罐籠偏載狀態(tài)下滑動(dòng)罐耳與罐道沖擊模式識(shí)別

陳昭君，譚建平，石理想，薛少華，黃天然

(中南大學(xué) 機(jī)電工程學(xué)院，長(zhǎng)沙410083)

罐道導(dǎo)向系統(tǒng)由罐道、罐道梁，罐耳等零部件組成，其作用是限位和導(dǎo)向[1]。罐籠運(yùn)行過程中由于鋼絲繩的擺動(dòng)、罐道故障、物體下落等原因會(huì)造成罐籠與罐道產(chǎn)生沖擊，影響容器的平穩(wěn)運(yùn)行，嚴(yán)重時(shí)會(huì)使容器發(fā)生卡罐、斷繩等安全事故。

罐道故障方面，常見的罐道故障類型包括：連接處螺栓松動(dòng)、錯(cuò)位、凸起、錯(cuò)位、磨損、井筒變形、偏斜失調(diào)等。為及時(shí)發(fā)現(xiàn)罐道故障，蔣玉強(qiáng)[2]開展了基于Laplace小波相關(guān)濾波法和粗糙集-神經(jīng)網(wǎng)絡(luò)模型的罐道沖擊類缺陷診斷研究，朱艷君[3]通過小波變換提取不同故障統(tǒng)計(jì)特征并通過模糊綜合評(píng)判法對(duì)罐道狀態(tài)進(jìn)行評(píng)估。張淼[4]基于小波變換模極大值和經(jīng)驗(yàn)?zāi)B(tài)分解的故障特征提取后通過支持向量機(jī)對(duì)罐道典型故障進(jìn)行識(shí)別。戚曉楠[5]通過建立罐籠動(dòng)力學(xué)模型，對(duì)剛性罐道導(dǎo)向平順性問題進(jìn)行了研究。李愛民[6]通過EMD 分解罐籠的振動(dòng)相應(yīng)信號(hào)，并用小波降噪，再通過SVM識(shí)別信號(hào)中的故障信息。丁雪松[7]通過動(dòng)力學(xué)仿真和模態(tài)分析研究了罐道不同故障激勵(lì)下的振動(dòng)特性，并通過實(shí)驗(yàn)進(jìn)行了驗(yàn)證。但以上分析均是基于罐籠平衡狀態(tài)下針對(duì)滾輪罐耳與罐道沖擊問題的研究，超深礦井提升機(jī)在高速、重載、長(zhǎng)時(shí)間情況下運(yùn)行時(shí)，懸掛油缸會(huì)失效，如果鋼絲繩變形長(zhǎng)度差大于懸掛油缸的最大調(diào)節(jié)范圍或載荷置放不平時(shí)，罐籠會(huì)偏載，滑動(dòng)罐耳與罐道接觸，這種情況下滑動(dòng)罐耳與罐道更容易產(chǎn)生沖擊，加劇卡罐、脫罐、罐道彎曲、傾斜等現(xiàn)象的發(fā)生。且滑動(dòng)罐耳與罐道的沖擊更加具有強(qiáng)噪聲、非周期性、及破壞性強(qiáng)的特點(diǎn)，因此有必要針對(duì)罐籠偏載狀態(tài)時(shí)的滑動(dòng)罐耳與罐道故障沖擊問題進(jìn)行研究。

由于罐道沖擊信號(hào)受速度和載荷的影響具有強(qiáng)噪聲、劇烈沖擊、非線性、非平穩(wěn)性特點(diǎn)，一般的特征提取方法很難發(fā)現(xiàn)故障特征規(guī)律，胡清華[8]構(gòu)造的基于鄰域粗糙集模型的數(shù)值特征屬性選擇算法不僅能對(duì)離散型數(shù)據(jù)與連續(xù)型數(shù)據(jù)進(jìn)行屬性約簡(jiǎn)，還可以發(fā)現(xiàn)一些隱含的特征和潛在的數(shù)學(xué)規(guī)律，對(duì)罐籠偏載狀態(tài)下滑動(dòng)罐耳與罐道沖擊特征的提取有重要借鑒意義。

模式識(shí)別方面，支持向量機(jī)具有小樣本、非線性、高維度、泛化能力強(qiáng)等特點(diǎn)，在實(shí)際工程問題中具有較好的應(yīng)用效果。支持向量機(jī)的分類準(zhǔn)確率取決于核函數(shù)參數(shù)和懲罰參數(shù)，為進(jìn)一步提高分類準(zhǔn)確度，有必要對(duì)多分類支持向量機(jī)核函數(shù)參數(shù)和懲罰參數(shù)進(jìn)行優(yōu)化。目前常用的參數(shù)尋優(yōu)方法有粒子群算法(PSO)、遺傳算法(GA)和螢火蟲算法(FA)。遺傳算法(GA)和粒子群算法(PSO)屬于啟發(fā)式算法，在尋優(yōu)過程易陷入局部最優(yōu)，螢火蟲算法(FA)在迭代初期搜索能力較弱，迭代后期在最優(yōu)解附近產(chǎn)生劇烈振蕩。2009年，Yang[9-10]等基于布谷鳥具有攻擊性的寄生孵育雛鳥方式和萊維飛行特點(diǎn)，提出了一種新型全局優(yōu)化算法——布谷鳥搜索(CS)算法。CS算法具有操作簡(jiǎn)單、全局搜索能力強(qiáng)和搜索速度快的優(yōu)點(diǎn)。

針對(duì)罐籠偏載狀態(tài)下滑動(dòng)罐耳與罐道沖擊模式識(shí)別問題，本文提出一種罐道正常、凸起、錯(cuò)位三種狀態(tài)時(shí)的模式識(shí)別方法。以振動(dòng)信號(hào)小波包分解后各頻帶能量熵、奇異值、標(biāo)準(zhǔn)差、波形指標(biāo)作為原始特征集，通過鄰域粗糙集約簡(jiǎn)，去除不相關(guān)和冗余特征，獲得敏感特征集，并通過布谷鳥搜索算法(CS)優(yōu)化后的支持向量機(jī)模型進(jìn)行模式識(shí)別，對(duì)保障提升系統(tǒng)的安全運(yùn)行、避免重大事故的發(fā)生有著重要意義。

1 罐道沖擊模式識(shí)別原理

偏載狀態(tài)下罐籠滑動(dòng)罐耳與罐道正常、凸起、錯(cuò)位沖擊沖擊模式識(shí)別原理圖如圖1所示。

圖1 罐道沖擊模式識(shí)別原理

罐道故障類型診斷包括特征提取和模式識(shí)別兩部分。特征提取方面，利用加速度振動(dòng)傳感器采集罐籠振動(dòng)信號(hào)，基于小波包分解后的各頻帶信號(hào)能量熵、奇異值、標(biāo)準(zhǔn)差以及波形指標(biāo)作為原始特征集，再通過鄰域粗糙集進(jìn)行屬性約簡(jiǎn)以獲得敏感特征集。模式識(shí)別方面，SVM根據(jù)訓(xùn)練樣本生成分類模型，測(cè)試樣本通過模型匹配實(shí)現(xiàn)對(duì)噪聲的辨識(shí)。為提高模式識(shí)別的準(zhǔn)確率，對(duì)影響SVM辨識(shí)性能的誤差懲罰因子C和核函數(shù)參數(shù)g采用布谷鳥搜索算法(CS)進(jìn)行尋優(yōu)，并通過實(shí)驗(yàn)驗(yàn)證該方法的有效性。

2 特征提取

2.1 小波包能量熵

由于罐籠振動(dòng)信號(hào)具有非線性、非平穩(wěn)特性，僅從信號(hào)時(shí)域、頻域方面分析，難以較好地提取故障特征。小波包變換在非平穩(wěn)信號(hào)處理方面是一種有力的時(shí)頻分析工具，不僅對(duì)可以對(duì)振動(dòng)信號(hào)頻帶進(jìn)行多層次的劃分，還可以將多分辨率分析中忽略的高頻信號(hào)也做同低頻信號(hào)一樣的逐層細(xì)化分解。信息熵能夠反映振動(dòng)信號(hào)出現(xiàn)隨機(jī)變化的程度，信息熵越大信號(hào)在采樣范圍內(nèi)的幅值波動(dòng)越大，反之越趨于平穩(wěn)。為提取罐籠橫向振動(dòng)信號(hào)在罐道正常、凸起、錯(cuò)位三種情況下各頻帶能量比例特征，將罐籠振動(dòng)信號(hào)通過小波包分解后求各頻帶能量熵。

假設(shè)有一隨機(jī)變量X={x1,x2,x3···xn}組成的信號(hào)，信息熵的計(jì)算公式如下[11-12]

式中：H(X)為信息熵測(cè)度，pi為取值概率。

提取罐道故障小波包能量熵特征步驟為：先將罐道三種狀態(tài)下罐籠橫向振動(dòng)信號(hào)進(jìn)行頻譜變換，確定各種故障的頻率大致分布范圍，然后確定小波包分解層數(shù)，最后再對(duì)各頻帶進(jìn)行能量熵計(jì)算。

2.2 奇異值分解

對(duì)振動(dòng)信號(hào)進(jìn)行奇異值分解可以簡(jiǎn)化數(shù)據(jù)，壓縮維度，去除噪聲，保持特征的穩(wěn)定性。罐籠振動(dòng)信號(hào)采集時(shí)，受周圍環(huán)境影響，會(huì)存在很大的噪聲，卻有效的故障特征，因此，對(duì)罐籠罐道正常、凸起、錯(cuò)位三種狀態(tài)下的橫向振動(dòng)數(shù)據(jù)做奇異值分解，提取穩(wěn)定有效的特征，以便于罐道沖擊模式識(shí)別。

假設(shè)矩陣A為R域上的m×n階矩陣，那么存在正交矩陣U和V，使得UTAV=D，其中

公式(2)變換為

則公式(6)即為矩陣A的奇異值分解，其中λ1≥λ2≥…≥λr≥0，表示A的奇異值[13]。

對(duì)罐道3種沖擊信號(hào)進(jìn)行奇異值分解來獲取故障特征的具體步驟如下：1)將罐籠振動(dòng)信號(hào)進(jìn)行小波包分解，獲得不同頻帶信號(hào)；2)將不同頻帶信號(hào)構(gòu)成特征矩陣；3)進(jìn)行奇異值分解；4)根據(jù)奇異值的大小和變化規(guī)律確定故障類型。

2.3 鄰域粗糙集

鄰域粗糙集可以有效地對(duì)不精確、不相對(duì)完整的信息進(jìn)行處理，在處理過程中，可以發(fā)現(xiàn)一些隱含的特征，并能夠發(fā)現(xiàn)潛在的數(shù)學(xué)規(guī)律。受鋼絲繩和運(yùn)行速度影響，罐籠偏運(yùn)行過程中罐道與滑動(dòng)罐耳的碰撞具有隨機(jī)性，罐道正常、凸起、錯(cuò)位3 種狀態(tài)下從表面看各特征沒有什么規(guī)律，通過鄰域粗糙集約簡(jiǎn)后，可獲得有用的決策規(guī)則和有效特征的屬性重要度，為模式識(shí)別提供敏感特征集。鄰域粗糙集的基本概念如下：

定義1：給定論域U={ }x1,x2,…xn，A為實(shí)數(shù)型屬性集合，D為決策屬性集合，則稱NDT=＜U,A,D＞為一鄰域決策系統(tǒng)。

定 義2：針 對(duì) 任 意xi∈U,設(shè) 定δB(xi)={xj|xj∈U,ΔB(xi,xj)≤δ}，其中：Δ為距離函數(shù)；δ為鄰域；B為條件屬性。

定義3：給定鄰域決策系統(tǒng)NDT=＜U,A,D＞，決策屬性D將論域U劃分為N個(gè)等價(jià)類(X1,X2,…XN),對(duì)于任意屬性B?A,定義決策系統(tǒng)的下近似即決策正域?yàn)?/p>

由此可得決策屬性D對(duì)條件屬性B的依賴度為

定義4：給定鄰域決策系統(tǒng)NDT,B?A,對(duì)任意a∈B-A,{a}為屬性a，定義a對(duì)B的重要度為

定義5：給定鄰域決策系統(tǒng)NDT,a∈B?A,稱B是A的一個(gè)約簡(jiǎn)，則B要滿足：任意a∈B,皆有

1）γB-a(D)＜γB(D)；

2）γB(D)=γA(D)。

3 模式識(shí)別

由于現(xiàn)研究的罐籠罐道沖擊類型有正常、凸起、錯(cuò)位三種，二分類支持向量機(jī)難以滿足要求，需要擴(kuò)展到多分類?，F(xiàn)有的方案是將多分類問題轉(zhuǎn)化為多個(gè)二分類問題進(jìn)行解決，包括：“一對(duì)多”、“一對(duì)一”以及“層次多分類法”。“一對(duì)多”支持向量機(jī)泛化能力差，”一對(duì)一”分類精度更高，而層次多分類法難以解決樣本不均勻?qū)е碌淖顑?yōu)分類面的偏移問題。因此，提出用“一對(duì)一”支持向量機(jī)對(duì)罐籠偏載狀態(tài)下滑動(dòng)罐耳與罐道沖擊類型進(jìn)行模式識(shí)別，并通過對(duì)SVM 的懲罰參數(shù)C和核函數(shù)參數(shù)g進(jìn)行尋優(yōu)，提高分類精度，減少算法運(yùn)行時(shí)間。

布谷鳥搜索算法(CS)是一種新型的群智能優(yōu)化算法[9-10]，具有算法參數(shù)少、操作簡(jiǎn)單、易實(shí)現(xiàn)等優(yōu)點(diǎn)。在CS 算法中，將鳥巢中宿主的蛋看成是舊解，將外來布谷鳥的蛋作為新解，其目的是用新的優(yōu)解代替舊的劣解。CS 算法使用隨機(jī)性較強(qiáng)的萊維飛行對(duì)搜索的位置和路徑進(jìn)行更新

式中：xti——第i個(gè)鳥巢在第t代的位置；α——步長(zhǎng)比例調(diào)節(jié)因子，α＞0；L(λ)——服從Levy 分布的隨機(jī)搜索路徑。

基于布谷鳥優(yōu)化SVM參數(shù)流程圖如圖2所示。

4 實(shí)驗(yàn)及分析

4.1 罐道故障數(shù)據(jù)采集

為方便實(shí)驗(yàn)搭建了多繩纏繞式超深礦井提升機(jī)試驗(yàn)系統(tǒng)，提升高度可達(dá)40 m，提升機(jī)為布萊爾提升機(jī)（圖3(a)），罐道為工字型剛性罐道。罐籠向圖3(b)X方向偏載，懸掛油缸失效，滑動(dòng)罐耳恰好與剛性罐道接觸。系統(tǒng)通過西門子PLC編程控制罐籠上下運(yùn)動(dòng),運(yùn)行速度分別設(shè)為0.3 m/s，0.7 m/s，1.1 m/s，1.5 m/s。振動(dòng)傳感器為PCB 三軸加速度傳感器，采集設(shè)備為L(zhǎng)MS SCADAS XS 采集設(shè)備，采樣頻率為12 800 Hz，采樣時(shí)間5 s，振動(dòng)傳感器分布示意圖如圖3(b)所示。

圖2 基于布谷鳥優(yōu)化SVM參數(shù)流程圖

圖3 提升機(jī)結(jié)構(gòu)圖

為模擬罐道凸起、錯(cuò)位2種故障，在兩節(jié)罐道連接處安裝不同規(guī)格、型號(hào)的鋁片，如圖4所示。

圖4 罐道故障模擬圖

罐道無故障、凸起、錯(cuò)位時(shí)4個(gè)速度下的振動(dòng)數(shù)據(jù)分別采集5組，總共60組實(shí)驗(yàn)數(shù)據(jù)，其中每種情況下的任意3組數(shù)據(jù)作為訓(xùn)練樣本，其余2組作為測(cè)試樣本，訓(xùn)練集和測(cè)試集分別為36 組和24 組，實(shí)驗(yàn)數(shù)據(jù)處理平臺(tái)為MATLAB 2014，處理器為Intel(R)Xeon(R)CPUE5-2630v4 2.20 GHz(2處理器)。

4.2 特征提取

罐籠橫向振動(dòng)主要受罐道與罐耳的碰撞影響，縱向振動(dòng)主要受鋼絲繩的影響。在研究罐道故障模式識(shí)別時(shí)，只研究罐籠的橫向振動(dòng)信號(hào)，即圖3中X方向信號(hào)。由于圖3(b)中3 號(hào)傳感器距離布置罐道的故障最近，振動(dòng)信號(hào)更加具有可靠性，因此，后面數(shù)據(jù)處理與分析皆基于該傳感器的振動(dòng)信號(hào)。

分別將正常、凸起、錯(cuò)位狀態(tài)下采集的剛性罐道的振動(dòng)信號(hào)消噪后進(jìn)行小波包2層分解，得到4個(gè)頻帶（圖5－圖7）。

圖5 正常狀態(tài)下罐道振動(dòng)信號(hào)小波包分解后結(jié)果

圖6 凸起狀態(tài)下罐道振動(dòng)信號(hào)小波包分解后結(jié)果

與正常情況下相比，4個(gè)頻帶下罐道凸起和錯(cuò)位2種狀態(tài)在0～0.2秒間振幅變化比較大，正常狀態(tài)相對(duì)比較平穩(wěn)，但凸起和錯(cuò)位2 種狀態(tài)下的振動(dòng)信號(hào)區(qū)別不是很明顯。為便于對(duì)3 種罐道狀態(tài)進(jìn)行區(qū)分，分別求各頻帶能量熵、奇異值、標(biāo)準(zhǔn)差、峰峰值、波形指標(biāo)、峰值指標(biāo)，構(gòu)成一個(gè)24 維的特征向量T，并將T歸一化。

圖8－圖10分別為正常狀態(tài)、罐道凸起、罐道接頭錯(cuò)位3種狀態(tài)下提取一組的特征向量?？v坐標(biāo)表示歸一化后的故障特征值，單位為1，橫坐標(biāo)依次表示1～24個(gè)特征。

圖7 錯(cuò)位狀態(tài)下罐道振動(dòng)信號(hào)小波包分解后結(jié)果

令A(yù)1,A2,…A24分別為各頻帶歸一化后特征向量作為條件屬性，以罐道無故障、凸起、錯(cuò)位3 種狀態(tài)作為決策屬性，分別用1，2，3代替，建立鄰域粗糙集決策表。對(duì)條件屬性每列進(jìn)行“極大值-極小值”法進(jìn)行歸一化處理后，按如下公式計(jì)算鄰域半徑

式中：Std(Ai)為每一列條件屬性的標(biāo)準(zhǔn)差；λ為一設(shè)定的參數(shù)，用來根據(jù)分類精度調(diào)整鄰域大小。

表1為經(jīng)過歸一化處理后的決策表。鄰域粗糙集的約簡(jiǎn)結(jié)果取決于鄰域半徑的大小和重要度下限。根據(jù)相關(guān)研究，重要度下限設(shè)為接近0的數(shù)。

圖8 罐道正常狀態(tài)特征向量圖

圖9 罐道凸起特征向量圖

圖10 罐道接頭錯(cuò)位特征向量

λ設(shè)為0.1，重要度下限為0.001，通過能有效處理連續(xù)屬性和缺省不完整數(shù)據(jù)的決策樹C4.5算法來獲取決策規(guī)則。對(duì)決策表1經(jīng)過鄰域粗糙集約簡(jiǎn)，刪除冗余屬性后的剩余屬性及對(duì)應(yīng)重要度如表2所示。

式中：A1,A3——頻帶1 標(biāo)準(zhǔn)差、波形指標(biāo)；A15——頻帶4 波形指標(biāo)；A20——頻帶4 奇異值；A22——頻帶2的能量熵。24個(gè)原始特征約簡(jiǎn)后，剩余敏感特征集按屬性重要度排序分別為：A1＞A22＞A15＞A20＞A3。

表2 約簡(jiǎn)剩余屬性及對(duì)應(yīng)重要度

4.3 模式識(shí)別

為比較布谷鳥搜索算法(CS)與其他尋優(yōu)算法對(duì)SVM 分類性能的影響，分別用粒子群法、遺傳算法(GA)、螢火蟲算法(FA)、布谷鳥搜索算法(CS)對(duì)SVM懲罰參數(shù)C和核函數(shù)參數(shù)g進(jìn)行尋優(yōu)。因數(shù)據(jù)樣本量較少，采用交叉驗(yàn)證法計(jì)算法分類精度，核函數(shù)選用試用范圍較廣、具有較寬收斂域的徑向基函數(shù)(RBF)。表3為4種尋優(yōu)算法參數(shù)設(shè)置。

表1 歸一化后鄰域粗糙集決策表

表3 尋優(yōu)算法參數(shù)設(shè)置

利用測(cè)試組樣本進(jìn)行測(cè)試，表4為基于不同尋優(yōu)方法優(yōu)化后對(duì)SVM 分類正確率和運(yùn)行時(shí)間的結(jié)果。

表4 不同分類方法性能對(duì)比

5 結(jié)語

(1)針對(duì)懸掛油缸失效、罐籠偏載狀態(tài)下滑動(dòng)罐耳與罐道正常、凸起、錯(cuò)位三種狀態(tài)模式識(shí)別問題，首次提出了以小波包分解后各頻帶能量熵、奇異值、標(biāo)準(zhǔn)差、波形指標(biāo)作為原始特征值，鄰域粗糙集約簡(jiǎn)獲得敏感特征集，并以布谷鳥搜索算法優(yōu)化支持向量機(jī)的方法進(jìn)行模式識(shí)別的方法。實(shí)驗(yàn)驗(yàn)證了該方法的有效性，分類準(zhǔn)確率達(dá)91.7%。

(2)通過鄰域粗糙集去除不相關(guān)和冗余特征后，頻帶1的標(biāo)準(zhǔn)差和頻帶2的能量熵重要度最強(qiáng)，可作為區(qū)分罐籠偏載狀態(tài)下罐道沖擊的主要特征向量；

(3)分別以粒子群法、遺傳算法、螢火蟲算法、布谷鳥搜索算法對(duì)支持向量機(jī)參數(shù)尋優(yōu)，從診斷結(jié)果來看，布谷鳥搜索算法優(yōu)化后的支持向量機(jī)分類準(zhǔn)確率最高，運(yùn)算時(shí)間僅次于FA-SVM，更適合做罐籠偏載狀態(tài)下滑動(dòng)罐耳與罐道正常、凸起、錯(cuò)位的模式識(shí)別方法。