機械式停車設備運行過程故障診斷研究

金 彥 毛雨晗 李傳磊 劉恩頻

上海市特種設備監督檢驗技術研究院 上海 200062

0 引言

隨著汽車保有量的大幅提升，城市停車難的問題日益嚴峻，機械式停車設備因其占地空間小、存車量大的優勢而得到快速發展[1]。機械式停車設備由鋼結構或混凝土組裝，鋼結構一般通過焊接、螺栓、鉚釘等連接方式將H形鋼、槽鋼、角鋼等組成主體框架結構；機構主要由升降系統、橫移系統、旋轉系統、轉換系統、循環系統等組成；主要零部件和電氣控制系統復雜多樣。為保證設備的安全運行，國家標準規定必須加裝多種安全保護裝置，但由于復雜的運行模式及控制邏輯，導致故障率相對較高。

機械式停車設備的故障易導致車輛損傷甚至人員傷亡，與社會民生息息相關，引起社會的廣泛關注[2]，其安全性也成為當前研究的熱點問題。由于升降橫移類在機械式停車設備總量中占比超過80%，因此，目前的研究聚焦于該型設備，主要針對存取車過程中的運行危險[3]、框架結構力學分析[4]、螺栓失效分析[5]、事故案例分析[6]等方面開展研究工作。但對于機械式停車設備運行過程中的故障診斷，尚未提出較為系統的研究方法。

本文以典型的平面移動類機械式停車設備為研究對象，從人-機-環3因素出發，全方位開展運行過程中的故障診斷方法研究，為實際應用奠定基礎。

1 危險源辨識

為了系統識別在機械式停車設備運行過程中所有階段可合理預見的危險、危險狀態或危險事件，以平面移動類機械式停車設備為典型案例，從人-機-環3因素全方位開展研究。

人因危險源主要包括：企業管理制度缺失、人員資質能力不足、違章作業、防護措施不當、人員培訓缺失等。

機因危險源從結構、機構、主要零部件、電氣系統、安全保護裝置5個方面，作為5個單元進行解析，機因危險源如表1所示。

表1 機因危險源

環因危險源主要包括：風、雨、雪等天氣因素，以及腐蝕、銹蝕、地基承載不足、電網問題、通信較差、排水問題、照明不足等。

人因、環因的危險源，采用作業條件風險程度評價方法進行風險分級管控，而對于機因危險源則需通過傳感器在線監測采集相應的動態特性參數進一步分析。

2 多傳感器在線監測

機因危險源涉及機械、電氣、力學等多個學科，為提升分析結果的準確性，本研究提出基于多傳感器信息融合技術，采集應力應變、振動、電流、噪聲等多種動態特性參數，對機械式停車設備的運行過程進行在線監測。

采用無線動態電阻應變儀對停車設備的立柱進行監測，采集設備運行過程中的應力應變信息，通過在線監測獲得運行過程的振動特性曲線，如圖1、圖2所示。

圖1 應力應變傳感器

圖2 振動特性曲線

3 模式識別

融合多種傳感器的信息具有非線性，需要通過特征提取進行故障診斷。

通過提取絕對值積分、過零點數、Willison幅值、直方圖等參數進行時域分析，很難獲取精度高、分離度大的特征信息。通過Fourier變換轉換為頻域信號，對其進行頻譜或功率譜分析，只能反映信號的頻率特性，無法獲取時域的相關信息，且不能反映信號的局部特性。自回歸模型將生理信號看作是分段平穩的信號，短時間間隔中二階矩具有良好的平穩性，模型參數可表征隨機信號中的確定性信息。因其線性處理方法運算速度快的優點，成為時間序列分析方法中最常使用的模型。然而，單純基于時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在狀態。

小波變換是Fourier變換的新發展，具有良好的時頻局部化特性，對于不同狀態的生理信號，可表征不同尺度下的頻率變化和時序特性，實現時變譜分析，且對噪聲不敏感，故在信號特征提取方面成為研究的熱點。在小波分析中，只對低頻細節做二次分解，而小波包變換同時對低頻、高頻信息進行二次分解，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，信號被分解成j層時，整個信號空間被分解成2j個子空間，第n個子空間的信號為

因小波函數是相互正交的，由式（1）重構該子空間信號的能量為

則整個信號的能量為

采用j層小波包分解，則各子空間相對能量的特征向量為

由式（1）～式（4），WPT-SampEn的能量比函數可表示為

式中：m為維數，一般取1或2；r為給定閾值；B為復雜性測度函數。

以此函數對訓練數據和測試數據進行重構，建立下一步特征分類的訓練及測試特征樣本。

不同的特征向量需根據空間分布特性選擇不同的分類器。在模式識別研究中，最常用的方法包括：最大似然分類、聚類分析、支持向量機、模糊理論、人工神經網絡等。然而聚類分析通常用于特征樣本已分組的數據；SVM不能直接用于多個模式問題，需通過組合的形式實現；FT建立精確的隸屬函數難度很大。人工神經網絡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 結果及分析

以平面移動類機械式停車設備為典型案例，對提出的方法進行驗證分析。通過基于WPT-SampEn能量比的特征提取和人工神經網絡的特征分類，完成正常與故障狀態的模式識別，分析結果如表2所示。當WPTSampEn能量比超過0.95時，表明設備存在故障。對于故障診斷的可靠性，由人工神經網絡算法學習訓練的數據庫決定，數據庫越大則可靠性越高。

表2 模式識別結果

5 結論

針對機械式停車設備，從人-機-環3方面出發，以大量事故案例為基礎，建立了危險源辨識模型。對于機因，以結構、機構、主要零部件、電氣系統、安全保護裝置5個單元綜合考慮，采用多傳感器在線監測對采集的數據進行信息融合、特征提取、特征分類，實現了正常與故障狀態的模式識別。以平面移動類機械式停車設備為典型案例進行驗證，分析結果表明該方法具有良好的分析精度和可靠性。