一名经验丰富的电梯维保技师通常需要5-8年才能独立处理复杂故障，而全行业维保人员缺口超过20万人。传统的"师傅带徒弟"模式培养周期长、知识沉淀难，大量故障诊断经验存在于老师傅的头脑中，随人员流动而流失。知识图谱与大语言模型（LLM）的结合，为这一困境提供了技术解法。
一、电梯故障知识图谱的构建
知识图谱以"实体-关系-实体"的三元组形式组织知识。在电梯领域，核心实体包括：部件（主机、制动器、门机、限速器、安全钳等）、故障现象（异响、抖动、困人、不平层等）、故障原因（磨损、松动、调试不当、电气元件老化等）、维修措施（更换、调整、润滑、清洁等）和标准条款（TSG T7001、GB/T 7588等）。
数据来源主要有四类：一是电梯制造商的维修手册和故障代码表，结构化程度高，是最可靠的知识来源；二是历史维保工单，包含故障描述、原因分析和处理结果，需要通过自然语言处理（NLP）技术进行实体抽取和关系抽取；三是检验机构的检验报告，其中的不合格项和整改记录具有重要参考价值；四是行业标准和技术法规，提供合规性约束。
某维保企业从2019年开始构建知识图谱，目前已录入约15万个实体、80万条关系，覆盖市场主流品牌的120余个电梯型号。在构建过程中，采用了"BERT+规则"的混合抽取方法，实体识别F1值达到89%，关系抽取F1值达到82%。
二、大模型诊断的工作流程
当电梯发生故障时，系统按以下流程进行智能诊断：
第一步：信息采集。物联网平台自动获取故障代码、运行参数和异常事件日志；维保人员在APP中输入故障现象（支持语音和文字），如"启动时主机有金属摩擦声，轿厢有明显抖动"。
第二步：知识检索。系统将故障信息向量化，在知识图谱中检索相关实体和子图。同时通过全文检索找到相关的维修手册章节和历史相似工单。
第三步：大模型推理。将检索到的知识作为上下文（Context）输入大语言模型，模型基于这些信息给出可能的故障原因排序、建议检查步骤和维修方案。这里采用的是RAG（检索增强生成）架构，确保模型输出有据可依，减少"幻觉"。
第四步：人工确认与反馈。维保人员参考系统建议进行排查，最终确认故障原因并记录维修结果。确认结果回流至知识库，用于模型迭代优化。
三、实际应用效果
某试点项目对300台电梯进行了为期6个月的对比测试。A组（150台）使用大模型辅助诊断系统，B组（150台）采用传统方式。结果显示：
首次修复率（一次上门即解决问题）从B组的72%提升至A组的89%；平均诊断时间从28分钟缩短至11分钟；备件误带率（到达现场后发现备件不匹配需二次返回）从18%降至6%。对于从业3年以下的初级技师，辅助效果更为显著——其首次修复率从55%提升至82%，接近有5年经验技师的水平（85%）。
在一次典型案例中，某写字楼电梯频繁出现"运行中急停"故障，物联网数据显示安全回路瞬间断开但无故障代码。系统通过知识图谱关联分析，结合该型号电梯的历史故障记录，判断为限速器电气安全装置触点接触不良。维保人员按建议检查，发现触点弹簧疲劳导致接触压力不足，更换后故障消除，全过程仅耗时35分钟。而此前同型号电梯的类似故障，平均需要2-3次上门才能定位原因。
四、技术挑战与边界
大模型诊断并非万能。当前面临的主要挑战包括：多品牌多型号的故障代码体系不统一，同一故障现象在不同品牌中的代码可能完全不同；非标故障（如安装遗留问题、特定建筑结构导致的干扰）缺乏足够的训练数据；大模型在复杂推理链上仍可能出错，尤其当多个故障叠加时。
因此，系统定位始终是"辅助决策"而非"替代人工"。涉及安全部件（制动器、安全钳、限速器）的故障，系统必须提示由持证人员处理，并引用相关安全规范。同时，所有诊断建议需标注置信度和信息来源，维保人员具备最终判断权。
五、未来展望
随着多模态大模型的发展，未来系统将支持图片和视频输入——维保人员拍摄故障部位，模型自动识别部件型号和损伤类型。结合AR眼镜，还可以在维修现场叠加可视化指引，实现"边看边修"。知识图谱将从单一企业级走向行业级，在保护商业秘密的前提下实现安全知识共享。
电梯维修正在从"靠经验"走向"靠数据"，但这并不意味着技师价值的降低——恰恰相反，工具解放了技师的认知负荷，让他们能将精力集中在真正需要判断力的复杂问题上。电梯窝将持续跟踪AI在电梯领域的应用进展，欢迎关注，更多行业智能化方案请访问www.cheermore.cn。