基于支持向量機的施工升降機制動器故障診斷方法

朱少龍

摘要：針對當前施工升降機制動器故障診斷過程中，制動器信號分析能力較差，導致診斷準確率較低，無法判定故障的真實類型的問題，提出基于支持向量機的施工升降機制動器故障診斷方法。采用小波包分析法，確定運行信號信息，獲取故障特征向量。構建支持向量機模型，分析信號類型。增加環境擾動計算環節，提升支持向量機分類結果準確性，實現施工升降機制動器故障診斷。實驗結果表明：此方法可有效提升故障診斷準確性，且可對故障類型進行高精度分析。

關鍵詞：支持向量機；施工升降機；制動器；故障診斷；二分法

0? ?引言

隨著城市化進程不斷加速，高層建筑的數量幾何倍數增加。施工升降機作為建筑施工垂直運輸過程中一種較為重要的設備，在高層建筑施工中應用十分廣泛。施工升降機為各類建筑的施工提供了大量的便利，進一步提高了高層建筑施工進度，縮短了基礎工程的工期。

由于施工環境的復雜性與惡劣性，施工升降機制動器故障頻發，造成了較為嚴重的施工事故。在過去研究中，部分學者雖然提出了一些針對施工升降機制動器的故障診斷方法，但整體應用效果不佳[1-2]。

此類故障識別方法，多將制動器故障視作一對一故障，且在診斷過程中忽視環境對診斷結果的影響，導致診斷準確率較低，無法判定故障的真實類型。

針對此問題，本文使用支持向量機完善原有故障診斷方法，提出基于支持向量機的施工升降機制動器故障診斷方法。支持向量機是一種類別分析算法，應用它可加速信號數據分析，為后續的故障識別提供便利條件。

1? ?獲取故障特征向量

此次研究中，將施工過程中應用的升降機作為研究對象，因此在進行診斷時需要采集設備運行信號，以此反映制動器的時變信號。

1.1? ?采集流程

獲取采集結果中的非平穩時變信號，并提取其中可反映設備運行狀態的特征向量。由于信號中帶有一定的時域特征與頻域特征，需要采用小波包分析[3-4]，將采集到的信號細化分解為全頻帶，確定各信號地段的分辨率，從中提取特征向量。

1.2? ?對采集到的信號進行小波分解

在施工升降機制動器中安裝高精度信號采集器，獲取設備運行信號樣本。信號采集完成后，對信號樣本進行多層級小波包分解，獲取每個頻段中的高頻信號特征Aij。其中：i表示信號特征獲取層級，j表示信號特征獲取節點個數。

1.3? ?獲取總信號量

1.4? ?計算各頻帶信號的總能量

1.5? ?構造整體特征向量

整理上述內容，并使用以上計算公式提取信號特征。應用此設定獲取正常信號與故障信號，并重復上述內容，得到特征向量集合。

2? ?施工升降機制動器故障診斷方法設計

2.1? ?構建支持向量機模型

此研究中，將支持向量機作為核心技術完成制動器的故障診斷工作。支持向量機可通過線性思維對指定平面中的數據進行分析，適用于故障診斷此類二分問題。但由于真實故障類別較多，且形成原因較為復雜。因此，需要將支持向量機轉化為“一對多”形式。

將“一對一”格式[5]作為基礎，將多種故障類型問題轉化為多類型問題。在進行數據訓練時，可將非故障數據視作正類，故障數據視作負類，構建出支持向量分類器。為保證此分類器的應用效果，對其進行測試。將未知類型數據輸入到此分類器中，計算決策函數值，并將函數值最大的分類器作為正類輸出。

由于本次研究中需分析的內容較為復雜，此次研究中在設定好的向量機中增加相應的核函數。將原有向量機中的平面空間轉化為高維空間，并在其中進行相應的內積運算。為降低計算難度，可采用原平面中的函數完成數據處理過程。

根據支持向量機核函數的相關理論，使用Mercer條件[6-7]對向量機中進行約束，并確定空間變換中的內積。在最優分類平面中，采用適當的內積核函數進行處理，由此實現平面空間向高維空間的轉化過程。與此同時，控制向量機部分節點設定的線性函數，在每個函數中增加數據樣本，計算其與支持向量之間的內乘積，并在此基礎上構建支持向量網絡。

2.2? ?施工升降機制動器故障診斷

在上述設定內容的基礎上，應用支持向量機完成施工升降機制動器故障診斷。針對施工升降機制動器的工作環境進行分析，以避免外部環境對故障診斷造成影響。

3? ?實驗論證分析

針對本次研究中提出的基于支持向量機的施工升降機制動器故障診斷方法，應用數據樣本分析的方式，確定此方法的故障診斷性能。

3.1? ?數據樣本準備

本次實驗將在制動器實驗臺中完成。實驗臺相關參數，按照相關要求展開設定，并在此實驗臺獲取制動器故障參數。此次實驗主要通過彈簧力、制動油壓1、制動油壓2以及緊急制動信號量，確定實驗樣本的故障情況。具體故障樣本如表1 所示。

將上述數據作為基礎，對每組的實驗信號進行擴充，將信號數據中增加正常信號，每組信號達到1000條。使用文中方法、基礎方法以及機械視覺方法、神經網絡方法，對上述數據進行診斷，確定不同方法的應用差異。

3.2? ?故障識別準確率實驗分析

應用上述實驗設定內容，對不同方法的故障識別準確率進行分析。故障識別準確率如表2所示。

對表2中數據進行分析可以看出，文中方法在使用后，可對測試組中的樣本進行高精度分析，并從中提取到相應的故障信號。文中方法的故障識別準確性控制在[98.00%，99.00%]之間，

與文中方法相比，其他3種方法的應用效果相對較差，整體故障診斷精度維持在92.00%～96.00%之間。由此實驗結果可以確定，文中方法的故障診斷能力優于其他2種方法，相對應用效果較強。

3.3? ?故障類別劃分精度實驗分析

在上述實驗進行的過程中，對故障數據的類型進行劃分，并確定每種故障診斷方法的故障劃分精度。故障類別劃分精度如表3所示。

對比表3中數據可以看出，在對故障類別進行判定分析時，4種實驗方法的故障類別劃分精度具有較為明顯的差異。

其他3種方法的應用過程中，故障類別劃分精度相對較低且波動較大，使用該方法，無法獲取到可靠的故障類別診斷結果，且會導致制動器維修耗時較長或維修技術選擇錯誤等連鎖問題。文中方法為4種實驗方法中，對故障類別劃分精度最高的方法。

4? ?結束語

針對當前施工升降機制動器故障診斷方法的日常應用過程中存在的問題，此次研究對其進行了優化與完善，并通過實驗證實了新方法的科學性。由于新方法中設定了大量的計算環境，為保證計算結果的可靠性，需提升設備運行信號采集精度，從而為日后的技術提升提供數據保障。

參考文獻

[1] 王莉靜，趙海盟，戴遠東，等.基于RF-EL融合算法的施工升降機可靠性模型研究[J].中國工程機械學報，2022，20（4）：371-376.

[2] 李娟莉，閆方元，梁思羽，等.基于卷積神經網絡的礦井提升機制動系統故障診斷方法[J].太原理工大學學報，2022，53（3）：524-530.

[3] 郗濤，徐偉雄，高宗帥，等.基于RF-GA-SVM算法的施工升降機輸入電壓控制模型[J].天津工業大學學報，2022，41（2）：60-66.

[4] 孫原理，宋志浩.基于多物理場信號相關分析與支持向量 機的離心泵故障診斷方法[J].振動與沖擊，2022，41（6）：206-212.

[5] 李倩，劉惠康，皮瑤，等.基于深度置信網絡的制動器故障診斷方法[J].高技術通訊，2021，31（10）：1075-1080.

[6] 趙挺生，龐奇志，姜雯茜.基于數據庫與支持向量機的施工升降機安全風險預測[J].中國安全科學學報，2021，31（4）：11-17.

[7] 劉元強.汽車起重機氣壓不正常的故障排查[J].工程機械與維修，2022（2）：30-31.