基于大數(shù)據(jù)分析的電梯應(yīng)急處置智能引導(dǎo)方法

摘 要：為縮短電梯故障困人事件處置時間，故研究融合電梯故障原因預(yù)判、救援單位自動推薦與救援站點選址優(yōu)化布置的應(yīng)急處置智能引導(dǎo)方法。歸集電梯檢驗/維保/監(jiān)管/應(yīng)急等多源業(yè)務(wù)數(shù)據(jù)，通過建立多種詞嵌入模型實現(xiàn)歷史故障文本數(shù)據(jù)向量化，提出基于注意力機制與Bi-LSTM模型的故障文本聚類算法獲取電梯故障標(biāo)簽，利用Boosting集成學(xué)習(xí)算法構(gòu)建電梯故障原因預(yù)測分類模型；建立基于距離、品牌、維保星級、歷史響應(yīng)時間等的救援單位能力多維度評價指標(biāo)體系及任務(wù)推薦方法，提出基于多輪Meanshift聚類的電梯網(wǎng)格救援站點選址優(yōu)化算法。該方法能快速準(zhǔn)確地預(yù)測電梯故障原因（Top-3準(zhǔn)確率達到86.1%），實現(xiàn)最優(yōu)救援單位推薦和站點維修救援壓力均衡，能夠縮短故障困人事件的處理時間，提高電梯救援效率。文中提出的電梯應(yīng)急處置大數(shù)據(jù)智能引導(dǎo)方法，對于提高電梯困人故障救援能力具有重要意義。

關(guān)鍵詞：電梯；物聯(lián)網(wǎng)；大數(shù)據(jù)分析；應(yīng)急處置；智能引導(dǎo)；任務(wù)分派；故障預(yù)判；站點優(yōu)化

中圖分類號：TP391.1 文獻標(biāo)識碼：A 文章編號：2095-1302（2025）06-0-06

DOI：10.16667/j.issn.2095-1302.2025.06.022

0 引 言

根據(jù)各市縣的電梯數(shù)量、維保單位和交通狀況等因素，全國各地的電梯96333應(yīng)急處置平臺一般會在各市縣設(shè)立N個電梯網(wǎng)格救援站點[1]，當(dāng)收到電梯故障救援請求后，平臺首先選擇該電梯對應(yīng)的維保公司，如果簽約維保公司不響應(yīng)，則派選距離最近的救援站點進行救援，但是這樣的任務(wù)分派方式存在以下問題：距離最近的救援站點可能對困人電梯品牌、特征、環(huán)境不熟悉，現(xiàn)場排查電梯故障時間長，救援效率低，甚至由于操作不當(dāng)造成次生事故；在住宅區(qū)、商業(yè)區(qū)和偏遠市郊承載的電梯和人流量壓力并不相同，就近分派導(dǎo)致任務(wù)分配不均，同時不合理的網(wǎng)格救援站點分布也會浪費平臺的救援資源，出現(xiàn)人員閑置、利用率不高等問題。

在電梯故障應(yīng)急救援研究方面，文獻[2]研發(fā)了面向任務(wù)型對話的電梯應(yīng)急處置智能應(yīng)答系統(tǒng)，對電梯被困人員進行語音引導(dǎo)和語音安撫，并通過云平臺與救援中心進行交互及共享數(shù)據(jù)，實現(xiàn)應(yīng)急處置救援的高效性和準(zhǔn)確性。文獻[3]通過小波包分解對電梯轎廂振動信號進行特征參數(shù)提取，再結(jié)合BP神經(jīng)網(wǎng)絡(luò)與D-S證據(jù)理論進行故障診斷。文獻[4]提出了基于深度學(xué)習(xí)算法的通用多層感知器神經(jīng)網(wǎng)絡(luò)模型，通過電梯時間序列數(shù)提取的深度特征進行故障檢測。文獻[5-6]對南京市電梯應(yīng)急處置平臺積累的數(shù)據(jù)進行了深入分析和挖掘，采用GBDT（Gradient Boosting Decision Tree）算法對電梯故障原因進行實時預(yù)測。文獻[7]提出了一種基于機器學(xué)習(xí)的電梯門故障診斷方法，通過圖像處理提取電梯門間動態(tài)距離隨時間變化的信號，測量電梯門間變化的距離，從噪聲信號數(shù)據(jù)中提取出梯形曲線進行建模，采用k近鄰分類器、支持向量機和二叉分類樹三種分類器動態(tài)識別電梯門故障。文獻[8]提取了能夠反映電梯不同運行狀態(tài)的振動信息，通過基于小波包的多閾值去噪方法對信號進行預(yù)處理，并通過特征信息提取進行故障預(yù)測。目前，國內(nèi)外關(guān)于電梯應(yīng)急處置與故障原因預(yù)測的研究較少，主要利用電梯振動等運行信號對電梯是否會發(fā)生故障進行預(yù)測，當(dāng)電梯發(fā)生故障后其運行信號可能很難獲取，存在實時故障診斷困難及故障點定位準(zhǔn)確率低等缺點。

因此，本文研究了電梯故障數(shù)據(jù)集文本聚類及故障原因預(yù)測方法，通過多維度多指標(biāo)綜合考量各維保單位的救援能力，進行救援派遣任務(wù)的自動最優(yōu)推薦；通過設(shè)計合理的站點分布評價指標(biāo)和大數(shù)據(jù)聚類分析，尋求站點負載更加均衡的站點分布解決方案，實現(xiàn)電梯應(yīng)急處置智能引導(dǎo)，促進平臺救援資源科學(xué)配置和高效利用，幫助救援人員縮短電梯故障處理時間，進一步提升平臺應(yīng)急處置能力，減少乘客的生命財產(chǎn)損失。

1 電梯應(yīng)急處置智能引導(dǎo)關(guān)鍵技術(shù)

1.1 電梯多源數(shù)據(jù)歸集與數(shù)據(jù)庫構(gòu)建

本文研究采用的數(shù)據(jù)包括電梯基礎(chǔ)數(shù)據(jù)、檢驗數(shù)據(jù)、救援?dāng)?shù)據(jù)、統(tǒng)計數(shù)據(jù)、維保數(shù)據(jù)、安全監(jiān)察系統(tǒng)數(shù)據(jù)、電梯二級網(wǎng)格救援單位及站點數(shù)據(jù)等，基礎(chǔ)數(shù)據(jù)包括電梯身份標(biāo)識、基本信息、技術(shù)參數(shù)等，救援?dāng)?shù)據(jù)包括96333平臺接到的各類報警及處理情況，其中比較關(guān)鍵的字段有救援單位、救援響應(yīng)時間、到場時間、救出時間、故障原因等。電梯統(tǒng)計數(shù)據(jù)包括電梯96333年報、電梯質(zhì)量安全報告等，包含電梯數(shù)量情況、電梯品牌及維保單位情況分析、電梯應(yīng)急處置情況、電梯困人救援分析等信息。

采用Sqoop工具、FTP（File Transfer Protocol）、Flume工具、網(wǎng)絡(luò)爬蟲等技術(shù)對上述多源數(shù)據(jù)進行歸集，對基礎(chǔ)數(shù)據(jù)中電梯所在縣區(qū)和經(jīng)緯度缺失數(shù)據(jù)，利用高德地圖提供的Web Service API進行補全，對于電梯所在地區(qū)、類型、歸屬公司等同一屬性的屬性值用多個值進行表示的情況進行屬性值統(tǒng)一。針對電梯故障預(yù)判、救援站點推薦、選址優(yōu)化等任務(wù)，建立以電梯96333編號為鍵的JSON格式數(shù)據(jù)庫，包括后續(xù)算法模型可直接調(diào)用的電梯故障文本數(shù)據(jù)、救援調(diào)度問題的數(shù)據(jù)、選址優(yōu)化問題的電梯位置數(shù)據(jù)等。

1.2 電梯故障原因預(yù)測分類算法

電梯故障原因預(yù)測算法流程如圖1所示。從電梯數(shù)據(jù)庫中抽取電梯歷史故障數(shù)據(jù)集，利用Skip-Gram模型、CBOW模型、Glove詞向量等多種詞嵌入模型進行故障文本數(shù)據(jù)向量化，構(gòu)建Bi-LSTM和注意力機制模型，提取出詞向量中的詞特征[9]，獲取輸入故障文本序列的上、下文信息以提高模型準(zhǔn)確率，計算詞向量與詞向量、句子向量與句子向量、詞向量與句子向量的相似度，并進行加權(quán)獲得其最終的相似度。根據(jù)相似度度量，采用K-means算法[10-12]對電梯歷史故障數(shù)據(jù)集進行聚類，相同的故障描述聚為一類，將聚類簇作為電梯故障標(biāo)簽；然后將故障電梯數(shù)據(jù)的基本信息轉(zhuǎn)化為one hot向量或歸一化，將歷史故障信息等通過歸一化或log函數(shù)處理添加到特征中。利用得到的特征以及標(biāo)注信息構(gòu)建訓(xùn)練集和測試集，通過Boosting集成學(xué)習(xí)的方式構(gòu)建訓(xùn)練電梯故障原因預(yù)測分類模型。當(dāng)電梯發(fā)生困人故障時，根據(jù)故障電梯數(shù)據(jù)的基本信息以及該電梯歷史故障信息，提取相應(yīng)的特征輸入該模型，實時預(yù)測導(dǎo)致該電梯故障的原因，快速準(zhǔn)確定位故障區(qū)域。

1.3 應(yīng)急處置任務(wù)自動分配推薦方法

自動推薦算法分為數(shù)據(jù)預(yù)處理、指標(biāo)計算、結(jié)果推薦三個模塊，構(gòu)建基于距離、品牌、維保星級、歷史響應(yīng)時間等的救援單位能力多維度評價指標(biāo)體系，提出基于二部圖結(jié)構(gòu)的推薦算法，實現(xiàn)對故障電梯的最優(yōu)救援單位推薦。

指標(biāo)計算模塊根據(jù)維保電梯的經(jīng)緯度與維修救援站點的經(jīng)緯度，計算兩地之間的歐氏距離。根據(jù)維保星級變化數(shù)據(jù)，計算當(dāng)前各救援站點的維保星級得分。根據(jù)歷史數(shù)據(jù)中每次維修響應(yīng)單位到達現(xiàn)場總耗時與救援總耗時之和，計算出每個維保單位的歷史響應(yīng)時長數(shù)據(jù)及平均值，作為響應(yīng)時間的指標(biāo)得分。采用詞頻-逆文本頻率指數(shù)加權(quán)方法（Term Frequency-Inverse Document Frequency， TF-IDF）衡量維保單位對于特定品牌電梯的維修專業(yè)程度以及不可替代性，某品牌的電梯在維保單位中的重要性隨著它在歷史記錄中出現(xiàn)的次數(shù)呈線性增加，并隨著它在所有維保單位中出現(xiàn)的頻率呈線性下降，根據(jù)公式（1）和公式（2）分別計算各個維保單位的TF值與該品牌的IDF值，相乘得到TF-IDF重要性指標(biāo)：

式中：i代表電梯品牌；j代表維保單位；D代表維保單位數(shù)量；d代表維保單位歷史記錄。

結(jié)果推薦模塊輸入為電梯經(jīng)緯度以及電梯品牌，輸出為維保單位或網(wǎng)格救援站點名稱。建立基于二部圖結(jié)構(gòu)的推薦算法，如圖2所示。自動推薦系統(tǒng)包含m個電梯和n個維修站點，因此二部圖有m+n個節(jié)點，二部圖邊的權(quán)重為維修站點對于電梯的得分，來自于救援能力評價指標(biāo)計算的加權(quán)平均結(jié)果，得分為0的邊在圖中不顯示。

資源分配有兩個階段，首先由維修站點到電梯，然后回到維修站點。由此，維修站點p到維修站點q的資源分配權(quán)重wpq可以表示為：

式中：r表示權(quán)重分；k（iq）表示維修站點q的度；k（ul）表示電梯l的度。

得到資源分配矩陣后，對電梯重新分配資源，用式（4）計算維修站點的新資源：

最后按照綜合推薦得分從高到低排序，得到最終的自動推薦結(jié)果。

1.4 基于多輪Meanshift聚類的救援站點優(yōu)化算法

對于電梯救援的全局效率而言，站點的合理分布至關(guān)重要。為了能夠進一步提升電梯困人應(yīng)急處置能力，針對已有電梯分布和電梯的故障次數(shù)信息，研究救援站點優(yōu)化算法，基于多輪含接受和拒絕的Meanshift[13-14]電梯聚類，運用基于故障質(zhì)心計算的方式計算出每類電梯的最終維修救援站點物理位置，算法流程如圖3所示，包括混合高斯模型GMM去噪、動態(tài)半徑列表計算、聚類接受分數(shù)評估、剩余樣本處理、故障質(zhì)心計算等步驟。

（1）混合高斯模型GMM去噪處理

由于原始數(shù)據(jù)集X中存在較多噪聲，利用混合高斯模型GMM對整個數(shù)據(jù)集進行去噪處理，設(shè)置閾值來過濾掉比較偏遠、分散的低密度噪聲樣本，消除低密度電梯群對于最終站點覆蓋結(jié)果的影響。

（2）動態(tài)半徑列表計算

對數(shù)據(jù)集X進行預(yù)處理后，通過最密集區(qū)域的Meanshift類內(nèi)樣本數(shù)與最稀疏區(qū)域的類內(nèi)樣本數(shù)近似，得到最小和最大鄰域半徑rmin和rmax，如式（6）～式（8）所示，然后使用rmax作為初始值，通過重復(fù)乘以比例因子α（0lt;αlt;1）來生成與多輪 Meanshift 相對應(yīng)的增量鄰域半徑列表，直到它小于或等于rmin，再使用這個半徑列表中的所有半徑，自小到大地對樣本進行聚類。（3）聚類接受分數(shù)評估

對于鄰域半徑固定的單輪Meanshift聚類結(jié)果中的類c，假設(shè)其對應(yīng)的樣本集為Xc，可以基于類內(nèi)樣本數(shù)計算單類分數(shù)來評估是否接受單類的聚類結(jié)果，計算如下：

如果Scorec較大，說明類內(nèi)樣本數(shù)與標(biāo)準(zhǔn)數(shù)不同，該類樣本將被送入下一輪Meanshift聚類。否則，將其作為Z的一個元素，作為最終聚類結(jié)果之一：

式中：λ（λ≥0）表示單類分數(shù)數(shù)量的接受閾值，當(dāng)λ較小時，會導(dǎo)致最終聚類較少，未分類樣本較多；當(dāng)λ足夠大時，算法最終會退化為原始的Meanshift，即用rmin進行單輪Meanshift聚類。

（4）剩余樣本處理

對于多輪Meanshift聚類結(jié)束時仍未分類的樣本，記為集合XR，將它們分配給從類中心到樣本的距離不超過距離rmax的類。如果多個類同時滿足這個條件，則將每個剩余樣本xR∈XR分配給最符合聚類接受分數(shù)標(biāo)準(zhǔn)的類，具體計算如下：

式中：Z表示在前多輪Meanshift中設(shè)置的可接受的聚類中心；XZ是對應(yīng)于某個已經(jīng)被接受的聚類中心z的所有樣本的集合。至此，完成對于所有樣本點的聚類，即每部電梯都分配給了對應(yīng)的救援站點。

（5）故障質(zhì)心計算

經(jīng)過多輪Meanshift聚類后，得到每部電梯和其對應(yīng)的救援站點位置，根據(jù)單個電梯的故障次數(shù)x與公式（14）計算出對應(yīng)的故障密度（權(quán)值weight）：

對于同一類中的電梯，計算所有電梯坐標(biāo)的帶權(quán)均值，用故障質(zhì)心作為本電梯類的救援站點選址位置，該算法流程如圖4所示。

2 實驗與結(jié)果

2.1 電梯故障原因預(yù)判及救援單位自動推薦實驗

從電梯數(shù)據(jù)庫中抽取某市2014年1月至2020年12月的電梯歷史故障數(shù)據(jù)集，通過電梯故障文本聚類算法，得到12個故障類別，標(biāo)簽和具體頻次如圖5所示，可以發(fā)現(xiàn)，故障數(shù)量具有一定的周期性，每年二月故障數(shù)量驟減，然后逐月上升，7月、8月以及11月、12月故障較多（可能是天氣炎熱潮濕或寒冷導(dǎo)致）。但是有的故障的周期性不明顯或數(shù)據(jù)缺失嚴重（如故障2、8、10），可能是因為不同的人員記錄的故障原因主觀因素較多導(dǎo)致。

對于上述電梯歷史故障數(shù)據(jù)集，使用12個故障類別作為標(biāo)簽，通過Boosting集成學(xué)習(xí)的方式進行訓(xùn)練，同時在迭代過程中設(shè)置early stopping的方式防止過擬合，結(jié)果顯示迭代75次時訓(xùn)練結(jié)果達到最優(yōu)，模型在測試集上top-1準(zhǔn)確率達到66.2%，top-3準(zhǔn)確率（預(yù)測最有可能的3類故障原因）達到86.1%，實現(xiàn)了基于歷史電梯故障記錄，在新電梯故障發(fā)生時對故障原因進行預(yù)判，當(dāng)推薦top-k個預(yù)測結(jié)果時，正確結(jié)果的覆蓋率可以達到設(shè)定的要求。

選擇某臺真實電梯進行救援單位推薦算法實驗，輸入電梯經(jīng)緯度（經(jīng)度118.8°，緯度32°）以及電梯品牌（上海東芝電梯有限公司），輸出為維保單位或維修救援站點名稱。首先，使用電梯與維保單位的歐氏距離作為召回指標(biāo)，先初篩出若干個距離最近的5個維保單位作為后續(xù)推薦的候選集，根據(jù)品牌、維保星級、響應(yīng)時間和近期響應(yīng)四個指標(biāo)，進行歸一化處理（0～5分）和排序，得到各個單一維度下的推薦結(jié)果，以江蘇粵立電梯安裝工程有限公司和日立電梯（中國）有限公司江蘇分公司為例，用Python pyecharts文件包中的雷達圖對其指標(biāo)結(jié)果進行可視化處理，如圖6所示。將各個維度下的指標(biāo)得分進行加權(quán)平均（各維度權(quán)值為0.2），計算出綜合推薦得分，產(chǎn)生推薦列表，見表1。從表1中可以看出，得分最高的救援單位為江蘇粵立電梯安裝工程有限公司，分值為3.128 6；得分第二高的為日立電梯（中國）有限公司江蘇分公司，分值為2.783 3。因此，最終的自動推薦結(jié)果為江蘇粵立電梯安裝工程有限公司。通過表1和圖7可知，利用該方法可以為故障電梯分配最合理的救援單位，并可查看相關(guān)救援單位的各項指標(biāo)分，推薦算法有很好的可解釋性。

2.2 救援站點選址優(yōu)化仿真實驗

在電梯應(yīng)急處置過程中，需要根據(jù)不同的維修人員到場時間來對維修站點的救援有效范圍進行進一步確定。下面結(jié)合實際地圖給出當(dāng)救援時間分別為7、10、15 min時，MRM算法在同一數(shù)據(jù)集上的表現(xiàn)，如圖7（a）～圖7（c）所示，圖7中，點表示電梯的分布，三角形表示救援站點的選址位置；對于抵達搶修現(xiàn)場時間限定在15 min內(nèi)的場景中，標(biāo)明了每個救援站點負責(zé)的電梯范圍，如圖7（d）所示，可以看出本文算法擁有較強的抗敏感性。

另外，圖8（b）給出了10 min場景下各個站點的電梯負載，以此和圖8（a）初始救援站點分布的電梯不均衡負載進行對比，進一步展現(xiàn)了MRM算法對于站點壓力的公平性和有效性。

3 結(jié) 語

（1）在電梯應(yīng)急處置平臺基礎(chǔ)上，為進一步提高電梯故障困人救援效率，提出基于電梯故障原因預(yù)判、救援單位自動推薦與站點選址優(yōu)化布置的應(yīng)急處置智能引導(dǎo)方法，實現(xiàn)對故障電梯的救援單位推薦，以及對電梯故障原因的預(yù)判，減少故障困人事件的處理時間，提高救援效率，保障被困人員的生命財產(chǎn)安全，同時降低人力成本，為各物業(yè)公司減少人員被困超過30 min以上造成的賠償損失。

（2）研究基于協(xié)同訓(xùn)練的電梯故障文本聚類方法，構(gòu)建了注意力機制與Bi-LSTM模型分別提取文本數(shù)據(jù)的句子信息和關(guān)鍵詞信息，利用多層相似加權(quán)計算電梯故障文本相似度，根據(jù)相似度度量從歷史故障描述的文本數(shù)據(jù)進行聚類得到故障標(biāo)簽；基于具有可類比性的電梯故障數(shù)據(jù)集，構(gòu)建基于Boosting集成學(xué)習(xí)的電梯故障預(yù)測分類模型，實時預(yù)測導(dǎo)致電梯發(fā)生故障的原因，通過電梯應(yīng)急處置平臺告知救援人員，救援人員可以根據(jù)預(yù)測結(jié)果有針對性地處理電梯故障，加快解救被困人員。

（3）對于救援單位自動推薦問題，將多個維度下的指標(biāo)得分進行加權(quán)平均，計算出綜合推薦得分，得到最終的自動推薦結(jié)果；針對電梯網(wǎng)絡(luò)救援站點的選址優(yōu)化問題，提出多輪Meanshift聚類算法優(yōu)化救援站點的位置，實現(xiàn)每個站點的維修救援壓力均衡和救援資源的最優(yōu)利用，進一步提高平臺的電梯應(yīng)急處置能力，后續(xù)可進一步研究面對電梯數(shù)量的逐年增長，新增的救援站點如何優(yōu)化配置等問題。

注：本文通訊作者為曹宏偉。

參考文獻

[1]宿愛香，車剛，李嫄.面向新型智慧城市的電梯智慧應(yīng)急處置一體化平臺構(gòu)建方案[J].特種設(shè)備安全技術(shù)，2022（1）：47-48.

[2]張海燕.面向任務(wù)型對話的電梯應(yīng)急處置智能應(yīng)答系統(tǒng)研發(fā)[D].銀川：北方民族大學(xué)，2021.

[3]趙裕峰.神經(jīng)網(wǎng)絡(luò)和D-S理論在電梯故障診斷中的應(yīng)用[J].微處理機，2018，39（4）：51-55.

[4] MISHRA K M， HUHTAL A K J. Fault detection of elevator systems using multilayer perceptron neural network [C]// 2019 24th IEEE International Conference on Emerging Technologies and Factory Automation （ETFA）. [S.l.]： IEEE， 2019.

[5]慶光蔚，劉肖凡.基于機器學(xué)習(xí)的城市電梯困人故障原因預(yù)測方法研究[J]. 物聯(lián)網(wǎng)技術(shù)，2022，12 （10）： 55-58.

[6]張慎如，王爽，王會方，等. 電梯應(yīng)急處置與安全監(jiān)管大數(shù)據(jù)分析決策技術(shù)研究[J]. 機電工程技術(shù)，2019，48（5）：125-128.

[7] HSU C Y， QIAO Y， WANG C， et al. Machine learning modeling for failure detection of elevator doors by three-dimensional video monitoring [J]. IEEE access， 2020（8）： 211595-211609.

[8] JIANG X， NAMOKEL M， HU C， et al. Research on elevator fault information extraction and prediction diagnosis [Z]. 2021.

[9]馮月春， 陳惠娟. 改進Bi-LSTM的文本相似度計算方法[J]. 計算機工程與設(shè)計， 2022， 43 （5）： 1397-1403.

[10] BRZEZI?SKA N A， HORY? C. Outliers in rules-the comparision of LOF， COF and KMEANS algorithms [J]. Procedia computer science， 2020， 176： 1420-1429.

[11]劉洪基. 基于混沌PSO的大數(shù)據(jù)智能加權(quán)K均值聚類算法[J]. 計算機應(yīng)用與軟件，2022，39（4）：311-319.

[12] GHADIRI M， SAMADI S， VEMPALA S. Socially fair k-means clustering [C]// FAccT'21： 2021 ACM Conference on Fairness， Accountability， and Transparency. [S.l.]： ACM， 2021.

[13] CHEN Q Q， HE L J， DIAO Y N， et al. A novel neighborhood granular meanshift clustering algorithm [J]. Mathematics， 2022， 11 （1）： 207-207.

[14]趙宇紅， 張曉楠. 基于超圖和K-means改進的異質(zhì)網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)算法[J]. 計算機應(yīng)用與軟件，2021，38（10）：290-296.

作者簡介：周前飛，博士，正高級工程師，主要從事電梯物聯(lián)網(wǎng)與大數(shù)據(jù)分析技術(shù)研究工作。

曹宏偉，碩士，高級工程師，主要從事特種設(shè)備風(fēng)險監(jiān)測技術(shù)研究工作。

慶光蔚，博士，正高級工程師，主要從事電梯大數(shù)據(jù)分析與智慧應(yīng)急處置技術(shù)研究工作。

馮月貴，碩士，正高級工程師，主要從事電梯物聯(lián)網(wǎng)與大數(shù)據(jù)分析技術(shù)研究工作。

王會方，博士，正高級工程師，主要從事電梯物聯(lián)網(wǎng)與應(yīng)急處置技術(shù)研究工作。

李 歌，碩士，工程師，主要從事特種設(shè)備風(fēng)險監(jiān)測技術(shù)研究工作。

收稿日期：2024-04-02 修回日期：2024-05-10

基金項目：國家重點研發(fā)計劃資助（2022YFF0607405）