监控门破坏行为的机器学习解决方案

作者：Gabriela Roivainen、Matti Lin、Joel Cardenas、Kari Karen 和 Konsta Simonen

抽象

门被误用或破坏已被认为是电梯故障的主要原因，尤其是在地铁站、机场或交通繁忙的其他人流量较大的市场领域。

本文的重点是通过研究结果来创建一种经济而准确的解决方案，用于监测门的健康状况、识别破坏故障类型并将发生故障的详细信息通知维护团队。

该方法包括在门打开和关闭周期内捕获操作门所需的信号。无需额外的传感器来收集数据，这使得该解决方案具有经济吸引力。开发并比较了几种机器学习 (ML) 算法，以分析乘客撞击门引起的变化、撞击发生的时间与门的运行周期的关系、撞击的位置以及识别故障和发送通知的响应时间。

数据收集和分析对于机器学习算法的初始训练至关重要，有助于确定最准确、最可靠的解决方案。由于人为行为固有的可变性，可能导致数据在不同情况下存在显著差异，因此必须使用全面且经过验证的数据集。这种方法确保获得最佳结果。

最后，选择最合适的算法并将其部署在位于车顶的边缘设备上。然后对解决方案进行测试和验证，以确保机器学习算法的有效性。

1. 引言

电梯门在电梯系统的运行可靠性中起着至关重要的作用，尤其是在人流量大的环境中。传统上，与电梯门相关的问题占整个行业电梯维修呼叫的很大一部分——约占所有报告事故的三分之一。此外，这些电梯门故障通常与乘客被困有关，这进一步使服务和维护操作复杂化。

随着城市化进程加快和老年人口大幅增加，全球市场不断扩大，有效的电梯监控和维护也变得越来越重要。预计 6.4 年至 2023 年的年增长率为 2030%，^[1] 电梯行业面临着越来越高的可靠性和使用寿命的要求，不同细分市场的电梯使用寿命一般为 15 至 30 年。^[2,3] 在此背景下，电梯故障按发生频率、影响、维修成本和安全隐患进行排名，结果显示故意破坏和用户造成的损坏位列十大最严重问题之列。这些事故，尤其是在人流量大的环境中，通常与普通门故障难以区分，使故障诊断和报告变得复杂。

电梯门的安装和维护是一个细致的过程，通常需要技术人员使用交付的零件在现场组装。这些过程的敏感性会导致门性能不稳定，影响其可靠性和运行故障的敏感性。门安装质量差的经济影响是巨大的，会影响维护成本和客户满意度，因为主要目标仍然是确保电梯系统正常运行，停机时间最短。

为了应对这些挑战，人们越来越重视开发强大的监控和诊断解决方案，以识别门故障和破坏行为。这些举措对于提高系统可靠性和减少服务中断至关重要，特别是在机场、地铁和火车站等基础设施领域，由于客流量和可用性要求较高，门的误用或破坏更为普遍。

本文探讨了一种新方法，该方法以利用 ML 算法来监控电梯门的健康状况、检测破坏行为并及时通知维护团队潜在故障。通过分析在正常门操作期间捕获的信号（无需额外的传感器），所提出的解决方案提供了一种经济上可行且技术上可行的方法来提高电梯系统的可靠性。

本介绍为详细研究在门监控中部署 ML 算法的方法、发现和结果奠定了基础，旨在实现电梯系统的经济效率和运行可靠性。

2. 选择解决方案

目前已提出了几种监控门破坏行为的解决方案：视频监控；使用加速度计、压力、声音或其他传感器；监控电梯控制系统等。

这些解决方案各有优缺点，每个层站门和轿门的视频监控可以实时监控和识别误用电梯的用户；^[4,5] 然而，系统的复杂性使得该解决方案成本高昂。此外，用户身份识别必须符合现有的通用数据保护法规。

许多专利中都提出了使用加速度计等外部传感器来检测电梯相关门故障或破坏行为的方法。^[6,7,8] 由于传感器成本低，且需要存储和分析的数据量较小，该解决方案比视频监控更经济。使用加速度计的挑战在于训练 ML 以区分正常行为和误用：振动水平及其频谱的绝对值高度依赖于传感器的质量、它们在轿厢中的位置以及电梯配置。^[9]

控制系统报告的与门相关的故障已被提出并研究作为监控破坏行为的解决方案。监控解决方案可以高精度地识别门功能何时受损以及电梯何时发生故障；然而，当存在设计故障、设备磨损或破坏行为时，识别门故障的根本原因仍存在挑战。

本文提出的解决方案是将门专家的知识与数据分析师的专业知识相结合。门控制器的运行数据和来自模拟模型的合成数据用于训练 ML 算法。

故障识别和通知是根据门控制器在破坏风险最高时收集的数据进行的：在门打开或关闭期间，人们携带大件重型行李冲进或冲出轿厢。当轿厢不在层站时对层站门的监控被认为风险较低，并且由于从每个层站门收集数据会产生额外成本，因此不在监控范围内。

结果是一个简单的边缘设备位于汽车顶部并通过一根电缆连接到门操作系统[图 1]。

2.1 仿真模型

由于电梯系统中涉及的组件复杂且多变，开发用于预防和检测的算法本身就具有挑战性。为了在可扩展算法中实现最佳准确度并尽量减少误报，资源密集型测试和数据获取必不可少。为了进行标记和验证，需要大量传感器和监控系统以及现有的电梯基础设施，以确保在不同条件下的统计可靠性。此外，电梯门是高度可配置的子系统，具有不同的组件，因此每种配置的数据基线都不同。 

在本研究中，采用代表电梯门系统的仿真模型来分析电梯门在正常运行、误用和故障情况下的行为。仿真分析的结果用于制定用于检测误用并量化其严重程度的算法规范。这些发现还决定了 ML 算法应针对每种故障情况监控的特定输出的选择，以确保准确可靠的检测。在 2017 年，成功调查了利用仿真来人工重现故障电梯门系统的可行性。 ^[9]。研究结果表明，模拟结果与从测试环境获得的数据之间存在足够的相关性。所提出的方法也已应用于其他行业，例如汽车行业、^[10,11] 出于类似目的。

门被破坏或误用是所有市场领域面临的挑战，对于基础设施领域来说尤其重要：机场、地铁站和火车站。 

从模拟结果发现，当电梯门受到外力撞击时，可以检测到门速度、位置和门电机力摄入的快速变化[图2]。

破坏行为会导致从门控制器收集的数据发生变化，这一发现决定了验证模型和扩展不同门配置、破坏力、时间和位置的计算所需的下一步。

2.2 收集数据

适用于从仿真模型定义的破坏和误用检测的数据是从电梯门系统收集的。门电机和驱动器在控制环路中与门控制器通信。控制器接收电机编码器数据和驱动器功率输出，这些数据由位于电梯基础设施中的边缘设备通过单向安全数据传输协议记录。根据记录的数据，可以使用取决于电机规格的转换方程来计算适用于检测算法的输出。

电梯通信总线中可用的数据可用作预测算法的附加元数据，或作为指示因故意破坏而导致的门系统功能故障的条件参数添加。从元数据中，门事件的楼层信息是最重要的，因为该数据对于区分具有单独层站门的每个楼层的数据至关重要。每个层站门的状况和配置可能有所不同，如果没有楼层信息，这可能会使基于历史数据的预测算法过时。此外，这些信息对于预防性维护至关重要，可以引导现场技术人员找到可以找到预测故障的正确楼层。

在门板上安装外部加速度计来检测破坏行为的可行性研究表明，冲击脉冲表现为门部件的突然位移。对于传感器来说，精确放置对于准确捕捉冲击至关重要。传感器的位置和方向都是影响训练数据质量和可能的检测算法整体性能的关键因素。冲击的传递路径因门配置和传感器位置而异，因此很难评估冲击的严重程度。此外，不同门配置的稳健性会影响测量的脉冲，这与施加在门上的能量密切相关。从加速度计收集的数据仅在机器学习算法的训练阶段进行测试，以标记事件。

我们还收集了门控制器在正常使用和故意破坏（门受到测试手推车撞击时）时的数据。这些数据用于标记用于训练 ML 算法的事件。

3.选择ML算法

门撞击检测解决方案的开发基于将破坏事件分为三类：正常、撞击和导致损坏的撞击。在此阶段，问题被表述为多类分类任务。

数据分析表明，与撞击最显著的相关性存在于实际门速度与目标门速度之间的最大差异，以及这些差异的累积。这一发现是意料之中的，因为无法移动的故障门将在整个伐木周期内继续累积实际速度与目标速度之间的差异。这一特征被确定为门损坏的潜在指标。然而，在某些撞击情况下，门可能会开始重新打开，这意味着累积误差不会累积，或者很难与门自然重新打开的情况区分开来。此外，实际值与目标值之间的最大速度差异取决于撞击发生在门周期的开始或结束附近还是在门周期的中间。

在开发破坏检测解决方案时，时间紧迫性至关重要，因为需要尽快标记事件。这对于导致故障的影响尤其重要，因为数据周期记录会在几分钟后结束。因此，在这些情况下，必须在数据周期内进行推断。

选择最终解决方案的另一个标准是确保它仅标记撞击实例而不标记其他故障。

ML 领域涵盖了各种不同的算法，其中许多算法可用于分类。^[12] 模型选择过程通常涉及设计周期的几次迭代，其中包括降维和预测器设计等步骤。^[12,13] 本案例除了注重准确度，还强调算法的可解释性，逻辑回归因其线性和高可解释性而被选为基线模型。^[14] 目标是提高其性能。基线模型被设计为流式解决方案，这意味着分类与门的移动同时发生。使用线性模型实现的初始准确率约为 75%。图 3 直观地展示了流式解决方案类型分类器的开发。第一个周期被归类为正常（绿色），然后发生撞击，标签从撞击（黄色）转移到导致故障的撞击（红色）。

初始数据集相对较小，限制了更复杂算法的使用，因为这些算法可能会导致过度拟合。^[13] 使用交叉验证方法来评估每个算法的指标，这种方法是此类场景中广泛使用的技术。 ^[12]

测试的方法之一是随机森林分类器，这是机器学习中常用的算法。^[14] 该方法可以有效地处理高维数据，并利用多棵树来降低过度拟合的风险。^[14] 然而，它也有缺点，包括对模型的控制有限，与单一决策树相比，复杂性增加，使得它们在树的数量增加时难以解释。随机森林的初始准确率约为 80%。

神经网络也被认为是一种潜在的解决方案。这些方法通常在处理具有复杂关系的大型数据集时最有优势。^[14] 与以前的方法相比，复杂性增加而可解释性降低，尤其是在处理深度神经网络时。^[12,14] 在这种情况下，发现准确率与使用随机森林分类器获得的准确率相同。

初步结果证实了检测门撞击的能力。然而，有迹象表明，在记录数据循环后进行分类可以提高准确性。数据分析表明，可以使用线性模型在门循环期间识别卡住的门。这将在门循环后实现二元分类，将正常情况与不会导致故障的撞击分开。图 4 显示了区分着陆门故障与其他类型循环的平面。门卡住后，数据记录过程停止，导致实践中累积速度误差更高。

由于随机森林分类器在初步测试中表现良好，因此被选为后续数据周期的分类器。通过对预定义参数网格进行详尽搜索，对超参数进行了优化，从而使准确率提高到 90%，精确率超过 90%。在这些报告结果中，分类是正确的，这意味着所有发生撞击的情况，无论其大小，都得到了相应的标记。例如，研究发现，车门撞击比着陆门撞击更难检测。研究结果表明，通过关注最佳撞击事件，可以进一步提高精确率。通过优先考虑精确度而不是召回率，可以降低假阳性率，即使这意味着可能会错过一些撞击。

为了满足快速标记的要求，已经提出了两种 ML 解决方案：一种流式解决方案，用于导致故障的影响，当记录数据时实时进行推理；另一种延迟解决方案，用于在整个门循环完成后进行数据推理时不会导致故障的影响。

延迟 ML 解决方案的输入是门速、位置和力的最大值、最小值或导数。此外，还使用基于模拟模型的阈值和缩放因子。此解决方案的准确性更高。

流式 ML 解决方案的输入有限，因为累积误差仅在周期结束时计算，这对于快速标记要求来说太晚了。此解决方案的准确性不如前一个解决方案高，可以使用电梯通信总线中的元数据来提高。

4。 实施

破坏检测需要实时分析数据，以确保在破坏行为发生时就能发现。因此，用于破坏检测的 ML 算法与数据记录软件紧密集成，以最大限度地减少延迟并提高检测的及时性。

数据记录和破坏检测通过边缘计算在现场进行，直接在电梯轿厢上实施。边缘设备通过串行连接上的专有协议与门操作器进行交互。

软件和硬件均采用即插即用的设计，技术人员只需将设备放置在电梯轿厢顶部，并将其连接到门机并供电即可。安装后，系统将自动启动数据收集和分析。

该解决方案的功能完全无需互联网访问即可运行。所有数据后处理和 ML 推理都在边缘设备上本地执行，无需远程计算。这种架构使该解决方案能够在离线环境中有效运行，这在网络安全是主要关注点的场景中尤其有利。此外，设备生成的关键通知可以通过本地网络直接传输到本地控制室，确保即使在没有互联网连接的情况下也能继续运行。

在线配置中，分析的数据和推理结果从边缘设备传输到基于云的解决方案。通知规则和数据存储在云环境中进行管理，^[15] 促进更高效的通知管理，并使数据可用于其他应用程序。从边缘设备到云的数据传输使用 MQTT 消息传递协议进行^[16] 和卡夫卡，^[17] 确保可靠且可扩展的通信。

该解决方案的远程访问功能和易部署性支持持续开发，允许容器和各种组件进行远程更新，而不会出现长时间延迟。这有助于在开发过程中整合新功能，允许在实际环境中进行实时分析以评估性能。经过验证后，这些功能可以完全实施并部署用于实际用途。

5. 结论

电梯门遭到破坏或误用是所有市场领域的挑战，对基础设施领域来说尤其重要：机场、地铁站和火车站。识别此类电梯故障对提供维护的公司和客户都很重要。及早识别与电梯门相关的问题可以制定更有效的维护计划，减少紧急维修的需求并实现预测性维护策略。这不仅可以降低总体维护成本，还可以最大限度地减少服务中断。

已经提出了一种经济高效的解决方案，其中部署在轿厢顶部边缘的 ML 算法可以成功识别并通知轿厢在楼层时门的误用和破坏行为。使用现有操作系统信号进行数据收集无需额外的传感器。这使得该解决方案不仅具有成本效益，而且更易于实施，而无需对电梯基础设施进行重大更改。

虽然该解决方案已证明其在人流量大的基础设施领域中的有效性，但该方法可以轻松扩展并适应其他领域，如住宅和商业建筑，从而为各种电梯系统提供多功能工具。

通过减少电梯停机时间并最大限度地减少因门故障造成的乘客被困事件，该解决方案显著提高了整体用户体验和客户满意度，符合保持最大电梯可用性的核心目标。

---

案例

[1] 电梯市场报告 [grandviewresearch.com/industry-analysis/elevators-market-report]，2023 年。

[2] 电梯预期寿命 [elevatorsource.com/elevator_life_expectancy.htm]，2019 年。

[3] 家用电梯的预期寿命 [futureliftservices.co.uk/blog/what-is-the-life-expectancyof- a-residential-lift/]，2023年。

[4] 电梯监控[2n.com]，2024年。

[5] 什么是电梯监控 [sirixmonitoring.com] 2023。

[6] EP 3424860 A1“电梯破坏监控系统”，欧洲专利申请，2019 年。

[7] EP 3191395B1，Roberts，Randall Keith。“基于振动的电梯张紧构件磨损和寿命监测系统。”欧洲专利申请，2015 年。

[8] EP 4188862A1，Martin Zellhofer，“一种用于训练机器学习模型以检测电梯（特别是电梯门）安装错误的计算机实施方法、一种用于对安装错误进行分类的计算机实施方法及其系统。”欧洲专利申请，2022 年。

[9] Lin, M.“基于物理的电梯门系统模拟。”硕士论文，阿尔托大学，2021 年。

[10] Magargle, Ryan 等人，“基于仿真的数字孪生，用于汽车制动系统的模型驱动健康监测和预测性维护。”Modelica。2017 年。

[11] 通用电气公司，马萨诸塞州波士顿，“实物资产的‘数字孪生’如何帮助实现零计划外停机”，2016 年。

[12] Li, H.、Lin, L. 和 Zeng, H.，“机器学习方法”。第 1 版。2024 年。新加坡：Springer Nature Singapore，2024 年。

[13] Braga-Neto，U.“模式识别和机器学习基础”。第二版。Springer International Publishing，2 年。

[14] Vijayvargia，“A.使用 Python 进行机器学习：一种应用机器学习的方法。”新德里：BPB 出版物，2018 年。

[15] 亚马逊网络服务 [aws.amazon.com]，2024 年。

[16] 消息队列遥测传输 (MQTT) [mqtt.org]，2024 年

[17] 阿帕奇·卡夫卡 [kafka.apache.org]，2024 年。