基于物联网的煤矿井下机电设备状态智能监测

张福胜,张 扬,薛志胜,彭 驰

(山西朔州山阴金海洋水泉煤业有限公司,山西 朔州 036002)

0 引言

作为煤矿井下的基础设施,如果机电设备发生问题就会导致重大的人员伤亡和不可挽回的损失,所以机电设备的状态监测一直是相关工作人员的重点关注领域[1]。随着科学技术的不断提高,人们对煤矿井下机电设备的状态监测方法提出了更高的要求,不仅要求响应时间短,还要求其具有良好的监测效果,其中的关键就是对煤矿井下机电设备状态监测技术做出升级和改进[2]。由实验证明和理论依据可知,研究煤矿井下机电设备的状态监测方法具有重要意义。

郭镇江等[3]首先构建基于射频识别-无线通信模型的煤矿井下机电设备监测模型,然后根据模型原理建立机电设备运行信息采集架构,实现信号的采集,最后将采集的信号输入到机电设备监测模型中,完成煤矿井下机电设备的智能监测。但该方法没有剔除煤矿井下机电设备信号中的噪声,导致监测效果差。郁杰等[4]首先利用EMD-ICA技术采集煤矿井下机电设备的运行信号,然后利用频域-时域提取信号中的特征,最后构建神经网络模型,将提取的特征输入到模型中完成煤矿井下机电设备状态的智能监测。但该方法没有去除信号中的噪声,导致监测效果较差。邓科等[5]首先利用先进的5G技术获取煤矿井下机电设备的终端运行数据,然后引入平均值、方差和偏离程度3种比较指标,最后通过采集数据与原始数据的比较,完成煤矿井下机电设备状态的智能监测。但该方法没有提取煤矿井下机电设备运行信号的特征,导致响应时间较长。

为了解决上述方法中存在的问题,本文提出了基于物联网技术的煤矿井下机电设备状态智能监测方法。

1 信号采集与预处理

1.1 物联网下的信号采集器设计

数据采集器是一种计算机扩展卡,其主要功能是数据采集(DAQ)。物联网采用的采集器的型号为AMPCI-9102板,将该板插入具有PCI插槽的计算机或工控机,这样就构成对模拟量和数字量电压的信号采集、模拟量和数字量电压的信号输出、监视输入以及定时计数系统。

对于AMPCI-9102的全部读取和写入都是16 bit,也就是D00～D15,在读取和写入82C54时,仅D00～D07是有用的,A/D转换数据1次读入为B00～B11。

在煤矿井下机电设备的运行过程中,采用传感器采集机电设备的信号。设采集时刻为t,并将传感器采集表达序列定义为A,表达式为

(1)

式中:l为物联网传感器采集总时刻;k为传感器采集表达序列的维度。

使用物联网传感器表达序列中的前l个时刻的信息,可以得到目标传感器采集的煤矿井下机电设备运行状态的信号B,表达式为

B={At-l,…,At,At+1}

(2)

1.2 降噪算法设计

由于煤矿井下机电设备在运行过程中难免受到噪声干扰,为了提高信号质量,基于物联网技术的设备智能监测方法采用局域波分解技术剔除信号中的噪声[6]。采用局域波分解法将t时刻信号瞬时频率分解,信号的原始序列表达式为

(3)

式中:sn为趋势项;di为第i个基本模式分量;n为趋势项总个数。

在煤矿井下机电设备运行信号中提取出极小值Bmin(t)与极大值Bmax(t),并采用插值法[7]计算出极小值点与极大值点形成的网络包络以及包络的整体均值,公式为

(4)

式中:gmin(t)、gmax(t)为以极小值点与极大值点为边界构成的网络包络;h(t)为网络包络的整体均值。

噪声信号与其余信号之间的相关性[8]为0,计算出信号的基本模式分量之间的关联指数,将关联指数最小的信号分解,完成煤矿井下机电设备信号的降噪。公式为

(5)

式中:S为关联指数;α为基本模式分量的一般系数。

1.3 信号特征提取器与软件算法设计

针对降噪后的煤矿井下机电设备信号,基于物联网技术的智能监测方法采用离散傅里叶变换法提取出信号的特征[9],具体步骤如下:

a.剔除噪声后的煤矿井下机电设备信号满足狄利克雷函数模式[10],可以进一步计算出信号的周期,公式为

(6)

式中:U为信号周期;t为采集时刻;β0为周期信号中的直流分量;B为机电设备运行状态的信号;o为信号的幅值;f0为信号基频;χo为谐波频率;l为物联网传感器采集总时刻;e为时间的积分。

b.由式(6)可知,当煤矿井下机电设备运行信号满足狄利克雷函数时,信号周期可以转换成包含基频信号与信频信号的复合信号,公式为

(7)

式中:U(h)为复合信号;F为离散傅里叶变换;c为自然对数;I为等间隔信号分布点个数。

c.根据得到的复合信号,将煤矿井下机电设备信号划分成工频幅值C与相位系数δ[11],公式为

(8)

式中:po、qo分别为信号周期的一次项与二次项。

d.根据式(8)得到的工频幅值与相位系数可知,当相位系数正负不一致时,煤矿井下机电设备的信号相位系数也存在一定差异。根据不同相位系数与工频幅值,实现信号的特征提取,公式为

(9)

式中:δ′为煤矿井下机电设备信号的相位系数;b为提取的信号特征。

2 基于支持向量机的智能监测控制器与算法设计

物联网下的智能监控控制器是整个硬件的核心,主要通过各种传感器完成,通过调理电路,进入上文的采集与提取系统,核心部分通过ARM主控板完成设计。具体如图1所示。

图1 控制器设计

基于物联网技术的煤矿井下机电设备状态智能监测方法,采用支持向量机实现机电一体化信号的自动监测。具体步骤如下:

a.将提取的信号特征作为训练样本,输入到支持向量机中,获取线性回归函数,该函数可以作为样本的内积函数[12],对其求解,公式为

(10)

式中:H为线性回归函数;v为回归分子;a、b均为提取的煤矿井下机电设备信号的特征;R为函数极值;D为惩罚因子;T为二次损失函数;aj为第j个信号特征。

b.引入不敏感损失函数将式(10)更新,目的是保证输入的所有样本点均落在带状区域[13]中,并在其中投入约束条件,如式(11)所示。

(11)

式中:ε为约束条件;R(v)′为更新后的函数极值;m为信号特征的个数。

c.在带状区域内,将约束条件转化成求解最大化二次型的参数过程,得到煤矿井下机电设备信号特征的预测函数,公式为

(12)

式中:R(·)为径向基函数;z1、z2分别为最大化二次型参数;G为预测函数。

d.针对支持向量机在自动化控制中存在的非线性趋势,引入核函数来消除内积函数,使信号从低维空间映射[14]到高维空间,映射后的函数极值R*与预测函数G*为

(13)

式中:K为引入的核函数。

e.设支持向量机的输出采样时间间隔为φ,则可以得到煤矿井下机电设备信号的输出信号序列为

t(0),t(φ),…,t(jφ),…,t[(m-1)φ]

(14)

式中:t为采集时刻。

f.输出序列作为煤矿井下机电设备信号下一步的输入序列,二者之间存在一定的关联关系W[15]。当支持向量机训练结束后,得到的第1步监测值为

(15)

g.第2步监测公式如式(16)所示。以此类推,实现煤矿井下机电设备状态的多步自动监测,完成煤矿井下机电设备状态的智能监测。

tm+2=W(tm+1,tm,tm-1,…,t-m+2)

(16)

3 实验与分析

为了验证基于物联网技术的煤矿井下机电设备状态智能监测方法的整体有效性,需要对其做相关测试。将实时监测效果(功能测试)与响应速度(性能测试)作为评价指标,采用本文方法、文献[3]方法、文献[4]方法和文献[5]方法完成测试。

3.1 实时监测效果

自主开发并搭建智能监测模拟系统,为各方法的智能监测测试提供硬件基础,智能监测系统硬件设备如图2所示。

图2 智能监测系统硬件设备

利用振动传感器采集图2a煤矿井下机电设备的振动信号,然后启动中心网关接入服务器,登入监测系统客户端得到信号的监测状态。分别采用本文方法、文献[3]方法和文献[4]方法监测该煤矿井下机电设备,对比各方法监测的信号波形与实际信号波形。波形越相近,表明方法的实时监测效果越好;波形相差越大,表明方法的实时监测效果越差。不同方法下监测波形的测试结果如图3所示。

图3 不同方法下的监测波形

分析图3可知,针对煤矿井下机电设备状态的智能监测,本文方法监测的信号波形与实际波形基本一致;文献[3]方法与文献[4]方法监测的波形与实际波形相差较大,说明本文方法的实时监测效果强于文献[3]方法与文献[4]方法的实时监测效果。这是因为本文方法在监测前,采用了基于物联网技术的传感器采集煤矿机电设备的振动信号,并通过局域波分解技术剔除信号中的噪声,避免噪声对智能监测结果产生影响,提高了实时监测效果。

3.2 响应时间

在上述实验的基础上,记录不同方法的监测响应时间并对比,响应时间越长,表明方法的效率越低;响应时间越短,表明方法的效率越高。不同方法的响应时间如表1所示。

表1 不同方法的响应时间

分析表1可知,针对煤矿井下机电设备状态的智能监测,本文方法的响应时间在15 s附近波动;文献[3]方法与文献[5]方法的响应时间分别在35 s和55 s附近波动。在不同实验序号下,本文方法的响应时间均低于文献[3]方法与文献[5]方法的响应时间,说明本文方法的监测效率高于文献[3]方法与文献[5]方法的监测效率。

4 结束语

目前,煤矿井下机电设备状态智能监测方法存在监测效果差、响应时间长等问题。为此,本文提出基于物联网技术的煤矿井下机电设备状态智能监测方法。该方法首先采用物联网中的传感器采集机电设备的振动信号,并用局域波分解法剔除其中的噪声,其次采用离散傅里叶变化算法提取信号的特征,最后将信号特征输入到支持向量机中,完成煤矿井下机电设备状态的智能监测。实验表明,该方法提高了实时监测效果的同时,一定程度上也降低了方法的响应时间。