礦用設備的振動信號數據分析

朱姍姍, 張欣怡, 廖雪梅

(1.北京工業職業技術學院機電工程學院, 北京 100042; 2.中國科學院自動化研究所, 北京 100083;3.首鋼工學院機電工程學院, 北京 100042)

1 前言

礦用機械設備的工作環境比較復雜,工作運行過程中很容易發生振動[1]。一旦設備中的部件由于振動引起機器故障,則會引發安全事故[2]。通常情況下,很難觀查到設備內部構件運動狀態的異常,很難預判機器發生故障的部位[3]。為了檢測設備的運行狀態,可以通過在礦用設備上安裝傳感器來檢測各個部件的工作參數。根據傳感器檢測數據的變化,可以有效地預判故障的發生,從而保證生產的安全[4]。

礦用設備除了工作環境復雜,引起振動的情況錯綜復雜,環境測試和故障分析工作難以開展外[5]。有些設備的振動信號變化非常快,例如旋轉機械的故障信號,這些信號的變化速度往往超過了人類的感知速度,使得故障分析工作非常困難[6]。有些設備的振動信號非常微弱,這會造成有效的信號往往被噪聲淹沒,使得故障分析的工作難度進一步加劇[7]。同時,有些設備的振動信號會受到多種干擾源的影響,例如電磁干擾、溫度變化等,這些干擾源使得信號難以被準確地測量和分析[8]。另外,有些設備的振動信號具有非線性特性,例如摩擦故障、碰撞故障等,這些非線性特性使得信號難以被傳統的線性分析方法所捕捉[9]。許多學者對礦用設備的振動特性進行了研究。文獻[10-12]對采煤機螺旋滾筒建立了有限元模型,結合神經網絡模型,分析了結構參數對振動可靠性的影響。文獻[13-16]建立了采煤機側向6個自由度的動力學模型,并采取數值分析的方法,求解了不同煤巖硬度對側向振動的影響。

對于采礦設備的實際工況中,發生單個振動的情況在實際生產過程中并不常見,實際工況中發生的大多數振動是兩個或兩個以上的振動的合成[17]。而在分析振動情況和研究振動信號時,通常需要分別分析各個因素對設備產生振動的影響,在振動信號的提取和數據分析方面,需要對在復雜工況下設備的振動信號先進行降噪處理,再對有效的信號或者分析目標進行數據篩選。本文以采煤機搖臂為研究對象,采集搖臂振動信號,將采集得到的搖臂振動信號樣本輸入到神經網絡中進行學習,將學習好參數的神經網絡模型應用于輸出振動測試結果。通過對搖臂的模擬試驗和數據分析,可以研究影響設備振動的變量關系,有效地預判機器故障。

2 搖臂系統振動模型

采煤機搖臂的結構如圖1所示。對搖臂的振動微分方程進行分析時,將采煤機的滾筒部件簡化成集中質量塊,將搖臂部件簡化成懸臂梁,受力如圖2所示。

圖1 采煤機結構示意圖

圖2 等效轉換后搖臂受力分析示意圖

懸臂梁的失效形式主要有剪切破壞、彎曲破壞和扭轉破壞[18]。本文以礦用設備中的采煤機為例,分析其搖臂部件的橫向振動,振動微分方程可表示為

(1)

E為懸臂梁材料的彈性模量,I為搖臂橫截面的慣性矩,ω為固有頻率,Φn為模態。把響應按照模態進行展開。

(2)

將式(2)代入式(1),可得

(3)

式(3)兩邊同乘以Φm(x),并沿梁全長進行積分,可得

(4)

利用模態正交性,式(4)可解耦為

(5)

假設在時間t=0時的初始條件為

(6)

對于初始條件式(6),也通過式(2)進行展開,即

(7)

(8)

根據上式等號兩邊同乘以ρAΦn(x),ρ為材料的密度,A為橫截面積。并沿桿長度對x進行積分,利用模態正交性可得

(9)

(10)

與直桿的縱向振動類似,式(5)的解可以表示為

(11)

在此基礎上,如果考慮梁的阻尼影響,式(5)可以重新表示為

(12)

式中,ζn表示第n階模態的阻尼比。

假設激勵力為作用在梁x=x0處的集中力f(t),則廣義模態力為

(13)

首先引入狀態向量y,

(14)

取前N階模態進行計算,則式(12)可表示為

(15)

假設要輸出的是在梁上x=xs點的位移響應,由式(2)可知:

(16)

3 振動信號的采集與預處理

3.1 振動信號采集的模擬實驗裝置

為了采集搖臂橫向振動模型的振動信號,建立振動信號的樣本集,通過神經網絡算法,將搖臂的振動信號輸入層與輸出層構建一定的輸入、輸出的函數關系,開展搖臂模態試驗,設計了以鋼板代替搖臂的實驗臺,用夾持機構夾緊鋼板的一端,在鋼板的末端安裝激振器,測試實驗臺如圖3所示,以模擬采煤機滾筒的截割激勵;同時在鋼板末端安裝壓電式加速度傳感器來采集鋼板的振動信號,將傳感器采集到的振動信號傳輸到輸入層。

圖3 搖臂振動測試實驗臺

3.2 振動信號的采集

為給搖臂振動系統采集充分的數據樣本,通過改變鋼板的長度及激勵力的大小來獲取不同的振動信號。通過將采集的振動信號處理成機器學習的樣本集,應用神經網絡建立振動輸入層與輸出層之間的函數關系,擬合實際振動發生的情況。圖4、圖5所示為激勵力頻率為ω=2 Hz,鋼板長度為1 m,抗彎強度EI=36 N/m,模態阻尼比為0.01,通過狀態空間法分析激勵力分別為1 N、2 N作用下的時域響應。同樣,可以跟換鋼板的長度、改變激勵力頻率等方式獲取不同工況下搖臂的工作狀態;圖6、圖7所示為激勵力頻率為ω=2 Hz,鋼板長度為2 m,抗彎強度EI=36 N/m,模態阻尼比為0.01,通過狀態空間法分析激勵力分別為1 N、2 N作用下的時域響應。通過模態進行計算時,即可獲得足夠的計算精度。

圖4 激勵力=1 N、L=1 m時振動信號

圖5 激勵力=2 N、L=1 m時振動信號

圖6 激勵力=1 N、L=2 m時振動信號

圖7 激勵力=2 N、L=2 m時振動信號

4 振動信號的數據分析

將實驗中采集到的不同振源產生的振動信號建立樣本集。輸入到神經網絡進行學習,通過擬合曲線不斷迭代修正,建立輸入變量與輸出之間的函數關系。相當于產生了一個近似函數來擬合輸入層中的每一組實驗數據。擬合函數計算得出的輸出值越接近實驗中的測量值,說明網絡模型分析的數據越接近實際情況[19]。在Python擴展庫中實現了多種線性回歸和非線性回歸的模塊,scipy和statsmodelds擴展庫中也有實現了多種回歸分析的模塊[20]。應用numpy擴展庫的多項式擬合函數,也可以完成回歸分析的模型參數估計的工作。為驗證權重值的取值誤差,選取2組實驗實測輸出信號與神經網絡推算的輸出結果進行比較,比較結果如圖8、圖9所示。

圖8 激勵力=1 N、L=1 m時實測信號與計算數據對比

圖9 激勵力=1 N、L=2 m時實測信號與計算數據對比

圖8所示為應用scipy.stats.linregress()處理一維數據的最小二乘回歸,模型返回模型系數。Scipy.stats.linregress()函數提供了一個簡單的接口,可以方便地進行線性回歸分析,只需要提供數據和參數即可。Scipy.stats.linregress()函數采用了高效的數值計算方法,可以快速地進行回歸分析,并且可以處理大規模的數據集,可以用于多種不同的線性回歸模型,用戶可以根據需要選擇合適的模型,提供豐富的功能,包括計算回歸方程、回歸系數的標準誤差等,可以幫助用戶深入分析回歸結果。在數據應用方面,Scipy.stats.linregress()函數可以用于預測分析,預測因變量的值,幫助用戶進行決策;可以評估各個自變量對因變量的影響程度,幫助用戶選擇最有價值的自變量;可以檢測數據集中是否存在異常值,幫助用戶提高數據質量。

圖9所示為應用numpy.linalg.lstsq()獲得擬合函數,Numpy.linalg.lstsq()是Python中用于求解線性最小二乘法問題的庫函數。只需要提供數據和參數可以快速地進行回歸分析,并且可以處理大規模的數據集,包括簡單線性回歸、多元線性回歸等,用戶可以根據需要選擇合適的模型,得到的回歸系數具有較高的精度用于預測分析、相關性分析、特征選擇及異常值檢測等,快速將有效的數據信息分析提供決策支持。

從圖8、9看出,選用不同算法擬合的函數在與實測振動信號的對比顯示,兩種算法建立的模型有一定的參考依據。卷積神經網絡算法用于采煤機搖臂振動信號的數據采集、分析與處理,建立的算法模型有效地擬合了實驗采集的振動信號樣本,可用于振動信號的模態分析及預測、影響振動的參數變量與輸出信號的相關性、特征選擇及異常值檢測。

5 結論

礦用設備除了設備工作環境復雜,振動和故障分析工作面臨著多種挑戰。本文對礦用設備振動信號的數據分析,得出以下結論。

(1)根據礦用設備實際工況中復雜的工作特性,設計了模擬采煤機搖臂振動信號的實驗臺;實驗采集了搖臂在各種工況下的振動信號,建立了搖臂橫向振動數據分析的網絡模型,可以自動地分析處理輸入數據的特征,有效地提取采煤機搖臂振動信號中的有效數據,與輸出信號建立函數關系擬合實測信號。

(2)通過對搖臂振動響應的數據采集與模態分析,應用不同的算法對比,在一定誤差范圍內擬合了搖臂橫向振動模型。建立的神經網絡可以擴展到多層結構,從而處理更加復雜的振動信號;同時卷積層和池化層可以學習到搖臂振動輸入信號的空間特征和特征變換,從而可以解釋網絡的輸出結果,有利于分析和理解采煤機搖臂振動信號的參數變量之間的函數關系。

(3)通過神經網絡可以自動進行特征提取和數據分類,無需人工干預,從而大大減少人工分析的工作量和誤差,為礦用設備工作狀態監測與故障預判提供數據依據。