集裝箱岸橋預測性維護的研究

朱 廷，賁道偉

（上海振華重工（集團）股份有限公司智慧集團，上海 200125）

1 引言

對港口設備進行優質的維修保養，對提升港口作業效率、降低成本、提高港口核心競爭力具有十分重要的意義。目前港口的維修方式和手段相對落后。港口的設備維保是港口日常工作的重中之重，需要各部門如操作部門、工程部門、倉庫及財務部門等的協同合作。而各個部門內通常有自己的一套流程體系，各部門之間的協同往往需要通過打電話、紙質工作單及登記表等形式，效率低下[1]。

碼頭通常對港口設備進行周期性的設備保養，并在生產過程中對其進行監控，出現故障時，根據經驗進行故障排除與維修。之后在零件損壞或使用一定年限后，進行更新。但這樣的方式存在著一些問題：①港機設備的突然故障/停機會造成巨大損失甚至會釀造安全事故，一方面需要急送配件及維護人員，維護成本昂貴；另一方面故障診斷與維修時間長，造成停機時間長，影響碼頭作業效率生產；②不必要的維護會造成成本和資源的浪費，如對一些不需要維護的設備進行保養，更換仍有使用價值的部件等[2]。

2 集裝箱岸橋機構故障診斷預測技術

2.1 概述

目前，國內港口機械的遠程監測系統存在一個弱點，是僅能夠監測設備的電控信號，且在港口惡劣的作業條件下，系統的實時性和穩定性還需要進一步提高。

在此，需要以岸橋主起升機構、主小車驅動機構、俯仰機構、大車驅動機構、門架小車起升機構和門架小車驅動機構的電動機、減速器和軸承等部件為監測對象，研究故障診斷和壽命預測方法，以及一套通用的岸橋診斷及預測程序[3]。

2.2 岸橋機載信息處理

岸橋機載信息采集主要包括信息生成、信息集成和通信三部分。信息生成以雙小車岸橋鋼結構及機構關鍵部件為研究對象，確定需要獲取的關鍵信息，并提出獲取這些信息的軟硬件解決方案；信息集成將分散的生成信息進行必要的預處理（放大、濾波和A/D轉換等），使多類型、多格式的信息標準化和數字化，便于后續的集中存儲和遠程傳輸。通信研究實現機載系統內部及機載系統和監控中心間的數據傳輸[4]。

結合雙小車岸橋故障記錄、故障機理及專家經驗，根據后續岸橋機構故障診斷和預測研究，針對關鍵部位安全評估和壽命評估以及關鍵部件（電機、減速箱、軸承）典型故障（齒輪磨損、軸承磨損、漏油等）故障診斷和預測所需采集的關鍵信息，包括振動信號、應力/應變信號、傾角、噪聲信號及事件數據（故障記錄、維修記錄）等，通過構建傳感測量網絡和人工輸入方式實現信息生成，包括傳感器的選型、安裝方式、供電系統、控制系統和人機交互系統設計[5]。信息集成通過設計具有多路通信、數據處理和數據存儲能力的終端單元實現，該單元支持串口、總線及工業以太網等典型標準通信方式，并支持多路信號的輸入和處理，可實現數據的預處理和暫存。機載系統和遠程監控中心的數據傳輸通過考察現場通信環境，由工業路由器通過4G網絡、以太網或WIFI傳輸。機載采集系統整體框架如圖1所示。

圖1 機載信息處理系統示意圖

2.3 岸橋機構件故障診斷與預測方法

在岸橋運行階段，驅動機構關鍵部件故障將造成停機并危及人身安全，故障診斷和預測通過及時發現已發生和將要發生故障并制定維護策略來減少故障帶來的損失，降低維護成本。在常規運行和特殊工況（如急停、掛艙等）下，開發一套通用的岸橋診斷及預測程序。岸橋故障診斷對已發生的故障的檢測、定位和原因鑒定；故障預測對將要發生的故障進行提前預知，對短期內可能發生故障做出報警提醒，對中長期可能發生的故障做分析，并提出維護建議。

岸橋驅動機構關鍵零部件種類繁多，故障類型多樣，造成的后果也有輕重之分。通過調研岸橋故障記錄，結合經驗，確定岸橋驅動結構關鍵部件及其典型故障，并將這些故障劃分為A、B、C三個等級：A類故障指對岸橋造成破壞性損傷的重大故障；B類指對岸橋造成停機維修的重要故障；C類指對岸橋造成輕微異常的一般故障。故障診斷及預測的技術研究主要針對A類和B類，C類可以通過簡單的監測和閾值超限檢測實現。

針對岸橋驅動機構關鍵部件典型重大和重要故障類型，通過變形、相變等故障機理及相應癥狀研究，針對具體關鍵部件確定需要采集的相關狀態信息和事件數據，包括軸承噪聲，徑向、軸向振動，減速箱齒輪油壓、溫度，齒輪軸向、徑向振動的故障記錄和維修記錄等[6]。故障診斷通過和岸橋關鍵部件健康狀況相關的信號數據，通過時域、頻域和時頻域等信號處理技術，提取出和故障關聯特征，并由此判斷關鍵部件故障與否，以及故障的類型和原因。故障預測結合岸橋關鍵部件歷史信號數據和事件數據，通過預測模型的信號發展趨勢分析，結合事件數據分析得出故障發生的統計學規律，對關鍵部件短期和中長期故障進行預知。關于岸橋驅動機構故障診斷，構建基于振動信號處理技術和智能模式識別的故障診斷模型。針對岸橋關鍵部件故障和正常樣本信號，研究時域（如TSA、ARMA方法等）、頻域（傅里葉分析、倒譜分析等）和時頻分析方法（如小波分析、短時傅里葉分析、EDM等），比較不同信號處理方法取得的效果。選取合適的信號處理方法處理樣本信號，并將處理結果構造成特征向量。通過統計學習診斷模型（如線性分類模型、支持向量機、聚類）、人工智能模型（神經網絡、模糊邏輯、專家系統）對帶標簽樣本特征向量學習獲得診斷模型，并以模型的診斷精度和泛化能力為評判標準選擇最優的診斷模型，利用該模型結合前述信號處理方法，通過對實時信號的處理和診斷，實現岸橋關鍵部件在線故障診斷。故障診斷流程如圖2所示。

圖2 故障診斷流程圖

關于岸橋驅動機構關鍵部件故障預測，針對短期預測，通過線性回歸模型、灰色模型及指數平滑等不同預測模型對大量的歷史信號數據進行預測分析，得出信號的發展趨勢。并利用前述診斷模型對將來一段時間內的信號進行診斷，從而發現潛在的短期故障。通過樣本測試和實際驗證比較不同預測模型的預測效果，選擇最優預測模型。

針對中長期預測，則是以事件數據統計預測為主，信號趨勢預測作為統計預測結果的修正。由于中長期的壽命預測有較大的隨機性和散度，因此利用大量的事件數據通過正態分布、威布爾分布等統計學模型分析得到故障發生的統計學規律，得到的統計學規律結合關鍵部件當前條件得到初步的預測結果，再通過信號趨勢分析得到的預測結果對初步結果進行修正，得到最終的中長期預測結果，故障預測流程如圖3所示。

圖3 故障預測流程圖

最后，根據故障預測和診斷結果，導出岸橋維護和保養的詳細策略，以體檢報表形式展示。

2.4 故障預測的實際應用

在實際應用中，振華重工的多種客戶端軟件都接入了故障預診斷的算法和界面。

在WEB SCADA和WEB CMS這兩款網站軟件中，接入了故障預測診斷算法，為用戶查詢設備在多久后需要更新升級。提供服務設備更換預測圖，提供了設備在線使用時間和下次更換設備的預計時間，方便客戶一目了然的維護設備。

3 結論

隨著工業4.0的逐漸推行與智能制造的興起，通過對收集到的起重機的機械、電氣、液壓等系統的實時狀態和運行統計數據的二次分析利用，以科學統計的分析為用戶制定出一套智能化的維護保養計劃，使得港口設備的日常維護保養更加科學和準確，降低港口設備的故障停機時間以及維保次數和時間，有著非常重要的現實意義[7]。