基于WA-ESN的建筑起重机械故障检测

庄爱军

(深圳市苏中九鼎机械设备有限公司，广东 深圳 518100)

0 引言

建筑起重机械包括塔吊、施工升降机、物料提升机等，具有体积大、操作难度大和故障检测困难等特征。故障检测作为保障建筑起重机械正常运作的关键手段，可依据建筑起重机械特征实行故障检测，因此建筑起重机械故障检测成为当前研究的热点[1-3]。

针对建筑起重机械故障检测问题，国内外学者进行了深入研究，提出许多有效的建筑起重机械故障检测方法[4]。如：姜洪开等[5]提出了基于深度学习的故障诊断方法的建筑起重机械故障检测方法，该方法通过自主挖掘在初始数据内的潜藏诊断信息，创建了初始数据和运行状况之间的映射关系，实现机械的故障诊断，但此方法的精度受初始数据的影响，诊断精度不稳定；姚杨等[6]提出了基于复合特征的机械故障诊断方法，其在复合数据序列特征与时频特征的基础上，对隐藏于信号内的特征实行提取，以所提取特征划分振动信号区间，结合最小二乘技术辨识信号参数，但该方法在提取信号内特征时未实行降噪处理，导致提取特征不准确，以至出现诊断结果误差高的问题。回声状态网络[7-8]ESN(Echo State Network)属于一类新型的递归神经网络，对于辨识非线性系统方面而言，较以往的递归神经网络有很大提升，具有训练效率高、实时性强、辨识精度高以及实际应用性强等特点。

为了提高建筑起重机械故障检测效果，在此，提出了小波消噪和回声状态网络的建筑起重机械故障检测方法(WA-ESN)，并对其性能进行了测试。

1 建筑起重机械故障分析

如今，建筑起重机械在建筑工程中应用极为普遍，为了保证建筑起重机械的使用安全及稳定性，必须及时查明建筑起重机械故障类型，对产生故障的影响因素进行分析，了解建筑起重机械故障特征，以更好地解决建筑起重机械故障问题，为保证建筑起重机械使用安全提供一定帮助。

1.1 建筑起重机械故障类型及影响因素

在使用过程中，建筑起重机械经常会发生故障，产生故障的原因有很多种，比如使用不当类型的建筑起重机械故障，即在安装拆卸、顶升起重机械设备时，违反有关技术标准和操作规程，或没有按照厂家提供的起重机械说明书的有关要求进行作业，导致建筑起重机械内部发生损坏从而导致故障；此外建筑起重机械安全装置缺失或处于失效状态、建筑起重机械违规维修或日常保养缺失以及设备质量问题等情况都会造成建筑起重机械故障，使建筑起重机械产生安全隐患。

1.2 建筑起重机械故障特征

由于建筑起重机械故障有着自身的特征，因此在进行建筑起重机械故障检测之前必须对建筑起重机械故障特征有所了解。建筑起重机械故障特征主要表现为以下2点：

a.难发现。作为大型机械，建筑起重机械体积庞大，零件众多，很难及时对其进行全面检测，导致很难发现建筑起重机械故障。

b.检修耗时长。有些单位为了节省检修时间，干脆少检修或者根本不检修以至于发现建筑起重机械故障时已经过去了最佳检修时间。

建筑起重机械故障还有其他特征。正是因为建筑起重机械故障特征难发现、耗时长等特征以及目前检测故障方法检测精度低，导致建筑起重机械故障检测存在很多问题，必须提升建筑起重机械故障检测精度，以提高建筑施工时的安全系数。

2 基于小波消噪和回声状态网络的建筑起重机械故障检测方法

2.1 建筑起重机械故障振动信号的去噪处理

建筑起重机械故障的类型众多，当建筑起重机械部件产生故障时，其振动信号会发生相应的变化，因此可以通过振动信号进行建筑起重机械故障检测。在建筑起重机械故障检测的振动信号采集过程中，振动信号易被强背景噪声所淹没，不利于有效提取出故障部件的特征，难以实现建筑起重机械部件故障检测，故为实现建筑起重机械故障部件的特征提取及故障检测，采用小波降噪方法对故障部件的振动信号实施去噪处理[9]。

采用小波降噪对振动信号实施多分辨率分解，通过多个层次对振动信号的特征实行考察与分析。将含噪声的振动信号、复原后振动信号及噪声信号依次设为e(t)、y(t)和f(t)，且有e(t)=y(t)+f(t)。运用基小波ϑ(t)对e(t)实行离散小波变换，变换后所获得的含噪声振动信号系数E(i,l)表示为

Y(i,l)+F(i,l)

(1)

在二进小波变换下含噪声振动信号e(t)的奇异性同Lipschitz指数α间的关系可表示为

(2)

B表示常数。

一般而言，有用振动信号的Lipschitz指数α>0，它的小波变换模极大值与尺度大小成正比；噪声信号的Lipschitz指数α≤0，小波变换的模极大值与尺度大小成反比。故可在不同尺度上对各种阈值实行选取，可认定大于此阈值的模极大值点为通过振动信号的小波变换带来的，对其实行保留；相反可认定小于此阈值的模极大值点为通过噪声的小波变换带来的，可置其为0。基于此采用小波逆变换方式对振动信号实行重构，实现有效去除振动信号噪声的目的。

2.2 建筑起重机械故障部件特征提取

通过小波变换完成对建筑起重机械故障部件的振动信号降噪处理之后，实施对降噪后故障部件振动信号的特征提取[10]。当前提取振动信号特征的方法主要有时频分析、频域分析、幅值域分析及时域分析等，其中振动信号的时域分析主要为实现对振动信号的互相关与自相关分析，振动信号的频域分析重点实现对振动信号的倒谱与频谱分析。小波分析去除掉振动信号的噪声之后，小波分解可将一种更加细致的分析方式提供给振动信号，通过多层次划分振动信号频带，实现有效分解多分辨率分解中未被细致划分的振动信号高频部分，并且可以被分析振动信号的特征与需求为依据，在特定的振动信号频带区间内对分辨率予以选取，以此提升时频分辨率，实现能够在更加细致化的振动信号频带中提取振动信号特征。运用小波分解系数对振动信号频带能量予以求取，并以不同振动信号频带能量的改变为依据提取振动信号特征，为建筑起重机械故障部件智能检测提供振动信号特征值。

2.3 回声状态网络

2.3.1 回声状态网络数学模型

依据回声状态网络(ESN)的基本思想[11-12]，假设建筑起重机械系统的动态特征通过一个大规模储备池生成。储备池中的网络以众多随机形成同时稀疏连接的神经元所构成，该网络具备建筑起重机械系统的运行状态，同时具有记忆性能。当给定输入时，通过描述“输入—状态—输出”驱动建筑起重机械系统的方式，所获取的ESN表达式为

(3)

2.3.2 回声状态网络训练算法

以特征提取中所获取的建筑起重机械故障部件的振动信号特征值作为ESN的训练样本集，通过{o(m),c(m),m=1,2,…,h}表示，将此训练样本集输入到ESN，对输出连接权值矩阵Vout实行求解，此过程即为ESN的训练过程。ESN基本算法是采用输入信号对储备池实行激励的方式，形成储备池内的持续状态变量信号，通过储备池状态变量同目标输出信号的线性回归算法，将ESN的输出权值确定。ESN的训练步骤为：

b.运用训练样本集与式(3)求解出状态变量序列a(m)。

c.以状态变量序列a(m)与输出单元序列c(m)为依据，通过式(3)与线性回归算法求解出输出权值矩阵Vout。

2.4 小波消噪和ESN的建筑起重机械故障智能检测

当建筑起重机械部件呈现出各类故障时，不同故障类型的振动信号所呈现的特征不同，通过分析不同故障类型振动信号特征，可以实现故障类别识别。建筑起重机械工作状态的影响因素众多，故障的类型与振动信号之间存在非线性的变化关系，而ESN可以拟合故障类型与建筑起重机械部件振动信号特征之间的关系。小波消噪和ESN的建筑起重机械故障检测流程如图1所示。建筑起重机械故障检测步骤如下：

a.通过小波降噪方法对所收集到的建筑起重机械故障部件的振动信号实施降噪处理。

b.采用小波分解所具有的分析时频特性，对建筑起重机械故障部件的振动信号实施有效分解，获取处于各种频段振动信号的故障特征，归一化处理各频段的振动信号特征频率，构成故障部件振动信号特征向量。

c.将故障部件振动信号特征向量作为训练样本集输入到ESN，对ESN实行训练，获得训练输出权值矩阵。

d.通过训练后ESN对建筑起重机械部件的故障类型实行分类，实现建筑起重机械故障检测。

图1 小波消噪和ESN的建筑起重机械故障检测流程

3 仿真实验

3.1 降噪效果分析

降噪处理是实现建筑起重机械故障检测的基础，故在此对本文方法的降噪处理环节进行测试，以检验本文方法的降噪效果。从传感器所收集的实验塔吊部件含噪信号，通过本文方法对含噪信号依次实行降噪处理。含噪信号及本文方法降噪后信号效果如图2所示。

图2 建筑起重机械振动信号的去噪效果

由图2可以看出，通过本文方法实行降噪处理后，信号的振动位移-时间曲线呈现出平滑状态，可见本文方法在对含噪信号实行降噪处理时，均能够有效去除掉信号噪声，获取到平滑无噪的部件信号，具有较高的降噪效果。

3.2 建筑起重机械故障效果分析

采用标准均方根误差FNRMSE对3种不同方法的建筑起重机械故障检测精度予以衡量，标准均方根误差表达式为

(4)

依据式(4)，通过运算得出各方法检测结果的标准均方根误差，以此作为衡量指标对比各方法的检测精度。各方法的检测误差如图3所示。

图3 3种方法检测误差对比

分析图3能够得出，3种方法对实验塔吊部件的检测结果误差中，本文方法的检测误差波动范围最小，且检测误差值始终低于其他2种对比方法，说明本文方法的检测性能稳定，检测结果精准度高，实际应用性较强。

4 结束语

为了克服当前建筑起重机械故障检测存在的问题，提出小波变换和回声状态网络的建筑起重机械故障检测方法。通过结合小波降噪与分解实现对所收集的建筑起重机械故障部件振动信号的降噪与特征提取，以此为基础运用回声状态网络实现对建筑起重机械部件的智能检测。通过仿真实验结果可知，本文方法具有理想的降噪效果与检测效果，检测结果精度高且稳定，可用于实际建筑起重机械部件的故障检测。