详情

原文传递一种矿井提升机张力故障诊断方法、系统及控制系统

专利名称：	一种矿井提升机张力故障诊断方法、系统及控制系统
摘要：	本发明公开了一种矿井提升机张力故障诊断方法、系统及控制系统，包括如下过程：获取不同张力状态下若干天轮轴轴向振动信号数据，将振动信号经EEMD分解为一系列IMF，选择能量占比最高的前若干个IMF并获取其能量和排列熵，组成特征向量，将一组若干天轮轴轴向振动信号的特征向量组合为最终特征向量；将最终特征向量及其对应的不同张力状态作为样本训练矿井提升机张力状态PSO‑SVM分类模型；获取若干天轮轴轴向实时振动信号；对实时振动信号提取最终特征向量，利用PSO‑SVM分类模型对张力状态进行实时识别。可方便快捷地实现对矿井提升机张力故障长期、稳定、可靠的实时监测，并对矿井提升机工作状态进行控制，提高矿山生产安全性，提高矿山经济效益与社会效益。
专利类型：	发明专利
国家地区组织代码：	湖南;43
申请人：	中南大学
发明人：	谭建平;薛少;石理想;邓积微;陈昭君;黄天然
专利状态：	有效
申请日期：	2019-07-31T00:00:00+0800
发布日期：	2019-10-25T00:00:00+0800
申请号：	CN201910703639.9
公开号：	CN110371825A
代理机构：	长沙市融智专利事务所(普通合伙)
代理人：	龚燕妮
分类号：	B66B7/12(2006.01);B;B66;B66B;B66B7
申请人地址：	410083 湖南省长沙市岳麓区麓山南路932号
主权项：	1.一种矿井提升机张力故障诊断方法，其特征在于，包括如下步骤，模型建立阶段：获取不同张力状态下若干天轮轴轴向振动信号数据；特征提取，将获取的每个振动信号进行EEMD分解，将每个振动信号分解为一系列IMF，选择能量占振动信号总能量比最高的前若干个IMF，获取选择的前若干个IMF的能量与排列熵，并组成特征向量，将同时获取的一组若干天轮轴轴向振动信号的特征向量组合为最终特征向量；将进行特征提取后得到的最终特征向量及其对应的张力状态作为训练样本，以最终特征向量为输入，张力状态为输出，训练矿井提升机张力状态PSO-SVM分类模型；故障诊断阶段：获取若干天轮轴轴向实时振动信号；将实时振动信号按上述特征提取过程提取最终特征向量，然后利用矿井提升机张力状态PSO-SVM分类模型对张力状态进行实时识别。 2.根据权利要求1所述的矿井提升机张力故障诊断方法，其特征在于，所述振动信号为时长为0.5～2s的信号片段。 3.根据权利要求1所述的矿井提升机张力故障诊断方法，其特征在于，所述选择能量占振动信号总能量比最高的前若干个IMF包括如下步骤：分别计算每个IMF的能量，按能量占振动信号总能量比从大到小排列；选择能量之和占振动信号总能量比超过95％的前若干个IMF。 4.根据权利要求1所述的矿井提升机张力故障诊断方法，其特征在于，训练矿井提升机张力状态PSO-SVM分类模型具体包括如下过程：以训练样本中的最终特征向量为输入，以最终特征向量对应的应力状态为输出训练SVM分类模型；使用PSO算法优化SVM分类模型中的惩罚系数c和核函数参数g，以惩罚系数c和核函数参数g对PSO算法初始化，以样本识别精度的负数为PSO算法中的适应度函数进行寻优，所述样本识别精度为训练SVM分类模型时识别最终特征向量对应的应力状态正确的样本数除以样本总数的值；当寻优达到最大迭代次数或适应度函数小于预设精度时，寻优结束，输出最优的惩罚系数c和核函数参数g；将得到最优的惩罚系数c和核函数参数g赋值到SVM分类模型，得到矿井提升机张力状态PSO-SVM分类模型。 5.一种矿井提升机张力故障诊断系统，其特征在于，包括：若干振动传感器，用于获取若干天轮轴轴向振动信号；数据采集器，用于将所述若干振动传感器获取的振动信号传输至特征提取模块；特征提取模块，用于将数据采集器传输的振动信号进行特征提取，将每个振动信号进行EEMD分解，将每个振动信号分解为一系列IMF，选择能量占振动信号总能量比最高的前若干个IMF，获取选择的若干个IMF的能量与排列熵，并组成特征向量，将同时获取的一组若干天轮轴轴向振动信号的特征向量组合为最终特征向量；模型建立模块，将进行特征提取后得到的最终特征向量及其对应的张力状态作为训练样本，以最终特征向量为输入，张力状态为输出，训练矿井提升机张力状态PSO-SVM分类模型；故障诊断模块，获取特征提取模块提取的实时振动信号的最终特征向量，利用模型建立模块建立的矿井提升机张力状态PSO-SVM分类模型对张力状态进行实时识别。 6.根据权利要求5所述的矿井提升机张力故障诊断系统，其特征在于，所述振动信号为时长为0.5～2s的信号片段。 7.根据权利要求5所述的矿井提升机张力故障诊断系统，其特征在于，所述选择能量占振动信号总能量比最高的前若干个IMF遵循如下过程：分别计算每个IMF的能量，按能量占振动信号总能量比从大到小排列；选择能量之和占振动信号总能量比超过95％的前若干个IMF。 8.根据权利要求5所述的矿井提升机张力故障诊断系统，其特征在于，模型建立模块中训练矿井提升机张力状态PSO-SVM分类模型具体包括如下过程：以训练样本中的最终特征向量为输入，以最终特征向量对应的应力状态为输出训练SVM分类模型；使用PSO算法优化SVM分类模型中的惩罚系数c和核函数参数g，以惩罚系数c和核函数参数g对PSO算法初始化，以样本识别精度的负数为PSO算法中的适应度函数进行寻优，所述样本识别精度为训练SVM分类模型时识别最终特征向量对应的应力状态正确的样本数除以样本总数的值；当寻优达到最大迭代次数或适应度函数小于预设精度时，寻优结束，输出最优的惩罚系数c和核函数参数g；将得到最优的惩罚系数c和核函数参数g赋值到SVM分类模型，得到矿井提升机张力状态PSO-SVM分类模型。 9.根据权利要求5所述的矿井提升机张力故障诊断系统，其特征在于，所述振动传感器通过磁吸附或胶粘方式安装于天轮轴上。 10.一种矿井提升机控制系统，其特征在于，包括如权利要求5～9任一项所述的矿井提升机张力故障诊断系统，及与所述矿井提升机张力故障诊断系统连接的控制单元。
所属类别：	发明专利