一种基于三维重构的电梯曳引轮轮槽形态检测方法与流程

1.本发明属于电梯检测技术领域，尤其涉及一种基于三维重构的电梯曳引轮轮槽形态检测方法。


背景技术：

2.近年来，电梯事故频发，电梯在人们日常生活中又不可或缺，尤其是广泛使用的曳引电梯，而曳引轮又是其关键的组件之一，电梯曳引轮轮槽的形态变化能够直接反映曳引轮的磨损程度，同时直接影响电梯运行的安全性能。
3.目前，轮槽的磨损程度主要采用定性分析的检测方法，如传统的目测法、机械测量法，一些新兴的检测技术则通过图像处理技术实现，如通过红外采集图像和热传感图像方法直接对曳引轮轮槽的磨损情况进行检测，但当前的图像处理技术在电梯检测中的应用仅限于易于进行算法分析和结果处理的大部件，对轮槽这种小部件检测精度不高。其次，部分方法通过多信号融合识别方法对曳引轮的磨损状态进行识别，如轻微磨损、一般磨损、严重磨损等，但未能实现对曳引轮磨损的定量精准识别，再者，部分现有技术采用三维点云数据直接获取曳引轮轮槽的三维特征，从而进行磨损量识别，但该类技术未考虑曳引轮运行过程中轮槽润滑油对识别精度的影响，因此，现有技术无法实现曳引轮轮槽形态的准确识别以及曳引轮磨损的精准定量分析。
4.因此，如何实现电梯曳引轮运行过程中轮槽形态的精准检测，从而实现磨损量的实时精准定量分析是现阶段亟需解决的问题。


技术实现要素：

5.为解决上述技术问题，本技术公开了一种基于三维重构的电梯曳引轮轮槽形态检测方法，通过考虑钢丝绳外形、配重比和曳引轮顶部外缘轮廓对电梯曳引轮轮槽磨损状态检测结果的多重影响，得到轮槽具体的磨损形态，从而获取曳引轮精准的磨损量及磨损位置信息。
6.为实现上述目的，本发明采用如下的技术方案：
7.提出一种基于三维重构的能预测电梯曳引轮轮槽形态的检测方法，具体流程包括如下步骤：
8.获得钢丝绳内外两侧点云数据；
9.基于所述钢丝绳内外两侧点云数据，获得钢丝绳组三维模型；
10.获得曳引轮顶部轮廓点云数据；
11.基于所述曳引轮顶部轮廓点云数据，获得曳引轮顶部轮廓三维模型；
12.获得轿厢和对重的配重比数据；
13.基于所述钢丝绳组三维模型、所述曳引轮顶部轮廓三维模型以及所述轿厢和对重的配重比数据，获得融合数据库和曳引轮轮槽形态数据库；
14.基于所述融合数据库和所述曳引轮轮槽形态数据库，对神经网络进行训练，获得
最优参数的变化函数；
15.基于所述最优参数的变化函数，获得曳引轮轮槽形态检测模型；
16.基于所述曳引轮轮槽形态检测模型，完成曳引轮轮槽形态检测。
17.优选地，获得所述钢丝绳组三维模型的过程包括：
18.对所述钢丝绳内外两侧点云数据进行降噪、滤波处理；
19.基于降噪、滤波处理后的所述钢丝绳内外两侧点云数据，对所述钢丝绳组进行轮廓拟合；
20.对完成轮廓拟合后的所述钢丝绳组进行三维重构，获得所述钢丝绳组三维模型。
21.优选地，对所述钢丝绳内外两侧点云数据，进行降噪、滤波处理的过程包括：采用双边滤波法对所述钢丝绳内外两侧点云数据，进行降噪、滤波处理。
22.优选地，对所述钢丝绳组进行轮廓拟合的过程包括：
23.获取钢丝绳组两侧点云数据样本；
24.基于所述钢丝绳组两侧点云数据样本，获得钢丝绳组轮廓的形状向量；
25.基于所述钢丝绳组轮廓的形状向量，获得旋转变换参数；
26.基于所述旋转变换参数，对所述钢丝绳组轮廓进行点云配准，完成对所述钢丝绳组轮廓拟合。
27.优选地，对完成轮廓拟合后的钢丝绳组进行三维重构的过程包括：
28.获得轮廓拟合后的点云数据样本；
29.基于所述轮廓拟合后的点云数据样本，获得平均形状向量；
30.基于所述平均形状向量，计算投影矩阵，获得平均纹理特征向量，完成对轮廓拟合后的所述钢丝绳组的三维重构。
31.优选地，获得所述曳引轮顶部轮廓三维模型的过程包括：
32.对所述曳引轮顶部轮廓点云数据进行降噪、滤波处理；
33.对降噪、滤波处理后的所述曳引轮顶部轮廓点云数据，进行三维重构，获得所述曳引轮顶部轮廓三维模型。
34.优选地，对降噪、滤波处理后的所述曳引轮顶部轮廓点云数据，进行三维重构的过程包括：
35.获取曳引轮顶部轮廓点云数据样本；
36.基于所述曳引轮顶部轮廓点云数据样本，使用procrustes算法进行归一化处理，获得点云图；
37.基于所述点云图，进行三角剖分，经过纹理映射后获得曳引轮顶部轮廓三维模型。
38.优选地，获得所述轿厢和对重的配重比数据的过程包括：
39.根据电梯运行的情况，模拟并创建配重比的数据组样本；
40.基于所述数据样本，针对不同情况下柔性钢丝绳的形变量，获得对应的变换关系；
41.基于所述变换关系，获得所述轿厢和对重的配重比数据。
42.本发明的技术效果为：本技术中先扫描拟合出钢丝绳组三维模型，扫描得出工作状态下曳引轮顶部外缘轮廓模型，模拟创建轿厢、对重配重比，通过建立三者融合数据库，结合神经网络算法训练模型，达到对实际曳引轮的轮槽形态检测的目的。本发明无需拆卸曳引轮和钢丝绳组，只需结合多重影响因素和轮槽形态的对应匹配关系，就可得到不同情
况下的实际轮槽形态，从而获取精准的曳引轮轮槽磨损量及磨损位置，克服现有技术的缺陷和不足，实现电梯曳引轮磨损的精准定量识别。
附图说明
43.图1为本发明实施例的确定网络算法模型的流程图；
44.图2为本发明实施例的钢丝绳组轮廓拟合流程图；
45.图3为本发明实施例的钢丝绳组轮廓拟合示意图；
46.图4为本发明实施例的曳引轮顶部和钢丝绳接触部位外缘轮廓图；
47.图5为本发明实施例的神经网络算法结构图；
48.图6为本发明实施例的轮槽形态检测机构示意图；
49.其中，1、轿厢；2、第一扫描仪；3、第二扫描仪；4、曳引轮；5、第三扫描仪；6、钢丝绳组；7、导向轮；8、对重。
具体实施方式
50.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
51.如图1所示，本发明提出一种基于三维重构的电梯曳引轮轮槽形态的算法模型，具体流程包括如下步骤：
52.得到钢丝绳组三维模型；
53.得到工作状态下曳引轮顶部轮廓三维模型；
54.模拟并创建轿厢、对重的配重比数据；
55.训练得到多重因素影响下的曳引轮轮槽形态检测模型，所述曳引轮轮槽形态检测模型即为图1中曳引轮轮槽形态确定的模型；
56.基于所述曳引轮轮槽形态检测模型，完成曳引轮轮槽形态检测。
57.进一步优化方案，得到所述钢丝绳组三维模型的过程包括：扫描钢丝绳组6得到两组点云数据，降噪、滤波处理，对钢丝绳组6轮廓拟合，三维重构得到钢丝绳组模型。扫描钢丝绳组6得到两组点云数据的具体方法为：通过第一扫描仪2对钢丝绳组6外侧扫描，得到钢丝绳组6外侧点云数据，通过第二扫描仪3对钢丝绳组6内侧扫描，得到钢丝绳组6内侧点云数据；第一扫描仪2和第二扫描仪3在同一水平位置，相对于钢丝绳组6呈轴对称分布，钢丝绳组6内外两侧点云图是沿直径方向切分的内外两部分。降噪、滤波处理的具体方法为：采用双边滤波法去除钢丝绳组6非轮廓部位对边缘像素的噪声影响，达到保边去噪的目的。对钢丝绳组轮廓拟合的具体方法如图2所示，包括获取钢丝绳组6两侧点云数据样本，根据点云图获取钢丝绳组轮廓的位置点构成的形状向量，将得到的形状向量进行平移或旋转，得到平移旋转的变换参数，代入变换参数后对当前输入的钢丝绳组轮廓进行点云配准，钢丝绳组轮廓拟合示意图参考图3。三维重构得到钢丝绳组三维模型的具体方法为：获取轮廓拟合后的点云数据样本，使用procrustes算法对样本进行归一化处理，计算归一化后的平均形状向量，使用pca算法计算投影矩阵，获取每个位置点的平均纹理特征向量，重构完成，得
到钢丝绳组6的三维模型。
58.进一步优化方案，曳引轮顶部和钢丝绳接触部位外缘轮廓如图4所示；得到所述工作状态下曳引轮顶部轮廓三维模型的过程包括：扫描曳引轮4顶部得到点云数据，降噪、滤波处理，三维重构得到工作状态下曳引轮顶部轮廓三维模型。扫描曳引轮4顶部得到点云数据的具体方法为：通过第三扫描仪5得到工作状态下曳引轮顶部轮廓点云数据，扫描范围仅限曳引轮4包角范围内，包括每根钢丝绳以及曳引轮顶部的表面。降噪、滤波处理的具体方法为：采用高斯滤波法剔除工作状态下曳引轮顶部点云图中服从正态分布的噪声，使用激光点云平滑技术消除曳引轮顶部点云重建曲面的毛刺。三维重构的具体方法为：获取工作状态下曳引轮顶部轮廓点云数据样本，使用procrustes算法对样本进行归一化处理，采用投影映射的方法对点云图进行三角剖分，经过纹理映射后得到工作状态下曳引轮4顶部轮廓三维模型。
59.进一步优化方案，模拟并创建所述轿厢、对重的配重比数据的过程包括：模拟并创建轿厢1、对重8的配重比数据，加以考虑配重力作用下钢丝绳的形变量，具体方法为：根据电梯运行的实际情况，模拟并创建配重比的数据组样本，针对每种情况下柔性钢丝绳的形变量，得到对应的变换关系。
60.进一步优化方案，训练得到所述多重因素影响下的曳引轮轮槽形态检测模型的过程包括：建立多影响因素的融合数据库，建立对应的曳引轮轮槽形态数据库，进行神经网络算法训练，得到最优参数的变换函数，得到多重因素影响下的曳引轮轮槽形态检测模型。神经网络算法模型创建的具体方法如图5所示：
61.获取多组钢丝绳组6三维模型，曳引轮4顶部轮廓三维模型和轿厢1、对重8配重比结合的数据，建立多重影响因素的融合数据库，将基于三维扫描得到的钢丝绳组6三维模型、曳引轮4顶部外缘轮廓三维模型和轿厢1、对重8的配重比作为输入层的三个自变量，以此构建一个1*3的输入矩阵，作为神经网络算法的输入数据；
62.根据不同实际情况建立对应的曳引轮轮槽形态模型数据库，把曳引轮轮槽形态构建成1*1的输出矩阵，作为神经网络算法的输出层；
63.将连接权值和阈值初始化；
64.通过改变连接权值大小调节三个输入量的占重比；
65.设置一层n维的隐藏层，隐藏层阈值为bh，通过sigmod函数进行激活，通过输入层三个自变量以及输出层轮槽形态可初步计算输入层到隐藏层再到输出层的权值参数；
66.对输出的轮槽形态结果做正规化处理，得到一个误差结果，采用最小二乘法表达此误差结果；
67.根据误差结果使用梯度下降法更新权值参数，使得误差结果达到输出阈值要求；
68.将更新的权值参数反向传播，计算得到更加细微的权值参数，并依次迭代，直至误差小于输出阈值时终止递归。
69.由最终确定的权值参数进行钢丝绳组6三维模型、曳引轮4顶部外缘轮廓三维模型和轿厢1、对重8的配重比数据变换，使用神经网络算法对多重影响因素融合数据库和曳引轮轮槽形态数据库进行反向传播，在经过多次迭代的自主训练，根据梯度下降法得到多重影响因素和曳引轮轮槽形态的最优变换参数，通过不断调试迭代，直至得到最小误差，进而确定电梯不同实际运行状况下曳引轮的轮槽形态。
70.参考图6，本实施例的具体检测方法如下：
71.第一扫描仪2和第二扫描仪3同时运转，分别得到钢丝绳组6相对方向的两组点云数据，将点云上传到上机位，经过降噪、滤波处理后，通过轮廓拟合技术和三维重构得到钢丝绳组6的三维模型。
72.第三扫描仪5扫描包括包角范围内的每根钢丝绳以及曳引轮顶部的表面，得到点云数据，将点云上传到上机位，经过降噪、滤波处理后，三维重构得到工作状态下曳引轮4顶部轮廓三维模型。
73.实测得到轿厢1、对重8的配重比数据。
74.将得到的钢丝绳组6的三维模型，工作状态下曳引轮4顶部轮廓三维模型以及轿厢1和对重8的配重比数据代入到神经网络算法模型中，获得实际情况下电梯曳引轮轮槽形态的检测结果。
75.本实施例的工作过程如下：
76.模拟实际情况的轿厢1和对重8的配重比，将对重8悬挂在钢丝绳组越过导向轮7的一端，钢丝绳组6另一端悬挂轿厢1。
77.第一扫描仪2和第二扫描仪3相对于钢丝绳组6呈轴对称放置，并在同一时刻运转，分别得到钢丝绳组6相对方向的两组点云数据，将点云上传到上机位，经过降噪、滤波处理后，通过轮廓拟合技术和三维重构得到钢丝绳组6的三维模型。
78.第三扫描仪5垂直放置在曳引轮4轮顶上方一定距离的位置，扫描包括包角范围内的每根钢丝绳以及曳引轮顶部的表面，得到点云数据，将点云上传到上机位，经过降噪、滤波处理后，三维重构得到工作状态下曳引轮4顶部轮廓三维模型。
79.将得到的多组轿厢1和对重8的配重比，钢丝绳组6的三维模型和工作状态下曳引轮4顶部轮廓三维模型放入神经网络算法中进行多次迭代训练，得到神经网络算法模型。
80.采集工作状态下的多重影响因素数据，代入到神经网络算法模型中，获得实际情况下电梯曳引轮轮槽形态的检测结果。
81.以上所述，仅为本技术较佳的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应该以权利要求的保护范围为准。