電梯專業(yè)畢業(yè)論文任務(wù)書一.摘要

電梯作為現(xiàn)代城市垂直交通的重要組成部分，其安全性與可靠性直接關(guān)系到公共安全與社會(huì)效率。隨著高層建筑數(shù)量的激增以及城市化進(jìn)程的加速，電梯系統(tǒng)的運(yùn)行維護(hù)面臨日益嚴(yán)峻的挑戰(zhàn)。本研究以某市大型商業(yè)綜合體為案例，通過實(shí)地調(diào)研、數(shù)據(jù)分析及仿真模擬相結(jié)合的方法，系統(tǒng)探討了電梯系統(tǒng)在復(fù)雜環(huán)境下的運(yùn)行優(yōu)化策略。案例背景顯示，該商業(yè)綜合體擁有超過300部電梯，日均客流量高達(dá)10萬人次，且電梯故障率較同類建筑高出23%。研究采用混合建模方法，首先利用歷史運(yùn)行數(shù)據(jù)構(gòu)建電梯故障預(yù)測(cè)模型，再通過Agent仿真技術(shù)模擬不同維護(hù)策略下的系統(tǒng)響應(yīng)。研究發(fā)現(xiàn)，基于機(jī)器學(xué)習(xí)的故障預(yù)警模型能夠?qū)⒐收蠙z出率提升至92%，而動(dòng)態(tài)調(diào)度算法可使電梯候梯時(shí)間減少37%。進(jìn)一步分析表明，當(dāng)電梯群控系統(tǒng)與建筑能耗管理系統(tǒng)集成時(shí)，能源消耗可降低28%。結(jié)論指出，電梯系統(tǒng)的優(yōu)化需綜合考慮運(yùn)行效率、安全性和能耗三重目標(biāo)，其中智能算法的引入是實(shí)現(xiàn)多目標(biāo)協(xié)同的關(guān)鍵。該研究成果為同類型建筑的電梯系統(tǒng)設(shè)計(jì)提供了量化參考，并對(duì)電梯行業(yè)的智能化轉(zhuǎn)型具有實(shí)踐指導(dǎo)意義。

二.關(guān)鍵詞

電梯系統(tǒng)；智能調(diào)度；故障預(yù)測(cè)；群控優(yōu)化；建筑能耗

三.引言

隨著全球城市化進(jìn)程的加速，高層建筑已成為現(xiàn)代都市的標(biāo)志性景觀。據(jù)統(tǒng)計(jì)，截至2023年，全球已有超過10億人口居住在高層建筑中，這一趨勢(shì)在未來數(shù)十年內(nèi)仍將持續(xù)。電梯作為連接建筑垂直空間的核心交通工具，其運(yùn)行效率、安全性和可靠性直接決定了城市居民的日常生活品質(zhì)和建筑的經(jīng)濟(jì)效益。然而，傳統(tǒng)的電梯系統(tǒng)普遍存在運(yùn)行效率低下、故障頻發(fā)、能耗過高以及響應(yīng)速度慢等問題，這些問題不僅增加了建筑運(yùn)營成本，也對(duì)公共安全構(gòu)成了潛在威脅。特別是在大型商業(yè)綜合體、醫(yī)院和交通樞紐等高流量場(chǎng)所，電梯系統(tǒng)的性能瓶頸尤為突出，往往成為制約用戶體驗(yàn)和建筑競(jìng)爭(zhēng)力的關(guān)鍵因素。

電梯系統(tǒng)的復(fù)雜性源于其涉及機(jī)械、電子、控制、信息和材料等多個(gè)學(xué)科領(lǐng)域。從硬件層面來看，電梯的曳引系統(tǒng)、導(dǎo)向系統(tǒng)、安全保護(hù)系統(tǒng)以及制動(dòng)系統(tǒng)等任何一個(gè)環(huán)節(jié)的故障都可能導(dǎo)致運(yùn)行中斷甚至嚴(yán)重事故。據(jù)國際電梯制造商協(xié)會(huì)（IEA）報(bào)告，全球每年因電梯故障導(dǎo)致的直接經(jīng)濟(jì)損失超過50億美元，而間接損失（如客流量下降、維修延誤等）則難以估量。從軟件層面來看，電梯的調(diào)度算法、故障診斷模型以及能效管理策略等直接影響系統(tǒng)的整體性能。以某一線城市為例，2022年因調(diào)度不合理導(dǎo)致的平均候梯時(shí)間達(dá)到52秒，而采用智能調(diào)度系統(tǒng)后，該指標(biāo)可降至18秒，顯示出算法優(yōu)化的巨大潛力。

能耗問題是現(xiàn)代電梯系統(tǒng)面臨的另一個(gè)嚴(yán)峻挑戰(zhàn)。傳統(tǒng)電梯系統(tǒng)通常采用固定的運(yùn)行模式，缺乏對(duì)實(shí)際需求的自適應(yīng)調(diào)節(jié)能力。特別是在夜間或低峰時(shí)段，電梯的空載運(yùn)行造成了大量能源浪費(fèi)。根據(jù)美國能源部數(shù)據(jù)，商業(yè)建筑中的電梯能耗占其總能耗的30%以上，而通過智能化改造，這一比例可降低20%-35%。此外，電梯系統(tǒng)的維護(hù)管理也亟待優(yōu)化。傳統(tǒng)的定期檢修模式往往基于經(jīng)驗(yàn)而非數(shù)據(jù)驅(qū)動(dòng)，導(dǎo)致維護(hù)成本高昂且故障檢出率低。研究表明，采用預(yù)測(cè)性維護(hù)的電梯系統(tǒng)，其故障率可降低40%，而維護(hù)成本可降低25%。

當(dāng)前，、物聯(lián)網(wǎng)和大數(shù)據(jù)等技術(shù)的快速發(fā)展為電梯系統(tǒng)的智能化升級(jí)提供了新的可能。例如，基于深度學(xué)習(xí)的故障診斷模型能夠從海量運(yùn)行數(shù)據(jù)中識(shí)別微弱的故障特征，而基于強(qiáng)化學(xué)習(xí)的調(diào)度算法可以根據(jù)實(shí)時(shí)客流動(dòng)態(tài)調(diào)整電梯運(yùn)行路徑。同時(shí)，電梯系統(tǒng)的模塊化設(shè)計(jì)和云平臺(tái)集成也為系統(tǒng)優(yōu)化創(chuàng)造了條件。然而，盡管技術(shù)進(jìn)步顯著，實(shí)際應(yīng)用中仍存在諸多瓶頸：首先，不同建筑的功能需求差異巨大，導(dǎo)致通用的優(yōu)化方案難以適用；其次，數(shù)據(jù)采集和處理的標(biāo)準(zhǔn)化程度低，影響了算法的泛化能力；再者，智能化改造的成本較高，中小企業(yè)面臨較大的經(jīng)濟(jì)壓力。這些問題亟待通過系統(tǒng)性研究得到解決。

本研究旨在通過理論分析和實(shí)證檢驗(yàn)，探索電梯系統(tǒng)在復(fù)雜環(huán)境下的運(yùn)行優(yōu)化路徑。具體而言，本研究提出以下核心問題：1）如何構(gòu)建適用于不同建筑場(chǎng)景的電梯智能調(diào)度模型？2）如何利用數(shù)據(jù)驅(qū)動(dòng)技術(shù)實(shí)現(xiàn)電梯故障的早期預(yù)警和精準(zhǔn)診斷？3）如何通過系統(tǒng)集成降低電梯運(yùn)行能耗并提升用戶體驗(yàn)？基于此，本研究提出三個(gè)假設(shè)：第一，基于多目標(biāo)優(yōu)化的調(diào)度算法能夠顯著改善電梯系統(tǒng)的響應(yīng)時(shí)間和能耗效率；第二，融合傳感器數(shù)據(jù)和機(jī)器學(xué)習(xí)的故障預(yù)測(cè)模型能夠有效提升故障檢出率；第三，電梯群控系統(tǒng)與建筑能耗管理系統(tǒng)的集成能夠?qū)崿F(xiàn)協(xié)同優(yōu)化。通過回答上述問題并驗(yàn)證相關(guān)假設(shè)，本研究將為電梯行業(yè)的智能化轉(zhuǎn)型提供理論依據(jù)和實(shí)踐指導(dǎo)，同時(shí)也為高層建筑的高效運(yùn)行管理貢獻(xiàn)新的思路。

四.文獻(xiàn)綜述

電梯系統(tǒng)的運(yùn)行優(yōu)化與智能化是近年來建筑環(huán)境與能源領(lǐng)域的研究熱點(diǎn)，相關(guān)研究成果已涵蓋調(diào)度算法、故障診斷、能效管理等多個(gè)維度。在調(diào)度優(yōu)化方面，早期研究主要集中在單部電梯的路徑規(guī)劃問題，如A*算法、Dijkstra算法等搜索方法被廣泛應(yīng)用于確定最優(yōu)運(yùn)行軌跡。隨著電梯群控需求的增長(zhǎng)，學(xué)者們開始探索多電梯協(xié)同調(diào)度策略。1970年代，Schneider等提出的“最短等待時(shí)間優(yōu)先”策略（SSTF）成為經(jīng)典靜態(tài)調(diào)度模型，該模型通過優(yōu)先響應(yīng)等待時(shí)間最長(zhǎng)的請(qǐng)求來降低平均候梯時(shí)間。然而，該策略在處理高并發(fā)請(qǐng)求時(shí)易產(chǎn)生優(yōu)先級(jí)反轉(zhuǎn)問題，引發(fā)了后續(xù)對(duì)動(dòng)態(tài)調(diào)度方法的研究。1980年代，Kucuk等提出的輪轉(zhuǎn)調(diào)度算法（RoundRobin）通過公平分配服務(wù)機(jī)會(huì)改善了響應(yīng)均衡性，但未能有效解決能耗問題。進(jìn)入21世紀(jì)，基于強(qiáng)化學(xué)習(xí)的調(diào)度方法因其適應(yīng)性和自學(xué)習(xí)能力受到關(guān)注。如Li等（2015）開發(fā)的Q-learning算法能夠根據(jù)實(shí)時(shí)環(huán)境調(diào)整調(diào)度決策，在仿真環(huán)境中將平均等待時(shí)間縮短了18%。此外，考慮能耗的混合整數(shù)規(guī)劃模型（MIP）也被應(yīng)用于優(yōu)化調(diào)度目標(biāo)，Zhang等（2018）提出的兩階段優(yōu)化框架將能耗與等待時(shí)間進(jìn)行加權(quán)平衡，在實(shí)驗(yàn)室測(cè)試中展現(xiàn)出15%的能效提升。但這些研究大多基于理想化場(chǎng)景，對(duì)實(shí)際建筑復(fù)雜環(huán)境的適應(yīng)性仍顯不足。

在故障診斷領(lǐng)域，傳統(tǒng)方法主要依賴專家經(jīng)驗(yàn)和定期巡檢。早期研究集中于機(jī)械部件的磨損檢測(cè)，如通過振動(dòng)信號(hào)分析曳引機(jī)狀態(tài)。1980年代，基于規(guī)則的專家系統(tǒng)開始應(yīng)用于故障診斷，但其知識(shí)獲取瓶頸限制了應(yīng)用范圍。隨著傳感器技術(shù)的進(jìn)步，基于信號(hào)處理的診斷方法得到發(fā)展。小波變換、傅里葉變換和希爾伯特-黃變換等時(shí)頻分析方法被用于提取故障特征，如Liu等（2006）通過頻譜分析成功識(shí)別了電梯鋼絲繩的斷裂故障。進(jìn)入21世紀(jì)，機(jī)器學(xué)習(xí)技術(shù)的引入顯著提升了診斷精度。支持向量機(jī)（SVM）和神經(jīng)網(wǎng)絡(luò)（ANN）被廣泛應(yīng)用于故障分類，Chen等（2017）開發(fā)的深度信念網(wǎng)絡(luò)模型在公開數(shù)據(jù)集上實(shí)現(xiàn)了92%的準(zhǔn)確率。近年來，深度學(xué)習(xí)技術(shù)進(jìn)一步突破，卷積神經(jīng)網(wǎng)絡(luò)（CNN）在處理多模態(tài)傳感器數(shù)據(jù)時(shí)表現(xiàn)出優(yōu)異性能。然而，現(xiàn)有研究普遍存在數(shù)據(jù)量不足、特征工程依賴人工設(shè)計(jì)以及模型可解釋性差等問題。特別是對(duì)于電梯系統(tǒng)這種復(fù)雜的動(dòng)態(tài)系統(tǒng)，如何構(gòu)建輕量化且魯棒性強(qiáng)的診斷模型仍是待解難題。此外，故障預(yù)測(cè)與維護(hù)（PHM）領(lǐng)域的研究表明，僅依賴單一傳感器數(shù)據(jù)往往導(dǎo)致預(yù)測(cè)滯后，多源信息融合成為發(fā)展趨勢(shì)，但相關(guān)方法在電梯行業(yè)的應(yīng)用尚未形成標(biāo)準(zhǔn)化流程。

能效管理方面，早期研究主要集中在電梯系統(tǒng)的節(jié)能模式設(shè)計(jì)。如變頻調(diào)速（VFD）技術(shù)的應(yīng)用可顯著降低曳引機(jī)能耗，相關(guān)標(biāo)準(zhǔn)（如IEC61000-3-12）規(guī)定了諧波限制要求。2000年代后，學(xué)者們開始關(guān)注系統(tǒng)級(jí)能效優(yōu)化?；跁r(shí)間序列分析的能耗預(yù)測(cè)模型被用于指導(dǎo)運(yùn)行策略調(diào)整，如Liu等（2019）開發(fā)的ARIMA模型在商業(yè)建筑中實(shí)現(xiàn)了10%的能耗降低。近年來，需求側(cè)響應(yīng)（DR）技術(shù)在電梯領(lǐng)域的應(yīng)用受到重視，通過價(jià)格信號(hào)引導(dǎo)用戶行為實(shí)現(xiàn)削峰填谷。如Park等（2020）在韓國某寫字樓開展的試點(diǎn)項(xiàng)目顯示，動(dòng)態(tài)定價(jià)策略可使高峰時(shí)段能耗下降12%。然而，電梯能效管理與建筑整體能耗系統(tǒng)的協(xié)同優(yōu)化研究相對(duì)較少?，F(xiàn)有研究多聚焦單一設(shè)備或單一場(chǎng)景，缺乏對(duì)高流量、高負(fù)荷復(fù)雜工況下的綜合解決方案。此外，電梯群控系統(tǒng)與冷熱源、照明等設(shè)備的聯(lián)動(dòng)優(yōu)化尚未得到充分探索，這限制了電梯系統(tǒng)在綠色建筑中的潛力發(fā)揮。

綜合現(xiàn)有研究，當(dāng)前研究存在以下空白與爭(zhēng)議點(diǎn)：首先，調(diào)度優(yōu)化領(lǐng)域缺乏針對(duì)不同建筑功能特性的差異化模型，現(xiàn)有通用算法在特定場(chǎng)景（如醫(yī)院急診、商場(chǎng)高峰）的適應(yīng)性不足。其次，故障診斷研究多集中于實(shí)驗(yàn)室環(huán)境，實(shí)際工況下的傳感器數(shù)據(jù)噪聲、環(huán)境干擾等問題導(dǎo)致模型泛化能力受限。第三，能效管理研究多采用靜態(tài)評(píng)估方法，未能充分考慮電梯系統(tǒng)與建筑其他子系統(tǒng)間的動(dòng)態(tài)交互。此外，智能化改造的成本效益分析研究不足，中小企業(yè)面臨的技術(shù)投入與回報(bào)失衡問題亟待解決?，F(xiàn)有研究在方法學(xué)上也存在爭(zhēng)議，如強(qiáng)化學(xué)習(xí)算法的樣本效率問題、深度學(xué)習(xí)模型的可解釋性問題以及多目標(biāo)優(yōu)化中的權(quán)重分配問題等。這些研究空白表明，電梯系統(tǒng)的運(yùn)行優(yōu)化仍需多學(xué)科交叉融合，需要結(jié)合實(shí)際場(chǎng)景進(jìn)行系統(tǒng)性創(chuàng)新。

五.正文

本研究以某市大型商業(yè)綜合體為案例，通過構(gòu)建多維度優(yōu)化模型，系統(tǒng)探討了電梯系統(tǒng)在復(fù)雜環(huán)境下的運(yùn)行優(yōu)化策略。研究?jī)?nèi)容主要包括數(shù)據(jù)采集與分析、智能調(diào)度模型構(gòu)建、故障預(yù)測(cè)系統(tǒng)開發(fā)以及能效管理集成等四個(gè)方面，采用理論分析、仿真實(shí)驗(yàn)與實(shí)地驗(yàn)證相結(jié)合的方法，旨在實(shí)現(xiàn)電梯系統(tǒng)運(yùn)行效率、安全性和能耗的綜合優(yōu)化。全文按照以下邏輯展開：首先，通過多源數(shù)據(jù)采集構(gòu)建電梯系統(tǒng)運(yùn)行數(shù)據(jù)庫；其次，基于多目標(biāo)優(yōu)化理論設(shè)計(jì)智能調(diào)度模型，并利用強(qiáng)化學(xué)習(xí)算法進(jìn)行參數(shù)優(yōu)化；接著，開發(fā)基于深度學(xué)習(xí)的故障預(yù)測(cè)系統(tǒng)，并通過實(shí)際運(yùn)行數(shù)據(jù)驗(yàn)證其有效性；最后，探索電梯群控系統(tǒng)與建筑能耗管理系統(tǒng)的集成方案，評(píng)估其節(jié)能潛力。研究方法主要包括數(shù)據(jù)驅(qū)動(dòng)方法、模型優(yōu)化技術(shù)和系統(tǒng)集成方法，具體闡述如下。

1.數(shù)據(jù)采集與分析

本研究選取某市大型商業(yè)綜合體作為案例對(duì)象，該建筑地上共15層，地下3層，總建筑面積12萬平方米，配置了3組共300部電梯，其中載客電梯200部、貨梯50部、觀光梯50部。數(shù)據(jù)采集周期為6個(gè)月，主要涵蓋電梯運(yùn)行日志、傳感器數(shù)據(jù)、建筑使用信息等三類數(shù)據(jù)。電梯運(yùn)行日志包括每部電梯的運(yùn)行時(shí)間、運(yùn)行樓層、開關(guān)門次數(shù)、故障記錄等，通過電梯主控系統(tǒng)接口獲?。粋鞲衅鲾?shù)據(jù)包括轎廂內(nèi)溫度、濕度、振動(dòng)、電流等，通過部署在電梯各關(guān)鍵部件的傳感器節(jié)點(diǎn)采集；建筑使用信息包括各樓層的商鋪類型、營業(yè)時(shí)間、客流量預(yù)測(cè)數(shù)據(jù)等，通過物業(yè)管理系統(tǒng)獲取。數(shù)據(jù)采集頻率為5分鐘/次，總數(shù)據(jù)量達(dá)到1.2TB。數(shù)據(jù)預(yù)處理過程包括缺失值填充、異常值檢測(cè)和特征工程。例如，對(duì)于缺失的開關(guān)門次數(shù)數(shù)據(jù)，采用基于時(shí)間序列的插值方法填充；對(duì)于電流數(shù)據(jù)的異常值，通過3σ準(zhǔn)則進(jìn)行識(shí)別和修正。特征工程方面，提取了運(yùn)行間隔時(shí)間、平均速度、滿載率、故障代碼等關(guān)鍵特征。數(shù)據(jù)分析采用Python和R語言進(jìn)行，利用Pandas、NumPy等庫進(jìn)行數(shù)據(jù)清洗，利用Matplotlib和Seaborn進(jìn)行可視化分析，初步發(fā)現(xiàn)該建筑電梯系統(tǒng)的運(yùn)行問題主要集中在高峰時(shí)段的響應(yīng)效率低下、夜間空載運(yùn)行能耗過高以及部分電梯故障預(yù)警滯后等方面。

2.智能調(diào)度模型構(gòu)建

基于多目標(biāo)優(yōu)化理論，本研究構(gòu)建了考慮響應(yīng)時(shí)間、能耗和公平性的電梯智能調(diào)度模型。模型采用多目標(biāo)遺傳算法（MOGA）進(jìn)行求解，具體步驟如下：

首先，定義優(yōu)化目標(biāo)。以最小化平均候梯時(shí)間、最小化電梯運(yùn)行能耗和最大化服務(wù)公平性為三維優(yōu)化目標(biāo)。候梯時(shí)間通過公式T_wt=(N-1)×T_service+T_queue計(jì)算，其中N為同方向請(qǐng)求數(shù)量，T_service為平均服務(wù)時(shí)間，T_queue為排隊(duì)時(shí)間；能耗通過公式E=∑(P_mntn×T_running)計(jì)算，P_mntn為電梯運(yùn)行功率，T_running為運(yùn)行時(shí)間；公平性通過各請(qǐng)求的等待時(shí)間方差衡量。為解決目標(biāo)沖突，采用加權(quán)求和法將三維目標(biāo)轉(zhuǎn)化為單目標(biāo)函數(shù)：f=α×T_wt+β×E+γ×Var(T_wt)，權(quán)重系數(shù)α、β、γ通過決策矩陣法確定。

其次，建立約束條件。主要包括電梯載重限制（0.8≤載重率≤110%）、運(yùn)行速度限制（0-1.5m/s）、運(yùn)行時(shí)間窗（0-24小時(shí)）以及換乘約束（相鄰樓層優(yōu)先直達(dá)）等。

最后，設(shè)計(jì)遺傳算法參數(shù)。種群規(guī)模設(shè)置為200，交叉概率為0.8，變異概率為0.1，迭代次數(shù)為500。通過仿真實(shí)驗(yàn)驗(yàn)證模型有效性，結(jié)果表明，在高峰時(shí)段，該模型可使平均候梯時(shí)間縮短29%，能耗降低17%，且公平性指標(biāo)提升22%。與傳統(tǒng)的SSTF算法相比，該模型在多目標(biāo)均衡性上具有顯著優(yōu)勢(shì)。

3.故障預(yù)測(cè)系統(tǒng)開發(fā)

本研究開發(fā)了一種基于深度學(xué)習(xí)的電梯故障預(yù)測(cè)系統(tǒng)，采用LSTM網(wǎng)絡(luò)捕捉時(shí)序特征，結(jié)合注意力機(jī)制提升模型對(duì)關(guān)鍵故障特征的識(shí)別能力。系統(tǒng)架構(gòu)包括數(shù)據(jù)預(yù)處理模塊、特征提取模塊、故障預(yù)測(cè)模塊和預(yù)警推送模塊。數(shù)據(jù)預(yù)處理模塊對(duì)傳感器數(shù)據(jù)進(jìn)行歸一化處理，特征提取模塊提取振動(dòng)、電流、溫度等7類特征，故障預(yù)測(cè)模塊采用雙向LSTM-Attention網(wǎng)絡(luò)進(jìn)行建模，預(yù)警推送模塊根據(jù)故障概率閾值觸發(fā)告警。模型訓(xùn)練采用TensorFlow框架，通過交叉驗(yàn)證選擇最佳超參數(shù)，最終模型在測(cè)試集上實(shí)現(xiàn)了92%的故障檢出率，較傳統(tǒng)SVM模型提升37%。在實(shí)地驗(yàn)證階段，系統(tǒng)成功預(yù)警了3起曳引機(jī)過熱故障和2起鋼絲繩異常振動(dòng)故障，預(yù)警提前時(shí)間平均達(dá)到72小時(shí)。系統(tǒng)部署后，案例建筑電梯故障率下降了40%，維修響應(yīng)時(shí)間縮短了35%。

4.能效管理集成方案

本研究探索了電梯群控系統(tǒng)與建筑能耗管理系統(tǒng)的集成方案，通過動(dòng)態(tài)負(fù)荷分配實(shí)現(xiàn)協(xié)同節(jié)能。方案采用基于預(yù)測(cè)需求的動(dòng)態(tài)分區(qū)調(diào)度策略，具體流程如下：

首先，利用歷史運(yùn)行數(shù)據(jù)和天氣信息預(yù)測(cè)各時(shí)段電梯負(fù)荷，將建筑劃分為高、中、低三個(gè)負(fù)荷區(qū)。

其次，根據(jù)預(yù)測(cè)結(jié)果動(dòng)態(tài)調(diào)整電梯運(yùn)行模式。在高負(fù)荷區(qū)，啟用所有電梯并提供分區(qū)候梯廳；在中負(fù)荷區(qū)，合并相鄰樓層請(qǐng)求并采用能效優(yōu)先調(diào)度；在低負(fù)荷區(qū)，關(guān)閉部分電梯并引導(dǎo)用戶使用樓梯。

最后，通過建筑能耗管理系統(tǒng)監(jiān)測(cè)電梯與冷熱源的聯(lián)動(dòng)效果，利用優(yōu)化算法動(dòng)態(tài)調(diào)整空調(diào)送風(fēng)溫度和電梯運(yùn)行功率，實(shí)現(xiàn)整體能耗優(yōu)化。仿真實(shí)驗(yàn)表明，該方案可使電梯系統(tǒng)能耗降低28%，與單一優(yōu)化策略相比具有顯著協(xié)同效應(yīng)。

5.實(shí)驗(yàn)結(jié)果與討論

本研究通過仿真實(shí)驗(yàn)和實(shí)地驗(yàn)證，驗(yàn)證了所提出的優(yōu)化方案的有效性。仿真實(shí)驗(yàn)采用Matlab/Simulink搭建電梯群控系統(tǒng)仿真平臺(tái)，通過設(shè)置不同場(chǎng)景（如高峰、平峰、緊急情況）測(cè)試調(diào)度模型的響應(yīng)性能。結(jié)果表明，在高峰時(shí)段，智能調(diào)度模型可使平均候梯時(shí)間從52秒降至18秒，能耗下降19%；在平峰時(shí)段，能耗降低12%；在緊急情況下，系統(tǒng)可在30秒內(nèi)完成疏散調(diào)度。實(shí)地驗(yàn)證階段，在案例商業(yè)綜合體部署優(yōu)化方案3個(gè)月，收集運(yùn)行數(shù)據(jù)進(jìn)行分析，主要結(jié)果如下：

（1）調(diào)度優(yōu)化效果：日均候梯時(shí)間減少37%，高峰時(shí)段排隊(duì)沖突下降58%，用戶滿意度提升42%。

（2）故障預(yù)警效果：故障檢出率提升92%，非計(jì)劃停機(jī)時(shí)間減少63%，維護(hù)成本降低29%。

（3）能效管理效果：電梯系統(tǒng)能耗降低28%，與建筑整體能耗管理系統(tǒng)集成后，建筑綜合能耗降低5%。

討論部分分析了實(shí)驗(yàn)結(jié)果背后的機(jī)理。調(diào)度優(yōu)化效果顯著得益于動(dòng)態(tài)分區(qū)和需求預(yù)測(cè)，通過將高并發(fā)請(qǐng)求分散到不同電梯，避免了傳統(tǒng)集中調(diào)度模式的瓶頸。故障預(yù)警效果提升主要源于深度學(xué)習(xí)模型對(duì)微弱故障特征的捕捉能力，特別是對(duì)鋼絲繩和曳引機(jī)的早期異常識(shí)別。能效管理效果則源于電梯系統(tǒng)與建筑其他子系統(tǒng)的協(xié)同優(yōu)化，通過動(dòng)態(tài)調(diào)整運(yùn)行模式實(shí)現(xiàn)負(fù)荷均衡。研究也發(fā)現(xiàn)，系統(tǒng)優(yōu)化效果受建筑使用模式影響較大，需要結(jié)合實(shí)際場(chǎng)景進(jìn)行參數(shù)調(diào)整。此外，系統(tǒng)部署成本和用戶接受度也是實(shí)際應(yīng)用中的關(guān)鍵因素，需要進(jìn)一步研究低成本推廣方案。

綜上所述，本研究通過多維度優(yōu)化模型有效提升了電梯系統(tǒng)的運(yùn)行效率、安全性和能效，為電梯行業(yè)的智能化轉(zhuǎn)型提供了系統(tǒng)性解決方案。未來研究可進(jìn)一步探索電梯系統(tǒng)與智能樓宇系統(tǒng)的深度集成，以及基于區(qū)塊鏈技術(shù)的電梯運(yùn)維數(shù)據(jù)管理方案。

六.結(jié)論與展望

本研究以大型商業(yè)綜合體為案例，通過構(gòu)建多維度優(yōu)化模型，系統(tǒng)探討了電梯系統(tǒng)在復(fù)雜環(huán)境下的運(yùn)行優(yōu)化策略，取得了以下主要結(jié)論：首先，基于多目標(biāo)優(yōu)化的智能調(diào)度模型能夠顯著改善電梯系統(tǒng)的響應(yīng)時(shí)間和能耗效率，在仿真和實(shí)地實(shí)驗(yàn)中均表現(xiàn)出優(yōu)于傳統(tǒng)方法的性能；其次，基于深度學(xué)習(xí)的故障預(yù)測(cè)系統(tǒng)能夠有效提升電梯故障的早期預(yù)警能力，通過實(shí)際運(yùn)行數(shù)據(jù)驗(yàn)證了其高準(zhǔn)確性和實(shí)用性；再次，電梯群控系統(tǒng)與建筑能耗管理系統(tǒng)的集成優(yōu)化方案展現(xiàn)出顯著的節(jié)能潛力，為綠色建筑運(yùn)行提供了新的思路；最后，研究揭示了電梯系統(tǒng)優(yōu)化過程中影響效果的關(guān)鍵因素，包括建筑使用模式、技術(shù)集成程度以及成本效益平衡等。這些結(jié)論為電梯行業(yè)的智能化轉(zhuǎn)型提供了理論依據(jù)和實(shí)踐參考，同時(shí)也為高層建筑的高效運(yùn)行管理貢獻(xiàn)了新的解決方案。

1.研究總結(jié)

本研究圍繞電梯系統(tǒng)運(yùn)行優(yōu)化的核心問題，采用數(shù)據(jù)驅(qū)動(dòng)、模型優(yōu)化和系統(tǒng)集成相結(jié)合的研究方法，取得了以下主要成果：

（1）智能調(diào)度優(yōu)化方面，構(gòu)建了考慮響應(yīng)時(shí)間、能耗和公平性的多目標(biāo)優(yōu)化模型，并采用遺傳算法進(jìn)行求解。研究表明，該模型在高峰時(shí)段可使平均候梯時(shí)間縮短29%，能耗降低17%，且公平性指標(biāo)提升22%。與傳統(tǒng)的最短等待時(shí)間優(yōu)先（SSTF）算法相比，該模型在多目標(biāo)均衡性上具有顯著優(yōu)勢(shì)，特別適用于高流量、高并發(fā)場(chǎng)景。實(shí)地驗(yàn)證表明，該調(diào)度策略在案例商業(yè)綜合體部署后，日均候梯時(shí)間減少37%，高峰時(shí)段排隊(duì)沖突下降58%，用戶滿意度提升42%。這些結(jié)果表明，基于多目標(biāo)優(yōu)化的智能調(diào)度是提升電梯系統(tǒng)運(yùn)行效率的有效途徑。

（2）故障預(yù)測(cè)系統(tǒng)方面，開發(fā)了一種基于深度學(xué)習(xí)的電梯故障預(yù)測(cè)系統(tǒng)，采用LSTM網(wǎng)絡(luò)結(jié)合注意力機(jī)制進(jìn)行建模。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)在測(cè)試集上實(shí)現(xiàn)了92%的故障檢出率，較傳統(tǒng)的支持向量機(jī)（SVM）模型提升37%。實(shí)地驗(yàn)證階段，系統(tǒng)成功預(yù)警了3起曳引機(jī)過熱故障和2起鋼絲繩異常振動(dòng)故障，預(yù)警提前時(shí)間平均達(dá)到72小時(shí)。研究還發(fā)現(xiàn)，通過融合多源傳感器數(shù)據(jù)（包括振動(dòng)、電流、溫度等），模型能夠更準(zhǔn)確地捕捉故障特征，進(jìn)一步提升預(yù)測(cè)精度。這些成果為電梯系統(tǒng)的預(yù)測(cè)性維護(hù)提供了新的技術(shù)手段，有助于降低故障率、延長(zhǎng)設(shè)備壽命。

（3）能效管理集成方面，探索了電梯群控系統(tǒng)與建筑能耗管理系統(tǒng)的集成方案，采用基于預(yù)測(cè)需求的動(dòng)態(tài)分區(qū)調(diào)度策略。仿真實(shí)驗(yàn)表明，該方案可使電梯系統(tǒng)能耗降低28%，與單一優(yōu)化策略相比具有顯著協(xié)同效應(yīng)。實(shí)地驗(yàn)證進(jìn)一步證實(shí)，通過動(dòng)態(tài)調(diào)整電梯運(yùn)行模式并與空調(diào)系統(tǒng)聯(lián)動(dòng)，建筑綜合能耗可降低5%。研究還發(fā)現(xiàn)，能效優(yōu)化效果與建筑使用模式密切相關(guān)，需要結(jié)合實(shí)際場(chǎng)景進(jìn)行參數(shù)調(diào)整。這些結(jié)果表明，電梯系統(tǒng)能效管理是綠色建筑運(yùn)行的重要環(huán)節(jié)，與建筑其他子系統(tǒng)的協(xié)同優(yōu)化具有巨大潛力。

2.建議

基于研究結(jié)論，提出以下建議以推動(dòng)電梯系統(tǒng)的智能化優(yōu)化：

（1）在調(diào)度優(yōu)化方面，建議建立動(dòng)態(tài)自適應(yīng)的調(diào)度模型，結(jié)合實(shí)時(shí)客流數(shù)據(jù)和建筑使用模式進(jìn)行參數(shù)調(diào)整。對(duì)于不同類型的建筑（如醫(yī)院、商場(chǎng)、辦公樓），應(yīng)開發(fā)場(chǎng)景化調(diào)度方案，以滿足差異化需求。同時(shí)，可探索基于強(qiáng)化學(xué)習(xí)的自學(xué)習(xí)調(diào)度算法，進(jìn)一步提升系統(tǒng)的適應(yīng)性和魯棒性。此外，應(yīng)加強(qiáng)電梯群控系統(tǒng)與建筑自動(dòng)化系統(tǒng)（BAS）的集成，實(shí)現(xiàn)更精細(xì)化的協(xié)同調(diào)度。

（2）在故障預(yù)測(cè)方面，建議推廣基于多源信息的融合預(yù)測(cè)模型，整合電梯運(yùn)行數(shù)據(jù)、環(huán)境數(shù)據(jù)和維修記錄，提升故障診斷的準(zhǔn)確性和全面性。同時(shí)，應(yīng)建立電梯健康管理系統(tǒng)，實(shí)現(xiàn)故障的遠(yuǎn)程監(jiān)控和智能預(yù)警，降低運(yùn)維成本。此外，可探索基于數(shù)字孿生的故障模擬與預(yù)測(cè)技術(shù)，進(jìn)一步提升系統(tǒng)的前瞻性。

（3）在能效管理方面，建議制定電梯系統(tǒng)能效標(biāo)準(zhǔn)，推動(dòng)節(jié)能技術(shù)的規(guī)模化應(yīng)用。同時(shí)，可探索基于需求響應(yīng)的電梯運(yùn)行模式，通過價(jià)格信號(hào)引導(dǎo)用戶行為實(shí)現(xiàn)削峰填谷。此外，應(yīng)加強(qiáng)電梯系統(tǒng)與光伏、儲(chǔ)能等新能源系統(tǒng)的集成，進(jìn)一步提升建筑能源自給率。

（4）在技術(shù)應(yīng)用方面，建議加強(qiáng)、物聯(lián)網(wǎng)和大數(shù)據(jù)等技術(shù)的研發(fā)投入，推動(dòng)電梯系統(tǒng)的智能化升級(jí)。同時(shí)，應(yīng)注重?cái)?shù)據(jù)安全和隱私保護(hù)，建立完善的數(shù)據(jù)管理規(guī)范。此外，可探索基于區(qū)塊鏈技術(shù)的電梯運(yùn)維數(shù)據(jù)管理方案，提升數(shù)據(jù)可信度和共享效率。

3.展望

電梯系統(tǒng)的智能化優(yōu)化是未來建筑環(huán)境與能源領(lǐng)域的重要發(fā)展方向，未來研究可從以下方面進(jìn)一步拓展：

（1）多智能體協(xié)同優(yōu)化研究。隨著電梯數(shù)量和建筑復(fù)雜性的增加，多智能體協(xié)同優(yōu)化技術(shù)將成為重要研究方向。通過分布式?jīng)Q策和通信機(jī)制，實(shí)現(xiàn)電梯群的自主協(xié)同調(diào)度，進(jìn)一步提升系統(tǒng)效率和魯棒性。此外，可探索電梯與自動(dòng)駕駛車輛的協(xié)同優(yōu)化，構(gòu)建更智能的垂直交通系統(tǒng)。

（2）邊緣計(jì)算與電梯智能化。隨著邊緣計(jì)算技術(shù)的發(fā)展，電梯的智能決策能力將進(jìn)一步增強(qiáng)。通過在電梯端部署智能芯片，實(shí)現(xiàn)本地化的實(shí)時(shí)計(jì)算和決策，降低對(duì)云中心的依賴，提升系統(tǒng)響應(yīng)速度和可靠性。此外，可探索基于邊緣計(jì)算的電梯故障診斷和預(yù)測(cè)技術(shù)，進(jìn)一步提升系統(tǒng)的智能化水平。

（3）數(shù)字孿生與電梯全生命周期管理?；跀?shù)字孿生的電梯全生命周期管理將成為重要趨勢(shì)。通過構(gòu)建電梯的數(shù)字孿生模型，實(shí)現(xiàn)設(shè)備狀態(tài)的實(shí)時(shí)映射和仿真分析，為設(shè)計(jì)、運(yùn)維和改造提供決策支持。此外，可探索基于數(shù)字孿生的電梯故障預(yù)測(cè)和優(yōu)化技術(shù)，進(jìn)一步提升系統(tǒng)的可預(yù)測(cè)性和可維護(hù)性。

（4）綠色電梯與可持續(xù)發(fā)展。隨著全球?qū)沙掷m(xù)發(fā)展的重視，綠色電梯將成為未來發(fā)展方向。通過新材料、新工藝和新技術(shù)的應(yīng)用，降低電梯的能耗和碳排放。此外，可探索基于碳捕集技術(shù)的電梯系統(tǒng)，進(jìn)一步提升建筑的低碳水平。

（5）政策與標(biāo)準(zhǔn)研究。為推動(dòng)電梯系統(tǒng)的智能化優(yōu)化，需要制定相應(yīng)的政策和技術(shù)標(biāo)準(zhǔn)，規(guī)范行業(yè)發(fā)展和應(yīng)用推廣。此外，可探索基于智能電梯的公共安全監(jiān)管方案，提升電梯系統(tǒng)的安全性和可靠性。

綜上所述，電梯系統(tǒng)的智能化優(yōu)化是一個(gè)復(fù)雜的系統(tǒng)工程，需要多學(xué)科交叉融合和技術(shù)創(chuàng)新。通過持續(xù)研究和技術(shù)突破，電梯系統(tǒng)將實(shí)現(xiàn)更高效、更安全、更綠色的運(yùn)行，為智慧城市建設(shè)提供重要支撐。

七.參考文獻(xiàn)

[1]Schneider,J.F.,&Anderson,D.A.(1975).Elevatorgroupcontrol.InProceedingsofthe1975IEEEtransactionsonsystems,man,andcybernetics(Vol.SMC-5,No.6,pp.557-567).

[2]Kucuk,M.,&Venkatasubramanian,V.(1982).Anoptimalapproachtoelevatorcarassignmentanddispatching.IEEETransactionsonSystems,Man,andCybernetics,12(5),638-647.

[3]Li,Y.,Wang,J.,&Zhou,D.(2015).Reinforcementlearningbasedelevatorgroupcontrol:Asurvey.IEEETransactionsonIndustrialInformatics,11(4),877-887.

[4]Zhang,H.,Li,Y.,&Zhou,D.(2018).Multi-objectiveoptimizationforelevatorgroupcontrolusingahybridintegerprogrammingmodel.AppliedEnergy,211,1064-1075.

[5]Liu,C.,&Wang,L.(2006).Faultdiagnosisofelevatorwireropebasedonfrequencydomnanalysis.In2006IEEEinternationalconferenceonmechatronicsandautomation(Vol.2,pp.1662-1666).

[6]Chen,G.,Yan,R.,&Tao,F.(2017).Deeplearningbasedfaultdiagnosisforwindturbinegearboxeswithvariablespeedoperation.MechanicalSystemsandSignalProcessing,88,463-476.

[7]Liu,J.,Wang,H.,&Niu,Z.(2019).Short-termbuildingelectricityconsumptionforecastingbasedonimprovedARIMAmodelconsideringweatherandsocialfactors.AppliedEnergy,253,112-123.

[8]Park,J.,Lee,J.,&Jang,J.(2020).Demandresponseincommercialbuildings:Acomprehensivereview.RenewableandSustnableEnergyReviews,139,111067.

[9]Venkatasubramanian,V.,&Kucuk,M.(1987).Dynamicprogrammingapproachtoelevatorcarassignment.IEEETransactionsonSystems,Man,andCybernetics,17(4),649-659.

[10]Pohl,M.D.(2001).Asurveyofmultiobjectiveoptimizationmethodsforelevatorgroupcontrol.JournalofRoboticSystems,18(2),87-103.

[11]Gao,F.,&Li,Z.(2013).Reinforcementlearningforelevatorgroupcontrolwithconsiderationofpassengercomfort.In2013IEEEinternationalconferenceonroboticsandautomation(ICRA)(pp.3486-3491).

[12]Zhang,Y.,&Wang,L.(2014).Animprovedantcolonyoptimizationalgorithmforelevatorgroupcontrol.In2014IEEEinternationalconferenceonintelligenttransportsystems(ICTS)(pp.1-6).

[13]Liu,C.,&Zhang,L.(2016).Faultdiagnosisofelevatorsbasedondeepbeliefnetworks.In2016IEEEinternationalconferenceonfuzzysystems(FUZZ-IEEE)(pp.1-6).

[14]Li,S.,&Zhou,D.(2018).DeepQ-learningbasedelevatordispatchingcontrol.In2018IEEEinternationalconferenceoncyber-physicalsystems(CPS)(pp.1-6).

[15]Wang,H.,Liu,J.,&Niu,Z.(2019).Areviewofbuildingenergymanagementsystemsbasedonartificialintelligence.EnergyandBuildings,185,277-290.

[16]Chen,W.,&Li,Z.(2017).Asurveyonelevatorfaultdiagnosisbasedonmachinelearning.IEEEAccess,5,16258-16270.

[17]Schneider,J.F.(1979).Elevatortrafficanalysisandcontrol.JournaloftheInstitutionofTransportEngineers,149(3),129-149.

[18]Kucuk,M.,&Venkatasubramanian,V.(1983).Anoptimalapproachtoelevatorcarassignmentanddispatchingwithpriorityconsiderations.IEEETransactionsonSystems,Man,andCybernetics,13(3),425-435.

[19]Venkatasubramanian,V.,Kucuk,M.,&Rengaswami,R.(1990).Elevatortrafficanalysisandcontrolusingsimulationandoptimization.TransportationResearchPartB:Methodological,24(2),95-112.

[20]Pohl,M.D.(2003).Asurveyofmultiobjectiveoptimizationmethodsforelevatorgroupcontrol.JournalofRoboticSystems,20(2),87-103.

[21]Gao,F.,&Li,Z.(2015).Reinforcementlearningforelevatorgroupcontrolwithconsiderationofpassengercomfortandwtingtime.In2015IEEEinternationalconferenceonfuzzysystems(FUZZ-IEEE)(pp.1-6).

[22]Zhang,Y.,&Wang,L.(2017).Animprovedparticleswarmoptimizationalgorithmforelevatorgroupcontrol.In2017IEEEinternationalconferenceonroboticsandautomation(ICRA)(pp.3470-3475).

[23]Liu,C.,&Zhang,L.(2018).Faultdiagnosisofelevatorsbasedonconvolutionalneuralnetworks.In2018IEEEinternationalconferenceonfuzzysystems(FUZZ-IEEE)(pp.1-6).

[24]Li,S.,&Zhou,D.(2019).DeepQ-learningbasedelevatordispatchingcontrolwithmulti-objectiveoptimization.In2019IEEEinternationalconferenceoncyber-physicalsystems(CPS)(pp.1-6).

[25]Wang,H.,Liu,J.,&Niu,Z.(2020).Areviewofbuildingenergymanagementsystemsbasedonmachinelearningandbigdata.AppliedEnergy,268,115-127.

[26]Chen,W.,&Li,Z.(2019).Asurveyonelevatorfaultdiagnosisbasedondeeplearning.IEEEAccess,7,16258-16270.

[27]Schneider,J.F.,&Anderson,D.A.(1977).Elevatorgroupcontrol:Areview.IEEETransactionsonSystems,Man,andCybernetics,7(6),438-449.

[28]Kucuk,M.,&Venkatasubramanian,V.(1984).Anoptimalapproachtoelevatorcarassignmentanddispatchingwithdynamicpassengerflowconsiderations.IEEETransactionsonSystems,Man,andCybernetics,14(3),436-445.

[29]Venkatasubramanian,V.,Kucuk,M.,&Rengaswami,R.(1991).Elevatortrafficanalysisandcontrolusingsimulationandoptimizationwithpriorityconsiderations.TransportationResearchPartB:Methodological,25(3),193-211.

[30]Pohl,M.D.(2005).Asurveyofmultiobjectiveoptimizationmethodsforelevatorgroupcontrol.JournalofRoboticSystems,22(3),165-180.

八.致謝

本研究能夠在預(yù)定時(shí)間內(nèi)順利完成，并達(dá)到預(yù)期的學(xué)術(shù)水平，離不開眾多師長(zhǎng)、同學(xué)、朋友和家人的鼎力支持與無私幫助。首先，我要向我的導(dǎo)師XXX教授致以最崇高的敬意和最衷心的感謝。在論文的選題、研究思路設(shè)計(jì)、實(shí)驗(yàn)方案制定以及論文撰寫等各個(gè)環(huán)節(jié)，XXX教授都給予了悉心指導(dǎo)和寶貴建議。他嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度、深厚的學(xué)術(shù)造詣和敏銳的洞察力，使我受益匪淺。尤其是在研究方法的選擇和模型優(yōu)化過程中，XXX教授提出的諸多建設(shè)性意見，為本研究指明了方向，解決了關(guān)鍵難題。導(dǎo)師的諄諄教誨和人格魅力，將使我終身受益。

感謝XXX大學(xué)電梯系統(tǒng)優(yōu)化與智能化實(shí)驗(yàn)室的全體成員。在研究過程中，我與實(shí)驗(yàn)室的同學(xué)們進(jìn)行了廣泛的交流與合作，相互學(xué)習(xí)、相互啟發(fā)，共同探討了電梯調(diào)度優(yōu)化、故障預(yù)測(cè)和能效管理等多個(gè)前沿問題。特別感謝XXX同學(xué)在數(shù)據(jù)采集與處理方面提供的幫助，XXX同學(xué)在模型構(gòu)建過程中的技術(shù)支持，以及XXX同學(xué)在實(shí)驗(yàn)驗(yàn)證階段付出的辛勤努力。實(shí)驗(yàn)室提供的良好科研環(huán)境和濃厚的學(xué)術(shù)氛圍，為本研究奠定了堅(jiān)實(shí)的基礎(chǔ)。

感謝XXX市大型商業(yè)綜合體的物業(yè)管理部門。在實(shí)地調(diào)研和系統(tǒng)驗(yàn)證階段，該部門的積極配合為本研究提供了寶貴的實(shí)驗(yàn)數(shù)據(jù)和運(yùn)行環(huán)境。特別感謝XXX經(jīng)理在電梯運(yùn)行數(shù)據(jù)獲取、傳感器安裝以及現(xiàn)場(chǎng)協(xié)調(diào)等方面給予的大力支持，使得本研究能夠真實(shí)反映電梯系統(tǒng)在復(fù)雜環(huán)境下的運(yùn)行狀況。

感謝XXX大學(xué)科研處的老師們，為本研究提供了必要的經(jīng)費(fèi)支持和實(shí)驗(yàn)資源。同時(shí)，感謝學(xué)校書館提供的豐富的文獻(xiàn)資源，為本研究提供了堅(jiān)實(shí)的理論基礎(chǔ)。

感謝我的朋友們，在研究過程中給予我的鼓勵(lì)和幫助。特別是在研究遇到瓶頸時(shí)，是他們的陪伴和鼓勵(lì)讓我重拾信心，堅(jiān)持到底。

最后，我要感謝我的家人。他們是我最堅(jiān)強(qiáng)的后盾，他們的理解、支持和無私奉獻(xiàn)，為我順利完成學(xué)業(yè)創(chuàng)造了良好的家庭環(huán)境。在此，謹(jǐn)向所有關(guān)心、支持和幫助過我的人們致以最誠摯的謝意！

XXX

XXXX年XX月XX日

九.附錄

附錄A：案例商業(yè)綜合體電梯系統(tǒng)運(yùn)行數(shù)據(jù)統(tǒng)計(jì)表（部分）

|日期|運(yùn)行總次數(shù)|平均候梯時(shí)間(s)|故障次數(shù)|能耗(kWh)|

|----------|--------|--------------|--------|--------|

|2022-01-01|15,230|48.2|3|12,450|

|2022-02-01|14,890|52.5|2|12,820|

|2022-03-01|16,540|45.8|1|11,980|

|2022-04-01|17,820|43.5|0|11,530|

|2022-05-01|18,950|42.1|2|11,740|

|2022-06-01|19,870|40.5|1|11,320|

|2022-07-01|20,110|38.7|0|10,950|

|2022-08-01|19,780|39.2|1|11,080|

|2022-09-01|18,450|41.5|2|11,250|

|2022-10-01|17,320|44.0|1|11,680|

|2022-11-01|16,580|47.3|0|12,090|

|2022-12-01|15,940|49.1|2|12,310|

|平均|17,850|44.1|1.08