何勝方，王勇，邵世平，王赟，范云飛，卓之穹，韓云龍，陸彪

（1.中國(guó)寶武馬鋼股份有限公司港務(wù)原料總廠；2.安徽工業(yè)大學(xué)，安徽 馬鞍山 243000）

1 前言

大型移動(dòng)機(jī)械設(shè)備是馬鋼港務(wù)原料公司應(yīng)用非常廣泛的裝置，承擔(dān)著布料、取料等關(guān)鍵生產(chǎn)任務(wù)。這些大型移動(dòng)機(jī)械設(shè)備的運(yùn)行安全至關(guān)重要，一方面大型移動(dòng)機(jī)械設(shè)備的本體損壞或機(jī)械設(shè)備發(fā)生故障，會(huì)造成無(wú)法布料、取料的相關(guān)操作，帶來(lái)設(shè)備維修的經(jīng)濟(jì)損失；另一方面無(wú)法及時(shí)為下游生產(chǎn)工序提供原料，影響鋼鐵冶煉的正常生產(chǎn)。

隨著5G 與工業(yè)互聯(lián)網(wǎng)在馬鋼港務(wù)原料公司的逐步推廣應(yīng)用，大型移動(dòng)機(jī)械設(shè)備逐步從有人值守操作過(guò)渡到無(wú)人值守操作。在有人值守時(shí)，通過(guò)操作工對(duì)機(jī)械設(shè)備產(chǎn)生的異常振動(dòng)來(lái)判斷設(shè)備的運(yùn)行狀態(tài)是否正常。若發(fā)現(xiàn)異常，則馬上采取停機(jī)檢查、維修等相關(guān)操作，從而達(dá)到降低設(shè)備運(yùn)行故障率的目的。但是，隨著工業(yè)互聯(lián)網(wǎng)在港務(wù)原料廠的不斷深入應(yīng)用，大型移動(dòng)機(jī)械設(shè)備正有序向無(wú)人值守自動(dòng)運(yùn)行過(guò)渡。在這種應(yīng)用背景下，大型移動(dòng)機(jī)械設(shè)備的運(yùn)行狀態(tài)缺乏有效的監(jiān)測(cè)手段，無(wú)法確保大型移動(dòng)機(jī)械設(shè)備的安全穩(wěn)定運(yùn)行。

目前，缺乏有效的混勻取料機(jī)的故障診斷及報(bào)警系統(tǒng)，為了保證混勻取料機(jī)的正常運(yùn)行，在無(wú)人值守時(shí)，需每隔2h 對(duì)取料機(jī)進(jìn)行巡檢，并對(duì)取料機(jī)可能發(fā)生的故障，進(jìn)行記錄并報(bào)修。依靠巡檢完成設(shè)備的狀態(tài)監(jiān)測(cè)，會(huì)耗費(fèi)人力，若取料機(jī)突發(fā)故障，存在無(wú)法給出及時(shí)預(yù)警的風(fēng)險(xiǎn)。因此，在混勻取料機(jī)關(guān)鍵位置（多點(diǎn)）安裝傳感器獲取機(jī)械設(shè)備運(yùn)行狀態(tài)信號(hào)的基礎(chǔ)上，建立設(shè)備故障診斷模型，從而實(shí)現(xiàn)混勻取料機(jī)的在線智能監(jiān)測(cè)與故障診斷，并對(duì)其運(yùn)行狀態(tài)進(jìn)行綜合判定，為混勻取料機(jī)自動(dòng)生產(chǎn)提供保證。

2 故障診斷模型

2.1 故障分類(lèi)識(shí)別

混勻取料機(jī)故障診斷的基本內(nèi)容主要包括設(shè)備運(yùn)行狀態(tài)的監(jiān)測(cè)，運(yùn)行狀態(tài)的故障預(yù)報(bào)，故障類(lèi)型、部位、原因等方面。需要通過(guò)各種有效的檢測(cè)手段，結(jié)合傳感器數(shù)據(jù)分析、特征提取、故障診斷識(shí)別等方法，判別機(jī)械設(shè)備的運(yùn)行狀態(tài)，指出發(fā)生的故障類(lèi)型，便于管理人員維修?；蛘咴诠收衔窗l(fā)生之前，提出可能發(fā)生故障的預(yù)警，便于管理人員盡早采取措施，避免發(fā)生故障或重大故障造成停機(jī)，給生產(chǎn)帶來(lái)的重大經(jīng)濟(jì)損失。典型故障分類(lèi)及信號(hào)檢測(cè)如表1 所示。

表1 典型故障分類(lèi)及信號(hào)檢測(cè)

2.2 故障診斷模型

根據(jù)混勻取料機(jī)易出現(xiàn)的5 種故障類(lèi)型，可知故障2 和故障4 的診斷基于的傳感器數(shù)據(jù)具有緩慢漸進(jìn)式發(fā)生劣化的特征，即這種故障是一個(gè)緩慢發(fā)生的過(guò)程，而非階躍式突發(fā)。說(shuō)明這2 種典型故障對(duì)采集的信號(hào)實(shí)時(shí)性不高，而對(duì)其變化過(guò)程應(yīng)高度關(guān)注。而其余的故障具有實(shí)時(shí)突發(fā)性，對(duì)傳感器信號(hào)的突變要作出及時(shí)反應(yīng)。故障診斷模型采用邏輯判斷與機(jī)器學(xué)習(xí)模型，其中故障1～4 采用邏輯判斷模型，故障5 采用機(jī)器學(xué)習(xí)模型進(jìn)行故障診斷。

2.2.1 邏輯判斷模型

為避免傳感器信號(hào)受干擾引起較大波動(dòng)帶來(lái)的計(jì)算誤差或產(chǎn)生誤報(bào)警，需對(duì)采集的信號(hào)數(shù)據(jù)進(jìn)行濾波處理，振動(dòng)數(shù)據(jù)較大超出傳感器量程則會(huì)輸出傳感器故障報(bào)警，若在傳感器量程范圍內(nèi)則為有效傳感器信號(hào)。故障1～4均采用邏輯判斷模型，有效傳感器信號(hào)與設(shè)定閾值進(jìn)行比較判斷，大于閾值則為故障。其中設(shè)定閾值采用在線自動(dòng)整定方式根據(jù)每日數(shù)據(jù)平均值的2～3 倍自動(dòng)更新。對(duì)于混取機(jī)故障2 和4，同時(shí)進(jìn)行振動(dòng)數(shù)據(jù)劣化趨勢(shì)的判斷，若每天呈逐漸增大趨勢(shì)并超過(guò)設(shè)定閾值，則進(jìn)行故障預(yù)警。

2.2.2 機(jī)器學(xué)習(xí)模型

采用貝葉斯分類(lèi)器[對(duì)混勻取料大車(chē)異常振動(dòng)及啃軌故障進(jìn)行診斷預(yù)測(cè)，大車(chē)行走機(jī)構(gòu)兩側(cè)驅(qū)動(dòng)電機(jī)各安裝2個(gè)振動(dòng)傳感器，根據(jù)其安裝部位分為4 個(gè)類(lèi)別，每一個(gè)類(lèi)別又分為6 個(gè)特征。共1296 個(gè)樣本數(shù)據(jù)，由計(jì)算程序生成1296×4 個(gè)樣本的知識(shí)表，然后計(jì)算先驗(yàn)概率，先驗(yàn)概率的計(jì)算初始值采用專(zhuān)家經(jīng)驗(yàn)賦值法，后期根據(jù)傳感器采集數(shù)據(jù)結(jié)合現(xiàn)場(chǎng)設(shè)備故障發(fā)生情況進(jìn)行修訂。然后計(jì)算行走機(jī)構(gòu)故障發(fā)生的后驗(yàn)概率、故障未發(fā)生的后驗(yàn)概率，比較兩者大小，假如前者大于后者，則判斷此時(shí)行走機(jī)構(gòu)出現(xiàn)故障，否則判斷為未發(fā)生故障。

3 應(yīng)用實(shí)踐

采用LabVIEW 開(kāi)發(fā)混勻取料機(jī)在線智能監(jiān)測(cè)與故障診斷系統(tǒng)軟件，傳感器信號(hào)由PLC 采集，通過(guò)OPC 服務(wù)器實(shí)時(shí)接收，經(jīng)過(guò)診斷系統(tǒng)軟件信號(hào)濾波處理、數(shù)據(jù)量化后，實(shí)現(xiàn)數(shù)據(jù)文件自動(dòng)保存、故障文件自動(dòng)保存、數(shù)據(jù)文件定期刪除、數(shù)據(jù)文件查詢(xún)、故障診斷模型、數(shù)據(jù)劣化算法及貝葉斯故障診斷模型等功能，實(shí)現(xiàn)了小車(chē)卷?yè)P(yáng)滾筒亂繩診斷、斗輪跳鏈診斷、斗輪料耙角度識(shí)別、減速機(jī)柱銷(xiāo)斷裂診斷及大車(chē)異常振動(dòng)等故障的診斷功能，程序界面如圖1 所示。

圖1 混勻取料機(jī)在線智能監(jiān)測(cè)與故障診斷系統(tǒng)主界面

為了驗(yàn)證故障診斷模型的可靠性，對(duì)大車(chē)異常振動(dòng)采用的貝葉斯分類(lèi)器故障診斷模型進(jìn)行了現(xiàn)場(chǎng)實(shí)驗(yàn)驗(yàn)證，采用了墊片和電機(jī)抱閘2 種振動(dòng)產(chǎn)生方法。墊片法即將厚度分別為2mm、4mm、7mm 的墊片置于大車(chē)行走機(jī)構(gòu)前進(jìn)方向軌道上，大車(chē)行走機(jī)構(gòu)通過(guò)墊片時(shí)會(huì)產(chǎn)生較大的振動(dòng)；電機(jī)抱閘法即行走機(jī)構(gòu)行走時(shí)突然采取抱閘引起機(jī)體振動(dòng)。若診斷程序捕捉到異常振動(dòng)信號(hào)并實(shí)時(shí)報(bào)警，則表明所采用的貝葉斯故障診斷模型對(duì)大車(chē)異常振動(dòng)能實(shí)現(xiàn)實(shí)時(shí)報(bào)警，實(shí)驗(yàn)結(jié)果如圖2 所示。

圖2 貝葉斯故障診斷模型的實(shí)驗(yàn)驗(yàn)證

由圖2 可知，大車(chē)行走機(jī)構(gòu)經(jīng)過(guò)墊片（前進(jìn)或后退）時(shí)，大車(chē)機(jī)體產(chǎn)生了幅度較大的振動(dòng)，故障診斷程序捕捉到傳感器的異常信號(hào)并實(shí)時(shí)給出了報(bào)警。同時(shí)，也實(shí)驗(yàn)了行走電機(jī)抱閘引起的大車(chē)異常振動(dòng)，同樣貝葉斯故障診斷程序也實(shí)時(shí)給出了報(bào)警信號(hào)，由此表明，基于貝葉斯分類(lèi)器的故障診斷模型對(duì)于大車(chē)異常振動(dòng)的故障診斷是可靠的。

4 結(jié)語(yǔ)

為了解決混勻取料機(jī)無(wú)人值守自動(dòng)運(yùn)行時(shí)機(jī)器設(shè)備的安全運(yùn)行問(wèn)題，針對(duì)混勻取料機(jī)生產(chǎn)運(yùn)行中易出現(xiàn)的主要設(shè)備故障，研發(fā)了混勻取料機(jī)故障診斷系統(tǒng)軟件，采用了邏輯判斷模型和貝葉斯分類(lèi)器模型并進(jìn)行了大車(chē)異常振動(dòng)的實(shí)驗(yàn)驗(yàn)證，表明了故障診斷模型的可靠性。混勻取料機(jī)故障診斷系統(tǒng)的應(yīng)用促進(jìn)了鋼鐵企業(yè)原料廠大型移動(dòng)設(shè)備的自動(dòng)化、智能化水平，有利于原料工序的安全穩(wěn)定、連續(xù)生產(chǎn)。