随着高楼层建筑的日益增多,电梯已经成为人们生产生活的常用设备,然而,由于电梯的长期且大量使用,一些安全隐患也随之而来,在电梯使用时出现了溜梯、蹲底、困人等危险情况,因此需要对电梯运行状态数据进行监测并对电梯故障进行预测。目前电梯相关监测数据量逐渐增大,数据处理模型也越来越复杂,而传统已有的故障预测方法具有一定的局限性,精确度难以提升。针对电梯运行系统数据重复、数据关系薄弱以及电梯数据更新缓慢等问题,电梯故障预测系统亟需使用新的方法来避免电梯故障信息数据偏差,改善数据存储效率和提取过程,以提高电梯故障预测的性能。本文介绍了国内外电梯发展和安全预警方面的研究背景,以及电梯故障预测技术在国内外的研究现状,调研了相关学者提出的电梯故障预测方法,对比目前各算法的优劣,研判了故障预测在电梯安全方面的迫切性,分析总结电梯故障数据的特点,同时结合知识图谱的结构化语义特性以及在电梯设备安全预警领域可以改善电梯设备的规划、数据追溯和维保管理等方面的特点,对亟待改善的电梯运行系统数据重复、数据关系薄弱、电梯数据更新缓慢等电梯数据和故障预测问题针对性地进行了研究,并搭建了电梯故障预测平台。本文主要的研究内容和贡献如下:1、针对电梯数据关系薄弱、数据重复的问题,本文提出了基于知识图谱结合规则推理和知识图谱嵌入及补全实现电梯故障预测的方法。将电梯故障预测转变为知识图谱嵌入和补全任务,并组合规则推理方法构建电梯故障预测模型,主要对电梯故障的原始数据进行清洗集成,并对传感器采集到的电梯的曳引机振动值、轿厢振动值、湿度、温度、载重量几个主要属性参数进行分析规约以转变为结构化的数据,结合本体层形成知识图谱;在知识图谱构建完成之后,通过翻译模型实现三元组的低维向量表示,最后结合Proj E（Embedding Projection）模型实现知识图谱补全任务,以获得根据参数预测得到的电梯故障可能性排名。2、针对上述方法中较易产生模糊性判断的局限性,提出了采用知识图谱结合长短期记忆网络算法对电梯运行状态数据进行挖掘预测的解决方案。Proj E模型使用排名任务进行故障预测排名的结果粒度比较粗,较易使电梯故障的预测产生模糊性判断,针对上述模型的不足和局限性,以及电梯内部各属性参数联系较复杂的特性,本文将知识图谱结合长短期记忆网络进一步搭建细粒度的电梯故障预测模型。当知识图谱三元组完成低维稠密向量嵌入后,通过长短期记忆网络进行电梯故障预测的训练及测试,期间利用粒子群算法替代传统随机梯度下降过程,粒子通过不断地改变自己的位置以及速度以获取最优参数,将其用于电梯故障的预测。3、根据提出的电梯故障预测算法,本文采用前后端结合的架构搭建了电梯故障预测平台。通过地图、图表等图形化组件,实现电梯故障预测可视化。根据电梯故障预测算法和模型的研究内容,以laravel框架为后端,Vue框架为前端,Mysql为数据库存放普通数据,Neo4j作为图数据库存放知识图谱,通过不同图形化模块联动完成前后端分离模式下的电梯故障预测平台开发,以地图、图表等形式更加直观形象地展现电梯的故障预测情况,实现故障预测算法从实验阶段转为应用阶段,能够为建立电梯安全应急机制及长效维保机制提供帮助和参考。