基于神經網絡的曳引輪槽磨損測量系統設計

董靈軍 張 雍 李 琛 鄧焜文 周澤丞

（1.臺州市特種設備檢驗檢測研究院 臺州 318000）

（2.中國計量大學 質量與安全工程學院 杭州 310018）

隨著經濟社會的不斷發展，高層建筑、超高層建筑數量也在飛速增長。曳引電梯是高層建筑中載人運物必不可少的垂直交通工具，其數量也逐年增加。電梯在為廣大居民提供便捷的同時，其運行安全問題依然不可小覷。根據《市場監管總局關于2022 年全國特種設備安全狀況的通告》[1]，2022 年全國電梯總量達964.46 萬臺，發生電梯事故22 起，死亡17 人；已結案事故中，由于電梯安全管理、維護保養不到位2 起，主要部件失效或安全保護裝置失靈等原因6 起，說明管理、維保及設備可靠性對于電梯安全運行具有較大影響。

為了確保電梯能夠安全、可靠的運行，同時乘坐舒適性也得到保障，國家相關部門針對曳引輪、鋼絲繩等電梯關鍵部件的檢測流程、壽命期限、報廢條件制定了多項標準[2，3]：GB／T 31821—2015《電梯主要部件報廢技術條件》規定，當曳引輪出現不正常磨損時，該曳引輪達到報廢技術條件；TSG T7001—2023《電梯監督檢驗和定期檢驗規則》中也明確了電梯曳引輪及鋼絲繩曳引輪和曳引力等相關技術參數。

目前我國常用的輪槽磨損狀況的檢驗方法有：目視法、角尺＋塞尺法、橡皮泥或塑性膠法、規塞式工裝測量法、專用深度尺檢驗法、聲發射判斷法、非接觸檢驗法[4]。塞尺測量方法屬于接觸式測量方法，根據可塞入塞尺的厚度來判斷縫隙的尺寸，但該方法測量精度低，而且缺乏可溯源的測量數據作為安全評估的衡量標準。因此，利用機器學習等數字化測量方法成了研究的熱點問題。成都市特種設備檢驗院的李繼波等人[5]設計了一種結構簡單的接觸式高精度測量儀，該測量系統采用容柵式位移傳感器，配備多個測量頭，能對直徑為8 ～22 mm 的鋼絲繩進行測量且測量精度可達到0.01 mm。廣東省特種設備檢測研究院珠海檢測院的陳建勛等人[6]利用激光位移原理開發了非接觸式的輪槽磨損狀況的檢測方法，實現了輪槽磨損狀況的全方位檢測。沈陽建筑大學的張湘澤[7]通過測試提取電梯曳引輪不同磨損程度時運行過程中的聲發射特征信息，構建了基于聲發射特征的曳引輪磨損程度模型，實現了在電梯運行過程中對曳引輪磨損程度進行實時檢測和狀態識別。日本三菱電氣公司的Daisuke Nakazawa 等人[8]建立了鋼絲繩的張力評定模型并且評價了鋼絲繩張力對鋼絲繩磨損的影響。Yaman Orhan 等人[9]研發了一種基于圖像處理的電梯導軌表面磨損檢測的方法，對檢測到的導軌表面圖像進行建模計算，檢測其磨損程度。

本文設計了數字化的電梯曳引輪槽磨損量測量系統，利用高頻高清圖像捕獲設備，對曳引輪槽及鋼絲繩的表面形貌進行實時高分辨圖像采集，結合嵌入式控制系統，利用神經網絡算法，研制曳引輪槽磨損定量檢測裝置。本項目成果能夠為提高電梯運行可靠性提供技術保障，同時，也能夠助力實現社會和諧穩定高質量發展。

1 曳引輪槽磨損測量系統設計

1.1 曳引輪槽磨損測量系統工作原理

曳引輪槽磨損測量系統示意圖如圖1 所示。該系統由激光發射器、高速工業相機、嵌入式控制板組成其對曳引輪的圖像識別模塊，由電源模塊向控制板和激光發射器進行供電。

圖1 曳引輪槽磨損測量系統示意圖

曳引輪槽磨損測量系統工作原理為：首先，激光發射器發出結構激光，照射至曳引輪外沿，隨著電梯運行時曳引輪的轉動，結構激光對曳引輪表面進行全域掃描，同時，高速相機按照設定采樣頻率對曳引輪表面進行圖像采集；其次，對采集到的圖像進行濾波降噪處理得到曳引輪表面二維圖像信息，通過相機標定技術把二維圖像信息轉換為世界坐標，實現對二維圖像的三維重構，形成曳引輪槽表面三維形貌；最后，提取輪槽深度、間隙等數據，并與事先標定的標準曳引輪槽表面數據進行誤差比較計算，從而實現對曳引輪槽磨損量的定量測量。

1.2 曳引輪槽磨損測量系統結構設計

根據上述測量原理，為了實現曳引輪槽磨損測量，首先要對曳引輪槽深度進行測量，所以本文對曳引輪槽深度測量系統進行設計。由于本系統需要實現電梯運行過程中曳引輪槽磨損的在線測量，系統裝置需要安裝在電梯曳引機附近，因此，需要對裝置進行小型化、集成化設計。該裝置設計三維結構圖與實物圖如圖2 所示。

如圖2 所示，本文所設計的曳引輪槽磨損測量裝置將高頻高速的工業相機、高準度高均勻度的結構激光發射器以及控制板與電源模塊集成為一體，并設計耐腐蝕、高強度的殼體作為其支撐體，保證裝置在各類復雜工況下的可靠運行。

1.3 基于神經網絡的磨損量算法設計

基于神經網絡的磨損量計算模型算法流程如圖3所示。系統初始化完成后，讀取高速相機捕獲到的圖像信息數據，將其轉化為神經網絡訓練圖像并讀取數據；將所有捕獲圖像數據讀取完畢后，創建訓練圖像數據集，構建神經網絡函數；依次對神經網絡函數的單層節點、層數、各層激活函數、訓練次數等參數進行設定，通過對神經網絡訓練算法，計算其精度是否達到90%，如果未達到閾值，將循環上述訓練算法，如果達到閾值，則生成神經網絡算法模型。至此，基于神經網絡的磨損量計算模型生成完畢。

圖3 基于神經網絡的磨損量算法流程圖

1.4 曳引輪槽磨損測量流程設計

曳引輪槽磨損測量算法流程如圖4 所示。首先，對程序進行初始化設置，使所有變量回到初始值，之后創建程序主線程，在主線程中，對所使用的高速相機進行曝光度、增益和圖像區域等參數的初始化設置。其次，讀取標定文件并創建采集圖像的子線程，設定定時器啟動時間為10 ms，即圖像采樣周期為10 ms。對定時器動作進行判定，如果需要采集圖像，則采集一幀圖像，再將圖像數據送入圖像處理線程；如果不需要采集圖像，則需要創建圖像處理的子線程。

在圖像處理線程中，判定是否有待處理的圖像數據，當無待處理圖像時，則等待循環；當有圖像數據需要處理時，首先對圖像進行動態濾波、二值化、膨脹、腐蝕、開區間、骨架提取等預處理動作，對處理后的圖像進行識別、分割為像素點，并將其轉換成世界坐標點云，對世界坐標點云的圖像進行封口，提取內切圓的輪廓尺寸，將其與標準鋼絲繩尺寸大小進行比較，當內切圓尺寸和標準鋼絲繩尺寸不同時，則需要將繩槽點云沿垂直槽底的方向延伸后再進行封口，循環該步驟，直至內切圓尺寸和標準鋼絲繩尺寸相同。最后，提取出此姿態下的各幾何尺寸生成結果，與標定模型進行對比，得到曳引繩輪槽磨損的測量結果。

2 曳引輪槽磨損測量實驗分析

根據DB11／040—94《電梯維修技術要求》中5.4條，當繩槽磨損下陷不一致，相差為繩直徑的1／10（1.5 mm）或嚴重的凹凸不平時，應重新更換繩輪；根據DB11／T420—2019《電梯安裝、改造、重大修理和維護保養自檢規則》中表J1 中第2.5 條，曳引輪槽、卷筒繩槽、鏈輪齒等不得有過度磨損；根據該曳引機生產廠家標準，曳引繩與槽底間隙小于等于1 mm 時，繩槽應重車或更換曳引輪。

圖5 為曳引輪槽磨損測量裝置進行作業時的現場以及經過三維重構算法解析后形成的曳引輪槽表面三維結構圖。如上文所述，本裝置安裝于電梯機房的曳引輪下方，其工作環境相對復雜惡劣，同時，由于曳引機啟停過程中抱閘動作會產生振動，因此，通過定制夾具將裝置固定于曳引輪下方，以保證測量的準確度。

圖5 測量裝置現場及形貌重構圖

根據檢驗規范，對曳引輪槽深度及鋼絲繩與輪槽間隙等參數進行測量，測量結果見表1。

表1 曳引輪槽測量實驗結果

表1 為本文所設計的曳引輪槽磨損測量系統對5槽曳引輪的測量結果。首先對5 個輪槽的深度進行標定測量，得到輪槽實際深度，再利用本裝置依次對每個輪槽深度進行測量，每個輪槽測量5 組，記錄深度測量值并計算其與實際深度的差值。本裝置可實現電梯運行時的實時測量，因此還可以對鋼絲繩與曳引輪之間的間隙進行實時測量。同樣對5 個輪槽的鋼絲繩與輪槽底部間隙進行測量，并計算間隙測量值與實際值的差值。

根據表1 的測量結果可得，5 個輪槽深度的測量誤差分別為0.28%、0.36%、0.02%、0.43%、0.45%；實際間隙的測量誤差分別為1.0%、1.7%、0.6%、1.7%、2.9%。總體來說，輪槽深度測量準確率大于99.5%，誤差小于0.5%；間隙誤差測量準確率大于97%，誤差小于3%，測量結果符合要求。究其原因，本裝置采用一字激光器對曳引輪的截面進行掃描，再將其進行三維重構并計算誤差，由于測量環境與光學成像特性的影響，激光照射在曳引輪邊緣區域的輪槽會產生圖像畸變，導致測量數據出現誤差，而照射在曳引輪中間區域的輪槽則圖像畸變程度較小，誤差也相對較小，但是測量總體準確率大于97%，實際測量效果較好。

3 結論

本文針對電梯曳引輪輪槽磨損程度在線量化測量的實際需求，設計了輪槽磨損量實時測量系統。利用高頻高清圖像捕獲設備，對曳引輪槽形貌進行采集，利用三維重構技術擬合出表面三維形貌，提取輪槽深度等關鍵數據并與基準數據進行比較，進而得出輪槽磨損量。利用所設計的系統進行現場實驗，實驗結果顯示，測量總體準確率大于97%，證明了系統的有效性，同時，本系統有利于提高電梯現場的檢測效率和準確性，有效助力了電梯安全可靠高質量發展。