莊愛軍

(深圳市蘇中九鼎機(jī)械設(shè)備有限公司，廣東 深圳 518100)

0 引言

建筑起重機(jī)械包括塔吊、施工升降機(jī)、物料提升機(jī)等，具有體積大、操作難度大和故障檢測困難等特征。故障檢測作為保障建筑起重機(jī)械正常運(yùn)作的關(guān)鍵手段，可依據(jù)建筑起重機(jī)械特征實行故障檢測，因此建筑起重機(jī)械故障檢測成為當(dāng)前研究的熱點[1-3]。

針對建筑起重機(jī)械故障檢測問題，國內(nèi)外學(xué)者進(jìn)行了深入研究，提出許多有效的建筑起重機(jī)械故障檢測方法[4]。如：姜洪開等[5]提出了基于深度學(xué)習(xí)的故障診斷方法的建筑起重機(jī)械故障檢測方法，該方法通過自主挖掘在初始數(shù)據(jù)內(nèi)的潛藏診斷信息，創(chuàng)建了初始數(shù)據(jù)和運(yùn)行狀況之間的映射關(guān)系，實現(xiàn)機(jī)械的故障診斷，但此方法的精度受初始數(shù)據(jù)的影響，診斷精度不穩(wěn)定；姚楊等[6]提出了基于復(fù)合特征的機(jī)械故障診斷方法，其在復(fù)合數(shù)據(jù)序列特征與時頻特征的基礎(chǔ)上，對隱藏于信號內(nèi)的特征實行提取，以所提取特征劃分振動信號區(qū)間，結(jié)合最小二乘技術(shù)辨識信號參數(shù)，但該方法在提取信號內(nèi)特征時未實行降噪處理，導(dǎo)致提取特征不準(zhǔn)確，以至出現(xiàn)診斷結(jié)果誤差高的問題?；芈暊顟B(tài)網(wǎng)絡(luò)[7-8]ESN(Echo State Network)屬于一類新型的遞歸神經(jīng)網(wǎng)絡(luò)，對于辨識非線性系統(tǒng)方面而言，較以往的遞歸神經(jīng)網(wǎng)絡(luò)有很大提升，具有訓(xùn)練效率高、實時性強(qiáng)、辨識精度高以及實際應(yīng)用性強(qiáng)等特點。

為了提高建筑起重機(jī)械故障檢測效果，在此，提出了小波消噪和回聲狀態(tài)網(wǎng)絡(luò)的建筑起重機(jī)械故障檢測方法(WA-ESN)，并對其性能進(jìn)行了測試。

1 建筑起重機(jī)械故障分析

如今，建筑起重機(jī)械在建筑工程中應(yīng)用極為普遍，為了保證建筑起重機(jī)械的使用安全及穩(wěn)定性，必須及時查明建筑起重機(jī)械故障類型，對產(chǎn)生故障的影響因素進(jìn)行分析，了解建筑起重機(jī)械故障特征，以更好地解決建筑起重機(jī)械故障問題，為保證建筑起重機(jī)械使用安全提供一定幫助。

1.1 建筑起重機(jī)械故障類型及影響因素

在使用過程中，建筑起重機(jī)械經(jīng)常會發(fā)生故障，產(chǎn)生故障的原因有很多種，比如使用不當(dāng)類型的建筑起重機(jī)械故障，即在安裝拆卸、頂升起重機(jī)械設(shè)備時，違反有關(guān)技術(shù)標(biāo)準(zhǔn)和操作規(guī)程，或沒有按照廠家提供的起重機(jī)械說明書的有關(guān)要求進(jìn)行作業(yè)，導(dǎo)致建筑起重機(jī)械內(nèi)部發(fā)生損壞從而導(dǎo)致故障；此外建筑起重機(jī)械安全裝置缺失或處于失效狀態(tài)、建筑起重機(jī)械違規(guī)維修或日常保養(yǎng)缺失以及設(shè)備質(zhì)量問題等情況都會造成建筑起重機(jī)械故障，使建筑起重機(jī)械產(chǎn)生安全隱患。

1.2 建筑起重機(jī)械故障特征

由于建筑起重機(jī)械故障有著自身的特征，因此在進(jìn)行建筑起重機(jī)械故障檢測之前必須對建筑起重機(jī)械故障特征有所了解。建筑起重機(jī)械故障特征主要表現(xiàn)為以下2點：

a.難發(fā)現(xiàn)。作為大型機(jī)械，建筑起重機(jī)械體積龐大，零件眾多，很難及時對其進(jìn)行全面檢測，導(dǎo)致很難發(fā)現(xiàn)建筑起重機(jī)械故障。

b.檢修耗時長。有些單位為了節(jié)省檢修時間，干脆少檢修或者根本不檢修以至于發(fā)現(xiàn)建筑起重機(jī)械故障時已經(jīng)過去了最佳檢修時間。

建筑起重機(jī)械故障還有其他特征。正是因為建筑起重機(jī)械故障特征難發(fā)現(xiàn)、耗時長等特征以及目前檢測故障方法檢測精度低，導(dǎo)致建筑起重機(jī)械故障檢測存在很多問題，必須提升建筑起重機(jī)械故障檢測精度，以提高建筑施工時的安全系數(shù)。

2 基于小波消噪和回聲狀態(tài)網(wǎng)絡(luò)的建筑起重機(jī)械故障檢測方法

2.1 建筑起重機(jī)械故障振動信號的去噪處理

建筑起重機(jī)械故障的類型眾多，當(dāng)建筑起重機(jī)械部件產(chǎn)生故障時，其振動信號會發(fā)生相應(yīng)的變化，因此可以通過振動信號進(jìn)行建筑起重機(jī)械故障檢測。在建筑起重機(jī)械故障檢測的振動信號采集過程中，振動信號易被強(qiáng)背景噪聲所淹沒，不利于有效提取出故障部件的特征，難以實現(xiàn)建筑起重機(jī)械部件故障檢測，故為實現(xiàn)建筑起重機(jī)械故障部件的特征提取及故障檢測，采用小波降噪方法對故障部件的振動信號實施去噪處理[9]。

采用小波降噪對振動信號實施多分辨率分解，通過多個層次對振動信號的特征實行考察與分析。將含噪聲的振動信號、復(fù)原后振動信號及噪聲信號依次設(shè)為e(t)、y(t)和f(t)，且有e(t)=y(t)+f(t)。運(yùn)用基小波?(t)對e(t)實行離散小波變換，變換后所獲得的含噪聲振動信號系數(shù)E(i,l)表示為

Y(i,l)+F(i,l)

(1)

在二進(jìn)小波變換下含噪聲振動信號e(t)的奇異性同Lipschitz指數(shù)α間的關(guān)系可表示為

(2)

B表示常數(shù)。

一般而言，有用振動信號的Lipschitz指數(shù)α>0，它的小波變換模極大值與尺度大小成正比；噪聲信號的Lipschitz指數(shù)α≤0，小波變換的模極大值與尺度大小成反比。故可在不同尺度上對各種閾值實行選取，可認(rèn)定大于此閾值的模極大值點為通過振動信號的小波變換帶來的，對其實行保留；相反可認(rèn)定小于此閾值的模極大值點為通過噪聲的小波變換帶來的，可置其為0?；诖瞬捎眯〔孀儞Q方式對振動信號實行重構(gòu)，實現(xiàn)有效去除振動信號噪聲的目的。

2.2 建筑起重機(jī)械故障部件特征提取

通過小波變換完成對建筑起重機(jī)械故障部件的振動信號降噪處理之后，實施對降噪后故障部件振動信號的特征提取[10]。當(dāng)前提取振動信號特征的方法主要有時頻分析、頻域分析、幅值域分析及時域分析等，其中振動信號的時域分析主要為實現(xiàn)對振動信號的互相關(guān)與自相關(guān)分析，振動信號的頻域分析重點實現(xiàn)對振動信號的倒譜與頻譜分析。小波分析去除掉振動信號的噪聲之后，小波分解可將一種更加細(xì)致的分析方式提供給振動信號，通過多層次劃分振動信號頻帶，實現(xiàn)有效分解多分辨率分解中未被細(xì)致劃分的振動信號高頻部分，并且可以被分析振動信號的特征與需求為依據(jù)，在特定的振動信號頻帶區(qū)間內(nèi)對分辨率予以選取，以此提升時頻分辨率，實現(xiàn)能夠在更加細(xì)致化的振動信號頻帶中提取振動信號特征。運(yùn)用小波分解系數(shù)對振動信號頻帶能量予以求取，并以不同振動信號頻帶能量的改變?yōu)橐罁?jù)提取振動信號特征，為建筑起重機(jī)械故障部件智能檢測提供振動信號特征值。

2.3 回聲狀態(tài)網(wǎng)絡(luò)

2.3.1 回聲狀態(tài)網(wǎng)絡(luò)數(shù)學(xué)模型

依據(jù)回聲狀態(tài)網(wǎng)絡(luò)(ESN)的基本思想[11-12]，假設(shè)建筑起重機(jī)械系統(tǒng)的動態(tài)特征通過一個大規(guī)模儲備池生成。儲備池中的網(wǎng)絡(luò)以眾多隨機(jī)形成同時稀疏連接的神經(jīng)元所構(gòu)成，該網(wǎng)絡(luò)具備建筑起重機(jī)械系統(tǒng)的運(yùn)行狀態(tài)，同時具有記憶性能。當(dāng)給定輸入時，通過描述“輸入—狀態(tài)—輸出”驅(qū)動建筑起重機(jī)械系統(tǒng)的方式，所獲取的ESN表達(dá)式為

(3)

2.3.2 回聲狀態(tài)網(wǎng)絡(luò)訓(xùn)練算法

以特征提取中所獲取的建筑起重機(jī)械故障部件的振動信號特征值作為ESN的訓(xùn)練樣本集，通過{o(m),c(m),m=1,2,…,h}表示，將此訓(xùn)練樣本集輸入到ESN，對輸出連接權(quán)值矩陣Vout實行求解，此過程即為ESN的訓(xùn)練過程。ESN基本算法是采用輸入信號對儲備池實行激勵的方式，形成儲備池內(nèi)的持續(xù)狀態(tài)變量信號，通過儲備池狀態(tài)變量同目標(biāo)輸出信號的線性回歸算法，將ESN的輸出權(quán)值確定。ESN的訓(xùn)練步驟為：

b.運(yùn)用訓(xùn)練樣本集與式(3)求解出狀態(tài)變量序列a(m)。

c.以狀態(tài)變量序列a(m)與輸出單元序列c(m)為依據(jù)，通過式(3)與線性回歸算法求解出輸出權(quán)值矩陣Vout。

2.4 小波消噪和ESN的建筑起重機(jī)械故障智能檢測

當(dāng)建筑起重機(jī)械部件呈現(xiàn)出各類故障時，不同故障類型的振動信號所呈現(xiàn)的特征不同，通過分析不同故障類型振動信號特征，可以實現(xiàn)故障類別識別。建筑起重機(jī)械工作狀態(tài)的影響因素眾多，故障的類型與振動信號之間存在非線性的變化關(guān)系，而ESN可以擬合故障類型與建筑起重機(jī)械部件振動信號特征之間的關(guān)系。小波消噪和ESN的建筑起重機(jī)械故障檢測流程如圖1所示。建筑起重機(jī)械故障檢測步驟如下：

a.通過小波降噪方法對所收集到的建筑起重機(jī)械故障部件的振動信號實施降噪處理。

b.采用小波分解所具有的分析時頻特性，對建筑起重機(jī)械故障部件的振動信號實施有效分解，獲取處于各種頻段振動信號的故障特征，歸一化處理各頻段的振動信號特征頻率，構(gòu)成故障部件振動信號特征向量。

c.將故障部件振動信號特征向量作為訓(xùn)練樣本集輸入到ESN，對ESN實行訓(xùn)練，獲得訓(xùn)練輸出權(quán)值矩陣。

d.通過訓(xùn)練后ESN對建筑起重機(jī)械部件的故障類型實行分類，實現(xiàn)建筑起重機(jī)械故障檢測。

圖1 小波消噪和ESN的建筑起重機(jī)械故障檢測流程

3 仿真實驗

3.1 降噪效果分析

降噪處理是實現(xiàn)建筑起重機(jī)械故障檢測的基礎(chǔ)，故在此對本文方法的降噪處理環(huán)節(jié)進(jìn)行測試，以檢驗本文方法的降噪效果。從傳感器所收集的實驗塔吊部件含噪信號，通過本文方法對含噪信號依次實行降噪處理。含噪信號及本文方法降噪后信號效果如圖2所示。

圖2 建筑起重機(jī)械振動信號的去噪效果

由圖2可以看出，通過本文方法實行降噪處理后，信號的振動位移-時間曲線呈現(xiàn)出平滑狀態(tài)，可見本文方法在對含噪信號實行降噪處理時，均能夠有效去除掉信號噪聲，獲取到平滑無噪的部件信號，具有較高的降噪效果。

3.2 建筑起重機(jī)械故障效果分析

采用標(biāo)準(zhǔn)均方根誤差FNRMSE對3種不同方法的建筑起重機(jī)械故障檢測精度予以衡量，標(biāo)準(zhǔn)均方根誤差表達(dá)式為

(4)

依據(jù)式(4)，通過運(yùn)算得出各方法檢測結(jié)果的標(biāo)準(zhǔn)均方根誤差，以此作為衡量指標(biāo)對比各方法的檢測精度。各方法的檢測誤差如圖3所示。

圖3 3種方法檢測誤差對比

分析圖3能夠得出，3種方法對實驗塔吊部件的檢測結(jié)果誤差中，本文方法的檢測誤差波動范圍最小，且檢測誤差值始終低于其他2種對比方法，說明本文方法的檢測性能穩(wěn)定，檢測結(jié)果精準(zhǔn)度高，實際應(yīng)用性較強(qiáng)。

4 結(jié)束語

為了克服當(dāng)前建筑起重機(jī)械故障檢測存在的問題，提出小波變換和回聲狀態(tài)網(wǎng)絡(luò)的建筑起重機(jī)械故障檢測方法。通過結(jié)合小波降噪與分解實現(xiàn)對所收集的建筑起重機(jī)械故障部件振動信號的降噪與特征提取，以此為基礎(chǔ)運(yùn)用回聲狀態(tài)網(wǎng)絡(luò)實現(xiàn)對建筑起重機(jī)械部件的智能檢測。通過仿真實驗結(jié)果可知，本文方法具有理想的降噪效果與檢測效果，檢測結(jié)果精度高且穩(wěn)定，可用于實際建筑起重機(jī)械部件的故障檢測。