塔式起重机结构损伤诊断方法研究
1、塔式起重机结构损伤形式
1.1变形
变形是机械设备常见的一种损害，对于塔式起重机而言，变形是最常见的结构损伤形式，主要是由于塔式起重机在长期超负荷运转下，受运输建材等物体的碰撞久而久之导致局部出现变形。例如在高层建筑施工现��，塔式起重机在运输钢材时，受到高空风力影响。起吊运输的钢材会撞击塔式起重机的动臂，导致发生局部变形。当然最为严重的是塔式起重机长期超负荷使用会导致钢结构发生屈服变形。
1.2断裂
塔式起重机结构发生断裂是一种严重的安全事故，导致钢结构断裂的原因是多方面的：
1）超载。相关资料显示，超载是造成塔式起重机突然断裂的主要因素。例如基于工程建设要求，施工方为了赶进度，缺乏健全的维修保养计划，在相关零部件出现松动的情况下仍然超负荷运行，这样极容易导致塔式起重机钢结构因疲劳损伤而出现断裂。
2）基础不坚固。塔式起重机一般是通过连接件将塔身固定在地基基础上，但是如果地基基础不牢固，塔式起重机在运输建材设备时，力矩所产生的冲击荷载就会导致塔式起重机吊臂断裂。
3）塔式起重机长期运转，没有定期更换元器件，导致塔式起重机出现疲劳损伤。例如违章作业、斜拉重物导致塔身钢结构容易出现疲劳，吊装建材设备时，由于臂架除了受到重力矩之外，还受水平横向力矩，这样极容易导致臂架失稳弯曲，导致臂架断裂。
1.3表面锈蚀
众所周知，塔式起重机运行环境比较差，尤其是高层建筑施工现场粉尘较多，长期在酸碱等腐蚀性气体灰尘下作业，再加上在运输过程中发生碰撞，会导致塔式起重机表面漆脱落，失去保护功能；另外由于塔式起重机在高层建筑施工中发挥着巨大作用，繁重的运输压力导致管理方没有足够的时间做好相关的维护保养工作，这样极容易导致塔式起重机因表面锈蚀而影响钢结构强度。
1.4断纹
虽然断纹不一定会导致断裂，但是如果断纹没有得到修复，在长期运行过程中极容易发生断裂。一般断纹主要产生在焊接部位以及应力集中的地方，根据调查，导致断纹的原因如下：
1）塔式起重机钢结构超出使用寿命年限。一旦超出规定的使用年限，塔式起重机钢结构自身性能就会下降，这样在外界作用力的影响下，塔式起重机就会出现裂纹。
2）由于不规范操作导致塔式起重机产生断纹。塔式起重机在运行过程中如果受到外界作用力的冲击，会破坏结构的稳定性。例如驾驶人员操作塔式起重机时，如果在运输建材设备时出现速度过快现象，同时加上高空风力的冲击，会导致塔式起重机瞬间要承受超出其极限的应力，导致塔式起重机出现结构裂纹。
2、基于域自适应学习的塔式起重机结构损伤诊断模型
结构损伤诊断是检验塔式起重机结构运行状态的重要方式，关于塔式起重机结构损伤的诊断方法比较多，但是存在数据集不完备、标签数据少且获取成本高、损伤监测误判率高的问题。迁移学习能够有效解决传统塔式起重机结构损伤诊断所存在的问题，因此，采取迁移学习中的域自适应法构建塔式起重机结构损伤诊断模型。域自适应学习是当前机器学习的热点研究领域，主要是通过学习源域与目标域之间的差异，将源域的知识迁移到目标域中，从而解决在目标域上数据不足或分布不同导致模型性能下降的问题。按照不同学习场景，域自适应学习可分为分类问题、回归问题和聚类问题。
2.1域自适应学习模型框架
对于塔式起重机结构损伤诊断模型，在卷积神经网络的基础上引入域自适应学习，利用多核最大均值差异将样本特征映射到RKHS中进行处理，实现不同塔机间数据的特征迁移结构损伤智能诊断。按照完好和损伤两种状态进行分类，利用Softmax激活函数给出数据样本属于某一健康状态的后验概率，再根据此概率判断设备的健康状态。
2.2损伤函数
损伤函数主要设定为分类损失函数L0和域自适应损失函数Ld：
1）分类损失函数L0。将带标签的源域数据训练获取分类知识是结构损伤诊断的前提，在保证模型基本分类性能的情况下要尽量减少分类误差。分类损失函数越小则表明模型通过带标签的源域数据学习到了分类特征。
2）域自适应损失函数Ld。根据相关理论，域自适应学习的目的就是减少源域和目标域的分布距离，使得其进入相同的空间对目标数据进行特征分类，从而保证数据能够及时准确地被诊断识别。由于卷积神经网络的每层都含有相关信息特征，因此取卷积神经网络最后2层提取分类信息的深层特征，用MMD多个核函数计算，这2层的分布距离为Ld 1、Ld2，即在多个高维空间中计算源域和目标域之间的分布距离。
基于域自适应学习模型，将塔式起重机采集的相关标签数据进行特征提��，利用多核MMD找出数据分布的不同域之间的联系，并且利用随机梯度下降算法对权重参数进行设定。
2.3数据的获取
为了获得更为全面的数据，在塔式起重机上安装刚度仪，将采集的原始数据和位移数据样本进行训练，刚度仪安装位置要与塔式起重机的塔身轴线保持平衡，将采集的信息存储在计算机设备上，并且按照完好和损伤两种状态进行分类。
3、实验测试
为了检验塔式起重机结构损失诊断模型的运行效果，进行相关实验测试。本次实验选择某企业生产的两台塔式起重机作为实验对象，并且在塔式起重机上安装相关的监测仪器。基于域自适应学习模型的测试采取一维卷积神经网络，具体的设定参数如表1所示，包括1层输入层、2层卷积层、2层池化层以及4层全连接层。激活函数采用ReLU形式。
表1 CNN模型的各参数设置
| 编号 | 参数名称 | 参数值 |
| 1 | 卷积层数 | 2 |
| 2 | 池化层数 | 2 |
| 3 | 卷积核维数 | 1×6 |
| 4 | 优化器 | Adam |
| 5 | 学习率 | 0.001 |
本次实验样本数据主要选择400个有标签的数据和500个没有标签的数据。为了更加准确地检验域自适应模型的准确性，将400个有标签的数据作为源域训练样本数据、500个没有标签的数据作为目标域训练样本数据。将样本数据按照预定的程度通过域自适应函数计算，根据计算结果数据的统计分析，可以获悉随着模型函数的不断优化，域自适应损失函数值与分类损失函数值在不断减��，在预定区域平稳，由此表明目标域和源域的分布距离MMD都在下降。
为了验证该模型对于训练样本的可行性，采取不同的诊断模型对同一塔式起重机结构进行检测。检测结果显示，没有采用域自适应学习模型的诊断率为86.9%，而采用域自适应学习模型的诊断率达到96.3%，可见其能够有效诊断出塔式起重机结构损伤故障问题。
4、提升塔式起重机结构损伤诊断效率的具体措施
4.1加强教育培训，提升作业人员的专业技能
1）加强安全教育，提升塔式起重机驾驶人员的安全意识，时刻将安全教育纳入工作体系中。建筑施工企业在驾驶人员进入塔式起重机驾驶室前要开展警示教育，将各种违规操作或者不安全隐患因素导致的安全事故讲解给相关人员，让相关人员认识到安全操作的重要性。
2）加强技能培训，提升作业人员的专业技能。利用模型能够准确识别结构损伤，第一时间将结构损伤程度反馈给安全管理人员。安全管理人员要懂得观看数据反馈信息，并且能够科学运用相关检测设备，以便可以及时掌握相关信息，确保塔式起重机处于安全状态运行。
4.2采取防范措施，及时修补结构损伤
1）及时根据塔式起重机结构损伤程度采取相应的措施。若出现结构损伤则要第一时间采取相应的补救措施。例如塔式起重机钢结构出现裂纹，则要及时进行焊接补救，焊条要选择与母材相近的，将母材开裂处进行打磨后再进行焊接。
2）及时更换损伤的零部件，避免塔式起重机“带病”作业。塔式起重机结构损伤一般情况下都会有细微的征兆，设备检修人员要定期对各零部件进行检修，发现存在损伤的零部件要及时更换，避免安全隐患扩大。例如，当塔式起重机钢丝绳出现断丝现象后要及时更换，防止发生安全事故。
4.3加强监管，规范操作流程
有效的监管是避免安全事故的重要举措，建筑施工企业要加大对塔式起重机的安全监管力度。
1）对塔式起重机设备档案进行安全管理。在塔式起重机进场前需要检查相关手续，避免“三无产品”进入施工现��，检查塔式起重机的检测、维修等记录，确保塔式起重机处于正常保养状态。
2）规范操作流程，检测关键结构。施工企业要严格按照相关规范要求检测塔式起重机关键结构，对重要杆件和部位的焊缝进行损伤诊断，如果发现问题则要及时整改。
5、小结
综上所述，塔式起重机是建筑行业重要的机械设备之一，防止结构损伤是提升设备运行效率的关键。基于域自适应学习模型的结构损伤诊断方法能够快速、精准地诊断结构损伤，为建筑施工提供安全保障。
