高昕　馮幸毅　王梯斌

摘要：為提高對門座式起重機電氣故障檢測的精度，引入采樣數(shù)據(jù)思想，開展對其檢測方法的設計研究。明確起重機電氣故障檢測數(shù)據(jù)采樣方式，通過采樣數(shù)據(jù)現(xiàn)行變換、一階滯后濾波，實現(xiàn)對其預處理；對門座式起重機電氣故障類型劃分，構建故障樹；對各類故障的先驗概率和條件概率計算，實現(xiàn)故障檢測以及故障發(fā)生概率求解。將新的檢測方法與其他兩種現(xiàn)有檢測方法的檢測結果對比，可知新的檢測方法具備更高的檢測精度，不僅可以實現(xiàn)對故障的檢測，還能夠實現(xiàn)對故障類型的有效識別。

關鍵詞：采樣數(shù)據(jù)；起重機；檢測；電氣；門座式

0? ?引言

起重機作為一種現(xiàn)代化的工業(yè)生產設備，具有十分復雜的機械構件以及電氣設備。隨著起重機的使用范圍的擴大，用戶對其性能的要求也越來越高。近幾年來，起重機逐漸朝著大型化、自動化、專業(yè)化、智能化的方向發(fā)展[1]。

起重機在使用中經常會出現(xiàn)各種問題，如果沒有得到有效地處理，將會在一定程度上影響設備的使用性能和使用壽命，甚至會造成重大的安全事故。據(jù)不完全統(tǒng)計，在近5年的時間中，由于使用特種設備而造成的事故中，起重機的事故發(fā)生數(shù)量占比較大[2]。其中，在重度起重機類型中，門座式起重機使用量所占的比重較高。

在保證運行安全和防護上，通常都是采取安裝起重限制式傳感器等簡單的安全保護設備，而對起重機進行系統(tǒng)的實時監(jiān)控和故障分析十分缺乏。在日常的檢修和使用中，操作人員無法實時、直觀地觀察設備的工作狀況，無法確保在操作中及時發(fā)現(xiàn)異常狀況，存在著安全隱患[3]。

從以上的分析可以看出，對起重設備，特別是門座式起重機的生產運行狀況進行實時在線檢測，診斷出設備的運行狀況，及時有效地向有關部門提供設備運行監(jiān)控和故障診斷的信息，有利于保障設備運行安全，優(yōu)化設備維修策略制定，避免重大事故發(fā)生。為提高對門座式起重機電氣故障檢測的精度，本文引入采樣數(shù)據(jù)思想，開展對其檢測方法的設計研究。

1? ?基于采樣數(shù)據(jù)的電氣故障檢測數(shù)據(jù)預處理

1.1? ?采樣方式

針對門座式起重機電氣設備的故障檢測，為確保檢測結果符合實際，必須對其檢測數(shù)據(jù)進行有效采樣。采樣數(shù)據(jù)包括橫梁、支腿應力應變，齒輪箱振動、大小電機電流以及電氣設備中各個結構的基礎數(shù)據(jù)信息[4]。

針對各類型檢測數(shù)據(jù)，分別采用具有不同功能的傳感器設備進行測定。起重機電氣故障檢測數(shù)據(jù)采樣方式對應表如表1所示。

針對門座式起重機電氣設備上各個應力測點的布置，應當在支腿上設置4個，在跨中設置4個，在1/4跨位置上設置4個，共設置12個測點。

1.2? ?采樣數(shù)據(jù)預處理

由于得到的采樣數(shù)據(jù)當中包含眾多冗余數(shù)據(jù)以及容易造成噪聲產生的數(shù)據(jù)，因此為了提高本文檢測方法的檢測精度，針對各個測點上通過傳感器獲取到的采樣數(shù)據(jù)，還需要進行預處理[5]。

獲取到的采樣數(shù)據(jù)單位和數(shù)值不同，對這些數(shù)據(jù)進行A/D轉換后能夠得到一系列數(shù)字量，且數(shù)字量變化范圍都是由A/D轉換器的位數(shù)決定。當采樣數(shù)據(jù)與對應傳感器的輸出之間具有線性關系時，則可以按照線性變換公式對其進行預處理：

慣性濾波是一種適合于測量波動頻率的濾波器，它可以有效地克服周期性的干擾，但是也會產生相位延遲。相位延遲取決于α的取值，因此需要根據(jù)具體情況以及后續(xù)檢測的需要合理設置α數(shù)值。

根據(jù)上述操作，完成對門座式起重機電氣設備故障檢測數(shù)據(jù)的預處理，為后續(xù)故障檢測以及故障發(fā)生概率的求解提供可靠依據(jù)。同時歷史數(shù)據(jù)也能夠為檢測提供依據(jù)。對于歷史數(shù)據(jù)的追溯，主要是為了實現(xiàn)對門座式起重機電氣設備歷史階段性數(shù)據(jù)的查詢[6]。

通過設定對應的查詢時間或者選定一定的時間段，可以獲得相應的采樣數(shù)據(jù)，并將其顯示為波形圖和折線圖。因為移動設備的體積比較小，所以可以用圖像縮放來更全面地顯示本地采樣數(shù)據(jù)。

2? ?門座式起重機電氣設備故障樹建立

根據(jù)門座式起重機電氣設備中各機構控制要素以及電氣元件的構成條件，明確電氣故障類型可分為4大類，每一類中又包含多個不同的故障表現(xiàn)形式。因此，為更直觀明確門座式起重機電氣設備的故障類型，以其電氣故障中較為常見的“門機起升機構電氣故障”為例，構建如圖1所示的門座式起重機電氣設備故障樹。

根據(jù)上述構建的門座式起重機電氣設備故障樹，針對所有節(jié)點均設置2種狀態(tài)，分別為故障狀態(tài)和正常狀態(tài)，對應的取值為1和0。針對其他類型的故障問題，同樣按照上述故障樹的構建邏輯完成構建。

3? ?故障檢測與故障發(fā)生概率求解

在獲取所需的檢測采樣數(shù)據(jù)并完成預處理后，按照上述構建的門座式起重機電氣設備故障樹，對門座式起重機電氣故障進行檢測。確定采樣數(shù)據(jù)以及相關權重，結合三角模糊算法，對故障樹上各個節(jié)點的故障進行先驗概率計算[7]。假設某一故障樹根節(jié)點為，針對這一故障類型進行下述運算：

根據(jù)上述公式，可以計算得出不同故障發(fā)生的條件概率，將其作為檢測結果輸出，實現(xiàn)對門座式起重機電氣故障的檢測。

在門座式起重機運行過程中，針對各個電氣設備的運行特點，可以對其條件概率閾值進行設置。一旦檢測到條件概率數(shù)值超過閾值范圍，則說明此時出現(xiàn)了電氣故障問題，需要對其進行進一步的檢查、維修與處理。

4? ?對比實驗

以MG通用雙梁門座式起重機為例，針對該設備對其電氣故障進行檢測。在相同的檢測環(huán)境中，分別利用本文上述提出的基于采樣數(shù)據(jù)的檢測方法（A方法）、基于LSTM算法的檢測方法（B方法）和基于模糊貝葉斯的檢測方法（C方法）對其進行檢測。

4.1? ?基本參數(shù)

已知所選門座式起重機質量為1000kg，跨度為5～32.6m，載荷為16t，懸臂長度為1～12m，提升量為1～12m。采用遙控式操作形式和電動式操作方式。提升速度為8m/min，大車運行速度為25m/min，額定起重力矩為3200kN·m，吊鉤的升降速度為2.3m/min。

4.2? ?故障類型劃分

在明確該門座式起重機的基本性能參數(shù)后，對其可能出現(xiàn)的電氣故障類型進行劃分，并分別標號如表2所示。

4.3? ?檢測結果對比

針對上述9種故障類型，分別利用3種檢測方法對每種故障情況的發(fā)生概率進行測定，并控制該門座式起重機進行100次的運行，記錄每種故障發(fā)生的次數(shù)，將其與各個檢測結果對比，得到如表3所示的實驗結果。表3中，x表示起重機在100次運行中出現(xiàn)對應故障類型的次數(shù)。

根據(jù)3種檢測方法檢測結果對比得出：A方法的檢測結果與x數(shù)值一致，說明A檢測方法能夠實現(xiàn)對所有故障的全部檢測，且通過進一步測定得到的故障類型發(fā)生概率更加精準。B方法在對該門座式起重機進行檢測時，未實現(xiàn)對故障類型GZ-01、GZ-03和GZ-07的檢測。C方法在對該門座式起重機進行檢測時，未實現(xiàn)對故障類型GZ-07的檢測，同時B方法和C方法無法實現(xiàn)對門座式起重機各個故障類型發(fā)生概率的高精度檢測。

通過上述得出的實驗結果能夠證明，本文設計的基于采樣數(shù)據(jù)的檢測方法，可以實現(xiàn)對門座式起重機電氣故障的高精度檢測，可為該設備安全、穩(wěn)定運行提供保障條件。同時通過該檢測方法得出的結果，能夠為門座式起重機的電氣設備運維方案制定提供決策條件。

5? ?結束語

為提高對門座式起重機電氣故障檢測的精度，引入采樣數(shù)據(jù)思想，開展對其檢測方法的設計研究。針對門座式起重機電氣設備的運行，在引入采樣數(shù)據(jù)思想的基礎上，設計了一種新的檢測方法。將新的檢測方法與其他兩種現(xiàn)有檢測方法的檢測結果對比，可知新的檢測方法具備更高的檢測精度，不僅可以實現(xiàn)對故障的檢測，還能夠實現(xiàn)對故障類型的有效識別。在下一步研究當中，還將繼續(xù)獲取各類門座式起重機電氣設備的故障數(shù)據(jù)，并實現(xiàn)對檢測方法中數(shù)據(jù)集的擴充，提升檢測和識別的準度與精度。同時，將本文上述對門座式起重機電氣設備故障檢測方法設計的思路應用到其他類型起重機中，可以為其檢測方法的設計創(chuàng)新提供參考。

參考文獻

[1] 容梓豪.岸邊集裝箱起重機吊具電纜卷盤減速箱漏油故障原因分析及解決方案[J].集裝箱化，2022，33（10）：23-24.

[2] 李勝永，吳麗華，戴雨.基于ADR-SDP-DCNN算法的非穩(wěn)定工況下港口起重機軸承故障診斷[J].上海海事大學學報，2022，43（3）：102-110.

[3] 龐濤，黃浩奇，邱雪芳，等.基于MFCC和SVM的起重減速器故障診斷系統(tǒng)研究[J].自動化與儀器儀表，2022（6）：70-74.

[4] 曾耀傳，林云樹，吳曉梅. 基于EEMD與GWO-MCKD的門座起重機回轉支承故障診斷[J].機床與液壓，2022，50（7）：170-175.

[5] 張氫，李帥杭，陳星，等.基于無監(jiān)督學習的岸邊集裝箱起重機關鍵部件故障診斷方法[J].起重運輸機械，2022（2）：61-65.

[6] 李勇，錢尼君，陳星斌，等.基于EEMD-Treelet和高斯過程的起重機齒輪故障診斷[J].計算機測量與控制，2021，29（7）：36-40+51.

[7] 楊武幫，高丙朋，陳飛，等.基于變分模態(tài)分解和PSO-SVM的起重機齒輪箱故障診斷[J].機械傳動，2021，45（4）：105-111.