煤矿机械振动信号预测研究.pdf

扫码移动阅读 第 46 卷 第 3 期 2020 年 3 月 工矿自动化 Industry and Mine Automation Vol . 46 No . 3 Mar .2020 文章编号 1671－251X（2020）03－0100－05 DOI 10 . 13272／j . issn . 1671-251x . 2019090085 煤矿机械振动信号预测研究 肖雅静 ， 李旭 ， 郭欣 （天地科技股份有限公司 ，北京 100013） 摘要 根据煤矿机械振动信号高低频组成成分变化规律的差异 ， 提出了一种基于经验模态分解（EMD） 和支持向量机（SVM）的煤矿机械振动信号组合预测方法 。 将滚动轴承振动信号进行 EMD 分解 ， 得到相对 平稳的本征模态函数（IMF）分量 ， 并将波动程度相近的 IMF 分量进行重构 ， 得到高频子序列和低频子序列 ， 采用 SVM 分别对高频子序列和低频子序列进行预测 ， 将 2 个预测结果叠加 ， 得到最终预测值 。 选取轴承实 验数据对组合预测方法的有效性进行验证 ， 结果表明该方法的均方根误差 、 平均绝对误差和平均绝对百分比 误差均小于直接预测方法 。 将该组合预测方法应用于某选煤厂主井带式输送机滚动轴承状况预测 ， 预测结 果与实际情况相符 。 关键词 煤矿机械振动信号 ；振动信号预测 ；经验模态分解 ；本征模态函数 ；支持向量机 ；高频子序列 ； 低频子序列 ；滚动轴承状况预测 中图分类号 TD41 文献标志码 A 收稿日期 2019-09-25 ； 修回日期 2020-02-09 ； 责任编辑 王晖 ， 郑海霞 。 基金项目 中国煤炭科工集团有限公司科技创新创业资金专项项目（2018MS023） 。 作者简介 肖雅静（1983 － ） ， 女 ， 河北唐山人 ， 工程师 ， 博士 ， 研究方向为机械故障诊断及矿山数字化 ， E-mail xiaoyajing001＠ 163 . com 。 引用格式 肖雅静 ， 李旭 ， 郭欣 . 煤矿机械振动信号预测研究［J］ . 工矿自动化 ， 2020 ， 46（3） 100-104 . XIAO Yajing ， LI Xu ， GUO Xin . Research on vibration signal prediction of coal mine machinery ［J］ . Industry and Mine Automation ， 2020 ， 46（3） 100-104 . Research on vibration signal prediction of coal mine machinery XIAO Yajing , LI Xu , GUO Xin CCTEG Tiandi Science vibration signal prediction ; EMD ; IMF ; SVM ; high frequency subsequence ; low frequency subsequence ; condition prediction of rolling bearing 万方数据 0 引言 常用煤矿机械设备监测监控系统通过设定门限 值实现机械设备故障报警 ， 但发生报警时设备已经 出现了不同程度的损坏或者性能降低 ， 这种滞后报 警给维护 、 维修工作带来很大的被动性 ， 导致设备存 在安全隐患 ［1］ 。 振动信号能快速响应机械设备的状 态变化 ， 且适用的信号处理方法灵活多样 ， 因此振动 信号分析法在机械故障诊断中应用最为广泛 ， 张鑫 媛 ［2］ 、 李赟恒 ［3］ 、 关长江 ［4］ 、华伟 ［5］ 等对煤矿机械振 动信号去噪 、 特征提取等进行了研究 。 在一般情况 下 ， 通过提取振动信号的特征能够分析出机械设备 的运行状态 ， 因此 ， 采用机械振动信号对机械设备状 态进行准确的预测有重要意义 。 通过查阅大量文 献 ， 发现目前对机械振动信号预测的研究主要集中 在非煤行业 ［6-8］ ， 对煤矿机械振动信号预测的研究较 少 。 针对上述问题 ， 本文提出一种以本征模态函数 （Intrinsic Mode Function ， IMF）分量为输入特征的 基于支持向量机（Support Vector Machine ，SVM ） 的煤矿机械振动信号组合预测方法 。 首先对振动信 号 进 行 经 验 模 态 分 解 （ EmpiricalMode Decomposition ， EMD） ， 将分解之后的 IMF 分量按 照其波动程度分成高频振动序列和低频振动序列两 组 ， 并分别重构为高频子序列和低频子序列 ， 然后选 择 IMF 分量为输入特征 ， 采用 SVM 分别对高频子 序列和低频子序列进行预测 ， 最后将二者的预测结 果叠加 ， 得到最终预测值 。 该组合预测方法提高了 煤矿机械振动信号预测精度 。 1 组合预测方法原理 1 . 1 EMD EMD 是一种自适应的时频分析方法 ， 它能够 把非平稳信号分解成若干 IMF 分量 ， 各 IMF 分量 分别凸显出原始信号的特定局部特征 ［9-11］ 。 假定被 分析的原始信号为 x（t） ， 经过 EMD 处理 ， x（t）可表 示成不同尺度波动的 IMF 分量和 1 个趋势项的 组合 。 x（t） ＝ ∑ n j ＝ 1 cj＋ r（1） 式中 n 为 IMF 分量个数 ；cj为 IMF 分量 ；r 为趋 势项 。 1 . 2 预测信号预处理 机械振动信号所包含的不同时间尺度的分量发 展趋势有所差异 ， 以滚动体故障的轴承振动信号为 例 ， 对其进行 EMD 处理 ， 结果如图 1 所示 。 可看出 前 2 个 IMF 分量的频率较高 ， 而其他 IMF 分量及 残余分量的频率较低 ， 高频分量和低频分量在变化 趋势上存在较大差异 。 如果直接对信号进行预测 ， 不考虑不同时间尺度的分量发展趋势差异性 ， 会降 低预测精度 。 笔者应用信号处理方法将原始信号分 解成不同尺度上的分量再对其进行预测 。 图 1 滚动体故障的轴承振动信号 EMD 结果 Fig . 1 EMD results of bearing vibration signals of rolling body fault 信号经 EMD 处理后 ， 得到相对平稳的 IMF 分 量 ， 然而 IMF 分量个数随着数据的变化并不完全相 同 ， 这会加大 SVM 预测模型建立的难度 。 为了解 决该问题 ， 借鉴文献［12］针对原始数据不同性状部 分使用不同方法进行预测的思想 ， 将波动程度相近 的 IMF 分量进行重构 ， 使得预测对象减少 ， 便于预 测模型的建立 。 2 组合预测方法实现 将波动程度相近的 IMF 分量进行重构 ， 得到高 频子序列和低频子序列 ， 对其分别使用 SVM 进行 预测 ， 然后叠加 2 个预测结果 ， 形成最终的预测值 。 组合预测流程如图 2 所示 。 图 2 组合预测流程 Fig . 2 Combined prediction flow 预测特征的选取对预测结果的影响非常重要 ， 特征选取太多可能会混杂与预测值无关的特征 ， 太 少则可能缺失重要特征 ， 造成预测精度降低 ［13］ 。 文 献［13］采用 EMD 处理后得到的 IMF 分量作为特 1012020 年第 3 期肖雅静等 煤矿机械振动信号预测研究 万方数据 征对模型进行训练 ， 在不增加额外测量工作量的情 况下 ， 对数据进行扩充 ， 以提高预测精度 。 组合预测方法应用于振动信号 x（t）的预测步 骤如下 。 （1） 采用 EMD 将 x（t）分解为 n个 IMF 分量和 1 个趋势项 ， 如式（1）所示 。 （2） 将频率相对较高的 i 个 IMF 分量组成高频 子序列 h（t） ， 频率相对较低的（n － i）个 IMF 分量和 趋势项组成低频子序列 l（t）。 h（t） ＝ ∑ i m ＝ 1 cm（2） l（t） ＝ ∑ n m ＝ i＋ 1 cm ＋ r （3） （3） 以 c1， c2， ， ci组成的 i 维特征向量作为输 入特征对 SVM 预测模型进行训练 ， 并用训练好的 模型对 h（t）进行预测 ， 得到预测值 h *（t）。 （4） 以 ci＋ 1， ci＋ 2， ， cn及 r 组成的（n － i＋ 1）维 特征向量作为输入特征对 SVM 预测模型进行训 练 ， 并用训练好的模型对 l（t）进行预测 ， 得到预测值 l *（t）。 （5） 将步骤（3）、（4）的预测值进行叠加 ， 得到最 终的预测结果 c *（t）。 c * （t） ＝ h * （t） ＋ l * （t）（4） 3 实验验证 3 . 1 实验数据 选取轴承实验数据进行组合预测方法有效性验 证 。 轴承数据来源于西储大学轴承数据中心 。 功率 为 1 470 W 的电动机通过轴带动安装在实验台中间 位置轴承座上的轴承转动 。 采用数据记录仪采集轴 承振动加速度信号 ［14］ 。 选取的数据来自电动机驱 动端传感器 ， 采样频率为 12 kHz 。 3 . 2 预测结果分析 采样 210 个振动信号 ， 其中前 201 个采样点作 为训练数据 ， 后 9 个采样点作为测试数据 。 轴承原 始振动信号波形如图 3 所示 ， 其中 g 为重力加速度 。 图 3 轴承原始振动信号波形 Fig . 3 Original vibration signal wave of bearing 对轴承振动信号进行小波阈值降噪后 ， 对其进 行 EMD ， 得到的 IMF 分量及趋势项如图 4 所示 。 图 4 IMF 分量及趋势项 Fig . 4 IMF components and trend items 将频率相对较高的 c1， c2划分为高频子序列 ， 如图 5 所示 ， 可看出其震荡比较强烈 。 将高频子序 列各采样点信号构造为二维特征对 SVM 预测模型 进行训练 ， 得到高频子序列的 9 个预测值 ， 如图 6 所示 。 图 5 高频子序列 Fig . 5 High frequency subsequence 图 6 高频子序列预测值 Fig . 6 Prediction values of high frequency subsequence 将 c3， c4， c5， r 划分为低频子序列 ， 如图 7 所示 ， 可看出其震荡比较缓和 。 将低频子序列对应的各采 样点信号构造为四维特征对 SVM 预测模型进行训 练 ， 得到低频子序列的 9 个预测值 ， 如图 8 所示 。 图 7 低频子序列 Fig . 7 Low frequency subsequence 201工矿自动化第 46 卷 万方数据 图 8 低频子序列预测值 Fig . 8 Prediction values of low frequency subsequence 然后将高低频子序列预测值进行叠加 ， 得到轴 承振动信号的 9 个预测值 ， 如图 9 所示 。 图 9 振动信号预测值 Fig . 9 Prediction values of vibration signal 为了验证组合预测方法的优越性 ， 采用直接预 测方法进行对比 ， 结果如图 10 所示 。 直接预测方法 是将 c1－ c5， r 对应的各采样点信号构造为六维特征 对 SVM 预测模型进行训练 ， 得到原始振动信号的 9 个预测值 。 从图 10 可看出 ， 组合预测方法的预测 值与原始值更接近 。 图 10 组合预测方法和直接预测方法的预测结果对比 Fig . 10 Prediction results comparison of combined prediction and direct prediction 选取均方根误差 、平均绝对误差及平均绝对百 分比误差 3 个指标 ， 对 2 种预测方法的预测精确度 进行比较 ， 结果见表 1 。 可看出组合预测方法的均 方根误差 、 平均绝对误差及平均绝对百分比误差均 小于直接预测方法 ， 证明了组合预测方法对滚动轴 承振动信号具有更高的预测精确度 。 4 现场应用 山西省晋城市某选煤厂通过主井带式输送机监 测系统对电动机 、 减速器等关键设备的滚动轴承振 动信号进行监测 。 该系统将振动信号幅值作为判断 设备是否正常运行的主要指标之一 。 文献［15］指出 表 1 组合预测方法和直接预测方法误差对比 Table 1 Error comparison between combined prediction and direct prediction 方法 均方根 误差／g 平均绝对 误差／g 平均绝对百 分比误差／％ 直接预测0J. 003 90垐. 003 311b. 49 组合预测0J. 002 30垐. 001 96N. 54 振动信号符号化序列的标准差能够反映设备的运行 状况 。 为了实现轴承运行状况预测 ， 直接对轴承振 动信号符号化序列标准差进行预测 。 系统每 3 h 采 集 1 次轴承振动信号 ， 每次采集 8 000 个点 ， 并保存 在数据文件中 。 对已采集的 81 个数据文件分别计 算符号化序列标准差 ， 如图 11 所示 ， 并将其作为训 练样本对 SVM 预测模型进行训练 ， 对 82 85 4 个 数据文件符号化序列标准差进行预测 。 图 11 81 个数据文件符号化序列标准差 Fig . 11 Symbolized sequence standard deviation of 81 data files 采用组合预测方法将高频子序列各采样点信号 构造为二维特征对 SVM 预测模型进行训练 ， 得到 高频子序列的 4 个预测值 。 将低频子序列及趋势项 对应的各采样点信号构造为四维特征对 SVM 预测 模型进行训练 ， 得到低频子序列的 4 个预测值 。 然 后将高低频子序列预测值进行叠加 ， 得到原始信号 的预测值 ， 如图 12 所示 ， 预测误差见表 2 。 可看出 预测的 4 个符号化序列标准差最大值为 80 . 56 ， 最 小值为 67 . 94 ， 预测值在正常范围内 ， 没有突变的异 常趋势 ， 显示设备在预测时间段内会平稳运行 。 设 备实际运行平稳 ， 未出现故障 ， 与预测结果一致 。 图 12 振动信号符号化序列标准差预测值 Fig . 12 Standard deviation prediction values of signifying sequence of vibration signals 3012020 年第 3 期肖雅静等 煤矿机械振动信号预测研究 万方数据 表 2 预测误差 Table 2 Prediction errors 均方根误差平均绝对误差平均绝对百分比误差／％ 2墘. 781 . 982u. 84 5 结论 （1） 提出了一种煤矿机械振动信号组合预测方 法 。 该方法将原始振动信号划分为高频子序列和低 频子序列 ， 并分别进行预测 ， 再对二者的预测结果进 行叠加 ， 得到最终预测结果 。 采用轴承实验数据对 组合预测方法的有效性进行了验证 ， 结果表明组合 预测方法的均方根误差 、平均绝对误差和平均绝对 百分比误差均小于直接预测方法 。 该组合预测方法 应用于某选煤厂设备滚动轴承运行状况预测 ， 预测 结果与实际情况相符 。 （2） 根据经验和试验对高低频分量进行划分 ， 缺少数学模型 ， 需要在后续工作中进行深入研究 。 参考文献（References） ［1 ］ 程晓涵 ， 汪爱明 ， 苏一新 ， 等 . 投影寻踪方法在设备预 知维护中的应用研究 ［J］ .振动工程学报 ，2016 ， 29（4） 631-637 . CHENG Xiaohan ， WANG Aiming ， SU Yixin ， et al . Study on application of projection pursuit in predictive maintenance for equipments ［J］ . Journal of Vibration Engineering ， 2016 ， 29（4） 631-637 . ［2 ］ 张鑫媛 . 基于数据驱动的采煤机摇臂传动系统故障诊 断方法研究［D］ . 西安 西安科技大学 ， 2019 . ZHANG Xinyuan . Research on fault diagnosis of rocker drive system of shearer based on data drive ［D ］ . Xi＇ an Xi＇ anUniversityofScienceand Technology ， 2019 . ［3 ］ 李赟恒 . 基于 BP 神经网络的采煤机截割部故障诊断 研究［D］ . 西安 西安科技大学 ， 2017 . LI Yunheng . Research on fault diagnosis technology of shearer cutting unit based on BP nerual network ［D］ . Xi＇ an Xi＇ anUniversityofScienceand Technology ， 2017 . ［4 ］ 关长江 . 采煤机摇臂故障诊断问题研究［D］ . 阜新 辽 宁工程技术大学 ， 2017 . GUAN Changjiang . Research problem for the shearer of ranging arm fault diagnosis ［D］ .Fuxin Liaoning Technical University ， 2017 . ［5 ］ 华伟 . 基于多小波变换的矿用齿轮箱故障诊断研究 ［D］ . 北京 中国矿业大学（北京） ， 2017 . HUA Wei . Fault diagnosis research of mine gearbox based on multiwavelets trans ［D］ . Beijing China University of Mining and Technology（Beijing） ， 2017 . ［6 ］ 董绍江 . 基于优化支持向量机的空间滚动轴承寿命预 测方法研究［D］ . 重庆 重庆大学 ， 2012 . DONG ShaoJiang . Research on space bearinglife prediction based on optimized support vector machine［D］ . Chongqing Chongqing University ， 2012 . ［7 ］ 薛小兰 ， 温秀兰 ， 张鹏 . 基于遗传神经网络的机械振动 信号 预 测 ［J ］ .弹 箭 与 制 导 学 报 ，2007 ，27（3） 239-240 . XUE Xiaolan ， WEN Xiulan ， ZHANG Peng . Pridiction of mechanical vibration signals based on genetic algorithmsandneuralnetwork［J］ . Journalof Projectiles ， Rockets ， Missiles and Guidance ， 2007 ， 27 （3） 239-240 . ［8 ］ 杨俊燕 ， 张优云 ， 赵荣珍 . 支持向量机在机械设备振动 信号趋势预测中的应用 ［J］ . 西安交通大学学报 ， 2005 ， 39（9） 950-953 . YANG Junyan ， ZHANG Youyun ， ZHAO Rongzhen . Application ofsupport vector machines intrend prediction of vibration signal of mechanical equipment ［J］ .Journal of Xi＇an Jiaotong University ， 2005 ，39 （9） 950-953 . ［9 ］ 吕建新 ， 吴虎胜 ， 王茂生 ， 等 . 基于 EMD 和 SVM 的农 用柴油机故障诊断研究 ［J］ . 安徽农业科学 ，2010 ， 38（17） 9225-9228 . LYU Jianxin ， WU Husheng ， WANG Maosheng ， et al . Fault dignosis for agricultural diesel engine based on EMD and SVM ［J］ .Journal of Anhui Agricultural Science ， 2010 ， 38（17） 9225-9228 . ［10］ AN Xueli ，JIANG Dongxiang ， ZHAO Minghao ， et al . Short-term prediction of wind power using EMD and chaotictheory［J］ . CommunicationsinNonlinear Science Numerical Simulation ，2012 ， 17 （2 ） 1036-1042 . ［11］ HUANGShengzhi ， CHANGJianxia ， HUANG Qiang ，et al . Monthly streamflow prediction using modified EMD-based support vector machine ［J ］ . Journal of Hydrology ， 2014 ， 511（7） 764-775 . ［12］ 李彩虹 . 两类组合预测方法的研究及应用［D］ . 兰州 兰州大学 ， 2012 . LI Caihong . Two types of combination forecasting s and their applications［D］ . Lanzhou Lanzhou University ， 2012 . ［13］ 朱霄珣 . 基于支持向量机的旋转机械故障诊断与预测 方法研究［D］ . 保定 华北电力大学 ， 2013 . ZHU Xiaoxun .Research on rotating machine fault diagnosis and preditcion based on support vectormachine［D］ . Baoding NorthChinaElectric Power University ， 2013 . ［14］ 林超 . 结合异常检测算法的轴承故障检测研究［D］ . 杭州 浙江大学 ， 2017 . LIN Chao . Research on bearing fault detection based on anomaly detection algorithm ［D］ . Hangzhou Zhejiang University ， 2017 . ［15］ 胡世杰 . 基于符号化时间序列分析的轴承故障诊断方 法研究［D］ . 南京 东南大学 ， 2015 . HU Shijie . Symbolic time series analysis-based rolling bearingfaultdiagnosis ［D ］ . Nanjing Southeast University ， 2015 . 401工矿自动化第 46 卷 万方数据