JP7293289B2 - チェーン伸び検出装置 - Google Patents

Description

本発明の実施形態は、チェーンの部分伸びを検出可能なチェーン伸び検出装置に関する。

一般にエスカレータやオートロードなどの搬送装置では、乗客や物を乗せる踏み段や、乗客が把持する移動手摺を設けており、これらは駆動装置により回転駆動される無端状のチェーンと同期して循環移動する。チェーンは、周知のようにピン、ブッシュ、及びローラからなる軸部を所定ピッチで配列し、これら軸部間を内リンクと外リンクにより交互に連結して構成される。

このような構造のチェーンは、上述した軸部の摩耗などにより経時的に伸びが生じる。この伸びが大きくなるとスプロケットとうまく噛み合わず、スプロケットの歯を乗り越える歯飛びを起こすことがある。このような問題が生じないように、チェーンの伸びを計測し、これを監視することが提案されている（例えば、特許文献１参照）。

特許文献１に開示されたチェーンの伸びを測定する技術は、伸び量を測定対象のチェーンの走行方向に沿う互いに離間した２か所に、それぞれ光電センサーを設置し、その信号を測定用のマイコンに接続している。２つの光電センサー間の距離は、チェーンの公式ピッチのN倍に設定する。各光電センサーは、チェーンの各軸部が光軸を通過する際、光軸が遮られるよう設置する。チェーンが伸びていないとき、２つの光電センサーの光軸上を、ローラが同時に通過するため、同時にセンサー信号がオンする。しかし、チェーンが経年使用によって伸びてくると、その伸び量に比例してセンサー信号のオン時刻に時間差が生じる。この時間差はチェーンの伸び量に比例しており、２つの光電センサー間に位置しているN個の連続したリンクの合計の伸び量が測定される。なお測定時、チェーン速度は一定とする。

２つの光電センサー間には、チェーンの走行に伴い、常にN個（例えば１５個）のリンクが存在し、これらＮ個のリンクの合計の伸び量が連続的に測定される。チェーンは基本的にはほぼ均一に伸びるので、この測定技術で通常は問題なくチェーンの経年伸び量を監視でき、チェーンの交換が必要かどうかを判定できる。

しかし、実際には、発生頻度は少ないが、１リンクだけが大きく伸びる部分伸びが生じて、チェーンの交換が必要となるケースがある。この場合、前述の測定技術では、チェーンの走行により所定の範囲（２つの光電センサー間）に入ったN個のリンクの合計伸び量を測定するため、１リンクだけが大きく伸びた部分が測定データの中に埋もれてしまい、チェーン交換用の閾値に達しない伸び量として判定されてしまう。このため、部分伸びによりチェーンの交換が必要になっているという状況を正しく判別できず、見逃されてしまうという可能性が高い。その場合、最悪は、その部分のチェーンリンクが破断してしまう可能性がある。

特許第６５０５８９０号公報

これまでの測定技術では、チェーン１周中の１個のリンク、または所定数以下の少数のリンク、或いは離れて位置するリンクにランダムに部分伸びが生じた場合、これを検出することができなかった。
本発明は、チェーンの部分伸びを的確に検出することができるチェーンの伸び検出装置を提供することにある。

本発明の実施の形態に係るチェーンの伸び検出装置は、複数のリンクが無端状に連結され、一対のスプロケット間に架け渡されたチェ－ンの伸びを検出するもので、前記一対のスプロケットと噛み合い、長さ方向に走行するチェーンの、所定の区間内の複数のリンクの合計伸び量を連続的に測定する測定部と、前記チェーン１周分のリンクごとの伸び量データと、前記測定部で測定される前記合計伸び量に相当するデータとを組み合わせた多数のデータセットで訓練されたシステムに、前記測定部により測定された前記合計伸び量を入力することでリンクごとの伸び量を推測する推測部とを備え、記推測部の訓練用のデータセットは、予め部分伸びを生じさせたチェーン１周分のリンクごとの伸び量データと、前記測定部により測定される、前記チェーンの一方のスプロケットとの噛み合い起点から終点までの区間内の複数のリンクの前記合計伸び量の実測値とを組み合わせたデータセットを用い、これらデータセットのリンク位置をずらせて形成したデータセットを多数生成して訓練用データセットとしたことを特徴とする。

上記構成によれば、従来検出困難であったチェーンの部分伸びを的確に検出でき、部分伸びを生じたチェーンの交換を確実に実施することができる。

本発明の一実施形態に係るチェーンの伸び検出装置の構成図である。 一実施の形態における伸び検出対象となるチェーンの分解斜視図である。 一実施の形態におけるチェーン伸びの測定部のセンサー配置の一例を説明する図である。 （ａ）は前記チェーン伸びの測定部で測定されるチェーンのリンクごとの伸びを示す図、（ｂ）はチェーン１周分の各リンクの伸び量を表す波形図である。 （ａ）はセンサーの設置位置で決まる所定の区間内の複数のリンクの伸び測定状態を表す図、（ｂ）は（ａ）で示す測定状態にて図３（ｂ）で示した部分伸びを有するチェーンの伸びを測定した場合の複数リンクの合計伸び量の変化を表す波形図である。 一実施の形態におけるチェーン伸びの推測部の一例である構成する深層学習モデルを表す図である。 図５で示した深層学習モデルの訓練用データセットの一例を示しており、（ａ）は出力側のターゲットデータ、（ｂ）は入力側のデータを示している。 図５で示した深層学習モデルの多数の訓練用データセット全体の一例を示しており、（ａ）は出力側のターゲットデータ、（ｂ）は入力側のデータを示している。 図５で示した深層学習モデルの多数の訓練用データセットの他の例を示しており、（ａ）は出力側のターゲットデータ、（ｂ）は入力側のデータを示している。 図５で示した深層学習モデルの多数の訓練用データセットのさらに他の例を示しており、（ａ）は出力側のターゲットデータ、（ｂ）は入力側のデータを示している。 一実施形態に係るチェーンの伸び検出装置における推測部を複数設けた実施例を示す構成図である。 一実施形態に係るチェーンの伸び検出装置における推測部をエスカレータマイコン側に設けた実施例を示す構成図である。 本発明の他の実施形態に係るチェーンの伸び検出装置におけるチェーン伸びの測定部を説明する図である。 （ａ）はチェーン１周中、１リンクだけ大きく伸びた状態を示す図、（ｂ）は（ａ）のチェーンを図１２の伸びの測定部で測定した、所定の測定区間における複数リンクの合計伸び量の測定結果を表す波形図である。 図１３で示した部分伸びチェーンの実測結果をずらして深層学習モデルの訓練用データセット１とした場合の、（ａ）は出力側のターゲットデータである部分伸び波形を示し、（ｂ）は入力側の実測波形を示す図である。 図１３で示した部分伸びチェーンの実測結果をずらして深層学習モデルの訓練用データセット２とした場合の、（ａ）は出力側のターゲットデータである部分伸び波形を示し、（ｂ）は入力側の実測波形を示す図である。 図１３で示した部分伸びチェーンの実測結果をずらして深層学習モデルの訓練用データセット３とした場合の、（ａ）は出力側のターゲットデータである部分伸び波形を示し、（ｂ）は入力側の実測波形を示す図である。 図１３で示した部分伸びチェーンの実測結果をずらして深層学習モデルの訓練用データセット４とした場合の、（ａ）は出力側のターゲットデータである部分伸び波形を示し、（ｂ）は入力側の実測波形を示す図である。

以下、本発明の実施の形態を、図面を用いて詳細に説明する。

図１に、本発明の一実施の形態に係るチェーンの伸び検出装置を示す。図１はエスカレータの駆動チェーン部分を示している。ここで、エスカレータには駆動チェーン、手すり駆動チェーン、踏段チェーンなどがあるが、この実施の形態では伸び検出対象のチェーン１０として駆動チェーンを例示している。

このチェーン１０は無端状に形成され、一対のスプロケット（駆動用のスプロケット１２と、従動用のスプロケット１３）間に掛け渡されている。駆動用のスプロケット１２は、エスカレータ駆動用モータの減速機１１に設けられている。従動用のスプロケット１３は、図示しない無端状の踏み段や手摺ベルトを駆動するために用いられる。そして、一対のスプロケット１２，１３との噛み合いにより駆動され、長さ方向に沿って周回走行する。

チェーン１０は、図２Ａで示すように、軸部１０１を所定ピッチで配列し、隣り合うこれら軸部１０１の両端部間をリンク１０２で連結している。なお、軸部１０１はピン１０１Ｃ、ブッシュ１０１ｂ、及びローラ１０１ａからなる。また、リンク１０２は、外リンク１０２ａと内リンク１０２ｂとがあり、これら外リンク１０２ａ及び内リンク１０２ｂは、交互に軸部１０１間を連結している。

図１に戻って、この実施の形態によるチェーンの伸び検出装置は、チェーン伸びの測定部１５と、この測定部１５により測定した測定データを監視センター２１に送信する送信装置２０と、監視センター２１に設けられ、送信されてきた測定データからチェーン１０の１リンクごとの伸び量を推測する推測部２２とを有する。

チェーン伸びの測定部１５は、従来技術で説明したものと基本的に同じものであり、２つのセンサー（以下、光電センサーとして説明する）１５１，１５２と、エスカレータマイコン１９に構成された伸び量算出部１５３とを有する。このチェーン伸びの測定部１５は、図２Ｂで示すように、２つの光電センサー１５１，１５２の設置位置で規定される所定の区間内を走行するチェーン１０の、複数のリンク１０２の合計伸び量を連続的に測定する。なお、図２Ｂではリンク１０２は外リンクのみを示しており、内リンクの図示は省略している。

２つの光電センサー１５１，１５２は、チェーン１０の移動方向に沿って、チェーン１０のピッチの整数倍の長さ間隔で配置する。例えば、図１及び図２Ｂで示すように、チェーン１０上に配置されたチェーン切断検出部品１８を避けた左右の位置に、第１、第２の光電センサー１５１，１５２を配置する。両光電センサー１５１,１５２の設置間隔、すなわち、各光軸間の距離は、チェーン１０のリンク分のピッチ間隔、例えば１５×ピッチとする。

光電センサー１５１，１５２は図２Ｂで示すように、投光部と受光部とで構成され、この間の光軸をチェーン１０の軸部１０１が通過する毎に信号を伸び量の算出部１５３へ出力する。伸び量の算出部１５３は、２つの光電センサー１５１，１５２から入力される両検出信号の時間ずれの大きさに基づいて、チェーン１０の伸び量を算出する。

推測部２２は、前述のように、測定部１５から送信されてきた測定データからチェーン１０の１リンクごとの伸び量を推測する。推測部２２は、多数のデータセット用いて訓練された推測用のシステム、例えば深層学習モデルを有し、このシステムによりチェーン１０の１リンクごとの伸び量を推測する。訓練用のデータセットは、チェーン１０の１周分のリンクごとの伸び量データと、測定部１５で測定される合計伸び量に相当するデータとを組み合わせたもので、このデータセットを多数（例えば１０００または２０００個）用意して訓練する。すなわち、前述の合計伸び量に相当するデータを入力とし、１リンクごとの伸び量データをターゲットとして訓練を行う。このように訓練されたシステムに、測定部１５により測定された合計伸び量を入力することで１リンクごとの伸び量を推測する。

図３（ａ）は、チェーンの１リンクの伸び量測定部分を示し、同図（ｂ）は、このリンクが複数連結されたチェーン１０の、チェーン１周分の各リンクの伸び量を１リンクごとに表している。チェーン１０のリンク１０２は、前述したように外リンク１０２ａと内リンク１０２ｂとがあり、これらは、交互に軸部１０１間を連結している。周知のように、内リンク１０２ｂ間の伸びはほぼゼロであり、外リンク１０２ａ間に伸びが生じる。このため、図３（ｂ）で示すように、伸びが生じていないものと、伸びが生じたものが交互に繰り返される鋸歯状の伸び量として表される。

チェーン１０の各リンク１０２は、図３（ｂ）で示すように、おおむね均等な伸び量を有しているが、稀に図示のように１リンクだけが大きく伸びるケースがある。この１リンクだけ伸びた部分が図示のように要交換値を超えていれば、チェーン交換が必要となる。図４は、図３のチェーン１０の伸び量を、図１で示した測定部１５で測定した測定値である。光電センサー１５１，１５２は、チェーン１０の移動方向に沿って、チェーン１０のピッチの整数倍（この実施例では前述のように１５倍とする）の長さ間隔で設置されており、チェーン１０の走行により、図４（ａ）で示すように、光電センサー１５１，１５２の設置位置で規定される区間に入った連続した１５リンク分の合計の伸び量が逐次測定される。このため、図４（ｂ）で示すように、図３で示した１リンクごとの細かい伸び量の変動は平滑化されて測定され、比較的平坦な測定値が得られる。また１リンクだけ大きく伸びた部分についても測定値が平滑化される関係上、全体の測定値の中に埋もれ気味となり、チェーンの要交換ラインよりも小さい伸び量と判断される。

図１の監視センター２１に設けられた推測部２２は、エスカレータ側に設けられた測定部１５から送られてくる、図４（ｂ）で示す平滑化された１５リンク分の合計伸び量である測定データから、１リンクごとの伸び量を推測する。この推測部２２の推測用のシステムとしては、図５で示す、訓練済みの深層学習モデルを用いる。この深層学習モデルは、３層ニューラルネットとして構成され、入力側はチェーン１０の１周分のリンク数に相当するノード（例えば、１１２ノード）を有する。入力データは、測定部１５により測定されたチェーン伸び測定データ、すなわち、連続１５リンクの合計伸び量を、チェーン１０の走行に伴い、チェーン１周分について１リンクずつ測定範囲をずらして測定された測定データである。

訓練済みの深層学習モデルに入力された測定データは１層目（３３６ノード）、２層目（２２４のード、３層目（１１２ノード）を経て出力される。すなわち、出力側は、入力側と同じチェーン１０の１周分のリンク数に相当する１１２ノードから、１リンクごとの伸び量に変換したチェーン１周分の推定値が出力される。この深層学習モデルとなるニューラルネットは、予め訓練用データセットによって上述の推測機能を持つように訓練されている。

訓練用データセットの一例を図６（ａ）（ｂ）で説明する。図６（ａ）は、チェーン１周分の各リンクの伸び量を定めた模擬伸びデータであり、これが出力としての訓練データ（ターゲットデータ：求めたいデータ）となる。この模擬伸びデータは、実際のチェーンの伸び方を模擬したもので、伸びが生じていないものと、伸びが生じたものが交互に繰り返す鋸歯状の伸び量とする。伸びているリンクについては、その伸び量をランダム値として設定した。すなわち、模擬伸びデータは、伸びが一般的に生じない内リンクは伸び量０とし、外リンク側は、それぞれがランダムな伸び量を有するものとして、ランダム値を設定した。

図６（ｂ）は、同図（ａ）で示したチェーンの模擬伸び量を、図１の測定部１５が、１５リンクずつ測定した場合、どのように測定されるかを計算によって求めた模擬測定データであり、訓練データの入力側のデータとなる。このような入力側の模擬測定データと、同図（ａ）で示した出力側の模擬伸びデータを組み合わせたデータセットを多数、例えば１０００個用意する。

この訓練用のデータセットの例を図７（ａ）（ｂ）で示す。これら１番目からＭ番目（この場合１０００番目）の多数のデータセットを使い、深層学習モデルを訓練する。誤差が十分に小さくなるように訓練が実施できた場合には、前述のように測定部１５が測定する１５リンクごとの測定データを与えると１リンクごとの伸び量が精度良く出力される。

上記構成において、図１で説明したチェーン伸び検出装置により、例えば、日に１回、チェーン１０の伸び量を測定する。すなわち、一対のスプロケット１２，１３を回転駆動し、チェーン１０を長さ方向に周回走行させる。この走行により、光電センサー１５１，１５２の設置位置で規定される区間内に入った１５リンクの合計伸び量を、エスカレータマイコン１９に構成された伸び量の算出部１５３により算出する。このチェーン１０の連続１５リンクごとの合計伸び量を１周分測定する。その測定データは、エスカレータマイコン１９内のメモリに一時的に保存される。

この測定データは、ある所定の時刻に測定データ送信装置２０によって監視センター２１に送信される。監視センター２１では、この測定データが、推測部２２となる訓練済みの深層学習モデルに入力される。図５で示す訓練済みの深層学習モデルは、入力された１５リンクごとの測定データを、１リンクごとの伸び量の測定データ（推定値）に変換する。この変換後のデータが、チェーンの要交換の判定に用いられる。

このように、チェーン１０の１リンクごとの伸び量の測定データ（推定値）が得られるので、１リンクだけ伸びた場合でもこれを的確に検出することができる。すなわち、従来の技術では、チェーンの伸び量データは、図４（ｂ）の形で得られる波形からチェーンの交換が必要かどうかを判断している。このため、実際のチェーンの伸び量が図３のようなに１リンクだけ大きく伸びた状態の場合は、チェーン交換は不要と判断されることがある。

これに対し、本実施形態では、推測部２２により、図４の測定データを図３の１リンクごとの測定値に変換したデータが得られ、このデータで判断するため、１リンクだけ大きく伸びた部分も正しく検出でき、判断を間違えることがない。従って、１リンクだけが部分的に伸びた状況を正しく検出でき、自動的に点検員への現地調査や、チェーン交換の指示を出せるようになり、より安全性を提供できることとなる。

推測部２２の訓練用データセットの他の例としては、図８（ａ）（ｂ）や図９（ａ）（ｂ）で示すものがある。

図８はチェーン１０の一部が伸びる、部分伸びを主に想定した訓練データで、１０００個の訓練用データセットを用意した場合を示している。同図（ａ）は、チェーン１０のリンクごとの伸びを示す模擬伸びデータであり、出力側データ（ターゲット）である。同図（ｂ）は、測定部１５が測定した１５リンクごとの測定データを模擬した模擬測定データであり、同図（ａ）の伸び量に基づき算出され、図５の深層学習モデルの入力側の訓練データとなる。

図８（ａ）の模擬伸びデータにおいて、上から２番目は、伸びない内リンクの伸び量は０とし、外リンク側は、チェーン１周の中で１個だけランダムに伸びたものとした。また、図８（ａ）の上から１番目、３番目、及び１０００番目は、伸びない内リンクは伸び量０とし、外リンク側はチェーン１周の中で１か所だけ、最大５個程度以下の連続した数の外リンクが部分的に伸びている状態を想定し、それぞれのリンクの伸び量はランダムとして設定した。

上述した図８の訓練用のデータセットは、チェーン１周の中の１か所に部分伸びが集中して生じている場合を想定したものである。チェーン１周の中で、部分的に伸びた部分の伸び量はランダム値とし、伸びが生じているリンク番号もランダムとする。また、１か所に生じている部分伸びリンクの数も、５リンク以下という小さい範囲としてランダムな数とする。このようなデータセットで訓練した深層学習モデルによれば、チェーンに各種形態で生じる部分伸びを的確に検出できる。

なお、図８では、１個または少数（５個以下）リンクの部分伸びがチェーンの一周の中の１カ所に生じた場合を想定しているが、チェーンの一周の中の互いに離れた複数個所に上述の部分伸びが生じた場合を想定して、図８（ａ）の模擬伸びデータを形成し、これを基に理論計算により同図（ｂ）の模擬測定データを算出してもよい。

この図８の訓練データにより訓練した深層学習モデルを用いた場合、深層学習モデルの訓練が容易になり、それに伴う訓練精度の向上がある。すなわち、図６、図７の訓練データで訓練する場合は、チェーン１周分の全てのリンクが、ランダムに伸びているという訓練データのため、深層学習モデルが推定しなければいけない情報量が非常に大きくなる。このため、推定精度が高いモデルを得るのは、相当の困難を有し、必ずしも精度良いモデルが得られることが保証されない。

これに対し、図８で示す訓練データにより訓練した深層学習モデルを用いた場合、チェーン１周の中で、推定すべき部分はたかだか５リンク程度となり、深層学習モデルが推定する情報が大幅に少なくなる。このため、深層学習モデルの訓練が容易となり、得られるモデルの推定精度も高くなることが期待でき、より高い精度で１リンクごとの伸び量を推定できる。ただし、全体的に伸びたようなチェーンのデータについては、訓練モデルの構成と異なるため、逆に推定精度が落ちる可能性はある。

図９で示す訓練データは、同図（ａ）模擬伸びデータは、全ての外リンクの伸び量は全て均一の一定値として伸びた場合を想定した。すなわち、この場合は、部分伸びではなく、チェーン全体が均一に伸びた状態を想定している。伸びた側と伸びていない側が交互に現れるが、それぞれの伸び量はチェーン１周において全て等しいものとした。これは、実際のチェーンにおいて、一般的に最も多い伸び方に類似している。

図９の訓練用データでは、全てのリンクの伸び量値を一定とした。このため、図６、図７の全てのリンクの伸び量をランダムとした場合に比べて訓練はしやすくなり、訓練後の推定精度も高くなる。また図９は、一般的には最も頻繁に発生する一般的なチェーンの伸び方を想定したものであるため、測定データに混入するセンサーノイズなどの影響についても、この図９の訓練用データで訓練済みの深層学習モデルに測定データ与えて出力した結果は、センサーノイズが除去されたものとなる。したがって、深層学習モデルを通さない従来技術よりも、より精度良くチェーンの平均的な伸び量を検出できるという効果が期待できる。

前述した各訓練用データは、入力側となる模擬測定データが、全データが０の場合を除き、最大値が１または１以下の特定の数値となるように正規化処理を実施したものとする。
また、訓練データの出力側は、模擬的に生成した模擬伸びデータだけでなく、実際に、測定システムで測定された実際のチェーン伸びデータも含むものとしてもよい。

図１０のチェーン伸び検出装置は、監視センター２１に推測部２２である訓練済み深層学習モデルを複数（２２Ａ，２２Ｂ）設けて、それらの出力値を受けて、総合的にチェーンの状態を判断する総合判定部２３を設けた。この場合、複数の深層学習モデル２２Ａ，２２Ｂは、それぞれの特性が異なるものとする。例えば、深層学習モデル２２Ａは図８の訓練データで訓練し、深層学習モデル２２Ｂは図９の訓練データで訓練したものとする。このように構成すると、深層学習モデル２２Ａでは主に部分的に大きく伸びた部分を抽出し、深層学習モデル２２Ｂでは、平均的な伸び量を抽出する。総合判定部２３は、これら両者の抽出結果を見てチェーン交換が必要か判断する。

この図１０のチェーン伸び検出装置では、平均的な伸び量が大きくなったケースと、部分的に大きく伸びたケースの両方を確実に捉えられる。このため、チェーンの伸び状態や異常を見逃すことなく、より乗客の安全性を確保でき、かつ、より精度よく保守を行うことができる。

図１１のチェーン伸び検出装置は、推測部２２である訓練済みの深層学習モデルを、監視センター２１側ではなく、エスカレータマイコン１９内に構成した。このように構成すると、エスカレータマイコン１９内部で１リンクごとの伸び量が推定される。このため、個々のエスカレータ側で、１リンクごとの伸び量の推測データが抽出され、監視センター２１側に出力されてくる。監視センター２１側は、各エスカレータから送られてくるデータについて、いちいちデータ処理をすることないため、チェーンの異常の有無や交換の有無の判断だけを行えばよく、監視センター２１側の処理が軽減されるという効果がある。

上述したいずれの実施例において、チェーンの伸び検出用の２個のセンサー１５１，１５２は、光電センサーとしたが、必ずしも光電センサーに限定されるわけではなく、同様の測定原理であれば、センサーの種類は問わない。例えば、レーザ変位センサーや、近接センサーなどで、連続したチェーン区間の合計の伸び量を測定するシステムのすべてに適用される。

前述した実施形態では図１、及び図１０、図１１で示したチェーンの伸び測定部１５は、いずれもチェーンの走行方向に沿って第１のセンサー１５１と第２のセンサー１５２を複数リンク（１５リンクと例示）分の間隔を保って配置し、チェーン１０の移動に伴って、センサー１５１，１５２間に入る１５リンクの合計伸び量を検出していたが、このような構成以外のチェーンの伸び測定部を用いてもよい。以下の実施の形態では、図１２で示す構成のチェーン伸びの測定部２５を用いる。

測定対象となるチェーン１０は一対のスプロケット１２，１３間に架け渡されている。チェーン伸びの測定部２５を構成する第１のセンサー２５１及び第２のセンサー２５２を、対応するスプロケット１２，１３近くに配置し、スプロケット１２，１３の歯の通過タイミングを検出して検出信号を出力する。これら検出信号の発生タイミングによりチェーン１０の伸びを測定する。この測定原理は、本願出願人により、特願２０２０－１３１９９３として出願済のものである。なお、図１２は測定原理を説明するものであり、スプロケット１２，１３は同じ直径に描いているが、これは説明を見易くするためであり、図１などで示したように、互いに異なる直径であっても同じである。

チェーン１０は、スプロケット１２，１３が回転することにより駆動され、その長さ方向に周回移動する。このとき、第１のセンサー２５１は、スプロケット１２の歯の通過タイミングを検出して第１検出信号を出力する。第２のセンサー２５２は、スプロケット１３の歯の通過タイミングを検出して第２検出信号を出力する。これら第１、第２の検出信号は、チェーン伸びを算出する算出部２５３に入力、これら第１、第２の検出信号の位相差によりチェーン１０の伸びを測定する。

この算出部２５３は、図１などで示した伸び量の算出部１５３に対応するもので、算出結果は図１で示した送信装置２０により監視センター２１に送られる。なお、第１のセンサー２５１及び第２のセンサー２５２としては、透過型光電センサー、反射型光電センサー、近接センサー等を用いることが可能である。

このチェーン伸び測定部２５の作用を説明する。図１３（ａ）で示すように、チェーン１０の１周の中、１リンクだけが大きく伸びたものとする。チェーン１０の移動に伴い、この大きく伸びた１リンクが図１２で示すスプロケット１３との噛み合い起点Ａから、噛み合いの終点Ｂに達するまで間、測定部２５の測定値、すなわち、第１のセンサー２５１及び第２のセンサー２５２が検出し、算出部２５３で算出される伸び量は、図１３（ｂ）のように変化する。この伸び量は、上述の起点Ａから終点Ｂまでの所定区間のリンク数の合計伸び量となる。

この測定された伸び量を図１で示した推測部２２に入力し、図５で示した深層学習モデルによって、リンクごとの伸び量を推測する。この場合、推測部２２を構成する深層学習モデルの訓練は、図１４乃至図１７で示す訓練データセットを用いて行う。これらは図１４乃至図１７で示す訓練データセットは、図１３で示した実測データを用いて、そのリンク位置をずらせたものであり、これらを多数用意し、これらを訓練データとして用いる。

これは、図１３（ａ）で示す１リンクのみの伸びに対して測定部２５で測定された測定結果が、図１３（ｂ）で示すように、非線形となるため、図６乃至図９で示した前述の実施形態のデータセットのように、（ａ）のリンクごとの伸び量（出力側）を基に複数リンク合計伸び量（入力側）を理論計算で作成することが難しいためである。

このように、理論的に測定波形を計算できないので、１周の中で、１リンクだけ伸びたチェーンを装着して、実際に図１２のチェーン伸び測定部２５で伸び量を測定し、図１３で示す測定波形をリファレンスとする。この１回の試験の測定データを流用して、図１４乃至図１７で示すように１リンク伸びの位置がずれた測定波形を形成する。このような測定波形は、データ処理で簡単に得られるので、実測データ１個を用いて、多数の訓練データセットを用意し、深層学習モデルを訓練する。

このようにして訓練された推測部２２に測定部２５で測定された複数の伸びの合計値を入力することにより、前述の実施形態と同じようにチェーン１０の部分伸びを的確に検出することができる。

本発明のいくつかの実施形態を説明したが、これらの実施形態は例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他のさまざまな形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これらの実施形態やその変形は、発明の範囲や要旨に含まれると共に、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１０…チェーン
１０１…軸部
１０２…リンク
１１…減速機
１２、１３…一対のスプロケット
１５，２５…伸びの測定部
１５１，１５２，２５１，２５２…センサー
１５３，２５３…伸び量の算出部
１８…チェーン切断検出装置
１９…エスカレータマイコン
２０…測定データの送信装置
２１…監視センター
２２…推測部
２３…総合判定部

Claims (1)

1. 複数のリンクが無端状に連結され、一対のスプロケット間に架け渡されたチェ－ンの伸びを検出するチェーンの伸び検出装置であって、
   前記一対のスプロケットと噛み合い、長さ方向に走行するチェーンの、所定の区間内を走行する複数のリンクの合計伸び量を連続的に測定する測定部と、
   前記チェーン１周分のリンクごとの伸び量データと、前記測定部で測定される前記合計伸び量に相当するデータとを組み合わせた多数のデータセットで訓練されたシステムに、前記測定部により測定された前記合計伸び量を入力することでリンクごとの伸び量を推測する推測部とを備え、
   前記推測部の訓練用のデータセットは、予め部分伸びを生じさせたチェーン１周分のリンクごとの伸び量データと、前記測定部により測定される、前記チェーンの一方のスプロケットとの噛み合い起点から終点までの区間内の複数のリンクの前記合計伸び量の実測値とを組み合わせたデータセットを用い、これらデータセットのリンク位置をずらせて形成したデータセットを多数生成して訓練用データセットとしたことを特徴とするチェーンの伸び検出装置。

Images