基于状态回声网络的电梯曳引轮轮槽磨损安全性评价_林俊杰.pdf

引 用 格 式：，（）：，林俊杰基于状态回声网络的电梯曳引轮轮槽磨损安全性评价 甘肃科学学报，（）：，：基于状态回声网络的电梯曳引轮轮槽磨损安全性评价林俊杰（福建省特种设备检验研究院泉州分院，福建 泉州 ）摘要目前针对磨损安全性评价的方法主要按照磨损状态进行人为判断，缺乏定量分析基础。为准确评价电梯曳引轮轮槽磨损安全性，提出了基于状态回声网络的电梯曳引轮轮槽磨损安全性评价方法。首先提取电梯曳引轮轮槽磨损特征，然后将特征作为回声网络的输入，将电梯曳引轮轮槽磨损安全值作为输出，通过回声网络训练和学习，建立电梯曳引轮轮槽磨损安全性评价模型。测试结果表明，该方法的电梯曳引轮轮槽磨损安全性评价误差小，可准确评价电梯曳引轮轮槽磨损安全性。关键词状态回声网络；电梯曳引轮；轮槽磨损；安全性评价；特征提取中图分类号：文献标志码：文章编号：（）目前电梯已经成为公共交通工具。曳引式电梯的结构包括曳引机、曳引钢丝绳、导向轮、反绳轮等，曳引钢丝绳的两侧依次和轿厢相连。曳引钢丝绳和曳引轮轮槽之间的摩擦力对电梯轿厢的升降存在直接作用，该摩擦力就是电梯的曳引力。如果曳引轮轮槽出现磨损，将对电梯的安全性产生严重影响。电梯曳引轮轮槽磨损是电梯曳引失效的核心原因，电梯曳引轮轮槽磨损程度达到一定条件时，曳引条件将出现变化，磨损严重时电梯钢丝绳严重滑移，轿厢便会出现冲顶事故。所以，电梯曳引轮轮槽磨损安全性评价对保证电梯安全运行有重要意义。目前针对电梯曳引轮轮槽磨损安全性的评价方法比较少，大多以电梯曳引轮轮槽磨损状态识别为主，文献 与文献 中分别提出了基于图像处理的电梯曳引轮轮槽磨损识别方法和基于堆栈降噪自编码网络的机械设备磨损状态识别方法，两种方法均可实现电梯曳引轮轮槽磨损状态识别，但对磨损安全性评价主要按照磨损状态进行人为判断，缺乏定量分析基础。文献 中提出了一种基于 分解与模型相结合的滚动轴承磨损状态识别方法，利用对轴承各个磨损时期信号进行分解。文献 中提出了一种基于 神经网络的截齿磨损程度多特征信号识别方法，建立截齿磨损程度的识别模型，实现了截齿磨损程度的精确识别。文献 中应用层小波包分解及重构技术对信号进行处理，并提取特征值作为样本空间，利用证据理论方法对截齿磨损程度进行了智能识别。文献 中提出了一种基于 （）神经网络的截齿磨损程度多特征信号监测方法，其采用多特征信号样本对 神经网络进行学习和训练，建立了截齿磨损程度的识别模型。文献 中提出一个基于声发射的刀具磨损状态监测系统，在刀具磨损状态监测实验中，采集加工过程中的声发射信号，提取方根幅值、绝对值均值、均方根、最大值作为反映刀具磨损的时域特征值。但上述方法均无法准确评价电梯曳引轮轮槽磨损安全性。为此，研究提出了基于状态回声网络的电梯曳引轮轮槽磨损安全性评价方法，以期准确评价电梯曳引轮轮槽磨损安全性。第 卷第期 年月 甘 肃 科 学 学 报 收稿日期：；修回日期：基金项目：福建省特种设备检验研究院科研项目“曳引轮绳槽检测及曳引力评估方法的研究”（）作者简介：林俊杰（），男，福建泉州人，硕士，高级工程师，研究方向为特种设备检验检测。：状态回声网络的电梯曳引轮轮槽磨损安全性评价方法提取电梯曳引轮轮槽磨损特征方法因电梯曳引轮轮槽磨损纹理具有不规则性，所以在电梯曳引轮轮槽磨损特征提取时存在一定难度 。改进阈值法可以使用稳定性显著的阈值法，实现电梯曳引轮轮槽磨损轮廓的粗提取，得到电梯曳引轮轮槽磨损图像中磨损像素的分布规律，然后使用区域标准法细化获取磨损单元的深度、面积等核心因素，实现电梯曳引轮轮槽磨损特征全面提取。利用循环冗余校验（，）方法对上述改进阈值法进行检验，对改进阈值法提取的数据进行多项式计算，并将结果附在帧的后面，以保证数据的正确性和完整性。（）阈值分割阈值分割可以将电梯曳引轮轮槽磨损区域与其他区域分离，核心是选取感兴趣范围（磨损范围）的阈值，如果背景与分割范围对比度显著，阈值法的使用效果便十分明显。若背景与分割范围对比度较小，则效果较差。分割的精准性与阈值的选取存在直接联系，初始阈值将电梯曳引轮轮槽磨损图像分割成两种灰度图（，）：（，），（，），（，）（）其中：电梯曳引轮轮槽磨损图像（，）点的灰度值是（，）。在此基础上，使用方差（）计算最优阈值：（）（）（）（）（），（）其中：灰度值、的像素集依次是（）、（）；灰度值、的灰度均值依次是（）、（）；是灰度级数。所对应的的值为 ，（）。（）方差数值显著，表示电梯曳引轮轮槽磨损图像中磨损单元和背景两部分差异显著，则磨损目标被误看作背景，或将背景误看作磨损目标，均会致使方差变小。因此，使用阈值分割法设置初始分割阈值，将方差数值控制在合理范围内，准确分割电梯曳引轮轮槽磨损单元和背景。（）磨损区域标注使用区域标注实现电梯曳引轮轮槽磨损图像的细分割，把电梯曳引轮轮槽磨损图像的像素分割为网格，通过八连通获取磨损单元的灰度差值最大值（），之后遍历和附近线性偏移量所存在的像素单元，以此获取磨损单元处边缘轮廓，并实施标注。（）的表达式为（）（，（），（）其中：、是所对应的两个分组；、是权重。（）特征提取流程电梯曳引轮轮槽磨损特征提取流程如图所示。电梯曳引轮轮槽磨损特征提取步骤如下：输入电梯曳引轮轮槽磨损图像；初级分割：读取电梯曳引轮轮槽磨损图像，得到初始像素值，初始化阈值、磨损结构数组，使用阈值分割法设置初始分割阈值，将电梯曳引轮轮槽磨损图像的磨损单元和背景实施准确分割；细分割：使用区域标注实现电梯曳引轮轮槽磨损图像的细分割，得到电梯曳引轮轮槽磨损特征参数，特征参数可分为磨损宽度、磨损深度、磨损长度。图电梯曳引轮轮槽磨损特征提取流程 回声网络的电梯曳引轮轮槽磨损安全性评价电梯曳引轮轮槽磨损安全性评价可看作一个电梯曳引轮轮槽磨损状态分类问题，此分类和一般的特征分类不同。在数学意义中，前馈神经网络可看作一 个 函 数，理 解 成 实 数 空 间 至 实 数 空 间 的 映射 ；递归神经网络可看作一个滤波器，理解成泛函空间至泛函空间的映射。因为电梯曳引轮轮槽磨损特征参数具有时序性，电梯曳引轮轮槽磨损特征参数时序分类问题可等价于泛函空间至实数空间的映射，因此，一般的前馈神经网络与递归神经网络均不存在可用性。所以，研究提出的基于过程状态回声网络的电梯曳引轮轮槽磨损安全性评价方法是第 卷林俊杰：基于状态回声网络的电梯曳引轮轮槽磨损安全性评价在状态回声网络的输出层导进过程神经元，把函数域映射至实数域，实现电梯曳引轮轮槽磨损特征参数的时序状态分类，完成了磨损安全性评价。（）网络结构在传统状态回声网络之上，把原始输出层线性神经元变成过程神经元，网络结构如图所示。图中时间段所输入的电梯曳引轮轮槽磨损特征参数时间序列是（）；储蓄池神经元之间的连接权重矩阵与输入权重依次是、；输出权重与时间段第个输出神经元的输出权重函数依次是 、；是过程状态回声神经网络输出值。图过程状态回声神经网络结构 （）状态方程过程状态回声网络的输出层神经元是过程神经元，过程状态回声网络方程描述为（）（）（），（）（），（）其中：储蓄池神经元数量与电梯曳引轮轮槽磨损特征参数时间序列依次是、；时间段第个储蓄池中神经元的状态、输入向量依次是（）、（）。（）磨损状态分类问题因为过程状态回声网络输出层神经元为过程神经元，过程状态回声网络对权函数实施学习时，权函数的选取复杂性显著，顾及到泛函理论中函数空间各个点能够描述成一组基向量线性组合，在连续函数空间中具有多样化的基函数，致使函数空间中某函数在准许的误差区间中，能够通过基函数的有限项，展开磨损状态近似逼近。把权重函数展开，即 （）（），（）其中：（）是基函数；是常数；是逼近次数。以此能够将全部函数描述成由基函数所建立的函数空间里的模式。因为在现实应用中不能把无穷个基函数设成线性组合，因此式（）能够变换为 （）（）。（）把式（）导进式（），则（）（）。（）使用最小二乘法进行学习，则 （），（）其中：是磨损类型标签。通过伪逆算法能够获取权重向量，第个基函数（）和第个磨损特征参数在储蓄池第个神经元（）的状态乘积为（，）（）（）。（）（）电梯曳引轮轮槽磨损安全性评价过程输入磨损特征参数测试数据集 。记载储蓄池状态变化过程。先把储蓄池神经元初始状态设成（）。在磨损特征参数测试集 中选择磨损特征样本（）输入至过程状态回声网络中，计算储蓄池神经元的状态变化。基函数转换。将各个储蓄池神经元的状态变化序列（）实施基函数转换。输出电梯曳引轮轮槽磨损安全性标签?，?是样本（）隶属种类?的概率。电梯风险类型如表所列。表电梯风险类型 风险种类描述电梯运行状态非常危险，必须进行改造、维修，停止电梯运行电梯运行状态危险，需要按照实际情况进行改造、维修，停止电梯运行电梯出现运行风险，需要对危险清理并实施保养电梯运行无风险，时刻保持维保，不用额外采取措施仿真测试结果与分析为验证基于状态回声网络的电梯曳引轮轮槽磨损安全性评价方法的可行性与准确性，研究对某大厦一台载客用的电梯进行了测试。电梯类型是曳引式乘客电梯，该电梯已投入使用 年，设备型号是 ，额定载重量是 ，额定速度是，拖动模式属于变频变压调速 。电梯曳引轮轮槽磨损特征参数为磨损宽度、磨损深度、磨损长度。电梯曳引轮轮槽磨损图像如图 所示。甘 肃 科 学 学 报 年第期图电梯曳引轮轮槽磨损图像 所提方法在提取电梯曳引轮轮槽磨损特征时，分别测试了种磨损特征的查准率（）和查全率（）。查准率与查全率的表达式为 ，（），（）其中：为真正类；为假正类；为真反类。种电梯曳引轮轮槽磨损特征提取的查准率与查全率如图所示。由图可知，所提方法对电梯曳引轮轮槽磨损宽度、磨损深度、磨损长度特征的查准率、查全率均大于，提取效果较好，可准确、图种电梯曳引轮轮槽磨损特征提取的查准率与查全率 全面地提取电梯曳引轮轮槽磨损特征。这是因为所提方法使用阈值分割法设置初始分割阈值，将方差数值控制在合理范围内，准确分割电梯曳引轮轮槽磨损单元和背景，使得所提方法的提取效果得到有效提升。使用所提方法评价个电梯曳引轮轮槽磨损安全性，评价结果如表所列。由表可知，所提方法对个电梯曳引轮轮槽磨损安全性的评价结果与实际风险类型一致，不存在差异，即证所提方法可有效评价电梯曳引轮轮槽磨损安全性。表所提方法评价结果 电梯编码磨损阶段实际风险类型所提方法评价结果重度磨损重度磨损中度磨损轻度磨损安全期中度磨损将存在曳引轮轮槽磨损的电梯数量依次设成个、个、个、个，使用文献、文献 中方法及所提方法对多个电梯同时进行曳引轮轮槽磨损安全性评价，均方相对误差 、平均绝对误差 是影响安全性评价的主要因素，其表达式分别为 （?）?，（）?，（）其中：?、?依次是评价结果、实际情况；是电梯数量；是评价次数。种方法的评价性能测试结果如图所示。图测试结果显示，对比文献、文献 中方法及所提方法，所提方法对多个电梯同时进行曳引轮轮槽磨损安全性评价后，评价结果的均方相对误差 、平均绝对误差 不受电梯数量影响，且 、始终分别低于、。由此可知，所提方法的应用性能优于文献 中方法。其主要原因是使用区域标注实现电梯曳引轮轮槽磨损图像的细分割，有效降低了误差值，提高了所提方法的应用性能。第 卷林俊杰：基于状态回声网络的电梯曳引轮轮槽磨损安全性评价图种方法的评价性能测试结果 结语研究提出基于状态回声网络的电梯曳引轮轮槽磨损安全性评价方法，其利用 校验方法对改进阈值法检验，对改进阈值法提取的数据进行多项式计算，使用阈值分割法设置初始分割阈值，将方差数值控制在合理范围内，准确分割电梯曳引轮轮槽磨损单元和背景，通过回声网络训练和学习，建立电梯曳引轮轮槽磨损安全性评价模型。经测试后，验证其具有较好的应用效果，比传统的载荷试验方法更适用于电梯曳引轮轮槽磨损安全性评价问题。参考文献：张强，张旭，田莹，等基于 神经网络的截齿磨损程度识别研究传感技术学报，（）：程灿，李建勇，徐文胜，等 基于支持向量机与粒子滤波的刀具磨损状态识别振动与冲击，（）：，谢小娟，杨宁祥，陈建勋，等基于图像处理的电梯曳引轮轮槽磨损识别方法中国安全科学学报，（）：樊红卫，马宁阁，张旭辉，等基于堆栈降噪