Big Data, Spark, Monitoreo de Seguridades, Ascensores - En.es

Traducido del inglés al español - www.onlinedoctranslator.
com
PLOS UNO
ARTÍCULO DE INVESTIGACIÓN
Influencia de la combinación de la tecnología de big data en

la plataforma Spark con el aprendizaje profundo sobre la
eficiencia del monitoreo de la seguridad de los ascensores
Jie YuIDENTIFICACIÓN*, Bo Hu
Instituto de Ciencia y Tecnología de la Información, Universidad de Fudan, Shanghai, China

a1111111111
a1111111111 * yujienuaa@163.com
a1111111111
a1111111111
a1111111111
Abstracto
Para minimizar eficazmente los accidentes de seguridad de los ascensores, la tecnología de big data se
combina con la tecnología de aprendizaje profundo basada en la plataforma Spark. Este estudio primero
ACCESO ABIERTO presenta las teorías relevantes de la tecnología de monitoreo de seguridad de ascensores, a saber, la
tecnología de big data y la tecnología de aprendizaje profundo. Luego, se identifican los tipos de fallas que
Citación: Yu J, Hu B (2020) Influencia de la combinación de la
tecnología de big data en la plataforma Spark con el ocurren en el estado de funcionamiento del ascensor y se establece un modelo de máquina de estados
aprendizaje profundo sobre la eficiencia del monitoreo de la finitos. Se propone un método de monitoreo de fallas de ascensores basado en la plataforma Spark, a
seguridad de los ascensores. PLoS ONE 15 (6): e0234824.
saber, máquina de estado finito (FSM), y se evalúan los resultados de la supervisión de fallas de seguridad
https://doi.org/10.1371/journal.pone.0234824
de ascensores. Basado en el aprendizaje profundo, se construye un modelo de advertencia de fallas de
Editor: Zhihan Lv, University College
ascensor y se evalúa su rendimiento de alerta temprana. Los resultados muestran que el estudio puede
London, REINO UNIDO
realizar un monitoreo en tiempo real y efectivo en el estado de operación del ascensor, y puede
Recibió: 6 de abril de 2020
determinar el tipo de falla del ascensor vinculando el estado de funcionamiento anormal con la falla
Aceptado: 2 de junio de 2020 correspondiente. La viabilidad de la eficiencia del monitoreo de la seguridad de los ascensores se evalúa
Publicado: 17 de junio de 2020 en función de tres índices: información mutua, precisión y falsos positivos. En comparación con otros
algoritmos, el algoritmo FSM propuesto tiene la mayor información mutua (0,1337), la mayor precisión
Historial de revisión por pares: PLOS reconoce los beneficios
de la transparencia en el proceso de revisión por pares; por lo (0,9899), la tasa más baja de falsos positivos (0,0624) y la tasa más baja de falsos negativos (0,1126); En
tanto, permitimos la publicación de todo el contenido de la comparación con otros modelos, el modelo de advertencia de fallas de ascensor propuesto en este
revisión por pares y las respuestas de los autores junto con los
estudio tiene el valor de error cuadrático medio (RMSE) más bajo (0.0201), la precisión más alta (0.9834), el
artículos finales publicados. La historia editorial de este artículo
valor de pérdida más bajo (0.0012) y el tiempo de convergencia más corto. (88.2608s), lo que indica que el
está disponible aquí:
https://doi.org/10.1371/journal.pone.0234824 sistema de monitoreo de seguridad del ascensor y el modelo de advertencia de fallas del ascensor son
factibles.
Derechos de autor: © 2020 Yu, Hu. Este es un artículo
de acceso abierto distribuido bajo los términos de la
Licencia de atribución de Creative Commons, que
permite el uso, distribución y reproducción sin
restricciones en cualquier medio, siempre que se
acredite el autor y la fuente originales.
1. Introducción
Declaración de disponibilidad de datos: Todos los datos relevantes
están dentro del manuscrito y sus archivos de información de Con el desarrollo de la industria de los ascensores, el ascensor se ha convertido en un medio de transporte común en
respaldo. la vida diaria de las personas. Los ascensores no solo se utilizan en edificios residenciales y centros comerciales, sino
Fondos: Los autores no recibieron financiación que también se utilizan ampliamente en la industria [1]. Con el rápido desarrollo de la industria y la economía de la
específica para este trabajo. construcción de China en los últimos años, la demanda y el inventario de ascensores
PLOS ONE | https://doi.org/10.1371/journal.pone.0234824 17 de junio de 2020 1/16

MÁS UNO La influencia de la combinación de la tecnología de big data y el aprendizaje profundo en la supervisión de la seguridad de los ascensores
Conflicto de intereses: Los autores han declarado que también se ha aumentado. Según estadísticas relevantes, el uso de ascensores de China ocupa el primer lugar en
no existen intereses en competencia.
el mundo; el ascensor trae comodidad a la gente. Sin embargo, al mismo tiempo, las averías de los ascensores
ocurren con frecuencia [2].
Según las estadísticas de la administración estatal de supervisión y administración de calidad de China, los
accidentes de ascensores en China aumentaron de 2015 a 2017. Hubo 56 accidentes importantes de ascensores
en 2015, 64 en 2016 y 72 en 2017 [3]. En consecuencia, se ha llamado la atención de la gente hacia la prevención
de accidentes de ascensores. En los últimos dos o tres años, a medida que la gente se ha vuelto más alerta a los
accidentes de ascensores, los accidentes de ascensores están disminuyendo gradualmente. Pero la mejora del
nivel de seguridad de los ascensores y la reducción de accidentes son problemas importantes para toda la
sociedad, así como para la industria de los ascensores, que deben resolverse [4]. Con la evolución de la ciencia y
la tecnología, Internet, los macrodatos, la tecnología de computación en la nube y otras nuevas generaciones de
tecnología de la información son métodos potencialmente útiles para el monitoreo de la seguridad de los
ascensores y la alerta temprana. Sobre la base de los datos relevantes del ascensor, el control dinámico en
tiempo real del ascensor se logra mediante el uso de tecnología de procesamiento y análisis de big data. Además,
se establece un mecanismo eficaz de advertencia de anomalías en ascensores para minimizar la tasa de fallos y la
incidencia de accidentes de ascensores. Por lo tanto, se mejora el nivel de seguridad integral del ascensor. Con la
mejora del rendimiento de la computadora y la generación de datos masivos, el entorno y la base de datos se
proporcionan para el aprendizaje profundo, la inteligencia artificial y otros campos. De este modo, El aprendizaje
profundo y la inteligencia artificial se han convertido en temas de investigación populares. Se establece una
jerarquía similar a la del cerebro y se aprende profundamente, y se utilizan módulos simples pero no lineales
para transformar los datos a un nivel más abstracto. Con una transformación suficiente de este tipo, la red
neuronal estudia una gran cantidad de datos [5].
En conclusión, para promover el factor de seguridad de los ascensores y reducir la ocurrencia de accidentes de
ascensores, se adopta la combinación de tecnología de big data y aprendizaje profundo. De esta manera, se logra la
monitorización de seguridad de los fallos de los ascensores y se resuelve el problema de las alarmas de anomalías. En
primer lugar, en este estudio se describe la teoría relacionada con la tecnología de monitoreo de seguridad de
ascensores, y luego se analizan el tipo de falla del ascensor y la máquina de estado finito en funcionamiento. Los datos de
flujo del ascensor se preprocesan y en este estudio se propone un algoritmo de monitoreo de fallas. Finalmente, se
evalúa el monitoreo de fallas de seguridad de los ascensores y se evalúa su efectividad. Se espera que este estudio pueda
mostrar una forma de monitorear de manera efectiva las anomalías de los ascensores.
2. Revisión de la literatura
En los últimos años, con el uso generalizado de ascensores, se ha prestado mucha atención en todo el
mundo a la frecuente aparición de accidentes de ascensores. Mientras tanto, los académicos estudian la
adopción de tecnología de monitoreo, con el objetivo de lograr un monitoreo en tiempo real de la
seguridad de los ascensores y reducir la ocurrencia de accidentes; ahora se han realizado muchos
estudios sobre el control de la seguridad de los ascensores [6]. Con respecto a la ocurrencia frecuente de
accidentes de ascensores, Ming et al. (2018), basado en Internet de las cosas. En primer lugar, se
analizaron los requisitos de un sistema de monitoreo de seguridad de ascensores desde la perspectiva de
su función y desempeño, y se evaluó la viabilidad del sistema desde la perspectiva de la demanda, la
tecnología y la operación práctica. Luego, se propuso un esquema de diseño para el sistema, combinando
las arquitecturas navegador / servidor y cliente / servidor. Como centro de comando y control, el cliente
se comunicaba e interactuaba con el sistema de monitoreo de front-end, mientras que para la
transmisión se usaba el protocolo de transmisión en tiempo real estándar. Por lo tanto, la supervisión de
la seguridad de los ascensores se obtuvo mediante simulación [7].

El procesamiento de señales fue adoptado por Skog et al. (2017) para lograr advertencias y monitoreo
de seguridad de ascensores. En este estudio se utilizó la combinación de nodos sensores con un sistema
de navegación y posicionamiento inercial para monitorear la posición del ascensor. Las características del
funcionamiento y el estado de salud del sistema de ascensores se calcularon mediante la calidad de
conducción del ascensor, junto con la influencia de la vibración en el espectro de frecuencia y el espectro
de posición. Las paradas anormales se identificaron monitoreando la desaceleración del ascensor y la
falta de coincidencia de la posición de parada del ascensor con la altura del piso objetivo. Se monitoreó el
estado del sistema de puertas rastreando los cambios en el campo magnético generado por el
movimiento de la puerta, y se estimó el número de puertas y el tiempo requerido para cerrar [8].
Basado en una prueba secuencial de razón de probabilidad, Liu et al. (2017). Para verificar la
efectividad de este método, se diseñó un experimento de diagnóstico de fallas para el sistema mecánico
del ascensor. Se utilizó la transformada de ondas para filtrar las señales de vibración recogidas en el
experimento, y se extrajo el valor de curtosis de la señal del filtro para representar el estado real del
ascensor. Además, las fallas en los sistemas mecánicos de los ascensores se diagnosticaron mediante la
prueba de razón de probabilidad secuencial (SPRT). Los resultados experimentales mostraron que el
método tenía una alta precisión en la aplicación práctica; Es muy importante mejorar el rendimiento del
diagnóstico de fallas del sistema mecánico del ascensor [9].
En el estudio de Wen et al. (2016), se aplicaron la optimización del enjambre de partículas y el modelo de red
neuronal BP para predecir la falla del sistema de la puerta del ascensor. Algunos tipos de fallas, como la vibración
excesiva de la puerta del ascensor abierta y el mal funcionamiento de la puerta del ascensor a la altura
especificada, se establecieron como resultado de la predicción y se simularon en el laboratorio de matrices,
MATLAB. Los resultados mostraron que un algoritmo de optimización de enjambre de partículas y un algoritmo
de red neuronal de retropropagación (BP) eran factibles para predecir fallas en el sistema de la puerta del
ascensor [10].
En resumen, de acuerdo con estudios previos, el método de procesamiento de señales y el método del árbol de fallas
se utilizan en la alerta temprana de fallas de ascensores. La supervisión de la seguridad del ascensor adopta
principalmente el algoritmo de red neuronal y el algoritmo de razonamiento difuso. Sin embargo, la advertencia de
seguridad del ascensor se centra principalmente en algoritmos de redes neuronales y algoritmos de razonamiento difuso.
Con el desarrollo de la tecnología informática, la tecnología de big data y la tecnología de aprendizaje profundo se han
adoptado con madurez en otros campos. Por lo tanto, en este estudio, la tecnología de big data se combina con un
modelo de aprendizaje profundo para estudiar la eficiencia del monitoreo de la seguridad de los ascensores.
3. Metodología
3.1. Marco de procesamiento de datos de flujo de ascensor basado en Spark
El análisis de big data se refiere al análisis de grandes cantidades de datos. En la sociedad moderna, big data es sin duda
una palabra de moda en esta era y se aplica en muchos campos. Los macrodatos son una fuente inagotable de beneficios
potenciales para las empresas, que pueden ayudarles a comprender las necesidades de los clientes y obtener ciertos
recursos, planificar la producción de acuerdo con las necesidades del cliente, reducir el inventario y realizar más servicios [
11,12].
Chispa - chispear. Spark es un marco para la computación paralela de big data desarrollado por el laboratorio
AMP en la Universidad de California, Berkeley. Se facilitan muchos tipos diferentes de tareas de big data, como el
procesamiento por lotes, el procesamiento de secuencias y el procesamiento de imágenes. La diferencia con
Hadoop (otro marco) es que Map Reduce coloca los resultados intermedios de diferentes cálculos en diferentes
discos de almacenamiento. Si Spark tiene suficiente memoria, todos los resultados se almacenan en la memoria;
luego, la velocidad de cálculo de la memoria base de Spark es 100 veces más rápida que la de Hadoop Map
Reduce. Por lo tanto, Spark tiene un potencial muy fuerte para el funcionamiento de algoritmos iterativos en el
aprendizaje automático y la minería de datos. Además, Spark puede admitir la transmisión

Fig 1. Procesamiento de datos de flujo de chispas.
https://doi.org/10.1371/journal.pone.0234824.g001
computación dividiendo micro-lotes [13]. La transmisión de datos es un tipo de conjunto de datos que puede crecer
infinitamente con el paso del tiempo. Actualmente, la transmisión de datos se usa ampliamente en redes de sensores,
monitoreo de audio y video y otros campos [14]. La transmisión de macrodatos tiene las características de ser en tiempo
real, variable en el tiempo, ilimitada, volátil y repentina [15]. Por lo tanto, se propone un marco para el procesamiento de
big data del flujo de ascensores basado en Spark. En Spark, Kafa y Flume se utilizan principalmente como fuentes de datos,
y DStream se utiliza para representar la continuidad del flujo de datos (que se muestra enFigura 1).
3.2. Tipo de falla del ascensor y máquina de estado finito en funcionamiento
El funcionamiento de un ascensor se compone de un sistema de control, un sistema mecánico y un sistema de

protección de seguridad. La falla ocurre en el estado de ejecución de todos los sistemas. Según el análisis del
estado de funcionamiento del ascensor registrado por el sistema de control del ascensor y el sensor, las fallas se
dividen en los siguientes tres tipos a través de un sistema de tres partes: falla del sistema operativo, falla del
comando y falla del sistema de la puerta. Las principales fallas del ascensor se muestran en
Figura 2.
En este estudio, se utiliza una máquina de estados finitos (FSM) para modelar el estado de funcionamiento del ascensor y su
proceso de transición de estado [dieciséis]. En FSM, hay tres conjuntos básicos: conjunto de estados, conjunto de entradas y conjunto
de reglas de transición de estado. Según las características de FSM, este estudio describe el estado de funcionamiento del ascensor
como:
METRO ¼ ðS;<;D;S0;FÞ D1Þ
En esta ecuación, S es el conjunto de estados operativos del sistema de ascensor; <es la colección de entrada
del sistema;δ es la función de transferencia de estado; S0 es el estado inicial del sistema de ascensores; F
es un subconjunto de S.
En este estudio, la máquina de estados finitos del ascensor se construye a través del estado de funcionamiento
del ascensor. Como se muestra enFig. 3:
3.3. Método de advertencia de fallas de ascensores basado en big data
Es necesario preprocesar los datos de flujo del ascensor para monitorear el estado de funcionamiento del ascensor,
porque la información de datos transmitida por el sistema de adquisición de datos del ascensor es el estado en un
momento determinado, que no se puede utilizar para distinguir el proceso de funcionamiento continuo del ascensor. . Los
datos de la secuencia se procesan mediante el mecanismo de ventana deslizante, como se muestra enFigura 4. Como
muestra esta figura, la ventana deslizante es 2 y el paso deslizante es 2. Está configurado para calcular cada 3 horas, y la
duración del intervalo de tiempo de cada deslizamiento es 2 veces. El intervalo de tiempo de la supervisión única se
controla configurando el tamaño de la ventana. Según los datos en este intervalo de tiempo, el cambio de estado del
ascensor es monitoreado por el algoritmo de monitoreo de fallas. Al deslizar la longitud del escalón, se evita el problema
de que el ascensor funcione en un intervalo de tiempo.

Fig 2. Principales tipos de fallas de ascensores.
El estado de funcionamiento del elevador es monitoreado y juzgado por el mecanismo de ventana

deslizante Spark Streaming en tiempo real. Los datos de transmisión se dividen en micro lotes mediante
la ventana deslizante, y el motor informático Spark se utiliza para realizar cálculos sobre los datos en toda
la ventana deslizante.
De acuerdo con la máquina de estados finitos en funcionamiento, se propone un algoritmo de monitoreo de
fallas de ascensor basado en datos de flujo. El diagrama de flujo de seguimiento del algoritmo se muestra en
Figura 5. La idea central de este algoritmo es monitorear el proceso de transición de estado de la operación del
ascensor mediante el análisis de sus datos de flujo. Si hay un proceso de transferencia anormal, la falla
correspondiente se infiere de los datos de flujo anormal. Además, el algoritmo puede localizar con precisión el
tipo de falla de acuerdo con la transición de estado anormal específica.
3.4. Construcción de un modelo de advertencia de fallas de ascensores basado en el aprendizaje profundo
El sistema de ascensor contiene múltiples sensores para monitorear el estado de funcionamiento en tiempo real
de todo el sistema. Si la serie temporal de entrada es X = {x1, X2,. . ., Xt}, la expresión de estimación de máxima
verosimilitud en el tiempo t que debe predecirse es la siguiente.
Yt
pagDXÞ ¼ pagDXtjX1; X2; ; Xt 1Þ D2Þ
t¼1
En la ecuación, X representa el conjunto de series de tiempo; X representa la serie de tiempo; p representa

la estimación máxima del tiempo predicho.
Al considerar la predicción de la falla del ascensor, los datos de una determinada serie de tiempo también se verán
afectados por otras condiciones. Por lo tanto, se selecciona una serie de tiempo de múltiples condiciones.

Fig 3. Diagrama de transferencia del estado de funcionamiento del ascensor.
para construir el modelo. Entonces, la expresión de estimación de máxima verosimilitud en el tiempo t es la

siguiente.
Yt
pagDXjyÞ ¼ pagDXtjX1; X2; ; Xt; y1 1; y21; ; ytI1Þ D3Þ
t¼1
En la ecuación, yI es la i-ésima serie temporal adicional condicional.

En este estudio, se aplica la convolución causal dilatada (DCC) para resolver la predicción de la serie de tiempo.
La estructura básica de DCC se muestra enFigura 6. Se utiliza convolución de expansión unidimensional para
obtener las características de datos de tiempo. Después de apilar y aumentar la tasa de expansión de acuerdo con
2norte, finalmente se obtienen las características de series de tiempo de diferentes intervalos de tiempo. A medida
que aumenta el número de capas, finalmente se sobrescribe la secuencia de entrada original. La convolución
causal puede realizar la operación cero en el tiempo previsto, para garantizar el orden de las series de tiempo
durante el cálculo de la convolución.
Para mejorar la precisión de predicción del modelo construido en este estudio, se introduce
aprendizaje residual en el modelo para mejorar el fenómeno de "degradación" de la red causado
por un aumento en el número de capas. Si el mapeo en la capa oculta original está representado
por H (x), la expresión del mapeo residual en el bloque de conexión residual aumentando la
conexión de salto corto es la siguiente.
FDXÞ ¼ HDXÞ X D4Þ

Fig 4. Mecanismo deslizante de la ventana.
En la ecuación, H (x) representa el mapeo de la capa oculta original; F (x) representa el mapeo
residual; x representa una conexión de salto breve.
El objetivo del aprendizaje residual es F (x) = 0, luego H (x) = x. Finalmente, para resolver el problema de la
dificultad en el entrenamiento profundo de la red, se agrega la normalización por lotes (BN) a la entrada de
cada capa del bloque de conexión residual. Si la secuencia de entrada de tiempo es X = {x1, X2,. . ., Xnorte},
entonces el cálculo del valor medio y la varianza es el siguiente.
1X norte
metroX ¼ XI D5Þ
norte
I¼1
1X norte
s2X ¼ DXI metroXÞ2 D6Þ

norte
I¼1
En la ecuación, m es la m-ésima muestra, μ representa el valor medio de la serie temporal; σ

representa la varianza de la serie temporal.

Fig 5. Diagrama de flujo del algoritmo de monitoreo de fallas de ascensor bajo datos de flujo.
Normalización de los valores de entrada basados en las ecuaciones (5) y (6) es como sigue.
XI
X^
metro
I¼ pffiffiffiffiffiffiffiffiffiXffiffiffiffi D7Þ
s2X þ ε
Para permitir que el modelo restaure la distribución de datos a la distribución original cuando sea
necesario, los parámetros γ y β deben introducirse en la Normailización por lotes. La estructura específica
del marco modelo construido en este estudio se muestra enFigura 7.
Este experimento de simulación toma como objeto experimental la aceleración de la vibración horizontal de la
cabina en el equipo elevador, y se verifica el modelo y método propuestos en este estudio. Se realiza un modelado
de series de tiempo para los datos de aceleración de la vibración de la cabina del ascensor, y el modelo propuesto
en este estudio se utiliza para predecir la aceleración de la vibración horizontal de la cabina, para predecir si la
vibración horizontal de la cabina es anormal en el futuro, lo que indica el riesgo potencial para la seguridad de la
cabina del ascensor. Para verificar aún más la precisión del algoritmo propuesto, en este estudio se utilizan la
máquina de vectores de soporte (SVM), el algoritmo de regresión logística, Bayes ingenuo, el árbol de decisión, las
k-medias, la mezcla gaussiana y el análisis de componentes principales (PCA).
Entorno de hardware: CPU: Intel E5-2680 v4 GPU: Nvidia TITAN Xp; almacenamiento interno:
64G; entorno de software: sistema operativo: Ubuntu 16.04; Versión de PYTHON: 3.6; marco de
aprendizaje automático: Tensorflow1.4.0.

Fig 6. La estructura básica de DCC.
4. Resultados
4.1. Resultados del monitoreo y evaluación de fallas de seguridad de ascensores
El experimento se llevó a cabo en el servidor en la nube de Ali. De acuerdo con la arquitectura de la

plataforma Spark, el elevador fue monitoreado en tiempo real y los datos de operación del elevador
Fig 7. Modelo de red de aprendizaje profundo basado en DCC.

Fig 8. Manejo de latencia y tiempo de procesamiento por Spark para 2000 ascensores.
fue analizado. Si cada ascensor necesitaba enviar un dato de operación a la plataforma cada segundo, el tamaño de la
ventana de Spark Streaming era de 30 segundos.
Figura 8 muestra 2000 conjuntos de retardo de procesamiento de Spark con la misma velocidad de entrada de datos.
Como se muestra enFigura 7, en el proceso de monitoreo de fallas, el algoritmo de este estudio se basa en el algoritmo
de monitoreo de fallas en el proceso de transición de estado; por lo tanto, se detecta cualquier estado que se ejecute en
contra de una regla lógica. Se elimina la perturbación de datos de error generada en el proceso de transmisión, y se
comprueba que el algoritmo propuesto en este estudio tiene una alta tasa de detección. Los resultados del seguimiento
de este algoritmo se muestran entabla 1. De acuerdo aFigura 9, la demora en el procesamiento de datos y el tiempo de
procesamiento de cada lote son
aumentó con un aumento en la cantidad de seguimiento. Cuando el número de ascensores

monitoreados se incrementa a 10,000, el tiempo de procesamiento de datos es de
aproximadamente 2 segundos, y el tiempo de procesamiento de datos para monitorear los 10,000
ascensores es menor que el de la ventana deslizante; por lo tanto, el algoritmo tiene un retardo
menor al monitorear 10,000 ascensores. Cuando el número de ascensores monitoreados es de
15,000, el retraso en el procesamiento de datos y el tiempo de procesamiento aumentan
drásticamente, lo que se debe a la capacidad limitada del equipo experimental en este estudio. Sin
embargo, en este experimento se simula un caso extremo. Los datos se envían a la plataforma por
cada ascensor cada segundo, mientras que en el entorno real, el equipo del ascensor no transmite
datos a la plataforma porque no hay transición de estado en circunstancias normales, por lo que
está en un estado inactivo.

Tabla 1. Resultados del monitoreo del algoritmo FSM.
Funcionamiento defectuoso Registro de ascensor Tipo de avería Error de descripción Monitoreo de fallas Tiempo de Problema El número de
IDENTIFICACIÓN número fuente falla tiempo de disparo rescatadores
93281 Incapaz de subir o Algoritmo automático Monitoreo FSM 2019-9-24 - 0

bajar la puerta vigilancia algoritmo 11:20
90023 Puerta entreabierta Algoritmo automático Monitoreo FSM 2019-9-24 - 0
vigilancia algoritmo 11:25
80734 Apertura anormal Algoritmo automático Monitoreo FSM 2019-9-24 - 0
77687 3130331010 Incapaz de subir o Algoritmo automático Monitoreo FSM 2019-9-24 - 0
2013050012 bajar la puerta vigilancia algoritmo 11:35
74541 Puerta entreabierta Algoritmo automático Monitoreo FSM 2019-9-24 - 0
52764 Incapaz de subir o Algoritmo automático Monitoreo FSM 2019-9-24 - 0
bajar la puerta vigilancia algoritmo 11:45
39971 Apagado anormal Algoritmo automático Monitoreo FSM 2019-9-24 - 0
https://doi.org/10.1371/journal.pone.0234824.t001
4.2. Evaluación de la efectividad del monitoreo de seguridad de ascensores
Para evaluar eficazmente la tecnología de big data y el aprendizaje profundo basado en la plataforma Spark para el
monitoreo de la seguridad de los ascensores, se utilizan como indicadores de evaluación la información mutua, la
precisión, la tasa de falsos positivos y la tasa de falsos negativos. La ecuación de cálculo de
Fig 9. Monitorización del retardo y tiempo de procesamiento de diferentes números de ascensores.

cada índice es el siguiente.
XX pagDr; sÞ
IDR; SÞ ¼ pagDr; sÞIniciar sesión D8Þ
pagDrÞpagDsÞ
r2R s2S
NCAD
Precisión ¼ D9Þ
NAD
NFAD
Falsa alarma ¼ D10Þ
DAKOTA DEL NORTE
NUAD
Informe insuficiente ¼ D11Þ
N/A
Dónde está la información compartida; NCAD es el número correcto de resultados anormales detectados; NAD
es el número de resultados anormales; NFAD es el número de errores en la detección de resultados anormales;
ND es la cantidad de detección; NUAD es el número de resultados anormales perdidos; NA es el número de
excepciones, S representa el conjunto de resultados de información y R representa los resultados de la
evaluación de información mutua.
El algoritmo FSM (n. ° 1) propuesto en este estudio se compara con SVM (n. ° 2), Regresión logística (n. ° 3),
Navie Bayes (n. ° 4), Árbol de decisión (n. ° 5), k-medias ( n. ° 6), Análisis de componentes principales (n. ° 8) para
información compartida, precisión, tasa de falsos positivos y tasa de falsos negativos, como se muestra en
Figura 10. Después de la comparación, se encuentra que, en comparación con otros algoritmos, el algoritmo
FSM propuesto en este estudio tiene la mayor información compartida (0,1337), la mayor precisión (0,9899), la
tasa más baja de falsos positivos (0,0624) y la menor tasa de falsos negativos. tasa (0,1126), y presenta un
excelente rendimiento de detección en general.
4.3 Prueba del modelo de alerta de ascensor
Para evaluar la confiabilidad del modelo de advertencia de fallas de ascensor basado en aprendizaje profundo
construido en este estudio, cuando el número de iteraciones alcanza un máximo de 1000, el error cuadrático
medio (RMSE), la precisión, el valor de pérdida y el tiempo de convergencia están seleccionados. La ecuación de
cálculo de RMSE es la siguiente.
1X norte
RMSE ¼ DFI yIÞ2 D12Þ

norte
I¼1
Donde n es el número total de muestras analizadas; FI es el valor previsto del modelo; yI es el valor de
observación.
El modelo construido en este estudio se compara con otros modelos, y los resultados se muestran en
Tabla 2. En este estudio, el valor RMSE del modelo propuesto es el más bajo (0.0201), la precisión es el
más alto (0.9834), el valor de Pérdida es el más bajo (0.0012) y el tiempo de convergencia es el más corto
(88.2608s). El valor RMSE del modelo SVM es el más alto (0.0454) y la precisión es la más baja (0.5997). El
valor de pérdida del modelo LSTM es el más alto (0.0035) y el tiempo de convergencia es el más largo
(402.3778s). Dado que los resultados de la tasa de pérdida y el tiempo de convergencia de SVM son muy
bajos, no hay significación de referencia para la comparación entre modelos, por lo que no se discuten los
dos valores.
5. Discusión
Con los frecuentes accidentes de ascensores en los últimos años, los incidentes fatales de ascensores aumentan año
tras año, y se atrae la atención de toda la sociedad y de muchos académicos sobre el tema [17,18].

Fig. 10. Comparación de información mutua, precisión, tasa de falsos positivos y tasa de falsos negativos de diferentes algoritmos.
La mejora de la tecnología de monitoreo de seguridad de ascensores es un medio importante para reducir los
incidentes de seguridad de ascensores. Mientras tanto, con el desarrollo de la tecnología de big data, se
dispone de información completa de datos de ascensores y se fortalece la aplicación de la tecnología de big
data al monitoreo de la seguridad de los ascensores.
El diseño y el marco de la plataforma del sistema de alerta temprana de ascensores se presenta como lo describen Lin
et al. (2019) [19], y se analiza el modelo funcional relevante del sistema. A continuación, se expone la teoría del uso de la
tecnología de big data para monitorear los procesos de los equipos de ascensores. También se analizan algunos
parámetros clave que intervienen en el sistema de alerta temprana. A través del sistema de alerta temprana del ascensor,
se proponen las medidas de alerta temprana necesarias antes de que ocurra un mal funcionamiento del ascensor para
mejorar su nivel de seguridad. Esta investigación hace uso de la tecnología de big data para darse cuenta de la alerta
temprana del ascensor y proporciona una buena idea y
Tabla 2. Resultados de las pruebas de los indicadores de alerta de diferentes modelos.
Modelos LSTM UFCNN SVM Nuestro Método
RMSE 0.0312 0.0266 0.0454 0.0201

Precisión 0.8826 0,9134 0.5997 0,9834
Valor de pérdida 0,0035 0,0019 - 0,0012
Tiempo de cobertura 402.3778 153.3987 - 88.2608
https://doi.org/10.1371/journal.pone.0234824.t002

apoyo a la investigación, que es el soporte teórico de esta investigación. En este estudio, la tecnología de big
data de la plataforma Spark combinada con el método de aprendizaje profundo se utiliza para realizar un
monitoreo efectivo y en tiempo real durante la operación del ascensor. El estado de funcionamiento anormal
está vinculado con la falla correspondiente para determinar el tipo de falla de
El ascensor. Se comprueba que la eficiencia de monitoreo de seguridad de ascensores propuesta tiene una buena
viabilidad a través de tres indicadores de información mutua, precisión y tasas de falsos positivos [20].
Los resultados de la investigación de este estudio son muy similares a los de Ham et al. (2019). Este estudio recopila
una gran cantidad de datos de inspección de ascensores y utiliza el método de análisis y diagnóstico de big data para
construir y predecir el esquema general de problemas de ascensores. Mediante la extracción de datos, se extraen los
parámetros característicos de la vibración de la cabina del ascensor y se encuentra la conexión interna entre el problema
oculto de varios sistemas mecánicos de ascensores y las señales de monitorización de vibraciones de las cápsulas de
tiempo de funcionamiento del ascensor. Los resultados muestran que el método de análisis de big data puede
diagnosticar y predecir con precisión el fallo del sistema mecánico del ascensor [21].
Los resultados muestran que las fallas del sistema mecánico del ascensor se diagnostican y predicen con precisión
mediante el análisis de big data. Luego, con base en el aprendizaje profundo, se construye el modelo de advertencia de
fallas del ascensor y se compara el rendimiento del modelo de advertencia construido en este estudio con otros modelos.
Los resultados muestran que el modelo de advertencia de fallas construido en este estudio tiene una mayor precisión de
advertencia de fallas (0.0578) y un valor de error menor (0.8721), valor de pérdida (0.0009) y tiempo de convergencia
(85.9376), lo que indica que la aplicación del aprendizaje profundo en fallas La advertencia puede mejorar la precisión y
confiabilidad de la advertencia de falla, lo cual es consistente con los resultados de la investigación de Zhong et al. (2020) [
22].
6. Conclusiones
Para reducir la ocurrencia de accidentes de seguridad de ascensores y mejorar la eficiencia del monitoreo de
seguridad de ascensores, en el estudio, se adopta tecnología de big data basada en la plataforma Spark
combinada con el modelo de aprendizaje profundo para mejorar la eficiencia del monitoreo de seguridad de
ascensores. Primero, se propone el diseño de la plataforma de monitoreo de seguridad de ascensores. De
acuerdo con las características de los datos de ascensores y la plataforma de monitoreo de seguridad de
ascensores con alto rendimiento, alta escalabilidad y alta disponibilidad, se diseña una arquitectura de plataforma
Spark. Luego, se presenta un método de detección de fallas de ascensores basado en la transmisión de
macrodatos. El FSM se utiliza para modelar el proceso de cambio del estado de funcionamiento del ascensor. El
algoritmo determina el estado de funcionamiento del ascensor de acuerdo con los datos de funcionamiento del
ascensor, y detecta si se produce el proceso de cambio de estado anormal, para juzgar si el ascensor falla. Este
método de detección se basa en el proceso de operación del ascensor para detectar la falla, por lo que tiene una
alta factibilidad y precisión de detección.
La tecnología de big data e inteligencia artificial existente se adopta para monitorear la seguridad de los ascensores,
lo que proporciona una buena idea para el desarrollo de la industria de la seguridad de los ascensores en China. Sin
embargo, todavía existen limitaciones en este estudio. Sin embargo, todavía existen limitaciones en este estudio. Solo se
seleccionan tres índices de evaluación para evaluar la eficiencia del monitoreo de ascensores. En el estudio de
seguimiento, se pueden seleccionar varios indicadores más para evaluar el monitoreo de la seguridad de los ascensores,
ampliando así la profundidad y amplitud de este estudio.
Información de soporte
Datos S1.
(XLS)

Contribuciones de autor
Conservación de datos: Jie Yu.
Investigación: Bo Hu.
Metodología: Jie Yu.
Administración de proyecto: Jie Yu.
Software: Bo Hu.
Validación: Jie Yu.
Visualización: Bo Hu.
Redacción - borrador original: Jie Yu.
Referencias
1. Jesse N. (2018) Internet de las cosas y big data: la disrupción de la cadena de valor y el surgimiento de nuevos
ecosistemas de software. Ai y sociedad, 33 (2): 229–239.
2. Subbu KP, Vasilakos A V. (2017) Big data para la computación consciente del contexto: perspectivas y desafíos.
Investigación de Big Data, 10, págs. 33–43.
3. Davila Delgado JM, Oyedele L, Bilal M, et al. (2019) Sistema de análisis de big data para el cálculo de costos de proyectos de
transmisión de energía.Revista de Ingeniería y Gestión de la Construcción, 146 (1), págs. 05019017.
4. García Ó, Alonso R, Prieto J, et al. (2017) Eficiencia energética en edificios públicos a través de la informática social
sensible al contexto.Sensores, 17 (4), págs. 826.
5. Olalere IO, Dewa M. (2018) Detección temprana de fallas de ascensores mediante monitoreo remoto de condiciones a través de
tecnología IoT. Revista Sudafricana de Ingeniería Industrial, 29 (4), págs. 17–32.
6. Mazouri El FZ, Abounaima MC, Zenkouar K. (2019) Minería de datos combinada con el análisis de decisiones
multicriterio para la mejora de la seguridad vial: caso de Francia. Revista de Big Data, 6 (1), págs.5.
7. Ming ZH, Han SY, Zhang ZB y col. (2018) Sistema de monitoreo de seguridad de ascensores basado en Internet de
las cosas.Revista internacional de ingeniería en línea, 14 (8), págs. 121-133.
8. Skog I, Karagiannis I, Bergsten AB y col. (2017) Un nodo de sensor inteligente para el monitoreo de fallas y
condiciones no invasivas de Internet de ascensores.Diario de sensores IEEE, 17 (16), págs. 5198–5208.
9. Liu C, Zhou S, Liu X y col. (2017) El método de diagnóstico de fallas de ascensores basado en la prueba de razón de
probabilidad secuencial (SPRT). Automatización,Sistemas inteligentes y de control, 5 (4), págs. 50–55.
10. Wen P, Zhi M, Zhang G y col. (2016) Predicción de fallas del sistema de puertas de ascensor basado en la red neuronal
PSO-BP. Publicación de investigación científica,Ingenieria, 8, págs. 761–766.
11. Zihan M, Shaoyi H, Zhanbin Z y col. (2018) Sistema de monitoreo de seguridad de ascensores basado en Internet de las
cosas.Revista internacional de ingeniería en línea, 14 (8), págs. 121-133.
12. Zhou Y, Wang K, Liu H. (2018) Un sistema de monitoreo de ascensores basado en Internet de las cosas.
Procedia informática, 131, págs. 541–544.
13. Loukas G, Vuong T, Heartfield R y col. (2017) Detección de intrusión ciberfísica basada en la nube para vehículos que
utilizan aprendizaje profundo.Acceso Ieee, 6, págs. 3491-3508.
14. Jabari SE, Freris NM, Dilip DM (2020). Estimación del tiempo de viaje escaso a partir de datos de transmisión.Ciencia
del transporte, 54 (1), págs. 1-20.
15. Junior JRB, de Carmo Nicoletti M. (2019). Un conjunto iterativo basado en impulso para la clasificación de datos de
transmisión.Fusión de información, 45, págs. 66–78.
dieciséis. Waseem HM, Khan M. (2019). Un nuevo enfoque para la privacidad del contenido digital utilizando el giro cuántico y
la máquina de estados finitos.Física Aplicada B, 125 (2), págs.27.
17. Dou, Y., Li, W., Ge, Y., Guo, L. (2019, noviembre). Diseño de sistemas de análisis y detección de fallas
comunes de tractores elevadores. En el Taller internacional de fabricación y automatización
avanzadas, págs. 309–316
18. Wang Y., Chong HY, Liao PC y col. (2019). Mecanismo interactivo de entornos de trabajo y comportamientos de
construcción con análisis cognitivo del trabajo: un caso de estudio de instalación de ascensores.Revista
internacional de seguridad y ergonomía en el trabajo, 25 (3), págs. 362–376. https://doi.org/10.1080/
10803548.2017.1371408 PMID: 28849986

19. Lin J, Xu Z, Lin R. (2019) Un sistema de alerta temprana de ascensores basado en tecnología de big data.
Transacciones DEStech en informática e ingeniería, págs. 22-25.
20. Wang H., Zeng M., Xiong Z. y col. (2017). Encontrar las principales causas de accidentes de ascensores a través de una regla de
asociación multidimensional en un entorno informático de borde.Comunicaciones de China, 14 (11), págs. 39–47.
21. Ham S, Han SY, Kim S y col. (2019) Un estudio comparativo del diagnóstico de fallas para el sistema de puertas de tren: enfoques de
aprendizaje tradicional versus aprendizaje profundo.Sensores, 19 (23), págs. 5160.
22. Zhong B., Pan X., Love PE, et al. (2020). Aprendizaje profundo y análisis de redes: clasificación y visualización de
narrativas de accidentes en la construcción.Automatización en la construcción, 113, págs. 103089.

Big Data, Spark, Monitoreo de Seguridades, Ascensores - En.es

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Big Data, Spark, Monitoreo de Seguridades, Ascensores - En.es

Cargado por

Copyright:

Formatos disponibles

Traducido del inglés al español - www.onlinedoctranslator.

Influencia de la combinación de la tecnología de big data en

Instituto de Ciencia y Tecnología de la Información, Universidad de Fudan, Shanghai, China

PLOS ONE | https://doi.org/10.1371/journal.pone.0234824 17 de junio de 2020 1/16

PLOS ONE | https://doi.org/10.1371/journal.pone.0234824 17 de junio de 2020 2/16

PLOS ONE | https://doi.org/10.1371/journal.pone.0234824 17 de junio de 2020 3/16

Fig 1. Procesamiento de datos de flujo de chispas.

3.2. Tipo de falla del ascensor y máquina de estado finito en funcionamiento

El funcionamiento de un ascensor se compone de un sistema de control, un sistema mecánico y un sistema de

METRO ¼ ðS;<;D;S0;FÞ D1Þ

3.3. Método de advertencia de fallas de ascensores basado en big data

PLOS ONE | https://doi.org/10.1371/journal.pone.0234824 17 de junio de 2020 4/16

Fig 2. Principales tipos de fallas de ascensores.

El estado de funcionamiento del elevador es monitoreado y juzgado por el mecanismo de ventana

3.4. Construcción de un modelo de advertencia de fallas de ascensores basado en el aprendizaje profundo

En la ecuación, X representa el conjunto de series de tiempo; X representa la serie de tiempo; p representa

PLOS ONE | https://doi.org/10.1371/journal.pone.0234824 17 de junio de 2020 5/16

Fig 3. Diagrama de transferencia del estado de funcionamiento del ascensor.

para construir el modelo. Entonces, la expresión de estimación de máxima verosimilitud en el tiempo t es la

En la ecuación, yI es la i-ésima serie temporal adicional condicional.

FDXÞ ¼ HDXÞ X D4Þ

PLOS ONE | https://doi.org/10.1371/journal.pone.0234824 17 de junio de 2020 6/16

Fig 4. Mecanismo deslizante de la ventana.

s2X ¼ DXI metroXÞ2 D6Þ

En la ecuación, m es la m-ésima muestra, μ representa el valor medio de la serie temporal; σ

PLOS ONE | https://doi.org/10.1371/journal.pone.0234824 17 de junio de 2020 7/16

PLOS ONE | https://doi.org/10.1371/journal.pone.0234824 17 de junio de 2020 8/16

Fig 6. La estructura básica de DCC.

4.1. Resultados del monitoreo y evaluación de fallas de seguridad de ascensores

El experimento se llevó a cabo en el servidor en la nube de Ali. De acuerdo con la arquitectura de la

Fig 7. Modelo de red de aprendizaje profundo basado en DCC.

PLOS ONE | https://doi.org/10.1371/journal.pone.0234824 17 de junio de 2020 9/16

aumentó con un aumento en la cantidad de seguimiento. Cuando el número de ascensores

PLOS ONE | https://doi.org/10.1371/journal.pone.0234824 17 de junio de 2020 10/16

Tabla 1. Resultados del monitoreo del algoritmo FSM.

93281 Incapaz de subir o Algoritmo automático Monitoreo FSM 2019-9-24 - 0

4.2. Evaluación de la efectividad del monitoreo de seguridad de ascensores

precisión, la tasa de falsos positivos y la tasa de falsos negativos. La ecuación de cálculo de

Fig 9. Monitorización del retardo y tiempo de procesamiento de diferentes números de ascensores.

PLOS ONE | https://doi.org/10.1371/journal.pone.0234824 17 de junio de 2020 11/16

cada índice es el siguiente.

4.3 Prueba del modelo de alerta de ascensor

RMSE ¼ DFI yIÞ2 D12Þ

PLOS ONE | https://doi.org/10.1371/journal.pone.0234824 17 de junio de 2020 12/16

temprana del ascensor y proporciona una buena idea y

Tabla 2. Resultados de las pruebas de los indicadores de alerta de diferentes modelos.

Modelos LSTM UFCNN SVM Nuestro Método

RMSE 0.0312 0.0266 0.0454 0.0201

PLOS ONE | https://doi.org/10.1371/journal.pone.0234824 17 de junio de 2020 13/16

ampliando así la profundidad y amplitud de este estudio.

PLOS ONE | https://doi.org/10.1371/journal.pone.0234824 17 de junio de 2020 14/16

Metodología: Jie Yu.

Administración de proyecto: Jie Yu.

Validación: Jie Yu.

Redacción - borrador original: Jie Yu.

PLOS ONE | https://doi.org/10.1371/journal.pone.0234824 17 de junio de 2020 15/16

PLOS ONE | https://doi.org/10.1371/journal.pone.0234824 17 de junio de 2020 16/16

También podría gustarte