电梯运行状态在线监测与智能故障诊断

电梯是高层建筑里使用最频繁、最贴近人身安全的设备，但抖动、急停这类故障样本稀少，不同梯型与服役年限的信号差异又大，靠阈值和单一模型很难判准。团队把轿厢三轴加速度传感、智能视觉监测与监控平台连成一套在线系统，诊断内核采用注意力机制与多任务学习结合的双向长短期记忆网络（AT-MTL-BiLSTM），让模型自动聚焦故障前后的关键时段。在真实在役电梯的运行数据上验证，前后抖动、左右抖动与急停三类故障的准确率、召回率与 F1 均超 0.94。

电梯安全三轴加速度信号注意力机制多任务学习

项目概述

电梯出问题时，维保人员只能等乘客投诉或困人报警才上门，早期征兆既没人报也没法留证。项目在轿厢上装三轴加速度传感器与智能视觉监测器，运行数据汇到统一监控平台，深度学习模型在线判别故障类型并评估严重程度。三类典型故障——前后抖动、左右抖动、急停——样本天然不均衡，注意力机制与多任务学习补足小样本的判别力，实验室测试台已完成端到端联调。

研究目标

轿厢三轴加速度与视觉信号的在线采集与汇聚

前后抖动、左右抖动、急停三类故障的准确识别

小样本与类别不均衡条件下的诊断泛化能力

同时输出故障类型、异常状态与严重程度

研究方法

轿厢三轴加速度时序经滑动窗口切为定长样本，送入双向长短期记忆网络（Bidirectional Long Short-Term Memory，BiLSTM），前向与后向隐状态拼接，兼顾长程依赖与局部突变。其上叠加注意力层，为每个时间步算出权重并加权求和，得到聚焦关键时段的共享表征。该表征同时驱动故障分类、异常检测与严重度回归三个任务头，用加权联合损失端到端训练。

技术路线

1
把电梯的"抖"变成可测的信号
轿厢上安装集成传感器模组，采集 X、Y、Z 三轴加速度并配套角速度、角度、速度与噪声通道；智能视觉监测器同步记录开关门与轿厢内画面。由专业维保人员对多部在役电梯的运行数据逐段标注，形成多套真实数据集。
2
让模型自己找到出事的那几秒
不同服役年限的电梯，故障时间尺度各异，窗口长度需适配。双向长短期记忆网络（BiLSTM）从正反两个方向读完窗口，注意力层给每步打分，权重集中到故障前后的关键时段，噪声段自动压低——权重本身可以拿出来看，知道模型凭哪一段下的判断。
3
三个任务一起学，少样本也判得准
主任务判故障类型，辅任务判是否异常与严重程度，三个任务共享表征联合训练。辅任务帮助共享层在小样本下学到更通用的特征，弥补故障样本稀少、类别不均衡带来的偏置。
4
从算法回到看得见的平台
诊断结果回流到监控平台：监控中心汇聚多部电梯数据，服务器处理后推送到手机、平板与大屏等终端，支持状态监测、健康评估与故障报警，并向预测性维护与远程故障处理延伸。实验室搭建了电梯模拟测试台，把传感、视觉与平台连通做端到端验证。