本發明涉及電梯故障發生概率計算，特別是一種基于多源數據的電梯故障發生概率計算方法及裝置。

背景技術：

1、電梯是高層建筑物中最普遍的交通工具，每天負責承載數以萬計的人流量。由于電梯的使用數量、頻率較大，不可避免的出現各種類型的故障，其中諸如困人故障、沖頂沖底故障、急停故障等都有可能對乘客造成人身安全；而門機故障、按鍵無效故障等都影響了乘客的乘梯體驗和電梯運行效率。當前的電梯故障還是通過乘客乘梯或是定期維保實現對電梯的故障檢測，該過程中花費較大的人力成本和時間成本。隨著大數據和物聯網的發展，電梯的運行數據、觸發數據可以實時同步獲取，同時在深度學習和機器學習領域算法的快速升級迭代，可通過挖掘電梯部件與性能狀態間的相應關系，建立電梯參數和電梯故障之間的關系模型，實現電梯部件的故障預測，為電梯的維保提供信息決策。

2、在當前電梯故障預測領域，多數現有技術傾向于直接以電梯剩余壽命或特定故障類型的直接參數(如曳引機水平振動幅度)作為預測指標，這種方式雖直接但缺乏靈活性，難以全面覆蓋復雜多變的電梯類型及其多樣化的故障模式。

3、例如在“一種電梯故障預測系統及方法(cn117864892a)”的專利中，主要通過構建數據采集模塊、數據預處理模塊、故障預測模塊和應急處理模塊，實現對電梯故障維修處理的全流程檢測。其中在數據采集模塊中，主要通過物聯感知設備獲取電梯運行數據和電梯維修數據。運行數據主要包括上下行信號數據、門區信號數據、轎廂開關信號數據等傳感器數據；維修數據包括電機接觸器觸電壓力不足故障、swd電子板故障等故障數據。數據預處理模塊是對兩類數據進行分析，得出導致電梯維修數據與之相關的關聯性電梯運行過程數據。故障預測模塊是對運行數據和維修數據構建rbf神經網絡模型，其中采用了最近近鄰算法，獲取隱藏層到輸出層節點的權重。將電梯運行數據作為輸入，電梯維修數據作為輸出，將模型結果與同類型電梯數據進行對比，判斷該電梯的故障是否由運行數據直接關聯。當預測結果值位于同類型電梯維修數據范圍內，則使用例如arima算法進行電梯剩余壽命的預測。將剩余壽命更新為電梯維保時間，完成從電梯故障預測到電梯上門維保的閉環。

技術實現思路

1、本發明通過訓練好的xgboost模型生成電梯維保數據；用電梯自動采集的電梯運行數據、電梯觸發數據、離線統計數據以及xgboost模型生成電梯維保數據訓練長短時記憶神經網絡模型；然后將電梯自動采集的電梯運行數據、電梯觸發數據和離線統計數據輸入訓練好的長短時記憶神經網絡模型從而自動獲得電梯維保分hi，進而通過計算獲得電梯故障發生概率，整個過程無需人工干預，且計算結果快速準確。

2、本發明提供如下技術方案：一種基于多源數據的電梯故障發生概率計算方法，包括如下步驟：

3、s1、采集第一電梯運行數據、第一電梯觸發數據和第一離線統計數據；

4、s2、對第一電梯運行數據、第一電梯觸發數據和第一離線統計數據中的異常數據進行處理，獲得第二電梯運行數據、第二電梯觸發數據和第二離線統計數據；

5、s3、將第二電梯運行數據、第二電梯觸發數據和第二離線統計數據輸入長短時記憶神經網絡模型，從而獲得第一電梯維保數據，第一電梯維保數據包括以下類型的數據：電梯編號和電梯維保分hi；

6、s4、通過以下公式計算故障發生概率f(hi)：

7、f(hi)＝x×e-hi/y；

8、其中，x為發生故障的最大概率，y為故障概率的下降程度，e為自然常數。x和y的值可以根據實際情況進行設置，一般的，x為100，y為30。

9、第一電梯運行數據、第一電梯觸發數據和第一離線統計數據均具有對應關系，即基于同一批電梯進行采集。

10、進一步地，長短時記憶神經網絡模型通過如下步驟訓練：

11、(1)采集第一電梯告警信息和第二電梯維保數據，劃分為第一訓練集和第一測試集；

12、一般的，第一訓練集和第一測試集的比例為7:3，也可以根據需要進行劃分。

13、第一電梯告警信息和第二電梯維保數據均具有對應關系，即基于同一批電梯進行采集。

14、(2)采用第一訓練集訓練初始的xgboost模型，獲得訓練后的xgboost模型；將第一訓練集中的第一電梯告警信息作為xgboost模型的輸入，第一訓練集中的第二電梯維保數據作為xgboost模型的輸出；

15、(3)采用第一測試集測試xgboost，若準確率達到第一閾值及以上則訓練完成，若準確率小于第一閾值則重新劃分第一訓練集和第一測試集并重新進行訓練；

16、一般的，第一閾值為80％，，也可以根據需要進行設置。

17、(4)采集第三電梯運行數據、第三電梯觸發數據、第三離線統計數據、第二電梯告警信息，劃分為第二訓練集和第二測試集；

18、采集第三電梯運行數據、第三電梯觸發數據、第三離線統計數據、第二電梯告警信息均具有對應關系，即基于同一批電梯進行采集。

19、一般的，第二訓練集和第二測試集的比例為7:3，也可以根據需要進行劃分。

20、(5)將第二訓練集中的第二電梯告警信息輸入xgboost模型，獲得第三電梯維保數據；

21、(6)采用第二訓練集中的第三電梯運行數據、第三電梯觸發數據、第三離線統計數據以及第三電梯維保數據訓練初始的長短時記憶神經網絡模型，獲得訓練后的長短時記憶神經網絡模型；將第二訓練集中的第三電梯運行數據、第三電梯觸發數據、第三離線統計數據作為長短時記憶神經網絡模型的輸入，第三電梯維保數據作為長短時記憶神經網絡模型的輸出；

22、(7)采用第二測試集測試長短時記憶神經網絡模型，若準確率達到第二閾值及以上則訓練完成，若準確率小于第二閾值則重新劃分第二訓練集和第二測試集并重新進行訓練。

23、一般的，第二閾值未80％，，也可以根據需要進行設置。

24、進一步地，第一電梯運行數據、第二電梯運行數據、第三電梯運行數據均包括以下類型的數據：電梯運行速度(分為x、y、z軸)、運行加速度(分為x、y、z軸)、溫度(分為轎廂內、頂部、底部)、濕度(分為轎廂內、頂部、底部)；

25、第一電梯觸發數據、第二電梯觸發數據、第三電梯觸發數據均包括以下類型的數據：電梯編號、轎門開門、轎門關門、當前樓層、運行接觸器吸合、封星接觸器釋放；

26、第一離線統計數據、第二離線統計數據、第三離線統計數據均包括以下類型的數據：電梯編號、使用年數、使用天數、歷史總運行距離；

27、第二電梯維保數據、第二電梯維保數據均包括以下類型的數據：電梯編號和電梯維保分hi，電梯維保分hi為運維人員對電梯當前情況的專業評估(根據表1～表4)；

28、表1電梯維保維度表

29、

30、

31、

32、表2概率評估表

33、

34、表3風險評定表

35、

36、表4維保分評定表

37、

38、第一電梯告警信息、第二電梯告警信息均包括以下類型的數據：電梯告警信息中包括電梯編號、電梯告警開始時間、電梯告警結束時間、電梯狀態、電梯告警類型編碼和告警發生次數；

39、其中電梯告警類型編碼可通過電梯告警類型編碼表進行關聯，獲取到電梯告警類型名稱、故障類和告警類；告警發生次數以小時進行劃分，若一次告警的開始時間和結束時間位于當前一小時時間間隔內，則該一小時時間段內的告警發生次數增加一次；若一次告警的開始時間和結束時間跨越多個小時時間間隔，則該多個小時時間段內的告警發生次數分別增加一次；

40、告警發生次數以小時進行劃分，若一次告警的開始時間和結束時間位于當前一小時時間間隔內，則該一小時時間段內的告警發生次數增加一次；若一次告警的開始時間和結束時間跨越多個小時時間間隔，則該多個小時時間段內的告警發生次數分別增加一次。

41、進一步地，電梯維保分hi包括轎廂、大廳、轎頂、坑底、機房、層門6個維度的單個維度維保分，通過以下公式計算各維度的單個維度維保分：

42、單個維度維保分＝100×(v1+v2+……+vn)/2n；

43、其中，n為單個維度中評估項的總數，v1、v2……vn為單個維度中第1～n個評估項的分值。

44、一種根據權利要求1所述的方法的基于多源數據的電梯故障發生概率計算裝置，至少包括：

45、第一采集模塊，用于采集第一電梯運行數據、第一電梯觸發數據和第一離線統計數據；

46、第一處理模塊，用于對第一電梯運行數據、第一電梯觸發數據和第一離線統計數據中的異常數據進行處理，獲得第二電梯運行數據、第二電梯觸發數據和第二離線統計數據；

47、第一分析模塊，用于將第二電梯運行數據、第二電梯觸發數據和第二離線統計數據輸入長短時記憶神經網絡模型，從而獲得第一電梯維保數據，第一電梯維保數據包括以下類型的數據：電梯編號和電梯維保分hi；

48、第一計算模塊，通過以下公式計算故障發生概率f(hi)：

49、f(hi)＝x×e-hi/y；

50、其中，x為發生故障的最大概率，y為故障概率的下降程度，e為自然常數。

51、一種電子設備，包括：

52、一個或多個處理器；

53、存儲器，用于存儲一個或多個程序；

54、當所述一個或多個程序被所述一個或多個處理器執行，使得所述一個或多個處理器實現如上述的方法。

55、一種計算機可讀存儲介質，其上存儲有計算機指令，該指令被處理器執行時實現如上述方法的步驟。

56、本發明的有益效果在于：

57、通過深度學習模型，對電梯健康狀況進行預測，可轉化為電梯發生故障的概率；并且，可針對不同部件或故障類型，構建多樣電梯健康指數，用于多種電梯故障的發生概率預測。