《机械传动》2023年  第47卷   第1期

引用格式：刘漫贤，许梓嘉，申绪佳，等. 输送用模锻易拆链磨损预测及可视化辅助决策[J]. 机械传动,  2023, 47(1）:147-154.

LIU Manxian，XU Zijia，SHEN Xujia，et al.Wear prediction and visual decision support of drop forged rivetless chain for conveyors[J]. Journal of Mechanical Transmission,  2023, 47(1）:147-154.

输送用模锻易拆链磨损预测及可视化辅助决策

刘漫贤¹   许梓嘉²   申绪佳³   李晓东⁴   张智军⁴   杨颐¹

（1  中国科学院自动化研究所， 北京 100190）

（2  哈尔滨理工大学 计算机科学与技术学院， 黑龙江 哈尔滨 150080）

（3  北京卫星制造厂有限公司， 北京 100094）

（4  南京天祥智能设备科技有限公司， 江苏 南京 211300）

摘要  针对输送用模锻易拆链存在的磨损状况难以准确检测、预测和检修用时长等难题，开展了基于灰色模型和可视化辅助决策的磨损寿命预测和主动检修技术研究。采用基于机器视觉的磨损检测装置获取磨损数据，通过定义和分析磨损关键参数对磨损数据进行清洗，基于灰色模型建立了磨损预测模型；基于预测数据、历史数据及运行工况等建立辅助决策模型，通过综合评估后输出最优检修方案，并基于可视化仿真技术立体、动态地呈现磨损状况，快速精确定位磨损链条。实验结果表明，磨损寿命预测模型的拟合精度较高，磨损预警误报率和漏报率较低，可满足磨损寿命预测要求。通过磨损预测及可视化辅助决策技术，可有效地提高检修效率，减少生产线受迫停运的风险。

0 引言

输送用模锻易拆链（以下简称模锻链）是运载悬挂物件并传递动力的关键零部件[1]62，常被应用于冶金、煤矿、铸造等行业，如钢厂棒线生产线、矿车转载机等大型重载传动应用场合。模锻链一旦发生故障，将造成异常停产和生产安全事故。其中，磨损引起的故障最为常见。过度磨损不仅缩短了模锻链使用寿命，甚至还会造成链条断裂、堆链、卡链和跳链等问题[2]。因此，有效地检测模锻链磨损程度和预测磨损寿命，是避免生产事故、延长模锻链使用寿命的关键。

模锻链受材料特性、制造精度及运行环境等诸多因素影响，其磨损寿命难以预测。目前多采用人工定期检修，主要采用5环伸长量测量法，即采用特殊测量工具直接检测5个链环的伸长量，再与标准伸长量进行比较，计算模锻链的磨损量[3]，从而判断其磨损程度和剩余使用寿命。但模锻链输送线的长度大都在千米以上，且传动路径复杂，使得磨损检测用时长、难度大，是亟待解决的问题。

针对以上问题，国内外学者开展了大量研究。孙波等[4]通过收集悬链式船舶链条机械磨损寿命的历史数据，分析了影响机械磨损寿命预测精度的因素，并基于改进BP 神经网络，建立了悬链式船舶链条机械磨损寿命预测模型，仿真测试结果表明，该模型有效地提高了悬链式船舶链条机械磨损寿命预测精度。刘安琴[5]通过研究磨损规律和磨损类型，提出了磨损寿命极限、剩余使用寿命及磨损率的计算方法，基于此建立了一种新型的船舶链条极限磨损寿命预测模型，并通过对比实验进行验证，结果表明，该模型搭建相对简单，且明显提高了链条零件耐磨性，具备一定的实用价值。Metil´kov 等[6]提出了一种基于磨损率和概率统计的滚子链寿命预测模型，相比于仅考虑链条耐磨性、平均负载、运行速度的传统寿命模型，该模型增加了链条传动力、传动比、驱动链轮转速、磨损接触面积、销轴直径、链条长度、最大磨损量、磨损率期望值及运行因素（张紧力、动态负载、润滑方式）等多种影响因素，实验结果表明，该模型可以更精确地预测链条寿命。

综上所述，国内外学者在链条整体寿命预测准确度方面取得了显著成果，但对于模锻链的具体磨损状况、磨损原因及剩余寿命尚未能准确获得，难以有效指导维修保障工作。另外，针对不同类型的链条和不同的使用工况，现有的磨损寿命预测模型需要考虑诸多影响因素再优化模型，还要进行大量计算或训练，使其应用推广相对比较困难。

为解决以上问题，本文设计了模锻链磨损检测及寿命预测装置，采用机器视觉方法检测模锻链的磨损量。通过定义和分析磨损关键参数对正常磨损和异常磨损进行分类，再基于灰色预测模型对正常磨损链环进行磨损量预测，并通过实验验证了磨损预测准确度。最后，借助可视化分析技术对模锻链磨损数据进行实时三维可视化呈现及辅助决策，并对异常磨损链环进行定位和异常原因溯源，进一步验证了可视化技术在模锻链磨损检修应用方面的可行性。

1 磨损检测及寿命预测装置

1.1 工作原理

图1 输送用模锻易拆链
Fig. 1 Drop forged rivetless chain for conveyors

1.2 系统组成

图2 系统示意图
Fig. 2 System diagram

2 关键参数定义和数据提取

2.1 磨损关键参数定义

模锻链在运行过程中会出现正常磨损和异常磨损两种情况，其中，异常磨损经常会导致安全事故，必须对异常磨损链环进行定位和异常原因溯源，提高异常事件处理能力。此外，为避免异常磨损数据不平滑对链环磨损寿命预测准确度造成影响，需要通过磨损关键参数分析对磨损数据进行准确分类，并提取正常磨损数据作为磨损寿命预测模型的基础数据。

磨损关键参数主要有链环伸长率、链环伸长速率、总伸长率。考虑到正常磨损情况下链环的磨损量较小，且视觉检测的精度不高，因此，以月为单位统计中链环间距，各磨损关键参数分别定义如下：

（1）链环伸长率为

式中，n 为中链环数量。

2.2 磨损基础数据提取

数据提取主要通过异常磨损判据实现磨损数据的准确分类，以便根据异常磨损类型采取针对性的检修措施，并提取正常磨损数据作为磨损寿命预测的基础数据，以提高预测的准确度。具体方法如下：

（1）总伸长率判断

当ξ_t ≥ξ_max 时，表明模锻链整体伸长率过大，存在安全风险，需要截取或更换已损坏零件。ξ_max 由模锻链材料特性及负载情况决定，一般取3%[7]。

（2）链环磨损状况判断

当ε_i,t ≥ε_max 时，表明当前链环磨损严重，需进行检修。根据模锻链材料特性及负载情况，ε_max一般取5%～10%[8]。

当γ_i,t ≤0 时，表明模锻链可能由于油污或张紧度不够等原因导致磨损数据异常，需进一步检修。

当γ_i,t 连续两次大于链环最大伸长速率γ_max 时，表明模锻链可能由于负载过大或张紧度过大导致磨损过快，属于异常磨损，需进行检修。根据模锻链材料特性及负载情况，γ_max一般取0.5%。

结合以上判据和式（2），可得链环磨损状态公式（4），即：当ω(i，t ) = 1 时，表明第i 个链环当前存在异常，可能是过度磨损、油污或张紧度不当导致的磨损数据异常，需进一步检修。

3 建立磨损预测模型

由于运行工况比较复杂，每个链环受到的负载存在差异且变化频繁，链环的张紧力实时动态变化，使得每节链环的磨损差异较大，同一模型难以适用所有链环的磨损寿命预测。考虑到正常磨损情况下链环的磨损较缓慢，同时受视觉检测精度的限制，导致磨损寿命周期内链环的磨损数据样本少，且具备非负、非线性、离散等特点。

因此，以正常磨损情况下的链环间距x_i,t 为建模基础数据，建立适用于小样本、贫信息的灰色模型GM（1，1），即单序列1阶灰色微分方程[9]，对每节链环分别进行磨损预测。

3.1 数据检验及预处理

3.2 建立灰色模型

3.3 模型评价

常用的灰色模型评价方法有残差检验、关联度检验和后验差检验，本文中采用最常用的后验差检验方法，即通过均方差比c、小误差概率p 和相对误差λ 共同评价模型优良性。c 越小、p 越大，则模型拟合精度越高，当c<0.35、p>0.95 且λ<10%时，模型拟合精度达到最优级[10]87[14]。

计算残差为

式 中，x^̂ (0)(j ) 为 预 测 值；x ⁽⁰⁾(j ) 为 实 测 值；j=1，2，…，m。

计算原始数据方差分别为

4 可视化辅助决策

数据可视化分析技术融合了统计学、图形学、人机交互等多种技术，将数据中蕴含的规律、特征等进行直观地呈现，可有效地提高综合决策能力[15]。

4.1 三维建模

采用SolidWorks 对模锻链进行三维建模后导入到unity 3D，并对每节链环进行编号，如图3所示。

图3 模锻链三维模型
Fig. 3 3D model of drop forged rivetless chain

4.2 数据映射

数据映射的目的是通过不同颜色反映链环当前的磨损程度及磨损链环的快速定位。数据映射前需要对链环伸长率数据进行归一化，即

再根据σ_i,t 值控制RGB彩色模型中的R、G分量，进行颜色映射，使链环磨损程度通过绿色、黄色、红色的过渡变化来反映。

4.3 辅助决策

为保障安全生产，一般每3个月要对模锻链进行定期检修。传统的检修方法效率低，且无法根据模锻链整体情况采用针对性的检修措施，严重依赖于检修人员的工程经验，难以实现检修决策最优化。因此，应采用基于可视化分析的主动检修辅助决策，根据模锻链属性、运行工况、磨损历史数据、预测数据及异常数据等建立辅助决策模型，如图4 所示。通过超限校核、信息融合、故障识别及方案评估，提出具体的、有针对性的检修措施，提前做好检修计划、采购计划、生产计划等准备工作，减少生产线受迫停运的风险，缩短检修时间，并对输送线不合理的地方提出优化方案，提高输送线整体使用寿命。

图4 模锻链磨损可视化辅助决策模型
Fig. 4 Wear visualization decision-making model of drop forged rivetless chain

5 实验结果及分析

5.1 实验设计

为验证模锻链磨损寿命预测的准确性和可视化辅助决策的可行性，采用以美国标准ASME B29.22—2001 的X 型系列模锻链XT100-16 为实验对象，选取序号为1～30 的链环进行实验，连续采集8 个月的中链环间距数据，其中，以1-6 月的数据建立GM（1，1）模型来预测7-8月的中链环间距，并与7-8月的中链环间距实测值进行对比。磨损实验参数设置如表1所示。

表1 磨损实验参数
Tab. 1 Wear test parameters

5.2 磨损预测实验

（1）数据分析处理

中链环间距测量结果如表2 所示。其中，序号8和序号18 的链环分别在x_8,3 、x_18,3 突然变小，属于数据异常情况，需进一步分析处理；序号13 的链环连续两个月伸长速率大于γ_max，属于异常磨损；序号5、序号9、序号22 和序号23 的链环由于链环伸长率大于ε_max，即已达到磨损寿命极限。

表2 中链环间距测量值
Tab. 2 Distance between inner link 单位：mm

续表 单位：mm

（2）预测模型评估

排除异常磨损和到达寿命极限的数据，仅对剩下23 节链环的正常磨损数据进行级比检验，检验结果满足灰色预测建模条件。分别建立23 组数据的灰色模型并进行磨损预测，计算23 组数据的最大均方差比c_max = 0.25，小误差概率p均为1，最大相对误差λ_max = 0.45%，表明23 组中链环间距预测模型的拟合精度较高，可以满足预测要求。

（3）预测结果分析

进一步对这23节链环的第7、第8月的预测结果进行分析，结果分别如表3、表4、图5、图6 所示。可知第7、第8 月的平均相对误差分别为0.13%、0.19%，最大相对预测误差分别为0.36%、0.45%，即随着时间的推移，灰色模型的预测结果偏差逐渐变大。为减小预测偏差对模锻链检修综合决策引起的影响，应适当减小第8月预测因素的权重。

表3 中链环间距预测结果
Tab. 3 Prediction of distance between inner link

表4 平均相对误差及最大相对误差
Tab. 4 Average relative error and maximum relative error单位：%

图5 第7月中链环间距预测值与实测值对比
Fig. 5 Comparison between prediction and reality of distance between inner link in the 7th month

图6 第8月中链环间距预测值与实测值对比
Fig. 6 Comparison between prediction and reality of distance between inner link in the 8th month

5.3 可视化辅助决策实验

根据中链环间距预测结果计算链环伸长率预测值ε^̂_i,t，并与ε_max 进行比较。当ε^̂_i,t ≥ε_max 时发出预警，并通过模锻链磨损辅助决策模型综合分析后给出检修措施。

（1）可视化及辅助决策

图7 模锻链磨损三维可视化
Fig. 7 3D visualization of drop forged rivetless chain wear

实验结果表明，相比于人工检修，基于以上辅助决策对模锻链进行快速检修，有效地缩短了检修时长。

（2）异常磨损检修

通过现场检查发现，磨损数据异常的链环中，序号8、序号18 的链环是由于油污导致检测数据异常，通过清理后检测数据恢复正常；序号13 的链环是由于中链环加工误差过大，发生干涉碰撞，导致磨损剧烈，通过更换后检测数据恢复正常，模锻链运转平稳。

（3）预警误报率分析

表5 链环磨损预警评估
Tab. 5 Assessment of inner link wear warning

注：√表示预警结果符合实际情况，×表示预警结果不符合实际情况，-表示未达到预警条件。

表6 预警误报率及预警漏报率
Tab. 6 Early-warning error rate and early-warning missing rate 单位：%

6 结论

开展了GM（1，1）灰色模型和可视化辅助决策技术在模锻链磨损寿命预测和主动检修的应用研究，并通过XT100-16 模锻链进行实验验证，实验结果表明：

（1）基于GM（1，1）的模锻链磨损寿命预测模型拟合精度较高，连续两个月的磨损预警误报率均为0，漏报率分别为33.33%和30.00%，满足模锻链磨损寿命的预测要求。

（2）基于机器视觉及三维可视化仿真技术，可立体、动态呈现磨损状况，快速精确定位磨损链环，有效地提高了模锻链检修效率。

（3）基于可视化分析的主动检修辅助决策技术，可对模锻链的检修进行综合决策，提高输送线整体使用寿命，并提前统筹规划生产、检修、采购等相关任务，缩短检修时间，减少生产线受迫停运的风险。

（4）基于灰色模型的磨损预测及可视化辅助决策技术具有较高的实际应用价值，可推广应用于圆环链、滚子链、双板链等类型的输送线。

收稿日期：2021-12-20

作者简介：刘漫贤(1986— )，男，广东潮州人，博士，副研究员；研究方向为精密感知与智能控制。

专家点评：     

论文针对输送用模锻易拆链存在磨损状况难以准确检测、预测，且传统常规人工检修用时长等难题，开展了基于灰色模型和可视化辅助决策的磨损寿命预测和主动检修技术研究，具有重要的理论意义与工程实用价值，并取得如下主要研究成果：

1、采用基于机器视觉的磨损检测装置获取模锻链磨损数据，通过定义和分析磨损关键参数对磨损数据进行清洗，基于GM(1,1)灰色模型建立了模锻链磨损预测模型，其预测模型拟合精度较高，可满足模锻链磨损寿命的预测。

2、基于预测数据、历史数据及运行工况等建立了可视化辅助决策模型，可以对模锻链的检修进行综合决策，提高输送线整体使用寿命。

3、基于机器视觉及三维可视化仿真技术，可立体、动态呈现模锻链的磨损状况，快速精确定位磨损链环，有效地提高了模锻链检修效率。

综上，论文基于灰色模型的磨损预测及可视化辅助决策技术具有较高的实际应用价值，可推广应用于圆环链、滚子链、双板链等类型的输送用链条领域。

本论文的撰写质量很高，创新性、理论深度和应用价值都不错。

机械传动

登记邮箱订阅我们的最新上线期刊

I