CN103496625A - 基于振动分析的多绳摩擦提升机载荷识别方法 - Google Patents

Abstract

一种基于振动分析的多绳摩擦提升机载荷识别方法是在提升机主轴上设置加速度传感器采集振动信号，并截取信号作为待处理时域信号；选用经验模式分解方法，将被分析信号分解为有限数目的固有模态函数，并剔除虚假及余量成分，提取有效IMF集；利用有效IMF分量提取信号能量特征信息，选取IMF分量的能量、能量方差贡献率及能量矩为特征值构建特征向量及其高维样本空间，以提升总重与载荷差为估计目标，采用向量回归算法建立样本与目标间的非线性映射关系，计算获得载荷数值。本发明方法具有较好的稳定性与估计精度，用于获得提升机实时提升载荷大小，进而对提升载荷进行实时监测，避免由于过载、卡绳和松绳等造成的提升故障。

Description

基于振动分析的多绳摩擦提升机载荷识别方法

技术领域

本发明涉及一种多绳摩擦提升机载荷检测方法，具体地是一种基于振动分析的多绳摩擦提升机提升载荷的识别方法。

背景技术

多绳摩擦提升机作为煤矿生产中的常用设备，是关系生产与人员安全的关键设备，一旦出现故障将造成重大的经济损失甚至人员伤亡。在诸类安全事故中，由于过载引起的过卷、滑动甚至坠罐，以及由于罐道劣变等引起的卡绳、松绳甚至断绳等安全事故时有发生，而这些故障都可以直接或间接的由提升载荷反映出来。

能够获得的现有技术中，提升载荷控制与检测的方法主要有：一种是直接测量提升载荷，公开号为CN1092738A公开了一种“提升载荷的检测方法与监控系统”，公开号为CN201240727Y公开了一种“钢丝绳张力平衡油缸位置及提升载荷监测装置”。此方法是在提升容器的拉杆与横梁之间或钢丝绳平衡压力油缸上安装了载荷传感器，通过传输回井上的信号得到提升载荷。得到的载荷直接准确，但是由于安装部位的重要性，故对传感器安装使用的可靠性提出了较高的要求。另一种是采用定量装载设备，例如，公开号为CN202220621U公开了一种“矿井物料装载控制装置和矿井物料装载系统”，公开号为CN102636240A公开了“一种用于煤矿提升的定量装载方法及系统”，这些装置及其方法均是在提升容器底部安装称重传感器，以控制装载量的方式避免超载未卸净等故障的发生。其不足之处在于不能体现提升过程中动载荷变化，不能对卡绳松绳等故障进行诊断与报警。还有一种方式是通过观察主电机电流来判断提升载荷趋势。上述方法或对安装精度与可靠度要求高，或对提升系统有影响，或准确性较低，不能满足实际工程的需要。

发明内容

本发明的目的是提供一种判断准确、方便有效，易于实施的基于振动分析的多绳摩擦提升机载荷识别方法，用于获得多绳提升机提升载荷数值，进而对提升机载荷进行实时监测，避免由于过装载、卡绳和松绳等造成的提升故障。

为了实现上述目的，本发明采取如下技术方案：

一种基于振动分析的多绳摩擦提升机载荷识别方法，其所述方法是按下列步骤进行的：

（1）在多绳摩擦提升机主轴两侧轴承座顶端设置加速度传感器，并采集水平方向的振动信号；

（2）根据水平方向的振动信号分析，截取部分匀速提升过程阶段信号作为待处理的时域信号x(t)；

（3）选用改进的经验模式分解EMD方法，将被分析信号分解为有限数目的固有模态函数IMF，并剔除虚假及余量成分，提取有效IMF集；

（4）利用有效IMF分量提取相应的信号能量特征信息，选取IMF分量的能量、能量方差贡献率及能量矩为特征值并构建相应的特征向量；

（5）以上述步骤（4）构建的特征向量建立高维样本空间，以两提升容器载荷总重M_z与载荷差M_c为估计目标，采用ε-支持向量回归算法建立样本与目标间的非线性映射关系，通过计算获得载荷数值。

进一步地，其所述改进的经验模式分解EMD方法如下：

（1）将待分析信号x(t)加入一个正态分布的白噪声序列n_j（t），使得                                                

；

（2）将得到的信号

进行EMD分解，过程中在求取信号极值点后，采用镜像与灰色预测模型相结合的方式对信号进行延拓，具体延拓过程如下：

①以信号左端延拓为例，取靠近左端点处的五个极大（小）值组成原始序列，建立原始信号x（t）的灰色微分方程：

其中a为发展灰数，b为内生控制灰数，二者由已知数据及最小二乘法确定。求出a，u后可得预测模型：

②先用原始序列建立的GM（1，1）模型预测得到一个值，然后把这个值加入到原始序列中，同时剔除一个最远端数据，以新的原始序列重复步骤①，再预测下一个数值，循环进行直至达到要求的预测精度。为满足信号延拓要求，需要对数据极大值和极小值分别预测两个值；

③对信号右端进行相同处理，最后将延拓得到的端点值与原信号连接起来形成新的信号序列。在此基础上应用镜像延拓法，以预测得到的左右端点作为镜像点进行延拓，从而得到较理想的延拓数据；

采用三次样条函数将延拓后极大值与极小值点拟合出信号上下包络线，经原始EMD过程最终得到各IMF分量c_i（t）；

（3）重复上述子步骤N次，每次加入新的随机正态分布的白噪声序列n_j（t）；

（4）将N次分解得到的固有模态分量IMF做集成平均处理，当N足够大时，可使添加白噪声的影响趋近于0，进而得到IMF的最终结果；

（5）计算各IMF分量与原始信号的相关系数，并以此为依据筛选有效IMF集；

（6）将子步骤5获得的有效IMF进行重构，得到降噪后信号。

实施上述所提供的一种基于振动分析的多绳摩擦提升机载荷识别方法，与现有技术相比，其实质性的特点和显著进步在于：

本发明所提供的提升机载荷的识别方法是通过对提升机主轴上设置传感器获取轴承座振动信号进行处理判断，检测设备无需与提升容器或钢丝绳发生连接关系，且可实时在线采集信号进行识别，无需停机，对整个提升系统没有任何影响。

本发明所提供的提升机载荷的识别方法是对原始EMD方法进行了改进，提出了采用EEMD方法改善模态混叠，采用镜像边界延拓与灰色预测模型延拓方法相结合来抑制端点效应，采用相关系数法剔除产生的虚假IMF分量，此方法可用于其他领域的信号处理，有效去除噪声。

本发明所提供的提升机载荷的识别方法是基于已知载荷与对应特征参数作为样本，利用训练好的支持向量回归模型，通过计算机快速获取多绳提升机的有效载荷，而不必寻求建立提升载荷与振动信号间复杂难为的解析关系式，节省了现场测量载荷的繁琐过程和大量投入，所采集信号还能够用于轴承及相关部件的故障诊断，具有现场可操作性强、实现简单、有效快捷的特点；

本发明所提供的提升机载荷的识别方法判断准确、方便有效，易于实施，适用于获得多绳提升机提升载荷数值，进而对提升机载荷进行实时监测，避免由于过装载、未卸净、卡绳和松绳等造成的提升故障。

附图说明

图1是提升机载荷识别方法的实施流程图。

图2是提升机载荷识别方法的信号采集说明图。

图3是提升机载荷识别方法的改进EMD方法的实施流程图。

具体实施方式

下面结合附图对本发明的具体实施方式作出详细说明，本实施例是以本发明所提供的技术方案为前提进行的实施，给出了详细的实施方式和具体的操作过程。

如图1所述，实施本发明所提供的一种基于振动分析的多绳摩擦提升机载荷识别方法，其所述实施方法包括如下步骤：

步骤一，首先在多绳摩擦提升机主轴两侧轴承座顶端设置加速度传感器，并获取运行状态下提升机主轴装置轴承座水平方向的振动信号，加速度传感器的设置及采集位置如图2所示，X方向为水平方向。当提升机上提载荷和下放载荷时，提升容器的振动会通过钢丝绳作用于提升机，进而反映到主轴系统上，由于载荷变化会引起轴承水平方向振动信号的波动，故本发明拾取图2所示位置处轴承的水平振动信号。

步骤二，根据数据分析需要，截取部分匀速提升过程阶段的振动信号作为待处理的时域信号x(t)；其中，t=1,2，…，n，表示信号采集的时间间隔，n表示信号序列的点数。

步骤三，将上述步骤二获得的振动信号进行经验模态分解，得到各阶段的固有模态函数和残差。这里为了消除方法本身存在的模态混叠、端点效应以及虚假IMF的问题，对方法做出改进，如图3所述，其具体方法、操作步骤如下：

子步骤1，将待分析信号x(t)加入一个正态分布的白噪声序列n_j（t），使得

；

子步骤2，将得到的信号进行EMD分解，过程中在求取信号极值点后，采用镜像与灰色预测模型相结合的方式对信号进行延拓，具体延拓过程如下：

①以信号左端延拓为例，取靠近左端点处的五个极大（小）值组成原始序列，建立原始信号x（t）的灰色微分方程：

其中a为发展灰数，b为内生控制灰数，二者由已知数据及最小二乘法确定。求出a，u后可得预测模型：

②先用原始序列建立的GM（1，1）模型预测得到一个值，然后把这个值加入到原始序列中，同时剔除一个最远端数据，以新的原始序列重复步骤①，再预测下一个数值，循环进行直至达到要求的预测精度。为满足信号延拓要求，需要对数据极大值和极小值分别预测两个值。

③对信号右端进行相同处理，最后将延拓得到的端点值与原信号连接起来形成新的信号序列。在此基础上应用镜像延拓法，以预测得到的各端点作为镜像点进行延拓，从而得到较理想的延拓数据。

采用三次样条函数将延拓后极大值与极小值点拟合出信号上下包络线，经原始EMD过程最终得到各阶IMF分量c_i（t）；

子步骤3，重复上述子步骤N次，每次加入新的随机正态分布的白噪声序列n_j（t）；

子步骤4，将N次分解得到的m阶固有模态分量IMF做集成平均处理，当N足够大时，可使添加白噪声的影响趋近于0，进而得到IMF的最终结果；

子步骤5，计算各IMF分量与原始信号的相关系数，并以此为依据筛选出s阶有效IMF集；

子步骤6，将子步骤5获得的有效IMF进行重构，可得到降噪后信号。

步骤四，将上述步骤三得到的s阶有效IMF分量含有的频率成分不同，阶数越低所含信号的高频成分则越多。对于同一阶IMF分量，提升载荷不同时提取的信号有着不同的频率成分，而且分量幅值之间存在差异。各阶IMF分量的能量以及在整个频带上的能量分布能够刻画出信号的整体特征，因此，采用IMF分量的能量作为参考依据提取载荷信息特征。本发明方法选取IMF分量能量值，方差贡献率及能量矩从能量大小、比重和分布的角度对信号本质特征进行分析。其定义分别为：

能量值：

方差贡献率：

， 

能量矩

：

其中

为有效IMF阶数，为有效IMF分量方差。以上述三种特征值分别构造特征向量并将方差贡献率与能量矩归一化得到：

步骤五，本发明采用ε-支持向量回归算法建立特征向量与提升载荷之间非线性映射关系，得到最终识别结果：

子步骤1，建立训练及识别样本集；以步骤四确立的IMF分量能量、方差贡献率及能量矩建立高维样本空间，以两提升容器载荷总重M_z与载荷差M_c为估计目标，采用某矿副立井50组提升振动及载荷数据，随机选取其中45组作为训练样本集，其余的5组作为估计样本集。

子步骤2，算法参数的选择；采用ε-支持向量回归算法可以通过非线性函数样本数据映射到高维空间，但在计算回归估计函数时并不需要计算该非线性函数，而只需计算核函数，从而避免高维特征空间引发的维数灾难问题。本发明应用LIBSVM软件进行ε-SVM计算，核函数采用径向基核函数

，经反复交叉比对测试来确定惩罚因子C和径向宽度γ，估计精度用相对偏差绝对值的平均

来表示，

，其中：K为训练样本数，为估计值，

为实际值。

子步骤3，利用估计所得两提升载荷总重与载荷差计算两侧提升载荷：

，其中

分别为两提升容器载荷。

表1为算法估计结果,结果显示本发明所述的载荷识别方法可以获得较好的稳定性与估计精度。

表1 本发明所述识别方法得到提升载荷识别结果

综合实施例的上述分析，本发明能够有效抑制EMD方法的模态混叠与端点效应，能有效提取隐含在数据中的载荷特征信息，采用的ε-支持向量回归算法能够满足对提升载荷的有效估计，方法经过修改可适用于其他类型提升机。

Claims (2)

1.一种基于振动分析的多绳摩擦提升机载荷识别方法，其所述方法是按下列步骤进行的：

（1）在多绳摩擦提升机主轴两侧轴承座顶端设置加速度传感器，并采集水平方向的振动信号；

（2）根据水平方向的振动信号分析，截取部分匀速提升过程阶段信号作为待处理的时域信号x(t)；

（3）选用改进的经验模式分解EMD方法，将被分析信号分解为有限数目的固有模态函数IMF，并剔除虚假及余量成分，提取有效IMF集；

（4）利用有效IMF分量提取相应的信号能量特征信息，选取IMF分量的能量、能量方差贡献率及能量矩为特征值并构建相应的特征向量；

（5）以上述步骤（4）构建的特征向量建立高维样本空间，以两提升容器载荷总重M_z与载荷差M_c为估计目标，采用ε-支持向量回归算法建立样本与目标间的非线性映射关系，通过计算获得载荷数值。

2.根据权利要求1所述的提升机载荷识别方法，其所述改进的经验模式分解EMD方法如下：

（1）将待分析信号x(t)加入一个正态分布的白噪声序列n_j（t），使得                                                

；

（2）将得到的信号进行EMD分解，过程中在求取信号极值点后，采用镜像与灰色预测模型相结合的方式对信号进行延拓，具体延拓过程如下：

①以信号左端延拓为例，取靠近左端点处的五个极大（小）值组成原始序列，建立原始信号x（t）的灰色微分方程：

其中a为发展灰数，b为内生控制灰数，二者由已知数据及最小二乘法确定；

求出a，u后可得预测模型：

②先用原始序列建立的GM（1，1）模型预测得到一个值，然后把这个值加入到原始序列中，同时剔除一个最远端数据，以新的原始序列重复步骤①，再预测下一个数值，循环进行直至达到要求的预测精度；

为满足信号延拓要求，需要对数据极大值和极小值分别预测两个值；

③对信号右端进行相同处理，最后将延拓得到的端点值与原信号连接起来形成新的信号序列；

在此基础上应用镜像延拓法，以预测得到的左右端点作为镜像点进行延拓，从而得到较理想的延拓数据；

采用三次样条函数将延拓后极大值与极小值点拟合出信号上下包络线，经原始EMD过程最终得到各IMF分量c_i（t）；

（3）重复上述子步骤N次，每次加入新的随机正态分布的白噪声序列n_j（t）；

（4）将N次分解得到的固有模态分量IMF做集成平均处理，当N足够大时，可使添加白噪声的影响趋近于0，进而得到IMF的最终结果；

（5）计算各IMF分量与原始信号的相关系数，并以此为依据筛选有效IMF集；

（6）将子步骤5获得的有效IMF进行重构，得到降噪后信号。

Images