CN101464219B - 基于多传感器数据融合技术的rmg啃轨故障诊断方法 - Google Patents

Abstract

本发明属于轨道式起重设备、有轨机车领域，涉及数据处理与啃轨故障诊断技术，根据“不同原因造成的啃轨有规律可循”这一原则，利用测距传感器、格雷母线、旋转编码器等传感器获得啃轨信息，经过预处理、多传感器数据融合技术、故障诊断逻辑运算等操作，得出可能导致啃轨的原因列表，并用图形将RMG啃轨的情况进行显示或将啃轨原因进行文字告警。该方法从源头寻找啃轨原因，不但能大大减少或消除啃轨现象，还便于维护人员掌握设备状态，其中多传感器数据的融合使得该技术尤其适用于环境恶劣、干扰信号繁杂等环境。

Description

基于多传感器数据融合技术的RMG啃轨故障诊断方法

技术领域

本发明属于轨道式起重设备、有轨机车领域，涉及数据处理与啃轨故障诊断技术。

背景技术

世界经济、国际贸易的迅速增长迫切需要集装箱码头装卸的高效化和智能化，以提高营运效益。而RMG(Rail-Mounted Gantry轨道式集装箱门式起重机)因其优越的性能在集装箱码头装卸过程中扮演着愈来愈重要的角色，其自动化程度的提高对发展高效率的现代化大型国际枢纽港具有举足轻重的作用。众所周知，啃轨现象是起重机的痼疾问题，也是制约起重机全自动化发展过程中的瓶颈问题。极大地影响了起重机的安全性、工作效率，同时也增加了起重机的运营和维护成本。起重机的发展在我国有近五十年的历史，五十年来，我国起重机取得了飞速的发展，但从整个发展过程中看，国内起重机的自动化和智能化程度还是偏低，对啃轨问题的治理仍没有十分有效的方法。所以针对预防和消除啃轨，并以起重机安全性、智能化、高效率等为目标的研究具有十分重要的意义。

目前国内外针对RMG啃轨的治理方法很多，大部分方法归根究底都是在啃轨发生之后，通过实时测量起重机偏斜相关数据，根据一定的控制算法控制大车两端或一端的速度，以调节车轮轮缘与轨道之间的间隙，使之保持在正常范围内，并不能找出导致啃轨的本质原因，因此从长远观点看无法提高整个系统的工作效率和使用寿命，如文献[1]-[4]。国内有些研究成果在采取一定纠偏措施的同时，也有通过传感器信息和经验确定纠偏原因的事例[5]，但其故障诊断系统存在一系列弊端，如传感器类型少：只有接近开关一种传感器，由于起重机一般工作环境恶劣，当某个传感器自身发生故障时，或受到严重干扰时，整个故障诊断系统无法继续工作；传感器信息量少：仅取运行前方两个轮子的啃轨信号，并通过这两个啃轨信号判断其它轮子的啃轨状况，可造成多种错误判断结果；无系统分析方法：仅基于经验进行分析，分析方法过于简单且不完整；故障报警信息模糊：仅能对同侧和/或对角线方向上车轮啃轨现象进行报警，需要有经验的工作人员对报警信息进行分析，定位啃轨原因等。

文献：

[1]实用新型专利，起重机车轮运行纠偏装置，中国专利，公开号：CN2598976，公开日期：2004.01.14

[2]发明专利：桥、门式起重机大车啃道的治理方案，中国专利，公开号：CN1895987，公开日期：2007.01.17

[3]曹新，朱劲，蒋平.大跨度龙门起重机的精确位置控制[J].机械与电子，2006，(8)：17-19.

[4]赵国庆.大跨度龙门起重机的电气自动纠偏系统[J].起重运输机械，2006，(5)：81-82.

[5]实用新型专利：桥式起重机自动纠偏装置，中国专利，公开号：CN2194348，公开日期：1995.04.12

20世纪70年代出现的多传感器信息融合技术，具有提高测量精度、信息处理速度、完整描述环境能力及容错能力，降低信息获取成本等优点。可以克服单一传感器测量的种种缺点，如起重机工作环境恶劣时，传感器自身容易出现故障，此时系统仍可以利用其它传感器获取的信息维持系统的正常运行；单一测量信号中存在各种噪声时，同时使用多个传感器描述同一特征的多个信息，可以减小测量不精确所引起的不确定性，同时也可以用多个廉价的传感器获得与昂贵的单一高精度传感器同样甚至更高的性能，降低成本；还可以描述环境中的多个不同特征，减小对环境信息理解的歧义，从而提高系统测量的精度。

发明内容

本发明的目的在于根据“不同原因造成的啃轨均有规律可循”这一原则，提供一种基于多传感器数据融合技术的RMG啃轨故障诊断方法，利用各类传感器测量啃轨相关信息，并对这些信息进行处理、运算，最终确定啃轨部位和啃轨原因。

为达到以上目的，本发明所采用的解决方案是：

首先利用测距传感器、格雷母线、旋转编码器等传感器获得啃轨信息，并对信息数据进行一系列处理：信号预处理、数据融合、诊断逻辑运算，得出可能导致啃轨的原因列表，并用形象的图形将RMG啃轨的情况进行显示或将啃轨原因进行文字告警。

由于造成啃轨的原因众多且复杂，加之RMG的工作环境恶劣，故使用多个传感器对啃轨信息进行测量，一方面可更精确定位故障原因，另一方面可消除噪声及传感器自身误差甚至故障对诊断结果的影响。多个传感器中有三种同类型传感器，共同测量RMG大车两侧同一位置处车轮的连续位移，包括绝对式旋转编码器、格雷母线、电磁感应开关；有两种异类型传感器，一类采用测距传感器测量轨道侧面和车轮轮缘之间的距离，另一类即前面提到的测量RMG大车两侧同一位置处车轮的连续位移传感器，这两类传感器可互相补充，增加对啃轨的精确定位与啃轨原因的准确判断。

在对各传感信息进行必要的预处理之后，根据各传感器的类型，采用相应的数据融合算法进行数据融合。绝对式旋转编码器、格雷母线和电磁感应开关测量获得的信息属于冗余信息，对冗余信息需采用定量信息融合方法，以消除单一数据的不确定性。为保证融合的正确进行，对融合前的传感器数据进行一致性检验，将错误、虚假的测量值从数据中去掉。错误的数据可能源于传感器自身的故障等原因，虚假数据则是由测量过程中环境因素受到干扰导致的。对于两种异类型传感器获得的信息，将应用到下面的逻辑诊断算法中。

根据“不同原因造成的啃轨大都有规律可循”这一原则，由融合得到的啃轨信号确定故障诊断必要信息，如发生啃轨的车轮、啃轨发生在相应车轮的内侧还是外侧、大车有无偏转及偏转角度、大车当前运行方向、啃轨发生时大车运行阶段(启动或制动阶段、运行阶段)等，再由故障诊断表(表1)中的诊断算法，进行逻辑运算，最终得到可能导致啃轨的原因列表，并将分析结果进行图形显示或文字告警。

由于采用了上述方案，本发明具有以下特点：便于维护人员掌握设备运行状态，及时发现并处理设备故障，提高设备自动运行的可靠性；同不断调整大车两侧电机转速的方法相比，不但节省能源，还提高了设备的使用寿命，如果能配合动态调整大车两侧电机转速方法，即大车运行时动态纠偏，大车停止工作后调用所存数据进行故障诊断，既保证了RMG的正常工作，又能及时发现故障原因，并有针对性的从源头抑制啃轨；由于采用多传感器进行数据测量，因此适用于环境恶劣、干扰信号繁杂等工作环境，同时还可用多个廉价的传感器获得与昂贵的单一高精度传感器同样甚至更高的性能，降低成本，还提高了啃轨定位和诊断的精度、速度。这种方法适用于各种存在车轮啃轨现象的轨道式起重机、桥式起重机、有轨机车。

附图说明

图1为本发明实施例的故障诊断流程示意图。

图2为本发明实施例的测距传感器分配示意图。

图3为本发明实施例的测距传感器位置示意图。

图4为本发明实施例的格雷母线位置检测系统结构示意图。

图5为本发明实施例的绝对式编码器带野值输出曲线。

具体实施方式

以下结合附图所示实施例对本发明作进一步的说明。

RMG啃轨故障诊断流程图，如图1所示。

RMG大车四个角的车轮内外侧各安装一个测距传感器，各测距传感器位置布置如图2所示，单个车轮上测距传感器的具体位置如图3所示；大车两侧各有一条与轨道平行安装测量大车连续位移量的格雷母线(安装有地址编码发生器，通过格雷母线芯线发射地址信号)，大车两侧1、2号车轮上安装有天线箱，控制室中有地址编码接收器，格雷母线位置检测系统结构图如图4所示(仅示意一侧结构，另一侧相同)；大车两侧各有数个与轨道平行安装且等间距的感应片，大车两侧1、2号车轮上有测量大车离散位移量的电磁感应开关；大车两侧1、2号车轮上各安装一个旋转编码器。

首先采集测距传感器、格雷母线、旋转编码器、电磁感应开关等传感器的啃轨信息，对于实际系统而言，由于各种因素的影响，实际测得的数据含有很多噪声和扰动，所以在进行数据融合之前，需将实测得到的数据进行预处理，否则很难得到较真实的啃轨信息。

预处理主要包括：野点剔除、滤波。野点剔除：由于噪声或干扰的影响，使得绝对式旋转编码器及其处理电路输出的数据带有野值，如图5所示，它会影响参数估计的精度。野值点的剔除可通过判断数据的增量来进行，如果两次测量值的增量大于某个门限值，则剔除本次测量值。滤波：由于系统所处环境或其它因素的影响，使得实测信号中夹杂着很多高频噪声，滤波也是对数据进行预处理的一项十分重要的工作。根据实际情况确定选用一阶还是高阶的滤波器，及滤波器的参数大小。高阶滤波器能够使系统特性快速衰减，但是加大信号延迟，只有当系统的响应速度足够快，且系统高频噪声比较靠近有用频带时，才考虑使用高阶滤波器。滤波器参数的选择也是如此，当系统的高频干扰处于比较高的频段内时，可以选择低通频带宽一些的滤波器。但是如果系统的干扰位于比较低的频段内，这时则要折衷考虑低通滤波器的参数值，使低通滤波器既不使对象延迟过分大的时间，又能滤掉大部分的干扰。经过以上各步预处理之后的数据，消除了一部分对参数估计有影响的误差，为提高参数估计的准确度提供了条件。

多传感器数据融合：多个传感器中包括三种同类型传感器(绝对式旋转编码器、格雷母线、电磁感应开关)，共同测量RMG大车两侧同一位置处车轮的位移，属于冗余信息。由于只有三种传感器的测量数据，因此其一致性验证和信息融合技术也相对简单，这里一致性验证选用Mahalanobis距离检验法(1)，数据融合方法选用基于最小二乘参数估计方法(2)。

$T_{12}=\frac{1}{2}{(x_1-x_2)}^T{C}_{12}^{-1}(x_1-x_2)$

$T_{13}=\frac{1}{2}{(x_1-x_3)}^T{C}_{13}^{-1}(x_1-x_3)$

$T_{23}=\frac{1}{2}{(x_2-x_3)}^T{C}_{23}^{-1}(x_2-x_3)---\left(1\right)$

其中C为两两传感器数据相关的协方差矩阵，x1、x2、x3分别表示三传感器数据。T值越小表明两个传感器的测量数据越一致，可以选取一阈值，来判断两者的数据是否一致。如果存在不一致数据，可以去掉错误测量值，例如当大车发生打滑导致大车车架偏转从而啃轨现象发生时，判断旋转编码器对应的测量数据x1同其它两种数据不一致，可将旋转编码器数据去掉，用另外两个数据进行融合运算。

$\hat{X}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{V}_f^{-1}\right)}^{-1}{V}_i^{-1}{X}_i---\left(2\right)$

$V_f={\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{V}_i^{-1}\right)}^{-1}$

其中Xi是n个传感器获得的测量值，

是按照最小二乘准则从测量值中得到的最优估计值，V是噪声。由于数据量少，也可采用加权后求均值的方法进行数据融合，将测量精度高的传感器的测量值的权重选择大些即可。

逻辑诊断：

首先分析所有可能导致RMG大车啃轨的故障原因，并分析不同故障原因导致的啃轨特征，并对啃轨特征进行优化组合，得到表1所示的故障诊断表。逻辑诊断算法正好相反，由啃轨特征及故障诊断表判断啃轨位置及原因，其中故障诊断的各输入量为：大车的开始运行信号、停止运行信号、8个测距传感器数据、2个绝对编码器数据、2个格雷母线数据、2个电磁感应开关数据。故障诊断的各输出量为：啃轨时大车运行方向、运行阶段、运行的速度、运行距离、发生啃轨的车轮及啃轨情况(侧移啃轨、偏斜啃轨)、大车车架偏斜角度。

这里先给出表中各逻辑码定义：

Q0：表示大车运行方向，0表示方向向前，1表示方向向后，通过检测绝对编码器确定。

Q1-Q2：表示大车运行阶段，10为启动或制动阶段，01为运行阶段。用采集到的启动和停止信号，结合设定的时间延迟来判断大车运行阶段。如当启动信号有效时，开始软件定时，在设定的时间内认为是启动阶段；从停止信号有效到大车完全停止这段时间，设定为停止阶段；启动信号有效，软件定时时间到，且停止信号无效阶段，设定为大车运行阶段。

Q3：表示大车车架是否有偏斜，1表示大车车架有偏斜，0表示没有偏斜，偏斜角度定义为Fai。可通过比较大车1、2号车轮位移差值是否大于某个设定的门限值，来判断大车是否发生偏斜。差值大于门限值时，Q3为1否则为0。

Q4-Q11：表示大车四个角的车轮内侧和外侧有无啃轨发生，1表示对应处有啃轨发生。在起重机大车四个角的四个车轮上通过支架各安装一个测距传感器，设定上下门限值，当测距传感器的测量距离不在正常范围之内时(＜min门限值或者＞max门限值)，就将相应逻辑位设置为1否则为0。车轮1内外侧的传感器为0号和1号，对应Q4、Q5，依此类推，如图2所示。每个车轮上测距传感器通过支架放置在过车轮圆心且平行于地面的平面上，其中0号放置在车轮内侧，1号放置在车轮外侧，具体位置如图3所示。

表中故障原因定义：

1车轮水平偏斜；2车轮垂直偏斜；3车轮直径偏差；4车轮相对位置偏差；5轨道标高存在偏差；6轨道跨距偏差；7轨道的支撑度不良；8轨道上有油、水或霜；9传动系统和/或制动器松紧不同，造成启动制动不同步；10电机特性或变频器特性不同，甚至出现故障，造成两边速度不同；11车架结构变形；12运行阻力差异。其中当垂直度偏斜不是很大，单独由车轮垂直偏斜误差的原因不会产生啃轨现象，结合其它原因才会有啃轨现象，又因为对车轮垂直偏斜度的测量不是很容易，因此这里省略了对故障2的诊断。

表中其它说明：

1.表中“Q4&&Q5”表示“若Q4&&Q5为真”。

2.VN为对应测距传感器的测量值，如V4为0号测距传感器的测量值。

3.a门限值。

4.N1_inward_sidemove表示车轮1向内侧移，N1_outward_sidemove表示车轮1向外侧移，N1_anticlockwise_deflexion表示车轮1逆时针水平倾斜，N1_clock wise_deflexion表示车轮1顺时针水平倾斜。

                                表1 啃轨故障诊断表

逻辑运算式	故障现象分析	故障原因	特征图
				(Q4||Q5||Q6||Q7||Q8||Q9||Q10||Q11)&&(！Q3)	车架无偏转，大车两侧速度相同	可排除3、8、9、10、12等故障原因
需进一步分析各数据参数，进一步精确定位故障原因

Fai(k+1)-Fai(k)＞a	车轮直径偏差导致的车架偏斜会随着运行距离增加而不断加大	车轮直径偏差
				大车两侧电机特性或变频器特性存在差异，甚至发生故障
		直接利用数据融合算法即可	车轮打滑时，绝对编码器输出错误，通过比较同一测量对象绝对编码器与格雷母线输出值判断。			轨道表明有油、水、霜等，导致车轮打滑
Q1&&(！Q2)	故障原因9是在启、制动阶段发生的，Q1Q2为10时为启、制动阶段			传动系统和/或制动器松紧不同
		Else如果车架偏斜无规律，时而一侧超前，时而另一侧超前	由于起吊货物的小车位置经常变化，导致阻力大的一侧速度慢于阻力小的一侧。			运行阻力差异

上述对实施例的描述是为便于该技术领域的普通技术人员理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于这里的实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (4)

1.一种RMG啃轨故障诊断方法，其特征在于：包括以下步骤：

通过传感器采集RMG大车的啃轨信息；

对传感器采集的数据进行预处理、数据融合、逻辑诊断，以确定啃轨位置及啃轨原因，

同类型传感器信息融合，其一致性验证选用Mahalanobis距离检验法，数据融合方法选用基于最小二乘的参数估计方法，

通过对啃轨常见原因及其导致啃轨的特征，进行优化组合，总结出啃轨故障诊断表，

所述传感器为多个多种类型，包括两类：一类是测量轨道侧面和车轮轮缘之间距离的传感器，另一类是测量RMG大车两侧同一位置处车轮连续位移的传感器。

2.如权利要求1所述的RMG啃轨故障诊断方法，其特征在于：所述测量RMG大车两侧同一位置处车轮连续位移的传感器包括绝对式旋转编码器、格雷母线和电磁感应开关。

3.如权利要求1所述的RMG啃轨故障诊断方法，其特征在于：进行啃轨信息预处理，具体方式包括野点剔除和低通滤波。

4.如权利要求1所述的RMG啃轨故障诊断方法，其特征在于：依用户需求或通过图形显示RMG啃轨情况，或文字告警啃轨原因。

Images