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

摘要

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。

说明书

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m

步骤3.3、将信号x(t)减去上下包络线均值m

h

步骤3.4、如果h

h

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c

步骤3.5、将c

r

步骤3.6、将r

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r

r

原始信号x(t)可以表示为n个IMF分量和残差函数r

其中c

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m

步骤3.3、将信号x(t)减去上下包络线均值m

h

步骤3.4、如果h

h

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c

步骤3.5、将c

r

步骤3.6、将r

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r

r

原始信号x(t)可以表示为n个IMF分量和残差函数r

其中c

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。