电梯作为高层建筑物中最常用的公共交通运输工具,为人们的生活和生产带来了极大的便利。与此同时,电梯事故也对人身安全产生了很大的危害。电梯正常安全运行至关重要。随着电梯数据的迅速增长,基于数理模型的传统故障预测方法变得更加复杂,适用的范围越来越小。如果可以通过挖掘和学习数据规律的方式,实现电梯部件的故障预测,将大大提高故障预测的准确性、灵活性和可靠性。论文以电梯部件作为研究对象,在企业提供的电梯数据集上对电梯关键部件健康状态评估及故障预测方法进行了研究。论文的主要研究工作和成果包括:（1）原始数据多源、参数繁多,数据中存在冗余和异常的问题,低质量的数据会导致低质量的预测结果。针对这一问题,论文研究了电梯多源数据的数据设计和数据预处理方法。论文根据故障预测逻辑和参数趋势分析结果对电梯数据集进行数据设计,初步选择了可用参数。论文根据电梯数据的特点,分别采用数据清洗、数据选择、数据表征、数据变换的方法,实现了电梯数据的预处理。（2）有监督学习算法需要对包含特征和标签的数据进行学习,进而搭建故障预测模型。针对原始数据中缺少标签的问题,论文研究了基于多元线性回归和故障相似性距离的健康指数构造方法。同时为了选择关键特征,论文研究了基于皮尔森相关系数的参数相关性分析方法。论文通过计算数据在当前时刻与故障时刻之间的偏差,得到故障相似性距离;再使用多元线性回归算法,综合其余可用特征对故障相似性距离进行优化,构造一个用于评估电梯部件健康状态的量化指标。论文采用皮尔森相关系数计算参数与故障之间的相关性,选择了与故障相关的关键参数,为电梯部件故障预测奠定了基础。（3）针对传统数理模型预测性能有限的问题,论文研究了基于双向长短时记忆神经网络（Bidirectional Long Short-Term Memory,Bi LSTM）和注意力机制（Attention Mechanism,AM）的电梯部件故障预测模型的搭建。论文利用Bi LSTM处理和学习长时间序列数据;采用AM优化特征权重,选择关键特征。论文在电梯数据集上分别通过三个实验验证了基于双向注意力长短时记忆神经网络（Attention Bidirectional Long Short-Term Memory,ABi LSTM）的故障预测方法的有效性和适用性。（4）针对电梯部件故障预测的需求,论文在电梯部件故障预测方法的基础上,通过Python和Django web等工具和框架开发了一个电梯部件故障预测系统。预测系统包括数据预处理、健康指数构造、参数相关性分析、预测模型训练和管理、故障预测等功能,实现了故障预测方法的实用化。在上述研究工作的基础上,论文实现了电梯关键部件健康状态评估和故障预测方法以及故障预测系统。论文研究的故障预测方法弥补了传统故障预测方法的不足,对于不同的故障都有良好的预测效果。