CN103900829A - 基于LabVIEW的大型履带行走装置健康状态智能监测系统及方法 - Google Patents

Abstract

本发明属于重型机械监测技术领域，具体涉及一种基于LabVIEW的大型履带行走装置健康状态智能监测系统及方法。本发明针对大型履带行走装置工作环境恶劣，承载较大，润滑防护欠佳等特点而开发的，用以监测驱动电机电流、驱动电机功率、驱动轮转速、张紧力、支重轮轴转速和支重轮轴温度等参数，根据智能监测系统给出设备当前健康状态，对相应故障项发出声光警告，并指出故障来源。其主要由驱动轮监测模块(Ⅰ)、导向轮监测模块(Ⅱ)、支重轮监测模块(Ⅲ)、路由器、计算机和显示器组成，所述的驱动轮监测模块(Ⅰ)、导向轮监测模块(Ⅱ)和支重轮监测模块(Ⅲ)，分别安装在大型履带行走装置的对应位置，并与驾驶室内的计算机通过以太网形式连接。

Description

基于LabVIEW的大型履带行走装置健康状态智能监测系统及方法

技术领域

本发明属于重型机械监测技术领域，具体涉及一种基于LabVIEW的大型履带行走装置健康状态智能监测系统及方法。

背景技术

重型机械广泛应用于采矿、能源、港口和工程建设等领域，同时也是衡量一个国家工业发展水平的重要标志。矿物开采中用到的大型机械式电动挖掘机、斗轮式挖掘机和排土机，矿物破碎中用到的大型移动式破碎站，港口装卸物料用的大型堆取料机，以及工程建设行业中用到的大型起重机械，都属于重型机械的范畴。

重型机械动辄数千吨甚至上万吨，移动困难。大型履带行走装置由于其接地比压小和稳定性好等优点，在重型机械领域应用广泛。

履带行走装置作为整个机械的支撑部分，承担着机器自重、工作载荷及风阻等多种载荷。而重型机械的造价往往在数千万元到数亿元，且要求工作的连续性。一旦发生结构破坏，将造成巨大的直接经济损失，以及成套设备停产带来的企业生产损失。因此，涉及一种用于大型履带行走装置的健康状态监测系统有着重要意义。

“四轮一带”(驱动轮、导向轮、支重轮、托轮和履带)是履带行走装置中的主要活动部件，也是易损件。对“四轮一带”中涉及的电流、功率、温度等参数进行监视，能够使操作人员实时掌握大型履带行走装置的运行状态，对结构故障进行预警及报警。这样一方面可以及时发现设备异常并进行维修；同时可以合理安排大型履带行走装置的设备检修，在保证安全的前提下减少停机时间。

具体的，各个部分监测参数有所不同。驱动轮为履带行走装置的动力输入部分。此处安装有驱动电机。对驱动电机的电流和功率进行监测，可以及时发现电机非正常工作状态，防止电机超载甚至堵转情况下发生过热甚至烧坏电机的情况。导向轮处安装有张紧装置，对履带进行张紧。张紧力是大型履带行走装置中的一个重要参数。张紧力过小会导致履带跳振，甚至发生脱链；张紧力过大则会加剧履带的磨损。支重轮支承整机重量和工作载荷，且工作环境恶劣，因此其润滑尤为关键。若未及时发现润滑失效或超载等原因造成的发热过热，容易发生烧瓦甚至支重轮或轮轴的破坏。因此，应该对支重轮轴组温度进行及时监测。托轮组由于其只承受上部履带链自重，载荷相对较小，一般不做重点关注。履带链处于活动之中，无固定位置，不利于传感器安装，因此只适合实验室内特定工况下的检测，不宜作为生产过程状态监测对象。

目前的监测系统多为设置某一固定监测阈值。通过分别设定各物理参数的阈值，并与实时监测的物理参数值进行比较，对设备运行状态进行判断。有物理参数超出设定阈值后，监测系统发出警报。但实际作业过程中，根据工况和作业环境不同，设备的运行状态参数必然随之改变。因此，需要开发一种针对使用工况和作业环境做出智能化决策的监测系统。

对应硬件监测系统，提供一种人性化的监测系统软件界面也是设计监测系统时需要考虑的问题。LabVIEW是由美国国家仪器(NI)公司研制开发的一种程序开发环境。LabVIEW的图形化编程语言可以帮助工程师从繁琐的计算机底层问题中解放出来，方便快捷地搭建测量软件，并利用其庞大的函数库和VI库，完成复杂的数据分析处理。LabVIEW提供TDMS文件以流文件形式进行数据存储，读取速度快，非常适合用来存储海量数据，在实时系统中比较常用。数据文件存储于计算机硬盘，可以进行后期的数据查看、分析和处理。利用其编写的监测软件及与之相应硬件搭配建立的健康状态监测系统，其可靠性和界面友好性已得到广大工程师和操作人员的广泛认可。

发明内容

本发明提供一套基于LabVIEW的大型履带行走装置健康状态智能监测系统及方法。针对大型履带行走装置工作环境恶劣，承载较大，润滑防护欠佳等特点，开发了一套大型履带行走装置健康状态智能监测系统，用以监测驱动电机电流、驱动电机功率、驱动轮转速、张紧力、支重轮轴转速和支重轮轴温度等参数。该监测系统采用基于LabVIEW开发的图形界面，实时显示测量参数并进行数据记录，反应设备运行状态，并根据智能监测系统对数据进行分析，给出设备健康状态，对故障项进行警告，并指出故障来源，提示操作人员及时采取措施。

本发明为解决上述技术问题，通过以下技术方案实现，结合附图说明如下：

一种基于LabVIEW的大型履带行走装置健康状态智能监测系统，其硬件主要由驱动轮监测模块Ⅰ、导向轮监测模块Ⅱ、支重轮监测模块Ⅲ、路由器、计算机和显示器组成，其特征在于：

所述的驱动轮监测模块Ⅰ、导向轮监测模块Ⅱ和支重轮监测模块Ⅲ，分别安装在大型履带行走装置的对应位置，并与驾驶室内的计算机通过以太网形式连接；

所述的驱动轮监测模块Ⅰ由驱动电机电流传感器1、驱动电机电压传感器2、驱动轮转速传感器3、电流数据采集卡4、电压数据采集卡5、转速数据采集卡6和驱动轮监测机箱7组成，驱动轮监测模块Ⅰ用以监测驱动电机瞬时电流、驱动电机瞬时电压和驱动轮的转速；

所述的导向轮监测模块Ⅱ由张紧力传感器8、张紧力数据采集卡9和导向轮监测机箱10组成，导向轮监测模块Ⅱ用以监测导向轮f处的履带张紧力；

所述的支重轮监测模块Ⅲ由支重轮轴组温度传感器即支重轮轴1-16温度传感器11-26、无线信号接收器27、温度数据采集卡28和支重轮监测机箱29组成，支重轮监测模块Ⅲ用以监测各支重轮轴温度，间接反映其润滑状态；

路由器30接收来自驱动轮监测模块Ⅰ、导向轮监测模块Ⅱ和支重轮监测模块Ⅲ的信号，并与计算机31进行数据通信，计算机31完成数据分析与存取，显示器32作为显示终端，提供基于LabVIEW的大型履带行走装置健康状态监测智能系统软件界面，并实时更新得到的各设备参数，供技术人员监测大型履带行走装置的实时状态。

所述的驱动轮监测模块Ⅰ中的驱动电机电流传感器1采用电流互感器，安装在驱动电机排线上，从驱动电机电流传感器1输出的二次电流，经电流数据采集卡4直接采集，电流数据采集卡4中包含抗混叠滤波器信号调理电路及A/D转换器，信号经电流数据采集卡4完成信号调理并转换为数字信号。

所述的驱动轮监测模块Ⅰ中的驱动电机电压传感器2同样安装在驱动电机排线上，从驱动电机电压传感器2输出的二次电压，经电压数据采集卡5直接采集，信号经电压数据采集卡5转换为数字信号。

所述的驱动轮监测模块Ⅰ中的驱动轮转速传感器3采用增量式光电编码器，安装在驱动轮轴头，输出数字信号，由转速数据采集卡6采集。

所述的驱动轮监测模块Ⅰ中的电流数据采集卡4、电压数据采集卡5和转速数据采集卡6安装在驱动轮监测机箱7内，驱动轮监测机箱7上设有状态指示灯，采集的数据通过驱动轮监测机箱7经由以太网传输至路由器30。

所述的导向轮监测模块Ⅱ中的张紧力传感器8采用压磁式力传感器，安装于张紧装置支承座e处，张紧力传感器8输出信号至张紧力数据采集卡9进行A/D转换，采集的数据通过导向轮监测机箱10经由以太网传输至路由器30，导向轮监测机箱10上设有状态指示灯。

所述的支重轮监测模块Ⅲ中的支重轮轴组温度传感器集成了热敏电阻温度传感器、A/D转换器和无线发射装置；传感器分布安装于支重轮轴组，采集的温度电信号经A/D转换，并由无线发射装置发出，无线信号由无线信号接收器27接收，经过温度数据采集卡28和支重轮监测机箱29，由以太网传输至路由器30，支重轮监测机箱29上设有状态指示灯。

所述路由器30、计算机31和显示器32均位于大型履带行走装置上部的驾驶室内，由于大型履带行走装置履带条数不定，除路由器30、计算机31和显示器32共用一组并安装在驾驶室内，其他数据采集硬件可依履带条数设置多套，进行分布式安装。

所述的基于LabVIEW的大型履带行走装置健康状态智能监测系统，其监测方法包括以下步骤：

(1)硬件初始化：完成各模块的连接并通电，通过机箱、路由器和计算机上的设备状态指示灯，观察各通信模块是否正常工作，并针对出现的状态异常进行检修，直至各硬件模块状态正常。

(2)软件初始化：启动软件，设置数据存储路径，设定设备当前运行状态参数，打开软件界面开关，观察各监测界面是否异常。

(3)启动待监测的大型履带行走装置。各模块传感器检测各待测物理参数，并转换成相应电信号，经过数据采集形成数字信号，经由以太网将数据传输至计算机。数据以数值的形式实时显示在软件主界面。其中，驱动电机电流、驱动电机功率、驱动轮转速和张紧力还会以实时曲线形式显示在波形图表控件中。驱动电机功率由测得的驱动电机电流和驱动电机电压计算得到。另外，通过对多条履带上的驱动电机转速进行监测，可得到大型履带行走装置当前的运行速度、加速度，并通过各履带转速差，得到当前大型履带行走装置的转向半径。通过给定设备当前运行状态参数(使用工况、行驶坡度和环境温度)，并与实时监测的物理参数值相结合，采用基于人工神经网络的智能化决策系统，对设备运行状态进行判断，并给出健康状态提示。当出现相应故障后，软件中警告灯亮起，计算机发出警告声音，提醒操作人员采取相应措施。对应故障项和对应故障部件的警告灯分别亮起，以便操作人员判断故障来源。采用LabVIEW提供的高速数据流文件(TDMS文件)进行文件存储，便于进行后期的数据查看、分析和处理。

采用人工神经网络技术作为健康状态智能监测系统的核心算法，智能监测神经网络结构包含一个输入层、一个隐含层和一个输出层，输入层神经元的个数r＝25，隐含层神经元的个数m＝30，输出层神经元的个数n＝7；

记运行工况L_c，行驶坡度L_a，环境温度T₀，驱动电机输入线电流为I_n，前一时刻驱动电机输入线电流I_n-1，驱动电机输入线电压U_n，前一时刻驱动电机输入线电压U_n-1，驱动电机转速n，履带张紧力F，支重轮轴温度T₁，T₂，…，T₁₆组成的向量作为输入向量x，神经网络的输出为履带工作状态对应正常或各故障的预测值；

其中，运行工况分为直行、转弯和原地待命三种，对应的运行工况系数分别取1、-1和0，

输入向量：

x＝[x₁ x₂ x₃...x_r]^T

隐含层输出信息：

$h_j=f_1(\underset{i=1}{\overset{r}{\mathrm{\Σ}}}{x}_i{w}_{\mathrm{ij}}^1-{\mathrm{\θ}}_j),j=\mathrm{1,2},...,m$

输出层输出信息：

式中h_j——隐含层神经元j输出值；

f₁——隐含层神经元转移函数；

——神经元i到j的权重值；

θ_j——隐含层神经元j的阈值；

y_k——输出层神经元k的输出值；

f₂——输出层神经元转移函数；

——神经元j到k的权重值；

——输出层神经元k的阈值；

隐含层神经元的转移函数选择双极性S型函数

$f\left(x\right)=\frac{1-e^{-x}}{1+e^{-x}}$

输出层神经元的转移函数为线性函数，

目标函数选择神经网络输出误差平方和，该函数为关于权值和阈值组成的矩阵的函数，

$s=f\left(W\right)=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{({\stackrel{\‾}{y}}_k-y_k)}^2$

式中——神经网络期望输出值，取样本输出数据，

利用已有数据对神经网络进行训练，得到网络权重值和阈值，构成神经网络模型，对训练后的模型进行存储，应用上述训练后的神经网络模型进行设备状态智能监测

本发明的优点和有益效果是：

(1)本发明可以对大型履带行走装置进行实时状态监测，了解设备运行状态，及时发现异常状态，防止事故发生，或尽可能早的停止已发生事故以期减轻事故造成的不良结果。

(2)信号调理和A/D转换电路集成在数据采集卡内，数据采集卡紧邻传感器，就近将传感器发出的模拟信号进行信号调理并转换为数字信号进行传输，减少了模拟信号传输过程中引入的误差。

(3)在支重轮处采用包含无线发射模块的温度传感器，避免了布线，便于设备安装。

(4)采用以太网进行高速和远距离的数据传输，确保信号传输过程可靠准确。

(5)基于人工神经网络技术的智能监测系统，根据不同的工况和作业环境，给出具有适应性的健康状态监测与故障诊断结果。

(6)本发明通用性和模块性较强，可针对不同规模和不同结构的大型履带行走装置进行监测。

附图说明

图1为基于LabVIEW的大型履带行走装置状态监测系统硬件组成示意图

图2为基于LabVIEW的大型履带行走装置状态监测系统程序流程图

图3为大型履带行走装置结构示意图

图4为基于LabVIEW的大型履带行走装置状态监测系统安装位置示意图

图中：

1驱动电机电流传感器、2驱动电机电压传感器、3驱动电机转速传感器、

4电流数据采集卡、5电压数据采集卡、6转速数据采集卡、

7驱动轮监测机箱、8张紧力传感器、9张紧力数据采集卡、

10导向轮监测机箱、11-26支重轮轴1-16温度传感器、27无线信号接收器、

28温度数据采集卡、29支重轮监测机箱、30路由器、31计算机、32显示器。

a驱动轮、b托轮、c履带、d支重轮、e支承座、f导向轮。

具体实施方式

下面结合附图所示实施例对本发明具体内容进行详细说明。

基于LabVIEW的大型履带行走装置健康状态智能监测系统，其硬件主要由驱动轮监测模块Ⅰ、导向轮监测模块Ⅱ、支重轮监测模块Ⅲ、路由器、计算机和显示器组成。所述的驱动轮监测模块Ⅰ、导向轮监测模块Ⅱ和支重轮监测模块Ⅲ，分别安装在大型履带行走装置的对应位置，并与驾驶室内的计算机通过以太网形式连接。

所述的驱动轮监测模块Ⅰ由驱动电机电流传感器1、驱动电机电压传感器2、驱动轮转速传感器3、电流数据采集卡4、电压数据采集卡5、转速数据采集卡6和驱动轮监测机箱7组成。驱动轮监测模块Ⅰ用以监测驱动电机瞬时电流、驱动电机瞬时电压和驱动轮的转速。其中，驱动电机电流传感器1采用电流互感器，安装在驱动电机排线上。从驱动电机电流传感器输出的二次电流，经电流数据采集卡4直接采集。电流数据采集卡4中包含抗混叠滤波器等信号调理电路及A/D转换器。信号经电流数据采集卡4完成信号调理并转换为数字信号。驱动电机电压传感器2同样安装在驱动电机排线上。从驱动电机电压传感器输出的二次电压，经电压数据采集卡5直接采集。信号经电压数据采集卡5转换为数字信号。驱动轮转速传感器3采用增量式光电编码器，安装在驱动轮轴头，输出数字信号，由转速数据采集卡6采集。电流数据采集卡4、电压数据采集卡5和转速数据采集卡6安装在驱动轮监测机箱7内。机箱上设有状态指示灯。采集的数据通过机箱经由以太网传输至路由器30。

所述的导向轮监测模块Ⅱ由张紧力传感器8、张紧力数据采集卡9和导向轮监测机箱10组成。导向轮监测模块Ⅱ用以监测导向轮f处的履带张紧力。张紧力传感器8采用压磁式力传感器，安装于张紧装置支承座e处。传感器输出信号至张紧力数据采集卡9进行A/D转换。采集的数据通过导向轮监测机箱10经由以太网传输至路由器30。机箱上设有状态指示灯。

所述的支重轮监测模块Ⅲ由支重轮轴组温度传感器即支重轮轴1-16温度传感器11-26、无线信号接收器27、温度数据采集卡28和支重轮监测机箱29组成。支重轮监测模块Ⅲ用以监测各支重轮轴温度，间接反映其润滑状态。支重轮组分布范围较大，传感器信号若采用布线方式传输至数据采集卡，将因线路过长而造成测量误差较大。因此，支重轮轴组温度传感器集成了热敏电阻温度传感器、A/D转换器和无线发射装置。传感器分布安装于支重轮轴组。采集的温度电信号经A/D转换，并由无线发射装置发出。无线信号由无线信号接收器27接收，经过温度数据采集卡28和支重轮监测机箱29，由以太网传输至路由器30。机箱上设有状态指示灯。

路由器30接收来自驱动轮监测模块Ⅰ、导向轮监测模块Ⅱ和支重轮监测模块Ⅲ的信号，并与计算机31进行数据通信。计算机31完成数据分析与存取。显示器32作为显示终端，提供基于LabVIEW的大型履带行走装置健康状态监测智能系统软件界面，并实时更新得到的各设备参数，供技术人员监测大型履带行走装置的实时状态。路由器30、计算机31和显示器32均位于大型履带行走装置上部的驾驶室内。因大型履带行走装置履带条数不定，因此，除路由器30、计算机31和显示器32共用一组并安装在驾驶室内，其他数据采集硬件可依履带条数设置多套，进行分布式安装。

一套基于LabVIEW的大型履带行走装置健康状态智能监测系统，其实现方法包括以下步骤：

(1)硬件初始化：完成各模块的连接并通电，通过机箱、路由器和计算机上的设备状态指示灯，观察各通信模块是否正常工作，并针对出现的状态异常进行检修，直至各硬件模块状态正常。

(2)软件初始化：启动软件，设置数据存储路径，设定设备当前运行状态参数，打开软件界面开关，观察各监测界面是否异常。

(3)启动待监测的大型履带行走装置。各模块传感器检测各待测物理参数，并转换成相应电信号，经过数据采集形成数字信号，经由以太网将数据传输至计算机。数据以数值的形式实时显示在软件主界面。其中，驱动电机电流、驱动电机功率、驱动轮转速和张紧力还会以实时曲线形式显示在波形图表控件中。驱动电机功率由测得的驱动电机电流和驱动电机电压计算得到。另外，通过对多条履带上的驱动电机转速进行监测，可得到大型履带行走装置当前的运行速度、加速度，并通过各履带转速差，得到当前大型履带行走装置的转向半径。通过给定设备当前运行状态参数(使用工况、行驶坡度和环境温度)，并与实时监测的物理参数值相结合，采用基于人工神经网络的智能化决策系统，对设备运行状态进行判断，并给出健康状态提示。当出现相应故障后，软件中警告灯亮起，计算机发出警告声音，提醒操作人员采取相应措施。对应故障项和对应故障部件的警告灯分别亮起，以便操作人员判断故障来源。采用LabVIEW提供的高速数据流文件(TDMS文件)进行文件存储，便于进行后期的数据查看、分析和处理。

具体地，本发明中的健康状态智能监测方法，通过如下方法实现：

采用人工神经网络技术作为健康状态智能监测系统的核心算法。智能监测神经网络结构包含一个输入层、一个隐含层和一个输出层。输入层神经元的个数r＝25，隐含层神经元的个数m＝30，输出层神经元的个数n＝7。

记运行工况L_c，行驶坡度L_a，环境温度T₀，驱动电机输入线电流为I_n，前一时刻驱动电机输入线电流I_n-1，驱动电机输入线电压U_n，前一时刻驱动电机输入线电压U_n-1，驱动电机转速n，履带张紧力F，支重轮轴温度T₁，T₂，…，T₁₆组成的向量作为输入向量x。神经网络的输出为履带工作状态对应正常或各故障的预测值。

其中，运行工况分为直行、转弯和原地待命三种，对应的运行工况系数分别取1、-1和0。

输入向量：

x＝[x₁ x₂ x₃...x_r]^T

隐含层输出信息：

$h_j=f_1(\underset{i=1}{\overset{r}{\mathrm{\Σ}}}{x}_i{w}_{\mathrm{ij}}^1-{\mathrm{\θ}}_j),j=\mathrm{1,2},...,m$

输出层输出信息：

式中h_j——隐含层神经元j输出值；

f₁——隐含层神经元转移函数；

——神经元i到j的权重值；

θ_j——隐含层神经元j的阈值；

y_k——输出层神经元k的输出值；

f₂——输出层神经元转移函数；

——神经元j到k的权重值；

——输出层神经元k的阈值。

隐含层神经元的转移函数选择双极性S型函数

$f\left(x\right)=\frac{1-e^{-x}}{1+e^{-x}}$

输出层神经元的转移函数为线性函数。

目标函数选择神经网络输出误差平方和。该函数为关于权值和阈值组成的矩阵

的函数。

$s=f\left(W\right)=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{({\stackrel{\‾}{y}}_k-y_k)}^2$

式中

——神经网络期望输出值，取样本输出数据。

利用已有数据对神经网络进行训练，得到网络权重值和阈值，构成神经网络模型。对训练后的模型进行存储。应用上述训练后的神经网络模型进行设备状态智能监测。提取大型履带行走装置运行过程中的数据组成前述的向量x为输入向量。智能监测部分用以识别正常、电机瞬时过载、电机持续过载、张紧力过高、张紧力过低、电机过载引起的销轴过热和磨损或润滑不良引起的销轴过热7种设备运行状态，作为输出向量。7种运行状态分别对应的网络理想输出向量如表1所示。例如，当监测系统发现电机持续过载和电机过载引起的销轴过热时，对应的神经网络理想输出为0010010。监测系统根据神经网络实际输出和容差给出健康状态监测结果，并反映到监测系统软件界面。

表1健康状态智能监测神经网络理想输出向量

上述实施例仅用于说明本发明，其中各部件的结构、连接方式等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (10)

1.一种基于LabVIEW的大型履带行走装置健康状态智能监测系统，其主要由驱动轮监测模块(Ⅰ)、导向轮监测模块(Ⅱ)、支重轮监测模块(Ⅲ)、路由器、计算机和显示器组成，其特征在于：

所述的驱动轮监测模块(Ⅰ)、导向轮监测模块(Ⅱ)和支重轮监测模块(Ⅲ)，分别安装在大型履带行走装置的对应位置，并与驾驶室内的计算机通过以太网形式连接；

所述的驱动轮监测模块(Ⅰ)由驱动电机电流传感器(1)、驱动电机电压传感器(2)、驱动轮转速传感器(3)、电流数据采集卡(4)、电压数据采集卡(5)、转速数据采集卡(6)和驱动轮监测机箱(7)组成，驱动轮监测模块(Ⅰ)用以监测驱动电机瞬时电流、驱动电机瞬时电压和驱动轮的转速；

所述的导向轮监测模块(Ⅱ)由张紧力传感器(8)、张紧力数据采集卡(9)和导向轮监测机箱(10)组成，导向轮监测模块(Ⅱ)用以监测导向轮(f)处的履带张紧力；

所述的支重轮监测模块(Ⅲ)由支重轮轴组温度传感器即支重轮轴1-16温度传感器(11-26)、无线信号接收器(27)、温度数据采集卡(28)和支重轮监测机箱(29)组成，支重轮监测模块(Ⅲ)用以监测各支重轮轴温度，间接反映其润滑状态；

路由器(30)接收来自驱动轮监测模块(Ⅰ)、导向轮监测模块(Ⅱ)和支重轮监测模块(Ⅲ)的信号，并与计算机(31)进行数据通信，计算机(31)完成数据分析与存取，显示器(32)作为显示终端，提供基于LabVIEW的大型履带行走装置健康状态监测智能系统软件界面，并实时更新得到的各设备参数，供技术人员监测大型履带行走装置的实时状态。

2.根据权利要求1所述的一种基于LabVIEW的大型履带行走装置健康状态智能监测系统，其特征在于：

所述的驱动轮监测模块(Ⅰ)中的驱动电机电流传感器(1)采用电流互感器，安装在驱动电机排线上，从驱动电机电流传感器(1)输出的二次电流，经电流数据采集卡(4)直接采集，电流数据采集卡(4)中包含抗混叠滤波器信号调理电路及A/D转换器，信号经电流数据采集卡(4)完成信号调理并转换为数字信号。

3.根据权利要求1所述的一种基于LabVIEW的大型履带行走装置健康状态智能监测系统，其特征在于：

所述的驱动轮监测模块(Ⅰ)中的驱动电机电压传感器(2)同样安装在驱动电机排线上，从驱动电机电压传感器(2)输出的二次电压，经电压数据采集卡(5)直接采集，信号经电压数据采集卡(5)转换为数字信号。

4.根据权利要求1所述的一种基于LabVIEW的大型履带行走装置健康状态智能监测系统，其特征在于：

所述的驱动轮监测模块(Ⅰ)中的驱动轮转速传感器(3)采用增量式光电编码器，安装在驱动轮轴头，输出数字信号，由转速数据采集卡(6)采集。

5.根据权利要求1所述的一种基于LabVIEW的大型履带行走装置健康状态智能监测系统，其特征在于：

所述的驱动轮监测模块(Ⅰ)中的电流数据采集卡(4)、电压数据采集卡(5)和转速数据采集卡(6)安装在驱动轮监测机箱(7)内，驱动轮监测机箱(7)上设有状态指示灯，采集的数据通过驱动轮监测机箱(7)经由以太网传输至路由器(30)。

6.根据权利要求1所述的一种基于LabVIEW的大型履带行走装置健康状态智能监测系统，其特征在于：

所述的导向轮监测模块(Ⅱ)中的张紧力传感器(8)采用压磁式力传感器，安装于张紧装置支承座(e)处，张紧力传感器(8)输出信号至张紧力数据采集卡(9)进行A/D转换，采集的数据通过导向轮监测机箱(10)经由以太网传输至路由器(30)，导向轮监测机箱(10)上设有状态指示灯。

7.根据权利要求1所述的一种基于LabVIEW的大型履带行走装置健康状态智能监测系统，其特征在于：

所述的支重轮监测模块(Ⅲ)中的支重轮轴组温度传感器集成了热敏电阻温度传感器、A/D转换器和无线发射装置；传感器分布安装于支重轮轴组，采集的温度电信号经A/D转换，并由无线发射装置发出，无线信号由无线信号接收器(27)接收，经过温度数据采集卡(28)和支重轮监测机箱(29)，由以太网传输至路由器(30)，支重轮监测机箱(29)上设有状态指示灯。

8.根据权利要求1所述的一种基于LabVIEW的大型履带行走装置健康状态智能监测系统，其特征在于：

所述路由器(30)、计算机(31)和显示器(32)均位于大型履带行走装置上部的驾驶室内，由于大型履带行走装置履带条数不定，除路由器(30)、计算机(31)和显示器(32)共用一组并安装在驾驶室内，其他数据采集硬件可依履带条数设置多套，进行分布式安装。

9.如权利要求1至8任一项所述的基于LabVIEW的大型履带行走装置健康状态智能监测系统，其监测方法包括以下步骤：

(1)硬件初始化：完成各模块的连接并通电，通过机箱、路由器和计算机上的设备状态指示灯，观察各通信模块是否正常工作，并针对出现的状态异常进行检修，直至各硬件模块状态正常；

(2)软件初始化：启动软件，设置数据存储路径，设定设备当前运行状态参数，打开软件界面开关，观察各监测界面是否异常；

(3)启动待监测的大型履带行走装置，各模块传感器检测各待测物理参数，并转换成相应电信号，经过数据采集形成数字信号，经由以太网将数据传输至计算机，计算机完成实时数据存储，并将实时数据反映到基于LabVIEW的大型履带行走装置健康状态智能监测系统软件界面，状态监测系统软件完成数据分析和智能监测，给出设备当前健康状态，对相应故障项发出声光警告，并指出故障来源。

10.根据权利要求9所述的基于LabVIEW的大型履带行走装置健康状态智能监方法，其特征在于：

采用人工神经网络技术作为健康状态智能监测系统的核心算法，智能监测神经网络结构包含一个输入层、一个隐含层和一个输出层，输入层神经元的个数r＝25，隐含层神经元的个数m＝30，输出层神经元的个数n＝7；

记运行工况L_c，行驶坡度L_a，环境温度T₀，驱动电机输入线电流为I_n，前一时刻驱动电机输入线电流I_n-1，驱动电机输入线电压U_n，前一时刻驱动电机输入线电压U_n-1，驱动电机转速n，履带张紧力F，支重轮轴温度T₁，T₂，…，T₁₆组成的向量作为输入向量x，神经网络的输出为履带工作状态对应正常或各故障的预测值；

其中，运行工况分为直行、转弯和原地待命三种，对应的运行工况系数分别取1、-1和0，

输入向量：

x＝[x₁ x₂ x₃...x_r]^T

隐含层输出信息：

$h_j=f_1(\underset{i=1}{\overset{r}{\mathrm{\Σ}}}{x}_i{w}_{\mathrm{ij}}^1-{\mathrm{\θ}}_j),j=\mathrm{1,2},...,m$

输出层输出信息：

式中h_j——隐含层神经元j输出值；

f₁——隐含层神经元转移函数；

——神经元i到j的权重值；

θ_j——隐含层神经元j的阈值；

y_k——输出层神经元k的输出值；

f₂——输出层神经元转移函数；

——神经元j到k的权重值；

——输出层神经元k的阈值；

隐含层神经元的转移函数选择双极性S型函数

$f\left(x\right)=\frac{1-e^{-x}}{1+e^{-x}}$

输出层神经元的转移函数为线性函数，

目标函数选择神经网络输出误差平方和，该函数为关于权值和阈值组成的矩阵的函数，

$s=f\left(W\right)=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{({\stackrel{\‾}{y}}_k-y_k)}^2$

式中

——神经网络期望输出值，取样本输出数据，

利用已有数据对神经网络进行训练，得到网络权重值和阈值，构成神经网络模型，对训练后的模型进行存储，应用上述训练后的神经网络模型进行设备状态智能监测。

Images