選煤廠振動篩運行狀態監測及故障診斷研究

＊王喜升

（中煤信息技術（北京）有限公司 北京 100120）

引言

振動篩是洗煤廠完成原煤洗選的核心設備，由于振動篩偏心旋轉，因此受到的承載力非常復雜[1]。另外，振動篩的工作環境整體較差，受溫度高、濕度大、超負荷工作等因素影響，容易發生殼體開裂、軸承損壞、橫梁斷裂、彈簧斷裂等故障。當選煤廠在洗選過程中出現任何設備故障時，都會制約選煤廠的正常生產，因此加強設備的運行狀態監測和故障診斷對提高選煤廠[2]的生產效率具有重要意義。

振動篩狀態監測和故障診斷常用基于信號處理分析和基于模式識別的方法[3]，目前取得了較大的成果，但在環境噪聲強及其他振動源干擾的情況下，仍有一定的局限性[4]。本文提出了一種基于長短期記憶網絡（Long and Short-term Memory Network，LSTM）算法的故障診斷模型，該模型通過對振動篩數據輸入、輸出和記憶量的控制對信息進行保留和舍棄，充分挖掘和提取振動篩運行過程中內部時序關聯特征，提高模型的抗干擾能力和預測診斷精度。

1.振動篩簡紹

(1)振動篩組成分析

振動篩是選煤廠篩分設備，在原煤預先分級、原煤分級、塊煤脫泥、精煤脫介、洗混中塊分級等工藝環節發揮重要作用。設備在振動的帶孔篩板上輸送材料，使尺寸小于篩孔的煤塊穿過篩板落下，尺寸大于篩孔不能通過篩板落下的煤塊，繼續輸送，直到它從篩板端部排出。振動篩由激振器、驅動裝置和驅動軸、篩體、支撐部件等組成。

激振器固定在激振梁上，主要給振動篩提供穩定的激振力，用于篩分物料，萬向聯軸器將驅動電機的動力傳遞給激振器。按能量轉換方式和傳動原理方式的不同，常見的激振器包括電磁式激振器、慣性式激振器、電動式激振器等。

驅動裝置和驅動軸主要是動力源和動力傳輸，主要由電機、支撐架、橡膠帶聯軸器組成。支撐架作用是把電機穩定地固定在地面上，橡膠帶聯軸器由膠帶和兩個半聯軸器組成，帶聯軸器的一端與電機輸出軸連接，另一端與激振器的長軸連接。

篩體主要作用是篩分物料，在激振器和物料沖擊作用下振動，篩體也是振動篩在生產過程中較容易磨損和破壞的部件。

支撐部件能夠支撐起物料和振動篩的全部重量，振動篩篩體在篩分過程中，支持部件能夠很好的吸收振動能量，避免受其他因素影響，導致振動篩篩體在篩分過程中產生共振。

(2)振動篩異常分析

選煤廠振動篩在非常繁重條件下進行運行，每天的受力運行周期超過百萬次，物料的輸送過程中經常具有磨損或腐蝕性，一個小的問題，如果忽視，則會引起較大的結構上的損壞，結構損壞輕則影響生產，嚴重會引發安全事故。以311原煤分級篩為例，其處理能力是1000t/h，故障耽誤1h，將影響1000t原煤處理。為避免振動篩長期運行在異常狀態進而發生故障，對振動篩常見異常分析很重要，查閱相關文獻結合現場調研[5]，從以下四個方面分析振動篩的常見異常狀態。

激振器常見異常狀態有：機殼中的潤滑油污染現象；激振器運行時有噪音；緊固螺栓松動；激振器出現過高工作溫度。

驅動裝置和驅動軸常見異常狀態有：驅動裝置、軸的緊固件松動；電動機軸承噪音；電動機軸承出現過高工作溫度；驅動軸和中間軸的橡膠聯接件破裂；驅動軸和中間軸的花鍵潤滑不良；副軸軸承潤滑不良。

篩體常見異常狀態有：底料不能均勻地散布在全寬范圍篩板上；螺栓或部件松動；側板和激振器梁及橫梁破裂損壞，在篩體和固定的料斗之間相互妨礙；料槽和組裝梁之間相互妨礙；篩子襯件堆積材料；篩子襯件磨損或破裂；篩子襯件螺栓松動或損壞。

支承部件常見異常狀態有：彈簧圈周圍有材料聚集；彈簧在篩子各側壓縮不均勻；彈簧損壞；彈簧固定件過分磨損。

2.運行狀態監測

(1)震動傳感器布置

在工業應用領域，振動信號數據是非常重要的，由振動傳感器測得，按測試振動參量主要分為三類，分別是位移傳感器、速度傳感器和加速度傳感器。振動傳感器的選型、測點位置和測點方向的選擇是至關重要的，決定了后續設備運行狀態和故障診斷的準確性。一般情況下，位移傳感器用于低頻振動信號的測量，速度傳感器用于中頻振動信號的測量，加速度傳感器用于中高頻振動信號的測量。本文以311原煤分級篩為例，在對其進行結構和力學性能分析的基礎上，綜合考慮其他影響因素[6]：不影響振動篩的正常運行、最大程度地反映設備的振動特性、最易磨損和發生故障的位置等。

根據上述振動傳感器選擇和安裝布置原則，結合振動篩生產運行過程中的振動特點，確定311原煤分級篩的易損點位置共5處：電機驅動端、固定軸承座、浮動軸承座、激振器A主動軸前端垂直、激振器B主動軸前端垂直。能夠完整真實地反映311原煤分級篩的運行狀態，詳細的振動篩振動測點位置見圖1。震動傳感器詳細信息見表1。

圖1 振動傳感器安裝位置圖

表1 震動傳感器信息表

(2)指標系統構建

311原煤分級篩運行狀態特征指標的客觀分析與指標體系的科學建立是設備運行狀態監測和故障診斷的前提[7]。振動篩是運行狀態分析的對象，指標體系是反映設備運行狀態的信息載體，構建指標體系應遵循指標選取原則和指標體系層次原則。指標選取原則具體包括目的性原則、全面性原則、可行性原則、穩定性原則和協調性原則。

基于上述原則，融合設備大量多維度可采集數據構建振動篩運行狀態監測指標體系，分為振動指標和其他指標。振動信號是振動篩運行特性的重要信息載體，但原始數據無法直接使用，需要對其進行時域和頻域分析，提取有價值的特征指標，由于無量綱因子受工況影響小且對振動數據變化敏感，本研究使用無量綱因子。還包括其它反映振動篩運行狀態的緩變信號，可直接作為設備運行狀態的判斷指標，也可以計算特征指標。以311原煤分級篩為例，具體指標體系見表2。

表2 運行狀態監測指標體系

(3)異常狀態監測

異常狀態監測實質是異常點檢測，目的是找出與預期對象的行為差異較大的對象。振動篩運行過程中，可以通過傳感器采集的數據信息來刻畫，即振動篩各部件的異常表現采集傳感器數據監測指標的異常[8]。異常狀態監測主要關注某個監測指標某個時刻表現出的異常，涉及點異常識別。

點異常識別方法有基于統計的方法、基于平滑的方法和其它方法?；诮y計的方法是假設數據集D服從某一概率分布，然后對該模型進行不一致性檢驗，從而判斷出異常點?；谄交姆椒ㄊ怯稍夹蛄薪⒁粋€新的平滑序列，對比兩者間的差異來判斷原序列數據的異常點。其他方法包括基于距離的異常監測方法、基于矩陣分解和PCA降維方法、基于樹結構方法、基于圖結構方法。本文選擇超閾值法和3σ模型法對運行采集數據指標進行異常運行狀態識別[9]。

超閾值異常監測法，設定各個級別的異常報警閾值，當指標數值大于上限閾值或者小于下限閾值時記錄異常信息。閾值限值確定依據行業標準、現場經驗、統計分析等。

3σ模型異常監測法，采用波動率指標將數值轉換為無量綱量，波動率刻畫了采集指標數據的穩定狀態，設備運行穩定，波動率較小，設備運行異?；蚬收蠒r，波動率較大且變化頻繁。波動率計算方式見式1，以天為計算周期計算一周內波動率的平均值μ和方差σ，波動率在(μ-σ，μ+σ)中的概率是0.68，在(μ-2σ,μ+2σ)中的概率是0.95，(μ-3σ,μ+3σ)中的概率是0.99，根據分布區間設定異常報警閾值。式中：V表示指標數值的波動率；Yt表示t時刻指標數值的實時值；Yt1?表示t-1指標數值的實時值。

3.基于LSTM算法的故障診斷模型

(1)1LSTM算法

LSTM模型是遞歸神經網絡的一種，LSTM的網絡結構成功解決RNN在現實應用中經常遇到的兩個問題：即梯度消失和梯度爆炸。它具有一個特殊的結構，在RNN單元中新增門的概念，能夠在較長時間內處理序列的相關問題，控制序列中的遠程依賴關系。在實際應用中，LSTM算法對振動篩時序數據具有很好的處理能力，可以解決長記憶的問題，充分提取時序數據中的時序特征，通過門結構加強了模型的泛化能力，更大程度地適用于選煤廠環境下振動篩的故障診斷，其具體結構如圖2所示。

圖2 LSTM網絡結構

②計算輸入門it。輸入門選擇性地把重要信息保存在tc中，且決定了當前存儲信息的重要程度。

③計算遺忘門ft。遺忘門決定了ct需要丟棄的信息，將重要信息保留下來。

④記憶單元ct。ct是由輸入門和遺忘門共同決定的。

⑤計算輸出門ot。輸出門決定從ct輸出的狀態信息。

⑥輸出單元記憶ht的值。

在LSTM模型的傳導機制中，會根據損失函數最小化，不斷優化權重矩陣和偏置項。相比于傳統的時間序列RNN模型，LSTM在構造上比RNN多了多條傳導路徑，結構也顯得更加復雜，但更科學地處理了由RNN所產生的梯度爆炸與梯度消失等問題。

(2)建立LSTM故障診斷模型

本文設計了基于LSTM算法的故障診斷模型，包括：數據采集、數據預處理、特征提取、訓練集準備、模型訓練、參數調整等過程。具體流程見圖3。

圖3 基于LSTM的故障診斷模型訓練流程圖

①原煤分級篩數據采集。使傳感器等設備采集振動篩的振動、電流、電壓、功率、頻率、溫度、轉矩、轉速、潤滑溫度等數據，存儲在歷史數據庫中。

②數據預處理。對采集的原始數據進行預處理，包括數據缺失處理、異常數據剔除、數據降噪處理和歸一化處理，方便數據特征提取和指標加工。

③特征提取。對時序數據進行時域、頻域分析，計算振動信號的無量綱指標奇異譜熵、功率譜熵、相似性因子、峭度因子、重復性因子和波形裕度，計算電流、電壓、功率、頻率、溫度、轉矩、轉速、潤滑溫度的波動率及部分指標的滑動平均值。

④訓練集準備。收集設備運行歷史記錄，異常和故障類型做標簽，劃分測試集和訓練集。

⑤模型訓練。模型訓練是整個流程最重要的環節，將訓練集數據帶入LSTM網絡，循環代入數據直到滿足停止迭代的條件，得到訓練好的故障診斷模型。

(3)模型驗證

在測試集上驗證模型準確率，故障診斷模型的預測結果與實際結果比較，本文采用均方根誤差RMSE對故障診斷模型準確率進行評估，RMSE越小表示模型準確率越高，RMSE可用下式表示：

式中：yi表示i時刻的預測值；表示i時刻的真實值；N表示測試集樣本總數。

帶入計算TMSE為3.56%，模型有較好的精度和良好的適用性。

4.示范應用

大海則煤礦選煤廠設備運行狀態監測與故障診斷系統運行期間，系統實時監測設備的運行狀態，報警功能包括：閾值報警、窄帶報警、頻段報警、包絡值報警、無量綱報警和統計量報警，及時提醒運維人員關注設備運行狀態，及時處理問題，有效避免設備長時間異常狀態下運行引發故障。311原煤分級篩運行狀態監測見圖4。

圖4 311原煤分級篩運行狀態

基于LSTM的故障診斷模型應用在大海則煤礦選煤廠設備運行狀態監測與故障診斷系統，以311原煤分級篩為例，運行期間診斷出浮動軸承內圈故障1次，嚴重程度為中度；浮動軸承滾動軸承故障2次，嚴重程度為輕微。原因可能是：裝配問題、潤滑不良、過載或疲勞。建議近期更換軸承。

5.結論

針對選煤廠振動篩長期高負荷運行在惡劣環境中，磨損腐蝕嚴重，經常發生故障的問題，建立振動篩運行狀態監測和故障診斷系統，減少故障發生率，提高運維效率。

本文通過現場調研和文獻查閱，從4個方面分析了振動篩常見的異常運行狀態，為異常狀態辨識和故障診斷研究奠定了基礎。

分析振動篩的工作原理，對主要結構和部件進行力學分析，選擇最易受損和頻繁出故障的位置作為震動傳感器安裝位置。

構建設備運行狀態監測指標體系，選擇超閾值法和3σ模型法對設備異常狀態進行識別，及時報警。訓練基于LSTM算法的故障診斷模型，在測試集驗證模型準確率較高，在大海則選煤廠取得較好的應用效果。