選煤廠(chǎng)振動(dòng)篩運(yùn)行狀態(tài)監(jiān)測(cè)及故障診斷研究

＊王喜升

（中煤信息技術(shù)（北京）有限公司 北京 100120）

引言

振動(dòng)篩是洗煤廠(chǎng)完成原煤洗選的核心設(shè)備，由于振動(dòng)篩偏心旋轉(zhuǎn)，因此受到的承載力非常復(fù)雜[1]。另外，振動(dòng)篩的工作環(huán)境整體較差，受溫度高、濕度大、超負(fù)荷工作等因素影響，容易發(fā)生殼體開(kāi)裂、軸承損壞、橫梁斷裂、彈簧斷裂等故障。當(dāng)選煤廠(chǎng)在洗選過(guò)程中出現(xiàn)任何設(shè)備故障時(shí)，都會(huì)制約選煤廠(chǎng)的正常生產(chǎn)，因此加強(qiáng)設(shè)備的運(yùn)行狀態(tài)監(jiān)測(cè)和故障診斷對(duì)提高選煤廠(chǎng)[2]的生產(chǎn)效率具有重要意義。

振動(dòng)篩狀態(tài)監(jiān)測(cè)和故障診斷常用基于信號(hào)處理分析和基于模式識(shí)別的方法[3]，目前取得了較大的成果，但在環(huán)境噪聲強(qiáng)及其他振動(dòng)源干擾的情況下，仍有一定的局限性[4]。本文提出了一種基于長(zhǎng)短期記憶網(wǎng)絡(luò)（Long and Short-term Memory Network，LSTM）算法的故障診斷模型，該模型通過(guò)對(duì)振動(dòng)篩數(shù)據(jù)輸入、輸出和記憶量的控制對(duì)信息進(jìn)行保留和舍棄，充分挖掘和提取振動(dòng)篩運(yùn)行過(guò)程中內(nèi)部時(shí)序關(guān)聯(lián)特征，提高模型的抗干擾能力和預(yù)測(cè)診斷精度。

1.振動(dòng)篩簡(jiǎn)紹

(1)振動(dòng)篩組成分析

振動(dòng)篩是選煤廠(chǎng)篩分設(shè)備，在原煤預(yù)先分級(jí)、原煤分級(jí)、塊煤脫泥、精煤脫介、洗混中塊分級(jí)等工藝環(huán)節(jié)發(fā)揮重要作用。設(shè)備在振動(dòng)的帶孔篩板上輸送材料，使尺寸小于篩孔的煤塊穿過(guò)篩板落下，尺寸大于篩孔不能通過(guò)篩板落下的煤塊，繼續(xù)輸送，直到它從篩板端部排出。振動(dòng)篩由激振器、驅(qū)動(dòng)裝置和驅(qū)動(dòng)軸、篩體、支撐部件等組成。

激振器固定在激振梁上，主要給振動(dòng)篩提供穩(wěn)定的激振力，用于篩分物料，萬(wàn)向聯(lián)軸器將驅(qū)動(dòng)電機(jī)的動(dòng)力傳遞給激振器。按能量轉(zhuǎn)換方式和傳動(dòng)原理方式的不同，常見(jiàn)的激振器包括電磁式激振器、慣性式激振器、電動(dòng)式激振器等。

驅(qū)動(dòng)裝置和驅(qū)動(dòng)軸主要是動(dòng)力源和動(dòng)力傳輸，主要由電機(jī)、支撐架、橡膠帶聯(lián)軸器組成。支撐架作用是把電機(jī)穩(wěn)定地固定在地面上，橡膠帶聯(lián)軸器由膠帶和兩個(gè)半聯(lián)軸器組成，帶聯(lián)軸器的一端與電機(jī)輸出軸連接，另一端與激振器的長(zhǎng)軸連接。

篩體主要作用是篩分物料，在激振器和物料沖擊作用下振動(dòng)，篩體也是振動(dòng)篩在生產(chǎn)過(guò)程中較容易磨損和破壞的部件。

支撐部件能夠支撐起物料和振動(dòng)篩的全部重量，振動(dòng)篩篩體在篩分過(guò)程中，支持部件能夠很好的吸收振動(dòng)能量，避免受其他因素影響，導(dǎo)致振動(dòng)篩篩體在篩分過(guò)程中產(chǎn)生共振。

(2)振動(dòng)篩異常分析

選煤廠(chǎng)振動(dòng)篩在非常繁重條件下進(jìn)行運(yùn)行，每天的受力運(yùn)行周期超過(guò)百萬(wàn)次，物料的輸送過(guò)程中經(jīng)常具有磨損或腐蝕性，一個(gè)小的問(wèn)題，如果忽視，則會(huì)引起較大的結(jié)構(gòu)上的損壞，結(jié)構(gòu)損壞輕則影響生產(chǎn)，嚴(yán)重會(huì)引發(fā)安全事故。以311原煤分級(jí)篩為例，其處理能力是1000t/h，故障耽誤1h，將影響1000t原煤處理。為避免振動(dòng)篩長(zhǎng)期運(yùn)行在異常狀態(tài)進(jìn)而發(fā)生故障，對(duì)振動(dòng)篩常見(jiàn)異常分析很重要，查閱相關(guān)文獻(xiàn)結(jié)合現(xiàn)場(chǎng)調(diào)研[5]，從以下四個(gè)方面分析振動(dòng)篩的常見(jiàn)異常狀態(tài)。

激振器常見(jiàn)異常狀態(tài)有：機(jī)殼中的潤(rùn)滑油污染現(xiàn)象；激振器運(yùn)行時(shí)有噪音；緊固螺栓松動(dòng)；激振器出現(xiàn)過(guò)高工作溫度。

驅(qū)動(dòng)裝置和驅(qū)動(dòng)軸常見(jiàn)異常狀態(tài)有：驅(qū)動(dòng)裝置、軸的緊固件松動(dòng)；電動(dòng)機(jī)軸承噪音；電動(dòng)機(jī)軸承出現(xiàn)過(guò)高工作溫度；驅(qū)動(dòng)軸和中間軸的橡膠聯(lián)接件破裂；驅(qū)動(dòng)軸和中間軸的花鍵潤(rùn)滑不良；副軸軸承潤(rùn)滑不良。

篩體常見(jiàn)異常狀態(tài)有：底料不能均勻地散布在全寬范圍篩板上；螺栓或部件松動(dòng)；側(cè)板和激振器梁及橫梁破裂損壞，在篩體和固定的料斗之間相互妨礙；料槽和組裝梁之間相互妨礙；篩子襯件堆積材料；篩子襯件磨損或破裂；篩子襯件螺栓松動(dòng)或損壞。

支承部件常見(jiàn)異常狀態(tài)有：彈簧圈周?chē)胁牧暇奂粡椈稍诤Y子各側(cè)壓縮不均勻；彈簧損壞；彈簧固定件過(guò)分磨損。

2.運(yùn)行狀態(tài)監(jiān)測(cè)

(1)震動(dòng)傳感器布置

在工業(yè)應(yīng)用領(lǐng)域，振動(dòng)信號(hào)數(shù)據(jù)是非常重要的，由振動(dòng)傳感器測(cè)得，按測(cè)試振動(dòng)參量主要分為三類(lèi)，分別是位移傳感器、速度傳感器和加速度傳感器。振動(dòng)傳感器的選型、測(cè)點(diǎn)位置和測(cè)點(diǎn)方向的選擇是至關(guān)重要的，決定了后續(xù)設(shè)備運(yùn)行狀態(tài)和故障診斷的準(zhǔn)確性。一般情況下，位移傳感器用于低頻振動(dòng)信號(hào)的測(cè)量，速度傳感器用于中頻振動(dòng)信號(hào)的測(cè)量，加速度傳感器用于中高頻振動(dòng)信號(hào)的測(cè)量。本文以311原煤分級(jí)篩為例，在對(duì)其進(jìn)行結(jié)構(gòu)和力學(xué)性能分析的基礎(chǔ)上，綜合考慮其他影響因素[6]：不影響振動(dòng)篩的正常運(yùn)行、最大程度地反映設(shè)備的振動(dòng)特性、最易磨損和發(fā)生故障的位置等。

根據(jù)上述振動(dòng)傳感器選擇和安裝布置原則，結(jié)合振動(dòng)篩生產(chǎn)運(yùn)行過(guò)程中的振動(dòng)特點(diǎn)，確定311原煤分級(jí)篩的易損點(diǎn)位置共5處：電機(jī)驅(qū)動(dòng)端、固定軸承座、浮動(dòng)軸承座、激振器A主動(dòng)軸前端垂直、激振器B主動(dòng)軸前端垂直。能夠完整真實(shí)地反映311原煤分級(jí)篩的運(yùn)行狀態(tài)，詳細(xì)的振動(dòng)篩振動(dòng)測(cè)點(diǎn)位置見(jiàn)圖1。震動(dòng)傳感器詳細(xì)信息見(jiàn)表1。

圖1 振動(dòng)傳感器安裝位置圖

表1 震動(dòng)傳感器信息表

(2)指標(biāo)系統(tǒng)構(gòu)建

311原煤分級(jí)篩運(yùn)行狀態(tài)特征指標(biāo)的客觀分析與指標(biāo)體系的科學(xué)建立是設(shè)備運(yùn)行狀態(tài)監(jiān)測(cè)和故障診斷的前提[7]。振動(dòng)篩是運(yùn)行狀態(tài)分析的對(duì)象，指標(biāo)體系是反映設(shè)備運(yùn)行狀態(tài)的信息載體，構(gòu)建指標(biāo)體系應(yīng)遵循指標(biāo)選取原則和指標(biāo)體系層次原則。指標(biāo)選取原則具體包括目的性原則、全面性原則、可行性原則、穩(wěn)定性原則和協(xié)調(diào)性原則。

基于上述原則，融合設(shè)備大量多維度可采集數(shù)據(jù)構(gòu)建振動(dòng)篩運(yùn)行狀態(tài)監(jiān)測(cè)指標(biāo)體系，分為振動(dòng)指標(biāo)和其他指標(biāo)。振動(dòng)信號(hào)是振動(dòng)篩運(yùn)行特性的重要信息載體，但原始數(shù)據(jù)無(wú)法直接使用，需要對(duì)其進(jìn)行時(shí)域和頻域分析，提取有價(jià)值的特征指標(biāo)，由于無(wú)量綱因子受工況影響小且對(duì)振動(dòng)數(shù)據(jù)變化敏感，本研究使用無(wú)量綱因子。還包括其它反映振動(dòng)篩運(yùn)行狀態(tài)的緩變信號(hào)，可直接作為設(shè)備運(yùn)行狀態(tài)的判斷指標(biāo)，也可以計(jì)算特征指標(biāo)。以311原煤分級(jí)篩為例，具體指標(biāo)體系見(jiàn)表2。

表2 運(yùn)行狀態(tài)監(jiān)測(cè)指標(biāo)體系

(3)異常狀態(tài)監(jiān)測(cè)

異常狀態(tài)監(jiān)測(cè)實(shí)質(zhì)是異常點(diǎn)檢測(cè)，目的是找出與預(yù)期對(duì)象的行為差異較大的對(duì)象。振動(dòng)篩運(yùn)行過(guò)程中，可以通過(guò)傳感器采集的數(shù)據(jù)信息來(lái)刻畫(huà)，即振動(dòng)篩各部件的異常表現(xiàn)采集傳感器數(shù)據(jù)監(jiān)測(cè)指標(biāo)的異常[8]。異常狀態(tài)監(jiān)測(cè)主要關(guān)注某個(gè)監(jiān)測(cè)指標(biāo)某個(gè)時(shí)刻表現(xiàn)出的異常，涉及點(diǎn)異常識(shí)別。

點(diǎn)異常識(shí)別方法有基于統(tǒng)計(jì)的方法、基于平滑的方法和其它方法?；诮y(tǒng)計(jì)的方法是假設(shè)數(shù)據(jù)集D服從某一概率分布，然后對(duì)該模型進(jìn)行不一致性檢驗(yàn)，從而判斷出異常點(diǎn)?；谄交姆椒ㄊ怯稍夹蛄薪⒁粋€(gè)新的平滑序列，對(duì)比兩者間的差異來(lái)判斷原序列數(shù)據(jù)的異常點(diǎn)。其他方法包括基于距離的異常監(jiān)測(cè)方法、基于矩陣分解和PCA降維方法、基于樹(shù)結(jié)構(gòu)方法、基于圖結(jié)構(gòu)方法。本文選擇超閾值法和3σ模型法對(duì)運(yùn)行采集數(shù)據(jù)指標(biāo)進(jìn)行異常運(yùn)行狀態(tài)識(shí)別[9]。

超閾值異常監(jiān)測(cè)法，設(shè)定各個(gè)級(jí)別的異常報(bào)警閾值，當(dāng)指標(biāo)數(shù)值大于上限閾值或者小于下限閾值時(shí)記錄異常信息。閾值限值確定依據(jù)行業(yè)標(biāo)準(zhǔn)、現(xiàn)場(chǎng)經(jīng)驗(yàn)、統(tǒng)計(jì)分析等。

3σ模型異常監(jiān)測(cè)法，采用波動(dòng)率指標(biāo)將數(shù)值轉(zhuǎn)換為無(wú)量綱量，波動(dòng)率刻畫(huà)了采集指標(biāo)數(shù)據(jù)的穩(wěn)定狀態(tài)，設(shè)備運(yùn)行穩(wěn)定，波動(dòng)率較小，設(shè)備運(yùn)行異?；蚬收蠒r(shí)，波動(dòng)率較大且變化頻繁。波動(dòng)率計(jì)算方式見(jiàn)式1，以天為計(jì)算周期計(jì)算一周內(nèi)波動(dòng)率的平均值μ和方差σ，波動(dòng)率在(μ-σ，μ+σ)中的概率是0.68，在(μ-2σ,μ+2σ)中的概率是0.95，(μ-3σ,μ+3σ)中的概率是0.99，根據(jù)分布區(qū)間設(shè)定異常報(bào)警閾值。式中：V表示指標(biāo)數(shù)值的波動(dòng)率；Yt表示t時(shí)刻指標(biāo)數(shù)值的實(shí)時(shí)值；Yt1?表示t-1指標(biāo)數(shù)值的實(shí)時(shí)值。

3.基于LSTM算法的故障診斷模型

(1)1LSTM算法

LSTM模型是遞歸神經(jīng)網(wǎng)絡(luò)的一種，LSTM的網(wǎng)絡(luò)結(jié)構(gòu)成功解決RNN在現(xiàn)實(shí)應(yīng)用中經(jīng)常遇到的兩個(gè)問(wèn)題：即梯度消失和梯度爆炸。它具有一個(gè)特殊的結(jié)構(gòu)，在RNN單元中新增門(mén)的概念，能夠在較長(zhǎng)時(shí)間內(nèi)處理序列的相關(guān)問(wèn)題，控制序列中的遠(yuǎn)程依賴(lài)關(guān)系。在實(shí)際應(yīng)用中，LSTM算法對(duì)振動(dòng)篩時(shí)序數(shù)據(jù)具有很好的處理能力，可以解決長(zhǎng)記憶的問(wèn)題，充分提取時(shí)序數(shù)據(jù)中的時(shí)序特征，通過(guò)門(mén)結(jié)構(gòu)加強(qiáng)了模型的泛化能力，更大程度地適用于選煤廠(chǎng)環(huán)境下振動(dòng)篩的故障診斷，其具體結(jié)構(gòu)如圖2所示。

圖2 LSTM網(wǎng)絡(luò)結(jié)構(gòu)

②計(jì)算輸入門(mén)it。輸入門(mén)選擇性地把重要信息保存在tc中，且決定了當(dāng)前存儲(chǔ)信息的重要程度。

③計(jì)算遺忘門(mén)ft。遺忘門(mén)決定了ct需要丟棄的信息，將重要信息保留下來(lái)。

④記憶單元ct。ct是由輸入門(mén)和遺忘門(mén)共同決定的。

⑤計(jì)算輸出門(mén)ot。輸出門(mén)決定從ct輸出的狀態(tài)信息。

⑥輸出單元記憶ht的值。

在LSTM模型的傳導(dǎo)機(jī)制中，會(huì)根據(jù)損失函數(shù)最小化，不斷優(yōu)化權(quán)重矩陣和偏置項(xiàng)。相比于傳統(tǒng)的時(shí)間序列RNN模型，LSTM在構(gòu)造上比RNN多了多條傳導(dǎo)路徑，結(jié)構(gòu)也顯得更加復(fù)雜，但更科學(xué)地處理了由RNN所產(chǎn)生的梯度爆炸與梯度消失等問(wèn)題。

(2)建立LSTM故障診斷模型

本文設(shè)計(jì)了基于LSTM算法的故障診斷模型，包括：數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、特征提取、訓(xùn)練集準(zhǔn)備、模型訓(xùn)練、參數(shù)調(diào)整等過(guò)程。具體流程見(jiàn)圖3。

圖3 基于LSTM的故障診斷模型訓(xùn)練流程圖

①原煤分級(jí)篩數(shù)據(jù)采集。使傳感器等設(shè)備采集振動(dòng)篩的振動(dòng)、電流、電壓、功率、頻率、溫度、轉(zhuǎn)矩、轉(zhuǎn)速、潤(rùn)滑溫度等數(shù)據(jù)，存儲(chǔ)在歷史數(shù)據(jù)庫(kù)中。

②數(shù)據(jù)預(yù)處理。對(duì)采集的原始數(shù)據(jù)進(jìn)行預(yù)處理，包括數(shù)據(jù)缺失處理、異常數(shù)據(jù)剔除、數(shù)據(jù)降噪處理和歸一化處理，方便數(shù)據(jù)特征提取和指標(biāo)加工。

③特征提取。對(duì)時(shí)序數(shù)據(jù)進(jìn)行時(shí)域、頻域分析，計(jì)算振動(dòng)信號(hào)的無(wú)量綱指標(biāo)奇異譜熵、功率譜熵、相似性因子、峭度因子、重復(fù)性因子和波形裕度，計(jì)算電流、電壓、功率、頻率、溫度、轉(zhuǎn)矩、轉(zhuǎn)速、潤(rùn)滑溫度的波動(dòng)率及部分指標(biāo)的滑動(dòng)平均值。

④訓(xùn)練集準(zhǔn)備。收集設(shè)備運(yùn)行歷史記錄，異常和故障類(lèi)型做標(biāo)簽，劃分測(cè)試集和訓(xùn)練集。

⑤模型訓(xùn)練。模型訓(xùn)練是整個(gè)流程最重要的環(huán)節(jié)，將訓(xùn)練集數(shù)據(jù)帶入LSTM網(wǎng)絡(luò)，循環(huán)代入數(shù)據(jù)直到滿(mǎn)足停止迭代的條件，得到訓(xùn)練好的故障診斷模型。

(3)模型驗(yàn)證

在測(cè)試集上驗(yàn)證模型準(zhǔn)確率，故障診斷模型的預(yù)測(cè)結(jié)果與實(shí)際結(jié)果比較，本文采用均方根誤差RMSE對(duì)故障診斷模型準(zhǔn)確率進(jìn)行評(píng)估，RMSE越小表示模型準(zhǔn)確率越高，RMSE可用下式表示：

式中：yi表示i時(shí)刻的預(yù)測(cè)值；表示i時(shí)刻的真實(shí)值；N表示測(cè)試集樣本總數(shù)。

帶入計(jì)算TMSE為3.56%，模型有較好的精度和良好的適用性。

4.示范應(yīng)用

大海則煤礦選煤廠(chǎng)設(shè)備運(yùn)行狀態(tài)監(jiān)測(cè)與故障診斷系統(tǒng)運(yùn)行期間，系統(tǒng)實(shí)時(shí)監(jiān)測(cè)設(shè)備的運(yùn)行狀態(tài)，報(bào)警功能包括：閾值報(bào)警、窄帶報(bào)警、頻段報(bào)警、包絡(luò)值報(bào)警、無(wú)量綱報(bào)警和統(tǒng)計(jì)量報(bào)警，及時(shí)提醒運(yùn)維人員關(guān)注設(shè)備運(yùn)行狀態(tài)，及時(shí)處理問(wèn)題，有效避免設(shè)備長(zhǎng)時(shí)間異常狀態(tài)下運(yùn)行引發(fā)故障。311原煤分級(jí)篩運(yùn)行狀態(tài)監(jiān)測(cè)見(jiàn)圖4。

圖4 311原煤分級(jí)篩運(yùn)行狀態(tài)

基于LSTM的故障診斷模型應(yīng)用在大海則煤礦選煤廠(chǎng)設(shè)備運(yùn)行狀態(tài)監(jiān)測(cè)與故障診斷系統(tǒng)，以311原煤分級(jí)篩為例，運(yùn)行期間診斷出浮動(dòng)軸承內(nèi)圈故障1次，嚴(yán)重程度為中度；浮動(dòng)軸承滾動(dòng)軸承故障2次，嚴(yán)重程度為輕微。原因可能是：裝配問(wèn)題、潤(rùn)滑不良、過(guò)載或疲勞。建議近期更換軸承。

5.結(jié)論

針對(duì)選煤廠(chǎng)振動(dòng)篩長(zhǎng)期高負(fù)荷運(yùn)行在惡劣環(huán)境中，磨損腐蝕嚴(yán)重，經(jīng)常發(fā)生故障的問(wèn)題，建立振動(dòng)篩運(yùn)行狀態(tài)監(jiān)測(cè)和故障診斷系統(tǒng)，減少故障發(fā)生率，提高運(yùn)維效率。

本文通過(guò)現(xiàn)場(chǎng)調(diào)研和文獻(xiàn)查閱，從4個(gè)方面分析了振動(dòng)篩常見(jiàn)的異常運(yùn)行狀態(tài)，為異常狀態(tài)辨識(shí)和故障診斷研究奠定了基礎(chǔ)。

分析振動(dòng)篩的工作原理，對(duì)主要結(jié)構(gòu)和部件進(jìn)行力學(xué)分析，選擇最易受損和頻繁出故障的位置作為震動(dòng)傳感器安裝位置。

構(gòu)建設(shè)備運(yùn)行狀態(tài)監(jiān)測(cè)指標(biāo)體系，選擇超閾值法和3σ模型法對(duì)設(shè)備異常狀態(tài)進(jìn)行識(shí)別，及時(shí)報(bào)警。訓(xùn)練基于LSTM算法的故障診斷模型，在測(cè)試集驗(yàn)證模型準(zhǔn)確率較高，在大海則選煤廠(chǎng)取得較好的應(yīng)用效果。