塔式起重机起重臂损伤诊断方法

2023-08-27汪玉玲牛向辉

设备管理与维修 2023年14期

汪玉玲，牛向辉

（甘肃建投装备制造有限公司，甘肃兰州 730050）

0 引言

随着现代建筑业的迅速发展，塔式起重机行业快速扩张[1]，但同时塔式起重机也属于事故多发的特种设备（图1）。塔机事故给人民群众的生命财产安全带来极大的威胁，为了提高塔机的安全性，减少事故的发生，各级政府不仅出台了各项塔机生产和使用标准，还组织成立了各种安全监管部门。虽然相关管理规定对塔机的生产使用做出了严格的要求，但是由于塔机的生产厂家良莠不齐，操作员安全意识不高，以及塔机自身复杂的结构和使用环境等原因，塔机的安全事故仍然无法完全杜绝[2]。

图1 塔式起重机

损伤检测最早出现于1960 年，随着社会的进步与发展，现已较为成熟[3]。国内外对损伤诊断的研究都有重大进展，但是随着各工程机械向全能化、复杂化、大型化和智能化的方向发展，损伤诊断也变得越来越复杂。现在的损伤诊断不只是对检测数据的简单比较，而是对数据进行复杂的分析处理，得到更便于对比分析的特征信息。

起重臂损伤识别包括5 个阶段[4]：①起重臂损伤的识别；②起重臂损伤位置的识别；③损伤类型的识别；④起重臂损伤严重性的识别；⑤起重臂剩余使用寿命及是否需要维修的判别。其中，识别起重臂是否出现未知损伤是这5 个阶段中最基本的层次。

引起塔式起重机发生安全事故的原因有很多种，发生事故的根源就是塔机结构出现损伤，损伤的不断积累最终导致整个结构的破坏，造成塔机事故[5]。如果能及时发现塔机结构出现的损伤，及时对结构损伤进行修复，将会避免大量的塔机事故[6]。本文基于国内外研究现状，分析介绍塔式起重机起重臂损伤的诊断方法和应用场合及其特点，可为工程技术人员在施工现场对塔式起重机起重臂损伤的诊断提供理论依据。

1 塔式起重机起重臂损伤诊断的定义

起重臂损伤指其刚度下降、柔度上升，在模态条件下出现固有频率下降，即起重臂固有形态遭到损坏。在起重臂损伤的现场诊断中，需明确判断出起重臂损伤的位置和相关物理参数的改变。因为起重臂损伤是与正常起重臂作对比而言的，所以对起重臂损伤需要进行两次或多次不同时刻的测试与诊断，对测试结果进行对比，以此判别起重臂不同时刻的相关物理参数，从而对起重臂具体损伤部位及损伤程度作出判断。

2 起重臂损伤诊断的基本思路

塔式起重机起重臂的功能为承受竖向作用和水平作用，但其水平作用的影响更大，因此对起重臂的损伤诊断常常是对起重臂抵抗或经受水平作用的测试与诊断。

起重臂损伤诊断的关键是如何测试和判断起重臂的实际状况。首先要依据实际起重臂外形结构，正确选用起重臂力学模型，将起重臂形态的损伤诊断问题转变成可借助数学模型处理的问题，基本思路如下：

（1）以环境干扰为输入源，量测起重臂的脉动反应。

（2）依据起重臂的模态脉动响应，选用动力模态模型进行分析，判断识别起重臂相关振动性能参数。

（3）依据步骤2 的起重臂实时动力模态，解出起重臂动力特征值的反向问题，以此来判断识别起重臂的相关物理性能参数。

（4）依据起重臂刚度和柔度等相关物理性能参数的变化，判断识别起重臂损伤的部位和损伤程度的高低。

（5）选择实测的起重臂相关性能参数并对其进行可靠性评价，以此评价起重臂的实际可靠性等级。

3 塔式起重机起重臂损伤的诊断方法

起重臂损伤诊断的方法主要有以下4 种：①基于动力学特性的模态参数起重臂损伤诊断；②基于人工智能的起重臂损伤诊断；③基于模型修正的起重臂损伤诊断；④基于信号处理的起重臂损伤诊断。

3.1 基于动力学特性的模态参数起重臂损伤诊断

通过在起重臂的不同部位处安装动力响应传感器，对起重臂动力响应相关参数进行测量，建立起重臂物理、模态二者参数相对应关系，组成与之相应的起重臂损伤判断识别目标，可以以此对起重臂损伤进行判断识别[7]。

对起重臂损伤而引起的频率变化进行相关研究，使用理论频率和起重臂自振频率对比，判别起重臂损伤部位及其损伤的程度。但该方法受一定条件约束，原因是起重臂自振频率为全局变量，当起重臂出现不同程度的损伤时极有可能会造成起重臂自振频率呈现一样的变化，因此此种测量方法只能明确损伤程度，但难以准确给出具体位置，且此重臂损伤对其自振频率变化造成的影响并不明显，故在对起重臂微小损伤进行判别时较为困难[8]。在Stubbs 方法的基础上进行改进，但在识别重度损伤时效果不好。

基于动力学特性的起重臂损伤诊断主要为借助起重臂的动力响应对起重臂运行状况进行判断识别，这种起重臂损伤诊断所受约束条件较少，只有极少数情况下受到一定约束，该测量方法简单、便捷、经济，工程上应用较为广泛[9]。

3.2 基于人工智能的起重臂损伤诊断

人工智能对起重臂的损伤诊断方法较多，主要有人工免疫算法、支持向量机、遗传算法和神经网络法等。借助模态应变能改变和应变能耗散之间的联系对桁架结构进行定位判别，并根据人工免疫算法对待诊结构损伤位置进行深入的定位和定量分析与验证，从而证实了人工免疫算法的可行性。支持向量机是一种新型学习机器，是一种新兴的机器学习技术，在机器设备损伤诊断判别方面效果较为理想[10]。

对起重臂损伤诊断的理论是将小波包进行分解从而构造出的能量变化率作为起重臂损伤诊断测量的特征向量，然后对小波包的理论实施步骤进行了阐述，最后采用aiNet 免疫网络算法对起重臂损伤的具体位置和损伤程度进行了判别。由此可看出基于人工智能的方法对起重臂具体位置和损伤程度诊断较为精确，但同时也有一定缺陷，比如运用神经网络法对起重臂损伤的识别受制于较多外界因素，相关参数的确定、损伤诊断用判别指针的构造等均会对起重臂损伤判别的结果造成不可忽略的影响。而且该方法专业性强、测量费用昂贵、测量通用性差，所以只有在特殊情况下才会选用[11]。

3.3 基于模型修正的起重臂损伤诊断

模型修正主要指借助有限元工具对起重臂损伤进行分析判别时，需要对一些待诊主体（如起重臂的边界条件和材料特性等）进行一定的假设、简化，这就不可避免地使所选模型与起重臂实际情况之间产生一定的偏差[12]。所以一般在所选模型建立后，会将实测结果与所选模型做对比和验证，并对所选模型与起重臂实测值之间存在的偏差原因及偏差产生的位置进行判别分析，进而对所选模型进行修正。

借助特征值矩阵将残余力方程同最小秩修正法联系在一起，能够较为理想地处理所选用的模态个数须等于刚度摄动矩阵的秩这一难题，最后通过最小秩修正法以求得空间桁架结构的损伤部位及损伤状况，并对其损伤原因进行判别。用空间桁架结构体系对所选的最小秩修正法进行核验，证实所选最小秩修正法是能够精确诊断桁架结构损伤，结果可靠[13]。

也有学者提出了混合识别方法，对起重臂的质量和刚性矩阵进行调整来对起重臂损伤进行诊断判别[14-15]。目前虽然通过模型修正方法对起重臂损伤进行判别已取得一些成效，但仍存在一些问题。采用最优矩阵修正判别损伤时难以准确识别单元结构参数，且该方法理论性较强，需要培训专业的技术人员，成本较高，在工程中采用较少。

3.4 基于信号处理的起重臂结构损伤诊断

信号处理是对模拟信号和实际进行处理的统称，主要由信号放大、去噪、滤波和线性变换等组成。基于数据的方法是对起重臂的振动响应进行比较，或通过损伤敏感参数对起重臂损伤进行诊断判别。通过将待诊结构损伤检测标准模型和自回归滑动平均模型相结合，解出所建模型前三阶系数的代数组合作为待诊结构损伤的敏感因子，并对该模型损伤辨识进行试验验证，结果表明该方法在识别结构损伤时是有效和可行的[16]。通过时间序列模型对结构损伤特征参数的求解，提出结构损伤预警方法[17]。以待测结构未损伤时的原始数据为基础建立ARMA 模型，采用原始未损伤状态和待诊工况的残差之比作为损伤诊断的指标，有效地实现了结构损伤预警[18]。

借助信号处理的结构损伤识别中的时间序列分析方法在起重臂损伤诊断检测中同样适用，且无需通过大量的数据集对模型进行验证，该方法测量结果精确，且简单、方便，工程实际中也常常采用。