基于大數據的遠程電梯故障預警系統設計與實現

張翼 張東岳 趙義勃

關鍵詞：大數據;遠程預警系統;電梯故障預警

中圖分類號：TP311.52;TP391.44 ? ? ?文獻標識碼：A 文章編號：2096-4706（2019）06-0169-03

Keywords：big data;remote early warning system;elevator fault early warning

0 ?引 ?言

隨著我國城鎮化水平的不斷提高，高層建筑越來越多，作為高層建筑主要的垂直交通工具，電梯的數量也與日俱增。自2014年以來，國家質檢總局提出了《關于進一步加強電梯安全工作的意見》，在各級政府的支持下，基于物聯網相關技術的電梯運行狀態監控系統得到了長足的發展。這類系統大致分為兩類：傳感器采集運行數據進行分析報警和電梯主板采集數據進行分析預警[1]。各大電梯生產廠商都有自己著手研發的監控預警系統。目前，各廠商的電梯在線監控預警系統的監控有余但是預警不足，很多系統都無法準確的預測電梯故障。

1 ?系統功能需求

基于大數據的遠程電梯故障預警系統應本著“監控電梯，重在預警”的原則進行功能設定。通過各類傳感器，收集電梯的基本運行數據以及核心部件的狀態數據，利用單片機對收集到的數據進行簡單處理，并通過網絡傳輸到云服務器，實現對電梯狀態的集中管理存儲。通過多部電梯運行數據的積累，結合廠家給出的參數指標，制定電梯的數學模型，并通過不斷地訓練讓模型變得更加精確，從而達到電梯故障預警的目的。最后，通過B/S的數據管理平臺，對系統的結果進行數據可視化顯示以及警報的多媒體顯示。本文討論的重點是相關數據收集到云端服務器后如何管理以及如何通過大數據分析方法實現電梯預警。

系統的功能分為傳感器數據存儲，電梯運行狀態管理，電梯故障管理，電梯報警和預警管理，電梯維修保養管理等，系統要實時顯示電梯的當前狀態，通過應用程序接口實現PC端和移動端的數據查詢和顯示。

2 ?系統架構和功能設計

2.1 ?系統的架構設計

為了完成系統的數據采集、存儲、處理以及數據共享，系統采用分層思想設計，自頂向下共分為：數據感知層、數據傳輸層、數據接收層、應用層和接口層，系統體系結構如圖1所示。

數據傳輸層：通過工業總線，有線及無線網絡實現數據的傳輸，將原始數據傳輸到云端服務器。

數據庫接收層：負責數據接收，轉換處理，并將數據存儲到數據庫的服務器端軟件。

應用層：利用服務器端軟件，實現數據的存儲、分析以及可視化。

接口層：對于需要向外部公開的數據，系統提供標準的HTTP請求接口，完成數據的發布和共享服務。

其中，數據感知層和數據傳輸層，是通過嵌入式系統，完成數據收集轉換工作的。數據傳輸層和數據接受層之間，通過嵌入式系統完成相關程序發送，通過服務器端軟件實現數據的接收和轉換并存儲到數據庫。應用層、接口層，通過共享數據庫完成數據的提取和發布。

2.2 ?系統的功能模塊設計

根據系統的功能需求，系統的功能模塊圖設計如圖2所示。

2.3 ?系統軟件框架和數據庫的選擇

根據系統的功能和性能要求，我們選擇了Microsoft的.NET Framework 4.5作為軟件開發框架，該框架能夠很好地運行在Window Server相關操作系統中，同時具有很好地穩定性和擴展性。

因為電梯的數量多，每部電梯的傳感器數據信息量非常大，再加上數據的多樣性，我們選用的是Hadoop家族相關軟件產品，作為系統的大數據支持平臺。

3 ?系統的實現方案

結合系統的特點和現有的技術條件，針對系統需要的功能和性能要求，我們選用了以下技術實現系統的相關功能。

3.1 ?系統相關傳感器及數據傳輸方案

傳感器系統搜集的電梯數據包括運行狀態和設備狀態類，主要包括平層感應裝置、遠紅外線設備感應裝置、門開關感應裝置、基站感應裝置、上下極限位置感應裝置、溫濕度傳感器、加速度傳感器、震動傳感器等。系統使用單片機作為處理核心搭建相關外圍電路實現對傳感器數據的收集和轉換工作。

關于數據傳輸部分，根據現場的實際情況和網絡信號覆蓋情況，系統可以選用Wi-Fi模塊，串口服務器或者4G模塊完成數據傳輸，無論選用哪種傳輸介質，對于上層軟件來說都是透明的，上層軟件可以將數據收集系統理解為上報數據的客戶端，使用TCP協議完成數據的可靠傳輸。

3.2 ?數據接收層相關技術

由于數據傳輸層的相關設備作為客戶端連接服務器軟件，所以，數據接收層的相關軟件可以按照一般的TCP服務器開發方案實現。使用.NET的Socket基于TCP協議實現服務器的開發，系統開發的難點在于應用層通信協議的設計，以及多客戶端并發連接服務器的處理。

3.3 ?應用層和接口層體系結構

應用層和接口層的軟件開發，可以使用MVC的軟件設計模式，系統的軟件體系結構如圖3所示。

DAL層：數據訪問層，使用Model類實例作為載體對數據進行訪問。

BLL層：商業邏輯層，調用DAL層完成具體的軟件功能。

View層：負責數據的顯示和獲取用戶輸入。

Model層：數據庫中所有實體的描述，作為數據調用時的數據傳播媒介。

不論是應用層還是接口層，共同依賴DAL層、BLL層和Model層，從而最大程度的進行代碼復用，減少工作量。通過共享同一個數據庫，實現應用層和接口層的數據共享。

4 ?系統核心數據分析算法介紹

系統核心數據分析算法的選擇，是本系統能否成功完成故障預警的關鍵。將電梯的故障率與電梯所在的城市類型、樓宇類型、梯齡和電梯類型等變量結合，建立Cox比例風險模型，結果顯示前三個變量對電梯故障率影響較顯著，且Cox模型對電梯故障預測準確率達到80%以上[2]。所以，系統使用Cox模型作為電梯故障預測的宏觀模型。

對于電梯常見的具體故障，可以根據傳感器數據，利用神經網絡相關算法設定神經元模型，利用傳感器數據訓練該模型，最終將該算法融入到具體的電梯故障檢測中去。利用RBF神經網絡作為預測網絡能有效解決電梯運行系統中的故障預測問題，該網絡能快速準確的預測出運行中系統中出現的故障[3]。

采用宏觀模型與具體故障預測相結合的辦法，能夠較為準確的預測出電梯系統的故障，從而提前預判，采取相應的維修措施，降低電梯故障的發生率。

5 ?結 ?論

目前，基于大數據的遠程電梯故障預警還沒有相關的行業標準和企業標準，在這樣的背景下，可謂“廣闊天地大有可為”。本系統還處于實驗室階段，離實際應用還有很大的差距。電梯的故障檢測與預警有著巨大的市場份額，只有在這個方向下精耕細作，總結改進，才能盡早形成產品，才能在未來的市場中占有一席之地。

參考文獻：

[1] 高常進，孫書成，王寅凱，等.物聯網技術在電梯故障預警方面的研究 [J].中國特種設備安全，2017，33（12）：14-17.

[2] 王蓮，蔣煒.基于Cox比例風險模型的電梯保養決策研究 [J].上海管理科學，2017，39（1）：94-96.

[3] 段登，邱意敏，周力.基于神經網絡的多電梯運行系統故障預測 [J].計算機系統應用，2011，20（9）：252-255.

作者簡介：張翼（1982.05-），男，漢族，黑龍江齊齊哈爾人，本科，副教授，教師，研究方向：云計算應用開發的相關教學研究。