CN113071966A - 电梯故障预测方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及数据处理技术领域，公开了一种电梯故障预测方法、装置、设备及存储介质。通过对电梯故障数据的分析，识别出电梯的风险因素，建立风险评估体系以及风险评估数学模型，利用模型来对电梯运行数据进行实时的监控，以实现对故障的预测和监控，以降低故障的发生概率，甚至避免故障的产生，大大提高了电梯的使用安全，降低电梯的安全隐患，同时，使用模型进行监控，使得得到的结果精度会更高。此外，本发明还涉及区块链技术，电梯故障预测的相关信息可存储于区块链中。

Description

电梯故障预测方法、装置、设备及存储介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种电梯故障预测方法、装置、设备及存储介质。

背景技术

随着社会的飞速发展，人们生活水平的和物质文化的提高，电梯已经不止是一种生产设备，更是人们在工作中和生活中必不可少的工具，它和公交以及地铁等代步工具一样，已经是人们频繁使用的交通运输工具。国家对电梯的安全监管模式、安全技术评价、技术检测和应急救援技术的要求更高了，然而现在的电梯风险评价标准模糊，对各个风险因素的评估准确度欠佳。

目前，关于电梯风险评估的方法有很多，但是现有方法基本都是依据专家的经验来评估，尤其是风险指标权重的设定上，通过学习专家的故障检测结果，得到一个故障检测规律，通过比对电梯产生的故障表现匹配出对应的故障，但是这样的方式并不智能，并且故障的确定精度低，同时也无法实现故障的实时监控和提前预判，难以降低故障发生的概率。

发明内容

本发明的主要目的在于解决现有的电梯故障评判精度较低，且无法实现实时监控和预测的技术问题。

本发明第一方面提供了一种电梯故障预测方法，应用于电梯控制系统，所述电梯故障预测方法包括：获取电梯的实时运行数据；利用预设风险因子挖掘模型对所述实时运行数据进行风险因子的挖掘处理，得到所述电梯的至少两个风险因素；以所述至少两个风险因素作为查询索引，从预先通过大数据分析技术构建的风险评估体系关系表中查询出与所述至少两个风险因素相匹配的风险评估体系和风险解析策略；根据所述风险评估体系从预设的模型库中选择对应的风险评估数学模型；将所述至少两个风险因素输入至所述风险评估数学模型中进行故障发生的风险系数的计算，得到评估结果；根据所述风险解析策略对所述评估结果进行解析，得到所述电梯的故障预测结果。

可选的，在本发明第一方面的第一种实现方式中，所述利用预设风险因子挖掘模型对所述实时运行数据进行风险因子的挖掘处理，得到所述电梯的至少两个风险因素包括：提取所述实时运行数据中的时间信息和阶段标记信息，并根据所述时间信息和阶段标记信息确定所述电梯的运行阶段类型；根据所述运行阶段类型，从预设的风险因子库中确定对应的风险因子体系；将所述风险因子体系和所述实时运行数据输入至所述风险因子挖掘模型中，通过所述风险因子挖掘模型以所述风险因子体系为基准，提取所述实时运行数据中所有的风险因子，输出至少两个风险因素。

可选的，在本发明第一方面的第二种实现方式中，所述以所述至少两个风险因素作为查询索引，从预先通过大数据分析技术构建的风险评估体系关系表中查询出与所述至少两个风险因素相匹配的风险评估体系和风险解析策略包括：从预先构建的风险评估体系关系表中筛选出以所述运行阶段类型为主节点的对应关系记录，其中所述对应关系记录为包括风险因素、风险评估体系和风险解析策略的对应关系分支；以所述至少两个风险因素为查询索引，对所述对应关系记录进行逐条匹配，计算出各对应关系记录与所述至少两个风险因素的匹配度；筛选出所述匹配度最高的一条对应关系记录作为所述至少两个风险因素对应的记录，并提取所述记录中的风险评估体系和风险解析策略。

可选的，在本发明第一方面的第三种实现方式中，所述将所述至少两个风险因素输入至所述风险评估数学模型中进行故障发生的风险系数的计算，得到评估结果包括：根据所述运行阶段类型，确定所述至少两个风险因素中每个风险因素对应的权重；根据所述权重，计算对应的风险因素的危险等级；根据所述危险等级对所述至少两个风险因素按照从高到低的顺序进行排序，得到风险因素序列；利用风险评估数学模型计算所述风险因素序列中的每个风险因素对应的风险评估值和风险预测结果；对所有的风险评估值和风险预测结果进行综合计算，得到评估结果。

可选的，在本发明第一方面的第四种实现方式中，所述风险解析策略包括故障预测计算规则和专家风险评价规则，所述根据所述风险解析策略对所述评估结果进行解析，得到所述电梯的故障预测结果包括：从所述风险因素序列中选取前N个风险因素作为计算因子，并根据所述故障预测计算规则中规定故障概率计算公式，计算所述实时运行数据中存在的故障风险因子；根据所述故障风险因子，利用所述专家风险评价规则进行故障的挖掘和评价，得到人工故障挖掘结果；将所述评估结果与所述人工故障挖掘结果进行比对，得到比对结果；基于所述比对结果对所述评估结果进行调整，得到所述电梯的故障预测结果。

可选的，在本发明第一方面的第五种实现方式中，在所述获取电梯的实时运行数据之前，还包括：从所述电梯控制系统的维护日志表中获取不同运行阶段时产生的电梯故障记录数据；提取所述电梯故障记录数据中的故障特征和故障标签，并利用聚类算法对所述故障特征进行分类，得到不同运行阶段下产生故障的风险因素集；建立所述风险因素集合故障与故障标签之间的关联关系，得到风险评估体系和风险因子体系。

可选的，在本发明第一方面的第六种实现方式中，在所述建立所述风险因素集合故障与故障标签之间的关联关系，得到风险评估体系和风险因子体系之后，还包括：利用神经网络解析所述风险评估体系中的风险因素以及故障标签，并对所述关联关系进行深度学习，得到风险评估数学模型雏形；将不同运行阶段时产生的电梯故障记录数据分为训练集和验证集，将所述训练集和验证集依次输入到所述风险评估数学模型雏形进行训练和验证循环操作，并在验证的结果满足预设收敛值时，得到风险评估数学模型。

本发明第二方面提供了一种所述电梯故障预测装置，包括：采集模块，用于获取电梯的实时运行数据；挖掘模块，用于利用预设风险因子挖掘模型对所述实时运行数据进行风险因子的挖掘处理，得到所述电梯的至少两个风险因素；查询模块，用于以所述至少两个风险因素作为查询索引，从预先通过大数据分析技术构建的风险评估体系关系表中查询出与所述至少两个风险因素相匹配的风险评估体系和风险解析策略；选择模块，用于根据所述风险评估体系从预设的模型库中选择对应的风险评估数学模型；评估模块，用于将所述至少两个风险因素输入至所述风险评估数学模型中进行故障发生的风险系数的计算，得到评估结果；预测模块，用于根据所述风险解析策略对所述评估结果进行解析，得到所述电梯的故障预测结果。

可选的，在本发明第二方面的第一种实现方式中，所述挖掘模块包括：第一提取单元，用于提取所述实时运行数据中的时间信息和阶段标记信息，并根据所述时间信息和阶段标记信息确定所述电梯的运行阶段类型；确定单元，用于根据所述运行阶段类型，从预设的风险因子库中确定对应的风险因子体系；挖掘单元，用于将所述风险因子体系和所述实时运行数据输入至所述风险因子挖掘模型中，通过所述风险因子挖掘模型以所述风险因子体系为基准，提取所述实时运行数据中所有的风险因子，输出至少两个风险因素。

可选的，在本发明第二方面的第二种实现方式中，所述查询模块包括：筛选单元，用于从预先构建的风险评估体系关系表中筛选出以所述运行阶段类型为主节点的对应关系记录，其中所述对应关系记录为包括风险因素、风险评估体系和风险解析策略的对应关系分支；查询单元，用于以所述至少两个风险因素为查询索引，对所述对应关系记录进行逐条匹配，计算出各对应关系记录与所述至少两个风险因素的匹配度；第二提取单元，用于筛选出所述匹配度最高的一条对应关系记录作为所述至少两个风险因素对应的记录，并提取所述记录中的风险评估体系和风险解析策略。

可选的，在本发明第二方面的第三种实现方式中，所述评估模块包括：权重计算单元，用于根据所述运行阶段类型，确定所述至少两个风险因素中每个风险因素对应的权重；等级计算单元，用于根据所述权重，计算对应的风险因素的危险等级；排序单元，用于根据所述危险等级对所述至少两个风险因素按照从高到低的顺序进行排序，得到风险因素序列；风险计算单元，用于利用风险评估数学模型计算所述风险因素序列中的每个风险因素对应的风险评估值和风险预测结果；评估单元，用于对所有的风险评估值和风险预测结果进行综合计算，得到评估结果。

可选的，在本发明第二方面的第四种实现方式中，所述风险计算单元具体用于：从所述风险因素序列中选取前N个风险因素作为计算因子，并根据所述故障预测计算规则中规定故障概率计算公式，计算所述实时运行数据中存在的故障风险因子；根据所述故障风险因子，利用所述专家风险评价规则进行故障的挖掘和评价，得到人工故障挖掘结果；将所述评估结果与所述人工故障挖掘结果进行比对，得到比对结果；基于所述比对结果对所述评估结果进行调整，得到所述电梯的故障预测结果。

可选的，在本发明第二方面的第五种实现方式中，所述电梯故障预测装置还包括分析模块，所述分析模块具体用于：从所述电梯控制系统的维护日志表中获取不同运行阶段时产生的电梯故障记录数据；提取所述电梯故障记录数据中的故障特征和故障标签，并利用聚类算法对所述故障特征进行分类，得到不同运行阶段下产生故障的风险因素集；建立所述风险因素集合故障与故障标签之间的关联关系，得到风险评估体系和风险因子体系。

可选的，在本发明第二方面的第六种实现方式中，所述电梯故障预测装置还包括校验模块，所述校验模块具体用于：利用神经网络解析所述风险评估体系中的风险因素以及故障标签，并对所述关联关系进行深度学习，得到风险评估数学模型雏形；将不同运行阶段时产生的电梯故障记录数据分为训练集和验证集，将所述训练集和验证集依次输入到所述风险评估数学模型雏形进行训练和验证循环操作，并在验证的结果满足预设收敛值时，得到风险评估数学模型。

本发明第三方面提供了一种电梯故障预测设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述电梯故障预测设备执行上述的电梯故障预测方法。

本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的电梯故障预测方法。

本发明的技术方案中，通过对电梯故障数据的分析，识别出电梯的风险因素，建立风险评估体系以及风险评估数学模型，利用模型来对电梯运行数据进行实时的监控，以实现对故障的预测和监控，以降低故障的发生概率，甚至避免故障的产生，大大提高了电梯的使用安全，降低电梯的安全隐患，同时，使用模型进行监控，使得得到的结果精度会更高。

附图说明

图1为本发明实施例中电梯故障预测方法的第一个实施例示意图；

图2为本发明实施例中电梯故障预测方法的第二个实施例示意图；

图3为本发明实施例中电梯故障预测方法的第三个实施例示意图；

图4为本发明实施例中电梯故障预测方法的第四个实施例示意图；

图5为本发明实施例中电梯故障预测装置的一个实施例示意图；

图6为本发明实施例中电梯故障预测装置的另一个实施例示意图；

图7为本发明实施例中电梯故障预测设备的一个实施例示意图。

具体实施方式

本发明实施例提供了一种电梯故障预测方法、装置、设备及存储介质，通过对电梯故障数据的分析，识别出电梯的风险因素，建立风险评估体系以及风险评估数学模型，利用模型来对电梯运行数据进行实时的监控，提高电梯故障预测的性能，基于大数据分析与智能挖掘技术，对存在安全风险的单元进行及时的检修，对已发生的安全故障进行事件追踪和原因的深度挖掘，将风险控制在最低范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中电梯故障预测方法的第一个实施例包括：

101，获取电梯的实时运行数据；

在该步骤中，所述实时运行数据存储在电梯系统中，具体是以运行日志的方式存储在电梯系统的缓存单元中，优选的该实时运行数据可以是某个时间节点的运行数据，也可以是某个时间段的运行数据。

在获取过程中，具体的通过设置数据爬虫工具的方式实时监控缓存单元中的数据变化，其中，在启动数据爬虫工具之前，还包括配置数据爬虫工具的监控时间节点或者时间段，以及爬取的数据总量，数据爬虫工具对运行日志的记录时间进行监控，在监控到记录时间发生变化时，计算记录时间与上一次数据爬虫工具采集时间的间隔满足配置的时间段时，则提取运行日志，然后根据字段信息解析运行日志中对于电梯在运行时产生的数据，其中，这些数据包括电梯运行时的电路参数、电梯每次运行时的运载数据和运载过程中电梯的电路参数的变化数据；

在本实施例中，对于所述实时运行数据的获取，具体还可以通过配置电梯控制系统定时上报的方式来实现，优选的在电梯的控制端上设置通信单元，基于通信单元设置定时器，在定时器计数到达时，触发通信单元的数据上报机制，通信单元从电梯的缓存单元中调取对应的运行数据，并基于通信单元的通信协议将运行数据进行压缩打包，然后发送至电梯故障预测模块或者装置上，而该电梯故障预测模块或者装置，可以是外部的大数据分析系统或者数据分析的APP，甚至可以是安装在所述电梯控制系统上的告警程序，而该告警程序会实时对电梯的运行数据进行监控和故障的预测分析，甚至还可以是通过在电梯的控制系统上开发一个故障预测或者监控的功能模块，以实现对电梯的运行数据的监控采集、分析。

在该步骤中，无论是通过哪种方式实现实时运行数据的获取，具体是实现步骤包括：

在触发数据获取后，根据电梯当前的时间信息和电梯的运行阶段类型生成数据获取请求，根据所述数据获取请求从所述数据获取请求从缓存单元中读取与时间信息对应的数据段，并基于所述数据段根据运行阶段类型进行筛选，得到与当前的运行阶段类型相匹配的运行数据。

进一步的，当需要将数据发送出去时，还包括根据数据发送协议对运行数据进行数据的清洗处理后，统一打包压缩成固定格式的数据包，最后发送给对端进行数据的分析，其中，数据的清洗处理包括去除运行数据中的冗余数据，或者按照完整数据格式将运行数据进行补全，甚至还可以是对数据格式的转换。

102，利用预设风险因子挖掘模型对实时运行数据进行风险因子的挖掘处理，得到电梯的至少两个风险因素；

本实施例中，该风险因子挖掘模型是通过深度学习的神经网络与已知故障的运行数据进行自我学习生成的一种数据分析模型，具体的通过将已知的运行数据中的故障和故障因素建立关联关系，甚至还将运行数据对应的电梯运行阶段信息进行关联，利用基于神经网络构建的数据分析模型，对关联关系进行学习，以及对故障因素进行扩展学习，以得到风险因子挖掘模型。

通过该风险因子挖掘模型，对实时运行数据中的数据特征进行识别提取，以得到数据特征集，风险因子挖掘模型基于数据特征集进行自由组合，得到多个风险因素，然后将多个风险因素逐一与各故障对应的故障因素进行匹配比对，以筛选出对应的风险因素，当然这里在进行风险因素的匹配比对时，由于风险因素是通过自由组合的方式来生成的，因此，得到的风险因素不仅仅是针对某一种故障进行生成的，风险因素在匹配对比时，会存在多个故障的匹配结果，在匹配之后，还包括根据电梯的运行阶段类型对匹配到的风险因素对应的故障位于的运行阶段进行筛选，筛选出与实时运行数据对应的运行阶段对应的风险因素。

103，以至少两个风险因素作为查询索引，从预先通过大数据分析技术构建的风险评估体系关系表中查询出与至少两个风险因素相匹配的风险评估体系和风险解析策略；

该步骤中，具体实现为首先提取每个风险因素进行特征提取，该特征指的是风险因素在运行数据中对应的数据关键词，例如对应的代码段，以这些代码段为查询索引，从关系表中进行查询，在本实施例中，该关系表中存储有按照故障、运行阶段进行分类的代码段，以及代码段与故障和运行阶段之间的运行关系，以从风险因素中提取到的代码段为索引，遍历查询关系表中字段为故障代码的行或列，得到代码段比对一致的记录，读取该记录中的其他字段的信息，从而得到风险评估体系和风险解析策略。

在本实施例中，具体可以通过以下方式实现：

从预先构建的风险评估体系关系表中筛选出以所述运行阶段类型为主节点的对应关系记录，其中所述对应关系记录为包括风险因素、风险评估体系和风险解析策略的对应关系分支；

以所述至少两个风险因素为查询索引，对所述对应关系记录进行逐条匹配，计算出各对应关系记录与所述至少两个风险因素的匹配度；

筛选出所述匹配度最高的一条对应关系记录作为所述至少两个风险因素对应的记录，并提取所述记录中的风险评估体系和风险解析策略。

在实际应用中，所述风险评估体系和风险解析策略是基于已知故障的电梯运行数据来分析得到，具体利用大数据分析技术得到的风险因子和相关因素生成的风险评估体系，而风险解析策略则是基于解决故障时采用的技术手段得到的不同故障的风险解析策略。

104，根据风险评估体系从预设的模型库中选择对应的风险评估数学模型；

该步骤中，模型库中包含有多个多种故障评估的模型，在实际应用中，不同运行阶段对于故障的评估标准会不同，因此在选择风险评估数学模型之后，还包括根据运行阶段类型对选择出来的风险评估数据模型进行再次筛选，或者是对风险评估数学模型中的配置参数按照运行阶段类型对应的评估参数进行调整，得到与实时运行数据相匹配的识别模型。

105，将至少两个风险因素输入至风险评估数学模型中进行故障发生的风险系数的计算，得到评估结果；

该步骤中，所述风险评估数据模型具体在计算风险系数过程中，具体是根据风险评估数学模型识别所述至少两个风险因素对应的故障类型，基于故障类型确定对应的评估规则，基于评估规则对所述至少两个风险因素与故障之间的关系度进行计算，得到风险系数，该风险系数可以理解为是每个风险因素与各故障之间的关联系数的平均值，基于平均值从关系系数中选择一个最为接近的故障类型，生成评估结果。

106，根据风险解析策略对评估结果进行解析，得到电梯的故障预测结果。

在本实施例中，所述风险解析策略可以理解为是一种预先配置好的结果检验规则，通过该结果检验规则对所述评估结果进行检验，得到最终的故障预测结果，具体的根据结果检验规则中预设的关联系数阈值对评估结果对应的关系度进行比对，基于比对结果确定评估结果是否满足预设的偏差幅度，从而得到故障预测结果。

在实际应用中，所述风险解析策略也可以是一种行业的检验标准，该标准为不同运行阶段所出现各种故障的概率百分比，基于该百分比选择靠前的N个故障，匹配评估结果中对应的故障是否在N个故障中，或者是评估结果中所包含的所有故障在N个故障中所占的比例，若比例与行业标准相差达到一定值时，选择评估结果中的故障在N个故障中靠前的若干个作为故障预测结果。

通过上述方法的实施例，利用了风险评估数据模型不仅可以实现了电梯故障预测，还分析出可能造成的电梯故障的因素以及已经对电梯造成故障的因素，这样电梯维修人员能及时给存在故障的单元或者已经出现故障的单元给予检修，并追踪已发生故障进行时间追踪和原因的深度挖掘，将电梯的风险控制到最低，为使用者的安全提供了保障，提高使用者的体验感。

请参阅图2，本发明实施例中电梯故障预测方法的第二个实施例包括：

201，获取电梯的实时运行数据；

202，提取实时运行数据中的时间信息和阶段标记信息，并根据时间信息和阶段标记信息确定电梯的运行阶段类型；

在实际应用中，电梯控制系统在记录其实际运行数据时，其记录的数据中包含有时间和运行阶段的标记，并将这些信息形成字段，在获取到实时运行数据后，通过预先配置好的字段信息，调度字节提取算法对所述实时运行数据进行解析，具体的该实时运行数据是以表格形式存在的数据文件，首先以字段信息为识别索引，识别所述表格中的表头的字段名称，在确定表头中与字段信息相同的字段名称后，利用文字提取算法提取字段名称下对应区域的数据内容，优选的基于字段名称所在的位置下，计算出字段名称对应的区域的数据位置信息，基于位置信息确定数据读取的区域范围，利用文字提取算法提取区域范围中的文字信息，并将提取到的文字信息拼接组合起来，得到时间信息和阶段标记信息，根据时间信息与电梯的出厂时间信息和安装时间信息确定电梯的运行阶段，基于该运行阶段与运行阶段类型进行比较确定电梯的实际的运行阶段类型。

203，根据运行阶段类型，从预设的风险因子库中确定对应的风险因子体系；

该步骤中，风险因子库中存储有多个风险因子体系，并且这些风险因子体系按照不同的运行阶段进行划分存储，通过运行阶段类型从风险因子库中查询出对应的风险因子体系，在实际应用中，确定的风险因子体系中包含有多种故障对应的风险因子(即是风险因素)。

204，将风险因子体系和实时运行数据输入至风险因子挖掘模型中，通过风险因子挖掘模型以风险因子体系为基准，提取实时运行数据中所有的风险因子，输出至少两个风险因素；

该步骤中，该风险因子挖掘模型在挖掘风险因素时，具体为模型对实时运行数据进行解析，得到多个数据特征，根据故障产生的故障因素组合规律，将多个数据特征相互组合，得到风险因子，将风险因子与风险因子体系中的风险因子进行匹配，得到匹配结果，基于匹配结果选择其中一致的风险因子作为风险因素输出。

在实际应用中，由于风险因子体系实际上存储的也是预先基于故障案例提取到的一些故障发生时产生的代码实例，因此，这里风险因子挖掘模型在解析出实时运行数据中代码数据后，将代码数据与风险因子体系中的记录的风险因子对应的代码段进行匹配，从而得到风险因素。

205，以至少两个风险因素作为查询索引，从预先通过大数据分析技术构建的风险评估体系关系表中查询出与至少两个风险因素相匹配的风险评估体系和风险解析策略；

206，根据风险评估体系从预设的模型库中选择对应的风险评估数学模型；

207，将至少两个风险因素输入至风险评估数学模型中进行故障发生的风险系数的计算，得到评估结果；

该步骤具体可以通过风险因素中的权重、危险等级等信息实现风险的评估，具体的实现包括：

根据所述运行阶段类型，确定所述至少两个风险因素中每个风险因素对应的权重；

对于风险因素的权重的计算，具体可以通过基于风险因子构建的打分模型来对风险因素进行故障发生概率的打分，而该打分模型在对风险因素进行打分时，首先根据运行阶段类型配置打分模型中打分故障的类型，基于类型确定打分规则，在接收到输入的风险因素后，针对不同的故障的类型进行打分，得到多个分数值，从多个分数值中选择分数较高的Y个作为权重输出，进一步的，在生成风险因素序列时，分别针对不同的故障的分数值进行排序得到多个风险因素序列。

根据所述权重，计算对应的风险因素的危险等级；

在本实施例中，危险等级指的是风险因素对电梯运行造成危险大小的一个程度划分，也可理解为给电梯带来的损失或者伤害的程度，电梯风险可能造成的损失越大，则风险等级越高，例如当电梯失控，由高空坠落和电梯某层的按键损坏，无法在该楼层使用，这时候电梯失控的危险等级远高于电梯按键损坏；

根据所述危险等级对所述至少两个风险因素按照从高到低的顺序进行排序，得到风险因素序列；

在本实施例中，在识别风险因素的危险等级具体可以通过查询等级表来确定，例如预先根据历史运行数据中的故障来划分出不同故障的危险等级，然后将危险等级以及故障和故障因子归类，形成一个危险等级表，基于危险等级表，在预测故障的过程中，通过识别到的风险因素查询危险等级表中的故障因子，然后确定危险等级，在查询出所有危险因素的危险等级后，按照危险等级从高到低的排序方式进行排序，并生成风险因素序列。

在实际应用中，序列就是按照一定的规律进行排序所得，危险等级越高，可能带来的损坏就更大，因此，根据危险等级的级别，给可能造成危险的风险因素进行由高到低的排序，形成一个电梯风险因素序列。

利用风险评估数学模型计算所述风险因素序列中的每个风险因素对应的风险评估值和风险预测结果；

对所有的风险评估值和风险预测结果进行综合计算，得到评估结果。

208，根据风险解析策略对评估结果进行解析，得到电梯的故障预测结果。

通过上述的方法的实施，在现有技术上面的改进，进一步的提升了电梯故障预测的性能，基于大数据的应用，根据在不同使用场景以及不同时间段对风险因子权重的修正以及优化，系统对数据大量的分析得到预测结果以及专业技术人员的经验判断，再将两者得出的结果进行比对分析，得出最终的电梯风险的评估结果。这样电梯维修人员能及时给存在故障的单元或者已经出现故障的单元给予检修，并追踪已发生故障进行时间追踪和原因的深度挖掘，将电梯的风险控制到最低，提高电梯的安全性，让用户使用起来更加放心，为用户的出行带来便利，大大的提升了体验感。

请参阅图3，本发明实施例中电梯故障预测方法的第三个实施例包括：

301、获取电梯的实时运行数据；

302、利用预设风险因子挖掘模型对实时运行数据进行风险因子的挖掘处理，得到电梯的至少两个风险因素；

303、从预先构建的风险评估体系关系表中筛选出以运行阶段类型为主节点的对应关系记录；

该步骤中，所述对应关系记录为包括风险因素、风险评估体系和风险解析策略的对应关系分支；

304、以至少两个风险因素为查询索引，对对应关系记录进行逐条匹配，计算出各对应关系记录与至少两个风险因素的匹配度；

305、筛选出匹配度最高的一条对应关系记录作为至少两个风险因素对应的记录，并提取记录中的风险评估体系和风险解析策略；

306、根据风险评估体系从预设的模型库中选择对应的风险评估数学模型；

在本实施例中，所述风险评估数学模型就是从采集到的电梯运行数据中，对这些数据实际的风险因素情况进行分析，通过深度学习的方法，学习预先制定的一个符合实际需求的计算公式，其中深度学习方法从另一个角度来看类似于遍历它的每一个节点，深入挖掘分析风险数据并对其风险因子以及风险因子权重不断地修改，将修改后的风险因子以及风险因子权重代入预先设置好风险评估数学模型中，通过风险评估数学模型的计算得到风险预测值，预测得到造成电梯风险的评估结果。

在实际应用中，所述评估结果实际上就是电梯的具体故障，而电梯的具体故障包括多种类型，并且不同的运行阶段出现的故障还会存在不同，甚至是故障出现的概率也不相同，甚至不同类型的电梯其故障也会存在不同，电梯风险因子的设定包含10大类，包括电梯基本信息、门系统、轿厢与对接系统和电气和控制系统等，这些类别中出现故障时都会有特定的风险因子如下表所示：

上述表格中的信息都会在风险评估体系关系表中体现，为了提高风险评估数学模型的评估精度，以及风险因子挖掘模型对风险因素的挖掘精准度。

307、将至少两个风险因素输入至风险评估数学模型中进行故障发生的风险系数的计算，得到评估结果；

308、从风险因素序列中选取前N个风险因素作为计算因子，并根据故障预测计算规则中规定故障概率计算公式，计算实时运行数据中存在的故障风险因子；

309、根据故障风险因子，利用专家风险评价规则进行故障的挖掘和评价，得到人工故障挖掘结果；

310、将评估结果与人工故障挖掘结果进行比对，得到比对结果；

311、基于比对结果对所述评估结果进行调整，得到电梯的故障预测结果。

在实际应用中，在确定风险评估结果之前需要对它的风险评估值进行预测，在现有的评估结果的基础上跟进一步的对风险评估模型和评估体系进行对比分析得到评估结果，根据专业技术人员的对电梯的工作经验以及对电梯风险因素的分析，得到专业技术人员的判断结果，将风险评估模型和风险评估体系计算出的评估结和电梯专业人员的判断结果综合对比分析，得到最终电梯故障的预测结果；

在实际应用中，每个专业技术人员都有自己的判断标准，所以这样判断得出的预测结果跟倾向于该专业技术人员的研究方向以及生活经历，代表性不够全面。所以应该从研究电梯风险预测但是研究方向不一样的专业技术研究人员，这样得到的预测结果更为准确，同时也具备科学性。例如，当研究人员研究电梯的方向都为电梯系统的研究时，此时他们的侧重点在软件上面，他们往往容易忽视硬件上的问题。

在该步骤中，在对评估结果进行风险解析时，具体可以是通过将评估结果与历史故障案例进行评估匹配，得到匹配程度，若匹配程度大于预设值，则说明风险评估准确，并基于评估结果，计算出一个故障预测结果。

进一步的，对于评估结果是新的风险因子或者是案例中没有对应的案例时，则根据评估结果从专家的评估数据库中，查询对应的风险因子，以及其对应的专家分析数据，基于专家分析数据对评估结果的评分，若评分大于预设值，则说明评估结果准确，并基于评估结果，计算出一个故障预测结果。

进一步的，为了提高预测精度，还包括：定期收集各方面的风险数据，通过对这些数据的挖掘分析，对原风险评估的因子及因子权重不断进行修正，使评估体系的因子及权重日趋完善。

选取具体的检验数据、事故数据、监督抽查数据等，通过专业技术人员的判断以及利用系统进行评估，两者结果进行对比分析，验证电梯风险评估数学模型的有效性和实用性。

从国家对电梯监管的各个环节产生的大量数据进行分析，确定影响电梯安全运行的系统性风险因素，从中抽取指标构建电梯风险因子，对电梯的整机风险进行综合评定。

本发明在现有技术上面的改进，进一步的提升了电梯故障预测的性能，基于大数据的应用，根据在不同使用场景以及不同时间段对风险因子权重的修正以及优化，系统对数据大量的分析得到预测结果以及专业技术人员的经验判断，再将两者得出的结果进行比对分析，得出最终的电梯风险的评估结果。这样电梯维修人员能及时给存在故障的单元或者已经出现故障的单元给予检修，并追踪已发生故障进行时间追踪和原因的深度挖掘，将电梯的风险控制到最低，提高电梯的安全性，让用户使用起来更加放心，为用户的出行带来便利，大大的提升了体验感。

请参阅图4，本发明实施例中电梯故障预测方法的第四个实施例包括：

401、从电梯控制系统的维护日志表中获取不同运行阶段时产生的电梯故障记录数据；

402、提取电梯故障记录数据中的故障特征和故障标签，并利用聚类算法对所述故障特征进行分类，得到不同运行阶段下产生故障的风险因素集；

403、建立风险因素集合故障与故障标签之间的关联关系，得到风险评估体系和风险因子体系；

404、利用神经网络解析风险评估体系中的风险因素以及故障标签，并对关联关系进行深度学习，得到风险评估数学模型雏形；

405、将不同运行阶段时产生的电梯故障记录数据分为训练集和验证集，将训练集和验证集依次输入到风险评估数学模型雏形进行训练和验证循环操作，并在验证的结果满足预设收敛值时，得到风险评估数学模型；

在实际应用中，对于维护日志表具体可以通过利用电梯从制造安装、维保、检验、使用、监督抽查、监察投诉和事故处理的各个方面收集，例如：收集检验机构检验数据、维保公司故障数据、市场监督抽查数据、舆情/民众投诉、电梯事故调查数据，基于大数据和人工智能技术对这些数据中的故障原因进行分析，得到风险因子，然后将风险因子与故障建立关系，得到风险因子体系，如上述表格所示。基于上述的表格的数据利用深度学习算法进行学习，得到风险评估数学模型。

406、获取电梯的实时运行数据；

407、利用预设风险因子挖掘模型对实时运行数据进行风险因子的挖掘处理，得到电梯的至少两个风险因素；

408、以至少两个风险因素作为查询索引，从预先通过大数据分析技术构建的风险评估体系关系表中查询出与至少两个风险因素相匹配的风险评估体系和风险解析策略；

在本实施例中，对于评估风险体系具体可以通过以下方式实现：

收集各方面的电梯风险因子；

在本实例中，利用电梯从制造安装、维保、检验、使用、监督和事故处理等各个方面收集到的数据，通过系统对电梯风险因素的识别，得到电梯风险因子。

通过对所述风险因子的识别，得到电梯风险因素；

在本实例中，对电梯的风险因子进行识别分析，并将其进行风险因子类别的划分，根据在不同情景下才会发生的风险归类，得到电梯的风险因素，例如，电梯灯突然熄灭，这时候首先应该考虑的是线路故障以及灯泡损坏，在进行硬件检查后仍然无法解决问题，在考虑软件故障的可能性。

根据所述电梯风险因素，通过标签集确定的风险因素评价规则；

在本实施例中，标签集合就是通过对危险等级的标注，确定各个风险因素的等级，再根据等级的高低确定权重，风险等级越高的所对应的权重越大；

进一步的，风险因素评价规则就是根据风险因素的危险等级和风险因子的权重，计算出电梯的风险系数，也可以概述为一个计算公式。

根据所述的风险因素评价规则，建立符合电梯风险预测的评估体系。

在本实例中，需要根据风险因素的危险等级和风险因子的权重计算电梯风险的系数，根据这种计算方式建立符合实际需求的风险预测评估体系。

409、根据风险评估体系从预设的模型库中选择对应的风险评估数学模型；

410、将至少两个风险因素输入至风险评估数学模型中进行故障发生的风险系数的计算，得到评估结果；

411、根据风险解析策略对评估结果进行解析，得到电梯的故障预测结果。

在本发明实施例中，过采集到造成电梯风险的历史数据以及可能会给电梯带来故障的风险数据，将这些数据进行识别和解析，根据构建风险评估体系以及建立风险评估数学模型，通过模糊法和层次分析法等方法确定电梯风险因子权重，计算出电梯故障的预测值，再根据人工智能分析大数据计算出的电梯故障预测值和专业技术人员的判断评估电梯故障的最终预测结果。这样的实现方式使得电梯维修人员能及时给存在故障的单元或者已经出现故障的单元给予检修，并追踪已发生故障进行时间追踪和原因的深度挖掘，将电梯的风险控制到最低，提高电梯的安全性，让用户使用起来更加放心，为用户的出行带来便利，大大的提升了体验感。

上面对本发明实施例中的电梯故障预测方法进行了描述，下面对本发明实施例中的电梯故障预测装置进行描述，请参照图5，本发明实施例中的电梯故障预测装置的一个实施例包括：

采集模块501，用于获取电梯的实时运行数据；

挖掘模块502，用于利用预设风险因子挖掘模型对所述实时运行数据进行风险因子的挖掘处理，得到所述电梯的至少两个风险因素；

查询模块503，用于以所述至少两个风险因素作为查询索引，从预先通过大数据分析技术构建的风险评估体系关系表中查询出与所述至少两个风险因素相匹配的风险评估体系和风险解析策略；

选择模块504，用于根据所述风险评估体系从预设的模型库中选择对应的风险评估数学模型；

评估模块505，用于将所述至少两个风险因素输入至所述风险评估数学模型中进行故障发生的风险系数的计算，得到评估结果；

预测模块506，用于根据所述风险解析策略对所述评估结果进行解析，得到所述电梯的故障预测结果。

本发明实施例，利用了风险评估数据模型不仅可以实现了电梯故障预测，还分析出可能造成的电梯故障的因素以及已经对电梯造成故障的因素，这样电梯维修人员能及时给存在故障的单元或者已经出现故障的单元给予检修，并追踪已发生故障进行时间追踪和原因的深度挖掘，将电梯的风险控制到最低，为使用者的安全提供了保障，提高使用者的体验感。

请参阅图6，本发明实施例中的基于路由的用户需求预测装置的另一个实施例包括：

采集模块501，用于获取电梯的实时运行数据；

挖掘模块502，用于利用预设风险因子挖掘模型对所述实时运行数据进行风险因子的挖掘处理，得到所述电梯的至少两个风险因素；

查询模块503，用于以所述至少两个风险因素作为查询索引，从预先通过大数据分析技术构建的风险评估体系关系表中查询出与所述至少两个风险因素相匹配的风险评估体系和风险解析策略；

选择模块504，用于根据所述风险评估体系从预设的模型库中选择对应的风险评估数学模型；

评估模块505，用于将所述至少两个风险因素输入至所述风险评估数学模型中进行故障发生的风险系数的计算，得到评估结果；

预测模块506，用于根据所述风险解析策略对所述评估结果进行解析，得到所述电梯的故障预测结果。

可选的，所述挖掘模块502包括：

第一提取单元5021，用于提取所述实时运行数据中的时间信息和阶段标记信息，并根据所述时间信息和阶段标记信息确定所述电梯的运行阶段类型；

确定单元5022，用于根据所述运行阶段类型，从预设的风险因子库中确定对应的风险因子体系；

挖掘单元5023，用于将所述风险因子体系和所述实时运行数据输入至所述风险因子挖掘模型中，通过所述风险因子挖掘模型以所述风险因子体系为基准，提取所述实时运行数据中所有的风险因子，输出至少两个风险因素。

可选的，所述查询模块503包括：

筛选单元5031，用于从预先构建的风险评估体系关系表中筛选出以所述运行阶段类型为主节点的对应关系记录，其中所述对应关系记录为包括风险因素、风险评估体系和风险解析策略的对应关系分支；

查询单元5032，用于以所述至少两个风险因素为查询索引，对所述对应关系记录进行逐条匹配，计算出各对应关系记录与所述至少两个风险因素的匹配度；

第二提取单元5033，用于筛选出所述匹配度最高的一条对应关系记录作为所述至少两个风险因素对应的记录，并提取所述记录中的风险评估体系和风险解析策略。

可选的，所述评估模块505包括：

权重计算单元5051，用于根据所述运行阶段类型，确定所述至少两个风险因素中每个风险因素对应的权重；

等级计算单元5052，用于根据所述权重，计算对应的风险因素的危险等级；

排序单元5053，用于根据所述危险等级对所述至少两个风险因素按照从高到低的顺序进行排序，得到风险因素序列；

风险计算单元5054，用于利用风险评估数学模型计算所述风险因素序列中的每个风险因素对应的风险评估值和风险预测结果；

评估单元5055，用于对所有的风险评估值和风险预测结果进行综合计算，得到评估结果。

可选的，所述风险计算单元5054具体用于：从所述风险因素序列中选取前N个风险因素作为计算因子，并根据所述故障预测计算规则中规定故障概率计算公式，计算所述实时运行数据中存在的故障风险因子；根据所述故障风险因子，利用所述专家风险评价规则进行故障的挖掘和评价，得到人工故障挖掘结果；将所述评估结果与所述人工故障挖掘结果进行比对，得到比对结果；基于所述比对结果对所述评估结果进行调整，得到所述电梯的故障预测结果。

可选的，所述电梯故障预测装置还包括分析模块507，所述分析模块507具体用于：从所述电梯控制系统的维护日志表中获取不同运行阶段时产生的电梯故障记录数据；提取所述电梯故障记录数据中的故障特征和故障标签，并利用聚类算法对所述故障特征进行分类，得到不同运行阶段下产生故障的风险因素集；建立所述风险因素集合故障与故障标签之间的关联关系，得到风险评估体系和风险因子体系。

可选的，在本发明第二方面的第六种实现方式中，所述电梯故障预测装置还包括校验模块508，所述校验模块508具体用于：利用神经网络解析所述风险评估体系中的风险因素以及故障标签，并对所述关联关系进行深度学习，得到风险评估数学模型雏形；将不同运行阶段时产生的电梯故障记录数据分为训练集和验证集，将所述训练集和验证集依次输入到所述风险评估数学模型雏形进行训练和验证循环操作，并在验证的结果满足预设收敛值时，得到风险评估数学模型。

在本发明实施例中，通过对电梯故障数据的分析，识别出电梯的风险因素，建立风险评估体系以及风险评估数学模型，利用模型来对电梯运行数据进行实时的监控，以实现对故障的预测和监控，以降低故障的发生概率，甚至避免故障的产生，大大提高了电梯的使用安全，降低电梯的安全隐患，同时，使用模型进行监控，使得得到的结果精度会更高。

请参阅图7，下面从硬件处理的角度对本发明实施例中的电梯故障预测设备的一个实施例进行详细描述。

图7是本发明实施例提供的一种电梯故障预测设备的结构示意图，该电梯故障预测设备700可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)710(例如，一个或一个以上处理器)和存储器720，一个或一个以上存储应用程序733或数据732的存储介质730(例如一个或一个以上海量存储设备)。其中，存储器720和存储介质730可以是短暂存储或持久存储。存储在存储介质730的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对基于路由的用户需求预测设备700中的一系列指令操作。更进一步地，处理器710可以设置为与存储介质730通信，在电梯故障预测设备700上执行存储介质730中的一系列指令操作。

电梯故障预测设备700还可以包括一个或一个以上电源740，一个或一个以上有线或无线网络接口750，一个或一个以上输入输出接口760，和/或，一个或一个以上操作系统731，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图7示出的电梯故障预测设备结构并不构成对电梯故障预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Block chain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述电梯故障预测方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种电梯故障预测方法，应用于电梯控制系统，其特征在于，所述电梯故障预测方法包括：

获取电梯的实时运行数据；

利用预设风险因子挖掘模型对所述实时运行数据进行风险因子的挖掘处理，得到所述电梯的至少两个风险因素；

以所述至少两个风险因素作为查询索引，从预先通过大数据分析技术构建的风险评估体系关系表中查询出与所述至少两个风险因素相匹配的风险评估体系和风险解析策略；

根据所述风险评估体系从预设的模型库中选择对应的风险评估数学模型；

将所述至少两个风险因素输入至所述风险评估数学模型中进行故障发生的风险系数的计算，得到评估结果；

根据所述风险解析策略对所述评估结果进行解析，得到所述电梯的故障预测结果。

2.根据权利要求1所述的电梯故障预测方法，其特征在于，所述利用预设风险因子挖掘模型对所述实时运行数据进行风险因子的挖掘处理，得到所述电梯的至少两个风险因素包括：

提取所述实时运行数据中的时间信息和阶段标记信息，并根据所述时间信息和阶段标记信息确定所述电梯的运行阶段类型；

根据所述运行阶段类型，从预设的风险因子库中确定对应的风险因子体系；

将所述风险因子体系和所述实时运行数据输入至所述风险因子挖掘模型中，通过所述风险因子挖掘模型以所述风险因子体系为基准，提取所述实时运行数据中所有的风险因子，输出至少两个风险因素。

3.根据权利要求2所述的电梯故障预测方法，其特征在于，所述以所述至少两个风险因素作为查询索引，从预先通过大数据分析技术构建的风险评估体系关系表中查询出与所述至少两个风险因素相匹配的风险评估体系和风险解析策略包括：

从预先构建的风险评估体系关系表中筛选出以所述运行阶段类型为主节点的对应关系记录，其中所述对应关系记录为包括风险因素、风险评估体系和风险解析策略的对应关系分支；

以所述至少两个风险因素为查询索引，对所述对应关系记录进行逐条匹配，计算出各对应关系记录与所述至少两个风险因素的匹配度；

筛选出所述匹配度最高的一条对应关系记录作为所述至少两个风险因素对应的记录，并提取所述记录中的风险评估体系和风险解析策略。

4.根据权利要求1-3中任一项所述的电梯故障预测方法，其特征在于，所述将所述至少两个风险因素输入至所述风险评估数学模型中进行故障发生的风险系数的计算，得到评估结果包括：

根据所述运行阶段类型，确定所述至少两个风险因素中每个风险因素对应的权重；

根据所述权重，计算对应的风险因素的危险等级；

根据所述危险等级对所述至少两个风险因素按照从高到低的顺序进行排序，得到风险因素序列；

利用风险评估数学模型计算所述风险因素序列中的每个风险因素对应的风险评估值和风险预测结果；

对所有的风险评估值和风险预测结果进行综合计算，得到评估结果。

5.根据权利要求4所述的电梯故障预测方法，其特征在于，所述风险解析策略包括故障预测计算规则和专家风险评价规则，所述根据所述风险解析策略对所述评估结果进行解析，得到所述电梯的故障预测结果包括：

从所述风险因素序列中选取前N个风险因素作为计算因子，并根据所述故障预测计算规则中规定故障概率计算公式，计算所述实时运行数据中存在的故障风险因子；

根据所述故障风险因子，利用所述专家风险评价规则进行故障的挖掘和评价，得到人工故障挖掘结果；

将所述评估结果与所述人工故障挖掘结果进行比对，得到比对结果；

基于所述比对结果对所述评估结果进行调整，得到所述电梯的故障预测结果。

6.根据权利要求1-3中任一项所述的电梯故障预测方法，其特征在于，在所述获取电梯的实时运行数据之前，还包括：

从所述电梯控制系统的维护日志表中获取不同运行阶段时产生的电梯故障记录数据；

提取所述电梯故障记录数据中的故障特征和故障标签，并利用聚类算法对所述故障特征进行分类，得到不同运行阶段下产生故障的风险因素集；

建立所述风险因素集合故障与故障标签之间的关联关系，得到风险评估体系和风险因子体系。

7.根据权利要求6所述的电梯故障预测方法，其特征在于，在所述建立所述风险因素集合故障与故障标签之间的关联关系，得到风险评估体系和风险因子体系之后，还包括：

利用神经网络解析所述风险评估体系中的风险因素以及故障标签，并对所述关联关系进行深度学习，得到风险评估数学模型雏形；

将不同运行阶段时产生的电梯故障记录数据分为训练集和验证集，将所述训练集和验证集依次输入到所述风险评估数学模型雏形进行训练和验证循环操作，并在验证的结果满足预设收敛值时，得到风险评估数学模型。

8.一种电梯故障预测装置，其特征在于，所述电梯故障预测装置包括：

采集模块，用于获取电梯的实时运行数据；

挖掘模块，用于利用预设风险因子挖掘模型对所述实时运行数据进行风险因子的挖掘处理，得到所述电梯的至少两个风险因素；

查询模块，用于以所述至少两个风险因素作为查询索引，从预先通过大数据分析技术构建的风险评估体系关系表中查询出与所述至少两个风险因素相匹配的风险评估体系和风险解析策略；

选择模块，用于根据所述风险评估体系从预设的模型库中选择对应的风险评估数学模型；

评估模块，用于将所述至少两个风险因素输入至所述风险评估数学模型中进行故障发生的风险系数的计算，得到评估结果；

预测模块，用于根据所述风险解析策略对所述评估结果进行解析，得到所述电梯的故障预测结果。

9.一种电梯故障预测设备，其特征在于，所述电梯故障预测设备包括：存储器和至少一个处理器，所述存储器中存储有指令；

所述至少一个处理器调用所述存储器中的所述指令，以使得所述电梯故障预测设备执行如权利要求1-7中任一项所述的电梯故障预测方法。

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的电梯故障预测方法。

Images