什么是“自学习”？
“自学习”是指电梯的控制系统（通常是其核心的AI算法）能够像人一样，通过持续运行，不断收集和分析数据，自动优化其运行策略，以实现更高效、更舒适、更节能的运行目标。
它不是一个一次性的设置,而是一个持续迭代、自我进化的过程，电梯越“聪明”，它运行得就越好。
自学习技术解决了哪些传统电梯的问题？
在自学习技术普及之前,电梯的调谐（优化）主要依赖经验丰富的工程师进行手动调试，存在以下痛点：
- 调试周期长、成本高：需要专业人员花费大量时间进行现场调试。
- 依赖个人经验：调试效果因工程师的经验水平而异，难以达到最优。
- “一刀切”的参数：很多参数是基于理论或典型工况设置的，无法完全匹配大楼内实际、复杂且多变的人流情况。
- 性能随时间衰减：大楼的客流模式会发生变化（如商场早高峰、晚高峰），或者电梯部件随时间老化，导致最初优化的性能逐渐下降。
- 舒适度不佳：传统控制策略在启停、加减速时容易产生顿挫感，乘坐体验有待提升。
自学习技术就是为了解决以上问题而生。
西子奥的斯自学习的核心工作原理
西子奥的斯的电梯自学习系统,通常集成在其Gen2®或更高系列的智能电梯产品中，其工作流程可以概括为“感知-分析-决策-执行-反馈”的闭环。
数据采集（感知）
电梯的控制系统会像一个“观察者”，7x24小时不间断地收集海量运行数据，主要包括：
- 客流数据：各楼层、各时段的呼叫次数、上行/下行客流密度。
- 运行数据：启停次数、运行速度、加加速度（变化率）、平层精度、门机开关门时间等。
- 设备状态数据：曳引机、门机、控制系统等部件的运行电流、温度、振动等。
数据分析与建模（分析）
收集到的数据会被上传到云端或本地的智能算法平台,AI算法会进行深度分析：
- 客流模式识别：自动识别出大楼的“早高峰”、“晚高峰”、“午间平峰”、“夜间低峰”等不同时段的客流特征，并预测未来的客流趋势。
- 性能瓶颈诊断：分析在特定工况下，电梯的哪个环节（如加速过快、平层不准）导致了舒适度下降或效率降低。
- 建立预测模型：基于历史数据和实时数据，建立一个能预测不同控制策略下电梯表现（如响应时间、能耗）的数学模型。
智能决策（决策）
这是自学习的核心,算法平台会像一个“最优策略规划师”，在预测模型的基础上，自动计算出最佳的运行参数组合。
- 最优派梯策略：当多个呼叫同时发生时，AI会计算哪台电梯去响应能最快地满足乘客需求，同时最节省能耗。
- 最优速度曲线：根据当前负载和楼层距离，动态计算出一条最平滑、最节能的运行速度曲线。
- 最优开关门策略：根据候梯厅的人流情况，微调开关门的速度和力度，既保证安全，又提高效率。
参数更新与执行（执行）
计算出的最优参数会自动下发给电梯的本地控制器,控制器会无缝地、平滑地应用这些新参数，让电梯按照新的、更优的策略运行，这个过程对乘客来说是完全无感的，但能直接感受到乘坐体验的提升。
持续反馈与迭代（反馈）
当电梯执行新策略后,新的运行数据又会再次被收集和分析，用来验证新策略的效果，并为进一步的优化提供依据，这个循环周而复始，让电梯的性能和效率持续提升。
自学习技术带来的核心优势
极致的乘坐舒适度
- 平稳启停：通过优化速度曲线，实现“丝绸般”的平滑加减速，几乎感觉不到顿挫。
- 精准平层：持续优化平层算法，确保轿厢地板与楼层地面高度一致，方便乘客进出。
显著提升运行效率
- 智能派梯：AI能像经验丰富的调度员一样，将乘客精准地分配到最合适的电梯，减少候梯时间。
- 减少无效停靠：通过分析客流，可以智能判断是否需要停靠某些楼层，从而缩短运行时间。
有效降低能源消耗
- 优化速度曲线：避免不必要的急加速和急减速，将能耗降到最低。
- 智能休眠/唤醒：在低峰时段，电梯可以进入更节能的休眠模式，并根据预测的客流提前唤醒。
预测性维护与高可靠性
- 故障预警：通过持续监测设备状态数据（如振动、温度），AI可以提前发现潜在的故障隐患，并生成维护工单，变“被动维修”为“主动保养”。
- 延长设备寿命：平稳的运行曲线减少了机械部件的磨损和冲击，有助于延长电梯的整体使用寿命。
降低运维成本
- 减少调试时间：新梯安装后，自学习功能可以快速完成优化，大大缩短了人工调试周期。
- 远程诊断与优化：大部分优化工作可以在远程完成，减少了工程师现场服务的次数和成本。
西子奥的斯电梯的“自学习”技术，本质上是将人工智能、大数据和物联网技术深度融合于电梯控制系统，赋予电梯思考、学习和进化的能力。
它不仅仅是一个功能,更是一种服务理念的体现：电梯不再是一个冰冷的、只会执行命令的机器，而是一个能够主动适应乘客需求、持续自我优化的“智能移动空间”，这项技术是西子奥的斯在电梯行业保持技术领先优势的关键所在，也是未来智慧建筑和智慧城市不可或缺的一部分。
版权声明：除非特别标注，否则均为本站原创文章，转载时请以链接形式注明文章出处。
