[发明专利]一种自动扶梯扶手带松紧程度检测方法

说明书

本发明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。

技术领域

本发明涉及故障诊断领域，具体涉及一种自动扶梯扶手带松紧程度检测方法。

背景技术

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。

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。

发明内容

为解决现有技术的不足，本发明的目的在于，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。

为了实现上述目的，本发明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：

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，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；

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；

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(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；

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。