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. 華南理工大學機械與汽車工程學院，廣東 廣州 510640; 2. 廣東省特種設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的電梯安全裝置，目前電梯液壓緩沖器現場檢測方法主要是人工觀察檢驗，其效率低、準確度低，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[1]對液壓緩沖器常見缺陷進行分析，提出日常維護檢修相關建議；文獻[2]根據液壓緩沖器結構特性和動態(tài)機制，建立壓力、速度之間非線性關系數學模型來表示緩沖過程；文獻[3] 應用質量守恒、能量守恒方程建立緩沖器液壓阻力數學模型，采用數值分析方法對不同工況下緩沖特性進行分析；文獻[4]對電梯用聚氨酯緩沖器進行不同時間加速老化試驗，分析不同老化時間后樣品力學性能、質量變化。對于電梯液壓緩沖器檢測，主要是限于壓縮復位性能[5-10]，文獻[5] 提出利用超聲波定位、信號觸發(fā)實現緩沖器復位過程動態(tài)監(jiān)測與結果自動檢驗；文獻[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位時間；文獻[7]計在用電梯液壓緩沖器動態(tài)測試儀，通過無線數據傳輸及嵌入式系統(tǒng)數據采集處理，實時輸出液壓緩沖器動作曲線[7]；文獻[8]研究電梯液壓緩沖器復位時間校準方法，對復位時間測量結果進行不確定度評定；文獻[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)，檢測復位時間與復位距離。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）之間關系，難以實現電梯液壓緩沖器隱患識別與預測。

本 文 提 出 基 于 長 短 時 記 憶(long short term memory, LSTM) 網絡特征提取的電梯液壓緩沖器隱患識別方法[10]，該方法引入深度學習LSTM網絡以識別壓縮復位關鍵點、進行特征提取，并基于決策樹算法實現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、復位過程采用激光測距傳感器及計算機獲得位移、時間信息，對這些信息進一步分析，可得到緩沖器隱患信息。緩沖器實時位移、時間信息數據量較大，前期研究表明循環(huán)神經網絡 (recurrent neural network, RNN)對較長時間尺度的數據處理能力較差[11]，支持向量機(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動狀態(tài)效果有限[12]。若使用LSTM網絡對緩沖器數據進行數據處理、特征提取，其結構內記憶通道可實現對早期網絡狀態(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關鍵點識別技術；②緩沖器壓縮復位特征提取與模式識別技術。

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)，對緩沖器進行一次完整壓縮復位過程，使用激光測距傳感器采集緩沖器位移信息。使用LSTM運動狀態(tài)識別網絡對電梯液壓緩沖器位移信息進行運動狀態(tài)識別，輸入層為激光測距傳感器所采集緩沖器位移信息，輸出緩沖器運動狀態(tài)（含開始、壓縮、保持、復位、結束），并進行關鍵點識別，提取關鍵點位移、時間信息。2)使用特征提取公式，計算壓縮復位過程特征信息，特征信息輸入決策樹隱患識別網絡，進行緩沖器隱患識別。

2 基于LSTM特征提取的電梯液壓緩沖器隱患識別關鍵技術

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

圖2 LSTM運動狀態(tài)識別網絡

2.1 緩沖器壓縮復位信息數據采集

圖3為數據采集系統(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，電機施加驅動力將轎廂壓入底坑對緩沖器進行壓縮；壓縮完成，電機撤去驅動力，經過一段時間，轎廂重新提起，緩沖器復位，即激光測距傳感器采集緩沖器壓縮復位過程完整位移信息。

圖3 數據采集系統(tǒng)示意圖

2.2 基于LSTM壓縮復位關鍵點提取技術

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

圖4 緩沖器壓縮復位位移曲線

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

LSTM運動狀態(tài)識別網絡識別電梯運動狀態(tài)，識別壓縮起始點istart、壓縮結束點icompress、復位起始點ireturn、復位結束點iend，計算對應位移、時間信息：

2.3 緩沖器壓縮復位特征提取與模式識別技術

緩沖器各種隱患在其壓縮復位過程特征信息上會有相應表現特征，如緩沖器油量不足將導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特征表現，箭頭向上代表對應值增大，箭頭向下代表對應值減小。

表1 緩沖器常見隱患對應特征表現

使用特征計算公式，對關鍵點位移、時間信息進行計算，獲得緩沖器壓縮行程Δxcompress、壓縮平均速度vcompress、復位行程Δxreturn、復位時間Treturn特征信息：

通過表1對緩沖器隱患所對應的特征表現分析，以vcompress、Δxcompress、Treturn、Δxreturn4個特征作為輸入，使用決策樹算法進行機器學習，得到隱患識別模型，圖5為決策樹隱患識別模型結構圖。隱患識別過程中，將計算得到的特征信息輸入決策樹模型，經過4個結點的判斷，可得到隱患識別結果輸出（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構圖

3 試驗研究

使用40組已標注運動狀態(tài)的電梯液壓緩沖器壓縮復位數據進行深度學習，訓練LSTM網絡，設置RNN層深度為100，全連接層深度為5，每個訓練周期內迭代次數為1000次，經過45 min訓練，模型損失loss達到0.15后，得到LSTM狀態(tài)識別網絡模型。

本文實驗在廣東珠海香洲區(qū)泰鋒電器進行，實驗對象為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激光測距傳感器進行數據采集，對檢測系統(tǒng)進行現場布置，圖6為檢測系統(tǒng)現場布置圖。

圖6 檢測系統(tǒng)現場布置圖

試驗對正常工作的一號緩沖器進行5次檢測，表2為一號緩沖器實驗結果，緩沖器由正常工作狀態(tài)經過3次壓縮復位后出現油量不足隱患，對具有故障的二號、三號、四號緩沖器進行共6次檢測，表3為二號緩沖器實驗結果，表4為三號緩沖器實驗結果，表5為四號緩沖器實驗結果。結果顯示，隱患識別率達100%。

表2 一號緩沖器實驗結果

表3 二號緩沖器實驗結果

表4 三號緩沖器實驗結果

表5 四號緩沖器實驗結果

4 結束語

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、準確度、自動化、智能化、可溯源性水平。本方法創(chuàng)新點為：

1)提出基于LSTM電梯液壓緩沖器壓縮復位關鍵點提取技術，構建LSTM運動狀態(tài)識別網絡，可識別壓縮起始點、壓縮結束點、復位起始點、復位結束點等關鍵點。

2)提出電梯液壓緩沖器壓縮復位特征提取計算方法，分析緩沖器常見隱患及對應特征表現，提出基于決策樹算法的隱患識別方法，構建隱患識別模型，試驗結果表明隱患識別準確率達到100%。

下一步將繼續(xù)改進關鍵點提取技術及隱患識別算法，對關鍵點提取準確率進行優(yōu)化，實現緩沖器隱患識別無人化、智能化。