煤化工廠煤炭洗選機械設備運行狀態監測方法

譚興富 鄔金亮 徐虎彪

摘 要 提出基于多傳感器的煤炭洗選機械設備運行狀態監測方法。基于多傳感器的組成結構及自身優勢，將其安裝到洗選機械設備中，通過多傳感器獲取不同環境下的設備運行信號，再將信號輸送到建立的設備信號采集模型中，完成對煤炭洗選機械設備運行狀態變化的記錄及分析，實現設備運行信號采集；構建特征分析模型提取設備運行狀態特征，再通過增量式學習機制對設備運行特征數據集開展動態聚類，以此實現對設備運行狀態的自動辨識。實驗結果表明：采用筆者所提方法進行設備運行狀態監測，其結果假陽率低、真陽率高，可實現準確可靠的煤炭洗選機械設備運行狀態監測。

關鍵詞 多傳感器 煤炭洗選機械 狀態監測 特征提取 采集模型 動態聚類

中圖分類號 TP212? ?文獻標志碼 A? ?文章編號 1000?3932（2024）01?0128?05

近年來，煤礦資源開采智能化已成為我國能源產業發展的新戰略［1，2］。煤礦領域通常使用煤炭洗選機械設備對煤炭洗選進行加工，它不僅可以有效提升煤礦資源利用率，同時對環境保護也有重要作用，可見煤炭洗選機械設備的智能化程度是反映煤炭加工設備智能化趨勢的重要指標［3］。隨著對高質量煤炭需求的日漸增多，煤炭洗選加工率超過50%，導致煤炭洗選機械設備的使用頻率逐漸增高。在這種高頻率使用下，煤炭洗選機械設備極易出現運行故障等多種問題，為此需對煤炭洗選機械設備運行狀態進行監測。

研究學者們對煤炭洗選機械設備運行狀態監測方法進行了諸多研究。文獻［4］以大數據技術為主，結合大數據應用數據與物聯網，建立了一個運行狀態監測系統。文獻［5］針對煤炭洗選機械設備運行狀態監測系統時效性差的問題，將系統與無線傳感網絡相結合，在系統內設計了能量采集模塊、無線傳感網絡和監測模塊，每個模塊所具備的功能不同，如能量采集模塊主要對煤炭洗選機械設備的振動能量進行采集，并將采集的能量供給設備電路，達到節省電能的目的。文獻［6］對設備運行狀態參數開展了詳細分析，提出了一種設備狀態監測終端，利用監測終端對設備中的環境溫度、電路電流等實施監測和測量，并將測量結果輸入到物聯網中，實現監測終端與云平臺的數據通信，最后依據接收的通信數據信息完成設備運行狀態監測。

然而，隨著煤炭洗選機械設備復雜程度的不斷遞增，設備運行狀態特征數據也越來越復雜，導致目前的研究方法存在監測可靠性低的問題。為此，筆者提出一種基于多傳感器的煤炭洗選機械設備運行狀態監測方法。

1 基于多傳感器的煤炭洗選機械設備運行數據采集

1.1 基于多傳感器的煤炭洗選機械設備

1.1.1 多傳感器組成

多傳感器［7］主要由敏感元件、轉換元件和基礎電路3部分組成，具有將外界信號轉換成電信號的優勢，它可以對機械設備的信號進行采集和監控，也可以進行傳輸和處理。由于煤炭洗選機械設備的電信號極易被放大、濾波、存儲，所以需要將多傳感器安裝到設備中，并將其與網絡技術相結合，以便采集設備信息數據。

1.1.2 多傳感器安裝

多傳感器在設備中的安裝位置會對信號的獲取產生較大影響，所以需要作出以下設置：

a. 任意選擇一個煤炭洗選機械設備，并將該設備作為新設備；

b. 將多傳感器中的振動傳感器和聲發射傳感器安裝在設備中間，從而利用振動傳感器獲取機械設備的振動方向，利用聲發射傳感器對設備的距離進行檢測；≥

c. 采用機械設備反復進行洗選工藝操作，利用多傳感器獲取設備中的信號。

1.2 構建煤炭洗選機械設備信號采集模型

多傳感器安裝完畢后，可以獲取不同方向、不同距離的設備運行信息，并以此建立信號采集模型（圖1）［8，9］。將獲取的信息數據輸送到模型中，利用模型對設備產生的任何運行狀態變化情況進行記錄和分析，從而實現煤炭洗選機械設備運行信號的采集。

圖1中，t軸表示監測時間；x軸表示信號采集維數，維數決定設備的特征提取能力；y軸表示煤炭洗選機械設備運行狀態監測點。在t時刻，利用該模型采集到的x維設備運行狀態信號可記錄為（x，y，t）。

根據圖1模型對煤炭洗選機械設備運行狀態信號進行記錄，即可完成運行狀態信號采集。

2 煤炭洗選機械設備運行狀態監測

2.1 運行狀態信號特征提取

基于多傳感器，完成煤炭洗選機械設備運行狀態信號數據采集后［10］，根據建立的特征分析模型即可提取設備運行狀態特征。特征分析模型表達式為：

C（m，n）=cum{x（t），x（t），x（t），x（t）｝，m≥0，n≤p-1（1）

其中，C（m，n）為動態特征量，cum為累積量，x（t）為狀態信號值，x（t）為監測信號值，p為動態特征總維度。

基于多目標檢測方法［11，12］對煤炭洗選機械設備的運行狀態監測，再利用該模型對監測結果的動態特征分析，從而取得煤炭洗選機械設備運行狀態分析的均勻譜。

依據機械設備的振動特征［13，14］，完成設備的非平衡數據多目標檢測，從中取得設備運行狀態的運維形態檢測輸出參數，相關方程為：

其中，Φ、Ω、Λ為設備的運維形態檢測參數，diag［·］為對角矩陣，e為矩陣參數，γ為運行狀態檢測值，L為維數，w為特征估計量。

設置煤炭洗選機械設備運維形態分布矩陣為T，從中提取設備運行狀態特征量后即可實現設備運行狀態特征的提取。

2.2 基于增量式學習的煤炭洗選機械設備運行狀態監測

基于提取的煤炭洗選機械設備運行特征向量，建立特征集合，再采用增量式學習機制對設備運行特征數據集開展動態聚類［15，16］，從而實現煤炭洗選機械設備運行狀態監測。

特征集合狀態不同，與之對應的流形結構也不相同。為提升聚類結果的準確性，在特征集合中隨機選取若干特征數據建立訓練樣本集，使用LSTM算法對樣本實施維數約簡［17，18］，并將訓練樣本集在低維嵌入空間中的中心點坐標用作機械設備的運行狀態監測依據。

筆者采用增量式學習方法對特征集合中的訓練樣本點開展動態聚類，其具體流程如下：

a. 在每一類特征集合訓練樣本中加入一個低維坐標作為標記，并采用平均歐式距離計算獲取樣本聚類中心坐標點；

b. 若出現新增的樣本點，則需要采用LTSA算法計算其相應的低維坐標，并及時更新流形結構。

LTSA算法的計算步驟為：

a. 設特征數據中的新增樣本點為r（N代表樣本點數量），以k近鄰規則對鄰域矩陣更新；

b. 采用奇異值分解方法對更新后的矩陣實施分解處理，取得設備的局部幾何坐標，再利用LTSA算法建立新的矩陣；

c. 通過Rayleigh?Ritz子空間對矩陣中的特征向量不斷更新計算，其最終更新結果就是機械設備的全局坐標映射。

根據以上操作流程，對中心點坐標與低維坐標距離進行計算，按照距離相似度準則判斷煤炭洗選機械設備運行狀態類別［19］。相似度測度函數表達式如下：

其中，C為中心點向量坐標，t為嵌入坐標，β為樣本點的歐氏距離，d為距離。

基于增量式學習的煤炭洗選機械設備特征數據樣本點的動態聚類流程如圖2所示。

3 實驗與結果分析

為了驗證基于多傳感器的煤炭洗選機械設備運行狀態監測方法的整體有效性，需要對該方法開展對比測試。

選取一款煤炭洗選機械設備作為本次實驗研究對象，如圖3所示。

除了測試目標外，傳感器附近其他金屬物的

存在以及不適當的安裝位置，將有礙于正確測試。目前，主流的3種傳感器安裝方式及其安裝效果如圖4所示。由于安裝方式1沒有角度遮擋死區，故筆者選擇圖4中的安裝方式1安裝傳感器。

對煤炭洗選機械設備運行狀態進行監測時，其監測結果會出現假陰性及假陽性兩種虛假結果。假陰性表示將監測設備運行正常狀態判定為異常狀態；假陽性表示將監測設備運行異常狀態判定為正常狀態。其中假陽性對設備運行狀態監測的準確性影響較大，極易隱藏安全隱患，為此需對其進行準確判別。采用假陽率作為衡量指標，其計算式如下：

其中，F為假陽率，T為真陽率，n為異常狀態監測判定為正常狀態，n為異常狀態監測判定為異常狀態，n為正常狀態監測判定為正常狀態，n為正常狀態監測判定為異常狀態。

方案一為筆者所提方法，方案二采用文獻［4］方法，所得煤炭洗選機械設備運行狀態監測結果如圖5所示。

由圖5a可知，方案二假陽率較高，采用方案一后假陽率明顯下降，可見方案一所得監測結果更加可靠。圖5b中，方案二所得結果的真陽率較低，說明方案二的監測準確度不佳；采用方案一后，真陽率顯著提升，可見方案一的監測準確度更高。這是因為方案一采用增量式學習機制對提取的設備運行特征數據集實施了動態聚類，實現了對設備運行狀態的辨識，以此提升了整體監測準確率，使得方案一對設備運行狀態監測具備更高的可靠性。

煤炭洗選機械設備運行狀態的運維形態譜峰及譜密度的維數決定著設備運行特征提取能力，維數低，說明特征提取能力不足，維數高，則極易出現擬合問題，所以為了驗證設備運行狀態信號特征提取效果，設置設備運維形態最佳譜峰及譜密度的維數為30，采用方案一和方案二對運維形態維數進行預測，并將結果與設置的最佳維數進行對比，驗證筆者所提方法的可靠性，結果如圖6所示?？梢钥闯觯谡w測試中，方案二所得結果與最佳維數相差較大，而方案一結果基本與設定值一致，誤差較小且均在允許范圍內，可忽略不計?？梢?，采用筆者所提方法后，煤炭洗選機械設備運行狀態信息的特征提取能力得到了提升、特征提取效果變好。

提取結果對比

4 結束語

煤炭洗選機械設備運行狀態監測效果的不佳會導致設備出現故障，影響整體運行效果，針對這一問題，提出基于多傳感器的煤炭洗選機械設備運行狀態監測方法。該方法將多傳感器安裝到煤礦洗選設備中，結合建立的信號采集模型，實現設備信號采集?；诓杉Y果，提取設備運行狀態特征，再利用增量式學習機制對提取的特征數據集開展動態聚類，實現設備運行狀態監測。實驗結果表明，采用筆者所提方法后，設備運行狀態監測具備更高的可靠性和準確性，煤炭洗選機械設備運行狀態信息的特征提取能力得到了提升、特征提取效果變好。

參 考 文 獻

［1］ 殷全增，陳中山，馮啟言，等.河北省主要礦區關閉煤礦資源再利用模式探討［J］.煤田地質與勘探，2021，49（6）：113-120.

［2］ 法子薇，李新春.基于云模型的煤礦資源型城市生態風險評價研究［J］.科技管理研究，2021，41（9）：190-194.

［3］ 王光新，訾濤，韓恒旺.豫西礦區高煤泥含量煤炭洗選工藝設計思路分析［J］.煤炭技術，2020，39（2）：157-159.

［4］ 張新.基于大數據技術的煤炭洗選設備運行數據監測系統設計［J］.化工礦物與加工，2020，49（10）：9-12；56.

［5］ 高揚，穆繼亮，何劍，等.煤機設備無線自供電狀態監測系統［J］.機械工程學報，2020，56（13）：41-49.

［6］ 劉春雨，羅群，顧強，等.智能配電網電能計量設備的運行狀態監測終端研究［J］.中國測試，2020，46（7）：68-74.

［7］ 田立勇，李文政，隋然.基于多傳感器的采煤機滑靴受力檢測系統研究［J］.煤炭學報，2020，45（4）：1547-1556.

［8］ 王海，徐罡，楊春來，等.預應力式壓電能量采集器的模型和試驗分析［J］.振動與沖擊，2022，41（7）：88-96.

［9］ 譚江平，王光慶，鞠洋，等.多穩態壓電振動能量采集器的非線性動力學特性及其實驗研究［J］.振動工程學報，2021，34（4）：765-774.

［10］ 丁毅，王亞林，李文藝，等.基于SHF信號采集和下混頻技術的方波下局部放電測試方法［J］.高電壓技術，2022，48（3）：1133-1141.

［11］ 羅大鵬，杜國慶，曾志鵬，等.基于少量樣本學習的多目標檢測跟蹤方法［J］.電子學報，2021，49（1）：183-191.

［12］ 楊傳棟，劉楨，馬翰宇，等.一種基于改進Yolov3的彈載圖像多目標檢測方法［J］.彈箭與制導學報，2020，40（4）：149-153.

［13］ 張雷克，唐華林，王雪妮，等.磁流變液阻尼器控制下貫流式機組軸系碰摩振動特性分析［J］.中國電機工程學報，2022，42（2）：693-702.

［14］ 耿令新，李康，龐靖，等.基于時頻和功率譜密度的移栽機振動特性測試與分析［J］.農業工程學報，2021，37（11）：23-30.

［15］ 黃永鑫，唐雪飛.基于近鄰傳播聚類和TANE算法的高校數據中函數依賴的發現［J］.計算機應用，2020，40（1）：90-95.

［16］ 卜湛，王煜堯，馬麗娜，等.基于動態類簇形成博弈的屬性圖聚類方法［J］.計算機學報，2021，44（9）：1824-1840.

［17］ 金莎，鄭穎春.基于區分對的混合型弱標記數據增量約簡算法［J］.河南科技大學學報（自然科學版），2022，43（3）：92-99；10.

［18］ 吳婉琳，張賢勇，莫智文.基于粗糙集不確定度的特定類屬性約簡［J］.四川師范大學學報（自然科學版），2021，44（6）：840-846.

［19］ 余刃，謝旭陽，秦法濤，等.一種用于旋轉設備運行狀態無線監測的智能無線振動傳感器設計［J］.核動力工程，2020，41（3）：221-226.