Soluzioni di apprendimento automatico per il monitoraggio del vandalismo delle porte

di Gabriela Roivainen, Matti Lin, Joel Cardenas, Kari Karen e Konsta Simonen

Astratto

È stato riconosciuto che l'uso improprio o gli atti vandalici delle porte rappresentano una delle principali cause di guasti degli ascensori, soprattutto nelle stazioni della metropolitana, negli aeroporti o in altri segmenti di mercato in cui il traffico è intenso.

L'obiettivo di questo articolo è esaminare i risultati ottenuti nella creazione di una soluzione economica e precisa per monitorare lo stato di salute delle porte, identificare il tipo di guasto dovuto ad atti vandalici e informare il team di manutenzione sui dettagli dei guasti che si verificano.

La metodologia consiste nell'acquisizione dei segnali necessari per il funzionamento delle porte durante i loro cicli di apertura e chiusura. Non sono richiesti sensori aggiuntivi per la raccolta dei dati, il che rende la soluzione economicamente interessante. Sono stati sviluppati e confrontati diversi algoritmi di Machine Learning (ML) per analizzare i cambiamenti indotti dai passeggeri che colpiscono le porte, il momento in cui si è verificato l'impatto in relazione al ciclo di funzionamento delle porte, la posizione dell'impatto e il tempo di risposta per l'identificazione del guasto e l'invio della notifica.

La raccolta e l'analisi dei dati sono state essenziali per la formazione iniziale degli algoritmi ML per identificare le soluzioni più accurate e affidabili. A causa della variabilità insita nelle azioni indotte dall'uomo, che può portare a differenze significative nei dati da caso a caso, era fondamentale utilizzare un set di dati completo e convalidato. Questo approccio ha garantito il raggiungimento di risultati ottimali.

Infine, l'algoritmo più adatto è stato selezionato e distribuito su un dispositivo edge posizionato sulla parte superiore dell'auto. Sono stati quindi eseguiti test e validazione della soluzione per garantire l'efficacia degli algoritmi ML.

1. introduzione

Le porte svolgono un ruolo fondamentale nell'affidabilità operativa dei sistemi di ascensori, in particolare in ambienti caratterizzati da un elevato traffico di persone. Tradizionalmente, i problemi relativi alle porte rappresentano una parte significativa delle chiamate di assistenza per ascensori in tutto il settore, circa un terzo di tutti gli incidenti segnalati. Inoltre, questi malfunzionamenti delle porte sono spesso associati all'intrappolamento dei passeggeri, complicando ulteriormente le operazioni di assistenza e manutenzione.

L'importanza di un efficace monitoraggio e manutenzione degli ascensori è sfruttata dall'espansione del mercato globale, guidata dall'urbanizzazione crescente e da un aumento significativo della popolazione anziana. Con un tasso di crescita annuale stimato del 6.4% dal 2023 al 2030,^[1] Il settore degli ascensori deve far fronte a crescenti esigenze di affidabilità e longevità: la durata di vita tipica degli ascensori varia tra i 15 e i 30 anni nei vari segmenti di mercato.^[2,3] In questo contesto, la classifica dei guasti degli ascensori in base a frequenza, impatto, costo di riparazione e implicazioni per la sicurezza rivela che il vandalismo e i danni indotti dall'utente sono tra i primi 10 problemi più critici. Questi incidenti, specialmente in ambienti ad alto traffico, sono spesso indistinguibili dai normali malfunzionamenti delle porte, complicando la diagnosi e la segnalazione dei guasti.

L'installazione e la manutenzione delle porte degli ascensori è un processo meticoloso che spesso richiede l'assemblaggio in loco da parte di tecnici che utilizzano parti consegnate. La sensibilità di questi processi può introdurre variabilità nelle prestazioni delle porte, influenzandone l'affidabilità e la suscettibilità a guasti operativi. Le ripercussioni economiche di installazioni di porte di scarsa qualità sono considerevoli, influendo sia sui costi di manutenzione che sulla soddisfazione del cliente, poiché l'obiettivo primario rimane garantire che i sistemi degli ascensori siano operativi con tempi di fermo minimi.

In risposta a queste sfide, c'è una crescente enfasi sullo sviluppo di soluzioni di monitoraggio e diagnostica robuste volte a identificare malfunzionamenti delle porte e casi di vandalismo. Queste iniziative sono cruciali per migliorare l'affidabilità del sistema e ridurre le interruzioni del servizio, in particolare in segmenti infrastrutturali come aeroporti, metropolitane e stazioni ferroviarie dove l'uso improprio o il vandalismo delle porte è più diffuso a causa di requisiti di traffico e disponibilità più elevati.

Questo documento esplora un nuovo approccio incentrato sullo sfruttamento degli algoritmi ML per monitorare lo stato di salute delle porte degli ascensori, rilevare atti vandalici e notificare tempestivamente ai team di manutenzione potenziali guasti. Analizzando i segnali catturati durante le normali operazioni delle porte senza sensori aggiuntivi, la soluzione proposta offre un metodo economicamente fattibile e tecnicamente fattibile per migliorare l'affidabilità del sistema di ascensori.

Questa introduzione getta le basi per un esame dettagliato della metodologia, delle scoperte e dei risultati dell'implementazione di algoritmi di apprendimento automatico nel monitoraggio delle porte, finalizzati al raggiungimento sia dell'efficienza economica che dell'affidabilità operativa nei sistemi di ascensori.

2. Selezione della soluzione

Esistono diverse soluzioni proposte per monitorare gli atti vandalici contro le porte: monitoraggio video; utilizzo di accelerometri, sensori di pressione, acustici o di altro tipo; monitoraggio dei sistemi di controllo degli ascensori, ecc.

Ci sono vantaggi e sfide per ciascuna di queste soluzioni. Il monitoraggio video di ogni porta di piano e di cabina può fornire monitoraggio e identificazione in tempo reale dell'utente che usa impropriamente l'ascensore;^[4,5] tuttavia, la complessità del sistema rende la soluzione costosa. Inoltre, l'identificazione dell'utente deve essere allineata alle normative generali sulla protezione dei dati esistenti.

La metodologia per rilevare guasti alle porte degli ascensori o atti vandalici utilizzando sensori esterni come gli accelerometri è stata presentata in numerosi brevetti.^[6,7,8] La soluzione è più economica del monitoraggio video a causa del costo dei sensori e del volume inferiore dei dati che devono essere archiviati e analizzati. La sfida nell'uso degli accelerometri è l'addestramento del ML per distinguere il comportamento normale dall'uso improprio: il valore assoluto del livello di vibrazione e il suo spettro dipendono fortemente dalla qualità dei sensori, dalla loro posizione nella cabina e dalla configurazione dell'ascensore.^[9]

I guasti segnalati dai sistemi di controllo, relativi alle porte, sono stati proposti e studiati come soluzione per il monitoraggio del vandalismo. La soluzione di monitoraggio può identificare con elevata accuratezza quando la funzionalità della porta è compromessa e l'ascensore è fuori servizio; tuttavia, ci sono delle sfide nell'identificare la causa principale del guasto della porta ogni volta che si verifica un difetto di progettazione, usura dell'attrezzatura o vandalismo.

La soluzione proposta in questo articolo combina la conoscenza dell'esperto di porte con l'esperienza dell'analista di dati. I dati operativi del controller di porte e i dati sintetici dei modelli di simulazione vengono utilizzati per addestrare gli algoritmi ML.

L'identificazione e la notifica dei guasti vengono eseguite sui dati raccolti dal controller della porta per il momento con il rischio più elevato di vandalismo: persone che entrano o escono di corsa dall'auto con bagagli grandi e pesanti, durante l'apertura o la chiusura della porta. Il monitoraggio delle porte di piano quando l'auto non si trova al piano è considerato un rischio inferiore e, a causa del costo aggiuntivo indotto dalla raccolta di dati da ogni porta di piano, è al di fuori dell'ambito.

Il risultato è un semplice dispositivo di bordo posizionato sulla parte superiore dell'auto e collegato al sistema di azionamento della portiera tramite un singolo cavo [Figura 1].

2.1 Modelli di simulazione

Sviluppare algoritmi per scopi preventivi e di rilevamento nei sistemi di ascensori è intrinsecamente impegnativo a causa della complessità e della variabilità dei componenti coinvolti. Per ottenere la massima accuratezza e ridurre al minimo i falsi positivi negli algoritmi scalabili, sono essenziali test ad alta intensità di risorse e acquisizione dati. Per scopi di etichettatura e convalida, sono necessari un numero considerevole di sensori e sistemi di monitoraggio in combinazione con l'infrastruttura di ascensori esistente per garantire l'affidabilità statistica in diverse condizioni. Inoltre, le porte degli ascensori sono sottosistemi altamente configurabili con componenti variabili, con conseguenti diverse linee di base dei dati per ciascuna configurazione. 

In questo studio, sono stati impiegati modelli di simulazione che rappresentano sistemi di porte per ascensori per analizzare il comportamento delle porte durante il funzionamento nominale, l'uso improprio e gli scenari di guasto. I risultati delle analisi di simulazione vengono utilizzati per sviluppare specifiche per algoritmi progettati per rilevare l'uso improprio e quantificarne la gravità. Questi risultati determinano anche la selezione di output specifici che dovrebbero essere monitorati dagli algoritmi ML per ogni caso di malfunzionamento per garantire un rilevamento accurato e affidabile. La plausibilità dell'utilizzo di simulazioni per ricreare artificialmente sistemi di porte per ascensori malfunzionanti è stata studiata con successo in ^[9]I risultati dello studio hanno dimostrato una correlazione sufficiente tra i risultati simulati e i dati ottenuti dagli ambienti di test. La metodologia proposta è stata applicata anche in altri settori, come l'industria automobilistica,^[10,11] per scopi simili.

Il vandalismo o l'uso improprio delle porte rappresentano una sfida per tutti i segmenti del mercato, con un'importanza ancora maggiore per il segmento infrastrutturale: aeroporti, stazioni della metropolitana e stazioni ferroviarie. 

Dai risultati della simulazione è emerso che quando le porte dell'ascensore vengono colpite da una forza esterna, si rileva un rapido cambiamento nella velocità della porta, nella posizione e nell'assorbimento della forza del motore della porta [Figura 2].

La scoperta che gli atti vandalici inducono variazioni nei dati raccolti dal controller della porta determina il passo successivo necessario per convalidare i modelli ed estendere il calcolo per diverse configurazioni della porta, forza, tempo e posizione dell'atto vandalico.

2.2 Raccolta dati

I dati fattibili per il rilevamento di atti vandalici e abusi definiti dai modelli di simulazione sono stati raccolti dai sistemi di porte degli ascensori. Il motore e l'azionamento della porta comunicano con il controller della porta in un ciclo di controllo. Il controller riceve i dati dell'encoder del motore e le uscite di potenza dell'azionamento, che vengono registrate da un dispositivo edge situato nell'infrastruttura dell'ascensore tramite un protocollo di trasferimento dati sicuro unidirezionale. Dai dati registrati, le uscite fattibili per gli algoritmi di rilevamento potrebbero essere calcolate utilizzando equazioni di conversione in base alle specifiche del motore.

I dati disponibili nei bus di comunicazione degli ascensori possono essere utilizzati come metadati aggiuntivi per gli algoritmi di previsione o da aggiungere come parametri di condizione che indicano guasti funzionali del sistema di porte causati da vandalismo. Dai metadati, le informazioni sul piano dagli eventi delle porte sono le più importanti, poiché i dati sono essenziali per distinguere i dati da ogni piano con singole porte di piano. Le condizioni e la configurazione di ogni porta di piano possono variare, il che può rendere obsoleti gli algoritmi di previsione basati sui dati storici se le informazioni sul piano non sono disponibili. Inoltre, queste informazioni sono essenziali per la manutenzione preventiva, guidando i tecnici sul campo al piano corretto in cui è possibile trovare il guasto previsto.

Lo studio di fattibilità degli accelerometri esterni installati sui pannelli delle porte per rilevare atti vandalici ha mostrato che gli impulsi di impatto si manifestano come spostamenti improvvisi nei componenti delle porte. Per i sensori, il posizionamento preciso è essenziale per catturare accuratamente gli impatti. Sia il posizionamento che l'orientamento del sensore sono fattori critici che influenzano sia la qualità dei dati di training sia le prestazioni complessive di un possibile algoritmo di rilevamento. Il percorso di trasferimento dell'impatto varia a seconda delle configurazioni delle porte e del posizionamento del sensore, rendendo difficile valutare la gravità dell'impatto. Inoltre, la robustezza delle diverse configurazioni delle porte influisce sugli impulsi misurati, che sono strettamente correlati all'energia applicata alle porte. I dati raccolti dagli accelerometri sono stati testati solo nella fase di training degli algoritmi di apprendimento automatico per etichettare gli eventi.

Sono stati raccolti anche i dati del controller delle porte derivanti dal normale utilizzo delle porte e dagli atti vandalici, quando le porte sono state colpite da un carrello di prova. Questi dati sono stati utilizzati per etichettare gli eventi utilizzati per l'addestramento degli algoritmi ML.

3. Selezione dell'algoritmo ML

Lo sviluppo della soluzione per il rilevamento dell'impatto delle porte si è basato sulla suddivisione degli eventi vandalici in tre classi: nominale, impatto e impatto che porta al guasto. In questa fase, il problema è stato formulato come un'attività di classificazione multi-classe.

L'analisi dei dati ha rivelato che le correlazioni più significative con gli impatti sono state trovate nelle maggiori differenze tra velocità effettive e target delle porte, nonché nell'accumulo cumulativo di queste differenze. Questa scoperta era prevista, poiché una porta malfunzionante che non può muoversi continuerà ad accumulare differenze tra velocità effettive e target per la durata del ciclo di registrazione. Questa caratteristica è stata identificata come un potenziale indicatore di rottura della porta. Tuttavia, in alcuni casi di impatto, la porta potrebbe iniziare a riaprirsi, il che significa che l'errore cumulativo non si accumulerà o diventerà difficile distinguerlo dai casi in cui la porta si riapre naturalmente. Inoltre, la differenza di velocità massima tra valore effettivo e target dipende dal fatto che l'impatto si sia verificato vicino all'inizio o alla fine del ciclo della porta o a metà del ciclo della porta.

La criticità temporale è essenziale quando si sviluppano soluzioni per il rilevamento di atti vandalici, poiché è necessario segnalare gli incidenti il ​​prima possibile. Ciò è particolarmente rilevante per gli impatti che portano a guasti, in cui la registrazione del ciclo di dati termina dopo diversi minuti. Pertanto, in questi casi, l'inferenza deve essere eseguita durante il ciclo di dati.

Un altro criterio per la scelta della soluzione finale è stato garantire che segnalasse solo i casi di impatto e nessun altro malfunzionamento.

Il campo dell'apprendimento automatico comprende un'ampia gamma di algoritmi diversi, molti dei quali possono essere utilizzati per la classificazione.^[12] Il processo di selezione del modello comporta in genere diverse iterazioni del ciclo di progettazione, che includono fasi quali la riduzione della dimensionalità e la progettazione del predittore.^[12,13] In questo caso, oltre all'accuratezza, è stata posta enfasi sull'interpretabilità dell'algoritmo. La regressione logistica è stata scelta come modello di base per la sua linearità e l'elevata interpretabilità.^[14] L'obiettivo era di migliorarne le prestazioni. Il modello di base è stato progettato per essere una soluzione di streaming, ovvero la classificazione avviene contemporaneamente al movimento della porta. Il tasso di accuratezza iniziale raggiunto con il modello lineare era di circa il 75%. La Figura 3 visualizza lo sviluppo dei classificatori di tipo soluzione di streaming. Il primo ciclo è classificato come nominale (verde), quindi si verifica l'impatto e l'etichetta si trasferisce da impatto (giallo) a impatto che porta al guasto (rosso).

Le dimensioni relativamente ridotte del set di dati iniziale limitano l'uso di algoritmi più complessi, poiché potrebbero potenzialmente portare a un overfitting.^[13] Le metriche per ciascun algoritmo sono state valutate utilizzando il metodo di convalida incrociata, una tecnica ampiamente utilizzata in tali scenari. ^[12]

Uno dei metodi testati è stato il classificatore random forest, un algoritmo comunemente utilizzato nell'apprendimento automatico.^[14] Questo metodo può gestire efficacemente dati ad alta dimensionalità e ridurre il rischio di sovradattamento utilizzando più alberi.^[14] Tuttavia, presenta anche degli svantaggi, tra cui un controllo limitato sul modello e una maggiore complessità rispetto a un singolo albero decisionale, rendendoli difficili da interpretare quando il numero di alberi aumenta. Il tasso di accuratezza iniziale raggiunto con la foresta casuale era di circa l'80%.

Anche le reti neurali sono state considerate come una potenziale soluzione. Questi metodi sono in genere più vantaggiosi quando si ha a che fare con grandi set di dati con relazioni complesse.^[14] Rispetto ai metodi precedenti, la complessità aumenta e l'interpretabilità diminuisce, soprattutto quando si ha a che fare con reti neurali profonde.^[12,14] In questo caso, il tasso di accuratezza è risultato essere simile a quello ottenuto con il classificatore Random Forest.

I risultati preliminari hanno confermato la capacità di rilevare gli impatti sulle porte. Tuttavia, c'erano indicazioni che l'esecuzione della classificazione dopo la registrazione del ciclo di dati avrebbe potuto migliorare la precisione. L'analisi dei dati ha dimostrato che le porte inceppate potevano essere identificate durante il ciclo della porta utilizzando un modello lineare. Ciò consentirebbe quindi la classificazione binaria dopo il ciclo della porta, separando i casi nominali dagli impatti che non portano a guasti. La Figura 4 illustra un piano per differenziare i guasti delle porte di piano da altri tipi di cicli. Il processo di registrazione dei dati è stato interrotto dopo che la porta si è inceppata, con conseguente errore di velocità cumulativo più elevato nella pratica.

Il classificatore random forest è stato selezionato per la classificazione del ciclo di dati successivo grazie alle sue buone prestazioni nei test preliminari. Gli iperparametri sono stati ottimizzati tramite una ricerca esaustiva su una griglia di parametri predefinita, con conseguente aumento del tasso di accuratezza fino al 90% e un tasso di precisione superiore al 90%. In questi risultati riportati, la classificazione è stata condotta correttamente, il che significa che tutti i casi in cui si è verificato un impatto, indipendentemente dalla sua entità, sono stati etichettati di conseguenza. È stato scoperto che gli impatti delle portiere delle auto, ad esempio, sono più difficili da rilevare rispetto agli impatti delle porte di piano. I risultati indicano che, concentrandosi sugli eventi di impatto ottimali, esiste il potenziale per migliorare ulteriormente il tasso di precisione. Dando priorità alla precisione rispetto al richiamo, il tasso di falsi positivi può essere ridotto anche se ciò significa che alcuni impatti potrebbero essere persi.

Per soddisfare i requisiti di segnalazione rapida, sono state proposte due soluzioni ML: una soluzione in streaming, per l'impatto che porta a un errore, che esegue l'inferenza in tempo reale, quando i dati vengono registrati; e una soluzione ritardata per l'impatto che non porta a un errore, quando i dati vengono inferiti dopo il completamento dell'intero ciclo della porta.

Gli input per una soluzione ML ritardata sono massimo, minimo o derivate di velocità, posizione e forza della porta. Inoltre, vengono utilizzate soglie e fattori di scala basati su modelli di simulazione. L'accuratezza di questa soluzione è maggiore.

L'input per una soluzione di streaming ML è limitato, perché gli errori cumulativi vengono calcolati solo alla fine del ciclo, che è troppo tardi per il requisito di fast-flagging. L'accuratezza di questa soluzione non è elevata come quella precedente e può essere migliorata utilizzando metadati dal bus di comunicazione dell'ascensore.

4. Attuazione

Il rilevamento di atti vandalici richiede l'analisi in tempo reale dei dati per garantire che gli atti vandalici vengano identificati non appena si verificano. Di conseguenza, l'algoritmo ML per il rilevamento di atti vandalici è strettamente integrato con il software di data-logging per ridurre al minimo la latenza e migliorare la tempestività del rilevamento.

La registrazione dei dati e il rilevamento di atti vandalici vengono effettuati in loco tramite edge computing, implementato direttamente sulla cabina dell'ascensore. Il dispositivo edge è interfacciato con l'operatore della porta tramite un protocollo proprietario su una connessione seriale.

Il software e l'hardware sono progettati per la funzionalità plug-and-play, consentendo a un tecnico di posizionare semplicemente il dispositivo in cima alla cabina dell'ascensore e di collegarlo all'operatore della porta e di fornire energia. Una volta installato, il sistema avvierà autonomamente la raccolta e l'analisi dei dati.

Le funzionalità della soluzione operano completamente senza la necessità di accesso a Internet. Tutta l'elaborazione post-dati e le inferenze ML vengono eseguite localmente sul dispositivo edge, eliminando la necessità di elaborazione remota. Questa architettura consente alla soluzione di funzionare efficacemente in ambienti offline, il che è particolarmente vantaggioso in scenari in cui la sicurezza informatica è una preoccupazione primaria. Inoltre, le notifiche critiche generate dal dispositivo possono essere trasmesse tramite la rete locale direttamente a una sala di controllo locale, garantendo il funzionamento continuo anche in assenza di connettività Internet.

In una configurazione online, i dati analizzati e i risultati dell'inferenza vengono trasmessi dal dispositivo edge a una soluzione basata su cloud. Le regole di notifica e l'archiviazione dei dati vengono gestiti all'interno dell'ambiente cloud,^[15] facilitando una gestione più efficiente delle notifiche e consentendo l'utilizzo dei dati per applicazioni aggiuntive. I trasferimenti di dati dal dispositivo edge al cloud vengono condotti utilizzando il protocollo di messaggistica MQTT^[16] e Kafka,^[17] garantendo una comunicazione affidabile e scalabile.

Le capacità di accesso remoto della soluzione e la facilità di distribuzione consentono uno sviluppo continuo, consentendo ai contenitori e ai vari componenti di essere aggiornati da remoto senza ritardi prolungati. Ciò facilita l'incorporazione di nuove funzionalità durante il loro sviluppo, consentendo l'analisi in tempo reale in ambienti reali per valutare le prestazioni. Una volta convalidate, queste funzionalità possono essere completamente implementate e distribuite per un uso pratico.

5. Conclusioni

Il vandalismo o l'uso improprio delle porte rappresentano una sfida per tutti i segmenti del mercato, con un'importanza maggiore per il segmento infrastrutturale: aeroporti, stazioni della metropolitana e stazioni ferroviarie. Identificare questo tipo di guasto dell'ascensore è rilevante sia per l'azienda che fornisce la manutenzione sia per il cliente. L'identificazione precoce dei problemi relativi alle porte consente una pianificazione della manutenzione più efficace, riducendo la necessità di riparazioni di emergenza e consentendo strategie di manutenzione predittiva. Ciò non solo riduce i costi di manutenzione complessivi, ma riduce anche al minimo le interruzioni del servizio.

È stata presentata una soluzione conveniente in cui gli algoritmi ML distribuiti su un bordo situato in cima alla cabina possono identificare e notificare con successo l'uso improprio e il vandalismo delle porte per la fase in cui la cabina è al pianerottolo. L'uso dei segnali del sistema operativo esistente per la raccolta dati elimina la necessità di sensori aggiuntivi. Ciò rende la soluzione non solo conveniente, ma anche più facile da implementare senza richiedere modifiche significative all'infrastruttura dell'ascensore.

Sebbene questa soluzione abbia dimostrato la sua efficacia in segmenti infrastrutturali con elevato traffico pedonale, l'approccio può essere facilmente ampliato e adattato ad altri segmenti di mercato, come gli edifici residenziali e commerciali, offrendo così uno strumento versatile per un'ampia gamma di sistemi di ascensori.

Riducendo i tempi di fermo dell'ascensore e riducendo al minimo gli incidenti di intrappolamento dei passeggeri causati da guasti alle porte, questa soluzione migliora significativamente l'esperienza complessiva dell'utente e la soddisfazione del cliente, in linea con l'obiettivo fondamentale di mantenere la massima disponibilità dell'ascensore.

---

Referenze

[1] Rapporto di mercato degli ascensori [grandviewresearch.com/industry-analysis/elevators-market-report], 2023.

[2] Aspettativa di vita degli ascensori [elevatorsource.com/elevator_life_expectancy.htm], 2019.

[3] Aspettativa di vita di un ascensore residenziale [futureliftservices.co.uk/blog/what-is-the-life-expectancyof- a-residential-lift/], 2023.

[4] Monitoraggio degli ascensori [2n.com], 2024.

[5] Che cos'è il monitoraggio degli ascensori [sirixmonitoring.com] 2023.

[6] EP 3424860 A1 “Un sistema di monitoraggio degli atti vandalici negli ascensori”, domanda di brevetto europeo, 2019.

[7] EP 3191395B1, Roberts, Randall Keith. “Sistema di monitoraggio dell'usura e della durata degli elementi di tensione dell'elevatore basato sulle vibrazioni.” Domanda di brevetto europeo, 2015.

[8] EP 4188862A1, Martin Zellhofer, “Un metodo implementato al computer per addestrare un modello di apprendimento automatico per rilevare errori di installazione in un ascensore, in particolare una porta dell'ascensore, un metodo implementato al computer per classificare gli errori di installazione e un sistema relativo.” Domanda di brevetto europeo, 2022.

[9] Lin, M. “Simulazioni basate sulla fisica dei sistemi di porte degli ascensori”. Tesi di laurea magistrale, Aalto University, 2021.

[10] Magargle, Ryan, et al., “Un gemello digitale basato sulla simulazione per il monitoraggio dello stato di salute basato su modelli e la manutenzione predittiva di un sistema frenante automobilistico”. Modelica. 2017.

[11] GE, Boston, MA., “Come un 'gemello digitale' per le risorse fisiche può aiutare a evitare tempi di inattività non pianificati”, 2016.

[12] Li, H., Lin, L. e Zeng, H., “Metodi di apprendimento automatico”. 1a ed. 2024. Singapore: Springer Nature Singapore, 2024.

[13] Braga-Neto, U. “Fondamenti del riconoscimento di pattern e apprendimento automatico”. 2a ed. Springer International Publishing, 2024.

[14] Vijayvargia, “A. Machine Learning con Python: un approccio all’apprendimento automatico applicato”. Nuova Delhi: BPB Publications, 2018.

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

[16] Trasporto di telemetria di messa in coda dei messaggi (MQTT) [mqtt.org], 2024

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