基于物聯網的煤礦井下機電設備狀態智能監測

張福勝,張 揚,薛志勝,彭 馳

(山西朔州山陰金海洋水泉煤業有限公司,山西 朔州 036002)

0 引言

作為煤礦井下的基礎設施,如果機電設備發生問題就會導致重大的人員傷亡和不可挽回的損失,所以機電設備的狀態監測一直是相關工作人員的重點關注領域[1]。隨著科學技術的不斷提高,人們對煤礦井下機電設備的狀態監測方法提出了更高的要求,不僅要求響應時間短,還要求其具有良好的監測效果,其中的關鍵就是對煤礦井下機電設備狀態監測技術做出升級和改進[2]。由實驗證明和理論依據可知,研究煤礦井下機電設備的狀態監測方法具有重要意義。

郭鎮江等[3]首先構建基于射頻識別-無線通信模型的煤礦井下機電設備監測模型,然后根據模型原理建立機電設備運行信息采集架構,實現信號的采集,最后將采集的信號輸入到機電設備監測模型中,完成煤礦井下機電設備的智能監測。但該方法沒有剔除煤礦井下機電設備信號中的噪聲,導致監測效果差。郁杰等[4]首先利用EMD-ICA技術采集煤礦井下機電設備的運行信號,然后利用頻域-時域提取信號中的特征,最后構建神經網絡模型,將提取的特征輸入到模型中完成煤礦井下機電設備狀態的智能監測。但該方法沒有去除信號中的噪聲,導致監測效果較差。鄧科等[5]首先利用先進的5G技術獲取煤礦井下機電設備的終端運行數據,然后引入平均值、方差和偏離程度3種比較指標,最后通過采集數據與原始數據的比較,完成煤礦井下機電設備狀態的智能監測。但該方法沒有提取煤礦井下機電設備運行信號的特征,導致響應時間較長。

為了解決上述方法中存在的問題,本文提出了基于物聯網技術的煤礦井下機電設備狀態智能監測方法。

1 信號采集與預處理

1.1 物聯網下的信號采集器設計

數據采集器是一種計算機擴展卡,其主要功能是數據采集(DAQ)。物聯網采用的采集器的型號為AMPCI-9102板,將該板插入具有PCI插槽的計算機或工控機,這樣就構成對模擬量和數字量電壓的信號采集、模擬量和數字量電壓的信號輸出、監視輸入以及定時計數系統。

對于AMPCI-9102的全部讀取和寫入都是16 bit,也就是D00～D15,在讀取和寫入82C54時,僅D00～D07是有用的,A/D轉換數據1次讀入為B00～B11。

在煤礦井下機電設備的運行過程中,采用傳感器采集機電設備的信號。設采集時刻為t,并將傳感器采集表達序列定義為A,表達式為

(1)

式中:l為物聯網傳感器采集總時刻;k為傳感器采集表達序列的維度。

使用物聯網傳感器表達序列中的前l個時刻的信息,可以得到目標傳感器采集的煤礦井下機電設備運行狀態的信號B,表達式為

B={At-l,…,At,At+1}

(2)

1.2 降噪算法設計

由于煤礦井下機電設備在運行過程中難免受到噪聲干擾,為了提高信號質量,基于物聯網技術的設備智能監測方法采用局域波分解技術剔除信號中的噪聲[6]。采用局域波分解法將t時刻信號瞬時頻率分解,信號的原始序列表達式為

(3)

式中:sn為趨勢項;di為第i個基本模式分量;n為趨勢項總個數。

在煤礦井下機電設備運行信號中提取出極小值Bmin(t)與極大值Bmax(t),并采用插值法[7]計算出極小值點與極大值點形成的網絡包絡以及包絡的整體均值,公式為

(4)

式中:gmin(t)、gmax(t)為以極小值點與極大值點為邊界構成的網絡包絡;h(t)為網絡包絡的整體均值。

噪聲信號與其余信號之間的相關性[8]為0,計算出信號的基本模式分量之間的關聯指數,將關聯指數最小的信號分解,完成煤礦井下機電設備信號的降噪。公式為

(5)

式中:S為關聯指數;α為基本模式分量的一般系數。

1.3 信號特征提取器與軟件算法設計

針對降噪后的煤礦井下機電設備信號,基于物聯網技術的智能監測方法采用離散傅里葉變換法提取出信號的特征[9],具體步驟如下:

a.剔除噪聲后的煤礦井下機電設備信號滿足狄利克雷函數模式[10],可以進一步計算出信號的周期,公式為

(6)

式中:U為信號周期;t為采集時刻;β0為周期信號中的直流分量;B為機電設備運行狀態的信號;o為信號的幅值;f0為信號基頻;χo為諧波頻率;l為物聯網傳感器采集總時刻;e為時間的積分。

b.由式(6)可知,當煤礦井下機電設備運行信號滿足狄利克雷函數時,信號周期可以轉換成包含基頻信號與信頻信號的復合信號,公式為

(7)

式中:U(h)為復合信號;F為離散傅里葉變換;c為自然對數;I為等間隔信號分布點個數。

c.根據得到的復合信號,將煤礦井下機電設備信號劃分成工頻幅值C與相位系數δ[11],公式為

(8)

式中:po、qo分別為信號周期的一次項與二次項。

d.根據式(8)得到的工頻幅值與相位系數可知,當相位系數正負不一致時,煤礦井下機電設備的信號相位系數也存在一定差異。根據不同相位系數與工頻幅值,實現信號的特征提取,公式為

(9)

式中:δ′為煤礦井下機電設備信號的相位系數;b為提取的信號特征。

2 基于支持向量機的智能監測控制器與算法設計

物聯網下的智能監控控制器是整個硬件的核心,主要通過各種傳感器完成,通過調理電路,進入上文的采集與提取系統,核心部分通過ARM主控板完成設計。具體如圖1所示。

圖1 控制器設計

基于物聯網技術的煤礦井下機電設備狀態智能監測方法,采用支持向量機實現機電一體化信號的自動監測。具體步驟如下:

a.將提取的信號特征作為訓練樣本,輸入到支持向量機中,獲取線性回歸函數,該函數可以作為樣本的內積函數[12],對其求解,公式為

(10)

式中:H為線性回歸函數;v為回歸分子;a、b均為提取的煤礦井下機電設備信號的特征;R為函數極值;D為懲罰因子;T為二次損失函數;aj為第j個信號特征。

b.引入不敏感損失函數將式(10)更新,目的是保證輸入的所有樣本點均落在帶狀區域[13]中,并在其中投入約束條件,如式(11)所示。

(11)

式中:ε為約束條件;R(v)′為更新后的函數極值;m為信號特征的個數。

c.在帶狀區域內,將約束條件轉化成求解最大化二次型的參數過程,得到煤礦井下機電設備信號特征的預測函數,公式為

(12)

式中:R(·)為徑向基函數;z1、z2分別為最大化二次型參數;G為預測函數。

d.針對支持向量機在自動化控制中存在的非線性趨勢,引入核函數來消除內積函數,使信號從低維空間映射[14]到高維空間,映射后的函數極值R*與預測函數G*為

(13)

式中:K為引入的核函數。

e.設支持向量機的輸出采樣時間間隔為φ,則可以得到煤礦井下機電設備信號的輸出信號序列為

t(0),t(φ),…,t(jφ),…,t[(m-1)φ]

(14)

式中:t為采集時刻。

f.輸出序列作為煤礦井下機電設備信號下一步的輸入序列,二者之間存在一定的關聯關系W[15]。當支持向量機訓練結束后,得到的第1步監測值為

(15)

g.第2步監測公式如式(16)所示。以此類推,實現煤礦井下機電設備狀態的多步自動監測,完成煤礦井下機電設備狀態的智能監測。

tm+2=W(tm+1,tm,tm-1,…,t-m+2)

(16)

3 實驗與分析

為了驗證基于物聯網技術的煤礦井下機電設備狀態智能監測方法的整體有效性,需要對其做相關測試。將實時監測效果(功能測試)與響應速度(性能測試)作為評價指標,采用本文方法、文獻[3]方法、文獻[4]方法和文獻[5]方法完成測試。

3.1 實時監測效果

自主開發并搭建智能監測模擬系統,為各方法的智能監測測試提供硬件基礎,智能監測系統硬件設備如圖2所示。

圖2 智能監測系統硬件設備

利用振動傳感器采集圖2a煤礦井下機電設備的振動信號,然后啟動中心網關接入服務器,登入監測系統客戶端得到信號的監測狀態。分別采用本文方法、文獻[3]方法和文獻[4]方法監測該煤礦井下機電設備,對比各方法監測的信號波形與實際信號波形。波形越相近,表明方法的實時監測效果越好;波形相差越大,表明方法的實時監測效果越差。不同方法下監測波形的測試結果如圖3所示。

圖3 不同方法下的監測波形

分析圖3可知,針對煤礦井下機電設備狀態的智能監測,本文方法監測的信號波形與實際波形基本一致;文獻[3]方法與文獻[4]方法監測的波形與實際波形相差較大,說明本文方法的實時監測效果強于文獻[3]方法與文獻[4]方法的實時監測效果。這是因為本文方法在監測前,采用了基于物聯網技術的傳感器采集煤礦機電設備的振動信號,并通過局域波分解技術剔除信號中的噪聲,避免噪聲對智能監測結果產生影響,提高了實時監測效果。

3.2 響應時間

在上述實驗的基礎上,記錄不同方法的監測響應時間并對比,響應時間越長,表明方法的效率越低;響應時間越短,表明方法的效率越高。不同方法的響應時間如表1所示。

表1 不同方法的響應時間

分析表1可知,針對煤礦井下機電設備狀態的智能監測,本文方法的響應時間在15 s附近波動;文獻[3]方法與文獻[5]方法的響應時間分別在35 s和55 s附近波動。在不同實驗序號下,本文方法的響應時間均低于文獻[3]方法與文獻[5]方法的響應時間,說明本文方法的監測效率高于文獻[3]方法與文獻[5]方法的監測效率。

4 結束語

目前,煤礦井下機電設備狀態智能監測方法存在監測效果差、響應時間長等問題。為此,本文提出基于物聯網技術的煤礦井下機電設備狀態智能監測方法。該方法首先采用物聯網中的傳感器采集機電設備的振動信號,并用局域波分解法剔除其中的噪聲,其次采用離散傅里葉變化算法提取信號的特征,最后將信號特征輸入到支持向量機中,完成煤礦井下機電設備狀態的智能監測。實驗表明,該方法提高了實時監測效果的同時,一定程度上也降低了方法的響應時間。