基于物聯網技術的快速欄桿機故障自適應辨識方法

摘 要：為達到優化快速欄桿機故障辨識效果、降低辨識誤判率、提高辨識準確性的目的，利用物聯網技術設計了快速欄桿機故障自適應辨識方法。建立物聯網體系架構，安裝傳感器，實時采集并傳輸快速欄桿機的運行狀態數據；對采集的運行狀態數據進行縮放與標簽編碼處理，提高數據可用性；明確欄桿機可能發生的故障類型及特征，采用主成分分析方法，提取能夠反映快速欄桿機運行故障的特征；在此基礎上，設計快速欄桿機故障自適應辨識算法，辨識欄桿機是否存在故障。實驗結果表明，快速欄桿機的辨識誤判率最高不超過0.39%，辨識準確性得到了顯著提高。

關鍵詞：物聯網技術；快速欄桿機；故障自適應辨識；主成分分析；CART決策算法；數據采集和預處理

中圖分類號：TP391.41 文獻標識碼：A 文章編號：2095-1302（2025）02-00-03

0 引 言

快速欄桿機作為一種常見的自動化設備，被廣泛應用于道路、橋梁、隧道等場所的人行道或車行道的欄桿控制[1]。它能夠快速、準確地響應指令，實現欄桿的升降操作，并具有防撞功能，能夠有效減輕交通壓力和保障交通安全[2]。然而，快速欄桿機的運行狀態會受到多種因素的影響，如天氣、交通流量等，在使用過程中可能會出現各種故障，導致快速欄桿機性能下降或失效，嚴重時甚至可能引發安全事故。因此，對快速欄桿機故障進行準確辨識和診斷，對保證欄桿機的正常運轉及交通安全具有重要意義。傳統的快速欄桿機故障診斷方法主要依賴于人工巡檢和定期維護，在實際應用中存在一定的局限性，不僅辨識準確率不高，效率低下，而且難以做到實時監測和預警[3]。物聯網技術的出現為快速欄桿機的故障辨識提供了新的解決方案。本文利用物聯網技術開發了一種高效、準確的快速欄桿機故障自適應辨識方法。通過在快速欄桿機上安裝各種傳感器，可以實時收集設備的工作狀態數據，然后把采集到的數據傳送到云端，供分析和處理[4]。通過對上述數據的分析，能夠及時診斷出快速欄桿機的異常運行工況，并正確辨識出故障類型，分析故障原因，為欄桿機的安全可靠運行及設備后續維護、維修提供有力

支持。

1 快速欄桿機故障自適應辨識方法

1.1 基于物聯網技術采集快速欄桿機運行狀態數據

應用物聯網技術能夠實現快速欄桿機運行狀態數據的采集。采集的數據包括欄桿機的開啟/關閉狀態、欄桿機的速度、欄桿機的電力參數、運行時間等[5]。物聯網體系架構如圖1所示，為數據采集與傳輸提供有力的支持。

從圖1中可以看出，本文所構建的物聯網體系架構由3層組成。其中，感知層主要負責采集與識別快速欄桿機運行的各項物理信息，通過數據分析實現一定的自適應控制功能；網絡層起到了連接作用，進行快速欄桿機運行狀態數據的雙向傳遞；應用層能夠實現應用中用戶與設備之間的信息交互[6]。傳感器選擇光敏傳感器、電流互感器、電壓傳感器與開關傳感器[7]，實時捕獲欄桿機運行狀態數據，上傳至數據中心進行故障自適應辨識。

1.2 快速欄桿機運行狀態數據預處理

在上述基于物聯網技術的快速欄桿機運行狀態數據采集完畢后，對運行狀態數據進行預處理，確保數據能夠有效地反映欄桿機的實時運行工況及特征，避免因數據不可靠而對后續故障自適應辨識結果造成干擾。首先，檢查運行狀態數據的完整性，去除不符合要求或異常的數據。其次，將數據字符串類型轉換為數值類型，根據分析需求，重新組織數據的結構[8]。將重組后的數據縮放到統一的標準，縮放公式表示為：

（1）

式中：x表示欄桿機運行狀態原始數據；μ表示運行狀態數據平均值；σ表示運行狀態數據標準差。數據縮放完畢后，使用標簽編碼對分類變量進行編碼，將快速欄桿機開啟狀態編碼為0，將關閉狀態編碼為1，便于后續故障的特征提取[9]。

1.3 提取快速欄桿機故障特征

快速欄桿機運行狀態數據預處理完畢后，從預處理后的運行狀態數據中提取能夠反映快速欄桿機運行故障的各項特征。快速欄桿機故障類型及特征見表1。

本文采用主成分分析方法，通過線性變換的方式將原始快速欄桿機運行狀態數據轉換為若干個主成分，這些主成分能夠多維度反映運行狀態數據的主要特征[10]，公式如下所示：

（2）

式中：X表示轉換后的主成分矩陣；Z表示由縮放完畢后的原始數據z組成的矩陣；W表示線性變換矩陣。

1.4 設計故障自適應辨識算法

快速欄桿機故障特征提取完畢后，在此基礎上，設計快速欄桿機故障自適應辨識算法，辨識欄桿機是否存在故障。本文選擇CART決策樹算法[11]，與其他決策樹算法相比，該算法在處理數據結構的非線性問題上更為高效。設定當前快速欄桿機樣本集合X，其共包含l種特征。利用基尼比G（X）來度量數據集合的純度，公式如下所示：

（3）

式中：pk表示第k類樣本所占的比例。通過該公式得出的基尼比能夠有效反映在數據集合中隨機抽取樣本的故障類別標記不一致的概率，G（X）值越小，則數據集的純度相對越高。其次，定義數據集中任意屬性的基尼指數，在候選屬性集合中，選擇基尼指數最小的屬性，將其作為故障自適應辨識最優劃分屬性。結合上述提取的故障特征與最優劃分屬性，確定故障自適應辨識最優特征的最優二值劃分點[12]。將訓練集根據特征的不同，分配到兩個不同的子節點中，對兩個子節點進行不斷地遞歸處理，直至滿足分類樹停止迭代的條件。生成CART決策樹后，根據決策樹的輸出結果，初步辨識欄桿機是否存在故障。

在此基礎上，采集快速欄桿機正常工作時的歷史運行狀態數據，根據歷史數據記錄，對快速欄桿機正常工作時的運行狀態數據的動態變化做出客觀分析，掌握欄桿機的運行規律。基于欄桿機正常工作時的數據值與運行規律，分別設定各項運行狀態參數對應的閾值。對于每次接收到的命令，快速欄桿機都會記錄其運行數據，通過設計的判斷算法，檢查欄桿機各項實時運行數據是否超出或低于設定的閾值。若任意一項運行數據不滿足閾值要求，則判定欄桿機存在故障；若所有運行數據均滿足閾值要求，則判定欄桿機不存在故障，從而輸出最終的辨識結果，實現快速欄桿機故障自適應辨識目標。

2 實驗分析

2.1 實驗準備

選擇了150臺快速欄桿機作為此次實驗研究的樣本設備。這些設備均安裝在城市的交通路口（具有代表性的交通流量和工況條件）。為了保證實驗的準確性和可靠性，這些快速欄桿機均由同一家制造商生產，型號相同。

在實驗期間，為每臺快速欄桿機配備了多種傳感器，可以對各欄桿機的工作情況進行實時監控，并通過物聯網技術收集每臺快速欄桿機的具體運行狀態數據。采集的運行狀態數據包括電機轉速、欄桿位置、電流、運行時間、故障代碼等。快速欄桿機運行狀態數據采集頻率為1 Hz，其持續監測了150臺設備在一個月內的運行狀態數據。在此基礎上，為了模擬快速欄桿機實際運行過程中的故障情況，對快速欄桿機進行了人為故障設置，樣本設備故障模擬情況見表2。

2.2 結果分析

在本次實驗中，選擇將快速欄桿機故障辨識誤判率作為性能評價指標。將本文提出的方法設置為實驗組，將文獻[4]、文獻[5]方法分別設置為對照組1與對照組2。快速欄桿機故障辨識誤判率的實驗結果見表3。

通過表3的實驗結果可以看出，本文提出的故障自適應辨識方法表現出了更好的性能，6種不同故障類型的快速欄桿機辨識誤判率明顯低于另外2個對照組，誤判率最高不超過0.39%。由此實驗結果可以證明，本文提出的自適應辨識方法具有更高的可行性與有效性，能夠準確地辨識出快速欄桿機的各類故障。

3 結 語

本文利用物聯網技術，針對快速欄桿機提出了一種故障自適應辨識方法，并通過實驗，驗證了所提出方法對故障辨識的準確性和可靠性。在未來的研究中，人們可以進一步優化快速欄桿機故障數據的傳輸和存儲技術，提高數據的質量和可靠性，為故障辨識提供更加準確的基礎數據。

參考文獻

[1]王楠.淺談機械設備故障診斷與監測的常用方法及其發展趨勢[J].中國設備工程，2024（1）：159-161.

[2]仝杰，齊子豪，蒲天驕，等.電力物聯網邊緣智能：概念、架構、技術及應用[J].中國電機工程學報，2024，44（14）：5473-5496.

[3]陳剛，陳沛彥，金亞運，等.物聯網環境下的電梯智能維護與管理系統研究[J].工程技術研究，2023，5（23）：40-42.

[4]劉小峰，亢瑩瑩，柏林，等.基于多模式仿真數據協同遷移的軸承故障辨識[J].中國電機工程學報，2024，44（16）：6632-6644.

[5]齊子豪，仝杰，張中浩，等.基于多粒度知識特征和Transformer網絡的電力變壓器故障聲紋辨識方法[J/OL].中國電機工程學報，1-13[2024-01-25]. https：//kns.cnki.net/kcms2/article/abstract？v=_f4imrocbXm2j41LAR-gMPrALPi9kCGyznp8lyuFxxG0-yEsngxF0YBLVMv5dbh3cZNwyKTMF6m7XLhqPbTwkB8FL5AiF-uUE_4OSvvUOzDd1GzPJMc2Lr0b5Gx9pvlAzqmhCY7fnRC69Fo7p4Epojjg51ENwqVCwT_2cl95cHHAcUOzqYpTIuZlQYCT3UI0amp;uniplatform=NZKPTamp;language=CHS.

[6]張廣斌，陳柏宇，束洪春，等.基于時域波形特征認知的輸電線路近端故障辨識與定位[J].電力系統自動化，2024，48（5）：146-156.

[7]武霽陽，李強，陳潛，等.知識圖譜框架下基于深度學習的HVDC系統故障辨識[J].電力系統保護與控制，2023，51（20）：160-169.

[8]王成，劉先鋒.基于物聯網技術的智能電氣設備在線監測與故障診斷[J].信息記錄材料，2023，24（9）：103-105.

[9]聶杰雄.基于仿射傳播聚類的欄桿機故障智能診斷方法[J].西部交通科技，2023（8）：190-191.

[10]施梁，武文斌.基于物聯網的設備自動故障診斷與狀態分析系統研究與應用[J].電器工業，2022（12）：71-74.

[11]李烈熊.基于深度信念網絡的復雜機電設備故障診斷方法[J].信息與電腦（理論版），2023，35（13）：101-103.

[12]王偉杰，黃康輝，何能斌，等.自動欄桿機故障自診斷及智慧管養系統[J].中國交通信息化，2022（z1）：250-253.

作者簡介：蔣建濤（1987—），男，甘肅蘭州人，工程師，研究方向為高速公路機電維護。

收稿日期：2024-01-30 修回日期：2024-03-07