★ 張文馗（中國鐵路哈爾濱局集團有限公司工程管理所，黑龍江 哈爾濱 150000）

關鍵詞：物聯網；道路施工機械；狀態監測；故障預警

道路是現代化城市建設的重要基礎設施之一。為滿足人們出行的需要，道路建設規模越來越大。在道路的建設過程中，施工機械的使用極大提高了道路的施工效率，縮短了施工周期。然而，在高強度作業和惡劣工作環境的共同影響下，施工機械的工作狀態難以長期保持穩定，各類故障頻發，嚴重影響道路施工質量[1]。因此，在施工過程中，維修工人會對機械進行定期檢修，以確保施工質量。然而，這種檢修方式需要施工機械停機檢修，易耽誤其作業時間，同時人工檢修時間長，實時性差，難以發現潛在的早期異常狀態，往往在故障發展到較為嚴重的階段時才會檢測出來，不僅提高了維修難度、維修成本，還可能引發安全事故[2]。

針對這種情況，專家和學者依靠不同的技術手段提出了不同的監測方法。例如，文獻 [3]利用聲學傳感器獲取聲波信號，然后以此為依據，通過改進的CNN- LSTM進行故障診斷，確定故障類型。但機械通常在復雜的環境中運行，周圍存在各種噪聲源，這些噪聲會與機械自身產生的聲波信號相互疊加，影響了故障監測的準確性；文獻 [4]從振動特征角度提出了診斷方法，該方法獲取機械運動中產生的振動信號，然后通過FD- Transformer模型對振動信號進行分析，確定故障類型。但這種故障萌生初期，其產生的振動能量非常小，極易被強大的背景噪聲淹沒，導致無法有效提取故障特征，從而影響了診斷結果的準確性。

為提高道路施工機械狀態監測與故障預警的準確性，本文研究了一種基于物聯網的道路施工機械狀態監測與故障預警模型。該模型可在物聯網前端進行聲振聯合，避免了單一數據來源的局限性，并在后期通過物聯網終端實現了狀態分析與故障預警。

1   基于物聯網的道路施工機械狀態監測與故障預警研究

本文將物聯網應用到道路施工機械狀態監測與故障預警當中，構建了一個監測與預警模型。具體來說，該模型在物聯網感知層，采集機械運行的多源數據，然后傳輸到物聯網應用層，在應用層借助先進的數據分析和挖掘算法對傳感數據進行分析，實現故障的早期預警和精準診斷。

1.1   物聯網前端傳感器感知機械設備運行多源數據

施工機械工作環境惡劣且故障類型多樣，單一傳感器無法準確反映機械設備的運行全貌。為此，該模型利用物聯網前端的振動傳感器和聲波傳感器感知機械設備運行的多源數據，以彌補單一數據的局限性[5]。物聯網前端傳感器感知結構如圖1所示。

圖1 物聯網前端傳感器感知結構

將傳感器布設到道路施工機械的關鍵位置。在設備運行時，傳感器感知元件同步采集運行過程中產生的振動和聲波，接著通過模數轉換器（Analogue-to-digital Conversion，ADC）轉化為數字信號，然后對轉換后的電信號進行放大、濾波、線性化等處理，以提高信號質量和抗干擾能力，最后通過無線傳感網絡將感知到的數據發送給應用管理中心，進行進一步的處理和分析[6]。

1.2   物聯網應用層終端監測機械狀態與故障預警

物聯網應用層終端接收到機械設備多源信號后，終端需要對信號時域進行分析，并計算時域特征參數，作為后續機械狀態監測與故障預警的依據[7]。首先，假設振動信號或聲波信號統一記為A(t)。對A(t)，進行分解，經驗模態分解如式（1）所示：

式中，a_k(t)代表第i個IMF分量； b_n(t)代表殘差分量。然后，計算時域特征參數，即能量熵和峭度熵。計算公式如式（2）、式（3）所示：

（3）式中，a_k、C_k代表第k個信號分量的均值、標準差；S₁ (k)代表信號分量的能量熵；S₂ (k)代表信號的峭度熵。由此得到特征組合，γ代表振動信號；β代表聲波信號。

接下來，根據計算得到的兩個時域特征參數，可實現道路施工機械狀態監測與故障預警。

1.2.1   道路施工機械狀態監測

在這一章節，應用終端通過一種數據挖掘算法對傳感數據進行分析，以確定道路施工機械狀態類型，即正常狀態或異常狀態。而正常狀態或異常狀態屬于一種二分類問題[7]。對于二分類問題， SVM非常擅長，其原理是找到一個超平面WTS+p = 0，將兩類數據點（正類-正常和負類-異常）完全分開，且使超平面到兩類最近數據點的距離（間隔）最大化。首先，需要準備訓練樣本，其中，i - 1, 2 n為訓練樣本數據， Y是訓練樣本的實際類別標簽， +1代表正類-正常狀態，- 1代表負類-異常狀態。通過訓練可確定參數”和p。首先，建立目標函數，即式（4）：

式中， 代表正則化參數；  hi 代表松弛變量。然后，將求解目標函數問題，轉換為求解對偶問題，如式（5）所示：

式中，a_i、a_j代表拉格朗日乘子。最后，利用二次規劃求解器-CVXOPT對上述對偶問題進行求解， 得到最優參數和。由此， 完成SVM的訓練， 得到基于SVM的道路施工機械狀態監測模型。輸入實際監測數據， 計算決策函數，可確定狀態類型如式（6）、式（7）所示：

式中，f(s)代表輸入的實際監測數據的狀態類別標簽；K(S_i，S_j)代表高斯核函數。

1.2.2   故障預警模型

在確定道路施工機械狀態為異常狀態之后，需要進一步確定異常狀態程度是否達到故障預警等級，并進行不同程度預警[8]。在本章節，通過對各個時域特征參數進行加權，可計算異常帶來的故障風險程度，公式如式（8）所示：

式中，代表異常帶來的故障風險程度； 代表振動信號第個分量的第個時域特征參數的權重；  代表聲波信號第個分量的第個時域特征參數的權重，可以通過熵權法計算。根據，劃分道路施工機械故障風險等級并確定預警等級，如表1所示。

表1 故障風險等級及對應的預警等級

在確定風險之后，可通過短信、郵件、系統彈窗等形式向相關人員發布對應等級的預警，然后相關人員按照預警措施建議進行維護工作即可。

2   實驗測試

為驗證該模型在道路施工機械狀態監測與故障預警中有效性，我們進行了實驗測試。首先，選取2個不同道路施工機械設備（壓路機、攤鋪機）作為實驗對象，然后在每臺設備的關鍵部位部署振動傳感器和聲波傳感器，以同步采集聲振信號，最后所有傳感器通過物聯網無線通信網絡進行數據匯聚與傳輸。實驗樣本分布如表2所示。

表2 實驗樣本分布

表2中正常類總計540組，異常類180組。

對采集到的聲振信號進行預處理后，按1.2節所述方法提取能量熵與峭度熵，構建時域特征參數集合。以一組樣本為例，其時域特征結果如圖2所示。

（a）能量熵

（b）峭度熵

圖2 時域特征參數

將總樣本集按7:3的比例隨機劃分為訓練集和測試集，采用訓練集對SVM狀態監測模型進行訓練，然后將訓練好的模型在測試集上進行狀態監測性能驗證，并通過混淆矩陣展示驗證結果，如圖3所示。

圖3 混淆矩陣對比

由圖3可見，本文所提SVM方法僅有2個正常樣本被錯誤監測為異常樣本，而異常樣本則全部被正確監測出來。而基于CNN的監測方法則有15個正常樣本被錯誤監測為異常樣本，12個異常樣本被錯誤監測為正常樣本。由此說明，本文所提SVM方法在道路施工機械狀態監測方面具有更優的識別性能。

為進一步驗證模型的故障早期預警能力，選取測試集中180個異常的樣本，根據1.2.2節的故障風險程度計算公式進行評估，并對照表1的等級進行預警，然后統計虛警率和誤警率，結果如表3所示。

表3 不同方法預警性能對比

由表3可知， 本文所提基于物聯網的聲振聯合監測方法性能最優。在壓路機場景下，該方法虛警率為4.2%、誤警率為5.8%， 顯著低于僅振動信號（7.5%、 12.3%）和僅聲波信號（15.6%、8.2%）的監測方法；在攤鋪機場景下，該方法虛警率為3.5%、誤警率為4.7%，同樣優于僅振動信號（6.8%、10.5%）和僅聲波信號（18.3%、6.9%）的監測方法。聲振聯合方法通過融合振動與聲波信號，有效降低了故障預警的虛警和誤警概率，大幅提升了故障預警的可靠性。

3   結束語

本研究的主要貢獻在于成功地將物聯網架構、多傳感器信息融合與智能算法相結合，構建了一個從數據感知到智能決策的完整技術閉環。實驗結果表明，該模型不僅具有較高的狀態監測精度，而且故障預警可靠性優異，虛警率和誤警率均保持在較低水平，具備良好的工程應用價值和推廣前景，為實現施工機械的智能化、精準化運維管理提供了堅實的技術支撐。

作者簡介：

張文馗（1978-），男，遼寧遼陽人，高級工程師，碩士，現就職于中國鐵路哈爾濱局集團有限公司工程管理所，研究方向為鐵路建設和工程建設管理。

參考文獻：

[1] 蔣西平, 李永福, 龍英凱, 等. GIS設備機械缺陷振動信號特征分析技術研究[J]. 高壓電器, 2025, 61 (2) : 17 - 25 + 34.

[2] 李瀅, 郝建, 丁屹林, 等. 基于多模態組合振動圖像與堆疊稀疏自編碼器的GIS設備機械缺陷診斷方法[J]. 高電壓技術, 2025, 51 (2) : 753 - 765.

[3] 郝曉宇, 侯俊玲, 左宏, 等. 基于聲波特征的動力機械故障智能監測方法研究[J]. 固體力學學報, 2025, 46 (2) : 149 - 161.

[4] 趙志宏, 李春秀, 李樂豪, 等. 一種機械設備故障診斷的FD-Transformer方法[J]. 振動與沖擊, 2023, 42 (8) : 326 - 333.

[5] 劉福才, 王向東. 風電機械設備故障診斷中振動分析的應用探究[J]. 太陽能學報, 2023, 44 (7) : 552.

[6] 徐愛華, 臧春艷, 李一碩, 等. 基于聲振聯合定位技術的GIL機械故障檢測系統研究[J]. 高壓電器, 2025, 61 (6) : 52 - 58 + 67.

[7] 張銘光, 駱學理, 賈登, 等. 基于動態主題模型的往復機械故障早期預警方法[J]. 北京化工大學學報(自然科學版), 2023, 50 (05) : 88 - 97.

[8] 邢作霞, 馬巖溪, 郭珊珊, 等. 基于WOA-GRU的風電機組發電機故障預警方法[J]. 電機與控制學報, 2025, 29 (6) : 54 - 62.

摘自《自動化博覽》2026年5月刊