基于EMMD-RVM的煤矿采矿机械设备异常检测系统

侯瑞丽

(新疆石河子职业技术学院，新疆 石河子 832000)

目前，国内煤矿采矿机械设备异常检测系统主要是通过有线信号进行，而且系统的运行状态不稳定，不利于设备异常行为的采集。煤矿采矿机械设备在恶劣环境下进行长时间的连续操作，对设备的安全状况有较高的要求。在煤炭生产中，煤矿采矿机械设备的投资比例最高，其后期维修成本较高，占总维修成本的40%左右。但是，由于矿井的特殊性，煤矿采矿机械设备的失效概率也较大。根据统计，煤矿采矿机械设备的失效事故发生率每年都在增加，这是由于许多机械设备在维护中的细节未被及时察觉。因此，对煤矿采矿机械设备进行安全监控是十分必要的[1]。国内目前介绍了一套以B/S为基础的多层次结构的监控系统，通过该系统能够实现设备异常状态的实时检测与显示。后来，又提出了一种基于BP神经网络的设备状态监测系统，通过构建煤矿采矿机械设备的实时监控，煤矿采矿机械设备的正常使用得到了有效保证。之后，利用无线检测设备作为数据传输环节，研制了煤矿采矿机械设备的无线状态监测系统。但是，现有的监控技术主要依靠人工对设备进行定期的检测，并对其操作参数进行记录，该方法缺乏实时性和可靠性，不适用于煤矿生产[2]。在物联网技术的飞速发展下，将物联网与无线通信技术相结合，实现对煤矿采矿机械设备的实时监控与预警，是保障矿井安全生产的有效手段。针对该问题，设计了一套以EMMD-RVM为基础的煤矿采矿机械设备异常检测系统。

1 设备异常检测系统

1.1 系统结构

基于EMMD-RVM的煤矿采矿机械设备异常检测系统结构，主要由3个层次组成，分别是感知层、网络层和应用层，如图1所示。

图1 系统结构Fig.1 System structure

由图1可知，该系统是由3个层次组成的，分别是感知层、网络层和应用层。①感知层。主负责基础数据收集工作，主要分为ZigBee模块和4G DTU模块，包含了多种传感器无线信号的采集。②网络层。由网络传输模型和数据集成网类组成，主要通过数据整合网关和网络传送模式，负责数据的统一存取与高并发的传输。③应用层。包括存储服务器和应用服务器，负责对所采集的资料进行存储、分析和处理。利用EMMD-RVM方法对时序信号(如振动、噪声等)进行处理，使得其均匀分布，并消除了序列的异方差[3-4]。

1.2 硬件设计

1.2.1 数据采集模块

系统的数据采集模块主要包括2个电路，分别是信号处理电路和AD变换电路。为了适应煤矿采矿机械设备多路振动检测的需要，选择TI公司开发的4通道AD变换器和2片ADS1174数据表，使系统能够高速、同步、串口取样[5-7]。采用4～20 mA的振荡传感器，以达到高信噪比AD取样，提高信号的可靠性和数据的采集精度。

1.2.2 传感器

在无线传感器网络中，ZigBee传感器作为终端，通过对周边环境进行数据采集，并将数据传送到ZigBee网关，从而使其和工业以太网相互连接，实现数据交换[8]。传感器包括电压、电流传感器、转速传感器、红外成像传感器、温度传感器，负责传输电压、电流、转速红外成像和温度。

(1)电压、电流传感器。霍尔电压、电流传感器可用于测量各种电压、电流，从直流到数十千赫交流电。当主导线经过电压、电流传感器的主IP时，会形成一条磁力线，并在磁芯周围处聚集，霍尔电极形成的电压与原边的磁力线呈正比，这种小的信号被电子线路变换为次级的电压和电流[9-10]。电压、电流传感器技术参数：型号为ACS712ELCTR-30A-T；传输方式为4G、WiFi、ZigBee；精度为±1.5%；温度范围为-40～+85 ℃；输出电流为4～20 mA；输出偏流为12 mA；线性度为1%；电源电压为5 V；频率范围为0.1～1.5(±10%)kHz；传感器类型霍尔效应，开环。

(2)转速传感器。转速传感器是一种将转动煤矿采矿机械设备(例如轴承)的速度转化为电能的一种传感器，该传感器是一种非直接测量装置，其核心部件是磁性电阻器[11]。当被测对象安装有凸形(或凹形)磁或磁传导材料时，该传感器会在被测对象转动时，产生与转动频率有关的脉冲信号，从而实现对煤矿采矿机械设备速度和位移的检测[12-14]。转速传感器技术参数：型号为NanLi-003，传输方式为4G、WiFi、ZigBee，零点输出/F.S.为1%；温度范围为-20～+65 ℃；非线性/F.S.为0.1%；极限超载/F.S.为200%；灵敏度为1.0～1.0 MV/V；激励电压为0 V；响应频率为100 μs。

(3)红外成像传感器。红外图像传感器是通过对被测煤矿采矿机械设备进行红外辐射的原理，将其反射到红外探测器的感光元件上[15]。红外成像传感器工作原理如图2所示。

图2 红外成像传感器工作原理Fig.2 Working principle of infrared imaging sensor

由图2可知，该传感器在光学系统与红外检测器之间设置了一种光机扫描装置，它可以扫描被测对象的红外线热成像，然后把它集中到一个单位或者一个光谱检测器上[16]。检测器把红外线的能量转换为电子讯号，经过放大、转换或标准处理，再由电视屏幕或监视器呈现。红外成像传感器技术参数：YRH300矿用本安型，传输方式为4G、WiFi、ZigBee；精度为±1%；温度范围为-20～400 ℃；可见光图像像素≥30万；发射率sssss0.1～1.0；距离系数比为50∶1；电源电压为4.3 V；显示分辨率为1.9 mrad；防护等级≥IP54。

(4)温度传感器。温度传感器的原理是，煤矿采矿机械设备金属膨胀能感应到温度，并把其转化为一个可以利用的输出信号来实现热量的平衡，因此，温度计的显示可以直接反映被测量物体的温度[17]。温度传感器技术参数：型号为STMicroelectronics；传输方式为4G、WiFi、ZigBee；ADC分辨率为12 bit；温度监测范围为-40～+85 ℃；核心ARM Cortex M4；ADC通道数量为16 Channel；RAM为160 kB；电源电压为3.6 V；最大时钟频率为80 MHz；程序存储器类型为Flash。

1.2.3 传感器网络协议适配器

传感器网络协议适配器可以统一地访问来自不同传感器网络的数据，其结构如图3所示。由图3可知，该协议适配器整合了多种传感器网络协议的解析Jar包，将解析Jar包封装成各个传感器的网络协议解析接口，通过调用不同传感器协议接口来消除网络异构性，并获取唯一数据统计格式[18-20]。

图3 传感器网络协议适配器Fig.3 Sensor network protocol adapter

1.3 软件设计

1.3.1 异常特征分析

极值域均值模式分解EMMD是一种用于分析局部波形的方法，利用 EMMD技术对煤矿采矿机械设备的异常特性进行了详细分析。

(1) 由于一般信号的各局部极值点间的数据不一致，故2个极值点的平均值不在中间点。为此，通过使用加权平均法求出极值点的局部均值，并给出了它的幅度变化，如图4所示。

图4 EMMD分析信号的局部均值Fig.4 Local mean values of EMMD analysis signals

(2) 设定2个门限值，如果判定EMMD筛选程序是否结束的标准中，全部数值都低于其中一个门限，并且判定的标准积分不超过另一个门限，则该筛选程序结束。在对煤矿采矿机械设备的异常特征信号进行分析时，要选择2个临界点之间的标准偏差，也就是每个层次含有最多的特征信息。

(3) 经过分解得到N个特征信息分层，对其进行希尔伯特变换，可以得到分层后的数据。根据分层后的数据，获取特征分量的瞬时频率。依据该频率，确定频率分量幅值，结合信号总的时间长度，计算特征信息分量的平均瞬时能量。

(4) 根据各频率成分的自频率信息和各频率成分的能量信号，采用平均瞬时频率特性信息对总能量信号进行检测，提取出由平均瞬时频率和总信号能量之比组成的煤矿采矿机械设备异常特性矩阵矢量，以此完成煤矿采矿机械设备异常特征分析。

1.3.2 设备异常检测

通过基于EMMD的煤矿采矿机械设备异常特征分析结果，进行煤矿采矿机械设备异常特征分析。首先，构建RVM支持向量机模型进行训练样本拟合，之后使用RVM分类方法对故障进行识别。RVM支持向量机模型的构建，如图5所示。

图5 RVM支持向量机的模型Fig.5 Model of RVM support vector machine

结合图5，采用多线程技术实现对传感器数据的连续检测，以确保在不同的维修过程中系统可以实现对传感器数据的连续检测。在煤矿采矿机械设备异常检测过程中，有3种不同的线程：①线程1。应用程序服务器按规定的间隔将采集数据的命令发送给分站，并将数据存储在数据库中。②线程2。应用程序伺服器定期将最近采集到的数据与告警上限及告警下限相比较，在超出极限的情况下，将派生线程3。③线程3。通过告警信息传输系统向有关人员的移动电话发送线程2所获取的告警信息，并且将运行记录写入数据库。

基于该线程，煤矿采矿机械设备异常检测线程如图6所示。

图6 煤矿采矿机械设备异常检测线程Fig.6 Abnormal detection thread of miningmachinery in coal mine

由图6可知，选取了从训练样本中提取的典型相位空间，以确保特征的一致性。在此基础上，将其他样点的投影系数引入到RVM支持向量机模型中，之后再采用 RVM分类器进行参数分类。在参数训练阶段，利用一个子集作为训练对象，并对其余的子集进行检测，将检测结果实时存储到数据库中。最后，将分类结果进行概化处理，并将其归一化误差最小的模型参数作为其最终的参数，由此获取煤矿采矿机械设备的异常数据。系统异常检测的流程如图7所示。

图7 异常检测流程Fig.7 Anomaly detection process

2 系统应用

选择煤矿采矿机械设备的起重机轴承为研究对象，轴承内圈为动圈，外圈为固定状态。该轴承结构如图8所示。分别使用电火花在内圈、滚动体和外圈进行直接加工，形成了一个长为0.54 mm、深0.25 mm的凹坑，由此模拟轴承的内圈故障、滚动体故障和外圈故障。

图8 煤矿采矿机械设备的起重机轴承构造Fig.8 Crane bearing structure of miningmachinery in coal mine

使用基于EMMD-RVM的煤矿采矿机械设备异常检测系统，分别对正常状态、内圈故障、滚动体故障和外圈故障这4种情况，在频率为15 kHz、时间为10 s的情况下进行采样，得到的EMMD分解结果如图9所示。

图9 故障信号分解结果Fig.9 Decomposition results of fault signals

由图9可知，正常信号的高频分量明显比故障高频分量低，只要采集高频分量信息，就能进行异常检测。

应用该系统的异常检测原理，提取信号的高频分量，提取结果见表1。

表1 不同信号下的高频分量提取结果Tab.1 Extraction results of high-frequency components under different signals Hz

由表1可知，正常状态下的高频分量与故障状态下的高频分量明显不同，而各种故障问题之间的高频分量也不同。以IMF的高频分量作为特征向量，能够较好地描述煤矿采矿机械设备的起重机轴承正常和各种故障状态下的信息，也说明使用该系统可以用来对煤矿采矿机械设备的起重机轴承的故障检测。

在信号检测过程中，使用ROC曲线作为分析工具，用于判定检测结果是否精准，ROC曲线如图10所示。越接近R1的R2曲线上的点，越说明判定检测结果越精准，通过分析图10可知，设计的基于EMMD-RVM的煤矿采矿机械设备异常检测系统，所绘制的ROC曲线与R1直线非常接近，说明使用该系统检测结果精准。

图10 ROC曲线Fig.10 ROC curve

3 结语

构建的基于EMMD-RVM的煤矿采矿机械设备异常检测系统，针对煤矿采矿机械设备异常特征值对检测值的影响，提出以EMMD极值域均值模式分解方法分析煤矿采矿机械设备异常特征，提出新的筛选停止规则，更好地对信号进行分解与分析。对分析得到特征信息，构建RVM支持向量机分类模型，检测煤矿采矿机械设备异常特征。利用上述系统，通过对实际异常信号的分析，证明了该系统能够更好检测异常设备。因此，该系统适用于对煤矿采矿机械设备进行故障诊断与识别。