0 引　言

目前大多数船舶甲板起重机的控制系统均为PLC可编程控制器。PLC可编程控制器具备逻辑计算、定时技术等性能，也可将不同的控制程序、故障诊断程序写入其中，使其更好地控制和应对起重机各种工作状况^[1]。现在研究起重机故障诊断的专家学者众多，何庆飞等^[2]依据起重机液压系统特点，利用故障定位流程图的形式诊断其故障，并使用图形生成工具对故障结果进行展示。但该方法的故障诊断结构内的判断方式为专家判断，具备一定的主观性。彭浩等^[3]利用3D引擎设计起重机故障诊断方法，通过构建起动机差异模型，依据不同工况时该模型同步情况实现起重机故障诊断，但该方法在实际应用过程中具有延迟性，应用效果不够理想。针对上述情况，本文研究应用PLC控制的船舶甲板起重机故障可视化方法，以可视化的形式将起重机故障呈现给用户，使用户更直观、更充分地掌握起重机故障状况。

1 PLC控制的船舶甲板起重机故障可视化方法 1.1 应用PLC控制的船舶甲板起重机故障可视化技术框架

依据分层理念，将应用PLC控制的船舶甲板起重机故障可视化技术划分为4个层次，其技术框架如图1所示。应用PLC控制的船舶甲板起重机故障可视化技术框架由起重机设备层、数据采集层、PLC控制层、可视化展示层组成。其中利用数据采集层内的振动传感器、距离传感器、温度传感器等采集起重机设备层内电机、减速机等设备运行信息，并使用USB和现场总线Profibus方式将采集到的起重机运行信息PLC控制器内，该控制器利用写入程序方式将监测算法和故障诊断算法写入其中，经过程序运行实现起重机的监测与故障诊断后，监测信息和故障诊断信息传输至可视化展示层内的可触摸显示屏内，实现起重机故障可视化。

1.2 起重机故障诊断方法 1.2.1 提取起重机数据频域转换与故障特征

利用数据采集层采集到的船舶甲板起重机运行数据后，将其传输到PLC控制器内，该控制器使用傅里叶变换方式将船舶甲板起重机运行数据的时域转换为频域。

$ f(t) $ 表示起重机运行数据的平方可积函数，使用傅里叶方法将其转换为复指数函数积分形式，表达式如下：

$ Q(\delta ) = f\left[ {f(t)} \right] = \int_{ - \infty }^\infty {f(t){e^{ - i\omega t}}{\rm{d}}t}。$

(1)

式中： $ \omega $ 表示时域的频率； $ t $ 表示时间； $ {e^{i\omega t}} $ 表示复变函数。

将式(1)转换为逆变形式，则重机运行数据时间域函数表达式如下：

$ f(t) = {f^{ - 1}}\left[ {Q(\delta )} \right] = \frac{1}{{2\pi }}\int_{ - \infty }^\infty {Q(\delta )} {e^{i\omega t}}{\rm{d}}\delta 。$

(2)

使用频率域函数积分描述将式(2)结果，以 $ \dfrac{\delta }{{2\text{π} }} $ 替换 $ f $ 后可得到起重机运行数据频率特征，其表达式如下：

$ S(f) = f\left[ {s(t)} \right] = \int_{ - \infty }^\infty {s(t){e^{ - i2 {\text{π}} ft}}{\rm{d}}t} 。$

(3)

其中：

$ s(t) = {f^{ - 1}}\left[ {S(f)} \right] = \int_{ - \infty }^\infty {S(f){e^{i2{\text{π}}i ft}}{\rm{d}}f} 。$

(4)

式(3)即为起重机运行数据的频率域积分信息，将该信息与其原始的时域信息进行结合对比后，即可获取到起重机运行故障特征。

1.2.2 船舶甲板起重机故障诊断

支持向量机算法(support vector machine,SVM)是机器学习算法的一种，以统计学理论为基础监督学习模型^[11]，适用于数据分析、故障识别、样本分类等。在此将支持向量机算法应用到船舶甲板起重机故障诊断过程中，其详细流程如下：

起重机运行故障特征构建可分样本集为 $ ({x_i},{y_i}) $ ，其中 $ i = 1,2, \cdots ,n $ 表示样本数量， $ {y_i} $ 表示期望输出数值其取值区间为 $ \left[ { - 1,1} \right] $ 。为使起重机运行故障诊断结果更为精准^[12]，令 $ x $ 表示支持向量机分类超平面内任意点， $ b $ 表示偏差数值，设置空间中线性判别函数如下：

$ f(x) = \gamma \cdot x + b ，$

(5)

式中， $ \gamma $ 表示垂直超平面。

依据式(5)的判别条件，对应分类面表达式如下：

$ \gamma \cdot x + b = 0 ，$

(6)

设置支持向量机超平面起重机运行故障特征样本点间的间隔为 $ \beta = y(\gamma \cdot x + b) $ ，则故障特征样本点到分类超平面的距离表达公式如下：

$ {r_i} = {y_i}\left[ {\left(\frac{\gamma }{{\left\| \gamma \right\|}}\right){x_i} + \frac{b}{{\left\| \gamma \right\|}}} \right] 。$

(7)

通过上述公式可知，当起重机运行故障特征样本点间的间隔数值不变情况下^[6,7]， $ \left\| \gamma \right\| $ 数值越小则故障诊断越精准。对式(5)归一化处理，并设置故障分类样本符合 $ \left| {f(x)} \right| \geqslant 1 $ 且 $ \min \left| {f(x)} \right| = 1 $ 的条件，则有：

$ {y_i}\left[ {(\gamma \cdot {x_i}) + b} \right] - 1 \geqslant 0，$

(8)

将式(8)求解转换为约束优化问题，其表达公式如下：

$ \min \Phi (\gamma ) = \frac{1}{2}{\left\| \gamma \right\|^2} = \frac{1}{2}({\gamma ^{\rm{T}}}\gamma ) ，$

(9)

设置式(9)的约束条件如下：

$ {y_i}\left[ {(\gamma \cdot {x_i}) + b} \right] - 1 \geqslant 0，$

(10)

使用拉格朗日函数求解式(9)，可将其转换为：

$ L(\gamma ,b,a) = \frac{1}{2}{\left\| \gamma \right\|^2} - \sum\limits_{i = 1}^n {{\vartheta _i}\left[ {{y_i}(\gamma \cdot {x_i} + b) - 1} \right]} 。$

(11)

式中： $ a $ 表示偏置系数； $ {\vartheta _i} $ 表示拉格朗日乘子，其数值大于等于0，对 $ \gamma $ ， $ b $ ， $ a $ 分进行偏微分处理，则船舶甲板起重机故障样本分类约束条件如下：

$ \left\{ \begin{gathered} \max \sum\limits_{i = 1}^n {{\vartheta _i} - \frac{1}{2}\sum\limits_{i = 1}^n {\sum\limits_{j = 1}^n {{\vartheta _i}{\vartheta _j}{y_i}{y_j}({x_i} \cdot {x_j})} } } ，\hfill \\ {\rm{s}}.{\rm{t}}.\mathop {}\limits^{} {\vartheta _i} \geqslant 0 ，\hfill \\ \sum\limits_{i = 1}^n {{\vartheta _i}{y_i} = 0} 。\hfill \\ \end{gathered} \right. $

(12)

通过式(12)可知，其是二次函数寻优问题，且仅存在一个解。令 $ \vartheta _i^* $ 表示与该公式相对应的最优解，则最优垂直超平面表达公式如下：

$ w* = \sum\limits_{i = 1}^n {\vartheta _i^*{y_i}{x_i} = 0}。$

(13)

式中， $ \vartheta _i^* $ 为不为0的起重机运行故障特征样本。

利用上述推导步骤可获得起重机运行故障特征样本最优分类阈值，将该阈值代入到式(5)中，并按照上述超平面分类约束条件，得到起重机运行故障特征样本分类函数如下：

$ f(x) = {\rm{sng}}\left\{ {(\gamma *x) + b} \right\} = {{\rm{sgn}}} \left\{ {\sum\limits_{i = 1}^n {\vartheta _i^*{y_i}({x_i} \cdot x) + b*} } \right\} 。$

(14)

式中， $ b* $ 表示最优分类阈值。

利用该公式可获得起重机运行故障特征样本分类的最优超平面，即实现起重机运行故障诊断。

1.3 起重机故障可视化界面实现

船舶甲板起重机故障可视化界面是人机交互功能的首要体现形式，该界面功能越丰富、越简洁则用户体验感越强。在此使用Visual Basie可视化设计工具设计起重机故障可视化界面。Visual Basie可视化设计工具具备多种类型的用户窗体，通过构建不同属性用户窗体实现不同功能。在内Visual Basie可视化设计工具拥有参数调用函数，利用该函数调用船舶甲板起重机相关参数，经过软件后台运行后自动生成界面设计代码并绘制起重机图形，使其在可触摸界面呈现给用户。Visual Basie可视化步骤如下：

1）调取船舶甲板起重机相关参数并将其保存在Visual Basie路径下；

2）将Visual Basie路径下的重机相关参数与命令流文件组合后，形成Ansys程序；

3）调用Ansys程序并进行计算，将计算结果输入到指定位置并返回Visual Basie主页；

4）调取指定位置信息并将其输出到可触摸显示屏。

经过上述步骤，即可实现船舶甲板起重机故障可视化。

2 实验结果分析

以某船舶甲板起重机为实验对象，使用本文方法诊断其故障并将故障可视化，测试本文方法应用效果。

2.1 通信性能测试

PLC控制器与可触摸显示屏之间的通信传输是船舶甲板起重机故障可视化的基础，以触摸显示屏接收单元回传令牌次数为指标，测试PLC控制器发送不同信息数量情况下，其令牌回传次数，结果如图2所示。分析图2可知，本文方法的令牌回传次数与发送的信息数量成指数上升关系。在发送信息数量为7000条之前时，本文方法的令牌回传次数均与发送信息量完全相同，但随着发送信息数量的增加，其令牌回传次数出现降低情况，在发送信息量为8000次时，本文方法的令牌回传次数约为7990次，令牌未回传比例约为0.13%。上述结果表明，本文方法具备良好的通信性能，其通信传输成功的比例高达99.87%。

2.2 故障诊断测试

以船舶甲板起重机的磨损、高温和振动故障数据为实验对象，测试本文方法对其进行故障分类能力，结果如图3所示。分析图3可知，本文方法在对船舶甲板起重机故障进行分类时，3种类型的故障均被划分出来，且不同故障类型的数据样本间分布较为紧密，虽然有个别故障样本点分布在故障样本聚集边缘，但其与其他故障类型样本聚集区域较远。综上所述，本文方法可有效诊断船舶甲板起重机不同故障类型，且诊断结果较为精准。

为更清晰呈现本文方法诊断船舶甲板起重机故障能力，以3000条起重机故障数据为实验对象，其中共包含10种故障，统计本文方法在诊断其故障类型时的期望输出条数与实际输出条数情况，结果如表1所示。分析表1可知，本文方法在诊断3000条起重机故障时，仅出现2次错误诊断情况，分别出现在闸间距扩大和盖板裂纹2种故障类型上。而在诊断相对其他较严重的故障类型时，本文方法的实际输出数值与期望输出数值完全相同。综合上述结果可得，本文方法可有效诊断船舶甲板起重机故障，且诊断结果较为精准。

2.3 可视化呈现

展示本文方法的起重机故障可视化呈现效果，如图4所示。分析图4可知，从本文方法的起重机故障可视化呈现效果来看，其可为用户提供当前起重机编码和型号，用户可依据其编码和型号找到其所在位置和准备维修相应配件和工具，也可从开关状态来看当前起重机运行情况，且可从该可视化画面内获得该起重器发生振荡故障，其振动频率已超过其上限与下限数值。从上述分析可知，本文方法对起重机故障的可视化呈现较为具体且呈现方式简洁明了，为用户维护起重机节省了大量时间。

2.4 故障报警测试

故障报警的及时性是衡量报警功能的首要指标，以报警延迟时间为指标并设置故障报警延迟时间阈值不得超过3 s，测试在故障样本量不同时，本文方法预警起重机齿轮折断和电机过热故障报警的及时性，结果如图5所示。分析图5可知，本文方法报警起重机故障的延迟时间随着样本量的增加而增加，但增加幅度较小。在样本量为50条时，本文方法预警起重机齿轮折断和电机过热故障的延迟时间均为超过1 s。伴随着样本量的增加，其预警2种起重机故障的延迟时间有所增加，但2种故障的延迟时间相差不大。在样本量为400条时，本文方法报警起重机齿轮折断和电机过热故障的延迟时间分别为1.7 s和1.9 s左右。综上结果得出本文方法报警起重机不同类型故障时间相差不大，且报警的延迟时间均低于所设阈值，具备良好的报警及时性。

3 结　语

本文将可触摸显示屏与船舶甲板起重机的PLC控制器相连，并将故障诊断程序写入PLC控制器内，实现起重机故障的可视化。从本文方法应用效果来看，其具备较精准故障诊断能力的同时，可视化呈现效果也较好，可为用户提供当前起重机型号、编码以及开关开启状态、故障类型等信息，具备良好的应用性能。