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 362000)

目前电梯已经成为公共交通工具[1]。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[2]。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[3]与文献[4]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[5]中提出了一种基于VMD分解与HMM模型相结合的滚动轴承磨损状态识别方法,利用VMD对轴承各个磨损时期信号进行分解。文献[6]中提出了一种基于PNN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[7]中应用3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D-S证据理论方法对截齿磨损程度进行了智能识别。文献[8]中提出了一种基于RBF(radical basis function)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RBF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[9]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。

1 状态回声网络的电梯曳引轮轮槽磨损安全性评价方法

1.1 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[10-11]。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[12]。利用循环冗余校验(CRC,cyclic redundancy check)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。

(1) 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[13]。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q将电梯曳引轮轮槽磨损图像分割成两种灰度图g(x,y):

(1)

其中:电梯曳引轮轮槽磨损图像(x,y)点的灰度值是f(x,y)。在此基础上,使用方差σ2(t)计算最优阈值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是灰度级数。q所对应的Q的值为

(3)

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[14]。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。

(2) 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i的灰度差值最大值K(i),之后遍历i和附近线性偏移量所存在的像素单元,以此获取磨损单元i处边缘轮廓,并实施标注。K(i)的表达式为

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

(4)

其中:Zi、Si是i所对应的两个分组;k1、k2是权重。

(3) 特征提取流程 电梯曳引轮轮槽磨损特征提取流程如图1所示。电梯曳引轮轮槽磨损特征提取步骤如下:

① 输入电梯曳引轮轮槽磨损图像;

② 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;

③ 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1 电梯曳引轮轮槽磨损特征提取流程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[15-16];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[17]。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。

图2 过程状态回声神经网络结构Fig.2 Neural network structure diagram of process state echo

(2) 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

(5)

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N、T;t时间段第i个储蓄池中神经元的状态、输入向量依次是xi(t)、u(t)。

(3) 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[18]。把权重函数展开,即

(6)

其中:br(t)是基函数;wir是常数;r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(6)能够变换为

(7)

把式(7)导进式(5),则

(8)

使用最小二乘法进行学习,则

(9)

(10)

(4) 电梯曳引轮轮槽磨损安全性评价过程

① 输入磨损特征参数测试数据集Utest。

② 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xi(0)=0。在磨损特征参数测试集Utest中选择磨损特征样本uk′(t)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。

③ 基函数转换。将各个储蓄池神经元的状态变化序列xi(t)实施基函数转换。

电梯风险类型如表1所列。

表1 电梯风险类型

2 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 4 年,设备型号是GPS-Ⅱ,额定载重量是700 kg,额定速度是2.0 m/s,拖动模式属于变频变压调速VVVF。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3所示。

图3 电梯曳引轮轮槽磨损图像Fig.3 Traction wheel groove wear image of elevator traction wheel

所提方法在提取电梯曳引轮轮槽磨损特征时,分别测试了3种磨损特征的查准率(Precision)和查全率(Recall ratio)。查准率与查全率的表达式为

(11)

(12)

其中:TP为真正类;FP为假正类;FN为真反类。

3种电梯曳引轮轮槽磨损特征提取的查准率与查全率如图4所示。由图4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90%,提取效果较好,可准确、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。

图4 3种电梯曳引轮轮槽磨损特征提取的查准率与查全率Fig.4 Accurate and recall rates of wheel groove wear feature extraction of three kinds of elevator traction wheels

使用所提方法评价6个电梯曳引轮轮槽磨损安全性,评价结果如表2所列。由表2可知,所提方法对6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2 所提方法评价结果

将存在曳引轮轮槽磨损的电梯数量依次设成5个、10个、15个、20个,使用文献[3]、文献[4]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MSRE、平均绝对误差MAE是影响安全性评价的主要因素,其表达式分别为

(13)

(14)

图5 3种方法的评价性能测试结果Fig.5 Test results of evaluation performance by three methods

3 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CRC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。