人工智能技术在电扶梯领域的研究现状论文

 

　　关键词：电扶梯,人工智能,视频监控,故障诊断,调度优化

 

 

　　人工智能技术的快速发展正在深刻改变着各行各业，其中电梯行业作为城市交通基础设施的重要组成部分，也逐渐受到人工智能技术的影响和改造。在电梯领域，特别是电扶梯领域，人工智能技术的应用正逐渐走向前沿，为电梯的智能化运营和管理提供了新的可能性[1]。

 

　　人工智能技术在电扶梯领域的研究主要集中在几个方面。首先是智能监控与维护方面，研究人员通过图像识别、人脸识别等技术，加强电扶梯区域的安全监控和管理[2]；同时，研究人员通过数据采集、传感器监测等手段，利用机器学习和数据分析技术，实现对电扶梯运行状态的实时监测和故障预测，从而提高电梯系统的可靠性和安全性[3]。

 

　　其次，智能调度与管理也是当前研究的热点之一。通过人工智能技术，可以实现电扶梯的智能调度和优化运行，提高运行效率和节能减排。研究人员致力于开发智能调度算法，根据不同时间段、客流情况等因素，优化电扶梯的运行策略，提升用户体验和服务质量[4]。

 

　　尽管人工智能技术在电扶梯领域的研究已取得一定进展，但仍面临一些挑战和待解决的问题。首先，电扶梯环境复杂多变，如何实现对环境信息的准确感知和识别仍是亟待解决的难题；其次，如何平衡智能化技术的应用成本和效益，实现技术的商业化和可持续发展也是当前研究亟须解决的问题。

 

　　基于此，本文综述了“人工智能技术”在电扶梯领域的研究现状，围绕人工智能技术在电扶梯领域的三大应用：视频监控、故障诊断和调度优化的主要算法、功能、效果、应用场景及最新研究进展方面展开综述，并分析了人工智能技术在电扶梯领域应用存在的技术挑战，展望了人工智能技术在电扶梯领域的未来发展趋势。

 

 

　　1.1视频监控

 

　　在电扶梯等公共场景中，视频监控是保证公共安全的重要前提之一。传统的视频监控通常与使用业主方的监控室连接，通过人为的值守辨别安全相关的行为，以做出相关应对措施。而随着技术的发展，人工智能技术逐渐被应用到电扶梯的视频监控中，典型的技术代表有图像处理技术、智能分析技术与多系统联动技术等[5]。分垂直电梯与扶梯（包括人行道），视频监控的应用侧重点有所不同。垂直电梯多为封闭轿厢空间中的视频监控，包含边界入侵、困人识别等；扶梯多为运行过程中摔倒、逆行、低头弯腰等安全行为的识别。

 

　　（1）垂直电梯

 

　　Lei等[6]对现有PPTSM模型的改进，采用了多尺度扩张注意机制，使模型能够更有效地整合多尺度语义信息，捕捉人类异常行为的特征信息，此外，为了增强人类行为的特征信息，我们提出了一种梯度流特征信息融合模块。该模型在拾门、跳门、踢门和堵门的电梯乘客数据集上得到验证，结果分别优于PPTSM 6.8%、6.1%、21.2%和3.96%。Jia等[7]提出了一种通过多层住宅楼电梯客流来捕捉住户异常活动，通过轿厢内联网的摄像头采集图像和数据，提出了一个细粒度多标签识别任务的解决方案——GraftNet，以识别人类属性，例如性别，年龄，外表和职业，如图1所示，最后将无监督学习的异常检测分层次应用于客流数据，捕捉可能带来安全隐患的居民异常甚至非法活动，如贩毒、传销、卖*、居住过度拥挤等。

 

　　赵宏程等[8]利用人工智能技术开发了一套智能识别电动车的报警系统，利用视频识别与限制电梯运行等多项措施，起到主动预防电动车乘坐电梯的作用。汤声平[9]基于深度学习，通过对电梯内监控画面进行提取，以识别进入电梯的二轮车辆，通过中值滤波的方式有效地降噪提升识别准确率，并与电梯系统联动，通过报警与急停的触发，以起到电动车禁入的目的。王朝松[10]基于安卓系统开发了电梯智能监控系统，通过V4L2驱动设计图像采集驱动程序，借助SSD目标检测算法，实现全天候对乘坐电梯乘客存在的不规范行为的判别与预警，系统总体架构图如图2所示。同样地，针对电梯实时监控的问题，徐航等[11]也基于安卓设备开发了一款电梯无线监控系统，系统操作简便且具有较好的稳定性。朱孝慈[12]利用深度学习的方法开发了智能电梯监控系统，主要针对电梯轿厢禁入与挡门行为进行监测，利用2D和3D卷积相结合的算法，提升了挡门行为的识别精确度与效率。

 

 

　　（2）扶梯（含人行道）

 

　　Vasily等[13]为了提高在地铁自动扶梯上检测威胁情况的准确性，使用机器学习方法和具有控制元素的循环神经网络对视频、音频、传感器3种来源的信息进行复杂处理，提出了一个有发展前景的安全软件系统的体系结构，并给出了其在云和雾计算环境下的组件实现，如图3所示，可将识别情况的速度提高3.5倍，准确性提高26%。决策效率提高近30%。Jiao等[14]提出了一种基于计算机视觉的多模块自动扶梯安全监控系统，可以同时监控和处理失去平衡、不扶扶手和携带大件物品3种主要的伤害触发因素。Wu等[15]研究了基于TSN的自动扶梯行人跌倒检测方法，采用有限样本和特征融合的方法来寻找类别不平衡下的跌倒行人，从视频片段中提取关键帧和非关键帧，分别发送到空间网络和时间网络中，实验证明在UCF101/HMDB51数据集和行人跌倒动作识别任务上均取得了更高的准确率、更低的误识率FAR和更好的性能。

 

 

　　黄光积[16]基于ST-GCN网络，结合可学习多尺度邻接矩阵融合与残差结构增强GCN稳定性，同时改进TCN网络，采用多分支小卷积核融合模块替代大卷积核，实现时间维度多尺度特征融合与模型轻量化，以优化扶梯运行中乘客异常行为识别。洪杰[17]基于深度学习，利用3D-CNN和ConvLSTM学习扶梯运行过程中乘客形位的时空特征，并建立与训练完成正常行为的自编码器模型，通过输入数据与重构数据间的重构误差进行异常行为判断。张建军[18]主要针对扶梯运行过程中的摔倒与逆行两种行为为研究对象，包括基于多目标跟踪的行人逆行检测方法，结合Deep Sort算法和特定判断步骤来识别逆行行为；基于骨骼关键点的摔倒检测方法，利用Open Pose算法提取人体关键点坐标，经过特征处理和分类器识别行人摔倒。杜启亮等[19]基于视频监控，提出扶梯乘客异常行为识别算法，通过YOLOv3检测乘客位置，Mobile‐NetvV结合反卷积提取骨架，再利用骨架距离与匈牙利算法匹配骨架，成功通过图卷积网络时准确检测扶梯运行过程中乘客的异常行为，如图4所示。

 

 

　　整体而言，人工智能在电梯视频监控中的应用研究极大地推动了电梯行业的智能化进程，实现了对电梯内部环境的全方位、全天候监控，还通过深度学习算法，对异常行为进行精准识别与预警，如乘客摔倒、电动车乘梯等紧急情况，确保了电梯使用的安全性与高效性。

 

　　1.2故障诊断

 

　　目前，随着一些诸如传感器技术、互联网技术、人工智能技术、大数据技术等先进的智能化技术和手段的发展，国内外专家、学者逐步尝试将其应用至智能电梯的状态监测与故障预测预警上，通过在电梯各部件或子系统上布局相应的传感器、采用一些智能化算法对其状态进行预测预警，以解决传统监测系统预测精度不高的问题。

 

　　传统预测算法主要基于机械性能退化机理进行建模。通过研究电梯曳引机的性能退化特点，王美德[20]建立了基于Wiener过程的电梯曳引机性能退化模型，并推导了曳引机工作寿命分布。针对电梯曳引机试验样本量较少的问题，提出了自助法和极大似然法相结合的模型参数估计方法。为及早预测电梯发生的常见故障，侯靖琳等[21]提出了基于规则推理、知识图谱嵌入技术和知识图谱补全技术实现电梯故障预测的方法，实现了电梯实体、关系和故障实体三元组的预测。张璐璐[22]以扶梯主轴的振动信号为例，通过对振动信号的烈度等级进行分类标记，建立了基于自动扶梯主轴退化的隐马尔可夫模型，对主轴运行时的健康状态进行了预测。骆斌[23]针对电梯故障的随机性，结合马尔科夫模型能适应随机性较大的数据特点，建立了基于灰色马尔科夫的电梯故障率预测模型，具有较高的预测精度。

 

　　机械性能退化机理往往比较复杂，而基于人工智能的预测方法可以不依赖于机械性能退化机理，能够容易地扩展应用到电梯不同零部件或系统的故障预测。Chen等[24]较为系统地总结了基于人工智能电梯故障诊断方法的应用情况。结合电梯故障数据量大、故障种类多等特点，舒宁等[25]把人工智能技术应用于电梯故障分类及故障预测中，从理论上说明了人工智能技术用于电梯故障分析的可行性和有效性。An等[26]总结了国内外故障诊断、预测和健康管理技术的研究现状，并分析了电梯故障预测与健康管理技术的最新研究，阐述了电梯故障健康管理面临的挑战和电梯故障预测技术往整体预测、模型融合以及在线预测方向的发展趋势。

 

　　在模式分类问题上支持向量机SVM能提供好的泛化性能。基于此，为预测电梯导靴故障，朱晓玲等[27]通过Gabor滤波器提取增强信号的频率特征，利用多核SVM构建特征参数与电梯导靴故障之间的预测模型，该方法具有较高的故障预测准确率，但存在样本训练时间长的问题。根据电梯曳引机运行状态数据在高维空间的分布特性，吉训生等[28]提出了一种基于正负类双超球体SVM的电梯故障预测模型，可有效识别电梯的接触器故障、限位开关故障、变频器故障和电动机故障，克服了传统SVM数据描述鲁棒性差、识别准确度低等问题。受限于训练样本数据的质量和核函数的选择等因素，基于SVM的故障预测方法适于处理小样本数据，其处理大样本数据的能力稍显不足。

 

　　人工神经网络ANN具有良好的非线性特征拟合性能。为提高电梯故障预警的效率和精确率，车明浪和杨添玺[29]提出了一种容积卡尔曼滤波CKF辅助优化的径向基神经网络RBF的电梯故障预警方法，利用CKF的优点来优化调整RBF神经网络模型的结构和参数，有效地避免了单一神经网络过拟合欠拟合不稳定的缺点。针对BP神经网络收敛性差的问题，Bai等[30]提出了基于改进的粒子群优化PSO-BP算法的电梯故障预测模型，实现了对电梯冲顶和蹾底故障的准确预测，但其应用范围有较大的局限性，且预测效果受限于训练样本的质量。针对BP神经网络权值随机初始化以及遗传算法GA单种群早熟现象，Qiu等[31]利用多种群遗传算法MPGA协同进化的特性改进了BP算法的初始权值阈值，建立了门锁故障的预测模型（图5），大大提高了BP神经网络的泛化能力和预测精度。为解决传统电梯故障预测方法的数据特征提取复杂和需要大量诊断经验的问题，Jia等[32]通过奇异值分解和小波包分解方法提取电梯振动信号的特征，并用主成因分析PCA进行数据降维，最后用降维后的特征训练卷积神经网络CNN，构建电梯故障预测模型，该方法具有较高的故障识别准确率，但应用效果依赖于采集的振动信号质量。针对电梯曳引机轴承故障预测，孙庆港[33]提出了一种基于轻量化CNN的曳引机轴承故障预测方法，利用分类聚合近似和格拉姆角场方法将轴承一维振动信号转换成包含时间维度信息的二维图像数据，并通过多尺度压缩提取Xception算法实现轴承故障类型预测，该方法具有较高的轴承故障预测准确率。

 

 

　　总的来说，基于人工神经网络的预测方法需要大量高质量的训练样本数据来训练模型，在实际应用中有一定的困难。此外，基于人工神经网络构建的预测模型可解释性差，受网络结构和初始参数等因素限制。

 

　　近年来，深度学习技术发展迅猛，其在电梯故障预测领域的应用也越来越广泛。Liu等[34]利用电梯预警系统中的故障时间序列数据来训练长短时记忆神经网络LSTM，构建电梯预测模型，该方法具有较高的预测精度，但未考虑长期预测时故障发生的随机性问题。姜宇迪等[35]利用自编码器长短时记忆神经网络LSTM-ED将从制动器采集到的从运行至失效的全生命周期数据映射到特征空间，通过计算最大平均差异值的方法将真实数据与全寿命周期数据对应，并利用全连接网络回归特征空间的目标领域数据，实现了制动器剩余寿命的预测，该方法可有效改善电梯制动器在真实工作环境下的寿命预测准确度，但在实际应用中受限于数据采集成本和时间因素。胡昱[36]利用双向长短时记忆神经网络BiLSTM处理和学习电梯运行状态数据，结合注意力机制AM优化特征权重，可有效提高预测模型的泛化能力和准确率，但在实际应用中对算力的要求较高。针对运维知识库系统中电梯故障征兆预测问题，孙庆港和王呈[37]基于LSTM-AE自编码算法，引入变分模态分解VMD算法和融合BiLSTM的滑动窗口注意力机制，提出了面向电梯设备、具备降噪功能的改进LSTM-AE算法，并通过softmax分类器融合各特征序列的重构误差实现了电梯电气故障征兆的准确预测，且具有更快的训练速度和泛化能力。自编码器具有独特的编码和解码结构，可有效地提取非线性数据的特征，常用于电梯故障预测领域的特征提取。为评估电梯轿厢系统的健康状况，通过采集轿厢振动信号，黄健鹏[38]提出了一种基于深度自编码器DAE和t-分布随机邻域嵌入t-SNE的可视化电梯轿厢系统故障预警算法，有效预测了电梯的故障状态，但考虑到电梯类型和工况的多样性，其应用范围有待进一步验证。

 

　　考虑到数据质量及数据规模问题，单一智能算法预测精度往往并不理想，将多个智能算法进行融合是个不错的选择。为了解决不等长时间序列异常检测和电梯故障的早期预测问题，吉训生等[39]提出一种长短时记忆自动编码器（LSTM-AE）与多层感知机（MLP）相结合的网络模型，故障早期预测平均准确率可达到85.3%。周旋[40]基于安装在电梯相应部位的电梯物联黑匣子设备采集的电梯实时运行数据，分别构建了BP神经网络故障预测模型和C4.5决策树—BP神经网络组合故障预测模型，结果表明组合故障预测模型的预测准确度可达99.22%。为了预测电梯制动器制动力衰退的故障，姜宇迪[41]提出了一种基于无监督深度迁移学习算法（图6），借助长短期记忆网络自编码器检测异常值的特性提取原始数据特征，通过人工神经网络进行回归预测，可以实现对电梯制动器的随机故障判断和制动失效的故障预警。针对目前积累的电梯故障数据样本数量少、故障成因维度多等小样本数据的特点，胡海博[42]应用粒子群算法、聚类算法、集成学习boosting算法等人工智能技术设计了一种基于融合聚类算法的电梯故障预测模型，完成了电梯小样本数据的故障预测。利用电梯的参数数据和历史故障数据，蒋文博等[43]提出了一种基于比例风险模型与机器学习的混合方法，用于预测电梯的剩余寿命，具有很好的预测效果。

 

 

　　极致梯度提升树XGBoost由于运算速度快、算法精度高，在电梯故障预测领域也有较好的应用。Liang等[44]提出了一种基于XGBoost的电梯门系统故障预测方法，能够有效识别电梯开关门系统的故障类型。为降低电梯正常样本与故障样本数量差异对故障诊断准确率的影响，Qiu等[45]对从电梯振动信号中提取的特征进行递归削减，并通过天鹰优化算法对XGBoost电梯故障预测模型参数进行优化、建模，该方法能够准确预测电梯的故障状态。由于XGBoost算法调参过程复杂，其比较适用于处理中低维的结构化数据，在电梯的故障预警领域具有一定的应用前景。

 

　　此外，陈华等[46]结合大数据技术、机器学习算法、云计算与边缘计算的技术，提出了一种“云+边缘+终端”三层结构的电梯安全监管大数据平台，能够对电梯故障进行实时预测。

 

　　总之，人工智能用于电梯故障预测具有良好的应用前景，但需要大量的历史数据。在工程实践中，设备全寿命周期数据的采集难度较大、周期较长，限制了其应用范围。此外，该类方法的预测性能受限于模型结构参数、训练样本数量和质量等因素。

 

　　1.3调度优化

 

　　电梯的调度优化功能多体现于垂直电梯群控的应用场景中，随着现代建筑楼层的增加，对电梯的运能需求逐渐上升，电梯群控可以有效地整合各个电梯的运行状态，将各个独立的电梯一体化管理，通过对电梯信息的分析，优化以寻求最佳电梯的运行路径，达到高效利用电梯，避免运能浪费的目的。在电梯的调度优化中引入人工智能，可以更精确指导电梯的调度优化，不限于传统的单一外召输入，例如可以通过客流量的输入分析，优化出更佳的电梯运行路径，同时通过不断学习与训练，可以进一步提升电梯的智能化调度。

 

　　Bapin等[47]提出了一种利用监控摄像头获取的信息对普通客梯进行优化调度的新方法，引入了使用贝叶斯网络的有效人数和物品的概念，仿真得出该算法的实施减少了乘客的出行时间，并在实例中获得验证，在层间交通条件下，不同交通规模和交通强度情景下的平均出行时间分别提高了39.94%和19.53%。Wu等[48]提出了一种创新的基于计算机视觉的智能电梯信息系统（IEIS），系统框架如图7所示，该系统基于管道框架，通过对典型工作日电梯入住率的监测，将电梯运行模式划分为高峰期、空闲期和平衡期3个时段，并根据其相应特征指导需求驱动的运行优化。

 

 

　　李颖琪[49]利用人工智能算法设计了一套电梯调度算法，涵盖客流识别、数据集构建与强化学习训练三模块，训练基于E-TD3算法，深度强化学习优化，以仿真数据训练多模式调度模型，灵活应对各大楼交通流，实现高效电梯群组调度。梁策远[50]研究了单井道多轿厢电梯系统，通过进化算法优化群控系统，提出精确调度方法，涵盖通用与特殊规则。将轿厢调度映射为工艺规划与车间调度问题，构建以候梯和乘梯时间为目标的模型，采用遗传算法求解，设计双层编码确保调度有效性。仿真验证表明，该基于改进遗传算法的调度方法在多轿厢电梯中表现出色，较传统方法显著提升效率，验证了其可行性与有效性。田海等[51]针对PLC计算力弱、传统智能算法复杂问题，设计了基于蚁群算法的电梯群控策略，并对比研究了其优势，并在实物仿真系统验证了其高效可行性。黄志锋[52]依据时段运行规律建模分析，提升了电梯群控的调度响应速度。采用强化学习算法应对不确定复杂性，结合模拟退火与CMAC神经网络优化搜索策略，建立基于强化学习的调度模型，并定义模块功能，通过仿真验证该方法可有效提升了调度效率与准确性。王晶等[53]探讨了单电梯紧急疏散调度，利用整数规划模型，通过增加约束和线性化处理，转化为整数线性规划问题，提出改进的启发式算法，达到优化疏散效率，减少楼层访问次数的目的。李雪燕等[54]利用模糊控制理论对多电梯调度算法进行了优化，并验证了在特定交通状态下的准确度，用于减少乘客候梯与乘梯时间。

 

　　随着对电梯运能的提升以及乘客对乘梯体验要求的提高，人工智能在调度优化中的使用越来越广，通过深度学习算法分析海量数据，精准预测需求变化，动态调整资源分配策略。模糊控制、遗传算法等智能技术有效应对复杂多变的调度环境，提升响应速度与决策精度。结合实时反馈机制，持续优化调度方案，实现资源高效利用与成本降低。

 

 

　　2.1技术挑战

 

　　（1）环境感知与识别挑战：电扶梯的环境可能复杂多变，包括封闭、运动中环境，需要能够准确感知和识别人员、物体等信息，以保证安全运行。

 

　　（2）故障预测与维护挑战：现有研究中多是采用单一的智能算法进行故障预测，而每种智能算法均有其适用范围，同时，当前数据的获取和处理涉及乘客或者电梯使用方的隐私，真实数据的获取存在一定困难。

 

　　（3）安全性与隐私挑战：在应用人工智能技术的过程中，需要确保电扶梯系统的安全性，同时必须保护用户的隐私信息，涉及数据安全和隐私保护方面的挑战。

 

　　（4）技术成本与可靠性挑战：引入人工智能技术可能需要投入昂贵的技术成本，同时需要保证系统的可靠性和稳定性，这对技术应用和维护提出了较高的要求。

 

　　（5）法律法规与规范标准挑战：在人工智能技术应用于电扶梯领域时，需要考虑并遵守相关的法律法规和规范标准，以确保技术的合法性和合规性。

 

　　2.2未来展望

 

　　随着科技的不断进步和人工智能技术的快速发展，电梯领域正迎来一场深刻的变革。人工智能技术的应用为电梯行业带来了前所未有的机遇和挑战，预示着未来电梯将变得更加智能、安全、高效和便捷。

 

　　首先，未来电梯将成为智能化的重要载体。通过人工智能技术的应用，电梯可以实现智能化的运行管理和服务。智能化电梯将能够实时监测和分析运行数据，预测潜在故障并提前进行维护，从而提高电梯的可靠性和安全性。此外，智能化电梯还可以根据用户的需求和习惯进行个性化服务，提升乘坐体验。

 

　　其次，人工智能技术的应用将促进电梯行业的创新发展。通过机器学习、深度学习等技术，电梯可以实现更高效的能源利用、智能调度和优化运行，进一步提升电梯系统的整体性能。同时，人工智能技术还可以为电梯行业带来更多的商业机会和增长点，推动行业向着智能化、绿色化和可持续发展的方向迈进。

 

　　此外，人工智能技术的发展也将推动电梯行业与其他领域的融合创新。例如，结合物联网技术，电梯可以与建筑物其他系统实现互联互通，实现智能化的建筑管理和运行。同时，电梯行业还可以与城市交通、智能家居等领域进行跨界合作，共同探索智能化生活的可能性，为城市智能化建设提供更多可能性。

 

　　综上所述，人工智能技术在电梯领域的未来发展展望令人充满期待。随着技术的不断进步和创新应用，电梯将成为智能城市建设中不可或缺的重要组成部分，为人们的生活提供更加便捷、安全、舒适的出行体验，助力城市建设迈向智能化、可持续化的发展方向。在未来的发展中，我们期待看到人工智能技术与电梯行业的深度融合，共同开创智能化电梯的美好未来。

 

 

　　本文综述了视频监控、故障诊断、调度优化三大应用场景下人工智能技术的应用现状；分析了人工智能在电扶梯领域应用存在的挑战，包括环境感知与识别、故障预测与维护、安全性与隐私、技术成本与可靠性挑战。尽管人工智能技术存在一系列的挑战，但随着科学技术的发展，作为智能电梯发展中的重要技术，人工智能技术在电扶梯领域的应用将会逐渐深入与成熟，为智慧城市交通的建设赋能。

 

 

　　[1]KHEIR A.Smart elevator systems[J].Journal of Mechanical Ma‐terials and Mechanics Research,2023,6(1):41-53.

 

　　[2]LAN S,GAO Y,JIANG S.Computer vision for system protection of elevators[J].Journal of Physics Conference Series,2021,1848(1):29-31.

 

　　[3]CHEN L,LAN S,JIANG S.Elevators fault diagnosis based on ar‐tificial intelligence[J].Journal of Physics:Conference Series,2019,1345(4):042024.

 

　　[4]LI H,CHU E.SmartRide:Intelligent Reservation and Scheduling for Elevators[J].Journal of Ambient Intelligence and Smart Envi‐ronments,2024:1-27.

 

　　[5]刘朋.民用电梯智能化视频监控技术研究[J].中华民居,2024,17(02):61-63+83.

 

　　[6]LEI J,SUN W,FANG Y,et al.A Model for Detecting Abnormal Elevator Passenger Behavior based on Video Classification[J].Electronics,2024,13(13):2472.

 

　　[7]JIA C,YI W,WU Y,et al.Abnormal Activity Capture from Pas‐senger Flow of Elevator based on Unsupervised Learning and Fine-grained Multi-label Recognition[J].ArXiv,abs/2006.15873.

 

　　[8]赵宏程,张子杨,宋宇.电动车入侵电梯报警系统设计研究[J].消防界(电子版),2023,9(15):63-65.

 

　　[9]汤声平.基于深度学习的二轮车辆电梯禁入系统的研究[D].福州:福建工程学院,2023.

 

　　[10]王朝松.基于Android的电梯乘客监控系统研究[D].天津:天津科技大学,2022.

 

　　[11]徐航,赵国军.基于Android的电梯远程监控系统[J].机电工程,2012,29(9):1065-1068,1079.

 

　　[12]朱孝慈.基于深度学习的电梯智能监控系统研究与设计[D].南京:东南大学,2021.

 

　　[13]OSIPOV V,ZHUKOVA N,SUBBOTIN A,et al.Intelligent esca‐lator passenger safety management[J].Scientific Reports,2022,12(1):1-16.

 

　　[14]JIAO Z,LEI H,ZONG H,et al.Potential Escalator-related Inju‐ry Identification and Prevention based on Multi-module Inte‐grated System for Public Health[J].Machine Vision and Appli‐cations,2022,33(2):1-12.

 

　　[15]WU Y,WU S,YAN Z.Research on pedestrian fall action recog‐nition from escalators[J].Advances in Intelligent Systems and Computing,2021:1385.

 

　　[16]黄光积.手扶电梯乘客客流统计和异常行为识别算法研究[D].广州:华南理工大学,2023.

 

　　[17]洪杰.基于视频分析的手扶电梯异常行为检测算法研究[D].合肥:安徽大学,2021.

 

　　[18]张建军.基于手扶电梯监控视频的危险行为检测及研究[D].合肥:安徽大学,2021.

 

　　[19]杜启亮,黄理广,田联房,等.基于视频监控的手扶电梯乘客异常行为识别[J].华南理工大学学报(自然科学版),2020,48(8):10-21.

 

　　[20]王美德.电梯曳引机工作寿命预测方法研究[D].杭州:浙江理工大学,2020.

 

　　[21]侯靖琳,仇润鹤,薛季爱,等.基于知识图谱嵌入和补全的电梯故障预测[J].计算机工程与设计,2022,43(1):224-230.

 

　　[22]张璐璐.基于NB-IoT的轨道交通电梯运行安全及健康监测方法研究[D].上海:上海应用技术大学,2021.

 

　　[23]骆斌.基于灰色马尔科夫模型的电梯故障率预测[J].风险评估与安全分析,2022,38(2):45-47,67.

 

　　[24]CHEN L,LAN S N,JIANG S H.Elevators fault diagnosis based on artificial intelligence[J].Journal of Physics:Conference Se‐ries,2019,1345:1-11.

 

　　[25]舒宁,冯燕宽,葛智君,等.人工智能技术在电梯故障分析中的应用[J].电子产品可靠性与环境试验,2020,38(S2):61-65.

 

　　[26]AN Z,BAI D,GAN N,et al.The enlightenment on prediction and health management technology of elevator system[J].Jour‐nal of Physics:Conference Series,2021,1939:012-017.

 

　　[27]朱晓玲,李琨,张长胜,等.基于Gabor小波变换和多核支持向量机的电梯导靴故障诊断方法[J].计算机科学,2020,47(12):258-261.

 

　　[28]吉训生,王大智.正负类双超球体模型在电梯故障诊断的应用[J].信息与控制,2020,49(3):377-384.

 

　　[29]车明浪,杨添玺.基于深度学习的电梯故障预警研究与应用[J].电子世界,2021(6):110-113.

 

　　[30]BAI D,AN Z,WANG N,ET al.The prediction of the elevator fault based on improved PSO-BP algorithm[J].Journal of Phys‐ics:Conference Series,2021,1906:012-017.

 

　　[31]QIU J,QIU B,YANG L.Fault prediction of elevator door lock based on MPGA-BP algorithm[J].Journal of Physics:Confer‐ence Series,2022,2179:012-030.

 

　　[32]JIA M,GAO X,LI H,et al.Elevator running fault monitoring method based on vibration signal[J].Shock and Vibration,2021(8):1-10.

 

　　[33]孙庆港.融合预测性维护的智能电梯运维知识库系统[D].无锡:江南大学,2022.

 

　　[34]LIU J,ZHANG C,LI N.Fault prediction of elevator operation system based on LSTM[C]//2021 33rd Chinese Control and De‐cision Conference(CCDC).2021:6762-6766.

 

　　[35]姜宇迪,胡晖,殷跃红.基于无监督迁移学习的电梯制动器剩余寿命预测[J].上海交通大学学报,2021,55(11):1408-1416.

 

　　[36]胡昱.数据驱动的电梯关键部件健康状态评估及故障预测方法[D].广州:广东工业大学,2023.

 

　　[37]孙庆港,王呈.改进LSTM-AE算法的电梯知识库故障征兆预测[J].计算机工程与应用,2023,59(7):311-318.

 

　　[38]黄健鹏.基于物联网的电梯典型故障监测与预警系统研究[D].南京:南京理工大学,2023.

 

　　[39]吉训生,王大智,李晓.面向不等长时间序列的电梯故障早期预测[J].小型微型计算机系统,2020,41(4):763-768.

 

　　[40]周旋.电梯维保远程监控系统的研究与设计[D].贵阳:贵州大学,2020.

 

　　[41]姜宇迪.基于无监督深度迁移学习的电梯制动器实时状态监测和预警功能安全系统研究[D].上海:上海交通大学,2020.

 

　　[42]胡海博.基于小样本数据的社区电梯故障预测[J].工业控制计算机,2020,33(12):20-23.

 

　　[43]蒋文博,胡澜也,宋斐,等.基于比例风险模型与机器学习混合方法的电梯故障预测[J].工业工程与管理,2021,26(4):19-27.

 

　　[44]LIANG T,CHEN C,WANG T,et al.A machine learning-based approach for elevator door system fault diagnosis[C]//2022 IEEE 18th International Conference on Automation Science and Engi‐neering(CASE).New York:IEEE,2022:28-33.

 

　　[45]QIU C,ZHANG L,LI M,et al.Elevator Fault Diagnosis Method Based on IAO-XGBoost under Unbalanced Samples[J].Applied Sciences,2023,13(19):10968.

 

　　[46]陈华,曾亚辉,顾娟.基于边缘计算的电梯安全监管大数据平台[J].信息系统工程,2021(12):117-121,127.

 

　　[47]BAPIN Y,ALIMANOV K,ZARIKAS V.Camera-driven proba‐bilistic algorithm for multi-elevator systems[J].Energies 2020,13:6161.

 

　　[48]WU D,WU S,ZHAO Q,et al.Computer vision-based intelli‐gent elevator information system for efficient demand-based op‐eration and optimization[J].Journal of Building Engineering,2024,81:108126.

 

　　[49]李颖琪.基于深度强化学习的电梯群组调度研究[D].广州:暨南大学,2020.

 

　　[50]梁策远.基于进化算法的单井道多轿厢电梯调度研究[D].福州:福州大学,2019.

 

　　[51]田海,杨利宇.群控电梯调度效率优化设计[J].计算机与网络,2017,43(17):66-69.

 

　　[52]黄志锋.基于强化学习的电梯群控调度技术研究[D].苏州:苏州大学,2016.

 

　　[53]王晶,王书宁.单电梯紧急疏散调度问题求解[J].清华大学学报(自然科学版),2015,55(5):550-557.

 

　　[54]李雪燕,李大明.基于模糊控制的多电梯智能调度算法研究[J].计算机与数字工程,2014,42(10):1835-1838.