基于傳感器感知信息的物流運輸設備故障自動識別

劉晗兵

(陜西交通職業技術學院經濟管理學院，陜西 西安 710018)

由于每天都有海量的物品需要物流運輸，造成物流運輸設備長期超負荷運行，容易出現多種故障，因此對于物流運輸設備故障的自動識別方法成為了物流運輸領域的研究重點。對于物流運輸設備故障的識別，主要通過對采集的海量信息數據的分析，高效獲取其中重要的信息點，從而對故障點進行準確的定位，實現對物流運輸設備故障的自動識別，提高物流運輸整體的安全性[1-3]。涂小衛等[4]提出一種基于深度置信網絡的牽引電機軸承故障診斷方法，用來解決故障診斷不準確的問題，該方法可以提高設備故障診斷的精度，但是穩定性較差。李遠軍等[5]提出了一種基于特征提取的物流車輛汽車軸承故障診斷方法，可以有效提高汽車電機軸承故障識別的效率，但是精度較低。為了提高故障類型識別精度和穩定性，本文設計了一種基于傳感器感知信息的物流運輸設備故障自動識別方法，并通過仿真實驗分析了其性能。

1 基于傳感器感知技術的物流運輸設備故障自動識別方法

1.1 定位物流運輸設備故障

在對物流運輸設備故障定位的過程中，首先利用小波變換對故障位置進行定位[6]，假設φ(t)為小波函數，則小波變換函數φg,h(t)為：

(1)

式中：g為小波系數；h為小波因子；φg,h(t)為利用φ(t)的變換而得到的小波系數，其中t為小波變換系數的連續變量。通過改變小波系數和小波因子的值，能夠獲得故障定位函數[3]。

設y(t)為物流運輸設備故障信號，根據式(1)，利用小波函數φ(t)對y(t)進行離散小波變換，得到新的小波變換系數Uy(g,h)為：

(2)

由式(2)可知物流運輸設備發生故障時的故障信號是連續的[7]。利用物流運輸設備故障信號的連續性離散小波函數，能夠獲得小波離散函數。根據小波離散函數對各個尺度上的故障信息進行變換計算：

(3)

式中：Uy(2l,2lt)為各個尺度上故障信息的系數；l為各個尺度上故障信息的變換閾值。利用小波分解法對小波方程式進行重構[8]，得到各故障點之間的距離均值K為：

(4)

式中：m為數據庫中含有的故障數據數量；j為運行的故障數據數量；kj為數據之間的距離。

通過對小波函數的分解與重構，可以實現對物流運輸設備任意故障點f(t)的定位：

(5)

式中：f(t)為距離故障信號最近的信號；dl,0為各個尺度上故障信息的變換閾值取值區間；fl(t)為距離第l層故障信號最近的信號；Rl(t)為f(t)信號在第l層的細節部分的小波系數。利用小波基函數分解得到物流運輸設備故障位置的小波系數dl,v，可分解為：

dl,v=〈f(t),φl,v(t)〉

(6)

式中：dl,v為l點到v點之間物流運輸設備故障位置的小波系數；φl,v(t)為利用φ(t)的變換而得到的l點到v點之間的小波系數。

再對不同尺度的物流運輸設備故障信號進行調節與重構[9]，可實現對物流運輸設備故障的準確定位：

(7)

式中：Bl為小波因子，能夠調節故障信號的幅度大小。

根據上述步驟即可完成對物流運輸設備故障的定位，接下來通過對物流運輸設備故障的診斷，為故障識別提供可靠依據。

1.2 構建物流運輸設備故障診斷模型

對物流運輸設備的故障進行診斷時，假設物流運輸設備運行狀態的有限集合為Ω={ζ1,ζ2,…,ζN}，物流運輸設備故障的診斷信息與物流運輸設備運行狀態之間的相關概率為p={ζn∈Ω}，其中ζn為某個物流運輸設備運行狀態，則利用物流運輸設備運行狀態描述物流運輸設備運行過程中不確定因素[10]的公式為：

(8)

式中：W(ζ)為物流運輸設備運行過程中不確定因素。

假設物流運輸設備的診斷信息反映了物流運輸設備運行狀態的不確定性，二者之間存在關聯關系，當物流運輸設備運行的不確定性降低時，說明此時的物流運輸設備故障診斷效果較好[11]。物流運輸設備故障的診斷信息與物流運輸設備運行狀態之間的關聯關系F(ζ;X)為：

(9)

式中：p(ζ,x)為物流運輸設備故障的診斷信息與物流運輸設備運行狀態之間的相關概率；p(ζ)為物流運輸設備故障的診斷信息出現次數；p(x)為物流運輸設備運行狀態總值。

假設物流運輸設備故障信息為X，已知X=xj，其中xj為物流運輸設備的故障點位置集合，則物流運輸設備運行狀態的條件熵W(ζ|X=xj)為：

(10)

在物流運輸設備故障點的位置已知時，物流運輸設備運行狀態的平均熵值W(ζ|X)為：

(11)

通過子系統獲取更多的故障信息數據(如發動機的轉速信息、冷卻液的溫度等[12])，通過與歷史數據的對比，即可對物流運輸設備的故障狀態進行診斷。本文通過融合層次診斷方法，構建物流運輸設備故障診斷模型，如圖1所示。

圖1 物流運輸設備故障診斷模型

1.3 傳感器感知信息的物流運輸設備故障識別算法

在得出物流運輸設備故障診斷結果的基礎上，利用傳感器感知信息系統設計一種物流運輸設備故障自動識別算法[13]。傳感器感知信息系統的表達式為C{Q，Bs,Bε,F,D}，其中Q為傳感器信息集，Bs為傳感器感知信息的約束集，Bε為物流運輸設備的總線約束集，F為傳感器控制集，D為傳感器感知信息系統的接口網關。

在傳感器感知信息系統中，由傳感器對物流運輸設備運行過程中的狀態數據進行測量，再將狀態數據通過傳感器約束集Bs傳輸給相應的傳感器控制集F，最后對信息數據格式進行轉換[14]，得到傳感器感知信息系統的傳輸拓撲結構圖(圖2)。

圖2 傳感器感知信息系統拓撲結構圖

定義傳感器感知信息物流運輸設備故障識別信息集Y={Yf,Ys,Yo}，其中Yf為物流運輸設備快速故障的采集數據，Ys為物流運輸設備慢速故障的采集數據，Yo為物流運輸設備故障的全部數據集，三者可用下式描述：

(12)

式中：Yfi為Yf中的快速故障數據，共有N個；Ysj為Ys中的慢速故障數據，共有M個；Yok為Yo中的故障數據，共有Q個。

隨后利用傳感器感知信息系統定義物流運輸設備故障的信息：

(13)

式中：afai,asaj和aoak分別為3種物流運輸設備故障的數據幀；afbi,asbj和aobk分別為3種物流運輸設備故障的應答數據幀；RC為傳感器感知信息系統的運行周期；RK為物流運輸設備故障信息采集的周期。

通過上述操作，可以確定物流運輸設備故障信息的采集列表以及物流運輸設備故障的采集周期，再對式(12)、(13)進行歸一化處理，得到物流運輸設備故障識別集Z為：

Z=(Zi|i=1,2,…,N+M+Q)

(14)

式中：Zi為識別到的物流運輸設備故障數據。

至此，完成物流運輸設備故障的自動識別。

2 仿真實驗

為了驗證基于傳感器感知信息的物流運輸設備故障自動識別方法(簡稱本文方法)在實際應用中的性能，以某物流運輸公司的10輛重大件陸上運輸車輛為研究對象，如圖3所示。

圖3 物流運輸設備

圖3所示的運輸車輛可承運各類超重、超大的單件和成套設備，實現海陸大件運輸的對接服務。由于長期從事長途運輸且維修保養條件有限，導致10輛車存在多種故障，每輛汽車的實際故障見表1。

由表1可知，實驗所用運輸車輛存在多種故障問題，為方便分析，對以上故障進行編號，發動機故障、離合器故障、剎車系統故障、輪胎故障、轉向系統故障、懸掛系統故障分別為故障1～故障6。

表1 設備故障

為了驗證物流運輸設備故障自動識別效果，對本文方法與文獻[4]方法、文獻[5]方法進行故障種類識別對比，結果見表2。

表2 不同方法故障種類識別結果

由表2可知，本文方法可對10輛運輸汽車的故障進行準確識別，文獻[4]、文獻[5]方法進行故障種類識別時的準確度較低，出現多次種類識別錯誤現象。例如，文獻[4]方法在對車輛2、車輛3、車輛4、車輛6以及車輛9進行檢查時出現故障種類識別錯誤，而文獻[5]方法在對車輛2、車輛3進行檢查時出現故障種類識別錯誤，由此可知本文方法的故障種類識別精度更高。

用本文方法、文獻[4]方法、文獻[5]方法對物流運輸設備故障信息識別的響應頻率進行測試，測試結果如圖4所示。

從圖4可知，與另外兩種方法相比，本文方法的響應頻率呈現出穩定的波動趨勢，說明本文方法適用于物流運輸設備故障的識別，可以提高物流運輸設備故障識別的穩定性。而另外兩種方法的波動較大，證明其穩定性還需提高。

圖4 物流運輸設備故障信息識別的響應頻率測試結果

為了更深入分析本文方法的故障識別效果，對3種方法的故障識別時間進行對比，所得到結果如圖5所示。

從圖5可以看出，文獻[4]方法與本文方法的故障識別所用時間均較短，但總體來看，還是本文方法的識別時間更短，最少為6.2 s。綜合上述分析內容可知，本文方法不僅可以保證故障識別精度，還能以較少的時間消耗完成故障識別，進一步證明了本文方法的有效性。

圖5 物流運輸設備故障識別時間測試結果

3 結束語

本文提出的基于傳感器感知信息的物流運輸設備故障自動識別方法，對物流運輸設備故障類型識別精度較高，且最快可在6.2 s內完成故障識別，效率較高。受限于條件，本文研究還存在很多不足，在今后的研究中，希望可以通過構建物流運輸設備故障診斷專家系統，保證物流運輸設備的安全性與穩定性。