技术领域
[0001] 本发明涉及特种设备运维领域，尤其涉及一种起重机起升机构运行状态监测方法和系统。
相关背景技术
[0002] 随着我国基础设施建设的推进和国民经济重型工业的整体发展，起重机已经成为国民经济快速发展的重要装备，在多个国民经济部门得到了广泛应用。随着起重机向大型化、高速化、自动化方向的发展，起重机的安全性得到了越来越多的关注。在各类特种设备事故中，起重机事故不仅占比很高，而且通常都是重大、特大事故，从而严重威胁安全生产形势和人民生命财产安全。
[0003] 起重机事故中有大量事故属于起重机运行时发生的事故，例如起重机生产时与周围障碍物的碰撞、多台起重机生产时相互的干涉、起重机生产时对施工人员的伤害等，而起重机的实时设备状态难以根据静态经验判断，往往需要安全管理人员以人工方式分析处理，降低了起重机运行时的安全性和起重机的工作效率。
[0004] 因此，需要对起重机的设备状态进行实时监控，对可能的起重机运行时事故进行提前预测，从而避免起重机运行时事故的发生。
具体实施方式
[0048] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0049] 以下结合附图对本发明实施例进行详细的描述。
[0050] 本申请实施例提供的起重机起升机构运行状态监测方法和系统适合用于对起重机的起升机构运行状态进行实时监测和故障预防的场景，在此，起重机起升机构的运行状态即起重机的实时设备状态。
[0051] 起重机工作时存在相应的风险区域，例如起重机的起升机构可能由于制动器失效而导致吊载坠落、门架由于结构失稳变形导致整机倾覆、旋转机构由于联轴器失效导致臂架杆系或吊载碰撞等。然而，现场安全管理人员难以对起重机的设备状态进行实时监控，对起重机的设备状态以静态经验判断为主，无法实时对起重机的实时运行风险进行评估，难以预测潜在的起重机运行事故，只能在运行事故发生后进行补救，往往无法及时避免工作人员的人身伤害，造成的严重后果不可逆转。
[0052] 本申请实施例提供的起重机起升机构的运行状态监测方法，能够获取起重机起升机构的实时工况数据及状态数据，并根据起重机起升机构的实时工况数据及状态数据，利用专业分析和大数据分析手段，将专业机理、工业数据、算法模型三者充分结合，找出数据中的规律或者异常特征，发现故障劣化趋势及原因，进而评估设备剩余寿命及可靠性，实现日常状态评估和异常报警等功能，并根据设备状态预测发生起重机运行事故的可能性并及时采取相应措施，从而提高起重机生产时的安全性，避免起重机运行事故的发生，提高起重机的工作效率。
[0053] 本申请的一些实施例提供了一种起重机起升机构运行状态监测方法，包括以下步骤：
[0054] 步骤1.获取起重机起升机构的实时工况数据及状态数据。
[0055] 起重机是指在一定范围内垂直提升和水平搬运重物的多动作起重机械，又称为天车，航吊，吊车等。起重机起升机构的实时工况数据是指起重机起升机构的工作状况相关信息数据；起重机起升机构的状态数据是指在起升机构上部署的振动传感器所获取的起升机构工作状态振动监测数据。结合起重机起升机构工况数据和振动监测数据，通过专业分析和大数据分析手段，确定起重机起升机构的故障异常情况，进一步触发系统预警，提醒相关人员对故障诊断部位进行排查和维护。
[0056] 在一些实施例中，通过PLC采集的数据获取相应的工况数据，起升机构的工况数据一般描述的是起升机构某个时间点或短时间段内的运行状态。工况可以随时变化，起重机起升机构的工况数据包括但不限于：起升重量，起升速度，起升高度、行走位置，行走速度等。
[0057] 在一些实施例中，状态数据指的是起重机起升机构吊载过程中的振动状态数据，通过在起升机构的关键传动位置的轴承座安装振动传感器，传感器根据预设的采集频率采集实时振动传感器数据并提供给相应的后台处理设备。
[0058] 通过分析起升机构在不同工况下的振动监测数据，找出数据中与起升机构故障特征频率相关的数据特征，并选用合适的特征值进行描述，推测出起重机在起升动作时会产生剧烈振动的原因，进而进行基于故障特征的起升机构故障诊断。
[0059] 示例性地，用于采集不同类型数据的传感器分别设置在起重机的不同部位，例如，如图1所示，用于采集起重机的起升机构振动加速度的传感器可以设置在起升机构的减速器高速轴端、减速器低速轴端、小齿轮轴承座(近减速箱)、小齿轮轴承座(近卷筒)、卷筒轴承座(近减速箱)和卷筒轴承座(远减速箱)的壳体上，共六个测点，每个测点设置两个压电式加速度传感器，分别监测水平和垂直两个方向上的振动信号，具体安装位置如下表1所示。
[0060] 表1：起重机起升机构传感器安装位置表
[0061]
[0062] 另外，在一些实施例中，传感器的类型可以包括但不限于：加速度传感器和应变传感器等。应变传感器用于采集起重机主梁下底板的结构应变量数据。
[0063] 通过所述可编程逻辑控制器PLC采集的数据是通过将PLC连接在起重机的不同部位进行数据采集，并进行相应数据处理。例如，在起重机的起升位置用PLC获取起重量、起升高度和下降高度、在起重机的小车位置获取运行时电流、频率、电压、电机转速等，本申请实施例对此不做具体限制。
[0064] 步骤2.将采集到的起重机起升机构的振动监测数据与工况数据相融合，利用专业分析和大数据分析手段，确定起重机起升机构故障异常情况。
[0065] 示例性地，起重机起升机构的振动监测利用在减速器和轴承座壳体安装振动传感器，采集传动过程的振动信号，频率为1000Hz。
[0066] 其中，根据采集的起重机起升机构的数据以及工况数据进行专业分析如下：
[0067] 1)起升机构齿轮故障特征频率
[0068] 该齿轮故障特征频率f齿轮如下式：
[0069]
[0070] 其中，fr，fm和fc分别为起升机构遭遇故障时的齿轮转动频率、齿轮啮合频率和齿轮固有频率，A和B分别为起重机起升机构遭遇故障时单个起升机构故障工况数据和故障振动监测状态数据，fele和fdes分别为起升机构在上升和下降过程遭遇A和B故障数据时对应的电机工作频率，P为极对数，k和m分别为起升机构遭遇A和B故障数据时对应的齿轮副等效质量和齿轮平均刚度；
[0071] 2)起升机构轴承故障特征频率
[0072] 冲击单侧滚道轴承故障特征综合频率f1轴承：
[0073]
[0074] 冲击双侧滚道轴承故障特征综合频率f2轴承：
[0075]
[0076] 其中，fo‑out，fo‑in，fbc1和fbc2分别为起升机构遭遇故障时的轴承外圈故障特征频率、轴承内圈故障特征频率、冲击单侧滚道时轴承滚动体故障特征频率和冲击双侧滚道时轴承滚动体故障特征频率，d为起升机构轴承滚动体直径，Dm为起升机构轴承节径，z为起升机构轴承滚动体个数，α为起升机构轴承的接触角。
[0077] 所述专业分析的过程主要集中在信号处理与故障机理分析，具体包括以下几种分析手段：
[0078] 1.时域分析：通过直接分析振动信号的时间波形，识别异常振幅、冲击等信号特征，用于检测振动、冲击和不平衡等故障。指标包括均值、方差、峰值因子等。
[0079] 2.频域分析：使用傅里叶变换(FFT)将振动信号从时域转换到频域，分析信号中不同频率分量的幅值和相位。通过频谱分析有效识别轴承、齿轮或其他旋转部件的故障特征，如齿轮磨损、轴承损坏等。
[0080] 3.包络分析：用于检测轴承故障时效果显著。通过提取振动信号的包络曲线，识别轴承滚动体、内圈、外圈的特定频率，帮助诊断轴承缺陷。
[0081] 4.小波分析：小波变换在时频域上进行局部分析，适用于捕捉非平稳信号中的瞬态变化，如冲击或故障特征。
[0082] 通过上述这些专业分析手段机理模型与采集的振动信号进行对比，识别起重机起升机构中的关键故障点。
[0083] 另一方面，对于获取的起重机起升机构的数据以及工况数据，进行大数据分析，大数据分析的目的是预测出指定工况下的振动特征，属于回归的范畴，选用监督学习领域的模型极限梯度提升算法XGBoost(eXtreme Gradient Boosting)。此外，因为传感器振动监测数据的特征值反映的是起升机构不同位置的不同量纲的振动特征，所以没有办法只用一个XGBoost模型来预测所有特征值。因此需要在XGBoost训练模型算法的外面套一层多输出回归模型(MultiOutputRegressor)，用于实现不同的特征值都有一套自己的预测模型。
[0084] 1)XGBoost模型
[0085] XGBoost是boosting算法的其中一种。boosting算法的思想是将许多弱分类器集成在一起形成一个强分类器。XGBoost是一种提升树模型，它是将许多树模型集成在一起，形成一个强分类器。
[0086] 监督学习模型XGBoost，需要确定一个目标函数来作为模型训练的终止目标。XGBoost的目标函数如下述公式所示，由三个部分组成，第一部分是损失函数，是目标函数的主体部分；第二部分是叶子数量，表示模型树的复杂程度；最后一部分是正则项，用于防止模型过拟合。
[0087]
[0088] 其中， 为第i个样本的模型预测的输出参数，yi为第i个样本的实际输出参数，m表示样本数量，T表示该回归树的叶子节点数量，γ为超参数。
[0089] 2)模型数据
[0090] ①自变量与因变量
[0091] 研究对象为起升机构的振动现象，因此起重机工况数据为模型的自变量；振动监测数据与工况数据的采样频率不一致，无法一对多的用工况数据直接训练和预测振动监测数据，所以需要将振动监测数据的特征按工况数据的采样频率提炼成特征值，作为模型的因变量。
[0092] 其中，所述将振动监测数据的特征按所述工况数据的采样频率提炼成特征值，包括：对振动监测数据在每个工况的时间间隔内进行特征提取，选取传感器振动监测数据时域的特征值，如均方根、平均幅值、方差、方根幅值、峰值、峰‑峰值、歪度、峭度等。
[0093] 其提炼过程具体步骤如下：
[0094] S1、以起重机工况统计为标准建立相应工况的动态时间窗口，切分振动监测数据；
[0095] S2、对于每个时间窗口内的振动监测数据，提取时域特征；
[0096] S3、每个时间窗口内的特征值将作为该工况的振动特征。
[0097] ②训练集与测试集在模型训练完成后，需要通过实验测试来对训练出来的模型的泛化误差进行评估模型的好坏，因此需要一份测试集数据来测试模型对新样本的判别能力，将测试集上的误差作为模型的“泛化误差”。且为反映模型健壮的真实性，测试集数据应与训练集数据不重合。
[0098] 3)模型评估
[0099] 模型评估是模型训练完成后，评判模型好坏的唯一方式。即需要通过一些能够反映测试集与真实数据差异的统计量来评判模型本次预测的好坏。选取差值的R方(调整后的均方误差)来反映模型的泛化误差。
[0100] 4)模型调参
[0101] 直接使用Python中的XGBoost包来进行振动特征值预测模型的搭建。
[0102] 选取一组数据，通过交叉验证的方式调整进行模型调参，以n_estimators(弱分类器数量，分类树数量)为例，如图2是模型的训练集与测试集在不同分类树数量下的交叉验证图，我们的调参目标就是，让下图中的两根线尽量靠近，从而使得训练出来的模型能在测试集上有更好的表现。
[0103] 5)模型训练及预测
[0104] 大数据分析主要目的是通过预测数据和真实数据的差异对比，反映起升机构振动状态的变化。简而言之，当模型预测出的数据与真实值差异变大，起升机构的振动状态大概率发生了改变。
[0105] 实施例1
[0106] 选2024年5月份部分数据为训练集，训练出一组表现较好的模型作为起升机构振动特征值的预测模型，再在每个月中选取几天数据来作为测试集，预测特征值并对预测值与真实值的差异性大小进行打分，来判断模型预测的准确度。
[0107] 由于起重机的起升机构在不同起升速度下所表现出的振动存在差异，因此选取工况数据中较为常见的3种起升速度进行比较。示例性地，如果起升机构的电机额定转速为745rpm、减速比为72.881，因此100％、70％、35％速度对应的特征频率如下表2，其中，特征频率可包括电机转出转频和减速箱输出转频，单位为Hz。
[0108] 表2:100％、70％、35％起升速度对应的特征频率
[0109]起升速度(％) 电机输出转频(Hz) 减速箱输出转频(Hz)
100 1 242 0.170
70 8.69 0.119
35 434 0.060
[0110] 1)2#起升机构振动监测数据分析：
[0111] 振动监测选取2#起升机构在不同工况下的振动监测数据进行时域、频域分析，分析图如图3A、3B和3C所示，经对比，2#起升机构各个工况下起升振动均比较大，整体上竖直方向的振动要比水平方向大。减速箱高速轴端(近制动器)处振动相对最小；减速箱低速轴端竖直方向振动最大；卷筒从动端轴承座上振动成分最复杂。2#起升机构在“下降”动作时的振动情况较“上升”动作的振动严重，且冲击振动更为明显；“上升”动作时的振动波形呈现出一定的不对称性，重点表现在减速箱上。此外，2#起升机构振动情况从监测至今存在较大的劣化趋势，说明所存在的故障正在逐渐严重，应尽快检修。
[0112] ②振动源定位分析
[0113] 分析振动幅值发现，2#起升机构在“上升”工况下，时域波形出现了一定的不对称性在减速箱上的振动监测数据尤其明显，推测存在减速箱松动摩擦故障，且突出的峰值周期与减速箱的输出频率一致，在“下降”工况下，振动不对称的特征消失，推测摩擦问题应当是由于减速箱输出转动引起的，减速箱低速轴端底座约束减弱。此外，振动波形中存在明显的冲击振动，冲击振动的周期约为减速箱输出频率，且在卷筒两端更为明显，推测是由卷筒与减速箱低速轴对中性变差引起。
[0114] 此外，减速箱上传感器振动频率中，幅值较大的频率均有电机输出转频的≈17倍、34倍的频率，周围有以电机输出频率的间隔的边频簇，且整体幅值表现为高速轴端高于低速轴端，电机端高于制动器端，故推测振动源为减速箱中的一级啮合频率，且在起升速度
100％时，该频率振动幅值尤其突出，推测引发了共振现象；此外，电机输出转频的≈8倍频率及其倍频也较为明显，且出现在减速箱高速轴居多，疑似减速箱中二级啮合频率，建议排查减速箱故障。
[0115] 2)3#起升机构振动监测数据分析：
[0116] ①时频域特征分析
[0117] 选取3#起升机构不同工况下的振动监测数据进行时域、频域分析，分析图见图4A、4B和4C。
[0118] 经对比，3#起升机构振动情况良好，振动大小受起升载荷影响较大。减速箱高速轴端(近电机)处振动相对较大；减速箱低速轴端竖直方向振动最大；卷筒从动端轴承座上振动成分最复杂。
[0119] ②振动源定位分析
[0120] 分析振动幅值发现，3#起升机构在负载起升时，减速箱上传感器振动频率中，幅值较大的频率均有电机输出转频的≈17倍、34倍的频率，周围有以电机输出频率的间隔的边频簇，推测振动源为减速箱中的一级啮合频率，此外，电机输出转频的≈8倍频率也较为明显，且出现在减速箱高速轴居多，疑似减速箱中二级啮合频率；振动中出现了倍频振动，但整体振动幅值不大，可推断暂无明显故障表现。
[0121] 本申请的一些实施例还提供了一种起重机起升机构运行状态监测系统，该系统包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该系统执行前述起重机起升机构运行状态监测方法。
[0122] 综上所述，本申请提供的方案能够获取起重机起升机构的实时工况数据及状态数据，并将采集到的所述起重机起升机构的振动信号与工况数据相融合，利用专业分析和大数据分析手段，确定起重机起升机构的故障异常情况。本申请能够实时监测起重机起升机构的设备状态，并根据设备状态预测发生起重机起升机构运行事故的可能性并及时采取相应措施，从而提高起重机生产时的安全性，避免起重机运行事故的发生，提高起重机的工作效率。
[0123] 需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
[0124] 在本申请一个典型的配置中，终端、网络设备均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
[0125] 内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
[0126] 计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘(CD‑ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0127] 另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本申请的一个实施例包括一个设备，该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该设备运行基于前述根据本申请的多个实施例的方法和/或技术方案。
[0128] 对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。
