QDY型橋式起重機安全故障智能診斷方法

張政偉

摘要：針對采用現有故障診斷方法診斷QDY型橋式起重機故障時，存在診斷結果與實際相差較大，且無法將全部故障問題查出的問題，開展安全故障智能診斷方法的研究。在QDY型橋式起重機運行中，獲取起重機運行數據，并完成對數據的歸一化處理。再基于起重機故障的多種類型，建立起重機安全故障模型。基于貝葉斯理論，通過計算起重機故障先驗概率、條件概率等參數，實現對起重機故障的智能診斷。將新的故障診斷方法應用于實際，可實現對起重機多種故障類型的準確診斷，且能夠全部找出同一時刻多種故障類型，具備極高的應用價值。

關鍵詞：QDY型橋式起重機；故障類型；安全；智能診斷

0? ?引言

橋式起重機是一種在車間、倉庫或料場上方吊裝各類材料的起重機械。這種起重機由于采用了鋼筋或混凝土支撐，其外觀與橋梁十分類似，因此將其稱為橋式起重機[1]。這種起重機是完全懸掛在空中的，因此運送貨物時非常方便，甚至可以忽略地面上的障礙物。針對不同行業的需要，對橋式起重機功能結構進行改進，可以以滿足各種用途。

橋式起重機結構較為特殊，一旦橋架或起重機小車出現故障問題，很有可能造成十分嚴重的事故，甚至會威脅現場作業人員的人身安全[2]。如果不能及時進行檢查和維護，負荷過大，將會引起主梁的變形，從而引起一系列的事故。所以，加強橋式起重機的安全檢查、維護、故障診斷是十分必要的。

近年來，我國橋式起重機的品種逐漸增加，可應用的領域不斷擴展[3]，智能化和自動化發展趨勢發明顯，用戶對橋式起重機的使用安全性、故障診斷的準確性要求也越來越高。基于此，為提高橋式起重機的使用安全性，本文以QDY型號橋式起重機為例，開展對其安全故障智能診斷方法的研究。

1? ?獲取QDY型橋式起重機運行數據

針對QDY型橋式起重機的安全故障問題，為實現對故障類型的準確診斷，需要先獲取起重機在運行過程中的各項參數。針對運行數據的采集，采用STC89C52型單片機作為控制核心。其價格低廉，性能足以滿足起重機的數據采集需要。

對起重機進行傳感器數據的采集，并以UART串行通訊方式向數據處理模塊傳輸。采集模塊的組成主要包括4～20mA的模擬信號采集電路、多圈絕對值編碼電路、信號隔離電路、串口通訊電路等。采用多圈絕對值編碼器的數據采集電路，對起重機運行位置、吊鉤高度、吊鉤速度等數據進行采集。

2? ?建立起重機安全故障模型

橋式起重機結構比較復雜，對于出現的故障，可以按照起重機結構特點、各零部件失效模式，將其劃分為模塊、層次，增加失效原因節點等。根據各個故障層次的失效原因，可以得到最少的故障割集。將橋式起重機的整體失效看作是一個設置的頂點，并對其進行逐級分解，獲得相應的底層事件[4]。

利用邏輯從上向下連接底層事件、中間事件、頂部事件進行連接。采用故障樹變換的方法，在對應貝葉斯網絡的根、中間、葉節點上采用有向線段表示層次關系。根據上述論述，構建如圖1所示的橋式起重機安全故障模型。

將圖1橋式起重機安全故障模型中的故障節點分為具體故障節點和經驗故障節點。針對各個具體故障節點，其包含2種狀態：一種為正常狀態，另一種為故障狀態。再將經驗故障劃分為三種狀態：第一種為正常狀態，第二種為注意狀態，第三種為損壞狀態[5]。

從圖1中可以看出，本文將橋式起重機安全故障模型分為3層基本結構，其中：第一層為抽象的網絡節點，只包含一個節點P；第二層為經驗數據節點，包含G、H、I、J、K、L；第三層為具體的故障節點。

3? ?基于貝葉斯的起重機安全故障智能診斷

在上述基礎上，求出的先驗概率與條件概率，確定某個時間節點的失效數據后，可以推斷橋式起重機內部層結點的失效狀況。當橋式起重機的機械結構總體狀況被診斷出來時，通過逆向推理，確定出現故障概率最高的部件，以此根據不斷狀態判斷起重機的故障類型。

為實現對起重機安全故障的智能化診斷，將Netica 平臺作為智能診斷核心，將上述構建的故障模型導入到該平臺當中，并結合鏈式推理算法，將QDY型橋式起重機作為進行故障診斷的對象，通過上述診斷思路，實現對起重機不同故障類型的辨識[7]。

結合橋式起重機的日常運行測試數據，結合專家的經驗，對每一個網絡節點的先驗概率分配和網絡節點的條件概率分配。通過模擬專家診斷，可以隨時調用相關的應用，將所收集到的數據進行分析，從而快速地發現最終出現的問題以及最有可能出現的問題，并由使用者進行驗證。通過Netica平臺輸出診斷結果，實現對起重機安全故障的自動化智能診斷。

4? ?實例應用研究

對故障診斷方法設計后，為實現對這一診斷方法應用可行性的驗證，以10t規格的QDY型橋式起重機為研究對象，針對該機械設備在運行過程中的數據進行采集，并將其作為測試數據。

在此基礎上，通過本文上述診斷方法對該起重機進行安全故障診斷。所選QDY型橋式起重機的凈重為10t，材質為鑄鋼，行程為50m，提升速度為60m/min，電動功率為380V。針對該規格QDY型橋式起重機的故障類型，對其分別編號，并在測試數據中導入故障數據節點，如表2所示。

根據表2中的內容，人為控制QDY型橋式起重機運行75min，并在運行的各個階段，將上述各個故障數據節點融入到該起重機運行參數集合中。在融入過程中，可以在同一時刻設置一組相同故障類型節點或多組不同故障類型節點。

完成上述測試操作后，在QDY型橋式起重機運行過程中，利用本文故障診斷方法對其故障類型進行診斷，并將診斷結果與真實情況對比，得到如表3所示的測試結果。

從表3中記錄的測試結果可以看出，在QDY型橋式起重機運行75min時間內，本文診斷方法診斷的結果與真實故障情況完全相同。同時在起重機運行0～15min和45～60min時間范圍內，多種故障類型的同時發生。

通過上述得出的測試結果可以看出，將本文上述提出的診斷方法應用到實際，可以實現對QDY型號橋式起重機故障問題的準確判斷，以此能夠促進起重機運行安全性和穩定性的提升。相應診斷得出的結果，也可以為起重機的檢修提供重要的依據。

5? ?結束語

針對采用現有故障診斷方法診斷QDY型橋式起重機故障時，存在診斷結果與實際相差較大，且無法將全部故障問題查出的問題，本文通過研究設計一種以貝葉斯理論為核心的診斷方法。

將本文上述提出的診斷方法應用到實際，可以實現對QDY型號橋式起重機故障問題的準確判斷，以此能夠促進起重機運行安全性和穩定性的提升。

盡管本文設計的故障診斷方法具備較高的診斷精度，但僅針對QDY型橋式起重機進行了探究，對于其他型號橋式起重機的故障研究并未涉及。在后續的研究當中，我們將針對其他型號橋式起重機的安全故障問題提出合理、有效的診斷方法，從而促進橋式起重機使用適應性的提升。

參考文獻

[1] 劉偲，劉道星.XGBoost算法在塔式起重機傳感器故障診斷中的應用[J].建設機械技術與管理，2022，35（5）：115-117.

[2] 李勝永，吳麗華，戴雨.基于ADR-SDP-DCNN算法的非穩定工況下港口起重機軸承故障診斷[J].上海海事大學學報，2022，43（3）：102-110.

[3] 曾耀傳，林云樹，吳曉梅.基于EEMD與GWO-MCKD的門座起重機回轉支承故障診斷[J].機床與液壓，2022，50（7）：170-175.

[4] 龐濤，黃浩奇，邱雪芳，等.基于MFCC和SVM的起重機減速器故障診斷系統研究[J].自動化與儀器儀表，2022（6）：70-74.

[5] 張氫，李帥杭，陳星，等.基于無監督學習的岸邊集裝箱起重機關鍵部件故障診斷方法[J].起重運輸機械，2022（2）：61-65.

[6] 李勇，錢尼君，陳星斌，等.基于EEMD-Treelet和高斯過程的起重機齒輪故障診斷[J].計算機測量與控制，2021，29（7）：36-40+51.

[7] 楊武幫，高丙朋，陳飛，等.基于變分模態分解和PSO-SVM的起重機齒輪箱故障診斷[J].機械傳動，2021，45（4）：105-111.