測電梯系統(tǒng)的故障類型，但在實際應用中的有效性有待進一步驗證。車明浪等[26]提出了一種容積卡爾曼濾波輔助優(yōu)化RBF神經(jīng)網(wǎng)絡的電梯故障預警方法，先利用容積卡爾曼濾波方法來優(yōu)化網(wǎng)絡的結(jié)構(gòu)和參數(shù)，再利用RBF神經(jīng)網(wǎng)絡來預測電梯故障；試驗結(jié)果表明，該方法在預測精度和收斂速度上優(yōu)于基于單一RBF神經(jīng)網(wǎng)絡的故障預測方法。BP神經(jīng)網(wǎng)絡具有良好的非線性特征擬合性能，但存在收斂速度慢和易得到局部極小值的問題。利用智能優(yōu)化算法調(diào)參可有效地解決上述問題，提高模型的故障預測性能。

近年來，隨著深度學習技術(shù)的迅猛發(fā)展，其在垂直電梯故障預測領(lǐng)域的應用也越來越廣泛。其中，循環(huán)神經(jīng)網(wǎng)絡具有記憶功能，能夠?qū)W習數(shù)據(jù)在時間前后的關(guān)聯(lián)性，常用于垂直電梯故障預測領(lǐng)域。LIU等[27]提出了一種基于長短時記憶（long short-term memory， LSTM）神經(jīng)網(wǎng)絡的電梯故障預測方法，利用電梯預警系統(tǒng)中的故障時間序列數(shù)據(jù)來訓練神經(jīng)網(wǎng)絡和構(gòu)建預測模型；試驗結(jié)果表明，該方法具有較高的預測精度，但未考慮長期預測時故障發(fā)生的隨機性問題。為解決傳統(tǒng)的電梯故障預測方法存在數(shù)據(jù)特征提取復雜和需要大量診斷經(jīng)驗的問題，JIA等[28]提出了一種基于卷積神經(jīng)網(wǎng)絡（convolutional neural networks， CNN）的電梯故障預測方法，首先，利用奇異值分解和小波包分解的方法提取電梯振動信號的特征；然后，采用主成因分析方法進行數(shù)據(jù)降維；最后，利用保留的特征訓練CNN和構(gòu)建電梯故障預測模型；試驗結(jié)果表明，該方法具有較高的故障識別準確率，但應用效果依賴于采集的振動信號質(zhì)量。姜宇迪等[29]提出了一種基于自編碼器長短時記憶（long short-term memory encoder-decoder， LSTM-ED）神經(jīng)網(wǎng)絡的電梯制動器故障預測方法，首先，采集電梯制動器從運行至失效的全生命周期數(shù)據(jù)作為訓練算法的源領(lǐng)域數(shù)據(jù)，并利用LSTM-ED神經(jīng)網(wǎng)絡將源領(lǐng)域數(shù)據(jù)映射到特征空間；然后，通過計算最大平均差異值的方法將真實數(shù)據(jù)與全生命周期數(shù)據(jù)對應；最后，利用全連接網(wǎng)絡回歸特征空間的目標領(lǐng)域數(shù)據(jù)，預測電梯制動器的剩余使用壽命；試驗結(jié)果表明，該方法可有效提高電梯制動器的剩余使用壽命預測的準確度，但在實際應用中受限于數(shù)據(jù)采集成本和時間因素。雙向長短時記憶（bidirectional long short-term memory， BiLSTM）神經(jīng)網(wǎng)絡可以學習數(shù)據(jù)在時間前后的關(guān)聯(lián)性，在處理長時間序列數(shù)據(jù)方面具有優(yōu)勢。胡昱[30]提出了一種基于雙向注意力長短時記憶（attention bidirectional long short-term memory， ABiLSTM）神經(jīng)網(wǎng)絡的電梯關(guān)鍵部件故障預測方法，利用BiLSTM神經(jīng)網(wǎng)絡處理和學習電梯的運行狀態(tài)數(shù)據(jù)，采用注意力機制（attention mechanism， AM）優(yōu)化特征權(quán)重，幫助BiLSTM神經(jīng)網(wǎng)絡選擇關(guān)鍵特征進行學習，可有效提高電梯關(guān)鍵部件故障預測模型的泛化能力和準確率；試驗驗證了該方法的有效性和適用性，但在實際應用中對算力的要求較高。自編碼器具有獨特的編碼和解碼結(jié)構(gòu)，可有效地提取非線性數(shù)據(jù)的特征，常用于電梯故障預測領(lǐng)域的特征提取。黃健鵬[31]提出了一種基于深度自編碼器（deep auto encoder， DAE）和t-分布隨機鄰域嵌入可視化算法的電梯轎廂系統(tǒng)故障預警模型，通過該模型對采集的轎廂振動信號進行分類，評估電梯轎廂系統(tǒng)的健康狀況，并將結(jié)果進行可視化展示；試驗結(jié)果表明，該模型可有效預測電梯的故障狀態(tài)，考慮到電梯類型和工況的多樣性，其應用范圍有待進一步驗證。孫慶港等[32]提出了一種基于多注意力長短時記憶自編碼器（multi-attention long short-term memory auto encoder， MALSTM-AE）的電梯電氣故障預測方法，首先，采用基于屬性相關(guān)性密度排序的屬性子集選擇方法，剔除原始電梯運行參數(shù)集合的冗余特征參數(shù)，篩選關(guān)鍵特征向量；然后，將融合BiLSTM神經(jīng)網(wǎng)絡的滑動窗口AM引入到LSTM-AE算法中，以提高模型的時序特征提取能力；最后，構(gòu)建基于MALSTM-AE的電梯電氣故障預測模型；試驗結(jié)果表明，該模型能夠準確預測電梯的電氣故障，且具有更快的訓練速度和更強的泛化能力。孫慶港[33]提出了一種基于輕量化CNN的曳引機軸承故障預測方法，首先，利用分類聚合近似和格拉姆角場方法對軸承一維振動信號進行預處理，轉(zhuǎn)換成包含時間維度信息的二維圖像數(shù)據(jù)；然后，利用多尺度壓縮提取Xception算法實現(xiàn)二維圖像分類，預測曳引機軸承故障的類型；試驗結(jié)果表明，該方法具有較高的曳引機軸承故障預測準確率。

基于人工神經(jīng)網(wǎng)絡的垂直電梯故障預測方法需要大量高質(zhì)量的訓練樣本數(shù)據(jù)來訓練模型，這在實際應用中具有一定的困難。此外，基于人工神經(jīng)網(wǎng)絡構(gòu)建的垂直電梯故障預測模型可解釋性差，受限于網(wǎng)絡結(jié)構(gòu)和初始參數(shù)等因素。

支持向量機（support vector machine， SVM）是基于統(tǒng)計學習理論的人工智能技術(shù)，在處理機器學習小樣本、非線性和高維數(shù)的問題上具有優(yōu)勢[34]。王健[35]構(gòu)建了一種基于SVM的電梯故障預測模型，可通過電梯的運行狀態(tài)數(shù)據(jù)預測卡梯、沖頂、蹲底、超速和開門走梯等5類故障，并采用序列最小優(yōu)化算法訓練SVM模型；試驗結(jié)果表明，該方法具有較強的泛化能力，但需要高質(zhì)量的電梯故障數(shù)據(jù)集來訓練模型。徐姍[36]提出了基于時間序列高階累積量系數(shù)的SVM電梯故障預測方法，分別以電梯振動加速度高階累積量提取的特征值和電梯健康狀態(tài)作為SVM的輸入和輸出，利用SVM的自學習能力構(gòu)建預測模型；但該方法只能預測電梯的正常和故障狀態(tài)，在實際應用中有較大的局限性。易士琳[37-38]提出了基于小波包分解和最小二乘支持向量機（least squares support vector machines， LS-SVM）的電梯故障預測方法，利用小波包分解電梯振動加速度信號提取特征值，運用LS-SVM建立信號特征值與電梯導靴故障的預測模型；試驗結(jié)果表明，該方法可有效預測電梯導靴故障，但研究對象的樣本數(shù)量較少，模型預測準確度有待進一步驗證。朱曉玲等[39]在SVM的基礎(chǔ)上進行了改進，提出了一種基于Gabor小波變換和多核SVM的電梯導靴故障診斷方法，采用Gabor濾波器處理增強信號的頻率特征，利用多核SVM構(gòu)建特征參數(shù)與電梯導靴故障的預測模型；試驗結(jié)果表明，該方法具有較高的故障預測準確率，但樣本訓練時間較長。吉訓生等[40]根據(jù)電梯曳引機運行狀態(tài)數(shù)據(jù)在高維空間的分布特性，提出一種基于正負類雙超球體SVM的電梯故障預測模型，克服了傳統(tǒng)SVM數(shù)據(jù)描述魯棒性差、識別準確度低等問題；試驗結(jié)果表明，該模型可有效識別電梯的接觸器故障、限位開關(guān)故障、變頻器故障和電動機故障。

基于SVM的垂直電梯故障預測方法受限于訓練樣本數(shù)據(jù)的質(zhì)量和核函數(shù)的選擇等因素，處理大樣本數(shù)據(jù)的能力不足。

提升決策樹是人工智能領(lǐng)域一種應用廣泛的算法。其中，極致梯度提升樹（extreme gradient boosting， XGBoost）運算速度快、算法精度高，在垂直電梯故障預測領(lǐng)域有較好的應用。LIANG等[41]提出了一種基于XGBoost的電梯門系統(tǒng)故障預測方法；試驗結(jié)果表明，該方法能夠有效識別電梯開關(guān)門系統(tǒng)的故障類型。為降低電梯正常樣本與故障樣本的數(shù)量差異對故障診斷準確率的影響，QIU等[42]提出了一種基于特征遞歸削減的XGBoost電梯故障預測方法，首先，對提取的電梯振動信號特征進行遞歸削減，去除冗余特征；然后，運用SMOTR-Tomek對少數(shù)類樣本進行過采樣，提高樣本中有效特征的比例；最后，采用天鷹優(yōu)化算法對XGBoost電梯故障預測模型參數(shù)進行優(yōu)化，構(gòu)建新的基于XGBoost的電梯故障預測模型；試驗結(jié)果表明，該方法能夠準確預測電梯的故障狀態(tài)。XGBoost算法調(diào)參過程復雜，適用于處理中低維的結(jié)構(gòu)化數(shù)據(jù)，在垂直電梯故障預測領(lǐng)域具有一定的應用前景。

基于人工智能的垂直電梯故障預測方法不依賴于機械性能退化機理，可以較容易地擴展應用到電梯不同零部件或系統(tǒng)的故障預測。CHEN等[13]較為系統(tǒng)地總結(jié)了基于人工智能的電梯故障診斷方法的應用情況。該類方法具有良好的應用前景，但需要大量的歷史數(shù)據(jù)。在工程實踐中，設備全生命周期數(shù)據(jù)的采集難度較大、周期較長，限制了其應用范圍。此外，該類方法的故障預測性能受限于模型結(jié)構(gòu)參數(shù)、訓練樣本的數(shù)量和質(zhì)量等因素。

2.3 基于混合模型的垂直電梯故障預測方法

基于混合模型的垂直電梯故障預測方法通過組合或集成基于統(tǒng)計模型和基于人工智能的預測方法，整合不同預測方法的優(yōu)勢，構(gòu)建混合的垂直電梯故障預測模型，可有效提高故障預測模型的魯棒性和泛化能力。

王海波[43]和王志平[44]構(gòu)建了結(jié)合模糊系統(tǒng)和BP神經(jīng)網(wǎng)絡的電梯故障預測方法，分別對電梯控制系統(tǒng)故障和高速電梯急停故障建立預測模型，首先，通過模糊系統(tǒng)將電梯的運行狀態(tài)數(shù)據(jù)進行模糊化處理；然后，將模糊化處理后的數(shù)據(jù)輸入到BP神經(jīng)網(wǎng)絡進行故障預測；該方法有效地解決了數(shù)據(jù)量綱不統(tǒng)一、實時性差的問題，但電梯故障原因復雜，對于非典型電梯故障的預測能力有待進一步驗證。王爽等[45]基于電梯運行狀態(tài)大數(shù)據(jù)平臺，首先，利用模糊聚類算法進行電梯故障狀態(tài)分級；然后，采用BP神經(jīng)網(wǎng)絡預測電梯的安全運行時間；但該方法的故障預測準確度需要進一步驗證。XU等[46]提出了一種基于自回歸模型和SVM的電梯故障預測方法，利用加權(quán)移動平均法濾波處理后的數(shù)據(jù)建立自回歸模型，提取自回歸模型的系數(shù)作為SVM輸入，以正常和故障狀態(tài)作為SVM輸出，通過訓練SVM構(gòu)建電梯故障預測模型；試驗結(jié)果表明，該方法可有效預測電梯運行的故障狀態(tài)。

陳志平等[47]利用聚類分析與回歸分析的數(shù)據(jù)挖掘手段，首先，從電梯轎廂振動數(shù)據(jù)中提取特征參數(shù)；然后，綜合運用聚類分析與回歸分析的方法預測電梯故障；但該方法的具體實現(xiàn)方式有待進一步研究，同時需要考慮電梯載重變化和外部其他振動源對振動信號信噪比的影響。胡海博[48]提出了一種基于融合聚類算法的電梯故障預測方法，首先，利用K-means聚類算法分析電梯的歷史維保數(shù)據(jù)；然后，利用Adaboost集成學習方法學習每一類數(shù)據(jù)集；最后，預測電梯的未來狀態(tài)；該方法為電梯故障預測提供了新的思路，但還需要進一步提高電梯故障小樣本數(shù)據(jù)的利用率和故障預測時間的準確率。蔣文博等[49]提出了一種基于比例風險模型與機器學習混合的電梯故障預測方法，首先，從電梯參數(shù)信息和歷史故障信息中提取協(xié)變量；然后，利用比例風險模型分析壽命與協(xié)變量之間的關(guān)系；接著，通過累計風險函數(shù)得到壽命預估值；最后，利用機器學習算法對壽命預估值與故障間隔時間序列進行建模，預測電梯剩余使用壽命；試驗結(jié)果表明，混合模型的預測效果優(yōu)于傳統(tǒng)機器學習模型的預測效果。WANG等[50]利用分類模型和專家監(jiān)督學習的數(shù)據(jù)挖掘技術(shù)，通過對電梯設計、安裝、運行、維護和監(jiān)測等全生命周期的數(shù)據(jù)進行分析和處理，根據(jù)電梯的運行狀態(tài)信息預測電梯的典型故障類型；但該方法的具體實現(xiàn)方式有待進一步研究。

ZHANG等[51]提出了一種基于CNN和隨機森林（random forest， RF）的電梯門系統(tǒng)故障診斷方法，首先，采用CNN提取電梯門系統(tǒng)的運行過程特征；然后，利用RF進行故障分類和識別；試驗結(jié)果表明，

與傳統(tǒng)的CNN模型和RF模型相比，該方法具有更高的識別準確率。針對電梯系統(tǒng)常見的故障類型，MISHRA等[52]提出了一種基于DAE和RF的電梯故障診斷方法，首先，利用DAE模型從電梯運行過程的加速度信號和電磁信號中提取特征；然后，采用RF算法對關(guān)鍵特征進行分類和構(gòu)建電梯故障預測模型；最后，利用訓練好的模型來識別電梯故障類型；試驗結(jié)果表明，該方法對關(guān)鍵特征具有較高的分類準確率，但未能對電梯的其他故障類型進行分析和研究，應用范圍具有一定的局限性。針對高速電梯曳引機主軸的剩余使用壽命預測，郭俊等[53]提出了一種結(jié)合降噪稀疏自動編碼器（denoising sparse auto-encoder， DSAE）與RF算法的電梯曳引機主軸剩余使用壽命預測方法，首先，采用DSAE算法提取電梯曳引機主軸的運行狀態(tài)特征；然后，利用RF算法預測電梯曳引機主軸的剩余使用壽命；該方法為預測高速電梯曳引機主軸在動態(tài)扭矩作用下的剩余使用壽命提供了參考。

仲家寅[54]建立了一個基于CNN和LSTM神經(jīng)網(wǎng)絡的電梯故障預測模型，首先，采用CNN提取電梯的故障數(shù)據(jù)特征，并將該故障數(shù)據(jù)特征輸入到LSTM神經(jīng)網(wǎng)絡進行學習；然后，建立電梯運行狀態(tài)與故障狀態(tài)的映射模型；試驗結(jié)果表明，該模型可預測電梯的早期典型故障，但在預測電梯其他故障類型方面有待進一步研究。VERMA等[55]采用DAE算法從電梯的運行狀態(tài)數(shù)據(jù)中提取特征，并利用LSTM神經(jīng)網(wǎng)絡預測電梯故障；試驗結(jié)果表明，該方法具有良好的故障預測效果，但在實際應用中需要大量不同類型的電梯運行狀態(tài)數(shù)據(jù)做支撐。吉訓生等[56]提出一種結(jié)合LSTM-AE與多層感知機（multi-layer perception， MLP）的電梯故障早期預測模型，首先，采用一元線性回歸對數(shù)據(jù)進行預處理；然后，利用LSTM-AE提取時間序列特征，并通過相關(guān)特征選擇法提取主要預測特征；最后，通過MLP預測電梯故障；試驗結(jié)果表明，該模型具有較高的故障預測準確率。

垂直電梯不同故障預測方法及其特點的對比如表1所示。

1 垂直電梯不同故障預測方法及其特點對比

由于垂直電梯關(guān)鍵零部件或系統(tǒng)的故障發(fā)生具有非線性、隨機性和非一致性等特點，采用單一的建模方法難以準確地描述其從性能退化至發(fā)生故障的過程，且因自身的局限性，經(jīng)常得到不理想的預測結(jié)果。然而，基于混合模型的故障預測方法，集成了不同故障預測方法的優(yōu)勢，可有效地提升故障預測性能，未來會逐漸成為垂直電梯故障預測領(lǐng)域的主要研究方向[2]。

3 垂直電梯故障預測技術(shù)的應用發(fā)展方向

垂直電梯故障預測技術(shù)推動了電梯維保模式從被動維保向按需維保的轉(zhuǎn)變，促進了電梯維保行業(yè)的發(fā)展。目前，垂直電梯故障預測技術(shù)的應用還處于起步階段，仍需要對以下問題進行深入研究。

3.1 關(guān)鍵零部件失效模式和故障機理研究

關(guān)鍵零部件的失效模式和故障機理研究是垂直電梯故障預測技術(shù)的基礎(chǔ)，需要考慮關(guān)鍵零部件的結(jié)構(gòu)變形非線性、載荷時變性和故障耦合性等對故障演變的影響。垂直電梯不同關(guān)鍵零部件的失效模式和故障機理相差較大，因此由這些關(guān)鍵零部件構(gòu)成系統(tǒng)的

故障演變規(guī)律更加復雜。目前，垂直電梯許多關(guān)鍵零部件的失效模式和故障機理尚未探明，在此方面有待進一步研究。

3.2 多源異構(gòu)數(shù)據(jù)處理

在垂直電梯工作過程中，不同類型的傳感器被安裝在關(guān)鍵零部件或子系統(tǒng)中，這些傳感器采集的數(shù)據(jù)在不同的物理層面反映了垂直電梯在不同時間和工況下的運行狀態(tài)信息，包含了垂直電梯故障的演變規(guī)律。這些數(shù)據(jù)具有海量性、耦合性、非線性、高緯低特征性和多時空時間序列性等特點。如何有效地利用這些數(shù)據(jù)構(gòu)建垂直電梯健康狀態(tài)的評估指標是一個難題。

3.3 高準確度、強泛化能力的故障預測模型建立

目前，垂直電梯的故障預測模型大多采用深度學習算法，模型依賴于大量高質(zhì)量的樣本數(shù)據(jù)，樣本標簽制作費時費力；模型結(jié)構(gòu)復雜，參數(shù)調(diào)節(jié)困難，訓練難度大；模型自學習能力差，泛化能力弱。此外，垂直電梯的工作環(huán)境復雜，其關(guān)鍵零部件在不同工況下的性能退化過程與失效模式具有差異性，使故障發(fā)生呈現(xiàn)不確定性、并發(fā)性和耦合性等特點，現(xiàn)有的故障預測模型難以發(fā)揮有效作用。

3.4 故障預測模型驗證

垂直電梯故障預測模型的驗證需要大量的試驗數(shù)據(jù)做支撐，這些數(shù)據(jù)蘊含垂直電梯健康狀態(tài)退化的信息。目前，垂直電梯的運行狀態(tài)監(jiān)測數(shù)據(jù)價值密度低，缺乏設備關(guān)鍵零部件從正常狀態(tài)到故障狀態(tài)的全生命周期數(shù)據(jù)；對于部分關(guān)鍵零部件或系統(tǒng)，監(jiān)測數(shù)據(jù)中包含垂直電梯性能退化過程的有效信息匱乏，正常運行狀態(tài)監(jiān)測數(shù)據(jù)與故障監(jiān)測數(shù)據(jù)存在嚴重不平衡。對于垂直電梯故障預測模型的性能評估和適用性驗證，未來需要做好全生命周期的數(shù)據(jù)采集和積累工作。

4 結(jié)束語

本文總結(jié)了國內(nèi)外垂直電梯故障預測技術(shù)的相關(guān)研究成果，分析了垂直電梯故障預測技術(shù)存在的主要挑戰(zhàn)和發(fā)展趨勢。從研究的側(cè)重點來看，大多數(shù)研究側(cè)重于垂直電梯故障發(fā)生后的狀態(tài)分類，而非故障發(fā)生前的跡象識別；從研究的范圍來看，目前主要對垂直電梯的單個關(guān)鍵零部件或子系統(tǒng)進行故障預測研究，對電梯整機系統(tǒng)運行狀態(tài)的健康評估和故障預測的研究較少，方法的適用性有待進一步驗證；從研究的趨勢來看，基于人工智能的混合預測模型在垂直電梯故障預測技術(shù)領(lǐng)域的應用會逐漸增多。目前，垂直電梯故障預測技術(shù)的研究還較為薄弱，后續(xù)應加強垂直電梯故障機理研究，優(yōu)化數(shù)據(jù)處理和特征提取算法，進一步開發(fā)具有優(yōu)良泛化能力和高準確度的故障預測模型，同時做好全生命周期的高價值數(shù)據(jù)積累工作。

?The author（s） 2024. This is an open access article under the CC BY-NC-ND 4.0 License （https：//creativecommons.org/licenses/ by-nc-nd/4.0/）

參考文獻

[1] 劉美芳，尹紀庭，余建波.基于SOA的工程機械遠程智能預診維護系統(tǒng)研究[J].中國機械工程，2012，23（19）：2320-2326.

[2] 彭喜元.數(shù)據(jù)驅(qū)動的故障預測[M].哈爾濱：哈爾濱工業(yè)大學出版社，2016.

[3] LEI Y， LI N， GUO L， et al. Machinery health prognostics： A systematic review from data acquisition to RUL prediction[J]. Mechanical Systems and Signal Processing， 2018，104：799-834.

[4] 魯玉坤，趙振虎.大數(shù)據(jù)時代下的電梯故障預診斷分析研究[J].中國設備工程，2017（16）：79-80.

[5] 陶杰，蔣曦陽，黃健鵬，等.電梯智能運維技術(shù)發(fā)展與趨勢[J].科技資訊，2023，21（3）：43-46.

[6] WANG K， DAI G， GUO L. Intelligent predictive maintenance （IPdM） for elevator service-through CPS， IOT&S and data mining[C]//6th International Workshop of Advanced Manufac-turing and Automation. Atlantis Press， 2016：1-6.

[7] 張從力，張昆，段其昌.基于ControlNet的軟測量技術(shù)及其在電梯故障預測中的應用[J].儀器儀表學報，2004（S2）：245-247.

[8] 宗群，李光宇，郭萌.基于故障樹的電梯故障診斷專家系統(tǒng)設計[J].控制工程，2013，20（2）：305-308.

[9] 宗群，李敬軒，楊智宇.基于物聯(lián)網(wǎng)的電梯故障智能預測與診斷及維護方法： CN105731209A[P].2016-07-06.

[10] NIU D， QI C， LI G， et al. Rapid fault diagnosis method of elevator system based on multiattribute decision making[J]. Shock and Vibration， 2021， 2021：1-9.

[11] NIU D， GUO L， ZHAO W， et al. Operation performance evalu-ation of elevators based on condition monitoring and combina-tion weighting method[J]. Measurement， 2022，194：91-99.

[12] 王林林.電梯故障預測及遠程監(jiān)控平臺的研究與實現(xiàn)[D].沈陽：東北大學，2013.

[13] CHEN Lian， LAN Shengnan， JIANG Saihua. Elevators fault diagnosis based on artificial intelligence[J]. Journal of Physics： Conference Series， 2019，1345：1-11.

[14] AN Z， BAI D， GAN N， et al. The enlightenment on prediction and health management technology of elevator system[J]. Journal of Physics Conference Series， 2021，1939（1）：12-17.

[15] YAN Jihong， KOC Muammer， LEE Jay. A prognostic algo-rithm for machine performance assessment and its application [J]. Production Planning & Control， 2004，15（8）：796-801.

[16] 李琪.電梯安全剩余使用壽命模型及應用研究[D].哈爾濱：哈爾濱工業(yè)大學，2018.

[17] 陳嚴嘉.乘客電梯塊式制動器剩余壽命預測方法研究[D]. 杭州：浙江理工大學，2023.

[18] 王美德.電梯曳引機工作壽命預測方法研究[D].杭州：浙江理工大學，2020.

[19] 陸劍峰，徐煜昊，夏路遙，等.數(shù)字孿生支持下的設備故障預測與健康管理方法綜述[J].自動化儀表，2022，43（6）：1-7;12.

[20] 李俊芳，曲照偉，竇立謙，等.基于神經(jīng)網(wǎng)絡的電梯門系統(tǒng)故障預測方法的研究[J].天津理工大學學報，2009，25（1）：8-10.

[21] WEN P， ZHI M， ZHANG G， et al. Fault prediction of elevator door system based on PSO-BP neural network[J]. Engineering， 2016，8（11）：761-766.

[22] BAI D， AN Z， WANG N， et al. The prediction of the elevator fault based on improved PSO-BP algorithm[J]. Journal of Physics： Conference Series， 2021，1906：12-17.

[23] 馮鑫，夏洪山，馮月貴，等.基于遺傳神經(jīng)網(wǎng)絡的電梯故障診斷技術(shù)研究[J].起重運輸機械，2017，503（1）：28-32.

[24] QIU J， QIU B， YANG L. Fault prediction of elevator door lock based on MPGA-BP algorithm[J]. Journal of Physics： Confer-ence Series， 2021，2179：1-8.

[25] 段登，邱意敏，周力.基于神經(jīng)網(wǎng)絡的多電梯運行系統(tǒng)故障預測[J].計算機系統(tǒng)應用， 2011，20（9）：252-255.

[26] 車明浪，楊添璽.基于深度學習的電梯故障預警研究與應用[J].電子世界，2021（6）：110-113.

[27] LIU J， ZHANG C， LI N. Fault prediction of elevator operation system based on LSTM[C]//2021 33rd Chinese Control and Decision Conference （CCDC）， 2021：6762-6766.

[28] JIA M， GAO X， LI H， et al. Elevator running fault monitoring method based on vibration signal[J]. Shock and Vibration， 2021（8）：1-10.

[29] 姜宇迪，胡暉，殷躍紅.基于無監(jiān)督遷移學習的電梯制動器剩余壽命預測[J].上海交通大學學報，2021，55（11）：1408-1416.

[30] 胡昱.數(shù)據(jù)驅(qū)動的電梯關(guān)鍵部件健康狀態(tài)評估及故障預測方法[D].廣州：廣東工業(yè)大學，2022.

[31] 黃健鵬.基于物聯(lián)網(wǎng)的電梯典型故障監(jiān)測與預警系統(tǒng)研究[D].南京：南京理工大學，2021.

[32] 孫慶港，王呈.改進LSTM-AE算法的電梯知識庫故障征兆預測[J].計算機工程與應用，2023，59（7）：311-318.

[33] 孫慶港.融合預測性維護的智能電梯運維知識庫系統(tǒng)[D].無錫：江南大學，2022.

[34] HUANG H Z， WANG H K， LI Y F， et al. Support vector machine based estimation of remaining useful life： current research status and future trends[J]. Journal of Mechanical Science & Technology， 2015，29（1）：151-163.

[35] 王健.電梯故障預測系統(tǒng)的設計與實現(xiàn)[D].濟南：山東大學， 2018.

[36] 徐姍.基于高階譜和支持向量機的電梯故障診斷[D].廈門：華僑大學，2013.

[37] 易士琳.基于振動特征提取的電梯故障診斷方法研究[D]. 昆明：昆明理工大學，2016.

[38] WAN zhou，YI Shilin， LI kun， et al. Diagnosis of elevator faults with LS-SVM based on optimization by K-CV[J]. Journal of Electrical and Computer Engineering， 2015， 2015：67-70.

[39] 朱曉玲，李琨，張長勝，等.基于Gabor小波變換和多核支持向量機的電梯導靴故障診斷方法[J].計算機科學，2020， 47（12）：258-261.

[40] 吉訓生，王大智.正負類雙超球體模型在電梯故障診斷的應用[J].信息與控制，2020，49（3）：377-384.

[41] LIANG T， CHEN C， WANG T， et al. A machine learning-based approach for elevator door system fault diagnosis[C]// 2022 IEEE 18th International Conference on Automation Science and Engineering（CASE）. IEEE， 2022：28-33.

[42] QIU C， ZHANG L， LI M， et al. Elevator fault diagnosis method based on IAO-XGBoost under unbalanced samples[J]. Appli-ed Sciences， 2023，13（19）：10968.

[43] 王海波.基于模糊神經(jīng)網(wǎng)絡的電梯實時監(jiān)控和在線故障診斷的研究[D].沈陽：東北大學，2013

[44] 王志平.基于高速電梯運行特征大數(shù)據(jù)分析的急停故障診斷技術(shù)及應用[D].杭州：浙江大學，2016.

[45] 王爽，馮文龍.基于故障預測和安全評價技術(shù)的電梯按需維保平臺研究[J].物聯(lián)網(wǎng)技術(shù)，2019，9（11）：41-44.

[46] XU S， HUANG Y J. The fault diagnosis of elevator based on the autoregressive model and the support vector machine[J]. Applied Mechanics & Materials， 2013，271：1689-1694.

[47] 陳志平，汪贊，張國安，等.基于大數(shù)據(jù)的電梯故障診斷與預測研究[J].機電工程，2019，36（1）：90-94.

[48] 胡海博.基于小樣本數(shù)據(jù)的社區(qū)電梯故障預測[J].工業(yè)控制計算機，2020，33（12）：20-23.

[49] 蔣文博，胡瀾也，宋斐，等.基于比例風險模型與機器學習混合方法的電梯故障預測[J].工業(yè)工程與管理，2021，26（4）：19-27.

[50] WANG C， FENG S. Research on big data mining and fault prediction based on elevator life cycle[C]//2020 International Conference on Big Data & Artificial Intelligence & Software Engineering （ICBASE）. IEEE， 2020：103-107.

[51] ZHANG A， CHEN C， WANG T， et al. Fault diagnosis of elevator door machines based on deep convolutional forest [C]//2022 27th International Conference on Automation and Computing （ICAC）. IEEE， 2022：1-6.

[52] MISHRA K M， KROGERUS T R， HUHTALA K J. Fault detection of elevator system using profile extraction and deep autoencoder feature extraction for acceleration and magnetic signals[C]//2019 23rd International Conference Information Visualisation （IV）. IEEE， 2019：139-144.

[53] 郭俊，呂煥培，潘以軍，等.基于動態(tài)扭矩的高速電梯曳引機主軸狀態(tài)檢測與壽命預測方法[J].中國電梯，2023，34（7）：32-35;38.

[54] 仲家寅.基于物聯(lián)網(wǎng)的電梯故障預測維保系統(tǒng)研究[D].上海：上海海洋大學，2022.

[55] VERMA G， AWATRAMANI J， HASTEER N. Implementing deep learning model to predict the maintenance of an elevator system[C]//2021 2nd International Conference for Emerging Technology （INCET）. IEEE，2021：1-4.

[56] 吉訓生，王大智，李曉.面向不等長時間序列的電梯故障早期預測[J].小型微型計算機系統(tǒng)，2020，41（4）：763-768.

作者簡介：

閆明明，男，1991年生，博士研究生，主要研究方向：信號處理、故障預測與健康管理。E-mail： yanmingming@ guangri.com.cn

李寧，男，1988年生，博士研究生，工程師，主要研究方向：設備故障預警、輕量化設計。E-mail： lining19880701@163.com

唐梓敏（通信作者），男，1994年生，博士研究生，主要研究方向：控制系統(tǒng)與智能化電梯研發(fā)、精密制造。E-mail： 813742840@qq.com

劉智學，男，1989年生，博士研究生，主要研究方向：高分子復合材料加工與應用、材料耐用性預測分析。E-mail： zhixue.liu@uq.net.au