CN110371825B - 一种矿井提升机张力故障诊断方法、系统及控制系统 - Google Patents

一种矿井提升机张力故障诊断方法、系统及控制系统 Download PDF

Info

Publication number
CN110371825B
CN110371825B CN201910703639.9A CN201910703639A CN110371825B CN 110371825 B CN110371825 B CN 110371825B CN 201910703639 A CN201910703639 A CN 201910703639A CN 110371825 B CN110371825 B CN 110371825B
Authority
CN
China
Prior art keywords
mine hoist
tension
classification model
imfs
vibration signal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910703639.9A
Other languages
English (en)
Other versions
CN110371825A (zh
Inventor
谭建平
薛少华
石理想
邓积微
陈昭君
黄天然
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN201910703639.9A priority Critical patent/CN110371825B/zh
Publication of CN110371825A publication Critical patent/CN110371825A/zh
Application granted granted Critical
Publication of CN110371825B publication Critical patent/CN110371825B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
    • B66B5/0006—Monitoring devices or performance analysers
    • B66B5/0018—Devices monitoring the operating condition of the elevator system
    • B66B5/0031—Devices monitoring the operating condition of the elevator system for safety reasons
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B7/00—Other common features of elevators
    • B66B7/12—Checking, lubricating, or cleaning means for ropes, cables or guides
    • B66B7/1207—Checking means
    • B66B7/1215—Checking means specially adapted for ropes or cables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种矿井提升机张力故障诊断方法、系统及控制系统，包括如下过程：获取不同张力状态下若干天轮轴轴向振动信号数据，将振动信号经EEMD分解为一系列IMF，选择能量占比最高的前若干个IMF并获取其能量和排列熵，组成特征向量，将一组若干天轮轴轴向振动信号的特征向量组合为最终特征向量；将最终特征向量及其对应的不同张力状态作为样本训练矿井提升机张力状态PSO‑SVM分类模型；获取若干天轮轴轴向实时振动信号；对实时振动信号提取最终特征向量，利用PSO‑SVM分类模型对张力状态进行实时识别。可方便快捷地实现对矿井提升机张力故障长期、稳定、可靠的实时监测，并对矿井提升机工作状态进行控制，提高矿山生产安全性，提高矿山经济效益与社会效益。

Description

一种矿井提升机张力故障诊断方法、系统及控制系统
技术领域
本发明涉及矿井提升领域，具体涉及一种矿井提升机张力故障诊断方法、系统及控制系统。
背景技术
矿井提升机是连接地面与地下的“咽喉”设备，承担着矿石、物资与人员的运输重任。在几百至几千米深的井筒中，提升容器通过钢丝绳与提升机主轴卷筒连接，因此，钢丝绳张力状态对提升安全至关重要。对于单根钢丝绳，超载故障可能造成磨损或断裂，引发坠罐事故。对于多根钢丝绳提升，张力不均衡可能造成提升容器倾斜，加剧罐道磨损，减少钢丝绳寿命，或者造成运行失稳。另外，提升容器运动过程中干扰因素多，张力变化复杂，发生突发故障时，若不能及时发现可能造成重大事故，例如，由于罐道变形造成卡罐时，提升司机继续开车将导致钢丝绳张力急剧增大，引起断绳坠罐事故。因此，对钢丝绳张力故障进行实时监测对提升安全有重要意义。
实现深部资源开采是我国的战略需求，超深矿井提升是我国亟待攻克的工程难题。在超深矿井提升中，双绳缠绕式提升机比传统的单绳缠绕式提升机和多绳摩擦式提升机具有更好的适用性，因而受到更多的关注。双绳缠绕式提升机难点在于控制两根绳在缠绕过程中始终保持张力均衡，若发生张力故障，一根绳张力迅速增大，一根绳张力迅速减小，就可能造成断绳、松绳、运行失稳等事故。因此，超深矿井提升对识别张力状态的要求更加紧迫。张力故障的实时可靠检测成为实现深部资源开采战略必须解决的问题。
钢丝绳张力故障检测一直是矿山安全提升作业的瓶颈。目前，对张力故障检测的主要方法是在钢丝绳与提升容器连接处(大多安装在平衡油缸)安装压力传感器或油压传感器，再通过无线传输将数据传输到地面。这种方法在实际使用中存在以下问题：(1)长期在井筒中，井筒环境恶劣，存在淋水、粉尘、腐蚀性气体等情况，造成传感器寿命低，可靠性差，数据传输也容易受到井下机电设备干扰；(2)提升容器一直运动，无稳定供电设备，依靠蓄电池难以实现长期、稳定、自动化监测，工人未及时更换电池即可造成监测系统失效；(3)安装压力或油压传感器往往需要改装原有设备，增加了设计安装的难度，且可能带来安全隐患，违反安全规程；如油压传感器在高压下容易出现漏油，严重时还会影响平衡油缸正常作用。
这些问题长期得不到解决，造成张力故障检测系统在矿井中的实际应用很少，给提升安全性带来挑战。
发明内容
本发明提出一种矿井提升机张力故障诊断方法、系统及控制系统，以解决相关技术中张力故障检测方法或系统实用性较差的问题。
第一方面，本发明提供了一种矿井提升机张力故障诊断方法，包括如下步骤，
模型建立阶段：
获取不同张力状态下若干天轮轴轴向振动信号数据；
特征提取，将获取的每个振动信号进行EEMD分解，将每个振动信号分解为一系列IMF(intrinsic mode function，固有模态函数)，选择能量占振动信号总能量比最高的前若干个IMF，获取选择的若干个IMF的能量与排列熵(Permutation Entropy，PE)，并组成特征向量，将同时获取的一组若干天轮轴轴向振动信号的特征向量组合为最终特征向量；
将进行特征提取后得到的最终特征向量及其对应的张力状态作为训练样本，以最终特征向量为输入，张力状态为输出，训练矿井提升机张力状态PSO-SVM(Particle SwarmOptimized Support Vector Machine,粒子群优化的支持向量机)分类模型；
故障诊断阶段：
获取若干天轮轴轴向实时振动信号；
将实时振动信号按上述特征提取过程提取最终特征向量，然后利用矿井提升机张力状态PSO-SVM分类模型对张力状态进行实时识别。
通过采集不同张力状态下的天轮轴轴向振动信号，进行特征提取，以得到训练样本，通过训练样本训练矿井提升机张力状态PSO-SVM分类模型，再通过该矿井提升机张力状态PSO-SVM分类模型对张力状态进行实时识别。因为主轴与卷筒的横向振动与张力密切相关且不受提升容器位置影响，且天轮平台比较独立，无机电传动设备，极少有人员活动，干扰很少，故选择采集天轮轴轴向振动信号，信号采集方便，且天轮轴位于地上且固定不动，采集振动信号所用传感器的供电、信号传输均可采用有线方式解决，且地面环境远好于地下，利于信号采集过程长期稳定可靠，矿井提升机张力状态PSO-SVM分类模型可对张力状态进行实时监测，提高了矿山生产安全性。
进一步地，所述振动信号为时长为0.5～2s的信号片段，该时长范围内的信号片段可在计算量与实时性之间取得平衡。
进一步地，所述选择能量占振动信号总能量比最高的前若干个IMF包括如下步骤：
分别计算每个IMF的能量，按能量占振动信号总能量比从大到小排列；
选择能量之和占振动信号总能量比超过95％的前若干个IMF，保证提取特征的有效性的与计算量之间的平衡。
进一步地，训练矿井提升机张力状态PSO-SVM分类模型具体包括如下过程：
以训练样本中的最终特征向量为输入，以最终特征向量对应的应力状态为输出训练SVM分类模型；
使用PSO算法优化SVM分类模型中的惩罚系数c和核函数参数g，以惩罚系数c和核函数参数g对PSO算法初始化，以样本识别精度的负数为PSO算法中的适应度函数进行寻优，所述样本识别精度为训练SVM分类模型时识别最终特征向量对应的应力状态正确的样本数除以样本总数的值；当寻优达到最大迭代次数或适应度函数小于预设精度时，寻优结束，输出最优的惩罚系数c和核函数参数g；
将得到最优的惩罚系数c和核函数参数g赋值到SVM分类模型，得到矿井提升机张力状态PSO-SVM分类模型。
第二方面，本发明提供了一种矿井提升机张力故障诊断系统，包括：
若干振动传感器，用于获取若干天轮轴轴向振动信号；
数据采集器，用于将所述若干振动传感器获取的振动信号传输至特征提取模块；
特征提取模块，用于将数据采集器传输的振动信号进行特征提取，将每个振动信号进行EEMD分解，将每个振动信号分解为一系列IMF，选择能量占振动信号总能量比最高的前若干个IMF，获取选择的若干个IMF的能量与排列熵，并组成特征向量，将同时获取的一组若干天轮轴轴向振动信号的特征向量组合为最终特征向量；
模型建立模块，将进行特征提取后得到的最终特征向量及其对应的张力状态作为训练样本，以最终特征向量为输入，张力状态为输出，训练矿井提升机张力状态PSO-SVM分类模型；
故障诊断模块，获取特征提取模块提取的实时振动信号的最终特征向量，利用模型建立模块建立的矿井提升机张力状态PSO-SVM分类模型对张力状态进行实时识别。
进一步地，所述振动信号为时长为0.5～2s的信号片段。
进一步地，所述选择能量占振动信号总能量比最高的前若干个IMF遵循如下过程：
分别计算每个IMF的能量，按能量占振动信号总能量比从大到小排列；
选择能量之和占振动信号总能量比超过95％的前若干个IMF。
模型建立模块中训练矿井提升机张力状态PSO-SVM分类模型具体包括如下过程：
以训练样本中的最终特征向量为输入，以最终特征向量对应的应力状态为输出训练SVM分类模型；
使用PSO算法优化SVM分类模型中的惩罚系数c和核函数参数g，以惩罚系数c和核函数参数g对PSO算法初始化，以样本识别精度的负数为PSO算法中的适应度函数进行寻优，所述样本识别精度为训练SVM分类模型时识别最终特征向量对应的应力状态正确的样本数除以样本总数的值；当寻优达到最大迭代次数或适应度函数小于预设精度时，寻优结束，输出最优的惩罚系数c和核函数参数g；
将得到最优的惩罚系数c和核函数参数g赋值到SVM分类模型，得到矿井提升机张力状态PSO-SVM分类模型。
进一步地，所述振动传感器通过磁吸附或胶粘方式安装于天轮轴上,使用磁吸附或胶粘方法安装，简单方便，且无需改造原有结构，无安全隐患。
第三方面，本发明提供了一种矿井提升机控制系统，该控制系统包括上述矿井提升机张力故障诊断系统，及与所述矿井提升机张力故障诊断系统连接的控制单元。将矿井提升机张力故障诊断系统应用于提升机的控制系统中，可实时对识别的张力故障进行及时应对处理，提供矿山生产安全性。
有益效果
本发明提出了一种矿井提升机张力故障诊断方法、系统及控制系统，基于振动信号识别张力状态，相对现有技术的显著优点是：(1)使用天轮轴轴向振动信号，振动传感器使用磁吸附、胶粘等方法安装，简单方便，且无需改造原有结构，无安全隐患；(2)传感器安装位置为天轮轴，位于地上且固定不动，供电、信号传输均可采用有线方式解决，利于系统长期稳定可靠运行，且地面环境远好于地下，可大大提高使用寿命；(3)安装、改造、维护成本低、周期短，系统简单，扩展性强；(4)可以方便快捷地实现对矿井提升机张力故障长期、稳定、可靠的实时监测，并对矿井提升机工作状态进行控制，提高矿山生产安全性，提高矿山经济效益与社会效益。
需特别说明的是，本发明振动信号选择天轮轴轴向振动信号具有独特性。矿井提升机的振动信号有多种，按振动方向可以分为横向振动(垂直井筒轴线)和纵向振动(沿井筒轴线)，按测量位置可以从主轴卷筒、天轮等多处获得。纵向振动与钢丝绳长度密切相关，提升容器在不同位置时其动力学特性差异巨大，难以利用固定的分类模型识别钢丝绳状态。主轴卷筒到天轮段的钢丝绳长度固定不便，可以看作张紧弦线，根据张紧弦线理论，主轴与卷筒的横向振动与张力密切相关且不受提升容器位置影响，故本发明中选择横向振动信号(即天轮轴轴向振动信号)。若将振动传感器安装在卷筒处，由齿轮减速箱、电机、人员活动等造成的干扰将非常严重。天轮平台比较独立，无机电传动设备，极少有人员活动，干扰很少，故将振动传感器安装在天轮处。因此，本发明对振动信号的选择具有独特性。
本发明中，通过发明人对提升振动较深入的理解选取部分特征，再通过试验方法得到选取主要IMF的能量和排列熵来组成特征向量，在张力故障识别中更未见到类似用法，本方案具有一定独特性。其具有如下优点：(1)从能量和复杂度两个维度描述动力学特性，比单维度信息更全面；(2)特征数目少，且两个特征的计算均较简单，耗时少，实时性好。
附图说明
图1是本发明实施例中矿井提升机张力故障诊断方法的流程图；
图2是本发明实施例中矿井提升机张力故障诊断系统结构示意图；
图3是本发明实施例中单根绳在超载(S1-A)，正常(S2-A)，欠载(S3-A)三种工况下的振动波形示意图；
图4是图3中正常(S2-A)波形分解后的示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
本发明提供的技术方案对于每根钢丝绳对应一个天轮轴的情况都适用，如适用于单绳缠绕式提升机，也适用于双绳缠绕式提升机，以及其他每根钢丝绳对应一个天轮轴的多绳提升机。为了便于说明，以双绳缠绕式提升机为例来说明本发明的具体实施方式。
实施例1
本发明提供了一种矿井提升机张力故障诊断方法，如图1所示，包括如下步骤，
模型建立阶段：
获取不同张力状态下若干天轮轴轴向振动信号数据，本实施例中采集两个天轮轴轴向振动信号，所述振动信号优选为时长为0.5～2s的信号片段，可在计算量与实时性之间取得平衡，本实施例中选择截取时长为1s的信号片段，图3展示了单根绳在超载(S1-A)、正常(S2-A)、欠载(S3-A)三种工况下的对应天轮轴轴向振动波形。
特征提取，将获取的每个振动信号进行EEMD分解，将每个振动信号分解为一系列IMF。EEMD是一种自适应的信号分解方法，适用于非平稳非线性信号。对于振动信号x(t)，EEMD将其分解为一系列IMF ck(t)和残余项rm(t)，原振动信号表示为
Figure BDA0002151492830000051
其中IMF ck(t)为高频到低频的各个分量，残余项rm(t)为趋势项。经EEMD分解后，复杂的原始振动信号即可由多个较简单的IMF分类表示，如图4即为图3中正常(S2-A)工况下波形分解后的结果。应用EEMD分解时，输入为采集到的天轮轴向振动信号片段，输出为该信号分解后的m个IMF和1个残余项。需要设置的主要参数有噪声大小和加噪声次数，参考学术论文与实验结果，优选的，设置噪声大小为原信号标准差的0.2倍，加噪声次数设置为50次。
每个天轮轴振动信号分解后分别计算分解后的各个IMF的能量(各点幅值得平方和)，按能量占振动信号总能量比从大到小排列，选择能量占振动信号总能量比最高的前若干个IMF，选择的前若干个IMF能量之和占振动信号总能量比超过95％，将这前若干个IMF作为主要IMF，保证提取特征的有效性的与计算量之间的平衡。
然后计算选择的前若干个IMF的排列熵PE，排列熵是描述时间序列复杂性和动态特性的特征。应用排列熵算法时，输入为一个IMF时间序列，输出为一个排列熵值，范围在[0,1]之间。序列越规则，排列熵越小，序列越复杂，排列熵越大。需要设置的主要参数有时延和嵌入维数，参考学术论文和实验结果，优选的，设置时延为1，嵌入维数为3。
计算出前若干个IMF的排列熵PE后，将这前若干个IMF的能量与PE值组合成特征向量{eA1,eA2,……eAn,PEA1,PEA2,……PEAn}，然后提取同时获取的另一个天轮轴轴向振动信号，并提取特征向量{eB1,eB2,……eBn,PEB1,PEB2,……PEBn,}，将两个天轮轴轴向振动信号的特征向量组合为最终特征向量{eA1,eA2,……eAn,PEA1,PEA2,……PEAn,eB1,eB2,……eBn,PEB1,PEB2,……PEBn,}，其中eAn指第一根钢丝绳的第n个主要IMF的能量，PEAn指第一根钢丝绳的第n个主要IMF的排列熵值，eBn指第二根钢丝绳的第n个主要IMF的能量，PEBn指第二根钢丝绳的第n个主要IMF的排列熵值。
将进行特征提取后得到的最终特征向量及其对应的张力状态作为训练样本，以最终特征向量为输入，张力状态为输出，训练矿井提升机张力状态PSO-SVM分类模型。训练矿井提升机张力状态PSO-SVM分类模型具体包括如下过程：
以训练样本中的最终特征向量为输入，以最终特征向量对应的应力状态为输出训练SVM分类模型；
使用PSO算法优化SVM分类模型中的惩罚系数c和核函数参数g，以惩罚系数c和核函数参数g对PSO算法初始化，以样本识别精度的负数为PSO算法中的适应度函数进行寻优，所述样本识别精度为训练SVM分类模型时识别最终特征向量对应的应力状态正确的样本数除以样本总数的值；当寻优达到最大迭代次数或适应度函数小于预设精度时，寻优结束，输出最优的惩罚系数c和核函数参数g；
将得到最优的惩罚系数c和核函数参数g赋值到SVM分类模型，得到矿井提升机张力状态PSO-SVM分类模型。
该矿井提升机张力状态PSO-SVM分类模型的输入为最终特征向量，其输出为不同的张力状态，本实施例中不同的张力状态包括正常、超载、欠载、张力不均衡。SVM是一种广泛使用的分类算法，基于结构风险最小化，适合小样本分类，如工业数据。训练SVM分类模型时，输入为样本的最终特征向量与预期类别标签，输出为样本的实际识别标签，识别正确的样本数除以样本总数即得到识别精度。SVM分类模型中需要设置的主要参数有惩罚系数c和核函数参数g，但最优的c，g参数难以人工选取。PSO算法是一种应用广泛的优化算法，通过群体粒子中个体之间的协作和信息共享寻找最优解，易于实现。用PSO算法优化SVM分类模型中的c，g参数，可以快速找到使识别精度最高的c，g参数组合。应用PSO算法时，需要输入的主要参数为适应度函数，种群数量N，迭代次数L，自我学习因子p1，群体学习因子p2，优选的，参考学术论文与实验结果，设置N＝50，L＝200，p1＝1.5，p2＝1.5。适应度函数是评价参数好坏的标准，也是将SVM算法与PSO算法连接起来的关键，此处设置适应度函数为样本识别精度的负数，可以保证在迭代过程中逐步找到使适应度函数最小(即识别精度最高)的c，g组合。
使用训练样本找到最优c，g组合后赋值到SVM分类模型，即可得到矿井提升机张力状态PSO-SVM分类模型，后续实时监测中直接使用该矿井提升机张力状态PSO-SVM分类模型。
故障诊断阶段：
获取若干天轮轴轴向实时振动信号；
将实时振动信号按上述特征提取过程提取最终特征向量，然后利用训练好的矿井提升机张力状态PSO-SVM分类模型对张力状态进行实时识别。
实施例2
本发明提供了一种矿井提升机张力故障诊断系统，包括：
若干振动传感器2，用于获取若干天轮轴1轴向振动信号；
数据采集器3，用于将所述若干振动传感器2获取的振动信号传输至特征提取模块4；
特征提取模块4，用于将数据采集器3传输的振动信号进行特征提取，将每个振动信号进行EEMD分解，将每个振动信号分解为一系列IMF，选择能量占振动信号总能量比最高的前若干个IMF，获取选择的若干个IMF的能量与排列熵，并组成特征向量，将同时获取的一组若干天轮轴轴向振动信号的特征向量组合为最终特征向量；
模型建立模块5，将进行特征提取后得到的最终特征向量及其对应的张力状态作为训练样本，以最终特征向量为输入，张力状态为输出，训练矿井提升机张力状态PSO-SVM分类模型；
故障诊断模块6，获取特征提取模块4提取的实时振动信号的最终特征向量，利用模型建立模块5建立的矿井提升机张力状态PSO-SVM分类模型对张力状态进行实时识别。
其中，所述振动信号为时长为0.5～2s的信号片段，本实施例中振动信号选择截取时长为1s的信号片段。
本实施例中，所述选择能量占振动信号总能量比最高的前若干个IMF遵循如下过程：
分别计算每个IMF的能量，按能量占振动信号总能量比从大到小排列；
选择能量之和占振动信号总能量比超过95％的前若干个IMF。
本实施例中，模型建立模块5训练矿井提升机张力状态PSO-SVM分类模型具体包括如下过程：
以训练样本中的最终特征向量为输入，以最终特征向量对应的应力状态为输出训练SVM分类模型；
使用PSO算法优化SVM分类模型中的惩罚系数c和核函数参数g，以惩罚系数c和核函数参数g对PSO算法初始化，以样本识别精度的负数为PSO算法中的适应度函数进行寻优，所述样本识别精度为训练SVM分类模型时识别最终特征向量对应的应力状态正确的样本数除以样本总数的值；当寻优达到最大迭代次数或适应度函数小于预设精度时，寻优结束，输出最优的惩罚系数c和核函数参数g；
将得到最优的惩罚系数c和核函数参数g赋值到SVM分类模型，得到矿井提升机张力状态PSO-SVM分类模型。
特征提取模块的特征提取过程，模型建立模块的模型创建过程，均可参见实施例1中的特征提取过程和模型创建过程。
本实施例中，所述振动传感器2通过磁吸附或胶粘方式安装于天轮轴1上，本实施例中振动传感器2优选加速度计，振动传感器2使用磁吸附、胶粘等方法安装，简单方便，且无需改造原有结构，无安全隐患；振动传感器2安装位置为天轮轴1，位于地上且固定不动，供电、信号传输均可采用有线方式解决，利于系统长期稳定可靠运行，且地面环境远好于地下，可大大提高使用寿命；安装、改造、维护成本低、周期短，系统简单，扩展性强。
实施例3
本发明提供了一种矿井提升机控制系统，该控制系统包括上述矿井提升机张力故障诊断系统，及与所述矿井提升机张力故障诊断系统连接的控制单元。具体实施时，可采用将实施例2中提供的矿井提升机张力故障诊断系统与矿井提升机的主控PLC连接，可采用有线连接或无线连接，实现矿井提升机张力故障诊断系统与矿井提升机的主控PLC通信，矿井提升机张力故障诊断系统将张力状态信息传输至主控PLC，可实时对识别的张力故障进行及时的应对处理，提供矿山生产安全性。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种矿井提升机张力故障诊断方法，其特征在于，包括如下步骤，
模型建立阶段：
获取不同张力状态下若干天轮轴轴向振动信号数据；
特征提取，将获取的每个振动信号进行EEMD分解，将每个振动信号分解为一系列IMF，选择能量占振动信号总能量比最高的前若干个IMF，获取选择的前若干个IMF的能量与排列熵，并组成特征向量，将同时获取的一组若干天轮轴轴向振动信号的特征向量组合为最终特征向量；
将进行特征提取后得到的最终特征向量及其对应的张力状态作为训练样本，以最终特征向量为输入，张力状态为输出，训练矿井提升机张力状态PSO-SVM分类模型；
故障诊断阶段：
获取若干天轮轴轴向实时振动信号；
将实时振动信号按上述特征提取过程提取最终特征向量，然后利用矿井提升机张力状态PSO-SVM分类模型对张力状态进行实时识别；
所述选择能量占振动信号总能量比最高的前若干个IMF包括如下步骤：
分别计算每个IMF的能量，按能量占振动信号总能量比从大到小排列；
选择能量之和占振动信号总能量比超过95％的前若干个IMF；
训练矿井提升机张力状态PSO-SVM分类模型具体包括如下过程：
以训练样本中的最终特征向量为输入，以最终特征向量对应的应力状态为输出训练SVM分类模型；
使用PSO算法优化SVM分类模型中的惩罚系数c和核函数参数g，以惩罚系数c和核函数参数g对PSO算法初始化，以样本识别精度的负数为PSO算法中的适应度函数进行寻优，所述样本识别精度为训练SVM分类模型时识别最终特征向量对应的应力状态正确的样本数除以样本总数的值；当寻优达到最大迭代次数或适应度函数小于预设精度时，寻优结束，输出最优的惩罚系数c和核函数参数g；
将得到最优的惩罚系数c和核函数参数g赋值到SVM分类模型，得到矿井提升机张力状态PSO-SVM分类模型。
2.根据权利要求1所述的矿井提升机张力故障诊断方法，其特征在于，所述振动信号为时长为0.5～2s的信号片段。
3.一种矿井提升机张力故障诊断系统，其特征在于，包括：
若干振动传感器，用于获取若干天轮轴轴向振动信号；
数据采集器，用于将所述若干振动传感器获取的振动信号传输至特征提取模块；
特征提取模块，用于将数据采集器传输的振动信号进行特征提取，将每个振动信号进行EEMD分解，将每个振动信号分解为一系列IMF，选择能量占振动信号总能量比最高的前若干个IMF，获取选择的若干个IMF的能量与排列熵，并组成特征向量，将同时获取的一组若干天轮轴轴向振动信号的特征向量组合为最终特征向量；
模型建立模块，将进行特征提取后得到的最终特征向量及其对应的张力状态作为训练样本，以最终特征向量为输入，张力状态为输出，训练矿井提升机张力状态PSO-SVM分类模型；
故障诊断模块，获取特征提取模块提取的实时振动信号的最终特征向量，利用模型建立模块建立的矿井提升机张力状态PSO-SVM分类模型对张力状态进行实时识别；
所述选择能量占振动信号总能量比最高的前若干个IMF遵循如下过程：
分别计算每个IMF的能量，按能量占振动信号总能量比从大到小排列；
选择能量之和占振动信号总能量比超过95％的前若干个IMF；
模型建立模块中训练矿井提升机张力状态PSO-SVM分类模型具体包括如下过程：
以训练样本中的最终特征向量为输入，以最终特征向量对应的应力状态为输出训练SVM分类模型；
使用PSO算法优化SVM分类模型中的惩罚系数c和核函数参数g，以惩罚系数c和核函数参数g对PSO算法初始化，以样本识别精度的负数为PSO算法中的适应度函数进行寻优，所述样本识别精度为训练SVM分类模型时识别最终特征向量对应的应力状态正确的样本数除以样本总数的值；当寻优达到最大迭代次数或适应度函数小于预设精度时，寻优结束，输出最优的惩罚系数c和核函数参数g；
将得到最优的惩罚系数c和核函数参数g赋值到SVM分类模型，得到矿井提升机张力状态PSO-SVM分类模型。
4.根据权利要求3所述的矿井提升机张力故障诊断系统，其特征在于，所述振动信号为时长为0.5～2s的信号片段。
5.根据权利要求3所述的矿井提升机张力故障诊断系统，其特征在于，所述振动传感器通过磁吸附或胶粘方式安装于天轮轴上。
6.一种矿井提升机控制系统，其特征在于，包括如权利要求3～5任一项所述的矿井提升机张力故障诊断系统，及与所述矿井提升机张力故障诊断系统连接的控制单元。
CN201910703639.9A 2019-07-31 2019-07-31 一种矿井提升机张力故障诊断方法、系统及控制系统 Active CN110371825B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910703639.9A CN110371825B (zh) 2019-07-31 2019-07-31 一种矿井提升机张力故障诊断方法、系统及控制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910703639.9A CN110371825B (zh) 2019-07-31 2019-07-31 一种矿井提升机张力故障诊断方法、系统及控制系统

Publications (2)

Publication Number Publication Date
CN110371825A CN110371825A (zh) 2019-10-25
CN110371825B true CN110371825B (zh) 2020-12-22

Family

ID=68257453

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910703639.9A Active CN110371825B (zh) 2019-07-31 2019-07-31 一种矿井提升机张力故障诊断方法、系统及控制系统

Country Status (1)

Country Link
CN (1) CN110371825B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114585579B (zh) * 2019-10-29 2023-03-28 三菱电机株式会社 电梯的张力测定装置
CN114623968B (zh) * 2022-03-08 2023-08-15 浙江省特种设备科学研究院 基于eemd和ml-esn的钢丝绳动态张力测量装置及预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004133553A (ja) * 2002-10-08 2004-04-30 Toshiba Corp 設備診断装置
CN103496625A (zh) * 2013-10-17 2014-01-08 太原理工大学 基于振动分析的多绳摩擦提升机载荷识别方法
CN104794327A (zh) * 2015-05-06 2015-07-22 西安科技大学 基于决策融合的多模型矿井顶板安全预警模型
CN109255333A (zh) * 2018-09-25 2019-01-22 内蒙古工业大学 一种大型风电机组滚动轴承故障混合诊断方法
CN109253872A (zh) * 2018-09-17 2019-01-22 华西能源工程有限公司 一种基于ceemdan的转子运行状态监测方法
CN109858458A (zh) * 2019-02-19 2019-06-07 武汉科技大学 一种基于eemd近似熵的矿山微震信号智能识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004133553A (ja) * 2002-10-08 2004-04-30 Toshiba Corp 設備診断装置
CN103496625A (zh) * 2013-10-17 2014-01-08 太原理工大学 基于振动分析的多绳摩擦提升机载荷识别方法
CN104794327A (zh) * 2015-05-06 2015-07-22 西安科技大学 基于决策融合的多模型矿井顶板安全预警模型
CN109253872A (zh) * 2018-09-17 2019-01-22 华西能源工程有限公司 一种基于ceemdan的转子运行状态监测方法
CN109255333A (zh) * 2018-09-25 2019-01-22 内蒙古工业大学 一种大型风电机组滚动轴承故障混合诊断方法
CN109858458A (zh) * 2019-02-19 2019-06-07 武汉科技大学 一种基于eemd近似熵的矿山微震信号智能识别方法

Also Published As

Publication number Publication date
CN110371825A (zh) 2019-10-25

Similar Documents

Publication Publication Date Title
CN110371825B (zh) 一种矿井提升机张力故障诊断方法、系统及控制系统
CN103544389B (zh) 基于故障树和模糊神经网络的汽车起重机故障诊断方法
CN109019216B (zh) 电梯故障智能诊断系统及方法
CN111650917B (zh) 一种设备的多维度状态在线监测方法及系统
WO2014044906A1 (en) Predictive maintenance method and system
CN104477723A (zh) 一种矿井提升机缠绕卷筒乱绳监测系统与判断方法
CN203497948U (zh) 一种汽车起重机模糊神经网络故障诊断装置
CN107651521B (zh) 一种基于主轴测点应变的矿井提升系统健康状态监测方法
CN111071291B (zh) 列车轮对监测系统及列车轮对监测方法
CN104773625A (zh) 一种基于物联网的电梯健康监测系统及监测方法
CN107503732A (zh) 一种抽汲作业自动下放控制系统及控制方法
CN109376794A (zh) 一种铁水脱硫搅拌器的智能故障诊断方法及系统
CN113779838A (zh) 一种模型与数据融合驱动的提升机主轴装置智能维护方法
CN113465953B (zh) 动车组传动系统故障预测与健康管理装置及其使用方法
CN111695201A (zh) 一种基于数据的磁浮列车运行状态的监测方法
CN101271035A (zh) 一种非转运动机械故障诊断系统和方法
CN104401874B (zh) 起重机起升钢丝绳全程实时寿命的评估方法
Makarova et al. Improvement of the Vehicle's Onboard Diagnostic System by Using the Vibro-Diagnostics Method
CN115270875A (zh) 一种基于深度学习的隔膜泵运行状态监测方法
CN204737522U (zh) 一种基于物联网的电梯健康监测系统
CN108996354A (zh) 一种缠绕式提升机的松绳保护系统
CN215364360U (zh) 矿井提升机监测系统
CN206278845U (zh) 一种桥式起重机故障诊断系统
CN116873690B (zh) 电梯安全监控数据处理系统
CN216971642U (zh) 用于监测垂直电梯机械部件疲劳程度的装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Tan Jianping

Inventor after: Xue Shaohua

Inventor after: Shi Lixiang

Inventor after: Deng Jiwei

Inventor after: Chen Zhaojun

Inventor after: Huang Tianran

Inventor before: Tan Jianping

Inventor before: Xue Shao

Inventor before: Shi Lixiang

Inventor before: Deng Jiwei

Inventor before: Chen Zhaojun

Inventor before: Huang Tianran

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant