公路攤鋪機故障診斷與維修技術研究

摘要 針對攤鋪機故障診斷耗時長、維修效率低的問題，文章研究了一種智能化故障診斷與維修技術方案，通過構建基于壓力、溫度、振動傳感器和三維激光掃描儀的數據采集系統，采用小波去噪技術進行數據預處理，設計了模糊隨機森林算法進行故障識別，制定了液壓系統、電氣元件和攤鋪熨平板等關鍵部件的維修工藝。結果表明，該方案的故障診斷準確率達到75.68%，與傳統診斷方法相比，智能診斷系統在液壓系統、電氣控制和機械部件故障的診斷時間分別縮短了60.3%、62.5%和47.1%，顯著提升了診斷效率。研究證實，基于多源傳感與機器學習的智能化故障診斷與維修技術方案能夠有效提升攤鋪機維修效率，具有良好的工程應用價值。

關鍵詞 公路；攤鋪機；故障診斷；維修技術

中圖分類號 U415.521 文獻標識碼 A 文章編號 2096-8949（2025）03-0189-03

0 引言

攤鋪機在運行過程中經常出現液壓系統故障、電氣元件損壞和機械部件磨損等問題[1]。傳統依賴人工經驗的診斷方法已難以滿足現代化施工的快速維修需求[2]，特別是在復雜故障情況下，傳統診斷方法往往需要反復試錯，嚴重影響施工進度和質量[3]。為解決上述問題，該文采用多源傳感數據采集、小波去噪預處理和模糊隨機森林算法相結合的方法，構建智能故障診斷系統。該文將模糊隨機森林算法應用于攤鋪機的故障診斷，建立了一套完整的診斷-維修技術體系，不僅豐富了工程機械故障診斷理論，也為類似設備的智能化維修提供了一種新的研究思路。

1 故障診斷數據采集系統

1.1 壓力、溫度、振動傳感器布置

壓力傳感器主要安裝在液壓泵出口、液壓缸入口和液壓閥前后位置，實現對液壓系統關鍵節點壓力的實時監測。其中，A4型壓力傳感器布置在液壓泵出口處，監測液壓泵的輸出壓力，反映泵的工作狀況；B4型壓力傳感器安裝在液壓缸入口處，監測進入液壓缸的壓力，識別液壓缸動作不靈活或失效問題；C4型壓力傳感器布置在液壓閥前后，監測閥門壓差，判斷閥門是否堵塞或損壞。A3型溫度傳感器安裝在液壓泵出口處，監測液壓油在泵送過程中的溫度變化；B3型溫度傳感器安裝在液壓缸入口處，監測液壓油的溫度，防止因高溫導致密封件損壞；C3型溫度傳感器布置在液壓過濾器前后，監測過濾器的工作狀態。A2型振動傳感器安裝在液壓泵和液壓馬達外殼，監測這些關鍵部件的振動情況；B2型振動傳感器安裝在減速器和齒輪箱，監測齒輪和軸承的振動狀態；C2型振動傳感器安裝在履帶支撐結構上，監測攤鋪機移動過程中的振動特性。

1.2 三維激光掃描儀測量

三維激光掃描儀固定安裝在攤鋪機后端，采用固定式支架保證測量穩定性，掃描范圍覆蓋整個攤鋪寬度。掃描精度設置為0.1 mm，掃描頻率為100 Hz，確保數據采集的連續性和準確性。測量數據通過以太網實時傳輸至數據處理單元，采用點云數據處理算法對采集的三維坐標信息進行濾波和重構，生成路面橫斷面和縱斷面輪廓。掃描系統集成了北斗高精度定位模塊，實現攤鋪機位置的精確定位，結合激光測距數據計算攤鋪厚度。測量包含自動校準功能，通過基準點定期校準以確保測量精度，補償因溫度變化和振動引起的誤差。

2 智能診斷算法研究

2.1 小波去噪與數據預處理

為提升數據質量，采用小波閾值去噪方法進行預處理。在噪聲分析中，含噪聲信號模型可表示如下：

（1）

式中，sn（r）——采集到的含噪聲信號；s（r）——原始信號；x（r）——噪聲信號；r——采樣時間序列。

選用db4小波基對信號進行三層分解，獲得高頻和低頻系數。基于信號能量的分布特性，對主要集中在高頻系數的噪聲能量特點進行了處理。經處理后，振動信號幅值標準差降低了45%，溫度信號波動減小了38%，壓力信號的噪聲能量降低了42%。通過對比分析發現，該方法能夠有效保留信號的突變特征和趨勢特征，為后續的故障診斷提供可靠的數據基礎。處理后的壓力、溫度和振動信號表現出更好的平穩性和連續性，顯著提高了數據的信噪比。數據預處理效果如圖1所示，處理后的信號曲線更加光滑，突變特征更加明顯，能夠準確反映設備的運行狀態變化。

2.2 模糊隨機森林故障識別

模糊隨機森林算法通過構建多棵決策樹，實現攤鋪機故障的智能分類。對采集的傳感器數據建立模糊隸屬度函數mij（x），表示特征x對故障類型j的隸屬程度：

（2）

式中，cj——故障類型j的特征中心值；aj——模糊因子。

液壓系統故障的隸屬度依據壓力波動率確定，電氣系統故障通過信號波形畸變率判定，而機械故障則依據振動幅值進行評估。將所有特征的隸屬度組成模糊關系矩陣R：

（3）

式中，m——樣本數（個）；n——故障類型數（個）。

采用自助法從訓練數據中抽取樣本構建決策樹，每棵樹使用隨機特征子集進行訓練。在故障分類階段，結合各決策樹的投票結果和故障特征的隸屬度，計算綜合評分以確定最終的故障類型。該算法充分利用了模糊理論處理數據不確定性的優勢和模糊隨機森林的集成學習能力，提高了復雜工況下的故障識別準確率。

2.3 故障特征提取與選擇

攤鋪機故障特征包括時域特征、頻域特征和時頻特征等三個維度。時域特征提取均值、標準差、峰值因子、裕度因子等統計量，反映信號的整體分布特性；頻域特征通過FFT變換獲取頻譜信息，重點關注特征頻率、頻率中心和功率譜密度等參數；時頻特征采用小波包分解方法，提取能量熵、奇異值和時頻矩分布等指標。通過計算信息增益比和互信息系數，篩選出對故障診斷貢獻度高的特征子集。如表1所示，經特征重要性評估后，選取信息增益比大于0.8的特征參數用于故障診斷模型的構建。

2.4 診斷準確率優化方法

診斷準確率優化采用多層次的優化策略。在數據層面，通過調整采樣頻率和采樣時長，提升原始數據的信息豐富度。在算法層面，優化模糊隨機森林的關鍵參數，包括決策樹數量、樹的最大深度和節點的最小樣本數。采用網格搜索法對參數進行遍歷優化，結合交叉驗證評估模型性能。在模型層面，引入軟投票機制，綜合考慮各決策樹的預測結果和置信度。針對不同類型故障設置差異化的診斷閾值，并結合專家經驗對診斷結果進行修正。通過優化調整，模型在驗證集上的平均診斷準確率從68.5%提升至75.68%，對復雜故障的識別能力得到顯著增強。

3 重點部位維修技術

3.1 液壓泵與液壓缸修復

液壓系統故障主要表現為壓力波動、油溫異常和密封失效等。液壓泵修復工藝包括柱塞偶件研磨、配流盤平面研磨和斜盤角度校準三個關鍵步驟。柱塞偶件采用金剛石研磨膏進行精密研磨，表面粗糙度需達到Ra0.2 μm，配對間隙應控制在0.003～0.005 mm范圍內。配流盤平面研磨采用定向研磨技術，保證平面度誤差小于0.002 mm。斜盤角度校準采用高精度角度儀，將傾角誤差控制在±0.1°以內。液壓缸的修復重點在于活塞桿的鍍鉻和缸筒的內孔研磨。如圖2所示，活塞桿硬鉻層厚度應控制在0.02～0.03 mm，采用超精密外圓磨床進行表面精加工，確保圓柱度和同軸度滿足使用要求。缸筒內孔采用專用珩磨設備進行精加工，將內表面粗糙度控制在Ra0.4 μm以內，同時保證內孔的圓度和直線度。

3.2 電氣元件與線路維修

電氣系統維修重點包括傳感器校準、控制器檢修和線路故障排除[4]。傳感器校準采用標準信號源進行量程校驗，調整信號放大倍率和零點偏置，使測量誤差控制在±0.5%以內。控制器檢修主要針對A/D轉換模塊、CPU運算單元和輸出驅動電路。如表2所示，各模塊的關鍵技術指標均需滿足設計規范要求。線路維修采用分段測試法，利用數字萬用表和示波器檢測各節點電壓和波形，定位短路或斷路故障點。接線端子的接觸電阻需小于0.05 Ω，保護層絕緣電阻大于100 MΩ。線束更換時，新舊線纜的截面積、絕緣等級和屏蔽方式需嚴格對應，并采用防水型接頭以確保可靠連接。

3.3 攤鋪熨平板調校

攤鋪熨平板調校直接影響攤鋪質量，調校過程從平整度檢測開始，采用激光測評系統檢測熨平板的縱橫向平整度，偏差值應控制在±1 mm以內。螺旋軸承間隙調整采用塞尺檢測，間隙值應設定為0.05～0.08 mm。

加熱系統檢修包括溫度傳感器校準、加熱管路疏通和溫控器調試，確保加熱均勻性偏差小于±5℃。伸縮節調整重點是同步性和平行度，通過調整液壓缸同步閥和限位開關實現。熨平板高程自動控制系統的調校包括傳感器零位校準、PID參數整定和系統響應特性測試，使高程控制精度達到±2 mm，動態響應時間小于0.5 s。邊緣成形裝置的調校主要針對側板角度和壓實力，通過調整彈簧預緊力和限位螺栓實現最佳的成形效果[5]。

4 性能測試與評估

4.1 診斷時效性分析

基于多源傳感器數據和模糊隨機森林算法的故障診斷方法，顯著縮短了診斷時長。系統在接收故障信號后，數據預處理階段的平均耗時0.8 s，特征提取階段耗時1.2 s，故障識別階段耗時1.5 s，整個診斷過程可在5 s內完成。如表3所示，與傳統診斷方法相比，智能診斷系統在各類故障診斷中均表現出明顯的時效性優勢。系統集成了自動報警功能，當檢測到設備異常時，立即啟動診斷程序并生成故障報告，有效減少了故障診斷的響應時間。通過并行計算技術的應用，進一步優化了算法運行效率，使系統能夠實現準實時的故障診斷。維修人員可根據系統給出的故障類型和位置信息，快速制定維修方案，大幅提升了故障處理效率。

4.2 修復質量檢測

液壓系統修復后，使用壓力傳感器和流量計測試系統的壓力波動率和流量穩定性，要求壓力波動率控制在±2%以內，流量穩定性誤差小于1%。電氣系統修復的質量評估包括信號完整性測試、控制精度驗證和電氣絕緣性能檢查，其中信號傳輸誤差需小于0.1%，控制響應時間小于20 ms，絕緣電阻大于100 MΩ。機械部件修復后，采用精密測量儀器檢測關鍵尺寸和形位公差，配合間隙、表面粗糙度等參數必須符合設計規范。通過振動分析儀和紅外熱像儀評估設備的運行狀態，振動幅值需控制在基準值的1.5倍以內，溫升不超過設計限值的80%。當系統運行參數全部達標后，方可投入正常使用。

5 結論

該文構建了基于多源傳感器的數據采集系統，實現了攤鋪機運行狀態的實時監測。通過小波去噪預處理和模糊隨機森林算法，提高了故障識別的準確性，診斷準確率達到75.68%，顯著提升了故障診斷的時效性，診斷時間在液壓系統、電氣控制和機械部件故障診斷中分別縮短了60.3%、62.5%和47.1%。針對液壓系統、電氣元件和攤鋪熨平板等關鍵部件研究的維修工藝，顯著提升了維修效率。

參考文獻

[1]張東軍.瀝青攤鋪機維修及保養常見故障[J].黑龍江交通科技， 2016（9）：160-161.

[2]秦爭，蔡宗琰，趙偉達，等.瀝青攤鋪機故障診斷系統設計研究[J].設備管理與維修， 2016（4）：83-85.

[3]葉保寧.瀝青攤鋪機故障診斷系統的開發與實現[J].設備管理與維修， 2024（6）：170-173.

[4]陳偉，趙明輝，邵煥煥，等.ABG423型攤鋪機行走控制電路故障自動診斷系統[J].工程機械與維修， 2017（11）：58-59.

[5]何鑫.攤鋪機熨平裝置的動力學研究及故障監測[J].現代制造技術與裝備， 2023（12）：155-157.

收稿日期：2025-01-24

作者簡介：徐奇斌（1976—），男，大專，助理工程師，研究方向：機械管理。