基于狀態回聲網絡的電梯曳引輪輪槽磨損安全性評價

林俊杰

(福建省特種設備檢驗研究院泉州分院,福建 泉州 362000)

目前電梯已經成為公共交通工具[1]。曳引式電梯的結構包括曳引機、曳引鋼絲繩、導向輪、反繩輪等,曳引鋼絲繩的兩側依次和轎廂相連。曳引鋼絲繩和曳引輪輪槽之間的摩擦力對電梯轎廂的升降存在直接作用,該摩擦力就是電梯的曳引力。如果曳引輪輪槽出現磨損,將對電梯的安全性產生嚴重影響。電梯曳引輪輪槽磨損是電梯曳引失效的核心原因,電梯曳引輪輪槽磨損程度達到一定條件時,曳引條件將出現變化,磨損嚴重時電梯鋼絲繩嚴重滑移,轎廂便會出現沖頂事故[2]。所以,電梯曳引輪輪槽磨損安全性評價對保證電梯安全運行有重要意義。

目前針對電梯曳引輪輪槽磨損安全性的評價方法比較少,大多以電梯曳引輪輪槽磨損狀態識別為主,文獻[3]與文獻[4]中分別提出了基于圖像處理的電梯曳引輪輪槽磨損識別方法和基于堆棧降噪自編碼網絡的機械設備磨損狀態識別方法,兩種方法均可實現電梯曳引輪輪槽磨損狀態識別,但對磨損安全性評價主要按照磨損狀態進行人為判斷,缺乏定量分析基礎。文獻[5]中提出了一種基于VMD分解與HMM模型相結合的滾動軸承磨損狀態識別方法,利用VMD對軸承各個磨損時期信號進行分解。文獻[6]中提出了一種基于PNN神經網絡的截齒磨損程度多特征信號識別方法,建立截齒磨損程度的識別模型,實現了截齒磨損程度的精確識別。文獻[7]中應用3層小波包分解及重構技術對信號進行處理,并提取特征值作為樣本空間,利用D-S證據理論方法對截齒磨損程度進行了智能識別。文獻[8]中提出了一種基于RBF(radical basis function)神經網絡的截齒磨損程度多特征信號監測方法,其采用多特征信號樣本對RBF神經網絡進行學習和訓練,建立了截齒磨損程度的識別模型。文獻[9]中提出一個基于聲發射的刀具磨損狀態監測系統,在刀具磨損狀態監測實驗中,采集加工過程中的聲發射信號,提取方根幅值、絕對值均值、均方根、最大值作為反映刀具磨損的時域特征值。

但上述方法均無法準確評價電梯曳引輪輪槽磨損安全性。為此,研究提出了基于狀態回聲網絡的電梯曳引輪輪槽磨損安全性評價方法,以期準確評價電梯曳引輪輪槽磨損安全性。

1 狀態回聲網絡的電梯曳引輪輪槽磨損安全性評價方法

1.1 提取電梯曳引輪輪槽磨損特征方法

因電梯曳引輪輪槽磨損紋理具有不規則性,所以在電梯曳引輪輪槽磨損特征提取時存在一定難度[10-11]。改進閾值法可以使用穩定性顯著的閾值法,實現電梯曳引輪輪槽磨損輪廓的粗提取,得到電梯曳引輪輪槽磨損圖像中磨損像素的分布規律,然后使用區域標準法細化獲取磨損單元的深度、面積等核心因素,實現電梯曳引輪輪槽磨損特征全面提取[12]。利用循環冗余校驗(CRC,cyclic redundancy check)方法對上述改進閾值法進行檢驗,對改進閾值法提取的數據進行多項式計算,并將結果附在幀的后面,以保證數據的正確性和完整性。

(1) 閾值分割 閾值分割可以將電梯曳引輪輪槽磨損區域與其他區域分離,核心是選取感興趣范圍(磨損范圍)的閾值,如果背景與分割范圍對比度顯著,閾值法的使用效果便十分明顯[13]。若背景與分割范圍對比度較小,則效果較差。分割的精準性與閾值的選取存在直接聯系,初始閾值q將電梯曳引輪輪槽磨損圖像分割成兩種灰度圖g(x,y):

(1)

其中:電梯曳引輪輪槽磨損圖像(x,y)點的灰度值是f(x,y)。在此基礎上,使用方差σ2(t)計算最優閾值Q:

σ2(t)=w1(t)×w2(t)×(v1(t)-v2(t))2,

(2)

其中:灰度值c0、c1的像素集依次是w1(t)、w2(t);灰度值c0、c1的灰度均值依次是v1(t)、v2(t);S是灰度級數。q所對應的Q的值為

(3)

方差數值顯著,表示電梯曳引輪輪槽磨損圖像中磨損單元和背景兩部分差異顯著,則磨損目標被誤看作背景,或將背景誤看作磨損目標,均會致使方差變小[14]。因此,使用閾值分割法設置初始分割閾值,將方差數值控制在合理范圍內,準確分割電梯曳引輪輪槽磨損單元和背景。

(2) 磨損區域標注 使用區域標注實現電梯曳引輪輪槽磨損圖像的細分割,把電梯曳引輪輪槽磨損圖像的像素分割為網格,通過八連通獲取磨損單元i的灰度差值最大值K(i),之后遍歷i和附近線性偏移量所存在的像素單元,以此獲取磨損單元i處邊緣輪廓,并實施標注。K(i)的表達式為

K(i)=max(1,max(k1Zi-k2Si)),

(4)

其中:Zi、Si是i所對應的兩個分組;k1、k2是權重。

(3) 特征提取流程 電梯曳引輪輪槽磨損特征提取流程如圖1所示。電梯曳引輪輪槽磨損特征提取步驟如下:

① 輸入電梯曳引輪輪槽磨損圖像;

② 初級分割:讀取電梯曳引輪輪槽磨損圖像,得到初始像素值,初始化閾值、磨損結構數組,使用閾值分割法設置初始分割閾值,將電梯曳引輪輪槽磨損圖像的磨損單元和背景實施準確分割;

③ 細分割:使用區域標注實現電梯曳引輪輪槽磨損圖像的細分割,得到電梯曳引輪輪槽磨損特征參數,特征參數可分為磨損寬度、磨損深度、磨損長度。

圖1 電梯曳引輪輪槽磨損特征提取流程Fig.1 Flow chart of extraction of wear characteristics of wheel groove of elevator traction wheel

1.2 回聲網絡的電梯曳引輪輪槽磨損安全性評價

電梯曳引輪輪槽磨損安全性評價可看作一個電梯曳引輪輪槽磨損狀態分類問題,此分類和一般的特征分類不同。在數學意義中,前饋神經網絡可看作一個函數,理解成實數空間至實數空間的映射[15-16];遞歸神經網絡可看作一個濾波器,理解成泛函空間至泛函空間的映射。因為電梯曳引輪輪槽磨損特征參數具有時序性,電梯曳引輪輪槽磨損特征參數時序分類問題可等價于泛函空間至實數空間的映射,因此,一般的前饋神經網絡與遞歸神經網絡均不存在可用性[17]。所以,研究提出的基于過程狀態回聲網絡的電梯曳引輪輪槽磨損安全性評價方法是在狀態回聲網絡的輸出層導進過程神經元,把函數域映射至實數域,實現電梯曳引輪輪槽磨損特征參數的時序狀態分類,完成了磨損安全性評價。

圖2 過程狀態回聲神經網絡結構Fig.2 Neural network structure diagram of process state echo

(2) 狀態方程 過程狀態回聲網絡的輸出層神經元是過程神經元,過程狀態回聲網絡方程描述為

(5)

其中:儲蓄池神經元數量與電梯曳引輪輪槽磨損特征參數時間序列依次是N、T;t時間段第i個儲蓄池中神經元的狀態、輸入向量依次是xi(t)、u(t)。

(3) 磨損狀態分類問題 因為過程狀態回聲網絡輸出層神經元為過程神經元,過程狀態回聲網絡對權函數實施學習時,權函數的選取復雜性顯著,顧及到泛函理論中函數空間各個點能夠描述成一組基向量線性組合,在連續函數空間中具有多樣化的基函數,致使函數空間中某函數在準許的誤差區間中,能夠通過基函數的有限項,展開磨損狀態近似逼近[18]。把權重函數展開,即

(6)

其中:br(t)是基函數;wir是常數;r是逼近次數。

以此能夠將全部函數描述成由基函數所建立的函數空間里的模式。因為在現實應用中不能把無窮個基函數設成線性組合,因此式(6)能夠變換為

(7)

把式(7)導進式(5),則

(8)

使用最小二乘法進行學習,則

(9)

(10)

(4) 電梯曳引輪輪槽磨損安全性評價過程

① 輸入磨損特征參數測試數據集Utest。

② 記載儲蓄池狀態變化過程。先把儲蓄池神經元初始狀態設成xi(0)=0。在磨損特征參數測試集Utest中選擇磨損特征樣本uk′(t)輸入至過程狀態回聲網絡中,計算儲蓄池神經元的狀態變化。

③ 基函數轉換。將各個儲蓄池神經元的狀態變化序列xi(t)實施基函數轉換。

電梯風險類型如表1所列。

表1 電梯風險類型

2 仿真測試結果與分析

為驗證基于狀態回聲網絡的電梯曳引輪輪槽磨損安全性評價方法的可行性與準確性,研究對某大廈一臺載客用的電梯進行了測試。電梯類型是曳引式乘客電梯,該電梯已投入使用 4 年,設備型號是GPS-Ⅱ,額定載重量是700 kg,額定速度是2.0 m/s,拖動模式屬于變頻變壓調速VVVF。電梯曳引輪輪槽磨損特征參數為磨損寬度、磨損深度、磨損長度。電梯曳引輪輪槽磨損圖像如圖3所示。

圖3 電梯曳引輪輪槽磨損圖像Fig.3 Traction wheel groove wear image of elevator traction wheel

所提方法在提取電梯曳引輪輪槽磨損特征時,分別測試了3種磨損特征的查準率(Precision)和查全率(Recall ratio)。查準率與查全率的表達式為

(11)

(12)

其中:TP為真正類;FP為假正類;FN為真反類。

3種電梯曳引輪輪槽磨損特征提取的查準率與查全率如圖4所示。由圖4可知,所提方法對電梯曳引輪輪槽磨損寬度、磨損深度、磨損長度特征的查準率、查全率均大于90%,提取效果較好,可準確、全面地提取電梯曳引輪輪槽磨損特征。這是因為所提方法使用閾值分割法設置初始分割閾值,將方差數值控制在合理范圍內,準確分割電梯曳引輪輪槽磨損單元和背景,使得所提方法的提取效果得到有效提升。

圖4 3種電梯曳引輪輪槽磨損特征提取的查準率與查全率Fig.4 Accurate and recall rates of wheel groove wear feature extraction of three kinds of elevator traction wheels

使用所提方法評價6個電梯曳引輪輪槽磨損安全性,評價結果如表2所列。由表2可知,所提方法對6個電梯曳引輪輪槽磨損安全性的評價結果與實際風險類型一致,不存在差異,即證所提方法可有效評價電梯曳引輪輪槽磨損安全性。

表2 所提方法評價結果

將存在曳引輪輪槽磨損的電梯數量依次設成5個、10個、15個、20個,使用文獻[3]、文獻[4]中方法及所提方法對多個電梯同時進行曳引輪輪槽磨損安全性評價,均方相對誤差MSRE、平均絕對誤差MAE是影響安全性評價的主要因素,其表達式分別為

(13)

(14)

圖5 3種方法的評價性能測試結果Fig.5 Test results of evaluation performance by three methods

3 結語

研究提出基于狀態回聲網絡的電梯曳引輪輪槽磨損安全性評價方法,其利用CRC校驗方法對改進閾值法檢驗,對改進閾值法提取的數據進行多項式計算,使用閾值分割法設置初始分割閾值,將方差數值控制在合理范圍內,準確分割電梯曳引輪輪槽磨損單元和背景,通過回聲網絡訓練和學習,建立電梯曳引輪輪槽磨損安全性評價模型。經測試后,驗證其具有較好的應用效果,比傳統的載荷試驗方法更適用于電梯曳引輪輪槽磨損安全性評價問題。