研究矿井风机的故障诊断方法基于声信号分析

文摘

地下当地球迷和辅助通风机在地下空气质量也起到了至关重要的作用,而系统风扇。然而,地下当地球迷和辅助粉丝的数量大,分布广泛,这是不利于采用相同的方法的在线监测和故障诊断方法的系统风扇。为了找到一种新的故障诊断方法,成本效益和可靠,本文提出了一种基于声信号的故障诊断方法。分析了风机噪声的来源和研究矿井风机故障诊断专家系统的总体方案基于声音信号。故障诊断专家系统由四部分组成:信号采集和噪声消除、特征提取、状态识别和故障诊断。介绍了其原理。本文采用小波的去噪方法。使用小波包提取声音信号的特点,和每个频率分量的能量大小和能量比例作为知识获取和推理的基础。通过分析测量信号的风机在正常操作状态,提取特征向量为基础的歧视噪声消除后的正常状态。同时,音频处理软件被用来模拟声音信号三种故障状态。 Then, the feature vector of the fault state is extracted, which is obviously different from that of the fan in the normal operation. As the basis of fault state analysis of the expert system, it lays the foundation for the realization of the expert system of mine fan equipment running state diagnosis.

1。介绍

我的粉丝是矿井通风安全的核心设备,它提供了必要的气流。风机的正常运行是非常重要的对于整个通风系统。目前,实时监控和故障诊断技术主要通风机的运行状态我相对完美。与当地球迷用于新闻在工作面和辅助通风机用于调整分支的风量空气路径的矿井通风网络的实时监测地下辅助通风机和当地球迷大量和复杂分布的特点。因此,有必要找到一个准确、方便的检测方法实时检测风扇的运行状态,以确保一个良好的工作环境,在矿井,井下工人的健康和劳动安全。

如今,大多数的风扇监控使用振动信号在线监测。总有一个或多个固有振动频率操作的粉丝。风机运行时异常,可能产生一个或多个频率成分不同于自己的固有频率。国内外相关学者做过相关研究风机监控和故障诊断基于振动信号,温度,和人工智能。姚明等人提出了一个非线性自回归移动平均模型测试太阳黑子数据,然后应用风机故障诊断的模型,预测精度高(1]。洪教授和廖提出了分类方法基于果蝇算法优化最小二乘支持向量机(LSSVM)。基于风机振动频率域的特征向量作为学习样本,改进的LSSVM模型用于确定风机振动信号的能量特征,具有较高的识别率和诊断速度快的特点(2]。蜀建立矿井风机故障监测模型,提取复数风机振动信号的故障特征,结合加权支持向量机的原理和方法,并意识到我的风扇故障的在线监测3]。宣和李设计的一套大型矿山风机在线监测和故障诊断系统基于虚拟仪器,实现了风机振动信号的实时采集、监控设备的运行状态,达到诊断根据振动情况通过层次分析法4]。翟,通过温度变化、振动频率、辅助,诊断和故障排除方法,对煤矿的几点进行了故障诊断(5]。赵使用BP神经网络算法预测齿轮箱轴承的温度,验证了网络模型的可行性和合理性,掌握了风扇状态,确保稳定可靠运行的单位6]。振动信号需要接触传感器采集信号,和风扇本身就是复杂的高电压和强电磁场环境,从而影响到监测结果,不利于安装和维护。

可听见的声音,基于声学特性的分析,没有相关文献矿井风机设备的机械故障诊断。与振动信号相比,它具有重要意义将声音信号引入风机的状态监测设备。风扇会产生不同的声音信号在不同的操作状态。正常运行状态下的声信号可以收集和分析提取的详细特性,可有效进行监控和故障诊断。状态监测故障诊断系统中使用,其中包括两个方面:信号分析和处理、故障诊断。信号分析和处理的目的是将获得的信息通过某些方法和提取最直观的、敏感的和有用的特征信息从不同的角度(7]。

本文研究的技术方案我的风扇声音监测和诊断系统。前端设备是用于收集声音信号的正常运行我的粉丝。使用小波去噪处理,然后结合的可辨认的特征声音信号。通过故障诊断专家系统的矿山风机,风机的运行状态可以有效地判断。

2。我的新项目安全监测风机的操作

有密切关系的音频信号我风扇及其运行状态。风扇的声音在正常运行状态有其固定的时频特征,可以作为故障诊断的依据。因此,风扇的声音信号的实时采集设备,使用数字信号处理当前的时频信息的分析,可以诊断是否有风扇故障或隐患。与振动信号特征分析相比,声音信号的故障诊断方法是一个真正的非接触,nonembedded, 24小时在线监测方法。因此,声信号的实时采集矿井风机设备和定量分析其变化规律和变异特征的数字信号处理方法可以诊断故障或隐患8]。同时,与振动传感器、声音传感器在价格有优势,使用寿命长,并且很容易更换。适用于当地球迷的色散和辅助通风机在煤矿,反映出经济基于声音监测。我的风扇故障诊断系统的总体框图如图基于声音1。

整个系统分为四个部分:信号采集与去噪、特征提取、状态识别和诊断决策。

信号采集收集的正常运行产生的声音我当地的球迷和选择声音信号可以表示为特征提取设备的工作状态,这是作为设备故障诊断的基础。完成后的信号采集、信号进行特征提取。声信号特征提取首先降噪收集到的声音信号去噪信号转换成能量,然后信号特性的信号分析和数据处理。特征提取后,进行状态识别,和信号处理后获得的声信号的特征参数与允许的参数或参数判别系统中知识库推理引擎,以便在其运行状态诊断是否存在故障,并进一步确定故障的类型。最后,诊断系统决定措施根据诊断设备的状态,然后预测设备的可能发展趋势根据电流信号,分析趋势,作出决定。

监控和故障诊断我的本地球迷可以通过收集实现风机运行的声音信号,结合信号去噪和特征提取技术,然后使用专家系统。

3所示。声信号采集和处理

由于地下开采面临的复杂环境,大量的噪声将收集风扇时混合信号,这是一种典型的非平稳信号。风扇噪音的副产品风扇操作,但它也含有丰富的操作过程的信息。经验丰富的操作符通常可以通过听声音来判断设备状态变化的操作过程(9]。

3.1。风扇噪音的来源

3.1.1。叶片转动的声音

当叶片旋转时,它将与空气摩擦或影响。噪音更当速度更快,空气连接的频率较高。这种现象更加明显,当叶片的宽度或厚度增加。噪音是由多个频率的频率,与风扇的速度。

3.1.2。叶片涡的声音

在风机的操作,将生成涡的运动,这不仅会降低风机的效率,但也产生噪音。在风机的操作,将生成涡的运动,这不仅会降低风机的效率,但也产生噪音。

3.1.3。噪音的动荡

当空气流动,如果它满足锋利的障碍,很容易引起动荡。虽然动荡的漩涡,它也会产生噪音或高频吹口哨,还将导致效率损失的球迷。虽然动荡的漩涡,它也会产生噪音或高频吹口哨,还将导致效率损失的球迷。

3.1.4。噪声的空气管住房产生共鸣

空气管之间的联合和风扇外壳的内表面应光滑避免粗糙和不均匀,这可能会导致撕裂的声音。此外,由于连接的管道将产生共振,细微的声音会变得更大,造成更大的噪音。在设计中,有时空气管可以覆盖着反声材料来降低噪声。

3.1.5。噪声外风扇

除了固定风扇本身的噪声,噪声来源有很多,比如轴承由于精度不足,装配不当,或可怜的维护,这将导致异常噪音。汽车也会产生噪声,其中一些是由贫穷引起的设计或制造质量控制不佳,但有时内外冷却风扇电机。齿轮和皮带也由于摩擦产生的噪音。其他结构的共振产生的噪声是不容忽视的,它有时是由身体的不平衡引起的。

3.2。信号采集与分析

声音信号携带各种各样的信息。声音信号处理的目的是提取这些信息。加工方法可分为时域分析和频域分析。时域分析是相对直观和简单,而频域分析改变声音信号从时域到频域由正弦函数和余弦函数来提取特征参数。

在这篇文章中,采样频率为44100赫兹的音响设备是用于样品我当地的球迷。的时域波形和频谱风机在正常运行得到的处理收集到的音频信号。采样点是4.4104年,时域波形图所示2(一个)和2 (b)声音的,它反映了图像信号在时域,和声音信号的变化之间的关系随着时间的推移和声音信号的振幅。时域信号的频域通过傅里叶变化,组件,每个组件的强度和频谱的信号进行了分析。它反映了声音信号的频率(赫兹)之间的关系和声音信号的振幅频率。从分析结果,可以看出,风扇音频信号是由多个频率,主要频率成分在8000 Hz, 200 Hz, 300 Hz, 600 Hz频率点的功率谱显示明显的电流频谱。

3.3。小波去噪

由于故障信号是瞬态信号,传统的傅里叶变换分析方法不能区分。这是因为使用傅里叶变换分析能够反映当地的故障特征信号在整个频域平滑,从而失去了有用的信息用于分析错,导致大错误。小波分析具有良好的时频定位,使用不同的尺度,在不同的时间窗口的宽度进行分析,特别适用于奇怪的信号的处理(10,11]。小波阈值去噪的原理来生成一个阈值估计的噪声强度和使用阈值函数来处理小波系数去除noise-related组件的一部分,以增强有用信号的比例。有三个主要步骤:首先,嘈杂的信号分解成几层小波系数的小波变化,然后noise-related组件被处理每一层使用阈值函数的小波系数,最后信号通过小波逆变换重构(12]。(1)选择小波,确定层数米小波分解,找到合适的小波基,然后使用离散小波来执行米层小波分解噪音轴承信号(13]。冷雾小波函数定义如下: (2)的高频系数进行阈值量化每一层的第一层米。常用的软、硬阈值方法(14]。软阈值方法将小波系数小于阈值设置为零,使小波系数大于阈值向零收缩,用以下表达式: 两种方法互相不同,前者有连续性和数学容易处理,而后者是更接近实现。阈值处理的关键是阈值的选择。如果阈值太小,噪声降噪后将继续;如果阈值太大,重要的信号将会被过滤掉,造成偏见。(3)小波重构信号的低频系数的基础上米th层小波分解的高频系数的第一个米th层与以下表达式[量化执行后15]: c_{j n}比例因子;d_j是小波系数;h,是一对正交镜像滤波器组;j分解层数;n是离散的采样点。

小波变换具有良好的时频特性。与传统的线性滤波和非线性滤波相比,小波去噪的特点,低熵,多分辨率,解相关,小波基的多样性选择。减少信号变换后的熵,更好的描述信号的非平稳特征,如边缘、峰值和断点。转换后的噪声往往美白。同时,小波变换可以灵活地选择不同的小波基根据信号的特点。

3.4。消除测量噪声信号

MATLAB软件是用来消除干扰测量5.5千瓦的声音信号我按在当地轴流风扇。通过去噪函数在小波工具箱,测量音频信号分解为五层使用冷雾小波的小波工具箱来获取图3(一个),在这年代是原始信号,一个5是基于近似信号,d1 -d5是细节信号小波分解后,和频率成分从低到高排列16]。

消除干扰信号和图像(红色和紫色的部分是原始信号去噪信号部分)。可以看出,可以消除信号去噪的毛刺,和丰富的高频信息仍然可以保留,已明显的去噪效果。小波变换多分辨率分析的特点使它在降噪率有着很大的优势17]。

4所示。小波分组特征提取

特征提取是指识别和故障分离的过程中提取特征信息与风力发电机故障的状态信号。一般特征量选择为了把信息从测量空间构建的特征空间的数量大量减少维度,从而突出故障特征,提高后续故障诊断的准确性。通常有三个步骤来提取特征量(18,19]。(1)信号由3层小波包分解,和8频率成分的信号特征提取的从低到高的频率是在第三层,分别。这些8小波包系数总结风力涡轮机音频信号的特性在不同的频段。其小波包分解树如图4。得到了每个节点的小波包系数(年代_3,0,年代_3、1,年代_3、2,年代_3,3,年代_3、4,年代_3、5,年代_3、6,年代_3、7]。(2)发现在每个频带信号的总能量。我们相对应的能量年代_3jbeE_3j,j= 0,1,…,7;然后我们有 在哪里x_jk(j= 0,1,…,7日k= 1,2,…n)表示离散点的重构信号的振幅年代_3j。(3)构造特征向量。构造特征向量T能源作为一个元素:T= (E30.E31日,E32岁的E33岁的E34岁,E35岁,E36岁,E37岁的)。

在实际工程中,当能量是相当大的,它可以在数据分析造成不便。因此,信号的能量价值通常是规范化的,和每个节点的能量比的总能量作为特征形成相应的特征向量(20.]。相应的方程是

T(j,我)的比例相应节点的能量;E(j,我)是对应的节点的能量值。上述计算结果在一个新的特征向量T' = (T0,T1,T2,T3,T4,T5,T6,T7)风力涡轮机的音频。

收集五组的音频信号的球迷在正常的操作下,这是G1,G2,G3,G4,G5,分别。音频信号的持续时间是1。每组音频信号分为八个能量节点(T0,T1,T2,T3,T4,T5,T6,T7)。利用小波包的db4 MATLAB小波包三层分解的工具来获得每个节点的能量比的总能量,如图5。在获得信号的总能量,获得每个节点的能量(E_30.,E_31日,E₃₂,E₃₃,E₃₄,E₃₅,E₃₆,E₃₇),如表所示1。从能源比例如图5可以看出,每个节点的能量占总能量的比例没有明显的变化。从输出的能量信号在表1,可以看出,输出能量的每个节点都有一个小变化。从两个方面可以看出,测试数据具有良好的重复性,因此要求测试的数量n不是太多了。最后,根据信号的特征向量,通过故障诊断专家系统的决策分类,我们可以判断矿井风机是否有缺陷。

通过收集我的风扇的声音信号,小波噪声消除。提取信号的特征向量得到几组数据,可以通过使用MATLAB信号特征信息。这是作为判断推理机的基础(21,22]。

5。故障信号仿真

由于故障率低我的风扇,很容易收集的音频信号正常运行状态,但它很难研究音频信号在特定的故障类型。因此,为了研究风扇音频信号在一些特定的故障条件下,音频处理软件用于仿真。在这篇文章中,三种风机故障模拟音频信号。风机负载下运行时,风机轴承过热,断层的声音是“嗡嗡作响。“当轴承异常,故障现象是各种不正常的声音,如尖锐的声音,吹口哨的声音,声音或影响。皮带的运行时异常,故障现象是带在行动中跳出,让一个“流行”的声音,和皮带轮的速度减少。基于上面的音频信号去噪和特征提取算法,五组数据的三种故障音频信号进行了分析,并相应的能量计算,如图6。

图6(一)模拟负载下的风扇的声音。模拟音频信号的五组在这个状态,即G1,G2,G3,G4,G5,计算每个节点的能量总能量的比例。同样,数据6 (b)和6 (c)音频信号的故障状态下风扇轴承和风扇皮带的异常状态。不同类型的故障音频信号模拟5组的信号,提取特征信息。不难发现风扇具有相应的频率特征在不同故障操作状态下,和音频信号的特征频率相同的故障有很高的相似性。大大不同的故障类型变化的特征频率,而这些故障特征频率的频率也完全不同于正常运行状态,可以用作故障推理的基础。一旦测试音频信号有不同的特征频率,可以判断故障,验证声音监测的可靠性。然而,由于研究数据有限,不能准确地确定不同状态之间的阈值,这需要进一步的研究。

6。结论

提出故障诊断方案基于我的风扇声音信号和分析矿井风机的噪声来源,包括所产生的噪声叶片旋转,叶片涡流所产生的噪声,噪声产生的紊流,共振所产生的噪音和空气管壳,和外部风扇造成的噪音。通过音频数据采集的音频设备,使用小波去噪滤波器信号一层一层地,和噪声信号重建保留其突变特征。小波包算法用于量化时域信息。根据每个节点的输出能源和能源比例,特征向量用于诊断和决策的推理机。结果表明,该方法强调了故障特征和判断我的风扇是否有隐而未现的过错。通过音频处理软件来模拟声音信号三种故障状态,风扇的使用上面的数据分析,故障状态的特征向量提取的信号。发现不同故障状态有相应的特征频率,这是明显不同的特征向量风机在正常运行,可为基础的故障信号识别专家系统。

基于声音的故障诊断分析是一种新的非接触在线监测方法,可准确地反映电气设备的运行状态而不影响电气设备的正常运行。是更有效的在线监测和故障诊断我的粉丝。这种方法可以确保矿井风机的正常运行,及时发现风扇的隐患,并确保井下工人的生命安全,这是促进数字矿山具有重要意义。

数据可用性

声音信号数据用于支持本研究的结果中包括这篇文章。

的利益冲突

作者宣称没有利益冲突。

确认

作者承认的科学研究基础的支持武汉理工学院(K201854)。

引用

1. l .姚明和l .锅”的应用非线性建模风机的故障诊断,”先进材料的研究卷,926 - 930,p . 3181, 2014。视图:出版商的网站|谷歌学术搜索
2. w·p·HongM。j .廖”应用程序的果蝇优化algorithm-least广场支持向量机故障诊断的球迷,”先进材料的研究卷,860 - 863,p . 2912, 2014。视图:出版商的网站|谷歌学术搜索
3. f .蜀”应用程序的改进的支持向量机故障诊断我的球迷,”矿山机械,34卷,不。3,39-41,2006页。视图:谷歌学术搜索
4. 遗传性出血性毛细血管扩张症z宣和李x”,提取振动信号特征组件我的球迷,”合肥联合大学杂志》上,38卷,不。1、品种马非常,2016页。视图:谷歌学术搜索
5. r .翟。”,研究煤矿机电设备故障诊断和维护技术,”中国石油和化工标准与质量,40卷,不。16日,21 - 22日举行,2020页。视图:谷歌学术搜索
6. h .赵”,关键部件故障的预测基于BP神经网络的风力涡轮机,”电站系统工程,37卷,不。2、21 - 22日举行,2021页。视图:谷歌学术搜索
7. w . Chang Xi彭、罗问:b曾庆红,x,和l .胡”故障分析催化主风机的状态监测和故障诊断技术的基础上,“中国设备工程,没有。5,152 - 154年,2021页。视图:谷歌学术搜索
8. l·潘,s .赵,b . Li“电气设备的故障诊断的新方法基于声学信号分析,“电力自动化设备卷,29号8,87 - 90年,2009页。视图:谷歌学术搜索
9. j .陈研究基于磨砂带磨损状态监测方法的声音信号特征、上海交通大学、上海,中国,2018。
10. y刘和g .赵”基于滤波器的小波故障检测方法预处理。”电力自动化设备,没有。2,51-55,2007页。视图:谷歌学术搜索
11. h .赵大张,j .杨fancui孟,和m .张“小波分层在激光多普勒测速中的应用”,激光技术,43卷,不。1,第108 - 103页,2019。视图:谷歌学术搜索
12. j .张问:钟,戴y”分解级别和阈值的确定在应用小波阈值去噪方法中,“中国电气工程期刊》上,24卷,不。2、119 - 123年,2004页。视图:谷歌学术搜索
13. x, j .连美国范,z,“混乱的多元回归日径流预测模型基于小波去噪,”系统仿真学报,没有。15日,第3608 - 3605页,2007年。视图:谷歌学术搜索
14. y秦,s .黄,赵问:“混沌时间序列预测模型基于小波去噪和回归模型及其应用”大地测量学和地球动力学,28卷,不。6,96 - 100年,2008页。视图:谷歌学术搜索
15. 李文,刘z和y通用电气,“几个小波去噪的方法,”合肥工业大学学报,没有。2、167 - 172年,2002页。视图:谷歌学术搜索
16. j .任“基于小波变换的数据分析方法,研究”科技创新,没有。16日,39-40,2019页。视图:谷歌学术搜索
17. 胡锦涛yunyun郑、陈s和y”应用小波变换和BP神经网络模型在沉降变形监测,“测绘与空间地理信息,42卷,不。2,页101 - 103 + 107,2019。视图:谷歌学术搜索
18. d .徐”交流采样基于小波变换的信号去噪技术,”电力自动化设备,没有。10、15 - 17日,2001页。视图:谷歌学术搜索
19. x, y . Chen h . Liu和定芳客”的暂态电能质量分类方法基于最优小波包分解基础上,“电力自动化设备,没有。10日》,2005页。视图:谷歌学术搜索
20. j·陈,“牵引变压器故障诊断方法研究基于声信号分析,“电子应用,39卷,不。2、25 - 29,2020页。视图:谷歌学术搜索
21. G.-l。冯,B.-r。陈,江,y。肖,W.-j。妞妞,P.-x。李,“Excavation-induced微震动和岩爆发生:年代,”28卷,没有。2,中南大学学报,2021。视图:出版商的网站|谷歌学术搜索
22. G.-L。冯,X.-T。冯,B.-r。陈,y。肖,y,“微震的方法动态预警隧道岩爆的开发过程的“岩石力学和岩石工程,48卷,不。5,2061 - 2076年,2015页。视图:出版商的网站|谷歌学术搜索

版权

版权©2021运输歌曲等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。