CN113280909A - 一种基于振动信号分析的选煤厂振动筛智能检测系统及方法 - Google Patents
一种基于振动信号分析的选煤厂振动筛智能检测系统及方法 Download PDFInfo
- Publication number
- CN113280909A CN113280909A CN202110376013.9A CN202110376013A CN113280909A CN 113280909 A CN113280909 A CN 113280909A CN 202110376013 A CN202110376013 A CN 202110376013A CN 113280909 A CN113280909 A CN 113280909A
- Authority
- CN
- China
- Prior art keywords
- data
- vibrating screen
- vibration signal
- vibration
- database
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 44
- 239000003245 coal Substances 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000002360 preparation method Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000004891 communication Methods 0.000 claims abstract description 36
- 230000001133 acceleration Effects 0.000 claims abstract description 16
- 238000006243 chemical reaction Methods 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 238000003745 diagnosis Methods 0.000 claims description 43
- 230000002159 abnormal effect Effects 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 23
- 238000005070 sampling Methods 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 11
- 238000009434 installation Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 6
- 230000002688 persistence Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 239000013307 optical fiber Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000005406 washing Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000005389 magnetism Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000006148 magnetic separator Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H11/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties
- G01H11/06—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means
- G01H11/08—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means using piezoelectric devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提出一种基于振动信号分析的选煤厂振动筛智能检测系统及方法。主要用于解决振动筛激振器轴承、齿轮、连接杆损伤，筛板脱落等故障状态检测问题。本发明所述系统主要包括振动信号数据采集系统、本地控制柜、计算机系统。所述振动信号数据采集系统包括压电式加速度传感器、十通道恒流适配器、数据采集卡；所述本地控制柜包括电源控制模块、信号转换模块、网络通信模块；所述计算机系统包括振动信号采集软件、振动信号分析及监测软件、数据库系统。本发明实现了选煤厂振动筛运行状态实时监测，以及故障状态提前预警，能满足目前选煤厂生产需要。
Description
技术领域
本发明涉及工业自动化生产线大型机械设备故障诊断领域，具体是一种基于振动信号分析的选煤厂振动筛智能检测系统及方法
背景技术
在选煤厂中重介质选煤技术是借助于物理密度进行分选的一种方法。根据阿基米德原理将物理密度处于中煤或矸石和净煤之间的重介质悬浮液进行分离。在选煤厂进行重介质洗煤的过程中，首先需要准备好符合标准的相应密度的重介质，之后将事先准备好的入料按照相应的速率和重介质投入到分选机中。根据物理密度的不同将轻产物以及重产物筛选出来，使用喷水洗涤的方式来对洗煤过程中的介质进行脱除和回收。对于这些被筛选出的介质，通常采用磁选机进行后续的回收操作并将介质送回到洗煤过程中进行循环利用。
振动筛机组作为重介质洗煤系统中的关键设备，其运行状态影响着整个重介洗煤系统以及整个选煤厂的安全可靠运行。第一时间识别机组出现的问题，然后根据特定状况对机组各设备作状态检修与相应的维护保养，进而构建预测性维修系统等，这些均可使重介质洗煤系统与选煤厂的运行状况更为安全、稳定与可靠，从而极大地提升相应的经济性。
针对目前振动筛故障检测的滞后性、非实时性等问题，结合复杂的工业现场环境，设计一套振动筛智能检测系统尤为重要。
发明内容
本发明旨在提供一种基于振动信号分析的选煤厂振动筛智能检测系统及方法，以解决现有技术中存在的检测滞后性强，实时性低等问题。
根据上述发明目的，本发明采用如下技术方案：
一种基于振动信号分析的选煤厂振动筛智能检测系统，包括振动信号数据采集系统、本地控制柜和计算机系统，所述振动信号数据采集系统和本地控制柜之间使用6根6芯电缆连接，为传感器提供18V直流电与通信功能；本地控制柜和计算机系统之间使用光纤连接，采用以太网通信方式。
优选地，所述振动信号数据采集系统包括压电式加速度传感器、十通道恒流适配器、数据采集卡。压电式加速度传感器和本地控制柜中的十通道恒流适配器之间使用6芯电缆连接，由恒流适配器向传感器提供18V直流电源、2mA电流信号，并把经过放大的电压信号输入到数据采集卡。每个压电式振动传感器有三个接口，分别为X、Y、Z轴，每个轴采用二线支形式，一根为地，一根为恒流电源输入与输出共用。所述本地控制柜中包括电源控制模块、信号转换模块、网络通信模块；所述计算机系统包括振动信号采集软件、振动信号分析及监测软件、数据库系统；电源控制模块负责控制信号转换模块、网络通信模块、恒流适配器以及数据采集卡的供电；信号转换模块与网络通信模块相连；所述本地控制柜中的电源控制模块受计算机系统的振动信号分析及监测软件控制，采用TCP/IP通信协议传递数据。
优选地，本系统所述的计算机系统中的振动信号采集软件包括设备控制界面、参数配置界面、采样数据监测界面。设备控制界面主要负责建立软件与设备连接以及选择何种连接模(单端/差分)；参数配置界面主要设置允许接入的传感器，数据的采样频率、数据的采样精度；采样数据监测界面主要负责实时显示每个传感器采集到的振动信号波形图，并且将数据保存在数据库中便于后序振动信号分析及监测软件使用。计算机系统中的振动信号分析及监测软件初始化时会和网络通信模块建立连接，并发送开关信号控制电源控制模块的状态，然后从数据库中读取由振动信号采集软件采集到的数据，随后通过已经搭建好的故障诊断模型对数据进行分析，并将分析好的数据以可视化的形式展示在监测软件的上位机界面上，同时分析完成的数据会重新持久化到数据库。故障诊断模型会对当前采集到的数据进行分类，判断当前振动筛是否发生筛板脱落，激振器轴承、齿轮、连接杆损伤等故障，如果监测到有故障发生及时发出报警，若没有故障则显示振动筛正常运行及其波形图。同时监测软件也支持向数据库系统中发送查询指令，用于统计每周、月、年振动筛发生的故障次数以及故障类型。
优选地，本系统所述的计算机系统中的数据库系统包括数据通信模块、数据持久化模块和数据深度学习模块。计算机系统中的数据库系统的数据通信模块负责和计算机系统中的振动信号采集软件建立稳定连接，由传感器采集振动信号数据通过通信模块发送到上位机。计算机系统中的数据库系统的数据持久化模块主要负责：创建每个振动筛设备的数据库；每天在数据库中创建振动筛运行状态监测表；存储计算机系统中的振动信号采集软件发来的数据；执行计算机系统中的振动信号分析及监测软件发来的SQL语句，在数据库查找到相应数据进行分析，并将结果返回到监测软件。计算机系统中的数据库系统的数据深度学习模块主要负责：执行脚本程序，将传感器采集到的最新数据利用CNN神经网络对数据库中的数据进行深度学习，逐步完善故障诊断模型，同时对当前数据进行数据分类，判断当前振动筛运行状态，当程序监测到数据分析的结果是异常状态时，或者预测到可能会发生异常状态，会向振动信号分析及监测软件发送异常信息，有利于相应工作人员做出后序检查维修操作。
优选地，本系统所述的基于压电式加速度传感器是将电荷放大电路集成内置在压电传感器内，用于采集振动筛的振动信号数据，并通过故障诊断模型对当前数据进行分析及分类，当出现异常状态或者预测到可能会发生异常状态时发出报警信号。
优选地，一种基于振动信号分析的选煤厂振动筛智能检测方法，采用本发明基于振动信号分析的选煤厂振动筛智能检测系统来实现，用于采集振动筛的振动信号数据，并通过故障诊断模型对当前数据进行分析及分类，当出现异常状态或者预测到可能会发生异常状态时发出报警信号；包括以下步骤：
步骤1、根据不同振动筛的实际情况，确定如权利1～4所述的系统的安装位置；
步骤2、对每个振动筛进行各种运行状态下的数据采集，当达到足够的样本量时为每个振动筛搭建相应的故障诊断模型，有利于提高故障诊断的精确度；
步骤3、对基于压电式加速度传感器采集的数据进行数据预处理，过滤掉不符合实际的测量数据及环境噪声；
步骤4、将处理后的数据放入数据库中存储，提升深度学习的样本量，便于优化故障诊断模型，同时通过诊断模型分析数据。针对工业现场振动筛常见异常状态进行数据分类，当振动筛处于正常运行状态时记录运行数据，如果发成异常状态则发出报警提示。
所述步骤1具体包括以下步骤：
步骤1.1、根据振动筛设备机械振动原理，以及工业现场复杂工作的工作环境，确定传感器安装位置；
步骤1.2、安装压电式加速度传感器，每个振动筛安装6个传感器，两两为一组分别安装在振动筛前端、振动筛激振器、振动筛末端。采用磁吸式安装方式，安装快速便捷，并且有利于针对不同测量要求及时调整测量位置。根据现场施工要求，确定合理的走线方式；
步骤1.3、根据工业现场的功能区域划分，确定本地控制柜的安装位置。安装本地控制柜中的电源控制模块、信号转换模块、网络通信模块；
所述步骤2具体包括以下步骤：
步骤2.1、采集振动筛空载的振动数据，搭建针对于振动筛振动机理故障诊断模型；
步骤2.2、采集振动筛有负载时正常工作的振动数据，收集足够的样本数据；
步骤2.3、模拟振动筛不同的异常运行状态，例如拆下几块筛板，模拟振动筛运行过程中筛板脱落异常状态，并采集相应振动数据，建立异常状态数据库；
所述步骤3具体包括以下步骤：
步骤3.1、通过EMD算法对采集到的振动信号进行处理，将振动信号中存在的不同尺度的波动分解出来，从而形成一系列具有不同特征尺度数据序列的本征模态函数IMF。对于信号x(t)，EMD过程如下：
步骤3.2、确定信号x(t)中的所有局部极大值和极小值点，采用三次样条函数将所有的局部极大值和极小值点连接起来形成上下包络线，计算上下包络线的平均值m1；
步骤3.3、将信号x(t)减去上下包络线均值m1，那么可以得到新的序列h1：
h1(t)＝x(t)-m1 (1)
步骤3.4、如果h1满足本征模态函数条件，那么将h1确定为信号x(t)的第1个本征模态函数，否则将h1作为新的原始数据，重复k次步骤1～步骤2，直到h1k满足本征模态函数条件：
h1k(t)＝h1,k-1(t)-m1k (2)
其中下标1表示搜寻第1个IMF分量，下标k表示重复的次数。
记c1＝h1k，那么c1为信号x(t)的第1个IMF分量；
步骤3.5、将c1从信号x(t)中分离，得到新的序列r1：
r1＝x-c1 (3)
步骤3.6、将r1作为原始数据，重复步骤1～步骤4得到第2个IMF分量c2；
步骤3.7、不断地重复n次步骤1～步骤5，那么就可以得到原始信号x(t)的n个IMF分量，此时rn为单调函数，无法继续提取IMF分量；
r2＝r1-c2,…,rn＝rn-1-cn (4)
原始信号x(t)可以表示为n个IMF分量和残差函数rn的形式，即
其中ci表示第i个IMF分量。
所述步骤4具体包括以下步骤：
步骤4.1、读取数据库中历史数据，放入CNN神经网络进行训练，逐步优化故障诊断模型。
步骤4.2、将传感器采集到并已经处理好的振动数据放入故障诊断模型中进行数据分析。
步骤4.3、将诊断结果进行分类，如果是正常状态则向监测软件返回振动筛运行状态波形图，如果是异常状态则返回产生异常状态的原因，并向工作人员发出报警信息。
本发明与现有技术相比较，具有如下显而易见的突出实质性特点和显著的优点：
1.本发明所述的智能检测系统解决了现有人工检测方案精度低、实时性差、成本高的问题，实现对振动筛运行状态实时监测，并且通过对振动信号的深度学习，对振动筛可能出现的振动机理问题做出预测，及时提醒工作人员检查维护，能够有效提高振动筛设备运行寿命；
2.所述方案不仅可以用于检测振动筛运行状态，对选煤厂其他设备例如皮带托辊都具有很好的应用范围。
附图说明
图1为本发明基于振动信号分析的选煤厂振动筛智能检测系统的结构示意图。
具体实施方式
下面结合附图对本发明优选实施例中的技术方案进行清楚、完整地描述。
实施例一：
参见图1，本基于振动信号分析的选煤厂振动筛智能检测系统，包括振动信号数据采集系统1、本地控制柜2和计算机系统3，所述振动信号数据采集系统1和本地控制柜2之间使用6根6芯电缆连接，为传感器提供18V直流电与通信功能；本地控制柜2和计算机系统3之间使用光纤连接，采用以太网通信方式。本实施例系统能解决现有技术中存在的检测滞后性强，实时性低等问题。
实施例二：
本实施例与实施例一基本相同，特别之处如下：
在本实施例中，所述振动信号数据采集系统1包括压电式加速度传感器1.1、十通道恒流适配器1.2和数据采集卡1.3，所述压电式加速度传感器1.1和本地控制柜中的十通道恒流适配器1.2之间使用6芯电缆连接，由恒流适配器1.2向传感器1.1提供18V直流电源、2mA电流信号，并把经过放大的电压信号输入到数据采集卡1.3；每个压电式振动传感器1.1有三个接口，分别为X、Y、Z轴，每个轴采用二线支形式，一根为地，一根为恒流电源输入与输出共用；所述本地控制柜2中包括电源控制模块2.1、信号转换模块2.2和网络通信模块2.3；所述计算机系统3包括振动信号采集软件3.1、振动信号分析及监测软件3.2以及数据库系统3.3；所述电源控制模块2.1负责控制信号转换模块2.2和网络通信模块2.3，所述恒流适配器1.2以及数据采集卡1.3的供电；信号转换模块2.2与网络通信模块2.3相连，负责将485信号转换为网络信号；所述本地控制柜2中的电源控制模块2.1受计算机系统3的振动信号分析及监测软件3.3控制，采用TCP/IP通信协议传递数据。
在本实施例中，计算机系统3中的振动信号采集软件3.1包括设备控制界面、参数配置界面、采样数据监测界面；设备控制界面主要负责建立软件与设备连接以及选择何种连接模；参数配置界面主要设置允许接入的传感器，数据的采样频率、数据的采样精度；采样数据监测界面主要负责实时显示每个传感器采集到的振动信号波形图，并且将数据保存在数据库中便于后序振动信号分析及监测软件使用；所述计算机系统3中的振动信号分析及监测软件3.2初始化时会和网络通信模块建立连接，并发送开关信号控制电源控制模块的状态，然后从数据库中读取由振动信号采集软件3.1采集到的数据，随后通过已经搭建好的故障诊断模型对数据进行分析，并将分析好的数据以可视化的形式展示在监测软件的上位机界面上，同时分析完成的数据会重新持久化到数据库；故障诊断模型会对当前采集到的数据进行分类，判断当前振动筛是否发生筛板脱落，激振器轴承、齿轮、连接杆损伤故障，如果监测到有故障发生及时发出报警，若没有故障则显示振动筛正常运行及其波形图；同时监测软件也支持向数据库系统3.3中发送查询指令，用于统计每周、月、年振动筛发生的故障次数以及故障类型。
在本实施例中，计算机系统3中的数据库系统3.3包括数据通信模块、数据持久化模块和数据深度学习模块；计算机系统3中的数据库系统3.3的数据通信模块负责和计算机系统3中的振动信号采集软件3.2建立稳定连接，由传感器采集振动信号数据通过通信模块发送到上位机；计算机系统3中的数据库系统3.3的数据持久化模块主要负责：创建每个振动筛设备的数据库；每天在数据库中创建振动筛运行状态监测表；存储计算机系统中的振动信号采集软件发来的数据；执行计算机系统3中的振动信号分析及监测软件3.2发来的SQL语句，在数据库查找到相应数据进行分析，并将结果返回到监测软件；计算机系统3中的数据库系统3.3的数据深度学习模块主要负责：执行脚本程序，将传感器采集到的最新数据利用CNN神经网络对数据库中的数据进行深度学习，逐步完善故障诊断模型，同时对当前数据进行数据分类，判断当前振动筛运行状态，当程序监测到数据分析的结果是异常状态时，或者预测到可能会发生异常状态，向振动信号分析及监测软件发送异常信息，有利于相应工作人员做出后序检查维修操作。
本实施例智能检测系统解决了现有人工检测方案精度低、实时性差、成本高的问题，实现对振动筛运行状态实时监测，并且通过对振动信号的深度学习，对振动筛可能出现的振动机理问题做出预测，及时提醒工作人员检查维护，能够有效提高振动筛设备运行寿命；本实施例系统用于检测振动筛运行状态，对选煤厂其他设备例如皮带托辊都具有很好的应用范围。
实施例三：
在本实施例中，基于振动信号分析的选煤厂振动筛智能检测系统结构图如图1所示。本系统包括振动信号采集系统、本地控制柜、计算机系统。振动信号采集系统硬件主要包括压电式加速度传感器、十通道恒流适配器、数据采集卡。压电式加速度传感器为三轴式，采用直流18V供电，可以采集X、Y、Z三个方向上的振动数据，每个坐标轴接口需要一根地线以及一根信号与电源共用线，因此采用6芯电缆与恒流适配器相连接。恒流适配器负责给传感器提供稳定的2mA电流信号，并将采集到的模拟信号传输到数据采集卡。再由本地控制柜中的信号转换模块转换为网络信号，通过网络信号传输到上位机的计算机系统中。本地控制柜中的电源控制模块负责控制振动信号采集模块、信号转换模块、网络通信模块的供电，网络通信模块负责与计算机系统进行交互，同时也可以控制电源模块的供电，从而实现远程控制整个振动采集系统通断，实现远程控制。计算机系统主要负责对振动信号预处理、存储、故障诊断、可视化显示，与工作人员进行交互。
技术方案中所采用的方法包括以下步骤：
步骤1、根据选煤厂重介质洗煤系统设计图纸，结合现场施工要求确定传感器测量点。
步骤1.1、根据振动筛设备机械振动原理，以及工业现场复杂工作的工作环境，确定传感器安装位置。
步骤1.2、安装压电式加速度传感器，每个振动筛安装6个传感器，两两为一组分别安装在振动筛前端、振动筛激振器、振动筛末端。采用磁吸式安装方式，安装快速便捷，并且有利于针对不同测量要求及时调整测量位置。根据现场施工要求，确定合理的走线方式。
步骤1.3、根据工业现场的功能区域划分，确定本地控制柜的安装位置。安装本地控制柜中的电源控制模块、信号转换模块、网络通信模块。
步骤2、对每个振动筛进行各种运行状态下的数据采集，当达到足够的样本量时为每个振动筛搭建相应的故障诊断模型，有利于提高故障诊断的精确度。
步骤2.1、采集振动筛空载的振动数据，搭建针对于振动筛振动机理故障诊断模型。
步骤2.2、采集振动筛有负载时正常工作的振动数据，收集足够的样本数据。
步骤2.3、模拟振动筛不同的异常运行状态，例如拆下几块筛板，模拟振动筛运行过程中筛板脱落异常状态，并采集相应振动数据，建立异常状态数据库。
步骤3、对基于压电式加速度传感器采集的数据进行数据预处理，过滤掉不符合实际的测量数据及环境噪声。
步骤3.1、通过EMD算法对采集到的振动信号进行处理，将振动信号中存在的不同尺度的波动分解出来，从而形成一系列具有不同特征尺度数据序列的本征模态函数IMF。对于信号x(t)，EMD过程如下。
步骤3.2、确定信号x(t)中的所有局部极大值和极小值点，采用三次样条函数将所有的局部极大值和极小值点连接起来形成上下包络线，计算上下包络线的平均值m1。
步骤3.3、将信号x(t)减去上下包络线均值m1，那么可以得到新的序列h1：
h1(t)＝x(t)-m1 (1)
步骤3.4、如果h1满足本征模态函数条件，那么将h1确定为信号x(t)的第1个本征模态函数，否则将h1作为新的原始数据，重复k次步骤1～步骤2，直到h1k满足本征模态函数条件：
h1k(t)＝h1,k-1(t)-m1k (2)
其中下标1表示搜寻第1个IMF分量，下标k表示重复的次数。
记c1＝h1k，那么c1为信号x(t)的第1个IMF分量。
步骤3.5、将c1从信号x(t)中分离，得到新的序列r1：
r1＝x-c1 (3)
步骤3.6、将r1作为原始数据，重复步骤1～步骤4得到第2个IMF分量c2。
步骤3.7、不断地重复n次步骤1～步骤5，那么就可以得到原始信号x(t)的n个IMF分量，此时rn为单调函数，无法继续提取IMF分量。
r2＝r1-c2,…,rn＝rn-1-cn (4)
原始信号x(t)可以表示为n个IMF分量和残差函数rn的形式，即
其中ci表示第i个IMF分量。
步骤4、将处理后的数据放入数据库中存储，提升深度学习的样本量，便于优化故障诊断模型，同时通过诊断模型分析数据。针对工业现场振动筛常见异常状态进行数据分类，当振动筛处于正常运行状态时记录运行数据，如果发成异常状态则发出报警提示。
步骤4.1、读取数据库中历史数据，放入CNN神经网络进行训练，逐步优化故障诊断模型。
步骤4.2、将传感器采集到并已经处理好的振动数据放入故障诊断模型中进行数据分析。
步骤4.3、将诊断结果进行分类，如果是正常状态则向监测软件返回振动筛运行状态波形图，如果是异常状态则返回产生异常状态的原因，并向工作人员发出报警信息。
综上所述步骤1到步骤4完成了对振动筛运行状态的检测与分析。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种基于振动信号分析的选煤厂振动筛智能检测系统，包括振动信号数据采集系统(1)、本地控制柜(2)和计算机系统(3)，其特征在于：所述振动信号数据采集系统(1)和本地控制柜(2)之间使用6根6芯电缆连接，为传感器提供18V直流电与通信功能；本地控制柜(2)和计算机系统(3)之间使用光纤连接，采用以太网通信方式。
2.根据权利要求1所述基于振动信号分析的选煤厂振动筛智能检测系统，其特征在于，所述振动信号数据采集系统(1)包括压电式加速度传感器(1.1)、十通道恒流适配器(1.2)和数据采集卡(1.3)，所述压电式加速度传感器(1.1)和本地控制柜中的十通道恒流适配器(1.2)之间使用6芯电缆连接，由恒流适配器(1.2)向传感器(1.1)提供18V直流电源、2mA电流信号，并把经过放大的电压信号输入到数据采集卡(1.3)；每个压电式振动传感器(1.1)有三个接口，分别为X、Y、Z轴，每个轴采用二线支形式，一根为地，一根为恒流电源输入与输出共用；所述本地控制柜(2)中包括电源控制模块(2.1)、信号转换模块(2.2)和网络通信模块(2.3)；所述计算机系统(3)包括振动信号采集软件(3.1)、振动信号分析及监测软件(3.2)以及数据库系统(3.3)；所述电源控制模块(2.1)负责控制信号转换模块(2.2)和网络通信模块(2.3)，所述恒流适配器(1.2)以及数据采集卡(1.3)的供电；信号转换模块(2.2)与网络通信模块(2.3)相连，负责将485信号转换为网络信号；所述本地控制柜(2)中的电源控制模块(2.1)受计算机系统(3)的振动信号分析及监测软件(3.3)控制，采用TCP/IP通信协议传递数据。
3.根据权利要求1所述基于振动信号分析的选煤厂振动筛智能检测系统，其特征在于：计算机系统(3)中的振动信号采集软件(3.1)包括设备控制界面、参数配置界面、采样数据监测界面；设备控制界面主要负责建立软件与设备连接以及选择何种连接模；参数配置界面主要设置允许接入的传感器，数据的采样频率、数据的采样精度；采样数据监测界面主要负责实时显示每个传感器采集到的振动信号波形图，并且将数据保存在数据库中便于后序振动信号分析及监测软件使用；所述计算机系统(3)中的振动信号分析及监测软件(3.2)初始化时会和网络通信模块建立连接，并发送开关信号控制电源控制模块的状态，然后从数据库中读取由振动信号采集软件(3.1)采集到的数据，随后通过已经搭建好的故障诊断模型对数据进行分析，并将分析好的数据以可视化的形式展示在监测软件的上位机界面上，同时分析完成的数据会重新持久化到数据库；故障诊断模型会对当前采集到的数据进行分类，判断当前振动筛是否发生筛板脱落，激振器轴承、齿轮、连接杆损伤故障，如果监测到有故障发生及时发出报警，若没有故障则显示振动筛正常运行及其波形图；同时监测软件也支持向数据库系统(3.3)中发送查询指令，用于统计每周、月、年振动筛发生的故障次数以及故障类型。
4.根据权利要求1所述基于振动信号分析的选煤厂振动筛智能检测系统，其特征在于，计算机系统(3)中的数据库系统(3.3)包括数据通信模块、数据持久化模块和数据深度学习模块；计算机系统(3)中的数据库系统(3.3)的数据通信模块负责和计算机系统(3)中的振动信号采集软件(3.2)建立稳定连接，由传感器采集振动信号数据通过通信模块发送到上位机；计算机系统(3)中的数据库系统(3.3)的数据持久化模块主要负责：创建每个振动筛设备的数据库；每天在数据库中创建振动筛运行状态监测表；存储计算机系统中的振动信号采集软件发来的数据；执行计算机系统(3)中的振动信号分析及监测软件(3.2)发来的SQL语句，在数据库查找到相应数据进行分析，并将结果返回到监测软件；计算机系统(3)中的数据库系统(3.3)的数据深度学习模块主要负责：执行脚本程序，将传感器采集到的最新数据利用CNN神经网络对数据库中的数据进行深度学习，逐步完善故障诊断模型，同时对当前数据进行数据分类，判断当前振动筛运行状态，当程序监测到数据分析的结果是异常状态时，或者预测到可能会发生异常状态，向振动信号分析及监测软件发送异常信息，有利于相应工作人员做出后序检查维修操作。
5.一种基于振动信号分析的选煤厂振动筛智能检测方法，采用如权利1～4所述基于振动信号分析的选煤厂振动筛智能检测系统来实现，用于采集振动筛的振动信号数据，并通过故障诊断模型对当前数据进行分析及分类，当出现异常状态或者预测到可能会发生异常状态时发出报警信号；其特征在于包括以下步骤：
步骤1、根据不同振动筛的实际情况，确定智能检测系统的安装位置；
步骤2、对每个振动筛进行各种运行状态下的数据采集，当达到足够的样本量时为每个振动筛搭建相应的故障诊断模型，有利于提高故障诊断的精确度；
步骤3、对基于压电式加速度传感器采集的数据进行数据预处理，过滤掉不符合实际的测量数据及环境噪声；
步骤4、将处理后的数据放入数据库中存储，提升深度学习的样本量，便于优化故障诊断模型，同时通过诊断模型分析数据；针对工业现场振动筛常见异常状态进行数据分类，当振动筛处于正常运行状态时记录运行数据，如果发成异常状态则发出报警提示。
6.根据权利要求5所述基于振动信号分析的选煤厂振动筛智能检测方法，其特征在于，所述步骤1具体包含以下步骤：
步骤1.1、根据振动筛设备机械振动原理，以及工业现场复杂工作的工作环境，确定传感器安装位置；
步骤1.2、安装压电式加速度传感器，每个振动筛安装6个传感器，两两为一组分别安装在振动筛前端、振动筛激振器、振动筛末端，采用磁吸式安装方式，安装快速便捷，并且有利于针对不同测量要求及时调整测量位置；根据现场施工要求，确定合理的走线方式；
步骤1.3、根据工业现场的功能区域划分，确定本地控制柜的安装位置，安装本地控制柜中的电源控制模块、信号转换模块、网络通信模块。
7.根据权利要求5所述基于振动信号分析的选煤厂振动筛智能检测方法，其特征在于，所述步骤2具体包含以下步骤：
步骤2.1、采集振动筛空载的振动数据，搭建针对于振动筛振动机理故障诊断模型；
步骤2.2、采集振动筛有负载时正常工作的振动数据，收集足够的样本数据；
步骤2.3、模拟振动筛不同的异常运行状态，拆下几块筛板，模拟振动筛运行过程中筛板脱落异常状态，并采集相应振动数据，建立异常状态数据库。
8.根据权利要求5所述基于振动信号分析的选煤厂振动筛智能检测方法，其特征在于，所述步骤3具体包含以下步骤：
步骤3.1、通过EMD算法对采集到的振动信号进行处理，将振动信号中存在的不同尺度的波动分解出来，从而形成一系列具有不同特征尺度数据序列的本征模态函数IMF；对于信号x(t)，EMD过程如下：
步骤3.2、确定信号x(t)中的所有局部极大值和极小值点，采用三次样条函数将所有的局部极大值和极小值点连接起来形成上下包络线，计算上下包络线的平均值m1；
步骤3.3、将信号x(t)减去上下包络线均值m1，那么可以得到新的序列h1：
h1(t)＝x(t)-m1 (1)
步骤3.4、如果h1满足本征模态函数条件，那么将h1确定为信号x(t)的第1个本征模态函数，否则将h1作为新的原始数据，重复k次步骤1～步骤2，直到h1k满足本征模态函数条件：
h1k(t)＝h1,k-1(t)-m1k (2)
其中下标1表示搜寻第1个IMF分量，下标k表示重复的次数。
记c1＝h1k，那么c1为信号x(t)的第1个IMF分量；
步骤3.5、将c1从信号x(t)中分离，得到新的序列r1：
r1＝x-c1 (3)
步骤3.6、将r1作为原始数据，重复步骤1～步骤4得到第2个IMF分量c2；
步骤3.7、不断地重复n次步骤1～步骤5，那么就可以得到原始信号x(t)的n个IMF分量，此时rn为单调函数，无法继续提取IMF分量；
r2＝r1-c2,…,rn＝rn-1-cn (4)
原始信号x(t)可以表示为n个IMF分量和残差函数rn的形式，即
其中ci表示第i个IMF分量。
9.根据权利要求5所述基于振动信号分析的选煤厂振动筛智能检测方法，其特征在于，所述步骤4具体包含以下步骤：
步骤4.1、读取数据库中历史数据，放入CNN神经网络进行训练，逐步优化故障诊断模型；
步骤4.2、将传感器采集到并已经处理好的振动数据放入故障诊断模型中进行数据分析；
步骤4.3、将诊断结果进行分类，如果是正常状态则向监测软件返回振动筛运行状态波形图，如果是异常状态则返回产生异常状态的原因，并向工作人员发出报警信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110376013.9A CN113280909A (zh) | 2021-04-08 | 2021-04-08 | 一种基于振动信号分析的选煤厂振动筛智能检测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110376013.9A CN113280909A (zh) | 2021-04-08 | 2021-04-08 | 一种基于振动信号分析的选煤厂振动筛智能检测系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113280909A true CN113280909A (zh) | 2021-08-20 |
Family
ID=77276419
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110376013.9A Pending CN113280909A (zh) | 2021-04-08 | 2021-04-08 | 一种基于振动信号分析的选煤厂振动筛智能检测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113280909A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113703371A (zh) * | 2021-09-01 | 2021-11-26 | 山西华控伟业科技有限公司 | 一种设备故障的检测装置及检测方法 |
| CN114036242A (zh) * | 2021-09-22 | 2022-02-11 | 西安理工大学 | 一种基于qt的智能主轴振动状态监测方法及系统 |
| CN114279728A (zh) * | 2021-12-07 | 2022-04-05 | 郑州大学 | 一种振动筛机体的故障诊断方法及系统 |
| CN115041401A (zh) * | 2022-08-16 | 2022-09-13 | 启东市三联建筑机械有限公司 | 一种沥青混凝土的振动分离监测方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107167229A (zh) * | 2017-06-01 | 2017-09-15 | 浙江工业大学 | 一种薄壳流固耦合振动检测系统及其控制方法 |
| CN107389323A (zh) * | 2017-06-29 | 2017-11-24 | 西安建筑科技大学 | 一种基于云计算的振动筛远程故障诊断与维护系统及方法 |
| CN108105081A (zh) * | 2018-02-05 | 2018-06-01 | 中国石油化工股份有限公司 | 注水泵机组故障诊断方法及装置 |
| CN108152064A (zh) * | 2017-12-26 | 2018-06-12 | 华侨大学 | 一种振动筛故障特征提取方法和故障监控系统 |
| CN108344564A (zh) * | 2017-12-25 | 2018-07-31 | 北京信息科技大学 | 一种基于深度学习的主轴特性试验台状态识别及预测方法 |
| CN109374270A (zh) * | 2018-09-19 | 2019-02-22 | 国网甘肃省电力公司电力科学研究院 | 一种gis异常振动分析及机械故障诊断装置及方法 |
| CN110243595A (zh) * | 2019-07-09 | 2019-09-17 | 福州大学 | 一种基于LabVIEW的远程齿轮箱故障监测系统 |
| CN111222458A (zh) * | 2020-01-06 | 2020-06-02 | 浙江工业大学 | 一种基于集合经验模态分解和卷积神经网络的滚动轴承故障诊断方法 |
| US20200209109A1 (en) * | 2018-12-28 | 2020-07-02 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for fault diagnosis |
| CN112611532A (zh) * | 2020-12-04 | 2021-04-06 | 苏州德姆斯信息技术有限公司 | 一种振动筛故障智能诊断装置及诊断方法 |
-
2021
- 2021-04-08 CN CN202110376013.9A patent/CN113280909A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107167229A (zh) * | 2017-06-01 | 2017-09-15 | 浙江工业大学 | 一种薄壳流固耦合振动检测系统及其控制方法 |
| CN107389323A (zh) * | 2017-06-29 | 2017-11-24 | 西安建筑科技大学 | 一种基于云计算的振动筛远程故障诊断与维护系统及方法 |
| CN108344564A (zh) * | 2017-12-25 | 2018-07-31 | 北京信息科技大学 | 一种基于深度学习的主轴特性试验台状态识别及预测方法 |
| CN108152064A (zh) * | 2017-12-26 | 2018-06-12 | 华侨大学 | 一种振动筛故障特征提取方法和故障监控系统 |
| CN108105081A (zh) * | 2018-02-05 | 2018-06-01 | 中国石油化工股份有限公司 | 注水泵机组故障诊断方法及装置 |
| CN109374270A (zh) * | 2018-09-19 | 2019-02-22 | 国网甘肃省电力公司电力科学研究院 | 一种gis异常振动分析及机械故障诊断装置及方法 |
| US20200209109A1 (en) * | 2018-12-28 | 2020-07-02 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for fault diagnosis |
| CN110243595A (zh) * | 2019-07-09 | 2019-09-17 | 福州大学 | 一种基于LabVIEW的远程齿轮箱故障监测系统 |
| CN111222458A (zh) * | 2020-01-06 | 2020-06-02 | 浙江工业大学 | 一种基于集合经验模态分解和卷积神经网络的滚动轴承故障诊断方法 |
| CN112611532A (zh) * | 2020-12-04 | 2021-04-06 | 苏州德姆斯信息技术有限公司 | 一种振动筛故障智能诊断装置及诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 苏旭: "《振动筛健康状态监测方法研究》", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113703371A (zh) * | 2021-09-01 | 2021-11-26 | 山西华控伟业科技有限公司 | 一种设备故障的检测装置及检测方法 |
| CN114036242A (zh) * | 2021-09-22 | 2022-02-11 | 西安理工大学 | 一种基于qt的智能主轴振动状态监测方法及系统 |
| CN114036242B (zh) * | 2021-09-22 | 2024-04-26 | 西安理工大学 | 一种基于qt的智能主轴振动状态监测方法及系统 |
| CN114279728A (zh) * | 2021-12-07 | 2022-04-05 | 郑州大学 | 一种振动筛机体的故障诊断方法及系统 |
| CN114279728B (zh) * | 2021-12-07 | 2023-07-25 | 郑州大学 | 一种振动筛机体的故障诊断方法及系统 |
| CN115041401A (zh) * | 2022-08-16 | 2022-09-13 | 启东市三联建筑机械有限公司 | 一种沥青混凝土的振动分离监测方法 |
| CN115041401B (zh) * | 2022-08-16 | 2022-10-28 | 启东市三联建筑机械有限公司 | 一种沥青混凝土的振动分离监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113280909A (zh) | 一种基于振动信号分析的选煤厂振动筛智能检测系统及方法 | |
| CN109144014B (zh) | 工业设备运行状况的检测系统及方法 | |
| CN111947928B (zh) | 一种多源信息融合的轴承故障预测系统及方法 | |
| CN101436046B (zh) | 一体化多通道同步振动数据采集及监视与分析诊断装置 | |
| CN111639467B (zh) | 一种基于长短期记忆网络的航空发动机寿命预测方法 | |
| CN102102629B (zh) | 一种风电机组在线数据采集与分析装置 | |
| CN109396954B (zh) | 嵌入式主轴系统异常状态智能检测和信息推送装置 | |
| CN110362037A (zh) | 一种用于数控机床的综合维护系统平台 | |
| CN111946559B (zh) | 一种风机基础和塔架结构检测方法 | |
| CN109405889B (zh) | 用于掘进机工作臂减速器故障预测的系统与方法 | |
| CN103671190A (zh) | 一种智能早期矿用通风机在线故障诊断系统 | |
| CN113852661A (zh) | 一种基于声波分析的流程供应链运载设备托辊故障监测系统及方法 | |
| CN111627199A (zh) | 一种水电站大坝安全监测系统及监测方法 | |
| CN113776794A (zh) | 一种嵌入式边缘计算的故障诊断方法、装置和系统 | |
| CN113238544A (zh) | 基于动作信号的设备数据采集系统及方法 | |
| CN2890860Y (zh) | 一种船舶轴系扭振实时检测与诊断系统 | |
| CN115215215A (zh) | 一种大型门式造船起重机的智能预警与故障诊断方法 | |
| CN209372414U (zh) | 一种行星齿轮故障诊断系统 | |
| CN111565024A (zh) | 一种太阳能电池板故障检测与运行效率预测装置和方法 | |
| CN207992717U (zh) | 一种水电站闸门在线状态监测系统 | |
| CN116937818B (zh) | 对内部进行实时监控的高压直流配电柜监控系统 | |
| CN117215258A (zh) | 一种基于Flink的数控机床实时状态监控系统及方法 | |
| CN107727392B (zh) | 基于信号检测和roc分析的状态指数评估和优化方法 | |
| CN115392313A (zh) | 一种屏蔽电机阀门的状态检测和故障智能诊断系统 | |
| CN114280383A (zh) | 一种大型地面站天线的健康检测装置及健康检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210820 |
|
| RJ01 | Rejection of invention patent application after publication |