基于物联网监测的起重机安全预警

本资料包含pdf文件1个，下载需要1积分

起重机的安全运行关系重大，能及时了解起重机的实时运行状态是起重机高效、安全运行的基本保障 I2 J。传统起重机安全监测主要通过监测仪器人为间断地对起重机的降状态进行测量、记录、分析。该方法存在以下不足：监测具有间断性，信息传递慢、加工时效差；无法实现数据共享、在线监测和远程监控。物联网(Interuet of Things，IOT)技术以其强大的实时状态监测、定位追溯、数据挖掘 J、危情处理等特点为起重机状态监测提供了新 的思路和环境。通过物联网平台构建起重机运行监控系统，实时监测起重机运行状态，准确了解起重机使用情况，当起重机发生违规操作和不安全运行时可及时报警并做出相应应急处理 。当监测到大量数据后，就可以分析运行数据得到设备未来运行状态。安全预警是指对设备某-方面各个因素进行实时监测并对其以后的发展趋势做出预测，对预测的危险结果做出警示，并做出相应改善或弥补措施 J。鉴于安全预警的思想 ，通过深度分析、挖掘物联网监测的数据，运用-些预测手段预测起重机未来运行风险 ，提早做出析判断，在设备故障萌芽时消除设备安全隐患，确保起重机安全运行。

1 基于物联网起重机监测及安全预警起重机物联网实时监控通过监测起重量g(重量传感器)、电机起升速度 (PLC控制电流)、电机轴承振动幅值，(加速度收稿日期：2012-O7-17 收修改稿日期 ：2013-02-08振动传感器)、电机轴承温度 (温度传感器)、金属结构应力(应变片)、吊钩高度H(滚筒驱动电机安装旋转编码器)、行车实时位置 Y(RFID电子标签)等了解起重机的实时运行状态。

其中行车实时定位采用射频识别(RFID)技术设计，根据对行车监控精度的要求，沿行车轨道按-定间隔放置电子标签；在炼钢炉，连铸机等重点设备选代表位置设置电子标签，在行车上对应位置(行车宽度方向中心线)安装识别装置，所有埋设的电子标签都存储有互不重复的地址编码 ，当行车途经或到达所埋设的电子标签位置时，车载读码器读出该标签地址编码传送到行车数据采集系统。系统采用无源电子标签，且所有用来定位的电子标签相互独立。行车 RFID定位示意图如图 1所示。

车载智能控制前端将监测的设备实时数据通过无线传输拈传输给监控预警系统从而完成对起重机的实时监控监控结构图如图2所示。

通过对设备实时监测能保障设备的安全运行，但不能保证起重机在性能下降或故障发生前提前改善性能或消除故障隐患。起重机关键部位如起升电机、金属结构等不仅要了解其现在运行状态，对其未来降状态也希望能处在监管之中，特别是表征起重机关键部位性能的退化特征值直接关联起重机安全事故，对退化特征值的变化趋势做出正确预测才能保证设备现在、将来都处于安全运行中。

物联网安全预警思路：起重机安全预警建立在设备运行状态物联网监测的基础之上，监测数据的变化快慢和强烈程度各Instrument Technique and Sensor Jun.2013(k )为参考输出量。设A (k )为神经网络的实际输出量。则实际输出量与参考输出量间的均方差为：E÷( ∞ (k )-A。 ( )) (4)神经网络的整体误差训练目标是使得累计误差最校累计误差表示为：rt，n E∑E ÷∑( ∞( -A (后 )) ，江2，3，，n(5)训练好的网络模型得到最终预测值 ( )。

2.3 预测值的归-化处理对于起重机这样复杂的机电系统，仅仅依靠单个退化特征值的数据不能充足地获取设备的运行信息，在此基础上分析得到的设备性能退化评估往往不是很准确。为了综合表征起重机某-方面性能的不同退化特征值进行综合评判，不因单个监测量的振荡突变导致预警误判。引入了归-化方法处理不具有相同量纲的退化特征值。假设在t (i1，2，)时刻，表征起重机某-方面性能的第 个性能退化特征值的预测值为1 平滑处理 H 菇j寺 溢振 动幅值fj竺 ：温度t匝起升速度 、起重JigI大车实时位置y - 工况识别 L- - - - - - - - - - - - J L---RFID定位标签 Tr---------] I 吊钩高度日 --L ....... 1J旋转编码器转数(k )，设定该退化特征值的退化阀值为 ，正常工作状态的平均值为 ，则用以下公式进行归-化处理：彪： l'2，， (6) y- .，1.. .n IIJJ Xt - XD 。

经过归-化处理的不同退化特征值在 t 时刻就具有相同的量纲，可以根据实际经验或仿真分配每-退化特征值不同的权值a ，然后可利用下列公式计算安全预警评判值：x ∑ ，∑ l (7)3 实例为验证预测模型，用MATLAB7.6进行仿真，以某型号冶金起重机起升电机为安全预警对象，选取性能退化特征值为电机承载能力P(通过起升速度口和起重量g计算获得)、电机轴承振动时域均方根值 RMS、电机轴承温度 、行车实时位置 l，、吊钩实时高度日。选取神经网络结构为3-6-1，网络学习速率叼0.25和惯性 系数 O/0.05，加 权 系数 初始值 选 取 区间[-0.5，0.5]上的随机数。则起升电机安全预警流程图如图3所示 。

薹翟翌 翌 ：里竺测 输 H 孺翮 f 位置Y l 厂广翌 匿起重运动付 量衙 河Ili图3 起升电机安全预警流程通过仿真可得电机承载能力 P正常工况下的预测曲线如 RMS三者的权值分别为 0.2、0.2、0.6和 0.3、0.2、0.5，得到的图4所示。故障时振动时域均方根值 RMS预测值如图5所示 两条综合预警曲线如图6所示。

(P、T的预测曲线都是曲线上升形式)。故障时通过分配P、T、妻R涩榻瞄(a)P全工况监测曲线妻d懒脚(b)P监测值有折点的预测曲线图4 设备正常运行工况内P监测和预测曲线4 结论 模型能实时调整对监测值的跟踪。