金 彥 毛雨晗 李傳磊 劉恩頻

上海市特種設(shè)備監(jiān)督檢驗(yàn)技術(shù)研究院 上海 200062

0 引言

隨著汽車保有量的大幅提升，城市停車難的問(wèn)題日益嚴(yán)峻，機(jī)械式停車設(shè)備因其占地空間小、存車量大的優(yōu)勢(shì)而得到快速發(fā)展[1]。機(jī)械式停車設(shè)備由鋼結(jié)構(gòu)或混凝土組裝，鋼結(jié)構(gòu)一般通過(guò)焊接、螺栓、鉚釘?shù)冗B接方式將H形鋼、槽鋼、角鋼等組成主體框架結(jié)構(gòu)；機(jī)構(gòu)主要由升降系統(tǒng)、橫移系統(tǒng)、旋轉(zhuǎn)系統(tǒng)、轉(zhuǎn)換系統(tǒng)、循環(huán)系統(tǒng)等組成；主要零部件和電氣控制系統(tǒng)復(fù)雜多樣。為保證設(shè)備的安全運(yùn)行，國(guó)家標(biāo)準(zhǔn)規(guī)定必須加裝多種安全保護(hù)裝置，但由于復(fù)雜的運(yùn)行模式及控制邏輯，導(dǎo)致故障率相對(duì)較高。

機(jī)械式停車設(shè)備的故障易導(dǎo)致車輛損傷甚至人員傷亡，與社會(huì)民生息息相關(guān)，引起社會(huì)的廣泛關(guān)注[2]，其安全性也成為當(dāng)前研究的熱點(diǎn)問(wèn)題。由于升降橫移類在機(jī)械式停車設(shè)備總量中占比超過(guò)80%，因此，目前的研究聚焦于該型設(shè)備，主要針對(duì)存取車過(guò)程中的運(yùn)行危險(xiǎn)[3]、框架結(jié)構(gòu)力學(xué)分析[4]、螺栓失效分析[5]、事故案例分析[6]等方面開(kāi)展研究工作。但對(duì)于機(jī)械式停車設(shè)備運(yùn)行過(guò)程中的故障診斷，尚未提出較為系統(tǒng)的研究方法。

本文以典型的平面移動(dòng)類機(jī)械式停車設(shè)備為研究對(duì)象，從人-機(jī)-環(huán)3因素出發(fā)，全方位開(kāi)展運(yùn)行過(guò)程中的故障診斷方法研究，為實(shí)際應(yīng)用奠定基礎(chǔ)。

1 危險(xiǎn)源辨識(shí)

為了系統(tǒng)識(shí)別在機(jī)械式停車設(shè)備運(yùn)行過(guò)程中所有階段可合理預(yù)見(jiàn)的危險(xiǎn)、危險(xiǎn)狀態(tài)或危險(xiǎn)事件，以平面移動(dòng)類機(jī)械式停車設(shè)備為典型案例，從人-機(jī)-環(huán)3因素全方位開(kāi)展研究。

人因危險(xiǎn)源主要包括：企業(yè)管理制度缺失、人員資質(zhì)能力不足、違章作業(yè)、防護(hù)措施不當(dāng)、人員培訓(xùn)缺失等。

機(jī)因危險(xiǎn)源從結(jié)構(gòu)、機(jī)構(gòu)、主要零部件、電氣系統(tǒng)、安全保護(hù)裝置5個(gè)方面，作為5個(gè)單元進(jìn)行解析，機(jī)因危險(xiǎn)源如表1所示。

表1 機(jī)因危險(xiǎn)源

環(huán)因危險(xiǎn)源主要包括：風(fēng)、雨、雪等天氣因素，以及腐蝕、銹蝕、地基承載不足、電網(wǎng)問(wèn)題、通信較差、排水問(wèn)題、照明不足等。

人因、環(huán)因的危險(xiǎn)源，采用作業(yè)條件風(fēng)險(xiǎn)程度評(píng)價(jià)方法進(jìn)行風(fēng)險(xiǎn)分級(jí)管控，而對(duì)于機(jī)因危險(xiǎn)源則需通過(guò)傳感器在線監(jiān)測(cè)采集相應(yīng)的動(dòng)態(tài)特性參數(shù)進(jìn)一步分析。

2 多傳感器在線監(jiān)測(cè)

機(jī)因危險(xiǎn)源涉及機(jī)械、電氣、力學(xué)等多個(gè)學(xué)科，為提升分析結(jié)果的準(zhǔn)確性，本研究提出基于多傳感器信息融合技術(shù)，采集應(yīng)力應(yīng)變、振動(dòng)、電流、噪聲等多種動(dòng)態(tài)特性參數(shù)，對(duì)機(jī)械式停車設(shè)備的運(yùn)行過(guò)程進(jìn)行在線監(jiān)測(cè)。

采用無(wú)線動(dòng)態(tài)電阻應(yīng)變儀對(duì)停車設(shè)備的立柱進(jìn)行監(jiān)測(cè)，采集設(shè)備運(yùn)行過(guò)程中的應(yīng)力應(yīng)變信息，通過(guò)在線監(jiān)測(cè)獲得運(yùn)行過(guò)程的振動(dòng)特性曲線，如圖1、圖2所示。

圖1 應(yīng)力應(yīng)變傳感器

圖2 振動(dòng)特性曲線

3 模式識(shí)別

融合多種傳感器的信息具有非線性，需要通過(guò)特征提取進(jìn)行故障診斷。

通過(guò)提取絕對(duì)值積分、過(guò)零點(diǎn)數(shù)、Willison幅值、直方圖等參數(shù)進(jìn)行時(shí)域分析，很難獲取精度高、分離度大的特征信息。通過(guò)Fourier變換轉(zhuǎn)換為頻域信號(hào)，對(duì)其進(jìn)行頻譜或功率譜分析，只能反映信號(hào)的頻率特性，無(wú)法獲取時(shí)域的相關(guān)信息，且不能反映信號(hào)的局部特性。自回歸模型將生理信號(hào)看作是分段平穩(wěn)的信號(hào)，短時(shí)間間隔中二階矩具有良好的平穩(wěn)性，模型參數(shù)可表征隨機(jī)信號(hào)中的確定性信息。因其線性處理方法運(yùn)算速度快的優(yōu)點(diǎn)，成為時(shí)間序列分析方法中最常使用的模型。然而，單純基于時(shí)域或頻域信息的特征提取方法很難完全表征多傳感器信息的內(nèi)在狀態(tài)。

小波變換是Fourier變換的新發(fā)展，具有良好的時(shí)頻局部化特性，對(duì)于不同狀態(tài)的生理信號(hào)，可表征不同尺度下的頻率變化和時(shí)序特性，實(shí)現(xiàn)時(shí)變譜分析，且對(duì)噪聲不敏感，故在信號(hào)特征提取方面成為研究的熱點(diǎn)。在小波分析中，只對(duì)低頻細(xì)節(jié)做二次分解，而小波包變換同時(shí)對(duì)低頻、高頻信息進(jìn)行二次分解，提供了比小波變換更高的分辨率，具有多尺度分析能力。

本研究提出基于WPT-SampEn能量比的特征提取方法，信號(hào)被分解成j層時(shí)，整個(gè)信號(hào)空間被分解成2j個(gè)子空間，第n個(gè)子空間的信號(hào)為

因小波函數(shù)是相互正交的，由式（1）重構(gòu)該子空間信號(hào)的能量為

則整個(gè)信號(hào)的能量為

采用j層小波包分解，則各子空間相對(duì)能量的特征向量為

由式（1）～式（4），WPT-SampEn的能量比函數(shù)可表示為

式中：m為維數(shù)，一般取1或2；r為給定閾值；B為復(fù)雜性測(cè)度函數(shù)。

以此函數(shù)對(duì)訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)進(jìn)行重構(gòu)，建立下一步特征分類的訓(xùn)練及測(cè)試特征樣本。

不同的特征向量需根據(jù)空間分布特性選擇不同的分類器。在模式識(shí)別研究中，最常用的方法包括：最大似然分類、聚類分析、支持向量機(jī)、模糊理論、人工神經(jīng)網(wǎng)絡(luò)等。然而聚類分析通常用于特征樣本已分組的數(shù)據(jù)；SVM不能直接用于多個(gè)模式問(wèn)題，需通過(guò)組合的形式實(shí)現(xiàn)；FT建立精確的隸屬函數(shù)難度很大。人工神經(jīng)網(wǎng)絡(luò)算法在多傳感器信息融合分析中，具有較好的收斂效果和效率。

4 結(jié)果及分析

以平面移動(dòng)類機(jī)械式停車設(shè)備為典型案例，對(duì)提出的方法進(jìn)行驗(yàn)證分析。通過(guò)基于WPT-SampEn能量比的特征提取和人工神經(jīng)網(wǎng)絡(luò)的特征分類，完成正常與故障狀態(tài)的模式識(shí)別，分析結(jié)果如表2所示。當(dāng)WPTSampEn能量比超過(guò)0.95時(shí)，表明設(shè)備存在故障。對(duì)于故障診斷的可靠性，由人工神經(jīng)網(wǎng)絡(luò)算法學(xué)習(xí)訓(xùn)練的數(shù)據(jù)庫(kù)決定，數(shù)據(jù)庫(kù)越大則可靠性越高。

表2 模式識(shí)別結(jié)果

5 結(jié)論

針對(duì)機(jī)械式停車設(shè)備，從人-機(jī)-環(huán)3方面出發(fā)，以大量事故案例為基礎(chǔ)，建立了危險(xiǎn)源辨識(shí)模型。對(duì)于機(jī)因，以結(jié)構(gòu)、機(jī)構(gòu)、主要零部件、電氣系統(tǒng)、安全保護(hù)裝置5個(gè)單元綜合考慮，采用多傳感器在線監(jiān)測(cè)對(duì)采集的數(shù)據(jù)進(jìn)行信息融合、特征提取、特征分類，實(shí)現(xiàn)了正常與故障狀態(tài)的模式識(shí)別。以平面移動(dòng)類機(jī)械式停車設(shè)備為典型案例進(jìn)行驗(yàn)證，分析結(jié)果表明該方法具有良好的分析精度和可靠性。