起重機的安全運行關系重大，能及時了解起重機的實時運行狀態(tài)是起重機高效、安全運行的基本保障。傳統(tǒng)起重機安全監(jiān)測主要通過監(jiān)測儀器人為間斷地對起重機的健康狀態(tài)進行測量、記錄、分析。該方法存在以下不足: 監(jiān)測具有間斷性，信息傳遞慢、加工時效差; 無法實現數據共享、在線監(jiān)測和遠程監(jiān)控。物聯網( Internet of Things， IOT) 技術以其強大的實時狀態(tài)監(jiān)測、定位追溯、數據挖掘、危情處理等特點為起重機狀態(tài)監(jiān)測提供了新的思路和環(huán)境。通過物聯網平臺構建起重機運行監(jiān)控系統(tǒng)，實時監(jiān)測起重機運行狀態(tài)，準確了解起重機使用情況，當起重機發(fā)生違規(guī)操作和不安全運行時可及時報警并做出相應應急處理。當監(jiān)測到大量數據后，就可以分析運行數據得到設備未來運行狀態(tài)。安全預警是指對設備某一方面各個因素進行實時監(jiān)測并對其以后的發(fā)展趨勢做出預測，對預測的危險結果做出警示，并做出相應改善或彌補措施［5］。鑒于安全預警的思想，通過深度分析、挖掘物聯網監(jiān)測的數據，運用一些預測手段預測起重機未來運行風險，提早做出危況判斷，在設備故障萌芽時消除設備安全隱患，確保起重機安全運行。

      基于物聯網起重機監(jiān)測及安全預警起重機物聯網實時監(jiān)控通過監(jiān)測起重量g( 重量傳感器) 、電機起升速度v( PLC 控制電流) 、電機軸承振動幅值f( 加速度振動傳感器) 、電機軸承溫度T( 溫度傳感器) 、金屬結構應力ε( 應變片) 、吊鉤高度H( 滾筒驅動電機安裝旋轉編碼器) 、行車實時位置Y( RFID 電子標簽) 等了解起重機的實時運行狀態(tài)。其中行車實時定位采用射頻識別( RFID) 技術設計，根據對行車監(jiān)控精度的要求，沿行車軌道按一定間隔放置電子標簽; 在煉鋼爐，連鑄機等重點設備選代表位置設置電子標簽，在行車上對應位置( 行車寬度方向中心線) 安裝識別裝置，所有埋設的電子標簽都存儲有互不重復的地址編碼，當行車途經或到達所埋設的電子標簽位置時，車載讀碼器讀出該標簽地址編碼傳送到行車數據采集系統(tǒng)。系統(tǒng)采用無源電子標簽，且所有用來定位的電子標簽相互獨立。行車RFID 定位示意圖如圖1 所示。車載智能控制前端將監(jiān)測的設備實時數據通過無線傳輸模塊傳輸給監(jiān)控預警系統(tǒng)從而完成對起重機的實時監(jiān)控監(jiān)控

結構圖如圖2 所示。

     通過對設備實時監(jiān)測能保障設備的安全運行，但不能保證起重機在性能下降或故障發(fā)生前提前改善性能或消除故障隱患。起重機關鍵部位如起升電機、金屬結構等不僅要了解其現在運行狀態(tài)，對其未來健康狀態(tài)也希望能處在監(jiān)管之中，特別是表征起重機關鍵部位性能的退化特征值直接關聯起重機安全事故，對退化特征值的變化趨勢做出正確預測才能保證設備現在、將來都處于安全運行中。物聯網安全預警思路: 起重機安全預警建立在設備運行狀態(tài)物聯網監(jiān)測的基礎之上，監(jiān)測數據的變化快慢和強烈程度各有差異，監(jiān)測數據的不同變化決定對設備進行安全預警時需要考慮預警對象監(jiān)測數據的變化特性。根據安全預警對象性能退化特征值監(jiān)測數據的變化規(guī)律可以將安全預警分為工況內設備運行狀態(tài)趨勢預測( 如起吊時起升電機退化特征值的變化相當劇烈) 和離線長期設備安全狀態(tài)( 故障) 預測( 如金屬結構的疲勞極限應力、鋼絲繩的磨損量等) 2 種情況。將起重機運行分為典型的幾個工況( 已知起重機有3 檔速) 如起吊、卸貨、停

運、X 檔加速、X 檔正常行駛、X 檔減速等。通過監(jiān)測起重機設備的運行，將監(jiān)測的設備正常工作時的監(jiān)測數據存入數據庫中，系統(tǒng)通過不斷擬合可以得到起重機正常運行時的擬合運行規(guī)律曲線以及物聯網監(jiān)測數列的變化范圍。分工況后，系統(tǒng)可擬合出起重機每一工況的平均花費時間以及每一工況內監(jiān)測量的變化規(guī)律和變化范圍。通過分析監(jiān)測數列預測特征值工況內或者長期的變化趨勢。

     安全預警模型的建立

     安全預警模型如下: 采用熵值法和神經網絡修正得到二次擬合灰色模型和殘差修正灰色模型預測的退化特征值的綜合預測值，同時，為降低原始數據引起的模型停滯性，采用新陳代謝的方法對整個模型進行改進。最后采用歸一化數據處理方法處理不同退化特征值的預測結果，得到綜合評判值。

     通過建立的二次擬合灰色模型和殘差修正灰色模型

    由于單個預測模型預測值置信度低，需要進行多模型綜合預測。下面利用熵值法得到該時刻的綜合預測值。在系統(tǒng)中，熵值是系統(tǒng)無序、混亂的一個衡量標準，即系統(tǒng)的熵值越大，它所包含的有用信息就越少，系統(tǒng)性能指標的變化程度就越小。反之，系統(tǒng)的熵值越小，則它包含的有用信息就越多，系統(tǒng)性能指標的變化程度就越大。利用熵值法的思想: 若單個預測模型預測的誤差序列的變異程度越大，則在綜合預測中所分配的權值就越小。

     由誤差序列計算得到的單個預測模型的分配權值;經過網絡對綜合模型的修正通過熵值法能夠改善單個預測模型預測精度低的不足。特別適合混合預測模型在某時刻的預測值有比實測值偏大的模型也有比實測值偏小的模型的情況。但當所有預測模型在某段時刻的預測值與實測值相比全部偏大或全部偏小時，值法修正的預測精度就會下降。而神經網絡適合處理需要同時考慮許多因素、不精確的信息問題。此時，采用神經網絡對預測值進行二次修正，彌補熵值法的不足。設灰色綜合預測模型的殘差序列為

訓練好的網絡模型得到最終預測值。

 ．

    對于起重機這樣復雜的機電系統(tǒng)，僅僅依靠單個退化特征值的數據不能充足地獲取設備的運行信息，在此基礎上分析得到的設備性能退化評估往往不是很準確。為了綜合表征起重機某一方面性能的不同退化特征值進行綜合評判，不因單個監(jiān)測量的振蕩突變導致預警誤判。引入了歸一化方法處理不具有相同量綱的退化特征值。

為驗證預測模型，用MATLAB7． 6 進行仿真，以某型號冶金起重機起升電機為安全預警對象，選取性能退化特征值為電機承載能力P( 通過起升速度v 和起重量g 計算獲得) 、電機軸承振動時域均方根值RMS、電機軸承溫度T、行車實時位置Y、吊鉤實時高度H。選取神經網絡結構為3 － 6 － 1，網絡學習速率η= 0. 25 和慣性系數α = 0. 05，加權系數初始值選取區(qū)間［－ 0. 5， 0. 5］上的隨機數。則起升電機安全預警流程圖

如圖3所示。

圖3 起升電機安全預警流程

通過仿真可得電機承載能力P 正常工況下的預測曲線如

圖4

RMS 三者的權值分別為0. 2、0. 2、0. 6 和0. 3、0. 2、0. 5，得到的兩條綜合預警曲線如圖6 所示。

結論：提出通過物聯網實時監(jiān)測設備運行以及建立安全預測模型來保障起重機可靠性。通過仿真，可得出預警模型特征: 當監(jiān)測值具有上升、下降趨勢時，預測值比實測值具有更快的上升、下降趨勢; 當監(jiān)測值有轉折或者在某一值附近振蕩時，預測模型能實時調整對監(jiān)測值的跟蹤。