Lösungen für maschinelles Lernen zur Überwachung von Türvandalismus

von Gabriela Roivainen, Matti Lin, Joel Cardenas, Kari Karen und Konsta Simonen

Abstract

Missbrauch oder Vandalismus an Türen gelten als Hauptursache für Aufzugsausfälle, insbesondere in U-Bahn-Stationen, Flughäfen oder anderen Marktsegmenten mit hohem Verkehrsaufkommen.

Der Schwerpunkt dieses Dokuments liegt auf der Durchsicht der Erkenntnisse zur Entwicklung einer wirtschaftlichen und genauen Lösung zur Überwachung des Zustands der Türen, zur Identifizierung der Vandalismus-Fehlerart und zur Benachrichtigung des Wartungsteams über die Einzelheiten auftretender Fehler.

Die Methodik besteht darin, die für den Betrieb der Türen während ihrer Öffnungs- und Schließzyklen erforderlichen Signale zu erfassen. Für die Datenerfassung sind keine zusätzlichen Sensoren erforderlich, was die Lösung wirtschaftlich attraktiv macht. Mehrere Machine-Learning-Algorithmen (ML) wurden entwickelt und verglichen, um die durch das Anstoßen der Türen verursachten Veränderungen, den Zeitpunkt des Anstoßes im Verhältnis zum Türlauf, die Position des Anstoßes und die Reaktionszeit für die Fehlererkennung und das Senden der Benachrichtigung zu analysieren.

Datenerfassung und -analyse waren für das initiale Training der ML-Algorithmen unerlässlich, um die genauesten und zuverlässigsten Lösungen zu identifizieren. Aufgrund der Variabilität menschlicher Handlungen, die von Fall zu Fall zu erheblichen Datenunterschieden führen kann, war die Verwendung eines umfassenden und validierten Datensatzes unerlässlich. Dieser Ansatz gewährleistete optimale Ergebnisse.

Schließlich wurde der am besten geeignete Algorithmus ausgewählt und auf einem Edge-Gerät auf dem Dach des Fahrzeugs eingesetzt. Anschließend wurden Tests und Validierungen der Lösung durchgeführt, um die Wirksamkeit der ML-Algorithmen sicherzustellen.

1. Einleitung

Türen spielen eine entscheidende Rolle für die Betriebssicherheit von Aufzugssystemen, insbesondere in Umgebungen mit hohem Personenaufkommen. Türprobleme sind traditionell die Ursache für einen Großteil der Aufzugswartungsanfragen in der gesamten Branche – etwa ein Drittel aller gemeldeten Vorfälle. Darüber hinaus sind diese Türstörungen oft mit eingeklemmten Passagieren verbunden, was Service- und Wartungsarbeiten zusätzlich erschwert.

Die Bedeutung einer effektiven Aufzugsüberwachung und -wartung wird durch den wachsenden globalen Markt verstärkt, der durch die zunehmende Urbanisierung und einen deutlichen Anstieg der älteren Bevölkerung vorangetrieben wird. Mit einer geschätzten jährlichen Wachstumsrate von 6.4 % von 2023 bis 2030^[1]. Die Aufzugsbranche sieht sich mit steigenden Anforderungen hinsichtlich Zuverlässigkeit und Langlebigkeit konfrontiert. Die typische Lebensdauer von Aufzügen liegt in verschiedenen Marktsegmenten zwischen 15 und 30 Jahren.^[2,3]. Vor diesem Hintergrund zeigt die Rangfolge der Aufzugsstörungen nach Häufigkeit, Auswirkung, Reparaturkosten und Sicherheitsrisiken, dass Vandalismus und nutzerbedingte Schäden zu den zehn schwerwiegendsten Problemen zählen. Diese Vorfälle, insbesondere in stark frequentierten Umgebungen, sind oft nicht von herkömmlichen Türstörungen zu unterscheiden, was die Fehlerdiagnose und -meldung erschwert.

Die Installation und Wartung von Aufzugstüren ist ein sorgfältiger Prozess, der oft die Montage vor Ort durch Techniker mit gelieferten Teilen erfordert. Die hohe Präzision dieser Prozesse kann zu Leistungsschwankungen der Türen führen, was ihre Zuverlässigkeit und Anfälligkeit für Betriebsstörungen beeinträchtigt. Die wirtschaftlichen Auswirkungen minderwertiger Türinstallationen sind erheblich und beeinträchtigen sowohl die Wartungskosten als auch die Kundenzufriedenheit, da das Hauptziel weiterhin darin besteht, einen reibungslosen Betrieb der Aufzugssysteme mit minimalen Ausfallzeiten zu gewährleisten.

Als Reaktion auf diese Herausforderungen rückt die Entwicklung robuster Überwachungs- und Diagnoselösungen zur Erkennung von Türstörungen und Vandalismus zunehmend in den Fokus. Diese Initiativen sind entscheidend für die Verbesserung der Systemzuverlässigkeit und die Reduzierung von Betriebsunterbrechungen, insbesondere in Infrastrukturbereichen wie Flughäfen, U-Bahnen und Bahnhöfen, wo Missbrauch oder Vandalismus an Türen aufgrund des höheren Verkehrsaufkommens und der höheren Verfügbarkeitsanforderungen häufiger vorkommen.

Dieses Dokument untersucht einen neuartigen Ansatz, der auf der Nutzung von ML-Algorithmen basiert, um den Zustand von Aufzugstüren zu überwachen, Vandalismus zu erkennen und Wartungsteams umgehend über mögliche Störungen zu informieren. Durch die Analyse von Signalen, die während des normalen Türbetriebs ohne zusätzliche Sensoren erfasst werden, bietet die vorgeschlagene Lösung eine wirtschaftlich tragfähige und technisch umsetzbare Methode zur Verbesserung der Zuverlässigkeit von Aufzugssystemen.

Diese Einführung bietet die Grundlage für eine detaillierte Untersuchung der Methodik, Erkenntnisse und Ergebnisse des Einsatzes von ML-Algorithmen in der Türüberwachung, mit dem Ziel, sowohl wirtschaftliche Effizienz als auch Betriebssicherheit in Aufzugssystemen zu erreichen.

2. Auswahl der Lösung

Zur Überwachung von Türvandalismus gibt es mehrere Lösungsvorschläge: Videoüberwachung, Einsatz von Beschleunigungsmessern, Druck-, Schall- oder anderen Sensoren, Überwachung von Aufzugssteuerungssystemen usw.

Jede dieser Lösungen bringt Vorteile und Herausforderungen mit sich. Durch die Videoüberwachung jeder Stockwerk- und Kabinentür kann eine Echtzeitüberwachung und Identifizierung des Benutzers gewährleistet werden, der den Aufzug missbraucht.^[4,5]. Die Komplexität des Systems macht die Lösung allerdings teuer. Zudem muss die Identifizierung des Nutzers an bestehende Datenschutzbestimmungen angepasst werden.

Die Methodik zur Erkennung von Türfehlern oder Vandalismus an Aufzügen mithilfe externer Sensoren wie Beschleunigungsmessern wurde in zahlreichen Patenten vorgestellt.^[6,7,8]. Die Lösung ist aufgrund der Sensorkosten und der geringeren Datenmenge, die gespeichert und analysiert werden muss, wirtschaftlicher als die Videoüberwachung. Die Herausforderung beim Einsatz von Beschleunigungssensoren besteht darin, ML zu trainieren, um zwischen normalem Verhalten und Missbrauch zu unterscheiden: Der absolute Wert des Vibrationspegels und seines Spektrums hängt stark von der Qualität der Sensoren, ihrer Position in der Kabine und der Aufzugskonfiguration ab.^[9].

Die von Türsteuerungen gemeldeten Störungen wurden als Lösung zur Vandalismusüberwachung vorgeschlagen und untersucht. Die Überwachungslösung kann mit hoher Genauigkeit erkennen, wann die Türfunktion beeinträchtigt ist und der Aufzug außer Betrieb ist. Allerdings ist es schwierig, die Ursache für einen Türausfall zu ermitteln, wenn Konstruktionsfehler, Verschleiß der Ausrüstung oder Vandalismus vorliegen.

Die in diesem Artikel vorgeschlagene Lösung kombiniert das Wissen des Türexperten mit der Expertise des Datenanalysten. Betriebsdaten der Türsteuerung und synthetische Daten aus Simulationsmodellen werden zum Training von ML-Algorithmen verwendet.

Die Fehlererkennung und -benachrichtigung erfolgt anhand der vom Türcontroller erfassten Daten zum Zeitpunkt des höchsten Vandalismusrisikos: Personen, die mit großem, schwerem Gepäck in die Kabine ein- oder aussteigen, während die Tür geöffnet oder geschlossen wird. Die Überwachung von Stockwerktüren, wenn sich die Kabine nicht im Stockwerk befindet, gilt als weniger risikobehaftet und fällt aufgrund der zusätzlichen Kosten, die durch die Datenerfassung von jeder Stockwerktür entstehen, nicht in den Anwendungsbereich.

Das Ergebnis ist ein einfaches Edge-Gerät, das sich oben auf dem Auto befindet und mit einem einzigen Kabel mit dem Türbediensystem verbunden ist [Abbildung 1].

2.1 Simulationsmodelle

Die Entwicklung von Algorithmen für Präventions- und Erkennungszwecke in Aufzugssystemen ist aufgrund der Komplexität und Variabilität der beteiligten Komponenten eine Herausforderung. Um optimale Genauigkeit zu erreichen und Fehlalarme in skalierbaren Algorithmen zu minimieren, sind ressourcenintensive Tests und Datenerfassungen unerlässlich. Für Kennzeichnungs- und Validierungszwecke ist eine beträchtliche Anzahl von Sensoren und Überwachungssystemen in Verbindung mit der vorhandenen Aufzugsinfrastruktur erforderlich, um die statistische Zuverlässigkeit unter unterschiedlichen Bedingungen zu gewährleisten. Darüber hinaus sind Aufzugstüren hochgradig konfigurierbare Subsysteme mit unterschiedlichen Komponenten, was für jede Konfiguration unterschiedliche Datengrundlagen ergibt. 

In dieser Studie wurden Simulationsmodelle von Aufzugstürsystemen eingesetzt, um das Türverhalten im Normalbetrieb, bei Missbrauch und in Ausfallszenarien zu analysieren. Die Ergebnisse der Simulationsanalysen werden genutzt, um Spezifikationen für Algorithmen zur Erkennung von Missbrauch und zur Quantifizierung seines Schweregrads zu entwickeln. Diese Erkenntnisse bestimmen auch die Auswahl spezifischer Ergebnisse, die von ML-Algorithmen für jeden Störungsfall überwacht werden sollten, um eine genaue und zuverlässige Erkennung zu gewährleisten. Die Plausibilität der Verwendung von Simulationen zur künstlichen Nachbildung fehlerhafter Aufzugstürsysteme wurde erfolgreich untersucht in ^[9].Die Ergebnisse der Studie zeigten eine ausreichende Korrelation zwischen simulierten Ergebnissen und Daten aus Testumgebungen. Die vorgeschlagene Methodik wurde auch in anderen Branchen, wie beispielsweise der Automobilindustrie, angewendet.^[10,11]. für ähnliche Zwecke.

Vandalismus oder Missbrauch an Türen stellen für alle Marktsegmente eine Herausforderung dar, wobei die Bedeutung im Infrastruktursegment, wie Flughäfen, U-Bahn-Stationen und Bahnhöfen, noch größer ist. 

Aus den Simulationsergebnissen ging hervor, dass beim Auftreffen einer äußeren Kraft auf eine Aufzugstür eine schnelle Änderung der Türgeschwindigkeit, der Türposition und der Kraftaufnahme des Türmotors erkennbar ist [Abbildung 2].

Die Feststellung, dass Vandalismus zu Abweichungen in den vom Türcontroller erfassten Daten führt, bestimmt den nächsten erforderlichen Schritt zur Validierung der Modelle und zur Erweiterung der Berechnung für unterschiedliche Türkonfigurationen, Vandalismuskräfte, Zeiten und Positionen.

2.2 Daten sammeln

Die für die anhand von Simulationsmodellen definierte Vandalismus- und Missbrauchserkennung geeigneten Daten wurden von Aufzugstürsystemen erfasst. Türmotor und -antrieb kommunizieren in einem Regelkreis mit der Türsteuerung. Die Steuerung empfängt Motor-Encoderdaten und Antriebsleistungsabgaben, die von einem Edge-Gerät in der Aufzugsinfrastruktur über ein sicheres Einweg-Datenübertragungsprotokoll protokolliert werden. Aus den protokollierten Daten konnten die für Erkennungsalgorithmen geeigneten Leistungen mithilfe von Umrechnungsgleichungen in Abhängigkeit von den Motorspezifikationen berechnet werden.

Die in den Kommunikationsbussen der Aufzüge verfügbaren Daten können als zusätzliche Metadaten für die Vorhersagealgorithmen genutzt oder als Zustandsparameter hinzugefügt werden, die auf vandalismusbedingte Funktionsstörungen des Türsystems hinweisen. Von den Metadaten sind die Stockwerkinformationen aus Türereignissen am wichtigsten, da diese Daten unerlässlich sind, um die Daten jedes Stockwerks mit seinen einzelnen Schachttüren zu unterscheiden. Zustand und Konfiguration jeder Schachttür können variieren, was Vorhersagealgorithmen auf Basis historischer Daten überflüssig machen kann, wenn keine Stockwerkinformationen verfügbar sind. Darüber hinaus sind diese Informationen für die vorbeugende Wartung unerlässlich, da sie Außendiensttechniker zum richtigen Stockwerk führen, in dem der vorhergesagte Fehler liegt.

Die Machbarkeitsstudie zur Installation externer Beschleunigungssensoren an Türpaneelen zur Vandalismuserkennung zeigte, dass sich Aufprallimpulse als plötzliche Verschiebungen von Türkomponenten manifestieren. Um die Stöße präzise zu erfassen, ist eine präzise Platzierung der Sensoren unerlässlich. Platzierung und Ausrichtung des Sensors sind entscheidende Faktoren für die Qualität der Trainingsdaten und die Gesamtleistung eines möglichen Erkennungsalgorithmus. Der Übertragungsweg des Aufpralls variiert je nach Türkonfiguration und Sensorplatzierung, was die Beurteilung der Aufprallschwere erschwert. Zudem beeinflusst die Robustheit verschiedener Türkonfigurationen die gemessenen Impulse, die eng mit der auf die Türen einwirkenden Energie korrelieren. Die von den Beschleunigungssensoren erfassten Daten wurden ausschließlich in der Trainingsphase von Machine-Learning-Algorithmen zur Kennzeichnung der Ereignisse getestet.

Daten der Türsteuerung wurden ebenfalls erfasst, sowohl bei normaler Nutzung der Türen als auch bei Vandalismus, wenn die Türen von einem Testwagen getroffen wurden. Diese Daten wurden verwendet, um die Ereignisse zu kennzeichnen, die zum Trainieren von ML-Algorithmen verwendet wurden.

3. Auswahl des ML-Algorithmus

Die Entwicklung der Lösung zur Türaufprallerkennung basierte auf der Einteilung der Vandalismusereignisse in drei Klassen: nominal, Aufprall und Aufprall mit Ausfall. In dieser Phase wurde das Problem als Mehrklassen-Klassifizierungsaufgabe formuliert.

Die Datenanalyse ergab, dass die signifikantesten Korrelationen mit Stößen in den größten Differenzen zwischen tatsächlicher und Soll-Türgeschwindigkeit sowie in deren kumulativer Akkumulation gefunden wurden. Dieses Ergebnis war zu erwarten, da sich bei einer defekten Tür, die sich nicht bewegen kann, während des gesamten Protokollierungszyklus weiterhin Differenzen zwischen tatsächlicher und Soll-Geschwindigkeit ansammeln. Dieses Merkmal wurde als potenzieller Indikator für einen Türbruch identifiziert. In manchen Fällen kann sich die Tür jedoch nach einem Aufprall wieder öffnen, sodass sich der kumulative Fehler nicht kumuliert oder die Unterscheidung von Fällen, in denen sich die Tür von selbst wieder öffnet, schwierig wird. Darüber hinaus hängt die maximale Geschwindigkeitsdifferenz zwischen Ist- und Sollwert davon ab, ob der Aufprall zu Beginn, am Ende oder in der Mitte des Türzyklus erfolgte.

Bei der Entwicklung von Lösungen zur Vandalismuserkennung ist die Zeitkritikalität entscheidend, da Vorfälle so schnell wie möglich gemeldet werden müssen. Dies gilt insbesondere für Einwirkungen, die zu Ausfällen führen, da die Datenzyklusaufzeichnung nach einigen Minuten endet. Daher muss in diesen Fällen die Inferenz während des Datenzyklus erfolgen.

Ein weiteres Kriterium für die Auswahl der endgültigen Lösung war, dass nur Aufpralle und keine anderen Fehlfunktionen gemeldet werden.

Der Bereich ML umfasst eine große Bandbreite unterschiedlicher Algorithmen, von denen viele zur Klassifizierung verwendet werden können.^[12]. Der Prozess der Modellauswahl umfasst typischerweise mehrere Iterationen des Entwurfszyklus, der Schritte wie Dimensionsreduzierung und Prädiktorentwurf umfasst.^[12,13]. In diesem Fall wurde neben der Genauigkeit auch Wert auf die Interpretierbarkeit des Algorithmus gelegt. Aufgrund ihrer Linearität und hohen Interpretierbarkeit wurde die logistische Regression als Basismodell gewählt.^[14]. Ziel war es, die Leistung zu verbessern. Das Basismodell wurde als Streaming-Lösung konzipiert, d. h. die Klassifizierung erfolgt parallel zur Türbewegung. Die anfängliche Genauigkeitsrate des linearen Modells lag bei etwa 75 %. Abbildung 3 visualisiert die Entwicklung von Klassifikatoren vom Typ Streaming-Lösung. Der erste Zyklus wird als nominal (grün) klassifiziert, dann erfolgt ein Aufprall, und die Bezeichnung wechselt von Aufprall (gelb) zu Aufprall, der zum Versagen führt (rot).

Die relativ geringe Größe des anfänglichen Datensatzes schränkt die Verwendung komplexerer Algorithmen ein, da diese möglicherweise zu einer Überanpassung führen könnten.^[13]. Die Metriken für jeden Algorithmus wurden mithilfe der Kreuzvalidierungsmethode ausgewertet, einer in solchen Szenarien weit verbreiteten Technik. ^[12].

Eine der getesteten Methoden war der Random-Forest-Klassifikator, ein im ML häufig verwendeter Algorithmus.^[14]. Mit dieser Methode können hochdimensionale Daten effektiv verarbeitet werden und durch die Verwendung mehrerer Bäume wird das Risiko einer Überanpassung verringert.^[14]. Es hat jedoch auch Nachteile, darunter eine eingeschränkte Kontrolle über das Modell und eine höhere Komplexität im Vergleich zu einem einzelnen Entscheidungsbaum, was die Interpretation bei zunehmender Anzahl von Bäumen erschwert. Die anfängliche Genauigkeitsrate, die mit dem Random Forest erreicht wurde, lag bei etwa 80 %.

Auch neuronale Netze wurden als mögliche Lösung in Betracht gezogen. Diese Methoden sind typischerweise besonders vorteilhaft bei der Verarbeitung großer Datensätze mit komplexen Beziehungen.^[14]. Im Vergleich zu bisherigen Verfahren steigt die Komplexität und die Interpretierbarkeit nimmt ab, insbesondere wenn es sich um tiefe neuronale Netze handelt.^[12,14]. In diesem Fall wurde festgestellt, dass die Genauigkeitsrate der mit dem Random-Forest-Klassifikator erzielten entspricht.

Die vorläufigen Ergebnisse bestätigten die Fähigkeit, Stöße an Türen zu erkennen. Es gab jedoch Hinweise darauf, dass eine Klassifizierung nach der Datenaufzeichnung die Genauigkeit verbessern könnte. Die Datenanalyse zeigte, dass klemmende Türen während des Türzyklus mithilfe eines linearen Modells identifiziert werden konnten. Dies ermöglichte eine binäre Klassifizierung nach dem Türzyklus, um Normalfälle von Stößen zu trennen, die nicht zum Ausfall führen. Abbildung 4 zeigt eine Ebene zur Unterscheidung von Ausfällen an Stockwerktüren von anderen Zyklen. Der Datenaufzeichnungsprozess wurde nach dem Klemmen der Tür gestoppt, was in der Praxis zu einem höheren kumulativen Geschwindigkeitsfehler führte.

Der Random-Forest-Klassifikator wurde aufgrund seiner guten Leistung in Vortests für die Klassifizierung des nachfolgenden Datenzyklus ausgewählt. Die Hyperparameter wurden durch eine umfassende Suche über ein vordefiniertes Parameterraster optimiert, was zu einer verbesserten Genauigkeit von bis zu 90 % und einer Präzisionsrate von über 90 % führte. Die gemeldeten Ergebnisse zeigen, dass die Klassifizierung korrekt durchgeführt wurde, d. h. alle Fälle, in denen ein Aufprall stattfand, unabhängig von seinem Ausmaß entsprechend gekennzeichnet wurden. Es zeigte sich, dass beispielsweise Aufpralle auf Kabinentüren schwieriger zu erkennen sind als Aufpralle auf Stockwerktüren. Die Ergebnisse deuten darauf hin, dass durch die Konzentration auf optimale Aufprallereignisse die Präzisionsrate weiter verbessert werden kann. Indem Präzision gegenüber der Trefferquote priorisiert wird, kann die Falsch-Positiv-Rate reduziert werden, auch wenn dadurch einige Aufpralle übersehen werden können.

Um die Anforderungen an die schnelle Kennzeichnung zu erfüllen, wurden zwei ML-Lösungen vorgeschlagen: eine Streaming-Lösung für Auswirkungen, die zu Fehlern führen, wobei die Inferenz live durchgeführt wird, wenn die Daten protokolliert werden; und eine verzögerte Lösung für Auswirkungen, die nicht zu Fehlern führen, wenn die Inferenz der Daten erst erfolgt, nachdem der gesamte Türzyklus abgeschlossen ist.

Die Eingaben für eine verzögerte ML-Lösung sind Maximum, Minimum oder Ableitungen von Türgeschwindigkeit, Position und Kraft. Zusätzlich werden Schwellenwerte und Skalierungsfaktoren basierend auf Simulationsmodellen verwendet. Die Genauigkeit dieser Lösung ist höher.

Der Input für eine Streaming-ML-Lösung ist begrenzt, da kumulative Fehler erst am Ende des Zyklus berechnet werden, was für die Fast-Flagging-Anforderung zu spät ist. Die Genauigkeit dieser Lösung ist nicht so hoch wie die der vorherigen und kann durch die Verwendung von Metadaten aus dem Aufzugskommunikationsbus verbessert werden.

4. Implementierung

Die Vandalismuserkennung erfordert eine Echtzeitanalyse der Daten, um sicherzustellen, dass Vandalismusakte sofort erkannt werden. Daher ist der ML-Algorithmus zur Vandalismuserkennung eng mit der Datenprotokollierungssoftware integriert, um die Latenz zu minimieren und die Erkennungsgeschwindigkeit zu verbessern.

Die Datenerfassung und Vandalismuserkennung erfolgt vor Ort durch Edge Computing, das direkt in der Aufzugskabine implementiert ist. Das Edge-Gerät ist über ein proprietäres Protokoll über eine serielle Verbindung mit dem Türantrieb verbunden.

Software und Hardware sind auf Plug-and-Play ausgelegt. Ein Techniker kann das Gerät einfach auf der Aufzugskabine positionieren, an den Türantrieb anschließen und mit Strom versorgen. Nach der Installation leitet das System selbstständig die Datenerfassung und -analyse ein.

Die Funktionalitäten der Lösung funktionieren vollständig ohne Internetzugang. Die gesamte Datennachbearbeitung und ML-Inferenzen werden lokal auf dem Edge-Gerät durchgeführt, sodass keine Remote-Berechnung erforderlich ist. Diese Architektur ermöglicht den effektiven Einsatz der Lösung in Offline-Umgebungen, was insbesondere in Szenarien mit hoher Cybersicherheit von Vorteil ist. Darüber hinaus können kritische Benachrichtigungen des Geräts über das lokale Netzwerk direkt an eine lokale Leitstelle übermittelt werden, wodurch der kontinuierliche Betrieb auch ohne Internetverbindung gewährleistet ist.

In einer Online-Konfiguration werden die analysierten Daten und Inferenzergebnisse vom Edge-Gerät an eine Cloud-basierte Lösung übertragen. Benachrichtigungsregeln und Datenspeicherung werden innerhalb der Cloud-Umgebung verwaltet.^[15]. Dies ermöglicht eine effizientere Verwaltung von Benachrichtigungen und die Nutzung der Daten für zusätzliche Anwendungen. Die Datenübertragung vom Edge-Gerät in die Cloud erfolgt über das MQTT-Nachrichtenprotokoll.^[16]. und Kafka,^[17]. Gewährleistung einer zuverlässigen und skalierbaren Kommunikation.

Die Fernzugriffsfunktionen und die einfache Bereitstellung der Lösung ermöglichen eine kontinuierliche Entwicklung. Container und verschiedene Komponenten können ohne größere Verzögerungen per Fernzugriff aktualisiert werden. Dies erleichtert die Integration neuer Funktionen während der Entwicklung und ermöglicht Echtzeitanalysen in realen Umgebungen zur Leistungsbewertung. Nach der Validierung können diese Funktionen vollständig implementiert und für den praktischen Einsatz bereitgestellt werden.

5. Schlussfolgerungen

Vandalismus oder Missbrauch von Türen stellen für alle Marktsegmente eine Herausforderung dar, insbesondere im Infrastrukturbereich: Flughäfen, U-Bahn-Stationen und Bahnhöfe. Die Erkennung solcher Aufzugsfehler ist sowohl für das Wartungsunternehmen als auch für den Kunden relevant. Die frühzeitige Erkennung von Türproblemen ermöglicht eine effektivere Wartungsplanung, reduziert den Bedarf an Notfallreparaturen und ermöglicht vorausschauende Wartungsstrategien. Dies senkt nicht nur die Gesamtwartungskosten, sondern minimiert auch Betriebsunterbrechungen.

Es wurde eine kostengünstige Lösung vorgestellt, bei der ML-Algorithmen, die auf einer Kante oberhalb der Kabine eingesetzt werden, Missbrauch und Vandalismus an den Türen während der Kabinenbesteigung erfolgreich erkennen und melden können. Durch die Nutzung vorhandener Betriebssystemsignale zur Datenerfassung werden keine zusätzlichen Sensoren benötigt. Dies macht die Lösung nicht nur kostengünstig, sondern auch einfacher zu implementieren, ohne dass wesentliche Änderungen an der Aufzugsinfrastruktur erforderlich sind.

Während sich diese Lösung in Infrastruktursegmenten mit hohem Fußgängerverkehr als wirksam erwiesen hat, lässt sich der Ansatz problemlos skalieren und an andere Marktsegmente wie Wohn- und Geschäftsgebäude anpassen und bietet somit ein vielseitiges Werkzeug für eine breite Palette von Aufzugssystemen.

Durch die Reduzierung der Ausfallzeiten von Aufzügen und die Minimierung der Fälle, in denen Fahrgäste aufgrund von Türfehlern eingeklemmt werden, verbessert diese Lösung das allgemeine Benutzererlebnis und die Kundenzufriedenheit erheblich und steht im Einklang mit dem Hauptziel, die maximale Verfügbarkeit der Aufzüge aufrechtzuerhalten.

---

Referenzen

[1] Aufzugsmarktbericht [grandviewresearch.com/industry-analysis/elevators-market-report], 2023.

[2] Lebenserwartung von Aufzügen [elevatorsource.com/elevator_life_expectancy.htm], 2019.

[3] Lebenserwartung eines Wohnaufzugs [futureliftservices.co.uk/blog/what-is-the-life-expectancyof- a-residential-lift/], 2023.

[4] Aufzugsüberwachung [2n.com], 2024.

[5] Was ist Aufzugsüberwachung [sirixmonitoring.com] 2023.

[6] EP 3424860 A1 „Ein Vandalismusüberwachungssystem für Aufzüge“, Europäische Patentanmeldung, 2019.

[7] EP 3191395B1, Roberts, Randall Keith. „Vibrationsbasiertes System zur Überwachung des Verschleißes und der Lebensdauer von Aufzugszugelementen.“ Europäische Patentanmeldung, 2015.

[8] EP 4188862A1, Martin Zellhofer, „Ein computerimplementiertes Verfahren zum Trainieren eines maschinellen Lernmodells zur Erkennung von Installationsfehlern in einem Aufzug, insbesondere einer Aufzugstür, ein computerimplementiertes Verfahren zur Klassifizierung von Installationsfehlern und ein entsprechendes System.“ Europäische Patentanmeldung, 2022.

[9] Lin, M. „Physikbasierte Simulationen von Aufzugstürsystemen.“ Masterarbeit, Aalto-Universität, 2021.

[10] Magargle, Ryan, et al., „Ein simulationsbasierter digitaler Zwilling für modellbasierte Zustandsüberwachung und vorausschauende Wartung eines Automobilbremssystems.“ Modelica.

[11] GE, Boston, MA., „Wie ein ‚digitaler Zwilling‘ für physische Anlagen dazu beitragen kann, ungeplante Ausfallzeiten zu vermeiden“, 2016.

[12] Li, H., Lin, L. & Zeng, H., „Machine Learning Methods.“ 1. Auflage 2024. Singapur: Springer Nature Singapore, 2024.

[13] Braga-Neto, U. „Grundlagen der Mustererkennung und des maschinellen Lernens“. 2. Auflage. Springer International Publishing, 2024.

[14] Vijayvargia, „A. Maschinelles Lernen mit Python: Ein Ansatz für angewandtes maschinelles Lernen.“ Neu-Delhi: BPB Publications, 2018.

[15] Amazon Web Services [aws.amazon.com], 2024.

[16] Message Queuing Telemetry Transport (MQTT) [mqtt.org], 2024

[17] Apache Kafka [kafka.apache.org], 2024.