基于LSTM特征提取的電梯液壓緩沖器隱患識別方法

姚懋欣， 劉桂雄， 梁敏健

(1. 華南理工大學(xué)機(jī)械與汽車工程學(xué)院，廣東 廣州 510640; 2. 廣東省特種設(shè)備檢測研究院珠海檢測院，廣東 珠海 519002)

0 引 言

電梯液壓緩沖器是提供最后一種安全保護(hù)的電梯安全裝置，目前電梯液壓緩沖器現(xiàn)場檢測方法主要是人工觀察檢驗(yàn)，其效率低、準(zhǔn)確度低，還存在人身危險。為分析電梯液壓緩沖器緩沖性能及失效模式，文獻(xiàn)[1]對液壓緩沖器常見缺陷進(jìn)行分析，提出日常維護(hù)檢修相關(guān)建議；文獻(xiàn)[2]根據(jù)液壓緩沖器結(jié)構(gòu)特性和動態(tài)機(jī)制，建立壓力、速度之間非線性關(guān)系數(shù)學(xué)模型來表示緩沖過程；文獻(xiàn)[3] 應(yīng)用質(zhì)量守恒、能量守恒方程建立緩沖器液壓阻力數(shù)學(xué)模型，采用數(shù)值分析方法對不同工況下緩沖特性進(jìn)行分析；文獻(xiàn)[4]對電梯用聚氨酯緩沖器進(jìn)行不同時間加速老化試驗(yàn)，分析不同老化時間后樣品力學(xué)性能、質(zhì)量變化。對于電梯液壓緩沖器檢測，主要是限于壓縮復(fù)位性能[5-10]，文獻(xiàn)[5] 提出利用超聲波定位、信號觸發(fā)實(shí)現(xiàn)緩沖器復(fù)位過程動態(tài)監(jiān)測與結(jié)果自動檢驗(yàn)；文獻(xiàn)[6]研究一種電梯液壓緩沖器測試儀傳感器電路，通過微處理器判斷緩沖器復(fù)位時間；文獻(xiàn)[7]計(jì)在用電梯液壓緩沖器動態(tài)測試儀，通過無線數(shù)據(jù)傳輸及嵌入式系統(tǒng)數(shù)據(jù)采集處理，實(shí)時輸出液壓緩沖器動作曲線[7]；文獻(xiàn)[8]研究電梯液壓緩沖器復(fù)位時間校準(zhǔn)方法，對復(fù)位時間測量結(jié)果進(jìn)行不確定度評定；文獻(xiàn)[9]研究一種基于智能圖像識別的電梯液壓緩沖器檢測系統(tǒng)，檢測復(fù)位時間與復(fù)位距離。但這些研究均沒有建立性能與緩沖器隱患（油量不足、彈簧銹蝕、柱塞銹蝕、安裝傾斜等）之間關(guān)系，難以實(shí)現(xiàn)電梯液壓緩沖器隱患識別與預(yù)測。

本 文 提 出 基 于 長 短 時 記 憶(long short term memory, LSTM) 網(wǎng)絡(luò)特征提取的電梯液壓緩沖器隱患識別方法[10]，該方法引入深度學(xué)習(xí)LSTM網(wǎng)絡(luò)以識別壓縮復(fù)位關(guān)鍵點(diǎn)、進(jìn)行特征提取，并基于決策樹算法實(shí)現(xiàn)緩沖器隱患模式識別。

1 電梯液壓緩沖器隱患識別方法總體框架

對電梯液壓緩沖器完整壓縮、復(fù)位過程采用激光測距傳感器及計(jì)算機(jī)獲得位移、時間信息，對這些信息進(jìn)一步分析，可得到緩沖器隱患信息。緩沖器實(shí)時位移、時間信息數(shù)據(jù)量較大，前期研究表明循環(huán)神經(jīng)網(wǎng)絡(luò) (recurrent neural network, RNN)對較長時間尺度的數(shù)據(jù)處理能力較差[11]，支持向量機(jī)(support vector machine, SVM)等分類算法在多分類問題上區(qū)分電梯液壓緩沖器多種運(yùn)動狀態(tài)效果有限[12]。若使用LSTM網(wǎng)絡(luò)對緩沖器數(shù)據(jù)進(jìn)行數(shù)據(jù)處理、特征提取，其結(jié)構(gòu)內(nèi)記憶通道可實(shí)現(xiàn)對早期網(wǎng)絡(luò)狀態(tài)傳遞，有望較好解決長時間、距離的依賴問題。

圖1為基于LSTM電梯液壓緩沖器隱患識別方法總體框架圖，主要包括：①LSTM關(guān)鍵點(diǎn)識別技術(shù)；②緩沖器壓縮復(fù)位特征提取與模式識別技術(shù)。

圖1 基于LSTM電梯液壓緩沖器隱患識別方法總體框架

緩沖器隱患識別詳細(xì)步驟包括：1)在電梯液壓緩沖器上安裝檢測系統(tǒng)，對緩沖器進(jìn)行一次完整壓縮復(fù)位過程，使用激光測距傳感器采集緩沖器位移信息。使用LSTM運(yùn)動狀態(tài)識別網(wǎng)絡(luò)對電梯液壓緩沖器位移信息進(jìn)行運(yùn)動狀態(tài)識別，輸入層為激光測距傳感器所采集緩沖器位移信息，輸出緩沖器運(yùn)動狀態(tài)（含開始、壓縮、保持、復(fù)位、結(jié)束），并進(jìn)行關(guān)鍵點(diǎn)識別，提取關(guān)鍵點(diǎn)位移、時間信息。2)使用特征提取公式，計(jì)算壓縮復(fù)位過程特征信息，特征信息輸入決策樹隱患識別網(wǎng)絡(luò)，進(jìn)行緩沖器隱患識別。

2 基于LSTM特征提取的電梯液壓緩沖器隱患識別關(guān)鍵技術(shù)

圖2為LSTM運(yùn)動狀態(tài)識別網(wǎng)絡(luò)，由輸入層、RNN層、全連接層、輸出層構(gòu)成，橫向深度為時間維度上網(wǎng)絡(luò)長度，網(wǎng)絡(luò)前一時刻信息通過記憶通道傳輸至下一時刻，并進(jìn)行篩選。網(wǎng)絡(luò)輸入層為緩沖器位移信息X，輸出層為緩沖器運(yùn)動狀態(tài)向量C。

圖2 LSTM運(yùn)動狀態(tài)識別網(wǎng)絡(luò)

2.1 緩沖器壓縮復(fù)位信息數(shù)據(jù)采集

圖3為數(shù)據(jù)采集系統(tǒng)示意圖。在緩沖器頂端安裝磁吸式激光反射板，在反射板垂直下方安裝激光測距傳感器，采集傳感器到反射板直線距離，即可獲得緩沖器位移信息。檢測開始電梯轎廂停在地面，電機(jī)施加驅(qū)動力將轎廂壓入底坑對緩沖器進(jìn)行壓縮；壓縮完成，電機(jī)撤去驅(qū)動力，經(jīng)過一段時間，轎廂重新提起，緩沖器復(fù)位，即激光測距傳感器采集緩沖器壓縮復(fù)位過程完整位移信息。

圖3 數(shù)據(jù)采集系統(tǒng)示意圖

2.2 基于LSTM壓縮復(fù)位關(guān)鍵點(diǎn)提取技術(shù)

圖4為緩沖器壓縮復(fù)位位移曲線圖。對緩沖器進(jìn)行一次完整壓縮復(fù)位過程，激光測距傳感器采集得共有N個數(shù)據(jù)點(diǎn)，緩沖器位移信息X=[x1,x2,x3,···,xi,···,xN]，第i個數(shù)據(jù)點(diǎn)位移信息記為xi，緩沖器時間信息T=[t1,t2,t3,···,ti,···,tN]，第i個數(shù)據(jù)點(diǎn)時間信息記為ti。緩沖器壓縮復(fù)位過程包括開始、壓縮、保持、復(fù)位、結(jié)束5種狀態(tài)，可提取出過程中的壓縮起始點(diǎn)istart、壓縮結(jié)束點(diǎn)icompress、復(fù)位起始點(diǎn)ireturn、復(fù)位結(jié)束點(diǎn)iend4個運(yùn)動關(guān)鍵點(diǎn)。

圖4 緩沖器壓縮復(fù)位位移曲線

緩沖器位移變化信息輸入LSTM運(yùn)動狀態(tài)識別網(wǎng)絡(luò)，識別電梯運(yùn)動狀態(tài)，全連接層輸出緩沖器當(dāng)前時刻運(yùn)動狀態(tài)概率向量Pcond=[pi1,pi2,pi3,pi4,pi5]，pin為緩沖器所處運(yùn)動狀態(tài)：開始、壓縮、保持、復(fù)位、結(jié)束的概率，使用argmax激活函數(shù)選取運(yùn)動狀態(tài)概率最大值，并輸出緩沖器運(yùn)動狀態(tài)向量C=[c1,c2,c3,···,ci,···,cN]：

LSTM運(yùn)動狀態(tài)識別網(wǎng)絡(luò)識別電梯運(yùn)動狀態(tài)，識別壓縮起始點(diǎn)istart、壓縮結(jié)束點(diǎn)icompress、復(fù)位起始點(diǎn)ireturn、復(fù)位結(jié)束點(diǎn)iend，計(jì)算對應(yīng)位移、時間信息：

2.3 緩沖器壓縮復(fù)位特征提取與模式識別技術(shù)

緩沖器各種隱患在其壓縮復(fù)位過程特征信息上會有相應(yīng)表現(xiàn)特征，如緩沖器油量不足將導(dǎo)致緩沖器緩沖效果下降，使壓縮速度上升，壓縮曲線呈直線下降趨勢。表1是緩沖器常見隱患對應(yīng)特征表現(xiàn)，箭頭向上代表對應(yīng)值增大，箭頭向下代表對應(yīng)值減小。

表1 緩沖器常見隱患對應(yīng)特征表現(xiàn)

使用特征計(jì)算公式，對關(guān)鍵點(diǎn)位移、時間信息進(jìn)行計(jì)算，獲得緩沖器壓縮行程Δxcompress、壓縮平均速度vcompress、復(fù)位行程Δxreturn、復(fù)位時間Treturn特征信息：

通過表1對緩沖器隱患所對應(yīng)的特征表現(xiàn)分析，以vcompress、Δxcompress、Treturn、Δxreturn4個特征作為輸入，使用決策樹算法進(jìn)行機(jī)器學(xué)習(xí)，得到隱患識別模型，圖5為決策樹隱患識別模型結(jié)構(gòu)圖。隱患識別過程中，將計(jì)算得到的特征信息輸入決策樹模型，經(jīng)過4個結(jié)點(diǎn)的判斷，可得到隱患識別結(jié)果輸出（含正常、油量不足、柱塞銹蝕、彈簧銹蝕、安裝傾斜等）。

圖5 決策樹隱患識別模型結(jié)構(gòu)圖

3 試驗(yàn)研究

使用40組已標(biāo)注運(yùn)動狀態(tài)的電梯液壓緩沖器壓縮復(fù)位數(shù)據(jù)進(jìn)行深度學(xué)習(xí)，訓(xùn)練LSTM網(wǎng)絡(luò)，設(shè)置RNN層深度為100，全連接層深度為5，每個訓(xùn)練周期內(nèi)迭代次數(shù)為1000次，經(jīng)過45 min訓(xùn)練，模型損失loss達(dá)到0.15后，得到LSTM狀態(tài)識別網(wǎng)絡(luò)模型。

本文實(shí)驗(yàn)在廣東珠海香洲區(qū)泰鋒電器進(jìn)行，實(shí)驗(yàn)對象為4臺昱奧GeN2乘客電梯及底坑安裝的液壓式緩沖器，選用測量誤差為±2 mm的LRFS-0040-1/2激光測距傳感器進(jìn)行數(shù)據(jù)采集，對檢測系統(tǒng)進(jìn)行現(xiàn)場布置，圖6為檢測系統(tǒng)現(xiàn)場布置圖。

圖6 檢測系統(tǒng)現(xiàn)場布置圖

試驗(yàn)對正常工作的一號緩沖器進(jìn)行5次檢測，表2為一號緩沖器實(shí)驗(yàn)結(jié)果，緩沖器由正常工作狀態(tài)經(jīng)過3次壓縮復(fù)位后出現(xiàn)油量不足隱患，對具有故障的二號、三號、四號緩沖器進(jìn)行共6次檢測，表3為二號緩沖器實(shí)驗(yàn)結(jié)果，表4為三號緩沖器實(shí)驗(yàn)結(jié)果，表5為四號緩沖器實(shí)驗(yàn)結(jié)果。結(jié)果顯示，隱患識別率達(dá)100%。

表2 一號緩沖器實(shí)驗(yàn)結(jié)果

表3 二號緩沖器實(shí)驗(yàn)結(jié)果

表4 三號緩沖器實(shí)驗(yàn)結(jié)果

表5 四號緩沖器實(shí)驗(yàn)結(jié)果

4 結(jié)束語

本文提出一種基于LSTM特征提取的電梯液壓緩沖器隱患識別方法，有效提高了檢測效率、準(zhǔn)確度、自動化、智能化、可溯源性水平。本方法創(chuàng)新點(diǎn)為：

1)提出基于LSTM電梯液壓緩沖器壓縮復(fù)位關(guān)鍵點(diǎn)提取技術(shù)，構(gòu)建LSTM運(yùn)動狀態(tài)識別網(wǎng)絡(luò)，可識別壓縮起始點(diǎn)、壓縮結(jié)束點(diǎn)、復(fù)位起始點(diǎn)、復(fù)位結(jié)束點(diǎn)等關(guān)鍵點(diǎn)。

2)提出電梯液壓緩沖器壓縮復(fù)位特征提取計(jì)算方法，分析緩沖器常見隱患及對應(yīng)特征表現(xiàn)，提出基于決策樹算法的隱患識別方法，構(gòu)建隱患識別模型，試驗(yàn)結(jié)果表明隱患識別準(zhǔn)確率達(dá)到100%。

下一步將繼續(xù)改進(jìn)關(guān)鍵點(diǎn)提取技術(shù)及隱患識別算法，對關(guān)鍵點(diǎn)提取準(zhǔn)確率進(jìn)行優(yōu)化，實(shí)現(xiàn)緩沖器隱患識別無人化、智能化。