一种自动扶梯扶手带松紧程度检测方法技术

本发明专利技术公开了一种自动扶梯扶手带松紧程度检测方法，包括：对扶手带摩擦力最大的部位的前后两端的温度变化数据进行采集；在前期训练模型的时候整理出过紧和正常的扶手带温度数据模型；采用区间极值统计量的方法来计算温度统计特征；计算温度比值；对得到的温度比值数据T分段计算统计量；结合提取的特征来构建分类模型，在构建模型之前首先进行训练样本和测试样本的划分，对采集得到的正常和过紧的温度数据进行划分；用随机森林算法进行分类识别，判断扶手带的松紧程度；用测试数据来测试所构建模型的准确率；本方法不受环境温度变化的影响，有效地避免了干扰，可以对实时运行的自动扶梯的扶手带的松紧程度进行检测判别。自动扶梯的扶手带的松紧程度进行检测判别。自动扶梯的扶手带的松紧程度进行检测判别。

【技术实现步骤摘要】
一种自动扶梯扶手带松紧程度检测方法


[0001]本专利技术涉及故障诊断领域，具体涉及一种自动扶梯扶手带松紧程度检测方法。

技术介绍

[0002]自动扶梯作为一种大型运输机械，在铁路、城市轨道交通、商场、机场等有着广泛的应用，扶手带位于扶手装置的顶面，与梯级、踏板或胶带同步运行，供乘客扶握的带状部件，其作为自动扶梯这种大型回转装置的一个重要组成部分，扶手带的状态与旅客的安全有着直接的关系。扶手带作为自动扶梯的易损件，其结构主要由橡胶层、帘子布层、钢丝层、摩擦层构成。扶手带的驱动方式主要有1)摩擦轮驱动，2)压轮驱动，都是利用机械滚轮的摩擦力带动扶手带运行。扶手带与机械滚轮的松紧程度会直接影响扶手带的正常运行，过松则会造成扶手带失速，从而引发安全事故，过紧则会造成扶手带的异常磨损，加速扶手带的老化过程，造成扶手带的断裂，引发安全事故。
[0003]现有的扶手带检测主要是通过扶手带的运行速度来进行检测，只能反应扶手带的运行速度，而不能准确地判断扶手带的松紧程度，无法及时地指导维修保养人员做出及时调整。

技术实现思路

[0004]为解决现有技术的不足，本专利技术的目的在于，提供一种通过温度算法来自动检测扶手带松紧程度的检测方法，能够自动对扶手带的松紧程度做出判断，及时指导维修保养人员做出调整。
[0005]为了实现上述目的，本专利技术提供一种自动扶梯扶手带松紧程度检测方法，包括如下步骤：
[0006]步骤1：在自动扶梯扶手带与驱动轮及扶手带导轨的摩擦部位的前后各安装一个温度传感器，对扶手带摩擦力最大的部位的前后两端的温度变化数据进行采集；
[0007]步骤2：对于传感器采集到的批量数据，将每一个温度传感器采集到的数据进行分类整合,在前期训练模型的时候整理出过紧和正常的扶手带温度数据模型；
[0008]步骤3:采用区间极值统计量的方法来计算温度统计特征，区间极值统计量通过截取数据区间，然后在每一个区间内的样本计算相关的统计量，将这些统计量作为识别样本的特征；
[0009]步骤4：通过温度传感器测量张紧轮前面的温度T1，测量得到张紧轮后面的温度T2；则张紧轮前后的温度比值为：T＝T2/T1；计算温度比值可以反映扶手带在张紧前后的温度变化速率，为后面更好的提取统计特征做准备；
[0010]步骤5：对得到的温度比值数据T分段计算统计量，每一段选取的数据量为N，统计量包括均值、均方差、方差、峰度、偏度、裕度、脉冲及峰峰值；
[0011]步骤6：结合提取的特征来构建一个分类模型，在构建模型之前首先进行训练样本和测试样本的划分，然后根据划分的训练样本和测试样本；对采集得到的正常和过紧的温
度数据进行划分，对整合得到的数据随机抽样选取80％的数据作为训练集，剩下的20％的数据作为测试集；
[0012]步骤7：用随机森林(Random Forest，RF)算法进行分类识别，判断扶手带的松紧程度；RF是一种组成式的有监督学习方法，在随机森林的算法中，同时生成多个预测模型，并将模型的结果汇总以提升分类准确率；随机森林的算法涉及到两部分的随机抽样，分别是对样本单元抽样和对变量因子抽样，以此来生成大量决策树；对每一个样本单元来说，所有决策树依次对该样本单元进行分类，所有决策树预测类别中的众数即为随机森林所预测的这一样本单元的类别；
[0013]步骤8：通过用训练数据训练随机森林模型的参数，然后用测试数据来测试所构建模型的准确率。
[0014]进一步的，所述驱动轮为压带轮或摩擦轮。
[0015]进一步的，温度传感器采用采用工装支架的方式安装在自动扶梯前后张紧轮的两端。
[0016]进一步的，温度传感器采样频率为1Hz，即1秒钟采样1个数据。
[0017]进一步的，所述步骤8具体为：
[0018]步骤8.1.准备训练样本和待检测样本，其中训练样本的特征是由区间极值统计量提取出来的，按照每一个区间长度来构造训练样本的特征；待检测样本(测试样本)的特征同理可得；
[0019]步骤8.2.使用训练样本来训练随机森林模型，得到随机森林分类器模型；
[0020]步骤8.3.将测试样本放入到已经训练好的随机森林分类器模型中，得到测试样本的识别结果；预测得到的分类结果和真实的分类结果进行对比，查看准确率，检验模型的准确性和鲁棒性。
[0021]总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
[0022](1)本专利技术的自动扶梯扶手带松紧程度检测方法，在布设传感器时基于扶手带摩擦受力的重点部位的前后温差变化进行监测，通过扶手带温度数据建立形成扶手带不同松紧程度的温度变化模型，该方法不受环境温度变化的影响，有效地避免了干扰，可以对实时运行的自动扶梯的扶手带的松紧程度进行检测判别。
附图说明:
[0023][0024]图1是本专利技术较佳实施例左扶手带温度正常和过紧1cm对比的另一种安装结构图；
[0025]图2是本专利技术较佳实施例左扶手带原始温度正常和过紧2cm对比；
[0026]图3是本专利技术较佳实施例左边扶手带部分时域特征对比；
[0027]图4是本专利技术较佳实施例的右边扶手带部分时域特征对比；
[0028]图5随机森林分类流程图；
具体实施方式:
[0029]为了使本专利技术的目的、方案及优点更加清楚明白，以下结合附图及实施例，对本发
明的进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术的，并不用于限定本专利技术的。此外，下面所描述的本专利技术的各个实施方式中所涉及到的特征只要彼此之间未构成冲突就可以相互组合。
[0030]作为一种实施例，该实施例提供了一种自动扶梯扶手带松紧程度检测方法，包括如下步骤：
[0031]步骤1：在自动扶梯扶手带与驱动轮及扶手带导轨的摩擦部位的前后各安装一个温度传感器，对扶手带摩擦力最大的部位的前后两端的温度变化数据进行采集；
[0032]步骤2：对于传感器采集到的批量数据，将每一个温度传感器采集到的数据进行分类整合,在前期训练模型的时候整理出过紧和正常的扶手带温度数据模型；
[0033]步骤3:采用区间极值统计量的方法来计算温度统计特征，区间极值统计量通过截取数据区间，然后在每一个区间内的样本计算相关的统计量，将这些统计量作为识别样本的特征；
[0034]步骤4：通过温度传感器测量张紧轮前面的温度T1，测量得到张紧轮后面的温度T2；则张紧轮前后的温度比值为：T＝T2/T1；计算温度比值可以反映扶手带在张紧前后的温度变化速率，为后面更好的提取统计特征做准备；
[0035]步骤5：对得到的温度比值数据T分段计算统计量，每一段选取的数据量为N，统计量包括均值、均方差、方差、峰度、偏度、裕度、脉冲及峰峰值；
[0036]步骤6：结合提取的特征来构建一个分类模型，在构建模型之前首先进行训练样本和测试样本的划分，然后根据划分的训练样本和测试样本；对采集得到的正常和过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自动扶梯扶手带松紧程度检测方法，其特征在于包括如下步骤：步骤1：在自动扶梯扶手带与驱动轮及扶手带导轨的摩擦部位的前后各安装一个温度传感器，对扶手带摩擦力最大的部位的前后两端的温度变化数据进行采集；步骤2：对于传感器采集到的批量数据，将每一个温度传感器采集到的数据进行分类整合,在前期训练模型的时候整理出过紧和正常的扶手带温度数据模型；步骤3:采用区间极值统计量的方法来计算温度统计特征；步骤4：通过温度传感器测量张紧轮前面的温度T1，测量得到张紧轮后面的温度T2；则张紧轮前后的温度比值为：T＝T2/T1；步骤5：对得到的温度比值数据T分段计算统计量，每一段选取的数据量为N，统计量包括均值、均方差、方差、峰度、偏度、裕度、脉冲及峰峰值；步骤6：结合提取的特征来构建一个分类模型，在构建模型之前首先进行训练样本和测试样本的划分，然后根据划分的训练样本和测试样本；对采集得到的正常和过紧的温度数据进行划分，对整合得到的数据随机抽样选取80％的数据作为训练集，剩下的20％的数据作为测试集；步骤7：用随机森林算法进行分类识别，判断扶手带...

【专利技术属性】
技术研发人员：刘稷，张琨，张银龙，
申请(专利权)人：武汉思恒达科技有限公司，
类型：发明
国别省市：