Soluções de aprendizado de máquina para monitoramento de vandalismo em portas

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

Sumário

O uso indevido ou o vandalismo de portas são reconhecidos como uma das principais causas de falhas em elevadores, especialmente em estações de metrô, aeroportos ou outros segmentos de mercado com grande fluxo de pessoas.

O objetivo deste artigo é apresentar as conclusões da criação de uma solução econômica e precisa para monitorar a integridade das portas, identificar o tipo de falha por vandalismo e notificar a equipe de manutenção sobre os detalhes das falhas ocorridas.

A metodologia consiste em capturar os sinais necessários para o funcionamento das portas durante seus ciclos de abertura e fechamento. Não são necessários sensores adicionais para a coleta de dados, o que torna a solução economicamente atrativa. Diversos algoritmos de Aprendizado de Máquina (ML) foram desenvolvidos e comparados para analisar as alterações induzidas por passageiros que colidem com as portas, o momento da colisão em relação ao ciclo de funcionamento das portas, a posição da colisão e o tempo de resposta para identificar a falha e enviar a notificação.

A coleta e análise de dados foram essenciais para o treinamento inicial dos algoritmos de aprendizado de máquina, visando identificar as soluções mais precisas e confiáveis. Devido à variabilidade inerente às ações humanas, que pode levar a diferenças significativas nos dados de um caso para outro, foi imprescindível utilizar um conjunto de dados abrangente e validado. Essa abordagem garantiu a obtenção de resultados ótimos.

Por fim, o algoritmo mais adequado foi selecionado e implementado em um dispositivo de borda localizado no teto do carro. Em seguida, foram realizados os testes e a validação da solução para garantir a eficácia dos algoritmos de aprendizado de máquina.

1. Introdução

As portas desempenham um papel crucial na confiabilidade operacional dos sistemas de elevadores, principalmente em ambientes com grande fluxo de pessoas. Tradicionalmente, problemas relacionados a portas representam uma parcela significativa das chamadas de serviço de elevadores em todo o setor — aproximadamente um terço de todos os incidentes relatados. Além disso, essas falhas nas portas geralmente estão associadas ao aprisionamento de passageiros, o que complica ainda mais as operações de serviço e manutenção.

A importância do monitoramento e da manutenção eficazes de elevadores é impulsionada pela expansão do mercado global, agravada pela crescente urbanização e pelo aumento significativo da população idosa. Com uma taxa de crescimento anual estimada em 6.4% entre 2023 e 2030, A indústria de elevadores enfrenta demandas crescentes por confiabilidade e longevidade, com a vida útil típica dos elevadores variando entre 15 e 30 anos em diversos segmentos de mercado. Nesse contexto, o ranking das falhas em elevadores por frequência, impacto, custo de reparo e implicações para a segurança revela que o vandalismo e os danos causados ​​pelos usuários estão entre os 10 problemas mais críticos. Esses incidentes, especialmente em ambientes de grande circulação, são frequentemente indistinguíveis de mau funcionamento comum das portas, o que dificulta o diagnóstico e o registro das falhas.

A instalação e a manutenção de portas de elevador são processos meticulosos que frequentemente exigem montagem no local por técnicos utilizando peças fornecidas. A sensibilidade desses processos pode introduzir variabilidade no desempenho das portas, influenciando sua confiabilidade e suscetibilidade a falhas operacionais. As repercussões econômicas de instalações de portas de baixa qualidade são consideráveis, afetando tanto os custos de manutenção quanto a satisfação do cliente, visto que o objetivo principal continua sendo garantir que os sistemas de elevadores estejam operacionais com o mínimo de tempo de inatividade.

Em resposta a esses desafios, há uma ênfase crescente no desenvolvimento de soluções robustas de monitoramento e diagnóstico, visando identificar falhas em portas e casos de vandalismo. Essas iniciativas são cruciais para aumentar a confiabilidade do sistema e reduzir as interrupções de serviço, principalmente em segmentos de infraestrutura como aeroportos, metrôs e estações de trem, onde o uso indevido ou o vandalismo de portas são mais frequentes devido ao maior fluxo de pessoas e às exigências de disponibilidade.

Este artigo explora uma nova abordagem centrada na utilização de algoritmos de aprendizado de máquina para monitorar a integridade das portas de elevadores, detectar vandalismo e notificar prontamente as equipes de manutenção sobre possíveis falhas. Ao analisar os sinais capturados durante a operação normal das portas sem sensores adicionais, a solução proposta oferece um método economicamente viável e tecnicamente factível para aumentar a confiabilidade do sistema de elevadores.

Esta introdução prepara o terreno para uma análise detalhada da metodologia, das descobertas e dos resultados da implementação de algoritmos de aprendizado de máquina no monitoramento de portas, visando alcançar eficiência econômica e confiabilidade operacional em sistemas de elevadores.

2. Selecionando a solução

Existem diversas soluções propostas para monitorar o vandalismo em portas: monitoramento por vídeo; uso de acelerômetros, sensores de pressão, som ou outros; monitoramento de sistemas de controle de elevadores, etc.

Cada uma dessas soluções apresenta vantagens e desafios. O monitoramento por vídeo de cada porta de andar e porta da cabine pode fornecer monitoramento em tempo real e identificação do usuário que estiver fazendo uso indevido do elevador; No entanto, a complexidade do sistema torna a solução dispendiosa. Além disso, a identificação do usuário deve estar em conformidade com as normas gerais de proteção de dados vigentes.

A metodologia para detecção de falhas ou vandalismo em portas de elevadores usando sensores externos, como acelerômetros, foi apresentada em diversas patentes. A solução é mais econômica do que o monitoramento por vídeo devido ao custo dos sensores e ao menor volume de dados que precisam ser armazenados e analisados. O desafio do uso de acelerômetros reside no treinamento do aprendizado de máquina para diferenciar o comportamento normal do uso indevido: o valor absoluto do nível de vibração e seu espectro dependem muito da qualidade dos sensores, de sua posição na cabine e da configuração do elevador.

As falhas reportadas pelos sistemas de controle, relacionadas às portas, foram propostas e estudadas como uma solução para o monitoramento de vandalismo. A solução de monitoramento pode identificar com alta precisão quando a funcionalidade da porta está comprometida e o elevador está fora de serviço; no entanto, existem desafios na identificação da causa raiz da falha da porta quando há uma falha de projeto, desgaste do equipamento ou vandalismo.

A solução proposta neste artigo combina o conhecimento do especialista em portas com a experiência do analista de dados. Dados operacionais do controlador de portas e dados sintéticos de modelos de simulação são usados ​​para treinar algoritmos de aprendizado de máquina.

A identificação e notificação de falhas são realizadas com base nos dados coletados do controlador da porta durante o período de maior risco de vandalismo: pessoas entrando ou saindo do carro com bagagens grandes e pesadas, durante a abertura ou o fechamento da porta. O monitoramento das portas do pavimento quando o carro não está estacionado é considerado de menor risco e, devido ao custo adicional decorrente da coleta de dados de cada porta, está fora do escopo deste projeto.

O resultado é um dispositivo de borda simples localizado na parte superior do carro e conectado ao sistema de operação da porta com um único cabo [Figura 1].

2.1 Modelos de Simulação

O desenvolvimento de algoritmos para fins de prevenção e detecção em sistemas de elevadores é inerentemente desafiador devido à complexidade e variabilidade dos componentes envolvidos. Para alcançar a precisão ideal e minimizar falsos positivos em algoritmos escaláveis, testes e aquisição de dados que demandam muitos recursos são essenciais. Para fins de rotulagem e validação, um número substancial de sensores e sistemas de monitoramento, em conjunto com a infraestrutura de elevadores existente, é necessário para garantir a confiabilidade estatística em diversas condições. Além disso, as portas de elevadores são subsistemas altamente configuráveis ​​com componentes variáveis, resultando em diferentes linhas de base de dados para cada configuração. 

Neste estudo, modelos de simulação representando sistemas de portas de elevadores foram empregados para analisar o comportamento das portas durante a operação normal, mau uso e cenários de falha. Os resultados das análises de simulação são utilizados para desenvolver especificações para algoritmos projetados para detectar o mau uso e quantificar sua gravidade. Esses resultados também determinam a seleção de saídas específicas que devem ser monitoradas pelos algoritmos de aprendizado de máquina para cada caso de mau funcionamento, a fim de garantir uma detecção precisa e confiável. A plausibilidade da utilização de simulações para recriar artificialmente sistemas de portas de elevadores com mau funcionamento foi investigada com sucesso em [referência omitida]. Os resultados do estudo demonstraram uma correlação suficiente entre os resultados simulados e os dados obtidos em ambientes de teste. A metodologia proposta também foi aplicada em outros setores, como a indústria automotiva. para fins semelhantes.

O vandalismo ou uso indevido de portas é um desafio para todos os segmentos do mercado, com maior importância para o segmento de infraestrutura: aeroportos, estações de metrô e estações de trem. 

A partir dos resultados da simulação, constatou-se que, quando as portas do elevador eram atingidas por uma força externa, era possível detectar uma mudança rápida na velocidade da porta, na posição e na força de entrada do motor da porta [Figura 2].

A constatação de que o vandalismo induz variação nos dados coletados do controlador da porta determina a próxima etapa necessária para validar os modelos e estender o cálculo para diferentes configurações de porta, força do vandalismo, tempo e posição.

2.2 Coleta de Dados

Os dados viáveis ​​para a detecção de vandalismo e uso indevido, definidos a partir de modelos de simulação, foram coletados de sistemas de portas de elevadores. O motor e o acionamento da porta comunicam-se com o controlador da porta em um circuito de controle. O controlador recebe os dados do encoder do motor e as saídas de potência do acionamento, que são registradas por um dispositivo de borda localizado na infraestrutura do elevador por meio de um protocolo de transferência de dados seguro unidirecional. A partir dos dados registrados, as saídas viáveis ​​para os algoritmos de detecção puderam ser calculadas usando equações de conversão que dependem das especificações do motor.

Os dados disponíveis nos barramentos de comunicação dos elevadores podem ser utilizados como metadados adicionais para os algoritmos de previsão ou adicionados como parâmetros de condição que indicam falhas funcionais do sistema de portas causadas por vandalismo. Dentre os metadados, a informação do andar proveniente dos eventos nas portas é a mais importante, pois esses dados são essenciais para distinguir os dados de cada andar com suas respectivas portas de pavimento. A condição e a configuração de cada porta de pavimento podem variar, o que pode tornar obsoletos os algoritmos de previsão baseados em dados históricos caso a informação do andar não esteja disponível. Além disso, essa informação é essencial para a manutenção preventiva, guiando os técnicos de campo até o andar correto onde a falha prevista pode ser encontrada.

O estudo de viabilidade da instalação de acelerômetros externos em painéis de portas para detecção de vandalismo mostrou que os impulsos de impacto se manifestam como deslocamentos repentinos nos componentes da porta. Para os sensores, o posicionamento preciso é essencial para capturar os impactos com exatidão. Tanto o posicionamento quanto a orientação do sensor são fatores críticos que influenciam a qualidade dos dados de treinamento e o desempenho geral de um possível algoritmo de detecção. A trajetória de propagação do impacto varia dependendo da configuração da porta e do posicionamento do sensor, dificultando a avaliação da severidade do impacto. Além disso, a robustez de diferentes configurações de porta afeta os impulsos medidos, que estão intimamente correlacionados com a energia aplicada às portas. Os dados coletados pelos acelerômetros foram testados apenas na fase de treinamento de algoritmos de aprendizado de máquina para rotular os eventos.

Os dados do controlador da porta foram coletados durante o uso normal e em casos de vandalismo, quando as portas foram atingidas por um carrinho de teste. Esses dados foram usados ​​para rotular os eventos utilizados no treinamento de algoritmos de aprendizado de máquina.

3. Selecionando o algoritmo de aprendizado de máquina

O desenvolvimento da solução para detecção de impacto em portas baseou-se na divisão dos eventos de vandalismo em três classes: nominal, impacto e impacto que leva à falha. Nesta fase, o problema foi formulado como uma tarefa de classificação multiclasse.

A análise dos dados revelou que as correlações mais significativas com os impactos foram encontradas nas maiores diferenças entre as velocidades reais e as velocidades alvo da porta, bem como no acúmulo cumulativo dessas diferenças. Essa constatação era esperada, visto que uma porta com defeito que não se move continuará acumulando diferenças entre as velocidades reais e as velocidades alvo durante todo o ciclo de registro. Essa característica foi identificada como um potencial indicador de quebra da porta. No entanto, em alguns casos de impacto, a porta pode começar a reabrir, o que significa que o erro cumulativo não se acumulará ou se tornará difícil de distinguir dos casos em que a porta está reabrindo naturalmente. Além disso, a diferença máxima de velocidade entre o valor real e o valor alvo depende se o impacto ocorreu próximo ao início, ao fim ou no meio do ciclo da porta.

A criticidade temporal é essencial no desenvolvimento de soluções para detecção de vandalismo, pois é necessário sinalizar incidentes o mais rápido possível. Isso é particularmente relevante para impactos que levam a falhas, onde o ciclo de registro de dados termina após alguns minutos. Portanto, nesses casos, a inferência deve ser realizada durante o ciclo de dados.

Outro critério para a seleção da solução final foi garantir que ela sinalizasse apenas instâncias de impactos e nenhuma outra falha de funcionamento.

O campo do aprendizado de máquina abrange uma ampla gama de algoritmos diferentes, muitos dos quais podem ser usados ​​para classificação. O processo de seleção de modelos normalmente envolve várias iterações do ciclo de projeto, que inclui etapas como redução de dimensionalidade e projeto de preditores. Neste caso, além da precisão, enfatizou-se a interpretabilidade do algoritmo. A regressão logística foi escolhida como modelo de base devido à sua linearidade e alta interpretabilidade. O objetivo era aprimorar seu desempenho. O modelo base foi projetado para ser uma solução de fluxo contínuo, o que significa que a classificação ocorre simultaneamente ao movimento da porta. A taxa de acerto inicial alcançada com o modelo linear foi de cerca de 75%. A Figura 3 visualiza o desenvolvimento de classificadores do tipo solução de fluxo contínuo. O primeiro ciclo é classificado como nominal (verde), então ocorre o impacto e o rótulo muda de impacto (amarelo) para impacto que leva à falha (vermelho).

O tamanho relativamente pequeno do conjunto de dados inicial limita o uso de algoritmos mais complexos, pois estes poderiam potencialmente levar ao sobreajuste. As métricas de cada algoritmo foram avaliadas utilizando o método de validação cruzada, uma técnica amplamente utilizada em tais cenários.

Um dos métodos testados foi o classificador de floresta aleatória, um algoritmo comumente usado em aprendizado de máquina. Este método consegue lidar eficazmente com dados de alta dimensionalidade e reduzir o risco de sobreajuste, utilizando múltiplas árvores de decisão. No entanto, também apresenta desvantagens, incluindo controle limitado sobre o modelo e maior complexidade em comparação com uma única árvore de decisão, o que dificulta a interpretação quando o número de árvores aumenta. A taxa de acerto inicial alcançada com a floresta aleatória foi de cerca de 80%.

Redes neurais também foram consideradas como uma solução potencial. Esses métodos são geralmente mais vantajosos ao lidar com grandes conjuntos de dados com relações complexas. Em comparação com os métodos anteriores, a complexidade aumenta e a interpretabilidade diminui, especialmente ao lidar com redes neurais profundas. Neste caso, a taxa de acerto encontrada foi semelhante à obtida com o classificador de floresta aleatória.

Os resultados preliminares confirmaram a capacidade de detectar impactos em portas. No entanto, houve indícios de que realizar a classificação após o registro do ciclo de dados poderia aumentar a precisão. A análise de dados demonstrou que portas emperradas poderiam ser identificadas durante o ciclo da porta usando um modelo linear. Isso permitiria a classificação binária após o ciclo da porta, separando casos normais de impactos que não levam à falha. A Figura 4 ilustra um plano para diferenciar falhas em portas de pavimento de outros tipos de ciclos. O processo de registro de dados foi interrompido após a porta emperrar, resultando, na prática, em um erro cumulativo de velocidade maior.

O classificador Random Forest foi selecionado para a classificação do ciclo de dados subsequente devido ao seu bom desempenho em testes preliminares. Os hiperparâmetros foram otimizados por meio de uma busca exaustiva em uma grade de parâmetros predefinida, resultando em uma taxa de acurácia aprimorada de até 90% e uma taxa de precisão superior a 90%. Nestes resultados, a classificação foi realizada corretamente, o que significa que todas as instâncias em que ocorreu um impacto, independentemente de sua magnitude, foram rotuladas adequadamente. Constatou-se que impactos em portas de carros, por exemplo, são mais difíceis de detectar do que impactos em portas de patamares. Os resultados indicam que, ao focar em eventos de impacto ideais, há potencial para aprimorar ainda mais a taxa de precisão. Ao priorizar a precisão em relação à revocação, a taxa de falsos positivos pode ser reduzida, mesmo que isso signifique que alguns impactos possam ser perdidos.

Para atender aos requisitos de sinalização rápida, foram propostas duas soluções de aprendizado de máquina: uma solução de streaming, para impactos que levam à falha, que realiza a inferência em tempo real, quando os dados são registrados; e uma solução com atraso, para impactos que não levam à falha, na qual os dados são inferidos após a conclusão de todo o ciclo da porta.

As entradas para uma solução de aprendizado de máquina (ML) com atraso são os valores máximos, mínimos ou derivados da velocidade, posição e força da porta. Além disso, são utilizados limiares e fatores de escala baseados em modelos de simulação. A precisão dessa solução é maior.

A entrada para uma solução de aprendizado de máquina em fluxo contínuo é limitada, pois os erros cumulativos são calculados apenas no final do ciclo, o que é tarde demais para o requisito de sinalização rápida. A precisão dessa solução não é tão alta quanto a anterior e pode ser melhorada com o uso de metadados do barramento de comunicação do elevador.

4. Implementação

A detecção de vandalismo exige a análise de dados em tempo real para garantir que os atos de vandalismo sejam identificados assim que ocorrem. Consequentemente, o algoritmo de aprendizado de máquina para detecção de vandalismo é integrado ao software de registro de dados para minimizar a latência e aumentar a rapidez da detecção.

O registro de dados e a detecção de vandalismo são realizados no local por meio de computação de borda, implementada diretamente na cabine do elevador. O dispositivo de borda se comunica com o operador da porta por meio de um protocolo proprietário em uma conexão serial.

O software e o hardware são projetados para funcionalidade plug-and-play, permitindo que um técnico simplesmente posicione o dispositivo no topo da cabine do elevador, conecte-o ao operador da porta e forneça energia. Uma vez instalado, o sistema iniciará automaticamente a coleta e análise de dados.

As funcionalidades da solução operam inteiramente sem a necessidade de acesso à internet. Todo o pós-processamento de dados e inferências de aprendizado de máquina são realizados localmente no dispositivo de borda, eliminando a necessidade de computação remota. Essa arquitetura permite que a solução funcione efetivamente em ambientes offline, o que é particularmente vantajoso em cenários onde a segurança cibernética é uma preocupação primordial. Além disso, notificações críticas geradas pelo dispositivo podem ser transmitidas pela rede local diretamente para uma sala de controle local, garantindo a operação contínua mesmo na ausência de conectividade com a internet.

Em uma configuração online, os dados analisados ​​e os resultados das inferências são transmitidos do dispositivo de borda para uma solução baseada em nuvem. As regras de notificação e o armazenamento de dados são gerenciados no ambiente de nuvem. Isso facilita uma administração mais eficiente das notificações e permite que os dados sejam utilizados para aplicações adicionais. As transferências de dados do dispositivo de borda para a nuvem são realizadas utilizando o protocolo de mensagens MQTT. e Kafka, Garantir uma comunicação confiável e escalável.

Os recursos de acesso remoto e a facilidade de implantação da solução permitem o desenvolvimento contínuo, possibilitando a atualização remota de contêineres e diversos componentes sem longas esperas. Isso facilita a incorporação de novos recursos durante o desenvolvimento, permitindo análises em tempo real em ambientes reais para avaliar o desempenho. Uma vez validados, esses recursos podem ser totalmente implementados e implantados para uso prático.

5. Conclusões

O vandalismo ou o uso indevido de portas é um desafio para todos os segmentos do mercado, com maior importância para o segmento de infraestrutura: aeroportos, estações de metrô e estações ferroviárias. Identificar esse tipo de falha em elevadores é relevante tanto para a empresa responsável pela manutenção quanto para o cliente. A identificação precoce de problemas relacionados às portas permite um planejamento de manutenção mais eficaz, reduzindo a necessidade de reparos emergenciais e possibilitando estratégias de manutenção preditiva. Isso não só reduz os custos gerais de manutenção, como também minimiza as interrupções no serviço.

Foi apresentada uma solução de baixo custo na qual algoritmos de aprendizado de máquina (ML) implementados em um dispositivo de borda localizado no topo da cabine do elevador conseguem identificar e notificar com sucesso o uso indevido e o vandalismo das portas quando a cabine está no andar. O uso de sinais existentes do sistema operacional para coleta de dados elimina a necessidade de sensores adicionais. Isso torna a solução não apenas econômica, mas também mais fácil de implementar, sem exigir alterações significativas na infraestrutura do elevador.

Embora essa solução tenha demonstrado sua eficácia em segmentos de infraestrutura com grande fluxo de pedestres, a abordagem pode ser facilmente dimensionada e adaptada a outros segmentos de mercado, como edifícios residenciais e comerciais, oferecendo assim uma ferramenta versátil para uma ampla gama de sistemas de elevadores.

Ao reduzir o tempo de inatividade dos elevadores e minimizar os incidentes de passageiros presos causados ​​por falhas nas portas, essa solução melhora significativamente a experiência geral do usuário e a satisfação do cliente, alinhando-se ao objetivo principal de manter a máxima disponibilidade dos elevadores.

---

Referências

[1] Relatório de mercado de elevadores [grandviewresearch.com/industry-analysis/elevators-market-report], 2023.

[2] Expectativa de vida útil do elevador [elevatorsource.com/elevator_life_expectancy.htm], 2019.

[3] Expectativa de vida de um elevador residencial [futureliftservices.co.uk/blog/what-is-the-life-expectancyof-a-residential-lift/], 2023.

[4] Monitoramento de elevador [2n.com], 2024.

[5] O que é monitoramento de elevador [sirixmonitoring.com] 2023.

[6] EP 3424860 A1 “Um sistema de monitoramento de vandalismo em elevadores”, pedido de patente europeia, 2019.

[7] EP 3191395B1, Roberts, Randall Keith. “Sistema de monitoramento de desgaste e vida útil do elemento de tensão do elevador baseado em vibração.” Pedido de patente europeia, 2015.

[8] EP 4188862A1, Martin Zellhofer, “Um método implementado por computador para treinar um modelo de aprendizagem de máquina para detectar erros de instalação em um elevador, em particular uma porta de elevador, um método implementado por computador para classificar erros de instalação e um sistema do mesmo.” Pedido de patente europeia, 2022.

[9] Lin, M. “Simulações baseadas em física de sistemas de portas de elevadores.” Dissertação de mestrado, Universidade Aalto, 2021.

[10] Magargle, Ryan, et al., “Um gêmeo digital baseado em simulação para monitoramento de saúde orientado por modelo e manutenção preditiva de um sistema de freio automotivo.” Modelica. 2017.

[11] GE, Boston, MA., “Como um 'Gêmeo Digital' para ativos físicos pode ajudar a alcançar zero tempo de inatividade não planejado”, 2016.

[12] Li, H., Lin, L. & Zeng, H., “Métodos de Aprendizagem de Máquina”. 1ª ed. 2024. Singapura: Springer Nature Singapore, 2024.

[13] Braga-Neto, U. “Fundamentos de reconhecimento de padrões e aprendizado de máquina”. 2ª ed. Springer International Publishing, 2024.

[14] Vijayvargia, “A. Machine Learning with Python: An approach to Applied Machine Learning.” New 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.