基于動態自適應的電梯鋼帶典型故障檢測算法

DOI：10.16652/j.issn.1004-373x.2025.16.026

中圖分類號：TN919-34；TP391 文獻標識碼：A 文章編號：1004-373X（2025）16-0161-06

Dynamicself-adaptiveelevatorsteelbelttypical faultdetectionalgorithm

ZHOUZecheng1，LIChen1，XUFeng2，ZHANGCai3，HUANGKanfei2 （1.CollegeofEnergy，Environmentand Safety Engineering，ChinaJiliangUniversity，Hangzhou 31o8，China; 2.ZhejiangAcademyofSpecialEquipment Science，Hangzhou 31ooo9，China; 3.Wenzhou Special Equipment Inspectionamp; Science Research Institute，Wenzhou 325oo1，China）

Abstract：Inalusion totheproblems ofpoorreal-timedetection，lowaccuracyandcomplex processintraditional elevator stlbeltypicalfaults，nlevatorstelbelttypcalfaultetetionalgoribsedonamicself-adapation，DOis proposed.ThedeformableconvolutionDCNv2isusedtoreplacetraditionalconvolutionlayers，soastobeteradapttovariations inshapesand structuresoffaults.Themulti-scalelarge kernel separable （MLKS）moduleisconstructedtoenhancethe model's adaptabilitytodiferentfeaturescalesandspatialvariations.Adual-pathchannelatention（DPCA）mechanismisproposedto strengthenthemodel'scapabilityinfeatureperception，extraction，andfusiononthechaneldimension.Adynamicshared alignment（DSA）detection headisdesigned tooptimizethe independence，irelevance，and featureconflictisuesduring localizationandclassificationtasks.Theexperimentalresultsshowthat，ontheelevatorsteelbelttypicalfaultdatasets，DSMAYOLO can increase mAP@0.5and mAP@0.5～0.95by4.4%and10.1%respectively compared with the baselinealgorithm YOLOv8n，whichisbeterthanothercomparativeobjectdetectionalgorithm，andcanmet thereal-timerequirementsfor elevatorsteel belt typical fault detection，providing references for elevator fault diagnosis methods and applications.

Keywords：elevatorsteelbelt;faultdetection；dynamicself-adaption;YOLOv8n;deformableconvolution;dual-chael attention mechanism; feature sharing

0 引言

隨著社會經濟水平和城市化進程的迅速發展，電梯已成為人們必不可少的垂直交通工具，同時人們對于電梯的安全性和舒適性的要求日益增加，因此新材料、新工藝、新技術也逐漸在電梯制造、設計、運維中開展應用。其中，鋼帶作為電梯的核心零部件，承擔著電梯關鍵的承重和驅動任務。鋼帶雖然相較于傳統的鋼絲繩具有諸多顯著優勢，但是在長時間服役過程中仍存在一些不足，包括電梯鋼帶磨損裸露、鼠嚙破損和橫向裂紋等問題，會對電梯使用安全造成巨大威脅。目前，電梯鋼帶典型故障的檢測方法主要以人工自測法為主，但是該方法存在較多不足，如嚴重耗費人力、無法實時檢測以及有較高檢測誤差等。而在工業領域所應用的電梯鋼帶無損檢測技術，如基于金屬材料的電磁檢測技術、壽命預測值法、電阻檢測法等[2]，都普遍存在操作復雜和檢測實時性低等問題。

近年來，基于深度學習的目標檢測技術在相關領域取得了顯著進展。文獻[4]提出了一種改進的YOLOv8-t模型，通過使用FasterNetBlock和Slim-Neck結構進行相關結構優化，并使用自研檢測頭Detect-G和基于跨空間多尺度的注意力機制，顯著提升了PCB小目標缺陷檢測的精度和效率，同時實現了模型輕量化。文獻[5]為解決絕緣子小目標特征不足導致的檢測精度低和模型體積大的問題，提出了MPH-YOLO算法，通過多尺度檢測、SIoU損失函數和Ghost卷積技術實現了檢測精度和模型輕量化的雙重提升。……