电梯作为现代人类活动最后50米的交通工具,已成为与城市居民生活密切相关的重要基础设施之一。过去10年间,现有管理方式为我国电梯行业平稳运行,发挥了重要作用,但电梯保有量的快速增长,又为现有管理方式带来了巨大挑战。电梯的构成要素多,事故的发生具有随机性和偶然性,但故障隐患与其组成结构、历史运行数据又有着一定的关联性。实时运行状态是历史运行数据的综合表现,历史运行数据一定程度上反应了现在电梯健康状态,历史数据包括电梯的运行数据、故障及原因、维保记录等。本课题旨在以历史运行数据与实时运行数据为基础,通过引入人工智能手段,优化电梯管理方法,探索新的管理模式,不断提升电梯安全水平,营造良好的乘梯环境。首先,根据电梯实际运行情况,运用数据分析手段,深度挖掘影响电梯健康运行特征。通过分析事故原因、设计结构,结合设计、维保、运维等相关标准,尽可能的覆盖可能影响电梯健康的特征,完成了对评估电梯健康特征的粗提取;在现有电梯数据的基础上,通过方差阈值过滤法,剔除了数据波动不大、熵值小、信息含量低的特征,降低了特征维度,;再分别以logistic回归与SVM算法的特征提取特性为基础,进一步筛选特征;尝试使用随机森林算法,优化特征;将递归特征筛选法与Logistics回归评估算法相结合,筛选出适合于评估电梯健康状况的特征。将传统方法与人工智能相结合,整合了评价特征;接着,引入特征删除、众数插入等方法填补了缺失数据;使用one-hot等算法,改善了数据本身不匹配业务环境问题;借助数据标准化,优化了因数据单位不统一导致的评估算法性能下降等问题;将K-Means++与SMOTE算法相结合,在现有数据的基础衍生出新的数据,解决了数据不均衡问题。最后,以logistic回归理论为切入点,引入小批量梯度下降、Adagrad算法、高阶线性模型,优化了算法效率,提高了评价模型准确度,在模拟环境中,初步完成了针对电梯健康的评估、预警。