Kapı Vandalizmini İzlemek İçin Makine Öğrenme Çözümleri

Yazan: Gabriela Roivainen, Matti Lin, Joel Cardenas, Kari Karen ve Konsta Simonen

Özet

Asansör arızalarının başlıca nedenlerinden birinin, özellikle metro istasyonlarında, havaalanlarında veya trafiğin yoğun olduğu diğer pazar segmentlerinde, kapıların kötü kullanılması veya tahrip edilmesi olduğu tespit edilmiştir.

Bu makalenin odak noktası, kapıların sağlığının izlenmesi, vandalizm arıza türünün belirlenmesi ve meydana gelen arızaların ayrıntıları hakkında bakım ekibinin bilgilendirilmesi için ekonomik ve doğru bir çözüm oluşturmada bulguları incelemektir.

Metodoloji, kapıların açılıp kapanma döngüleri sırasında çalıştırılması için gereken sinyalleri yakalamaktan oluşur. Veri toplama için ek sensörlere gerek yoktur, bu da çözümü ekonomik olarak cazip hale getirir. Yolcuların kapılara çarpmasıyla oluşan değişiklikleri, çarpmanın meydana geldiği zamanı, kapıların çalışma döngüsüne göre, çarpmanın konumunu ve arızayı tespit edip bildirimi göndermek için verilen tepki süresini analiz etmek için birkaç Makine Öğrenmesi (ML) algoritması geliştirildi ve karşılaştırıldı.

Veri toplama ve analizi, en doğru ve güvenilir çözümleri belirlemek için ML algoritmalarının ilk eğitimi için elzemdi. İnsan kaynaklı eylemlerde bulunan ve vakadan vakaya önemli veri farklılıklarına yol açabilen değişkenlik nedeniyle kapsamlı ve doğrulanmış bir veri setinin kullanılması zorunluydu. Bu yaklaşım, optimum sonuçlara ulaşılmasını sağladı.

Son olarak, en uygun algoritma seçildi ve arabanın tepesinde bulunan bir uç cihaza yerleştirildi. Daha sonra çözümün test edilmesi ve doğrulanması, ML algoritmalarının etkinliğini sağlamak için gerçekleştirildi.

1. Giriş

Kapılar, özellikle yoğun insan trafiğinin olduğu ortamlarda asansör sistemlerinin operasyonel güvenilirliğinde kritik bir rol oynar. Geleneksel olarak, kapıyla ilgili sorunlar, sektördeki asansör servis çağrılarının önemli bir bölümünü oluşturur - bildirilen tüm olayların yaklaşık üçte biri. Dahası, bu kapı arızaları genellikle yolcu sıkışmasıyla ilişkilendirilir ve servis ve bakım operasyonlarını daha da karmaşık hale getirir.

Etkili asansör izleme ve bakımının önemi, artan kentleşme ve yaşlı nüfusun önemli ölçüde artmasıyla yönlendirilen genişleyen küresel pazar tarafından desteklenmektedir. 6.4'ten 2023'a kadar tahmini yıllık %2030 büyüme oranıyla,^[1] Asansör sektörü, çeşitli pazar segmentlerinde tipik asansör kullanım ömürlerinin 15 ila 30 yıl arasında değişmesiyle, güvenilirlik ve uzun ömür konusunda artan taleplerle karşı karşıyadır.^[2,3] Bu bağlamda, asansör arızalarının sıklık, etki, onarım maliyeti ve güvenlik etkilerine göre sıralaması, vandalizm ve kullanıcı kaynaklı hasarın en kritik 10 sorun arasında olduğunu ortaya koymaktadır. Özellikle yoğun trafikli ortamlardaki bu olaylar, genellikle standart kapı arızalarından ayırt edilemez ve bu da arıza teşhisini ve raporlamasını karmaşık hale getirir.

Asansör kapılarının montajı ve bakımı, genellikle teslim edilen parçaları kullanan teknisyenler tarafından yerinde montaj gerektiren titiz bir işlemdir. Bu işlemlerin hassasiyeti, kapı performansında değişkenliğe yol açabilir, güvenilirliklerini ve operasyonel arızalara karşı duyarlılıklarını etkileyebilir. Düşük kaliteli kapı montajlarının ekonomik sonuçları önemlidir ve hem bakım maliyetlerini hem de müşteri memnuniyetini etkiler, çünkü birincil hedef asansör sistemlerinin minimum kesinti süresiyle çalışır durumda olmasını sağlamaktır.

Bu zorluklara yanıt olarak, kapı arızalarını ve vandalizm vakalarını belirlemeyi amaçlayan sağlam izleme ve teşhis çözümleri geliştirmeye yönelik artan bir vurgu var. Bu girişimler, özellikle daha yüksek trafik ve kullanılabilirlik gereksinimleri nedeniyle kapıların kötüye kullanılmasının veya vandalizminin daha yaygın olduğu havaalanları, metrolar ve tren istasyonları gibi altyapı segmentlerinde sistem güvenilirliğini artırmak ve hizmet kesintilerini azaltmak için hayati öneme sahiptir.

Bu makale, asansör kapılarının sağlığını izlemek, vandalizmi tespit etmek ve bakım ekiplerini olası arızalar konusunda derhal bilgilendirmek için ML algoritmalarından yararlanmaya odaklanan yeni bir yaklaşımı araştırmaktadır. Ek sensörler olmadan normal kapı işlemleri sırasında yakalanan sinyalleri analiz ederek, önerilen çözüm asansör sistemi güvenilirliğini artırmak için ekonomik olarak uygulanabilir ve teknik olarak uygulanabilir bir yöntem sunmaktadır.

Bu giriş, asansör sistemlerinde hem ekonomik verimlilik hem de operasyonel güvenilirlik elde etmeyi amaçlayan kapı izlemede ML algoritmalarının uygulanmasına ilişkin metodoloji, bulgular ve sonuçların ayrıntılı bir şekilde incelenmesi için zemin hazırlamaktadır.

2. Çözümün Seçilmesi

Kapı vandallığını izlemek için önerilen birkaç çözüm vardır: video izleme; ivmeölçer, basınç, ses veya diğer sensörlerin kullanılması; asansör kontrol sistemlerinin izlenmesi, vb.

Bu çözümlerin her biri için avantajlar ve zorluklar vardır. Her iniş kapısının ve kabin kapısının video izlemesi, asansörü kötüye kullanan kullanıcının gerçek zamanlı izlenmesini ve tanımlanmasını sağlayabilir;^[4,5] ancak sistemin karmaşıklığı çözümü pahalı hale getirir. Ayrıca, kullanıcının kimliğinin mevcut genel veri koruma düzenlemeleriyle uyumlu olması gerekir.

Asansör kaynaklı kapı arızalarının veya vandalizmin ivmeölçer gibi harici sensörler kullanılarak tespit edilmesine yönelik metodoloji birçok patentte sunulmuştur.^[6,7,8] Çözüm, sensörlerin maliyeti ve depolanması ve analiz edilmesi gereken daha küçük veri hacmi nedeniyle video izlemeden daha ekonomiktir. İvmeölçerleri kullanmanın zorluğu, ML'nin normal davranışı ve yanlış kullanımı ayırt etmesi için eğitilmesidir: Titreşim seviyesinin mutlak değeri ve spektrumu, sensörlerin kalitesine, kabindeki konumlarına ve asansör yapılandırmasına büyük ölçüde bağlıdır.^[9]

Kapılarla ilgili kontrol sistemleri tarafından bildirilen arızalar, vandalizm izleme için bir çözüm olarak önerilmiş ve incelenmiştir. İzleme çözümü, kapı işlevselliğinin tehlikeye girdiği ve asansörün arızalı olduğu durumları yüksek doğrulukla belirleyebilir; ancak, bir tasarım hatası, ekipman aşınması veya vandalizm olduğunda kapı arızasının temel nedenini belirlemede zorluklar vardır.

Bu makalede önerilen çözüm, kapı uzmanının bilgisini veri analistinin uzmanlığıyla birleştirmektir. Kapı kontrolörü operasyonel verileri ve simülasyon modellerinden gelen sentetik veriler, ML algoritmalarını eğitmek için kullanılır.

Arıza tanımlama ve bildirimi, vandalizm riskinin en yüksek olduğu zaman için kapı kontrolöründen toplanan veriler üzerinde gerçekleştirilir: kapının açılması veya kapanması sırasında büyük ve ağır bagajlarla arabaya hızla giren veya arabadan hızla çıkan kişiler. Arabanın inişte bulunmadığı zamanlarda iniş kapılarının izlenmesi daha düşük bir risk olarak kabul edilir ve her iniş kapısından veri toplamanın getirdiği ek maliyet nedeniyle kapsam dışındadır.

Sonuç, aracın üst kısmına yerleştirilen ve tek bir kablo ile kapı işletim sistemine bağlanan basit bir kenar cihazıdır [Şekil 1].

2.1 Simülasyon Modelleri

Asansör sistemlerinde önleyici ve tespit amaçlı algoritmalar geliştirmek, söz konusu bileşenlerin karmaşıklığı ve değişkenliği nedeniyle doğası gereği zordur. Ölçeklenebilir algoritmalarda optimum doğruluk elde etmek ve yanlış pozitifleri en aza indirmek için kaynak yoğun test ve veri edinimi esastır. Etiketleme ve doğrulama amaçları için, çeşitli koşullarda istatistiksel güvenilirliği sağlamak için mevcut asansör altyapısıyla birlikte önemli sayıda sensör ve izleme sistemi gereklidir. Ek olarak, asansör kapıları, her yapılandırma için farklı veri tabanları ile sonuçlanan, değişen bileşenlere sahip oldukça yapılandırılabilir alt sistemlerdir. 

Bu çalışmada, asansör kapı sistemlerini temsil eden simülasyon modelleri nominal çalışma, yanlış kullanım ve arıza senaryoları sırasında kapı davranışını analiz etmek için kullanıldı. Simülasyon analizlerinden elde edilen bulgular, yanlış kullanımı tespit etmek ve ciddiyetini ölçmek için tasarlanmış algoritmalar için özellikler geliştirmek için kullanılır. Bu bulgular ayrıca, doğru ve güvenilir tespiti sağlamak için her arıza durumu için ML algoritmaları tarafından izlenmesi gereken belirli çıktıların seçimini belirler. Arızalı asansör kapı sistemlerini yapay olarak yeniden oluşturmak için simülasyonları kullanmanın olasılığı, ^[9]Çalışmanın sonuçları, simüle edilmiş sonuçlar ile test ortamlarından elde edilen veriler arasında yeterli bir korelasyon olduğunu göstermiştir. Önerilen metodoloji, otomotiv endüstrisi gibi diğer endüstrilerde de uygulanmıştır.^[10,11] benzer amaçlar için.

Kapı vandalizmi veya kötüye kullanımı, pazarın tüm segmentleri için bir sorun olmakla birlikte, altyapı segmenti için daha da önemli bir sorundur: havaalanları, metro istasyonları ve tren istasyonları. 

Simülasyon sonuçlarından, asansör kapılarının dışarıdan bir kuvvetle vurulması durumunda, kapı hızında, konumunda ve kapı motoru kuvveti alımında hızlı bir değişimin tespit edilebildiği bulundu [Şekil 2].

Vandalizmin kapı kontrol cihazından toplanan verilerde çeşitliliğe yol açtığı bulgusu, modellerin doğrulanması ve farklı kapı konfigürasyonları, vandalizm kuvveti, zaman ve konum için hesaplamanın genişletilmesi için gereken bir sonraki adımı belirler.

2.2 Veri Toplama

Simülasyon modellerinden tanımlanan vandalizm ve kötüye kullanım tespiti için uygulanabilir olan veriler asansör kapı sistemlerinden toplandı. Kapı motoru ve tahrik, bir kontrol döngüsünde kapı kontrolörüyle iletişim kurar. Kontrolör, asansör altyapısında bulunan bir uç cihaz tarafından tek yönlü güvenli veri aktarım protokolü aracılığıyla kaydedilen motor kodlayıcı verilerini ve tahrik güç çıkışlarını alır. Kaydedilen verilerden, algılama algoritmaları için uygulanabilir çıktılar, motor özelliklerine bağlı olarak dönüştürme denklemleri kullanılarak hesaplanabilir.

Asansörlerin iletişim veri yollarında bulunan veriler, tahmin algoritmalarına ek meta veri olarak kullanılabilir veya vandalizmden kaynaklanan kapı sistemi işlevsel arızalarını gösteren koşul parametreleri olarak eklenebilir. Meta verilerden, kapı olaylarından gelen kat bilgisi en önemlisidir, çünkü veri her kattan gelen verileri ayrı iniş kapılarıyla ayırt etmek için gereklidir. Her iniş kapısının durumu ve yapılandırması değişebilir, bu da kat bilgisi mevcut değilse geçmiş verilere dayalı tahmin algoritmalarını geçersiz kılabilir. Ek olarak, bu bilgi önleyici bakım için gereklidir ve saha teknisyenlerini tahmin edilen arızanın bulunabileceği doğru kata yönlendirir.

Kapı panellerine vandalizmi tespit etmek için takılan harici ivmeölçerlerin fizibilite çalışması, darbe darbelerinin kapı bileşenlerinde ani yer değiştirmeler olarak ortaya çıktığını göstermiştir. Sensörler için, darbeleri doğru bir şekilde yakalamak için hassas yerleştirme esastır. Sensörün hem yerleşimi hem de yönü, hem eğitim verisi kalitesini hem de olası bir tespit algoritmasının genel performansını etkileyen kritik faktörlerdir. Darbenin transfer yolu, kapı yapılandırmalarına ve sensör yerleşimine bağlı olarak değiştiğinden, darbenin şiddetini değerlendirmek zorlaşır. Ek olarak, farklı kapı yapılandırmalarının sağlamlığı, kapılara uygulanan enerjiyle yakından ilişkili olan ölçülen darbeleri etkiler. İvmeölçerlerden toplanan veriler, yalnızca olayları etiketlemek için makine öğrenimi algoritmalarının eğitim aşamasında test edilmiştir.

Kapıların normal kullanımından ve kapılar bir test arabası tarafından etkilendiğinde vandalizmden kaynaklanan kapı kontrolörü veri toplaması da toplandı. Bu veriler, ML algoritmalarını eğitmek için kullanılan olayları etiketlemek için kullanıldı.

3. ML Algoritmasının Seçilmesi

Kapı darbesi algılama çözümünün geliştirilmesi, vandalizm olaylarını üç sınıfa ayırmaya dayanıyordu: nominal, darbe ve arızaya yol açan darbe. Bu aşamada, sorun çok sınıflı bir sınıflandırma görevi olarak formüle edildi.

Veri analizi, darbelerle en önemli korelasyonların gerçek ve hedef kapı hızları arasındaki en büyük farklarda ve bu farkların kümülatif birikiminde bulunduğunu ortaya koydu. Bu bulgu, hareket edemeyen arızalı bir kapının kayıt döngüsü süresince gerçek ve hedef hızlar arasındaki farkları biriktirmeye devam edeceği için bekleniyordu. Bu özellik, kapı kırılmasının olası bir göstergesi olarak tanımlandı. Ancak bazı darbe vakalarında kapı yeniden açılmaya başlayabilir, yani kümülatif hata birikmez veya kapının doğal olarak yeniden açıldığı vakalardan ayırt edilmesi zorlaşır. Ek olarak, gerçek ve hedef değer arasındaki maksimum hız farkı, darbenin kapı döngüsünün başlangıcına veya sonuna yakın mı yoksa kapı döngüsünün ortasında mı meydana geldiğine bağlıdır.

Vandal tespiti için çözümler geliştirirken zaman kritikliği esastır, çünkü olayları mümkün olan en kısa sürede işaretlemek gerekir. Bu, özellikle veri döngüsü kaydının birkaç dakika sonra sona erdiği arızaya yol açan etkiler için geçerlidir. Bu nedenle, bu durumlarda çıkarım veri döngüsü sırasında gerçekleştirilmelidir.

Son çözümü seçerken dikkat edilen bir diğer kriter ise sadece darbe örneklerini işaretlemesi ve başka hiçbir arızanın olmamasıydı.

Makine öğrenimi alanı, birçoğu sınıflandırma için kullanılabilen çok çeşitli algoritmaları kapsar.^[12] Model seçimi süreci genellikle boyut azaltma ve tahmin edici tasarımı gibi adımları içeren tasarım döngüsünün birkaç yinelemesini içerir.^[12,13] Bu durumda doğruluk yanında algoritmanın yorumlanabilirliğine de vurgu yapılmıştır. Doğrusallığı ve yüksek yorumlanabilirliği nedeniyle lojistik regresyon temel model olarak seçilmiştir.^[14] Amaç performansını artırmaktı. Temel model, sınıflandırmanın kapı hareketiyle eş zamanlı olarak gerçekleştiği anlamına gelen bir akış çözümü olacak şekilde tasarlandı. Doğrusal modelle elde edilen ilk doğruluk oranı yaklaşık %75'ti. Şekil 3, akış çözümü tipi sınıflandırıcıların gelişimini görselleştirir. İlk döngü nominal olarak sınıflandırılır (yeşil), ardından etki meydana gelir ve etiket etkiden (sarı) arızaya (kırmızı) yol açan etkiye geçer.

Başlangıç ​​veri setinin nispeten küçük boyutu, daha karmaşık algoritmaların kullanımını sınırlar; çünkü bunlar aşırı uyuma yol açabilir.^[13] Her algoritmaya ait metrikler, bu tür senaryolarda yaygın olarak kullanılan bir teknik olan çapraz doğrulama yöntemi kullanılarak değerlendirildi. ^[12]

Test edilen yöntemlerden biri de ML'de yaygın olarak kullanılan bir algoritma olan rastgele orman sınıflandırıcısıydı.^[14] Bu yöntem, yüksek boyutlu verileri etkili bir şekilde işleyebilir ve birden fazla ağaç kullanarak aşırı uyum riskini azaltabilir.^[14] Ancak, model üzerinde sınırlı kontrol ve tek bir karar ağacına kıyasla artan karmaşıklık gibi dezavantajları da vardır ve bu da ağaç sayısı arttığında yorumlanmalarını zorlaştırır. Rastgele ormanla elde edilen ilk doğruluk oranı yaklaşık %80'di.

Sinir ağları da olası bir çözüm olarak düşünüldü. Bu yöntemler genellikle karmaşık ilişkilere sahip büyük veri kümeleriyle uğraşırken en avantajlıdır.^[14] Önceki yöntemlere göre özellikle derin sinir ağları söz konusu olduğunda karmaşıklık artmakta ve yorumlanabilirlik azalmaktadır.^[12,14] Bu durumda doğruluk oranının rastgele orman sınıflandırıcısı ile elde edilen orana yakın olduğu görülmüştür.

Ön sonuçlar, kapılardaki darbeleri tespit etme yeteneğini doğruladı. Ancak, sınıflandırmanın veri döngüsü kaydedildikten sonra gerçekleştirilmesinin doğruluğu artırabileceğine dair göstergeler vardı. Veri analizi, sıkışan kapıların doğrusal bir model kullanılarak kapı döngüsü sırasında tespit edilebileceğini gösterdi. Bu, kapı döngüsünden sonra ikili sınıflandırmayı mümkün kılarak nominal durumları arızaya yol açmayan darbelerden ayırabilir. Şekil 4, iniş kapısı arızalarını diğer döngü türlerinden ayırt etmek için bir düzlemi göstermektedir. Veri kaydı işlemi, kapı sıkıştıktan sonra durduruldu ve bu da pratikte daha yüksek bir kümülatif hız hatasıyla sonuçlandı.

Rastgele orman sınıflandırıcısı, ön testlerdeki iyi performansı nedeniyle sonraki veri döngüsünün sınıflandırılması için seçildi. Hiperparametreler, önceden tanımlanmış bir parametre ızgarası üzerinde kapsamlı bir arama yoluyla optimize edildi ve %90'a kadar artırılmış bir doğruluk oranı ve %90'ı aşan bir hassasiyet oranı elde edildi. Raporlanan bu sonuçlarda, sınıflandırma doğru bir şekilde gerçekleştirildi, yani büyüklüğünden bağımsız olarak bir çarpmanın meydana geldiği tüm durumlar buna göre etiketlendi. Örneğin, araba kapısı çarpmalarının, iniş kapısı çarpmalarından tespit edilmesinin daha zor olduğu bulundu. Bulgular, optimum çarpma olaylarına odaklanılarak hassasiyet oranının daha da artırılabileceği potansiyeli olduğunu gösteriyor. Geri çağırmadan ziyade hassasiyeti önceliklendirerek, bazı çarpmaların gözden kaçması anlamına gelse bile yanlış pozitif oranı azaltılabilir.

Hızlı işaretleme gereksinimlerini karşılamak için iki ML çözümü önerilmiştir: bir akış çözümü, başarısızlığa yol açan etki için, çıkarımı canlı olarak, veriler kaydedildiğinde gerçekleştirir; ve bir gecikmeli çözüm, tüm kapı döngüsü tamamlandıktan sonra veriler çıkarıldığında, başarısızlığa yol açmayan etki için.

Gecikmeli bir ML çözümü için girdiler, kapı hızı, konumu ve kuvvetinin maksimum, minimum veya türevleridir. Ek olarak, simülasyon modellerine dayalı eşikler ve ölçekleme faktörleri kullanılır. Bu çözümün doğruluğu daha yüksektir.

Akışlı bir ML çözümü için girdi sınırlıdır, çünkü kümülatif hatalar yalnızca döngünün sonunda hesaplanır ve bu da hızlı işaretleme gereksinimi için çok geç olur. Bu çözümün doğruluğu önceki kadar yüksek değildir ve asansör iletişim veri yolundan meta veriler kullanılarak iyileştirilebilir.

4. uygulama

Vandalizm tespiti, vandalizm eylemlerinin gerçekleştiği anda tespit edilmesini sağlamak için verilerin gerçek zamanlı analizini gerektirir. Sonuç olarak, vandalizm tespiti için ML algoritması, gecikmeyi en aza indirmek ve tespitin çabukluğunu artırmak için veri kaydı yazılımıyla yakından entegre edilmiştir.

Veri kaydı ve vandalizm tespiti, doğrudan asansör kabininde uygulanan kenar bilişim yoluyla yerinde gerçekleştirilir. Kenar cihazı, seri bağlantı üzerinden tescilli bir protokol aracılığıyla kapı operatörüyle arayüzlenir.

Yazılım ve donanım, tak ve çalıştır işlevselliği için tasarlanmıştır ve bir teknisyenin cihazı asansör kabininin üstüne yerleştirmesine ve kapı operatörüne bağlamasına ve güç sağlamasına olanak tanır. Kurulduktan sonra sistem, veri toplama ve analizini otonom olarak başlatacaktır.

Çözümün işlevleri tamamen internet erişimi ihtiyacı olmadan çalışır. Tüm veri sonrası işleme ve ML çıkarımları yerel olarak uç cihazda gerçekleştirilir ve uzaktan hesaplamaya olan ihtiyacı ortadan kaldırır. Bu mimari, çözümün çevrimdışı ortamlarda etkili bir şekilde çalışmasını sağlar ve bu, özellikle siber güvenliğin birincil endişe olduğu senaryolarda avantajlıdır. Ek olarak, cihaz tarafından oluşturulan kritik bildirimler yerel ağ üzerinden doğrudan yerel bir kontrol odasına iletilebilir ve böylece internet bağlantısı olmasa bile sürekli çalışma sağlanır.

Çevrimiçi bir yapılandırmada, analiz edilen veriler ve çıkarım sonuçları uç cihazdan bulut tabanlı bir çözüme iletilir. Bildirim kuralları ve veri depolama bulut ortamında yönetilir,^[15] bildirimlerin daha verimli bir şekilde yönetilmesini kolaylaştırır ve verilerin ek uygulamalar için kullanılmasını sağlar. Uç cihazdan buluta veri transferleri MQTT mesajlaşma protokolü kullanılarak gerçekleştirilir^[16] ve Kafka,^[17] güvenilir ve ölçeklenebilir iletişimin sağlanması.

Çözümün uzaktan erişim yetenekleri ve dağıtım kolaylığı, sürekli geliştirmeyi mümkün kılar ve konteynerlerin ve çeşitli bileşenlerin uzun gecikmeler olmadan uzaktan güncellenmesine olanak tanır. Bu, geliştirme sırasında yeni özelliklerin dahil edilmesini kolaylaştırır ve performansı değerlendirmek için gerçek dünya ortamlarında gerçek zamanlı analiz yapılmasına olanak tanır. Doğrulandıktan sonra, bu özellikler tam olarak uygulanabilir ve pratik kullanım için dağıtılabilir.

5. Sonuç

Kapı vandalizmi veya kötüye kullanımı, pazarın tüm segmentleri için bir zorluktur ve altyapı segmenti için daha büyük bir öneme sahiptir: havaalanları, metro istasyonları ve tren istasyonları. Bu tür asansör arızalarını tespit etmek hem bakımı sağlayan şirket hem de müşteri için önemlidir. Kapıyla ilgili sorunların erken tespiti, daha etkili bakım planlamasına olanak tanır, acil onarım ihtiyacını azaltır ve öngörücü bakım stratejilerine olanak tanır. Bu, yalnızca genel bakım maliyetlerini düşürmekle kalmaz, aynı zamanda hizmet kesintilerini de en aza indirir.

Arabanın tepesinde bulunan bir kenara yerleştirilen ML algoritmalarının, arabanın inişte olduğu aşamada kapıların kötüye kullanımı ve vandalizmini başarıyla tespit edip bildirebildiği, maliyet açısından verimli bir çözüm sunulmuştur. Veri toplama için mevcut işletim sistemi sinyallerinin kullanılması, ek sensörlere olan ihtiyacı ortadan kaldırır. Bu, çözümü yalnızca maliyet açısından verimli hale getirmekle kalmaz, aynı zamanda asansörün altyapısında önemli değişiklikler gerektirmeden uygulanmasını da kolaylaştırır.

Bu çözüm, yoğun yaya trafiğine sahip altyapı segmentlerinde etkinliğini kanıtlamış olsa da, yaklaşım konut ve ticari binalar gibi diğer pazar segmentlerine de kolayca ölçeklenebilir ve uyarlanabilir; böylece çok çeşitli asansör sistemleri için çok yönlü bir araç sunar.

Asansör arıza sürelerini azaltarak ve kapı arızalarından kaynaklanan yolcu sıkışması olaylarını en aza indirerek, bu çözüm, maksimum asansör kullanılabilirliğini koruma temel hedefiyle uyumlu olarak genel kullanıcı deneyimini ve müşteri memnuniyetini önemli ölçüde iyileştirir.

---

Referanslar

[1] Asansör pazarı raporu [grandviewresearch.com/industry-analysis/elevators-market-report], 2023.

[2] Asansör kullanım ömrü beklentisi [elevatorsource.com/elevator_life_expectancy.htm], 2019.

[3] Bir konut asansörünün kullanım ömrü beklentisi [futureliftservices.co.uk/blog/what-is-the-life-expectancyof-a-residential-lift/], 2023.

[4] Asansör izleme [2n.com], 2024.

[5] Asansör izleme nedir [sirixmonitoring.com] 2023.

[6] EP 3424860 A1 “Asansör vandallığı izleme sistemi”, Avrupa patent başvurusu, 2019.

[7] EP 3191395B1, Roberts, Randall Keith. “Titreşime dayalı asansör gerilim elemanı aşınması ve ömrü izleme sistemi.” Avrupa patent başvurusu, 2015.

[8] EP 4188862A1, Martin Zellhofer, “Bir asansördeki, özellikle bir asansör kapısındaki kurulum hatalarını tespit etmek üzere bir makine öğrenimi modelinin eğitilmesine yönelik bilgisayar uygulamalı bir yöntem, kurulum hatalarını sınıflandırmaya yönelik bilgisayar uygulamalı bir yöntem ve buna ilişkin bir sistem.” Avrupa patent başvurusu, 2022.

[9] Lin, M. “Asansör kapı sistemlerinin fizik tabanlı simülasyonları.” Yüksek lisans tezi, Aalto Üniversitesi, 2021.

[10] Magargle, Ryan ve diğerleri, “Otomotiv Fren Sisteminin Model Odaklı Sağlık İzleme ve Tahmini Bakımı için Simülasyon Tabanlı Dijital İkiz.” Modelica. 2017.

[11] GE, Boston, MA., “Fiziksel varlıklar için bir 'Dijital İkiz'in planlanmamış kesintilerin olmamasına nasıl yardımcı olabileceği”, 2016.

[12] Li, H., Lin, L. ve Zeng, H., “Makine Öğrenme Yöntemleri.” 1. basım 2024. Singapur: Springer Nature Singapore, 2024.

[13] Braga-Neto, U. “Desen Tanıma ve Makine Öğrenmesinin Temelleri”. 2. baskı. Springer International Publishing, 2024.

[14] Vijayvargia, “A. Python ile Makine Öğrenimi: Uygulamalı Makine Öğrenimine Bir Yaklaşım.” Yeni Delhi: BPB Yayınları, 2018.

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

[16] Mesaj Sıralaması Telemetri Taşımacılığı (MQTT) [mqtt.org], 2024

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