首页 > 论文范文 > 工程工业论文 > 重工业论文 > 机械工业论文 > 基于姿态检测的直线振动筛弹簧故障诊断研究与应用

基于姿态检测的直线振动筛弹簧故障诊断研究与应用

2024-06-03 37 上传者：管理员

摘要：针对直线振动筛早期弹簧非破坏性损伤很难分辨与检测的问题，提出了一种基于姿态解算原理的筛箱运行姿态的故障诊断方法。以筛箱运行姿态解算为核心，通过对多种振动筛隔振弹簧故障进行模拟实验、搭建实验平台及极限学习机（ELM）诊断算法对不同故障数据进行训练和分析，设计了一套双轴直线振动筛筛箱姿态数据采集系统。通过ELM对7种不同故障进行训练和分析表明：ELM分类算法在故障识别和诊断方面具有更高的准确率，且通过检测振动筛筛箱姿态可以诊断隔振弹簧不同程度刚度降低的故障。在MATLAB环境中开发了基于ELM故障分类算法的故障诊断系统，包括系统主界面、数据回放、故障诊断等功能模块。实验结果表明，该系统可用于双轴直线振动筛的故障诊断与分析。

关键词：
ELM
Matlab
姿态解算
故障诊断
直线振动筛
加入收藏

矿用振动筛是选煤厂应用最广泛的筛分设备之一，为保证振动筛安全可靠地运行，对其运行状态监测及故障识别的研究显得尤为重要。以筛箱运行姿态解算为核心，设计数据采集系统，搭建实验平台，采集实验数据，进行故障特征提取，结合极限学习机（ELM）算法，完成在基于筛箱运行姿态的隔振弹簧故障诊断。

1、振动筛的结构组成

MDMS1830(BⅡ)直线振动筛结构示意图如图1所示。

图1 MDMS1830(BⅡ)直线振动筛结构示意图

2、实验设计与分析

(1）姿态解算原理

当物体处于运动状态时，求解其实时姿态的常用方法有欧拉角求解法、方向余弦求解法和四元数求解法。欧拉角求解法的微分方程含有三角运算，当俯仰角趋近90°时，会出现奇异点从而大大增加计算的难度；方向余弦求解法是对旋转矩阵的微分方程的求解，需要9个未知量的微分方程，计算量较大。因此，本文采用的是计算难度和计算量相对较小的四元数求解法。

当计算物体运动姿态时，空间向量q映射到四元数空间可表示为

式中q0、q1、q2、q3———实数；

i、j、k———3个复数表示的三维空间的标准正交基。

姿态矩阵

使用四元数求解法进行姿态解算时，需要对四元数的初始值进行解算，得到载体的初始状态。通过构建四元数的微分方程，采用毕卡算法进行求解，得到更新后的四元数，实现四元数的实时更新。

(2）实验数据的采集

本文采用山东科大机电科技股份有限公司所研发的VS-ADU-100数采传感器，搭建了一个直线振动筛实验平台，如图2所示。

图2实验平台

数据采集系统的硬件架构图如图3所示。

图3硬件架构设计图

直线振动筛弹簧故障会引起筛箱的运行姿态发生变化，弹簧故障可能是某个隔振弹簧刚度由于长时间运行导致刚度出现下降。但在实际作业过程中直线振动筛筛箱运行的正常数据占有极大的比例，而故障往往只有很少一部分。为了给后续故障诊断预测系统提供有效而合适的故障训练数据集，针对直线振动筛的故障机理设置了不同的弹簧故障实验。隔振弹簧故障的表现往往是由一个或多个弹簧出现的断裂或刚度降低造成故障弹簧无法提供与其他正常隔振弹簧相同的弹力，从而出现筛箱在运行时出现一角下沉或偏摆等运行姿态。可以通过在正常隔振弹簧座处施加一定的重物来模拟此处隔振弹簧故障。

振动筛隔振弹簧标记如图4所示。基于引起各故障的影响因素分析并依据图4，本文制定隔振弹簧故障实验的具体操作如表1所示，对振动筛正常状态运行与隔振弹簧故障时运行状态分别采集若干组实验数据，再利用MATLAB对采集到的数据进行对比分析。弹簧故障实验用配重为沙袋，平均每袋沙袋质量约为100 kg。

图4直线振动筛隔振弹簧标记图

表1弹簧故障实验搭建

(3）故障特征信息的提取

由于原始故障数据是时间序列数据，存在信息量大的特点，难以直接用来进行模式识别，因此对原始时间序列数据进行特征提取来降低数据维度是有必要的。姿态传感器采样频率为100 Hz，振动筛运行1个周期可采集6个采样点，本文以5个周期为1个样本，1个样本数据则有30个采样点。以提取到的振动筛正常情况、激振器故障1、激振器故障2和激振器故障3共4组故障进行分类和识别。每种故障截取650个样本，其中350个样本用作训练样本，150个样本作为测试样本，150个样本作为验证样本。以通过仿真分析得出的结论作为依据，本文由数据采集系统采集的三轴姿态角速度和三轴加速度原始数据中提取出如下36个特征，作为区分不同程度激振器不平衡故障的基础。

提取测点1和测点2处三轴姿态角速度的极大值：

提取测点1和测点2处三轴姿态角速度的极小值：

提取测点1和测点2处三轴姿态角速度的幅度变化值：

提取测点1和测点2处三轴加速度的极大值：

提取测点1和测点2处三轴加速度的极小值：

提取测点1和测点2处三轴加速度的幅度变化值：

3、基于ELM的故障识别

ELM作为单一隐含层前馈神经网络模型，在数据训练方面具有非常好的效果，建立模型时，只需要确定神经元个数β即可，其余的参数如w和b都是系统随机给定，不需要去设置和更新。另外本文确定激活函数为sigmoid，神经元的个数会对分类性能产生不同的影响，需要在分类时逐一讨论。实现步骤：

(1）将训练集划分为一部分，将测试集划分为另一部分，定义好训练集输入、输出形式和测试集输入、输出形式；

(2）初始化ELM模型的参数，开始随机分配权值和阈值，设定传递函数为sigmoid;

(3）训练集数据准备好之后，输入到ELM中，对训练集数据进行训练，保存好训练后的模型；

(4）将测试集的数据输入到训练好的模型中；

(5）可视化模型的分类结果，给出分类结果图。

6种振动筛弹簧故障在ELM网络训练模型的测试结果如图5所示。

图5 ELM极限学习机网络训练测试结果

由图5(a）可以看出，振动筛弹簧故障模型的总准确率为98.3794%，共有17个特征数据样本被误判。由图5(b）可以得出，分类效果最好的是振动筛故障模式7的特征数据样本，准确率为100%，出现这种情况的原因是因为测点Z轴的加速度在故障模式7时，唯一出现了与X轴加速度和Y轴加速度不同向的情况，故障特征易于区分；分类效果较差的为故障模式3的特征数据样本，准确率为95.3%，误判样本7个，其中5个特征数据被误判为故障模式2,2个特征数据被误判为故障模式6，出现误判的原因是由于故障模式3特征数据同时与故障模式2和故障模式6相近，造成特征数据样本被误判的概率相对较大；分析发现故障模式2主要被误判为故障模式3，故障模式3主要被误判为故障模式2，故障模式4主要被误判为故障模式5，故障模式5主要被误判为故障模式4，因此通过分类结果可以得出弹簧出现故障模式2和故障模式3时，振动筛的姿态变化规律相近，容易导致诊断模型的误判，同时弹簧出现故障模式4和故障模式5时，振动筛的姿态变化规律也是相近的，容易导致诊断模型的误判。从整体上进行分析可以发现，通过ELM对基于筛箱运行姿态的振动筛弹簧故障诊断效果优异，能够很好地对弹簧各类非破坏性故障进行识别。

结合ELM分类算法，开发了基于MATLAB中App Designer的故障诊断系统：(1)用户通过输入正确的账号和密码可以进入系统的主界面；(2)数据通过通信的方式传输到系统，在系统主界面实时显示着振动筛的各项姿态运行参数，实现人机交互功能；(3)数据回放功能；(4)基于2个测点三轴的幅值、三轴的速度、三轴的加速度、三轴的角位移、三轴的角速度和三轴的角加速度时域统计分析对历史数据进行故障诊断分析；(5)系统调用ELM网络分类算法，进行特征提取和诊断，生成诊断报告。

系统主界面具体包括故障诊断、数据回放和数据更新3项功能，如图6和图7所示。主界面与子界面通过点击按钮的方式，完成用户所需要的操作。两者之间通过RS485的方式进行通信，简单方便，只需在MATLAB中编写的MATLAB串口通信编码即可实现振动筛的数据采集任务并保存当前数据，实现对振动筛运行姿态的实时监测。通过采集到的筛箱两侧点处三轴的加速度变化和三轴相位角速度变化的时域分析，显示振动筛筛箱当前采样数据的各项故障评估值，来监测振动筛的健康状态。针对具体的振动筛型号设置合理的阈值，当振动筛筛箱异常时，通过报警指示灯对振动筛早期故障提前预警，并及时做出故障类型的诊断，避免出现安全危险和经济损失。

图6系统主界面

图7故障诊断界面

4、结语

(1）以筛箱运行姿态解算为核心，设计了一套双轴直线振动筛筛箱姿态数据采集系统，实现对直线振动筛运行姿态的实时监测。搭建双轴直线振动筛实验平台，模拟多种振动筛隔振弹簧故障进行实验，并采集了大量的原始实验数据；

(2）对实验原始数据进行故障特征提取，提取6种故障类型和正常运行的样本，每种故障类型取650个样本，样本分为训练集、测试集和验证集。通过ELM对6种故障类型和正常运行进行了训练和分析，研究表明：ELM分类算法在故障识别和诊断方面具有更高的准确率且能有效诊断非破坏性刚度降低弹簧故障位置。基于ELM故障分类算法，在MATLAB环境中开发了故障诊断系统，该系统可以应用于双轴直线振动筛的故障诊断与分析。

参考文献:

[1]刘初升,彭利平,王宏,等.大型振动筛弹簧故障识别的自由响应法[J].振动工程学报,2013,26(4):624-632.

[2]苏荣华,彭晨宇.振动筛橡胶弹簧非线性刚度实验及仿真研究[J].应用基础与工程科学学报,2011,19(6):986-994.

[3]苏旭.振动筛健康状态监测方法研究[D].厦门:华侨大学,2020.

[4]闫宏伟,刘翼,李健,等.基于EDEM的煤粉制样装置筛分性能仿真与试验[J].武汉大学学报(工学版),2021,54(7):658-667.

[11]杜鹏,杨静,邱红专,等.基于对偶四元数的捷联惯导算法在发射点惯性系下的应用研究[J].导航定位与授时,2021,8(2):74-81.

[12]陈之坤,迟万达,高尚,等.基于深度学习的疲劳检测算法[J].计算机与网络,2020,46(8):68-71.

[13]杨研光.基于神经网络和支持向量机的滚动轴承故障诊断方法研究[D].兰州:兰州交通大学,2021.

[14]王春明,朱永利.基于深度降噪极限学习机的变压器故障诊断[J].电测与仪表,2019,56(15):143-147.

基金资助:国家能源集团科技项目(GJNY-21-166);济宁市重点研发计划项目(2020ZDZP015);

文章来源:娄昭远,王韶巍,周生朋,等.基于姿态检测的直线振动筛弹簧故障诊断研究与应用[J].煤矿机械,2024,45(06):173-177.