CN115611125A - 链条伸长检测装置 - Google Patents

Abstract

一种链条伸长检测装置。实施方式涉及能够检测出链条的部分伸长的链条伸长检测装置。提供能够可靠地检测出链条的部分伸长的链条伸长检测装置。链条伸长检测装置具备：测定部(15)，其连续地测定与一对链轮(12、13)啮合的链条(10)的规定区间内的多个链节的合计伸长量；以及推测部(22)，其通过向一系统中输入由测定部(15)测定的所述合计伸长量来推测每个链节的伸长量，该一系统使用将一圈链条的每个链节的伸长量数据和与由测定部(15)测定的所述合计伸长量相当的数据组合而成的大量的数据集进行了训练。

Description

链条伸长检测装置

相关申请的交叉引用

本申请以2021年7月16日提交的日本专利申请第2021-118280号为基础，从该申请享受优先的利益。本申请通过参照该申请而包含该申请的全部内容。

技术领域

本发明的实施方式涉及能够检测出链条的部分伸长的链条伸长检测装置。

背景技术

一般而言，在自动扶梯、自动式道路等运送装置中，设有供乘客、物搭乘的梯级和供乘客把持的移动扶手，它们与由驱动装置旋转驱动的环状的链条同步地循环移动。众所周知，链条是将由销轴、套筒及滚子构成的轴部以规定节距排列并利用内链节(link)和外链节交替地将这些轴部之间连结而构成的。

这种构造的链条由于上述的轴部的磨损等而经时地产生伸长。若该伸长变大，则链条不能与链轮良好地啮合，有时会引起链条越过链轮的齿的跳齿现象。为了不产生这样的问题，提出了测量链条的伸长而对其进行监视(例如，参照专利文献1)。

专利文献1所公开的对链条的伸长进行测定的技术在沿着伸长量测定对象的链条的行进方向的相互分离的2个部位分别设置光电传感器，并将其信号连接于测定用的微机。2个光电传感器之间的距离设定为链条的标准节距的N倍。各光电传感器设置为：在链条的各轴部通过光轴时，光轴被遮蔽。在链条未伸长时，滚子同时在2个光电传感器的光轴上通过，因此同时发出传感器信号。但是，若链条由于经年使用而伸长，则传感器信号的发出时刻会与其伸长量成比例地产生时间差。该时间差与链条的伸长量是成比例的，测定位于2个光电传感器之间的N个连续的链节的合计的伸长量。此外，在测定时，将链条速度设为一定。

在2个光电传感器之间，伴随着链条的行进，始终存在N个(例如15个)链节，连续地测定这N个链节的合计的伸长量。由于链条基本上大致均匀地伸长，因此通过该测定技术通常能够无问题地监视链条的经年伸长量，能够判定是否需要更换链条。

但是，实际上，虽说发生频率低，但仍有如下情形：产生仅1个链节大幅度伸长的部分伸长，从而需要更换链条。该情况下，在前述测定技术中，由于是测定通过链条的行进而进入规定范围(2个光电传感器之间)的N个链节的合计伸长量，因此仅1个链节大幅度伸长的部分便会埋没在测定数据之中，导致判定为尚未达到链条更换用阈值的伸长量。因此，不能正确地判别由于部分伸长而需要更换链条这一状况，将其漏掉的可能性很高。该情况下，最坏的是该部分的链条链节有可能损坏。

发明内容

在迄今为止的测定技术中，在一圈链条中的1个链节、或者规定数量以下的较少数量的链节、或者分离存在的链节随机地产生了部分伸长的情况下，不能将其检测出来。

本发明提供一种能够可靠地检测出链条的部分伸长的链条伸长检测装置。

本发明的实施方式的链条伸长检测装置对多个链节连结为环状而成的、架设在一对链轮之间的链条的伸长进行检测，其特征在于，具备：测定部，其连续地测定与所述一对链轮啮合且沿长度方向行进的链条的规定区间内的多个链节的合计伸长量；以及推测部，其通过向一系统中输入由所述测定部测定的所述合计伸长量来推测每个链节的伸长量，该一系统使用将一圈所述链条的每个链节的伸长量数据和与由所述测定部测定的所述合计伸长量相当的数据组合而成的大量的数据集进行了训练。

根据上述结构，能够可靠地检测出以往难以检测出的链条的部分伸长，能够切实地对产生了部分伸长的链条实施更换。

附图说明

图1是一实施方式的链条伸长检测装置的构成图。

图2A是一实施方式中的成为伸长检测对象的链条的分解立体图。

图2B是说明一实施方式中的链条伸长的测定部的传感器配置的一个例子的图。

图3中，(a)是对由所述链条伸长的测定部测定的链条的每个链节的伸长进行表示的图，(b)是对一圈链条的各链节的伸长量进行表示的波形图。

图4中，(a)是对由传感器的设置位置规定的规定区间内的多个链节的伸长测定状态进行表示的图，(b)是表示在(a)所示的测定状态下对具有图3的(b)所示的部分伸长的链条的伸长进行测定的情况下的多个链节的合计伸长量的变化的波形图。

图5是表示作为一实施方式中的链条伸长的推测部的一个例子而构成的深度学习模型的图。

图6示出了图5所示的深度学习模型的训练用数据集的一个例子，(a)示出了输出侧的目标数据，(b)示出了输入侧的数据。

图7示出了图5所示的深度学习模型的全体的大量训练用数据集的一个例子，(a)示出了输出侧的目标数据，(b)示出了输入侧的数据。

图8示出了图5所示的深度学习模型的大量的训练用数据集的另一个例子，(a)示出了输出侧的目标数据，(b)示出了输入侧的数据。

图9示出了图5所示的深度学习模型的大量的训练用数据集的再一个例子，(a)示出了输出侧的目标数据，(b)示出了输入侧的数据。

图10是表示将一实施方式的链条伸长检测装置中的推测部设置多个的实施例的构成图。

图11是表示将一实施方式的链条伸长检测装置中的推测部设于自动扶梯微机侧的实施例的构成图。

图12是说明另一实施方式的链条伸长检测装置中的链条伸长的测定部的图。

图13中，(a)是对一圈链条中仅1个链节大幅度伸长的状态进行表示的图，(b)是对利用图12的伸长的测定部测定(a)的链条而得的规定测定区间中的多个链节的合计伸长量的测定结果进行表示的波形图。

图14中，(a)是表示将图13所示的部分伸长链条的实测结果作出挪动而设为深度学习模型的训练用数据集1的情况下的输出侧的目标数据即部分伸长波形的图，(b)是表示该情况下的输入侧的实测波形的图。

图15中，(a)是表示将图13所示的部分伸长链条的实测结果作出挪动而设为深度学习模型的训练用数据集2的情况下的输出侧的目标数据即部分伸长波形的图，(b)是表示该情况下的输入侧的实测波形的图。

图16中，(a)是表示将图13所示的部分伸长链条的实测结果作出挪动而设为深度学习模型的训练用数据集3的情况下的输出侧的目标数据即部分伸长波形的图，(b)是表示该情况下的输入侧的实测波形的图。

图17中，(a)是表示将图13所示的部分伸长链条的实测结果作出挪动而设为深度学习模型的训练用数据集4的情况下的输出侧的目标数据即部分伸长波形的图，(b)是表示该情况下的输入侧的实测波形的图。

具体实施方式

以下，使用附图对本实施方式进行详细说明。

在图1中，示出了一实施方式的链条伸长检测装置。图1示出了自动扶梯的驱动链部分。在此，自动扶梯具有驱动链、扶手驱动链、梯级链等，在该实施方式中例示驱动链作为伸长检测对象的链条10。

该链条10形成为环状，并架设在一对链轮(驱动用的链轮12和从动用的链轮13)之间。驱动用的链轮12设于自动扶梯驱动用马达的减速器11。从动用的链轮13是为了驱动未图示的环状的梯级、扶手带而使用的。并且，链条10通过与一对链轮12、13啮合而被驱动，沿长度方向环绕行进。

如图2A所示，链条10将轴部101以规定节距排列，并利用链节102将相邻的这些轴部101的两端部之间连结。此外，轴部101由销轴101c、套筒101b及滚子101a构成。另外，链节102有外链节102a和内链节102b，这些外链节102a及内链节102b交替地连结在轴部101之间。

回到图1，该实施方式的链条伸长检测装置具有：链条伸长的测定部15；发送装置20，其将由该测定部15测定的测定数据发送到监视中心21；以及推测部22，其设于监视中心21，根据发送来的测定数据推测链条10的每1个链节的伸长量。

链条伸长的测定部15与在现有技术中说明的测定部基本上是相同的，具有2个传感器(以下，称为光电传感器)151、152和构成在自动扶梯微机19中的伸长量计算部153。如图2B所示，该链条伸长的测定部15连续地测定在由2个光电传感器151、152的设置位置规定的规定区间内行进的链条10的多个链节102的合计伸长量。此外，在图2B中，链节102仅示出了外链节，省略了对内链节的图示。

2个光电传感器151、152沿链条10的移动方向以链条10的节距的整数倍的长度间隔进行配置。例如，如图1及图2B所示，在避开配置于链条10上的链条断裂检测器件18的左右的位置，配置第一、第二光电传感器151、152。两光电传感器151、152的设置间隔、即各光轴之间的距离设为与链条10的链节相应的节距间隔、例如15×节距。

如图2B所示，光电传感器151、152由投光部和受光部构成，每当链条10的轴部101通过它们之间的光轴时向伸长量计算部153输出信号。伸长量计算部153基于从2个光电传感器151、152输入的两检测信号的时间偏差的大小来计算链条10的伸长量。

推测部22如前述那样根据从测定部15发送来的测定数据推测链条10的每1个链节的伸长量。推测部22具有使用大量的数据集进行了训练的推测用的系统、例如深度学习模型，利用该系统推测链条10的每1个链节的伸长量。训练用的数据集是将链条10的一圈的每个链节的伸长量数据和与由测定部15测定的合计伸长量相当的数据组合而成的，准备大量(例如1000或2000个)的该数据集进行训练。即，将与前述的合计伸长量相当的数据作为输入、将每1个链节的伸长量数据作为目标来进行训练。通过向这样训练的系统中输入由测定部15测定的合计伸长量来推测每1个链节的伸长量。

图3的(a)示出了链条的1个链节的伸长量测定部分，图3的(b)将连结多个该链节而成的链条10的一圈链条的各链节的伸长量按照每1个链节进行了表示。链条10的链节102如前述那样有外链节102a和内链节102b，它们交替地连结在轴部101之间。众所周知，内链节102b之间的伸长大致为零，外链节102a之间会产生伸长。因此，如图3的(b)所示，未产生伸长的一方和产生了伸长的一方被表示为交替重复的锯齿状的伸长量。

链条10的各链节102如图3的(b)所示那样具有大体均匀的伸长量，但也会罕见地如图所示那样存在仅1个链节大幅度伸长的情形。如果该仅1个链节伸长的部分如图所示那样超过要更换值，则需要进行链条更换。图4是利用图1所示的测定部15对图3的链条10的伸长量进行测定而得的测定值。光电传感器151、152沿链条10的移动方向以链条10的节距的整数倍(在该实施例中如前述那样设为15倍)的长度间隔进行设置，依次测定通过链条10的行进而如图4的(a)所示那样进入到了由光电传感器151、152的设置位置规定的区间中的连续15个链节的合计的伸长量。因此，如图4的(b)所示，图3所示的每1个链节的细微伸长量的变动被平滑地测定出来，可得到比较平坦的测定值。另外，对于仅1个链节大幅度伸长的部分，出于测定值被平滑化的关系，也有些埋没在全体的测定值之中的倾向，被判定为比链条的要更换线小的伸长量。

图1的设于监视中心21的推测部22根据从设于自动扶梯侧的测定部15发送来的、图4的(b)所示的经过平滑化的15个链节的合计伸长量即测定数据，推测每1个链节的伸长量。作为该推测部22的推测用的系统，使用图5所示的训练完毕的深度学习模型。该深度学习模型构成为三层神经网络，输入侧具有与链条10的一圈的链节数相当的节点(例如，112个节点)。输入数据是由测定部15测定的链条伸长测定数据、即伴随着链条10的行进而对一圈链条一个链节一个链节地改变测定范围来测定连续15个链节的合计伸长量而得的测定数据。

向训练完毕的深度学习模型中输入的测定数据经过第一层(336个节点)、第二层(224个节点)、第三层(112个节点)而输出。即，输出侧从与输入侧相同的、与链条10的一圈的链节数相当的112个节点，输出转换成每1个链节的伸长量的一圈链条的推定值。构成该深度学习模型的神经网络预先使用训练用数据集被训练为具有上述的推测功能。

使用图6的(a)、(b)说明训练用数据集的一个例子。图6的(a)是规定一圈链条的各链节的伸长量的模拟伸长数据，其是作为输出的训练数据(目标数据：想要求出的数据)。该模拟伸长数据模拟了实际的链条的伸长方式，设为未产生伸长的一方和产生了伸长的一方交替地重复的锯齿状的伸长量。对于伸长的链节，将其伸长量设定成了随机值。即，模拟伸长数据以一般不产生伸长的内链节的伸长量为0、外链节侧分别具有随机的伸长量的方式设定了随机值。

图6的(b)是通过计算求出在图1的测定部15以每15个链节为一组测定图6的(a)所示的链条模拟伸长量的情况下将测定为什么样子的模拟测定数据，是训练数据的输入侧的数据。准备大量、例如1000个将这样的输入侧的模拟测定数据和图6的(a)所示的输出侧的模拟伸长数据组合而成的数据集。

图7的(a)、(b)示出了该训练用的数据集的例子。使用这些从第1个到第M个(该情况下是第1000个)的大量的数据集对深度学习模型进行训练。在以误差充分小的方式实施了训练的情况下，若如前述那样提供测定部15所测定的每15个链节的测定数据，则将高精度地输出每1个链节的伸长量。

在上述结构中，利用在图1中说明的链条伸长检测装置，例如每日测定1次链条10的伸长量。即，对一对链轮12、13进行旋转驱动，使链条10沿长度方向环绕行进。利用构成在自动扶梯微机19中的伸长量计算部153，计算通过该行进而进入到了由光电传感器151、152的设置位置规定的区间内的15个链节的合计伸长量。将该链条10的每连续15个链节的合计伸长量测定一圈。其测定数据被临时保存于自动扶梯微机19内的存储器中。

该测定数据在某一规定时刻被测定数据发送装置20发送到监视中心21。在监视中心21中，该测定数据被输入到成为推测部22的训练完毕的深度学习模型。图5所示的训练完毕的深度学习模型将被输入的每15个链节的测定数据转换成每1个链节的伸长量的测定数据(推定值)。该转换后的数据被用于链条是否要进行更换的判定。

这样，可得到链条10的每1个链节的伸长量的测定数据(推定值)，因此即使在仅1个链节伸长的情况下也能够将其可靠地检测出来。即，在以往的技术中，就链条的伸长量数据而言，是根据以图4的(b)的形式得到的波形判断是否需要更换链条。因此，在实际的链条的伸长量如图3那样为仅1个链节大幅度伸长的状态的情况下，有时会判断为不需要更换链条。

相对于此，在本实施方式中，利用推定部21得到将图4的测定数据转换成图3的每1个链节的测定值的数据，并利用该数据进行判断，因此仅1个链节大幅度伸长的部分也能被正确地检测出，不会做错判断。因而，能够正确地检测出仅1个链节部分地伸长的状况，能够自动地让检查员进行现场调查、发出链条更换的指示，更能够提供安全性。

作为推测部22的训练用数据集的另一个例子，有图8的(a)、(b)和图9的(a)、(b)所示的训练用数据集。

图8是主要对链条10的一部分发生伸长的部分伸长进行假定的训练数据，示出了准备1000个训练用数据集的情况。图8的(a)是对链条10的每个链节的伸长进行表示的模拟伸长数据，是输出侧数据(目标)。图8的(b)是对测定部15所测定的每15个链节的测定数据进行模拟的模拟测定数据，其是基于图8的(a)的伸长量算出的，是图5的深度学习模型的输入侧的训练数据。

在图8的(a)的模拟伸长数据中，上数第2个为：不伸长的内链节的伸长量为0，外链节侧在一圈链条中仅有1个随机地发生了伸长。另外，图8的(a)的上数第1个、第3个以及第1000个假定了不伸长的内链节的伸长量为0、而外链节侧在一圈链条中仅在1个部位有最大5个左右以下的连续的几个外链节部分地发生了伸长的状态，各个链节的伸长量是随机设定的。

上述的图8的训练用的数据集假定了在一圈链条中的1个部位集中地产生部分伸长的情况。在一圈链条中，部分地伸长的部分的伸长量为随机值，产生伸长的链节编号也是随机的。另外，在1个部位出现的部分伸长链节的数目也在5个链节以下这一较小范围中设为随机的数目。根据使用这样的数据集进行了训练的深度学习模型，能够可靠地检测出链条以各种方式产生的部分伸长。

此外，在图8中，假定了在链条的一圈中的1个部位产生1个或较少数量(5个以下)的链节的部分伸长的情况，但也可以假定在链条的一圈中的相互分离的多个部位产生上述的部分伸长的情况来形成图8的(a)的模拟伸长数据，并以此为依据通过理论计算来算出图8的(b)的模拟测定数据。

在使用利用该图8的训练数据进行了训练的深度学习模型的情况下，深度学习模型的训练容易，训练精度随之提高。即，在使用图6、图7的训练数据进行训练的情况下，由于是一圈链条的全部链节都随机伸长的训练数据，因此深度学习模型必须推定的信息量非常大。因此，得到推定精度较高的模型相当有困难，不保证必然得到高精度的模型。

相对于此，在使用利用图8所示的训练数据进行了训练的深度学习模型的情况下，在一圈链条中，所应推定的部分最多也就是5个链节左右，深度学习模型所推定的信息大幅地减少。因此，深度学习模型的训练较为容易，所得到的模型的推定精度也能够期待提高，能够以更高的精度推定每1个链节的伸长量。不过，对于全体都伸长的那种链条数据，由于其与训练模型的结构不同，因此推定精度反而有可能下降。

图9所示的训练数据为，图9的(a)的模拟伸长数据假定了全部的外链节的伸长量全部以均一的一定值进行了伸长的情况。即，该情况下，假定了整个链条均一地伸长、而非部分伸长的状态。伸长的一侧和未伸长的一侧交替地出现，各个伸长量在一圈链条中全部是相等的。这类似于实际的链条中的一般最多的伸长方式。

在图9的训练用数据中，使全部链节的伸长量值一定。因此，与图6、图7的将全部链节的伸长量设为随机的情况相比容易进行训练，训练后的推定精度也变高。另外，图9假定了一般最频繁地发生的一般的链条的伸长方式，因此，对于混入测定数据中的传感器噪声等的影响，通过使用该图9的训练用数据向训练完毕的深度学习模型中提供测定数据并进行输出，传感器噪声也会被去除。因而，与不使用深度学习模型的现有技术相比，可期待能够更高精度地检测出链条的平均伸长量这一效果。

前述各训练用数据中，除全部数据是0的情况以外，输入侧的模拟测定数据以最大值变为1或1以下的特定数值的方式实施了标准化处理。

另外，训练数据的输出侧可以还包含实际由测定系统测定的实际的链条伸长数据，而不只是模拟生成的模拟伸长数据。

图10的链条伸长检测装置在监视中心21设有多个(22A、22B)作为推测部22的训练完毕深度学习模型，且设有接收它们的输出值而综合地判断链条状态的综合判定部23。该情况下，多个深度学习模型22A、22B各自的特性有所不同。例如，深度学习模型22A使用图8的训练数据进行训练，深度学习模型22B使用图9的训练数据进行训练。若如此构成，则在深度学习模型22A中，主要提取部分地大幅度伸长的部分，在深度学习模型22B中，提取平均的伸长量。综合判定部23视该两者的提取结果来判断是否需要更新链条。

在该图10的链条伸长检测装置中，平均的伸长量不大的情形和部分地大幅度伸长的情形这两者都能被切实地捕捉到。因此，不会漏掉链条的伸长状态和异常，更能够确保乘客的安全性，并且，能够更高精度地进行保养。

图11的链条伸长检测装置在自动扶梯微机19内、而非监视中心21侧构成了作为推测部22的训练完毕的深度学习模型。若如此构成，则可在自动扶梯微机19内部推定每1个链节的伸长量。因此，在各个自动扶梯侧提取每1个链节的伸长量的推测数据，并将其输出到监视中心21侧。监视中心21侧不会对从各自动扶梯发送来的数据一一进行数据处理，因此只要进行链条有无异常、是否更换的判断即可，具有可减轻监视中心21侧的处理这一效果。

在上述的任一实施例中，链条的伸长检测用的2个传感器151、152为光电传感器，但并不是必须限定为光电传感器，只要是同样的测定原理就不管传感器的种类。例如，是激光位移传感器、接近传感器等，适用于对连续的链条区间的合计的伸长量进行测定的全部系统。

在前述的实施方式中，图1以及图10、图11所示的链条的伸长测定部15都是沿链条的行进方向以与多个链节(例示了15个链节)相应的间隔配置第一传感器151和第二传感器152，检测伴随着链条10的移动而进入到传感器151、152之间的15个链节的合计伸长量，但也可以使用这种结构以外的链条的伸长测定部。在以下的实施方式中，使用图12所示的结构的链条伸长的测定部25。

测定对象即链条10被架设在一对链轮12、13之间。将构成链条伸长的测定部25的第一传感器251及第二传感器252配置在对应的链轮12、13附近，检测链轮12、13的齿的通过时刻并输出检测信号。通过这些检测信号的产生时刻测定链条10的伸长。其测定原理已经由本申请的申请人作为日本特愿2020-131993提出了申请。此外，图12是对测定原理进行说明的图，链轮12、13被画成了相同的直径，但这是为了使说明易于理解，即使二者如图1等所示那样是相互不同的直径也是一样的。

链条10通过链轮12、13的旋转而受到驱动，沿其长度方向进行环绕移动。此时，第一传感器251检测链轮12的齿的通过时刻并输出第一检测信号。第二传感器252检测链轮13的齿的通过时刻并输出第二检测信号。这些第一、第二检测信号被输入到计算链条伸长的计算部253，通过这些第一、第二检测信号的相位差来测定链条10的伸长。

该计算部253与图1等所示的伸长量的计算部153对应，计算结果被图1所示的发送装置20发送到监视中心21。此外，作为第一传感器251及第二传感器252，可以使用透射型光电传感器、反射型光电传感器、接近传感器等。

对该链条伸长测定部25的作用进行说明。如图13的(a)所示，假设在链条10的一圈中仅1个链节大幅度伸长。在该大幅度伸长的1个链节伴随着链条10的移动而从图12所示的与链轮13的啮合起点A到达啮合的终点B为止的期间，测定部25的测定值、即由第一传感器251及第二传感器252进行检测并由计算部253算出的伸长量如图13的(b)那样变化。该伸长量是从上述起点A到终点B为止的规定区间的链节数的合计伸长量。

将该测定出的伸长量输入到图1所示的推测部22，利用图5所示的深度学习模型推测每个链节的伸长量。该情况下，构成推测部22的深度学习模型的训练是使用图14至图17所示的训练数据集来进行的。这些图14至图17所示的训练数据集是使用图13所示的实测数据对其链节位置作出挪动而得的，将其大量准备，把它们用作训练数据。

这是因为，由测定部25对图13的(a)所示的仅1个链节的伸长进行测定的测定结果如图13的(b)所示那样是非线性的，因此很难如图6至图9所示的前述实施方式的数据集那样以(a)的每个链节的伸长量(输出侧)为依据通过理论计算生成多个链节合计伸长量(输入侧)。

这样，由于在理论上不能计算测定波形，因此，安装在一圈中仅1个链节伸长的链条，实际利用图12的链条伸长测定部25测定伸长量，并将图13所示的测定波形作为参考。沿用这一次试验的测定数据，如图14至图17所示那样形成对1个链节伸长的位置作出了挪动的测定波形。这样的测定波形可通过数据处理简单地得到，因此使用1个实测数据准备大量的训练数据集来对深度学习模型进行训练。

通过向这样训练出的推测部22输入由测定部25测定的多个伸长的合计值，能够与前述实施方式相同地可靠地检测出链条10的部分伸长。

对本发明的一些实施方式进行了说明，但这些实施方式是作为例子而提出的，并没有对发明的范围进行限定的意图。这些新的实施方式可以以其它各种方式实施，能够在不脱离发明的主旨的范围内进行各种省略、置换、变更。这些实施方式及其变形包含在发明的范围和主旨中，并且包含在权利要求书所记载的发明及其等效范围内。

Claims (9)

1.一种链条伸长检测装置，对多个链节连结为环状而成的、架设在一对链轮之间的链条的伸长进行检测，其特征在于，具备：

测定部，其连续地测定与所述一对链轮啮合且沿长度方向行进的链条的在规定区间内行进的多个链节的合计伸长量；以及

推测部，其通过向如下系统中输入由所述测定部测定的所述合计伸长量来推测每个链节的伸长量，所述系统通过将一圈所述链条的每个链节的伸长量数据和与由所述测定部测定的所述合计伸长量相当的数据组合而成的大量数据集进行了训练。

2.根据权利要求1所述的链条伸长检测装置，其特征在于，

所述推测部的训练用的数据集为，生成大量的数据集作为训练用数据集，该大量的数据集通过使用预先将产生了部分伸长的一圈链条的每个链节的伸长量数据、以及由所述测定部测定的从所述链条与一个链轮啮合的起点到终点为止的区间内的多个链节的所述合计伸长量的实测值组合而成的数据集且使这些数据集的链节位置挪动而形成的。

3.根据权利要求1所述的链条伸长检测装置，其特征在于，

所述推测部的训练用的数据集由对一圈链条的每个链节的伸长量进行模拟的模拟伸长数据、以及以该模拟伸长数据为依据通过理论计算算出的、与由所述测定部测定的多个链节的所述合计伸长量相当的模拟测定数据构成。

4.根据权利要求3所述的链条伸长检测装置，其特征在于，

所述模拟伸长数据以几乎不产生伸长的内链节的伸长量为0、各外链节分别具有随机的伸长量的方式设定了随机值。

5.根据权利要求3所述的链条伸长检测装置，其特征在于，

所述模拟伸长数据进行了如下特征的设定：几乎不产生伸长的内链节的伸长量为0，对于外链节，在一圈链条中，有1个链节或者位置分离的几个部位的链节随机地产生了伸长。

6.根据权利要求5所述的链条伸长检测装置，其特征在于，

关于所述模拟伸长数据，假定几乎不产生伸长的内链节的伸长量为0且外链节有连续的最大5个以下的外链节伸长，随机设定了各个链节的伸长量。

7.根据权利要求3所述的链条伸长检测装置，其特征在于，

所述模拟伸长数据为，几乎不产生伸长的内链节的伸长量为0，外链节的伸长量设定为均一的一定值。

8.根据权利要求3所述的链条伸长检测装置，其特征在于，

所述模拟测定数据以最大值成为1或1以下的特定数值的方式实施了标准化处理。

9.根据权利要求3所述的链条伸长检测装置，其特征在于，

作为所述训练用的数据集的、一圈链条的每个链节的伸长量数据，还包含实测到的伸长数据。

Images