建筑鉆孔機械運行故障檢測方法

趙煜焱

摘要：受建筑工程地形的影響，鉆孔機械在運行過程中極易出現故障，為確保施工的安全性，研究一種建筑鉆孔機械運行故障檢測方法?；谙戕r采樣定律采集鉆孔機械運行故障信號，以去噪、中心化等步驟預處理鉆孔機械運行故障信號，利用函數型大數據擬合故障信號后，經過聚類分析實現鉆孔機械運行故障的在線檢測。通過某深基坑支護工程施工中，對利勃海爾LB28旋挖鉆機的6種常見故障的檢測實驗發現，本文設計方法的故障檢測結果均方誤差為0.19，說明該方法的故障檢測準確性高，具有一定適用性和應用價值。

關鍵詞：建筑鉆孔機械；運行故障；故障檢測；檢測方法

0? ?引言

深基坑支護工程對提升建筑地基承載力非常關鍵，同時對確保建筑工程施工結構的穩定性有著重要影響。深基坑支護工程是一個施工環境多變、施工技術復雜的項目，應用的各類機械設備在長期運行過程中極易發生故障，嚴重影響著施工效率，甚至可能會因機械運行故障而引發安全事故。為了防止此類事故發生，在施工過程中對相關機械設備進行故障檢測非常必要。

近年來，建筑施工中的機械故障檢測已經成為我國眾多學者關注的焦點課題之一。梁小康[1]利用譜圖由于聲學特征設計一種故障檢測方法，以提升旋轉機械故障診斷效率。吳旭濤[2]等人通過多源數據融合技術設計一種故障檢測方法，以有效保障GIS故障檢測準確性。本文針對建筑鉆孔機械運行故障檢測方法進行深入研究，最后利用利勃海爾LB28型旋挖鉆機進行實驗，以驗證設計方法的有效性。

1? ?鉆孔機械運行故障信號采集

在建筑鉆孔機械運行過程中，基于香農采樣定律不間斷地采集機械振動故障信號。一般情況下，為防止采集的故障信號出現混頻，需要設置一個較高的采樣頻率。但采樣頻率不能過高，否則可能會帶來一些冗余信息，從而影響故障檢測效果[3]。

鉆孔機械振動故障信號通常具有稀疏性特征，為解決香農采樣定律中混頻問題，結合壓縮感知原理來采集鉆孔機械運行故障信號[4]。壓縮感知就是通過對原始稀疏的鉆孔機械振動故障信號進行定域投影，從而將故障信號中國關鍵時頻域特征提取出來，以使香農采樣定律的高采樣頻率成為可能。

在鉆孔機械運行故障信號采集過程中，將故障信號的稀疏特性作為理論基礎，通過壓縮感知原理將故障信號進行重構，再以香農采樣定律來采集故障信號。

2? ?鉆孔機械運行故障信號預處理

在利用香農采樣定律采集的鉆孔機械運行故障信號時，往往會導致采集信號中存在一定的干擾噪聲，影響信號的有效性，所以在進行鉆孔機械運行故障在線檢測前，需要對采集信號做去噪處理[5]。綜合考慮建筑鉆孔機械運行故障信號的特征，本文以單分量分解的形式來去除故障信號中噪聲信息，表達式如下：

3? ?鉆孔機械運行故障在線檢測

在采集的振動故障信號基礎上，可通過分析決策來判斷鉆孔機械是否存在故障、故障類型以及故障量級等。本文設計在線檢測方法主要包括故障信號采集、故障信號預處理、故障信號識別檢測等環節。關于故障信號的采集與預處理文中上述內容已經贅述，在此主要針對故障信號的識別檢測進行詳細介紹。

3.1? ?擬合故障信號

3.2? ?故障信號的識別檢測

經過式（6）擬合后的鉆孔機械故障信號，是可以成功進行聚類分析的關鍵。由于聚類分析具有強大的處理性能，所以本文通過聚類分析與數據劃分的效果，來實現鉆孔機械故障信號的識別檢測。

首先確定鉆孔機械故障信號的最優輻射半徑，并根據該半徑求解出運行故障信號的相似性。然后通過下式來判斷信號之間的距離是否合理。

3.3? ?生成新的聚類方案

當存在新增的鉆孔機械運行故障信號時，其會根據新增信號的特點與原始聚類中心之間的聚類，來確定一個新的聚類中心位置，并生成新的聚類方案。由于本文引入了函數型大數據對故障信號進行擬合，所以聚類算法不會受新增信號的影響，仍可以保證故障信號聚類結果的準確性。

4? ?實例應用

4.1? ?工程概況

為驗證本文設計的建筑鉆孔機械運行故障檢測方法的可行性，將其應用于實際工程中進行實驗測試。某小區擬建地塊為矩形，地上總建筑面積約為2.28萬m2，小區周圍是已建成通車的市政道路。在該工程設計方案中，為滿足小區居民的停車需求，于居民樓地下修建停車場，地下停車場的標高為2.2m左右。

4.2? ?確定實驗對象

為確?；又ёo結構的穩定，該工程采用鉆孔支護樁結構。在進行鉆孔施工時，主要采用利勃海爾LB28型旋挖鉆機。采用本文的設計方法，對利勃海爾LB28旋挖鉆機進行故障檢測實驗。

4.3? ?采集故障類型

為確保本次故障檢測實驗可以順利完成，實驗開始之前，需要對該機械的主要技術參數進行分析。利勃海爾LB28型旋挖鉆機技術參數如表1所示。

在此基礎上，采集利勃海爾LB28旋挖鉆機的幾種常見故障類型，并明確它們所反映的故障信息。鉆孔機械常見故障類型如表2所示：

4.4? ?故障檢測效果

在該基坑支護工程施工過程中，收集1000組運行數據作為故障檢測實驗的訓練與測試數據，并選用基于多源數據融合的故障檢測方法、基于深度學習的故障檢測方法作為，實驗對照組。

5? ?結束語

隨著新興技術設備的廣泛應用，建筑鉆孔機械的結構越來越復雜，為確保鉆孔機可以穩定運行，保障建筑施工的安全性，本文設計一種機械運行故障實時檢測方法，以利勃海爾LB28型旋挖鉆機為例展開實驗。實驗結果證明，該方法的精確性與實用性完全滿足建筑鉆孔機械的檢測要求。本文僅選用了鉆孔機械的振動故障信號作為故障檢測的判斷依據，今后還需要綜合電流、電壓等信號，以更好地提升故障檢測方法的實用性。

參考文獻

[1] 梁小康.基于譜圖和聲學特征的旋轉機械故障檢測方法[J].電子器件，2021，44（3）：737-740.

[2] 吳旭濤，馬云龍，何寧輝，等.基于多源數據融合的GIS機械故障檢測技術[J].高壓電器，2022，58（11）：191-196+204.

[3] 沈保明，陳保家，趙春華，等.深度學習在機械設備故障預測與健康管理中的研究綜述[J].機床與液壓，2021，49（19）：162-171.

[4] 崔旭浩，郗欣甫，孫以澤.數據驅動的經編機橫移機構故障檢測方法研究[J].工程設計學報，2022，29（3）：263-271.

[5] 田紅彬，王曉楠，劉喜峰，等.采用滑模觀測器的機械臂故障檢測與控制優化[J].現代制造工程，2022（1）：91-97.

[6] 包奇， 胡艷華， 朱煒. 強夯機行走跑偏液壓系統故障的診斷[J]. 工程機械與維修， 2022（2）：52-54.

[7] 劉寶穩，湯容川，馬鉦洲，等.基于S變換D-SVM AlexNet模型的GIS機械故障診斷與試驗分析[J].高電壓技術，2021，47（7）：2526-2538.

[8] 陳國才.基于函數型大數據聚類分析的機械故障在線檢測[J].現代制造工程，2021（6）：142-147+160.

[9] 蔡芳芳. 基于有限元的泵車轉塔故障診斷及結構優化[J].?工程機械與維修， 2021（5）：20-21.