CN110884973A

CN110884973A - 用于远程监控基于状况的维护的模型开发框架

Info

Publication number: CN110884973A
Application number: CN201910768385.9A
Authority: CN
Inventors: T.E.洛维特; M.亚萨; N.特尔卡; P.利亚斯卡斯; K.G.罗尔
Original assignee: Otis Elevator Co
Current assignee: Otis Elevator Co
Priority date: 2018-08-21
Filing date: 2019-08-20
Publication date: 2020-03-17
Also published as: EP3617117A1; ES2969966T3; US20200065691A1; EP3617117B1

Abstract

本发明的主题是“用于远程监控基于状况的维护的模型开发框架”。实施例包含用于开发模型框架以用于远程单元监控基于状况的维护的技术。技术包含收集与计划外维修请求关联的数据，并且从收集的数据生成一个或多个模型。技术也包含至少部分基于一个或多个模型来预测计划外维修请求以及传送计划外维修请求的预测的输出。

Description

用于远程监控基于状况的维护的模型开发框架

对相关申请的交叉引用

本申请要求2018年8月21日提交的美国临时申请No. 62/720,520的益处，该申请通过引用被整体结合于本文中。

技术领域

本文中的实施例涉及建模系统，并且更特定地，涉及开发模型框架以用于远程单元监控基于状况的维护。

背景技术

诸如电梯系统和自动扶梯系统的许多复杂系统收集数据以监控在时间段上的系统的性能。此数据能够以人工方式从维修（service）技工收集，或者从诸如配置成从系统读取各种操作或警报数据的传感器之类的其它来源收集。另外，一些数据能够由提供监控服务的其它外部或第三方系统提供。可存在利用采集的数据来执行预测和诊断分析以降低与系统关联的故障和停机时间的机会。

发明内容

根据实施例，提供一种用于开发模型框架以用于远程单元监控基于状况的维护的系统。系统包含存储介质，存储介质被耦合到处理器，其中处理器配置成收集与计划外维修请求关联的数据，以及从收集的数据生成一个或多个模型。处理器也配置成至少部分基于模型来预测计划外维修请求，以及传送计划外维修请求的预测的输出。

除本文中描述的特征中的一个或多个特征外，或者作为备选方案，进一步的实施例使用包含单元数据、性能数据或维修记录中的至少一个的数据。

除本文中描述的特征中的一个或多个特征外，或者作为备选方案，进一步的实施例使用包含单元数据、性能数据或维修记录中的至少两个的数据。

除本文中描述的特征中的一个或多个特征外，或者作为备选方案，进一步的实施例包含使用单元数据、性能数据和维修记录。

除本文中描述的特征中的一个或多个特征外，或者作为备选方案，进一步的实施例包含电梯单元或自动扶梯单元中的至少一个。

除本文中描述的特征中的一个或多个特征外，或者作为备选方案，进一步的实施例包含使用监督机器学习过程来被生成的模型。

除本文中描述的特征中的一个或多个特征外，或者作为备选方案，进一步的实施例包含基于生成对于单元的健康评分来生成一个或多个模型。

除本文中描述的特征中的一个或多个特征外，或者作为备选方案，进一步的实施例包含处理器，所述处理器配置成选择一个或多个模型中的模型，并且基于来自收集的数据的独立数据集来测试选择的模型。

除本文中描述的特征中的一个或多个特征外，或者作为备选方案，进一步的实施例包含提供输出，所述输出包括以下中的至少一个：单元ID、与维修请求事件的概率有关的估计的评分及对估计的评分有影响的一个或多个特征。

除本文中描述的特征中的一个或多个特征外，或者作为备选方案，进一步的实施例包含提供模型的输出以更新维护调度。

根据不同实施例，提供一种用于开发模型框架以用于远程单元监控基于状况的维护的方法。方法包含收集与计划外维修请求关联的数据，以及从收集的数据生成一个或多个模型。方法也包含至少部分基于一个或多个模型来预测计划外维修请求，以及传送计划外维修请求的预测的输出。

除本文中描述的特征中的一个或多个特征外，或者作为备选方案，进一步的实施例使用包含单元数据、性能数据和维修记录的数据。

除本文中描述的特征中的一个或多个特征外，或者作为备选方案，进一步的实施例包含使用监督机器学习过程来被生成的一个或多个模型。

除本文中描述的特征中的一个或多个特征外，或者作为备选方案，进一步的实施例包含使用生成的对于单元的健康评分来生成一个或多个模型。

除本文中描述的特征中的一个或多个特征外，或者作为备选方案，进一步的实施例包含选择一个或多个模型中的模型，以及基于来自收集的数据的独立数据集来测试选择的模型。

除本文中描述的特征中的一个或多个特征外，或者作为备选方案，进一步的实施例提供输出，所述输出包括以下中的至少一个：单元ID、与维修请求事件的概率有关的估计的评分及对估计的评分有影响的一个或多个特征。

除本文中描述的特征中的一个或多个特征外，或者作为备选方案，进一步的实施例包含至少部分基于输出来更新维护调度。

本公开的实施例的技术效果包含通过利用由系统收集的数据，在策略上和有方法地预测客户召修（customer callback）。另外，在维护调度和设备被更新时，预测能够随着时间经过而被优化。

除非另有明确指示，前述特征和元素可以以各种组合非排他性地被组合。根据以下描述和附图，这些特征和元素以及其操作将变得更显而易见。然而，应该理解的是，以下描述和附图旨在本质上是说明性和解释性的，并且是非限制性的。

附图说明

本公开通过示例的方式被图示并且在附图中不被限制，附图中相似参考标号指示类似元素。

图1是可采用本公开的各种实施例的电梯系统的示意图示；

图2描绘用于实践本文中描述的公开的系统；

图3描绘用于开发模型框架以用于远程监控基于状况的维护的系统；以及

图4描绘用于开发模型框架以用于远程监控基于状况的维护的方法的流程图；以及

图5描绘根据一个或多个实施例的计算机程序产品。

具体实施方式

在系统中崩溃或故障发生的事件中，必须呼叫维护或维修技工以解决报告的问题。接着，必须调度修理以访问出故障的系统的位置。在一些情形中，由于维修技工的调度基于问题的严重性和维修技工的可用性，经历的停机时间被增加。

本文中描述的技术包含实现动态机器学习过程，不同于常规静态解决方案，其中确定其中客户可能报告问题的时间窗口。被生成的模型能够利用独立数据被优化以通过在窗口的截止前调度维护来进一步减少停机时间。模型的进一步优化能够准确地修改客户召修的窗口。另外，能够在维修技工到达作业现场前将数据提供给维修技工以指示对预测的召修有影响的最重要特征。模型的结果能够被用来基于由模型提供的客户召修的预测来在策略上适配将如何以及何时为系统的一个或多个单元执行维护。

通过经建立模型作出数据驱动的预测和决策，模型能够被优化并且用于调整维护调度以预先制止（preempt）任何客户召修。因此，在减少客户经历的召修次数和停机时间的同时，能够维护客户设备的健康。

现在转到技术的概述，图1是电梯系统101的透视图，所述电梯系统101包含电梯轿厢103、配重105、受拉构件107、导轨109、机器111、位置参考系统113和控制器115。电梯轿厢103和配重105通过受拉构件107连接到彼此。受拉构件107可包含或者被配置为例如绳、钢缆和/或涂层钢带。配重105被配置成平衡电梯轿厢103的负载并且被配置成促进电梯轿厢103在电梯井117内并沿导轨109相对于配重105同时且在相反方向上的移动。

受拉构件107接合机器111，所述机器111是电梯系统101的高架结构的一部分。机器111被配置成控制电梯轿厢103与配重105之间的移动。位置参考系统113可被安装在电梯井117的顶部处的固定部分上，诸如在支架或导轨上，并且可被配置成提供与电梯井117内电梯轿厢103的位置有关的位置信号。在其它实施例中，位置参考系统113可被直接安装到机器111的移动组件，或者可被定位在如本领域中已知的其它位置和/或配置中。如本领域中已知的，位置参考系统113能够是用于监控电梯轿厢和/或配重的位置的任何装置或机构。例如,没有限制地，如本领域技术人员将领会的，位置参考系统113能够是编码器、传感器或其它系统，并且能够包含速度感测、绝对位置感测等。

如所示出的，控制器115被定位在电梯井117的控制器室121中，并且配置成控制电梯系统101以及特别是电梯轿厢103的操作。例如，控制器115可提供驱动信号到机器111以控制电梯轿厢103的加速、减速、置平、停止等。控制器115还可被配置成从位置参考系统113或任何其它希望的位置参考装置接收位置信号。当沿导轨109在电梯井117内向上或向下移动时，电梯轿厢103可如由控制器115所控制的那样停止在一个或多个层站125。虽然在控制器室121中被示出，但本领域技术人员将领会控制器115能够被定位和/或配置在电梯系统101内的其它地点或位置中。在一个实施例中，控制器可被远程定位或被定位在云中。

机器111可包含马达或类似驱动机构。根据本公开的实施例，机器111被配置成包含电驱动马达。用于马达的电源供应器可以是与其它组件组合被供应到马达的任何电源，包含电网。机器111可包含曳引轮，所述曳引轮将力赋予受拉构件107以在电梯井117内移动电梯轿厢103。

虽然利用包含受拉构件107的挂绳系统来被示出并且描述，但采用在电梯井内移动电梯轿厢的其它方法和机制的电梯系统可采用本公开的实施例。例如，实施例可被采用在使用直线马达以将运动赋予电梯轿厢的无绳电梯系统中。实施例还可被采用在使用液压升降机以将运动赋予电梯轿厢的无绳电梯系统中。图1只是为说明性和解释性目的而呈现的非限制性示例。

在其它实施例中，系统包括在楼层之间和/或沿单个楼层移动乘客的输送系统。此类输送系统可包含自动扶梯、人员运输机（people mover）等。因此，本文中描述的实施例不限于电梯系统，诸如图1中示出的电梯系统。

参照图2，示出有用于实现本文中的教导的处理系统200的实施例。在此实施例中，系统200具有一个或多个中央处理单元（处理器）201a、201b、201c等（统称或一般地称为（一个或多个）处理器201）。在一个实施例中，每个处理器201可包含精简指令集计算机（RISC）微处理器。处理器201经由系统总线213被耦合到系统存储器214和各种其它组件。只读存储器（ROM）202被耦合到系统总线213，并且可包含基本输入/输出系统（BIOS），所述基本输入/输出系统（BIOS）控制系统200的某些基本功能。

图2进一步描绘耦合到系统总线213的输入/输出（I/O）适配器207和网络适配器206。I/O适配器207可以是小型计算机系统接口（SCSI）适配器，其与硬盘203和/或磁带存储驱动器205或任何其它类似组件进行通信。I/O适配器207、硬盘203和磁带存储装置205在本文中被统称为大容量存储装置204。用于在处理系统200上执行的操作系统220可被存储在大容量存储装置204中。网络适配器206将总线213与外部网络216互连，使得数据处理系统200能与其它此类系统进行通信。屏幕（例如，显示监控器）215通过显示器适配器212被连接到系统总线213，所述显示器适配器212可包含用来改进图形密集应用的性能的图形适配器和视频控制器。在一个实施例中，适配器207、206和212可被连接到一个或多个I/O总线，所述一个或多个I/O总线经由中间总线桥（未示出）被连接到系统总线213。用于连接诸如硬盘控制器、网络适配器和图形适配器的外设装置的适合I/O总线通常包含公共协议，诸如外设组件互连（PCI）。另外的输入/输出装置被示为经由用户接口适配器208和显示器适配器212连接到系统总线213。键盘209、鼠标210和扬声器211全部经由用户接口适配器208互连到总线213，所述用户接口适配器208可包含例如集成多个装置适配器到单个集成电路中的超级I/O芯片。

在示范实施例中，处理系统200包含图形处理单元230。图形处理单元230是设计成操纵和改变存储器以加速帧缓冲器中预期用于输出到显示器的图像的创建的专用电子电路。一般地，图形处理单元230在操纵计算机图形和图像处理方面非常高效，并且具有高度并行结构，所述高度并行结构使得图形处理单元230比通用CPU对于其中并行进行大数据块的处理的算法更有效。

因此，如图2中所配置的，系统200包含：采用处理器201形式的处理能力、包含系统存储器214和大容量存储装置204的存储能力、诸如键盘209和鼠标210的输入部件以及包含扬声器211和显示器215的输出能力。在一个实施例中，系统存储器214和大容量存储装置204的一部分共同存储操作系统以协调图2中示出的各种组件的功能。

在一个或多个实施例中，控制器能够在图2中找到的处理系统200上被实现。另外，网络216能够被利用于控制器与其它装置之间和之中的电子通信。网络216能够与系统200的元件中的一个或全部进行有线或无线电子通信。云计算能够补充、支持或替换系统200的元件的功能性中的一些或全部功能性。另外，系统200的元件的功能性中的一些或全部功能性能够被实现为云计算节点。云计算是一种服务交付的模型，其用于使得对能够以最小的管理工作或与服务的提供者的最小交互来被快速供给和释放的可配置计算资源（例如，网络、网络带宽、服务器、处理、存储器、存储、应用、虚拟机和服务）的共享池的方便、按需的网络访问能实现。

本文中描述的处理系统200只是示范的，并且无意于限制能够以技术领域中已知的各种形式体现的本公开的应用、使用和/或技术范围。

现在参照图3，提供用于开发模型框架以用于远程单元监控基于状况的维护的系统300。如图3中所示出的，收集的数据被存储在数据存档302中。被收集和存储的数据能够来自各种来源，所述各种来源包含单元数据302A、性能数据302B、维修记录数据302C等。

单元数据302A包含但不限于与单元有关的警报和告警。另外，单元数据302A包含与单元本身关联的静态技术数据。例如，电梯单元的技术数据能够包含但不限于单元、模型、品牌、类型、门、市场细分（即，医院、学校和公寓）、地理位置等。

此外，能够针对其中用于某地理区域的要求可不同于另一地理区域的要求的单元的群组生成模型。在此情况下，能够基于特定地理区域来生成模型以预测是否将接收客户召修。在其它实施例中，能够基于建筑的类型（例如，公寓、酒店、办公场所等）、建筑大小或对于所述群组的其它希望的编组来生成模型。通过收集与单元关联的数据，能够基于不同类型的单元（其基于静态数据）在时间段上识别各种模式，或者在多种单元类型之中可一般地要求某种类型的修理。

性能数据302B能够包含汇总的统计。例如，性能数据能够包含电梯的运行、门反转、慢操作的门、不开启和关闭的门等的数量。在一个或多个实施例中，性能数据302B能够从诸如远程电梯监控系统的远程单元监控系统被提供。事件数据能够包含警报和告警数据，其中警报能够指示系统的性能中的错误，并且告警能够包含由系统提供和/或触发的警告。在一个或多个实施例中，为了准确，现场组织或其它操作者能够评估警报类型的细节。这向维修技工通知与单元关联的可能问题的特定知识，以提供有关单元有什么问题的更有目标性和更特定的维护访问。

维修记录数据302C能够包含修理的日期、修理的类型、单元的被替换组件、修理的持续时间、成功修理、客户投诉和维修技工的客户投诉的收尾报告、调度或未调度的修理、重大修理、普通维护调度等。应理解的是，其它类型的数据也能够被包含在维修记录数据302C中，并且不受上面提及的那些限制。

在处理框304，各种特征和标签被处理并且被用来获得训练数据以便开发模型。在一个或多个实施例中，数据将被标记有召修信息或维修请求，其中这些是其历史将被进一步分析的事件。在一个或多个实施例中，特征能够在框304从收集的数据中被提取并且被用来生成用来预测召修的模型。在使用监督机器学习时，处理模块被提供有示例输入和希望的输出，其中开发将输入映射到输出的一般规则。另外，处理模块通过在框312获得被用来训练模型的实例的有限集合的训练标签来实现主动学习。在示例中，如果在特定日期接收到客户召修，则将分析在诸如两个星期或更长时间的之前时间段内的数据以确定是什么引起了事件。模型将被训练以寻找指示类似类型的故障可能发生的数据的趋势或模式。

在框306，为处理准备建模数据并且建模数据被用于在框308开发模型。在一个或多个实施例中，建模数据在框306提供训练数据和测试数据到模型开发框308。一个或多个实施例中，开发框308包含决策树或决策森林技术以开发用来确定何时维修请求可能发生的预测模型。决策树学习基于使用决策树作为预测模型来将关于项目的观察映射到关于项目目标值的结论。在处理框314，从建模数据306接收训练数据312。在处理框314被训练后，多个候选模型316能够被开发以基于由单元经历的数据中的模式或趋势来预测客户召修何时可能发生。

响应于从多个候选模型316选择模型，最终模型318被提供到随后的验证框320以利用来自建模数据306的测试数据322的独立集合进一步核实数据。在最终验证框320，模型被用来预测召修或维修请求。验证框320评估模型的准确度。能够使用基于时段（period-based）（每日度量）的评估或基于事件的评估技术来执行评估。在示例中，如果在模型中20天窗口被用于确定维修请求，则基于时段的评估分析在每天的基础上导致请求的事件是否已发生，其中基于事件的评估确定事件是否已发生在20天窗口期间的任何时间。基于事件的评估能够指示模型正在有多可靠地预测召修。

模型开发308的输出330包含单元ID、对于识别的单元的估计的健康评分及对估计的健康评分有影响的最重要特征。每单元的健康评分能够向操作者提供在某个时间范围中具有计划外维修请求事件的概率的指示。健康评分能够是在0.1与1.0之间的值，其中1.0指示在指定的时间窗口期间召修发生的高概率。应理解的是，其它标度能够被用来表示基于训练数据的统计召修概率。在一个或多个实施例中，使用机器学习技术来生成模型。模型搜索在逐渐导致客户召修的时间窗口期间已被收集和存储的数据证据。相同证据被搜索以预测诸如客户召修的事件是否将发生。在一个或多个实施例中，能够为单元确定指示健康或不健康单元的各种趋势和模式。例如，在监督机器学习算法中，逐渐导致召修的前20天的数据能够被用来训练模型。在此示例中，监督机器学习的标记策略由客户投诉驱动。应理解的是，能够使用其它标记策略，诸如维修人员报告、更新的传感器组等。

现在参照图4，根据一个或多个实施例的用于开发模型框架以用于远程监控基于状况的维护的方法400的流程图。在框402，方法400开始并且继续到框404，框404规定收集与计划外维修请求关联的数据。在一个或多个实施例中，响应于接收客户召修，获得历史数据以分析导致客户投诉的系统的操作症状和/或事件。数据包含单元的静态技术数据、诸如警报和告警的操作和性能数据、诸如召修信息的维修记录数据等。

方法400在框406规定从收集的数据生成模型。在一个或多个实施例中，能够使用诸如监督机器学习的机器学习技术来分析数据。例如，标记的数据被提供到处理模块以用于训练。在一个或多个实施例中，标记的数据是“维修请求”或召修。在接收到召修的事件中，分析在逐渐导致维修请求的时间间隔或窗口中接收的数据。能够针对维修请求生成模型，其中能够标示和进一步调查指示状况的共同集合或操作症状的模式的数据的集合。基于随着时间经过已被收集的数据，能够生成多个候选模型。响应于从数据生成多个候选模型，从候选模型中选择最终模型。在一个或多个实施例中，k折交叉验证（CV）方案（其中k是整数）能够被用来选择最终模型。例如，在其中k=5的5折CV方案中，训练数据能够被分割成5个相等分区（A、B、C、D和E）。在分区BCDE上执行训练，并且使用分区A作为验证集合来验证性能。跟踪表示模型的性能的评分。在下一迭代中，在分区ACDE上执行训练，在分区B上验证训练，并且跟踪表示性能的评分。CV方案通过所有分区进行迭代，并且最终性能被平均，其中产生最佳或最优交叉验证性能评分的模型被选择为最终模型。能够使用能够被用来进一步优化预测模型的具有预期输出的独立测试数据来核实最终模型。要理解的是，其它技术能够被用来选择最终模型。

在框408，方法400规定至少部分基于模型来预测计划外维修请求。响应于生成模型，能够预测针对问题的客户召修。在一个或多个实施例中，维护调度或维修访问能够适于在接收到与关于单元的问题有关的客户召修前解决预测的问题。

框410规定传送模型的输出。模式的输出能够包含诸如单元ID、对于单元的估计的健康评分及对估计的健康评分有影响的最重要特征之类的信息。单元ID识别是潜在客户召修的对象的单元。估计的健康评分与维修请求事件的概率有关。所述最重要特征能够被提供给维修技工，或者在维护期间被用来进行更有目标性和/或集中的修理。另外，在执行维修前，向维修技工提供导致召修的信息。应理解的是，从模型输出的信息能够随着时间经过而被更新。方法400在框412结束。

现在参照图5，一般地示出包含计算机可读存储介质502和程序指令504的根据实施例的计算机程序产品500。

技术效应和益处包含：使用数据驱动模型，所述数据驱动模型使用机器学习来预测模型以获得由指示单元不健康的预测和有目标性的洞察产生的操作效率增益，其中不健康的单元可导致计划外维修请求。建模过程的技术效应和益处包含实现以标准化和自动化方式针对给定可用数据定制的最有效的预测模型。

如上所述，实施例能够采用处理器实现的过程和诸如处理器的用于实践那些过程的装置的形式。实施例也能够采用计算机程序代码的形式，所述计算机程序代码含有在诸如网络云存储设备、SD卡、闪速驱动器、软盘、CD ROM、硬盘驱动器或任何其它计算机可读存储介质的有形介质中体现的指令，其中当计算机程序代码被加载到计算机中并且由计算机执行时，计算机变成用于实践实施例的装置。实施例也能够采用计算机程序代码的形式，例如，所述计算机程序代码无论是存储在存储介质中，被加载到计算机中和/或由计算机执行，还是在一些传输介质上被传送，被加载到计算机中和/或由计算机执行，还是在一些传输介质上（诸如在电线或电缆上、通过光纤或者经由电磁辐射）被传送，其中当计算机程序代码被加载到计算机中并且由计算机执行时，计算机变成用于实践实施例的装置。当在通用微处理器上被实现时，计算机程序代码段配置微处理器创建特定逻辑电路。

用语“大约”意在包含与基于在提交申请时可用的设备的制造公差和/或特定量的测量关联的误差度。

本文中使用的术语只用于描述特定实施例的目的，并且不意在是本公开的限制。如本文中所使用的，除非上下文另有清楚指示，否则单数形式“一（a/an）”和“该”意在也包含复数形式。将进一步理解的是，用语“包括（comprise/ comprising）”当在此说明书中被使用时，规定所陈述的特征、整体、步骤、操作、元件和/或组件的存在，而不排除一个或多个其它特征、整体、步骤、操作、元件、组件和/或以上各项的组群的存在或添加。

本领域技术人员将领会，各种示例实施例在本文中被示出和描述，每个示例实施例具有特定实施例中的某些特征，但本公开并不被这样限制。相反，本公开能够被修改以结合在这之前未被描述但与本发明的范围相当的任何数量的变化、变更、替换、组合、子组合或等效布置。另外，尽管本公开的各种实施例已被描述，但要理解的是，本公开的方面可包含描述的实施例中的仅一些实施例。因此，本公开不应被视为被前面的描述限定，而是仅被随附权利要求的范围限定。

Claims

1.一种用于开发模型框架以用于远程单元监控基于状况的维护的系统，所述系统包括：

存储介质，所述存储介质被耦合到处理器；

所述处理器配置成：

收集与计划外维修请求关联的数据；

从所述收集的数据生成一个或多个模型；

至少部分基于所述模型来预测计划外维修请求；以及

传送所述计划外维修请求的所述预测的输出。

2.如权利要求1所述的系统，其中所述数据包括单元数据、性能数据或维修记录中的至少一个。

3.如权利要求2所述的系统，其中所述数据包括所述单元数据、性能数据或维修记录中的至少两个。

4.如权利要求2所述的系统，其中所述数据包括所述单元数据、性能数据和维修记录。

5.如权利要求1所述的系统，其中所述计划外维修请求用于单元，其中所述单元是电梯单元或自动扶梯单元中的至少一个。

6.如权利要求2所述的系统，其中使用监督机器学习过程来生成所述一个或多个模型。

7.如权利要求4所述的系统，其中生成所述一个或多个模型包括生成对于所述单元的健康评分。

8.如权利要求1所述的系统，其中所述处理器配置成选择所述一个或多个模型中的模型，并且基于来自所述收集的数据的独立数据集来测试所述选择的模型。

9.如权利要求1所述的系统，所述输出包括以下中的至少一个：单元ID、与维修请求事件的概率有关的估计的评分及对所述估计的评分有影响的一个或多个特征。

10.如权利要求9所述的系统，其中所述模型的所述输出被用来更新维护调度。

11.一种用于开发模型框架以用于远程单元监控基于状况的维护的方法，所述方法包括：

收集与计划外维修请求关联的数据；

从所述收集的数据生成一个或多个模型；

至少部分基于所述一个或多个模型来预测计划外维修请求；以及

传送所述计划外维修请求的所述预测的输出。

12.如权利要求11所述的方法，其中所述数据包括单元数据、性能数据或维修记录中的至少一个。

13.如权利要求12所述的方法，其中所述数据包括所述单元数据、性能数据或维修记录中的至少两个。

14.如权利要求12所述的方法，其中所述数据包括单元数据、性能数据和维修记录。

15.如权利要求11所述的方法，其中所述计划外维修请求用于单元，其中所述单元是电梯单元或自动扶梯单元中的至少一个。

16.如权利要求12所述的方法，其中使用监督机器学习过程来生成所述一个或多个模型。

17.如权利要求14所述的方法，其中生成所述一个或多个模型包括生成对于所述单元的健康评分。

18.如权利要求11所述的方法，进一步包括选择所述一个或多个模型中的模型，以及基于来自所述收集的数据的独立数据集来测试所述选择的模型。

19.如权利要求11所述的方法，所述输出包括以下中的至少一个：单元ID、与维修请求事件的概率有关的估计的评分及对所述估计的评分有影响的一个或多个特征。

20.如权利要求19所述的方法，进一步包括至少部分基于所述输出来更新维护调度。