★ 张文馗（中国铁路哈尔滨局集团有限公司工程管理所，黑龙江 哈尔滨 150000）

关键词：物联网；道路施工机械；状态监测；故障预警

道路是现代化城市建设的重要基础设施之一。为满足人们出行的需要，道路建设规模越来越大。在道路的建设过程中，施工机械的使用极大提高了道路的施工效率，缩短了施工周期。然而，在高强度作业和恶劣工作环境的共同影响下，施工机械的工作状态难以长期保持稳定，各类故障频发，严重影响道路施工质量[1]。因此，在施工过程中，维修工人会对机械进行定期检修，以确保施工质量。然而，这种检修方式需要施工机械停机检修，易耽误其作业时间，同时人工检修时间长，实时性差，难以发现潜在的早期异常状态，往往在故障发展到较为严重的阶段时才会检测出来，不仅提高了维修难度、维修成本，还可能引发安全事故[2]。

针对这种情况，专家和学者依靠不同的技术手段提出了不同的监测方法。例如，文献 [3]利用声学传感器获取声波信号，然后以此为依据，通过改进的CNN- LSTM进行故障诊断，确定故障类型。但机械通常在复杂的环境中运行，周围存在各种噪声源，这些噪声会与机械自身产生的声波信号相互叠加，影响了故障监测的准确性；文献 [4]从振动特征角度提出了诊断方法，该方法获取机械运动中产生的振动信号，然后通过FD- Transformer模型对振动信号进行分析，确定故障类型。但这种故障萌生初期，其产生的振动能量非常小，极易被强大的背景噪声淹没，导致无法有效提取故障特征，从而影响了诊断结果的准确性。

为提高道路施工机械状态监测与故障预警的准确性，本文研究了一种基于物联网的道路施工机械状态监测与故障预警模型。该模型可在物联网前端进行声振联合，避免了单一数据来源的局限性，并在后期通过物联网终端实现了状态分析与故障预警。

1   基于物联网的道路施工机械状态监测与故障预警研究

本文将物联网应用到道路施工机械状态监测与故障预警当中，构建了一个监测与预警模型。具体来说，该模型在物联网感知层，采集机械运行的多源数据，然后传输到物联网应用层，在应用层借助先进的数据分析和挖掘算法对传感数据进行分析，实现故障的早期预警和精准诊断。

1.1   物联网前端传感器感知机械设备运行多源数据

施工机械工作环境恶劣且故障类型多样，单一传感器无法准确反映机械设备的运行全貌。为此，该模型利用物联网前端的振动传感器和声波传感器感知机械设备运行的多源数据，以弥补单一数据的局限性[5]。物联网前端传感器感知结构如图1所示。

图1 物联网前端传感器感知结构

将传感器布设到道路施工机械的关键位置。在设备运行时，传感器感知元件同步采集运行过程中产生的振动和声波，接着通过模数转换器（Analogue-to-digital Conversion，ADC）转化为数字信号，然后对转换后的电信号进行放大、滤波、线性化等处理，以提高信号质量和抗干扰能力，最后通过无线传感网络将感知到的数据发送给应用管理中心，进行进一步的处理和分析[6]。

1.2   物联网应用层终端监测机械状态与故障预警

物联网应用层终端接收到机械设备多源信号后，终端需要对信号时域进行分析，并计算时域特征参数，作为后续机械状态监测与故障预警的依据[7]。首先，假设振动信号或声波信号统一记为A(t)。对A(t)，进行分解，经验模态分解如式（1）所示：

式中，a_k(t)代表第i个IMF分量； b_n(t)代表残差分量。然后，计算时域特征参数，即能量熵和峭度熵。计算公式如式（2）、式（3）所示：

（3）式中，a_k、C_k代表第k个信号分量的均值、标准差；S₁ (k)代表信号分量的能量熵；S₂ (k)代表信号的峭度熵。由此得到特征组合，γ代表振动信号；β代表声波信号。

接下来，根据计算得到的两个时域特征参数，可实现道路施工机械状态监测与故障预警。

1.2.1   道路施工机械状态监测

在这一章节，应用终端通过一种数据挖掘算法对传感数据进行分析，以确定道路施工机械状态类型，即正常状态或异常状态。而正常状态或异常状态属于一种二分类问题[7]。对于二分类问题， SVM非常擅长，其原理是找到一个超平面WTS+p = 0，将两类数据点（正类-正常和负类-异常）完全分开，且使超平面到两类最近数据点的距离（间隔）最大化。首先，需要准备训练样本，其中，i - 1, 2 n为训练样本数据， Y是训练样本的实际类别标签， +1代表正类-正常状态，- 1代表负类-异常状态。通过训练可确定参数”和p。首先，建立目标函数，即式（4）：

式中， 代表正则化参数；  hi 代表松弛变量。然后，将求解目标函数问题，转换为求解对偶问题，如式（5）所示：

式中，a_i、a_j代表拉格朗日乘子。最后，利用二次规划求解器-CVXOPT对上述对偶问题进行求解， 得到最优参数和。由此， 完成SVM的训练， 得到基于SVM的道路施工机械状态监测模型。输入实际监测数据， 计算决策函数，可确定状态类型如式（6）、式（7）所示：

式中，f(s)代表输入的实际监测数据的状态类别标签；K(S_i，S_j)代表高斯核函数。

1.2.2   故障预警模型

在确定道路施工机械状态为异常状态之后，需要进一步确定异常状态程度是否达到故障预警等级，并进行不同程度预警[8]。在本章节，通过对各个时域特征参数进行加权，可计算异常带来的故障风险程度，公式如式（8）所示：

式中，代表异常带来的故障风险程度； 代表振动信号第个分量的第个时域特征参数的权重；  代表声波信号第个分量的第个时域特征参数的权重，可以通过熵权法计算。根据，划分道路施工机械故障风险等级并确定预警等级，如表1所示。

表1 故障风险等级及对应的预警等级

在确定风险之后，可通过短信、邮件、系统弹窗等形式向相关人员发布对应等级的预警，然后相关人员按照预警措施建议进行维护工作即可。

2   实验测试

为验证该模型在道路施工机械状态监测与故障预警中有效性，我们进行了实验测试。首先，选取2个不同道路施工机械设备（压路机、摊铺机）作为实验对象，然后在每台设备的关键部位部署振动传感器和声波传感器，以同步采集声振信号，最后所有传感器通过物联网无线通信网络进行数据汇聚与传输。实验样本分布如表2所示。

表2 实验样本分布

表2中正常类总计540组，异常类180组。

对采集到的声振信号进行预处理后，按1.2节所述方法提取能量熵与峭度熵，构建时域特征参数集合。以一组样本为例，其时域特征结果如图2所示。

（a）能量熵

（b）峭度熵

图2 时域特征参数

将总样本集按7:3的比例随机划分为训练集和测试集，采用训练集对SVM状态监测模型进行训练，然后将训练好的模型在测试集上进行状态监测性能验证，并通过混淆矩阵展示验证结果，如图3所示。

图3 混淆矩阵对比

由图3可见，本文所提SVM方法仅有2个正常样本被错误监测为异常样本，而异常样本则全部被正确监测出来。而基于CNN的监测方法则有15个正常样本被错误监测为异常样本，12个异常样本被错误监测为正常样本。由此说明，本文所提SVM方法在道路施工机械状态监测方面具有更优的识别性能。

为进一步验证模型的故障早期预警能力，选取测试集中180个异常的样本，根据1.2.2节的故障风险程度计算公式进行评估，并对照表1的等级进行预警，然后统计虚警率和误警率，结果如表3所示。

表3 不同方法预警性能对比

由表3可知， 本文所提基于物联网的声振联合监测方法性能最优。在压路机场景下，该方法虚警率为4.2%、误警率为5.8%， 显著低于仅振动信号（7.5%、 12.3%）和仅声波信号（15.6%、8.2%）的监测方法；在摊铺机场景下，该方法虚警率为3.5%、误警率为4.7%，同样优于仅振动信号（6.8%、10.5%）和仅声波信号（18.3%、6.9%）的监测方法。声振联合方法通过融合振动与声波信号，有效降低了故障预警的虚警和误警概率，大幅提升了故障预警的可靠性。

3   结束语

本研究的主要贡献在于成功地将物联网架构、多传感器信息融合与智能算法相结合，构建了一个从数据感知到智能决策的完整技术闭环。实验结果表明，该模型不仅具有较高的状态监测精度，而且故障预警可靠性优异，虚警率和误警率均保持在较低水平，具备良好的工程应用价值和推广前景，为实现施工机械的智能化、精准化运维管理提供了坚实的技术支撑。

作者简介：

张文馗（1978-），男，辽宁辽阳人，高级工程师，硕士，现就职于中国铁路哈尔滨局集团有限公司工程管理所，研究方向为铁路建设和工程建设管理。

参考文献：

[1] 蒋西平, 李永福, 龙英凯, 等. GIS设备机械缺陷振动信号特征分析技术研究[J]. 高压电器, 2025, 61 (2) : 17 - 25 + 34.

[2] 李滢, 郝建, 丁屹林, 等. 基于多模态组合振动图像与堆叠稀疏自编码器的GIS设备机械缺陷诊断方法[J]. 高电压技术, 2025, 51 (2) : 753 - 765.

[3] 郝晓宇, 侯俊玲, 左宏, 等. 基于声波特征的动力机械故障智能监测方法研究[J]. 固体力学学报, 2025, 46 (2) : 149 - 161.

[4] 赵志宏, 李春秀, 李乐豪, 等. 一种机械设备故障诊断的FD-Transformer方法[J]. 振动与冲击, 2023, 42 (8) : 326 - 333.

[5] 刘福才, 王向东. 风电机械设备故障诊断中振动分析的应用探究[J]. 太阳能学报, 2023, 44 (7) : 552.

[6] 徐爱华, 臧春艳, 李一硕, 等. 基于声振联合定位技术的GIL机械故障检测系统研究[J]. 高压电器, 2025, 61 (6) : 52 - 58 + 67.

[7] 张铭光, 骆学理, 贾登, 等. 基于动态主题模型的往复机械故障早期预警方法[J]. 北京化工大学学报(自然科学版), 2023, 50 (05) : 88 - 97.

[8] 邢作霞, 马岩溪, 郭珊珊, 等. 基于WOA-GRU的风电机组发电机故障预警方法[J]. 电机与控制学报, 2025, 29 (6) : 54 - 62.

摘自《自动化博览》2026年5月刊