自動化岸邊集裝箱起重機小車制動器運行狀態評估

牛延華

（上海振華重工（集團）股份有限公司，上海 200125）

1 前言

近年來，自動化碼頭因其安全可靠性、作業效率性、人力成本可控性等顯著優勢，成為現在建造碼頭的普遍發展趨勢。作為港口碼頭的主要搬運工具，岸邊集裝箱起重機正在朝著規模大型化、搬運速度高速化的方向發展。其中，小車運行系統是起重機的重要組成部分，在使用過程中，制動裝置容易發生疲勞變形，影響其制動性能。因此，對制動器在使用過程中進行預測性維修就尤為重要。對制動器運行狀況實時評估，可以有效降低故障損失，提升整機的作業效率和安全性。許多專家學者基于MSET技術針對風電機、核工業設備等的狀態評估方面進行了一些研究，通過監測參數針對非獨立變量并且數值變化較大的參數建立狀態評估預警模型，用來對這種評估方法在狀態評估和故障預警的及時性和有效性進行驗證。一些專家通過將MSET進行故障診斷，發現MSET可以將故障狀態下的信號特征進行增強，高效地完成對機構異常行為的早期診斷和預警。但是，上述研究中選取MSET殘差值閾值的和劃分預警線的標準都依賴專家的經驗，這就不可避免地受到主觀判斷的影響，降低了模型的普遍適用性。本文在多狀態評估技術（MSET）的模型基礎上，通過對制動器的故障類型進行分析整理，確定狀態分析因素，針對MSET中存在的主觀因素影響問題，引入模糊C均值聚類（FCM）和加權模糊聚類算法（WFCM）對殘差閾值等權值進行聚類分析，結合實際數據，驗證了本文所述改進MSET狀態評估能夠提高小車制動器的評估準確度，保證了其預測性維修的實時性和準確性。

2 小車運行制動器故障分析

2.1 小車運行機構特征

小車運行系統是起重機的重要組成部分，起重機小車運行機構主要包括電機、減速器、制動器、傳動軸等。小車的傳動結構如圖1所示，電動機通過制動器的聯軸器與減速器的輸入軸相連。

圖1 小車運行機構傳動簡圖

隨著生產規模的擴大和自動化程度的提高，集裝箱岸邊裝卸小車朝著高速化、智能化方向發展，小車的最大運行速度已經達到350m/min，而制動器則可以避免高速帶來的運行跑偏的損失以及港口的無人化中突發事件所帶來的損失等，因此，制動器是起重機的安全操作中不可或缺的部分。

2.2 小車制動器的故障模式

本文經過對多次試驗的分析，發現影響制動器制動性能的主要因素有：（1）制動蹄片磨損狀況，制動鼓與蹄片之間發生摩擦將會導致表面材料的磨損，長時間的制動磨損會使制動鼓與制動蹄之間的間隙逐漸變大，甚至導致制動滯后；（2）異常溫升，摩擦片通常由石棉、金屬纖維以及樹脂等在一定環境下經過特殊加工而成，隨著溫度的升高，摩擦性能會迅速下降，制動鼓將發生熱脹冷縮現象，制動鼓與制動片之間的間隙逐漸增大，踏板行程增長，制動性能下降。

小車制動器的故障模式主要有：（1）制動操作失靈：由于制動系統壓力不足、制動鼓與摩擦片間距過大、摩擦片污染或損壞，或制動器溫度過高等原因而無法在規定的安全范圍內駐車成功。（2）制動器異常響聲：制動器可能由于長時間制動磨損、制動鼓產生殘缺、制動器上的螺絲發生松動或者高速摩擦下表面不規則而產生聲響。（3）制動鼓異常發燙：由于制動蹄與制動鼓之間的間距不足、制動摩擦時間延長、制動彈簧彈性退化或制動底板發生形變等原因導致異常發燙。（4）制動跑偏：在小車行駛過程中，前輪前束調整不當、兩側車輪的制動間隙不一致、兩側車輪制動力矩不相等或鋼板彈簧螺栓松動等原因導致跑偏。

本文選擇管路壓力（P）、制動鼓角加速度（α1）、領蹄角加速度（α2）、制動器外表溫度（T）以及從蹄角加速度（α3）等因素構建制動器的狀態評估模型。

3 改進的制動器多狀態評模型

3.1 MSET模型

多狀態評估技術（MSET）是由美國科學家提出，最早應用在核工業方面，它以矩陣的形式記錄制動器的正常運行數據，首先，選取制動器正常狀態下的所有歷史正常數據的訓練矩陣T，將數據分為兩部分，選取最開始運行時的0～50時間狀態下的數據為正常狀態數據，即作為訓練數據T，剩余的51～200時間狀態的數據作為觀測數據Xobs。

用標準差對各數據進行正規化處理，從訓練數據中選取出記憶矩陣D，D為n×ki的矩陣，ki和n分別表示狀態個數和監控參數個數，則，

權值向量W為：

觀測矩陣的估計矩陣為：

式中，非線性算子用符號?表示。

由觀測矩陣與估計矩陣做差即獲得殘差：

針對制動器運行中發生的隨機干擾和不確定性因素的情況，本文通過滑動窗口殘差統計法來消除影響以提高評估準確度。根據不同觀測時刻下的殘差序列設計一個滑動窗口，寬度為N，計算滑動窗口中連續N個殘差的均值。

最后，假設制動器正常運行時的最大絕對值為E1，由專家確認K1，那么制動器狀態故障的閾值為：

3.2 基于WFCM改進MSET模型

由于MSET中對殘差閾值等多個指標權值的確定往往依靠人為經驗，容易產生誤差，因此，本節引入模糊聚類算法用于對MSET中的殘差閾值等權值的聚類分析和改進，通過建立相應的正常狀態基準中心，可以減少人為因素產生的誤差。

加權模糊C均值(WFCM)算法是在模糊C均值(FCM)算法的基礎上提出的,它為不同的樣本添加了不同的權值,從而改善了聚類效果。WFCM算法把初始數據集劃分為X1,X2,...,Xc等C個子集，并求出這C個子集的聚類中心，WFCM通過對不同類別的數據集進行劃分，使最大化地接近實際聚類中心。其目標函數為：

使得：

加權矩陣Wi為：

可求得聚類中心vi的值如下：

小車的制動常出現以下兩種的工況：一是高速正常駕駛時需要減速行車，二是正常行駛需要減速行駛。通過WFCM建立工況下正常狀態基準的步驟為：首先，取出制動器在正常狀態下運行的監控數據，通過MSET評估得 到 偏 差 值，同 理，得 到 異 常 狀 態下 的 偏 差 值。然 后 進 行 數 據 分 離，使用聚類處理所有數據的工況參數，通過獲得工況參數，得到工況參數與h個工況聚類 的 中 心 聚 類其中距離最小的即為其所屬的工況。最后使用WFCM算法對和聚類，得出ε0的聚類中心，即第j個工況的聚類中心，以該聚類中心作為第j個工況正常基準中心。

4 算例分析

4.1 數據預處理和實驗設置

為了驗證本文所提WFCM改進MSET狀態評估的有效性，本文通過ADAMS動力學仿真軟件仿真獲得小車制動器一段連續時間內的連續數據，將剛開始運行時0～50時間狀態的數據作為訓練數據，51～200時間狀態的數據為觀測數據，對觀測數據進行正規化處理，將其化為方差為1、均值為0的正態分布數據。在MSET計算問題中，根據專家經驗，取k=2，最大健康殘差為0.62。本文實驗環境為主頻3.4GHz的Intel Core-i5-7500 CPU、內存16G的硬件平臺，并借助Matlab R2014a版語言來解決MSET的計算問題和實現WFCM算法對MSET評估殘差的聚類分析。

4.2 基于WFCM改進的狀態評估

基于2.3節的制動器故障模式分析，本文選擇管路壓力（P）、制動器外表溫度（T）等5個因素作為制動器狀態評估的狀態分量。由于不同狀態參數的處理流程類似，下文只列出制動器外表溫度（T）的評估結果。

為減少MSET中專家經驗產生的人為因素影響，通過WFCM聚類算法對殘差數據進行聚類分析。首先，基于WFCM聚類算法對評估殘差聚類的初始質心選擇，如圖2所示。

圖2 初始質心選取

通過計算隸屬度、更新質心、計算權值等一系列過程對數據進行逐步迭代，使聚類中心越來越靠近實際聚類中心點，如圖3所示，當迭代到第6次時可以明顯看出，隨著迭代次數的增加，各數據的聚類中心逐步向數據中心移動，說明各類數據均有較好的分類。

圖3 第六次迭代結果

從圖4可以看出，迭代到第14次時，聚類中心收斂并獲得最優解。

圖4 第十四次迭代結果

表1為基于WFCM聚類法和基于MSET算法的異常評估結果對比分析，可以發現，改進MSTE對小車制動器的狀態評估準確度要高于MSET閾值判斷法的準確度，并且隨著監控次數的增加，判斷準確度也得到了提高。

表1 MSET閾值判斷法和MSET+WFCM實驗結構對比

5 結語

本文分析小車制動器的運行結構和故障因素，選取數據和狀態參數，提出WFCM改進狀態評估模型對制動器進行狀態估計。實驗結果證明，改進后的方法對MSET評估殘差進行聚類統計，可以有效提高小車制動器異常狀態判別的準確率，幫助維修人員提前制定維修保養計劃，避免故障所造成的高額維修費用和停工損失。本文提出WFCM改進多狀態估計模型具有評估準確度高的優點，為小車制動器的狀態監測提供可行的操作方案。