矿用设备的振动信号数据分析

朱姗姗, 张欣怡, 廖雪梅

(1.北京工业职业技术学院机电工程学院, 北京 100042; 2.中国科学院自动化研究所, 北京 100083;3.首钢工学院机电工程学院, 北京 100042)

1 前言

矿用机械设备的工作环境比较复杂,工作运行过程中很容易发生振动[1]。一旦设备中的部件由于振动引起机器故障,则会引发安全事故[2]。通常情况下,很难观查到设备内部构件运动状态的异常,很难预判机器发生故障的部位[3]。为了检测设备的运行状态,可以通过在矿用设备上安装传感器来检测各个部件的工作参数。根据传感器检测数据的变化,可以有效地预判故障的发生,从而保证生产的安全[4]。

矿用设备除了工作环境复杂,引起振动的情况错综复杂,环境测试和故障分析工作难以开展外[5]。有些设备的振动信号变化非常快,例如旋转机械的故障信号,这些信号的变化速度往往超过了人类的感知速度,使得故障分析工作非常困难[6]。有些设备的振动信号非常微弱,这会造成有效的信号往往被噪声淹没,使得故障分析的工作难度进一步加剧[7]。同时,有些设备的振动信号会受到多种干扰源的影响,例如电磁干扰、温度变化等,这些干扰源使得信号难以被准确地测量和分析[8]。另外,有些设备的振动信号具有非线性特性,例如摩擦故障、碰撞故障等,这些非线性特性使得信号难以被传统的线性分析方法所捕捉[9]。许多学者对矿用设备的振动特性进行了研究。文献[10-12]对采煤机螺旋滚筒建立了有限元模型,结合神经网络模型,分析了结构参数对振动可靠性的影响。文献[13-16]建立了采煤机侧向6个自由度的动力学模型,并采取数值分析的方法,求解了不同煤岩硬度对侧向振动的影响。

对于采矿设备的实际工况中,发生单个振动的情况在实际生产过程中并不常见,实际工况中发生的大多数振动是两个或两个以上的振动的合成[17]。而在分析振动情况和研究振动信号时,通常需要分别分析各个因素对设备产生振动的影响,在振动信号的提取和数据分析方面,需要对在复杂工况下设备的振动信号先进行降噪处理,再对有效的信号或者分析目标进行数据筛选。本文以采煤机摇臂为研究对象,采集摇臂振动信号,将采集得到的摇臂振动信号样本输入到神经网络中进行学习,将学习好参数的神经网络模型应用于输出振动测试结果。通过对摇臂的模拟试验和数据分析,可以研究影响设备振动的变量关系,有效地预判机器故障。

2 摇臂系统振动模型

采煤机摇臂的结构如图1所示。对摇臂的振动微分方程进行分析时,将采煤机的滚筒部件简化成集中质量块,将摇臂部件简化成悬臂梁,受力如图2所示。

图1 采煤机结构示意图

图2 等效转换后摇臂受力分析示意图

悬臂梁的失效形式主要有剪切破坏、弯曲破坏和扭转破坏[18]。本文以矿用设备中的采煤机为例,分析其摇臂部件的横向振动,振动微分方程可表示为

(1)

E为悬臂梁材料的弹性模量,I为摇臂横截面的惯性矩,ω为固有频率,Φn为模态。把响应按照模态进行展开。

(2)

将式(2)代入式(1),可得

(3)

式(3)两边同乘以Φm(x),并沿梁全长进行积分,可得

(4)

利用模态正交性,式(4)可解耦为

(5)

假设在时间t=0时的初始条件为

(6)

对于初始条件式(6),也通过式(2)进行展开,即

(7)

(8)

根据上式等号两边同乘以ρAΦn(x),ρ为材料的密度,A为横截面积。并沿杆长度对x进行积分,利用模态正交性可得

(9)

(10)

与直杆的纵向振动类似,式(5)的解可以表示为

(11)

在此基础上,如果考虑梁的阻尼影响,式(5)可以重新表示为

(12)

式中,ζn表示第n阶模态的阻尼比。

假设激励力为作用在梁x=x0处的集中力f(t),则广义模态力为

(13)

首先引入状态向量y,

(14)

取前N阶模态进行计算,则式(12)可表示为

(15)

假设要输出的是在梁上x=xs点的位移响应,由式(2)可知:

(16)

3 振动信号的采集与预处理

3.1 振动信号采集的模拟实验装置

为了采集摇臂横向振动模型的振动信号,建立振动信号的样本集,通过神经网络算法,将摇臂的振动信号输入层与输出层构建一定的输入、输出的函数关系,开展摇臂模态试验,设计了以钢板代替摇臂的实验台,用夹持机构夹紧钢板的一端,在钢板的末端安装激振器,测试实验台如图3所示,以模拟采煤机滚筒的截割激励;同时在钢板末端安装压电式加速度传感器来采集钢板的振动信号,将传感器采集到的振动信号传输到输入层。

图3 摇臂振动测试实验台

3.2 振动信号的采集

为给摇臂振动系统采集充分的数据样本,通过改变钢板的长度及激励力的大小来获取不同的振动信号。通过将采集的振动信号处理成机器学习的样本集,应用神经网络建立振动输入层与输出层之间的函数关系,拟合实际振动发生的情况。图4、图5所示为激励力频率为ω=2 Hz,钢板长度为1 m,抗弯强度EI=36 N/m,模态阻尼比为0.01,通过状态空间法分析激励力分别为1 N、2 N作用下的时域响应。同样,可以跟换钢板的长度、改变激励力频率等方式获取不同工况下摇臂的工作状态;图6、图7所示为激励力频率为ω=2 Hz,钢板长度为2 m,抗弯强度EI=36 N/m,模态阻尼比为0.01,通过状态空间法分析激励力分别为1 N、2 N作用下的时域响应。通过模态进行计算时,即可获得足够的计算精度。

图4 激励力=1 N、L=1 m时振动信号

图5 激励力=2 N、L=1 m时振动信号

图6 激励力=1 N、L=2 m时振动信号

图7 激励力=2 N、L=2 m时振动信号

4 振动信号的数据分析

将实验中采集到的不同振源产生的振动信号建立样本集。输入到神经网络进行学习,通过拟合曲线不断迭代修正,建立输入变量与输出之间的函数关系。相当于产生了一个近似函数来拟合输入层中的每一组实验数据。拟合函数计算得出的输出值越接近实验中的测量值,说明网络模型分析的数据越接近实际情况[19]。在Python扩展库中实现了多种线性回归和非线性回归的模块,scipy和statsmodelds扩展库中也有实现了多种回归分析的模块[20]。应用numpy扩展库的多项式拟合函数,也可以完成回归分析的模型参数估计的工作。为验证权重值的取值误差,选取2组实验实测输出信号与神经网络推算的输出结果进行比较,比较结果如图8、图9所示。

图8 激励力=1 N、L=1 m时实测信号与计算数据对比

图9 激励力=1 N、L=2 m时实测信号与计算数据对比

图8所示为应用scipy.stats.linregress()处理一维数据的最小二乘回归,模型返回模型系数。Scipy.stats.linregress()函数提供了一个简单的接口,可以方便地进行线性回归分析,只需要提供数据和参数即可。Scipy.stats.linregress()函数采用了高效的数值计算方法,可以快速地进行回归分析,并且可以处理大规模的数据集,可以用于多种不同的线性回归模型,用户可以根据需要选择合适的模型,提供丰富的功能,包括计算回归方程、回归系数的标准误差等,可以帮助用户深入分析回归结果。在数据应用方面,Scipy.stats.linregress()函数可以用于预测分析,预测因变量的值,帮助用户进行决策;可以评估各个自变量对因变量的影响程度,帮助用户选择最有价值的自变量;可以检测数据集中是否存在异常值,帮助用户提高数据质量。

图9所示为应用numpy.linalg.lstsq()获得拟合函数,Numpy.linalg.lstsq()是Python中用于求解线性最小二乘法问题的库函数。只需要提供数据和参数可以快速地进行回归分析,并且可以处理大规模的数据集,包括简单线性回归、多元线性回归等,用户可以根据需要选择合适的模型,得到的回归系数具有较高的精度用于预测分析、相关性分析、特征选择及异常值检测等,快速将有效的数据信息分析提供决策支持。

从图8、9看出,选用不同算法拟合的函数在与实测振动信号的对比显示,两种算法建立的模型有一定的参考依据。卷积神经网络算法用于采煤机摇臂振动信号的数据采集、分析与处理,建立的算法模型有效地拟合了实验采集的振动信号样本,可用于振动信号的模态分析及预测、影响振动的参数变量与输出信号的相关性、特征选择及异常值检测。

5 结论

矿用设备除了设备工作环境复杂,振动和故障分析工作面临着多种挑战。本文对矿用设备振动信号的数据分析,得出以下结论。

(1)根据矿用设备实际工况中复杂的工作特性,设计了模拟采煤机摇臂振动信号的实验台;实验采集了摇臂在各种工况下的振动信号,建立了摇臂横向振动数据分析的网络模型,可以自动地分析处理输入数据的特征,有效地提取采煤机摇臂振动信号中的有效数据,与输出信号建立函数关系拟合实测信号。

(2)通过对摇臂振动响应的数据采集与模态分析,应用不同的算法对比,在一定误差范围内拟合了摇臂横向振动模型。建立的神经网络可以扩展到多层结构,从而处理更加复杂的振动信号;同时卷积层和池化层可以学习到摇臂振动输入信号的空间特征和特征变换,从而可以解释网络的输出结果,有利于分析和理解采煤机摇臂振动信号的参数变量之间的函数关系。

(3)通过神经网络可以自动进行特征提取和数据分类,无需人工干预,从而大大减少人工分析的工作量和误差,为矿用设备工作状态监测与故障预判提供数据依据。