(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211070404.9 (22)申请日 2022.09.02 (71)申请人 日立楼宇 技术 （广州） 有限公司 地址 510660 广东省广州市高新 技术产业 开发区科 学城南翔三路2号 (72)发明人 仲兆峰　章飞　李良　张永生　 (74)专利代理 机构 华进联合专利商标代理有限 公司 44224 专利代理师 陈金普 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 10/00(2012.01) B66B 5/00(2006.01) G06K 9/62(2022.01) (54)发明名称 健康状态评估的方法、 装置和设备 (57)摘要 本申请涉及电梯维保技术领域， 提供了一种 健康状态的评估方法、 装置和设备， 通过获取电 梯组内的各电梯的每期评分； 确定电梯组在多个 健康状态 等级的连续两期的分布情况， 以及各健 康状态等级在连续两期的实际故障率； 若确定连 续两期的等级评估不稳定， 则利用电梯组在各评 价维度的下期评估前形成的电梯数据以及权重 初始值， 通过深度学习算法进行权重优化， 得到 下期权重最优值， 根据下期权重最优值， 通过机 器学习算法， 优化评分区间与健康状态等级间的 对应关系， 得到下期所用的评分区间与健康状态 等级间的对应 关系， 实现了电梯健康状态评估的 可持续性自我完善的过程， 保障了电梯健康状态 评估的稳定可靠 。 权利要求书3页 说明书19页 附图6页 CN 115496340 A 2022.12.20 CN 115496340 A 1.一种健康状态的评估方法， 其特 征在于， 所述方法包括： 在对电梯组进行每期评估时， 根据 所述电梯组在各评价维度的每期评估前形成的电梯 数据和各 所述评价维度的每期权 重最优值， 获取 所述电梯组内的各电梯的每期评分； 根据所述电梯组内的各电梯的每期评分， 以及每期所用的评分区间与健康状态等级间 的对应关系， 确定所述电梯组在多个健康状态等级的每期分布情况； 根据所述电梯组在多个健康状态等级的连续两期分布情况， 以及所述电梯组在所述连 续两期的实际故障电梯数， 得到各健康状态等级在所述连续两期的实际故障率； 若根据各健康状态等级在所述连续两期的实际故障率的变化幅度， 确定所述连续两期 的等级评估不稳定， 则利用所述电梯组在各评价 维度的下期评估前形成的电梯数据以及权 重初始值， 通过深度学习算法进行权重优化， 得到下期权重最优值， 根据下期权重最优值， 通过机器学习算法， 优化评分区间与健康状态等级间的对应关系， 得到下期所用的评分区 间与健康状态等级间的对应关系。 2.根据权利要求1所述的方法， 其特征在于， 获取各所述评价维度的第一期权重最优 值， 包括： 统计多个用户给 出的各评价维度的重要程度； 对各用户给出的各评价维度的重要程度进行量化处理， 通过AHP算法， 得到各评价维度 的权重经验值； 利用各评价维度的权重经验值与所述电梯组在各评价维度的第一期评估前形成的电 梯数据， 通过深度学习算法得到各 所述评价维度的第一期权 重最优值。 3.根据权利要求1所述的方法， 其特征在于， 利用所述电梯组在各评价维度的下期评估 前形成的电梯数据以及权重初始值， 通过深度学习算法进行权重优化， 得到下期权重最优 值， 包括： 将所述电梯组各评价维度的权重初始值作为深度 学习算法的训练权重初始值， 输入深 度学习算法； 将所述电梯组各评价维度在下期评估前形成的 电梯数据， 转化为标准分的形式， 作为 深度学习算法的输入； 根据输入深度学习算法的训练权重初始值、 以及标准分形式的 电梯数据， 得到所述电 梯组在各评价维度的下期权 重最优值。 4.根据权利要求1所述的方法， 其特征在于， 得到下期权重最优值所用的权重初始值的 获取步骤， 包括： 获取所述电梯组在各评价维度的权重经验值与所述电梯组在各评价维度的本期权重 最优值； 对所述电梯组在各评价维度的权重经验值与所述电梯组在各评价维度的本期权重最 优值进行分析， 挑选出区分度最 好的权重值； 将所述区分度最 好的权重值作为所述得到下期权 重最优值所用的权 重初始值。 5.根据权利要求1所述的方法， 其特征在于， 获取所述电梯组内的各电梯的每期评分， 包括： 对所述电梯组内的各电梯在各评价维度的每期评估前形成的电梯数据与各所述评价 维度的每期权 重最优值进行乘积， 对所述乘积进行求和；权　利　要　求　书 1/3 页 2 CN 115496340 A 2将求和得到的值作为所述电梯组内的各电梯的每期评分。 6.根据权利要求1所述的方法， 其特征在于， 根据 所述电梯组在多个健康状态等级的连 续两期分布情况， 以及所述电梯组在所述连续两期的实际故障电梯数， 得到各健康状态等 级在所述连续两期的实际故障率， 包括： 针对所述连续两期的任一期， 根据电梯组在多个健康等级的所述任一期分布情况， 得 到各健康状态等级下的电梯数； 获取所述电梯组在所述任一期中， 各健康状态等级下的实际故障电梯数； 根据各健康状态等级下的实际故障电梯数在该健康状态等级下的电梯数中的占比， 得 到各健康状态等级在所述任一期的实际故障率。 7.根据权利要求1所述的方法， 其特征在于， 根据 下期权重最优值， 通过机器学习算法， 优化评分区间与健康状态等级间的对应关系， 得到下期所用的评分区间与健康状态等级间 的对应关系， 包括： 根据下期权重最优值以及所述电梯组在下期前形成的电梯数据， 得到所述电梯组内各 电梯的下期评分； 把所述电梯组内各电梯的下期评分输入机器学习算法， 以使机器学习算法执行如下步 骤： 确定各电梯的下期评分所属的初始评分区间， 每个初始评分区间对应一个初始健康状 态等级； 对不同的初始分数区间进行合并， 形成评分区间； 根据初始分数区间的合并， 对相应的初始健康状态等级 进行合并， 形成健康状态等级； 根据形成的评分区间和健康状态等级， 得到下期所用的评分区间与健康状态等级间的 对应关系。 8.根据权利要求7 所述的方法， 其特 征在于， 对不同的初始分数区间进行合并， 包括： 根据分数从小到大的顺序， 对各初始分数区间进行排序； 若相邻的初始分数区间的电梯故障率出现反 向排序， 或者相邻的初始分数区间的电梯 故障率一致， 则将所述相邻的初始分数区间合并； 所述反向排序 是所述相邻的初始分数区间中， 排序在后的初始分数区间的电梯故障率 大于排序在前的初始分数区间的电梯故障率。 9.一种电梯健康状态的评估 装置， 其特 征在于， 所述装置包括： 评分获取模块， 在对电梯组进行每期评估时， 根据所述电梯组在各评价维度的每期评 估前形成的电梯数据和各所述评价维度的每期 权重最优值， 获取所述电梯组内的各电梯的 每期评分； 等级分布确定模块， 根据所述电梯组内的各电梯的每期评分， 以及每期所用的评分区 间与健康状态等级间的对应关系， 确定所述电梯组内的各电梯在多个健康状态等级的每期 分布情况； 实际故障率获取模块， 根据 所述电梯组内的各电梯在多个健康状态等级的连续两期分 布情况， 以及所述电梯组在所述连续两期的实际故障电梯数， 得到各健康状态等级在所述 连续两期的实际故障率； 自学习优化模块， 若根据同一健康状态等级在所述连续两期的实际故障率的变化幅权　利　要　求　书 2/3 页 3 CN 115496340 A 3