• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于LSTM-Adam的刮板輸送機鏈傳動系統(tǒng)故障預(yù)警方法

      2023-10-12 05:31:32李博郭星燃李娟莉王學(xué)文夏蕊
      工礦自動化 2023年9期
      關(guān)鍵詞:刮板輸送機殘差

      李博, 郭星燃, 李娟莉, 王學(xué)文, 夏蕊

      (1. 太原理工大學(xué) 機械與運載工程學(xué)院,山西 太原 030024;2. 煤礦綜采裝備山西省重點實驗室,山西 太原 030024)

      0 引言

      刮板輸送機作為煤礦井下運輸?shù)年P(guān)鍵設(shè)備,其工作的安全性與穩(wěn)定性對實現(xiàn)煤礦高效綠色開采極其重要。刮板輸送機長期處于惡劣工況環(huán)境下,導(dǎo)致其各種故障頻發(fā),尤其是鏈傳動系統(tǒng),所受載荷變化頻繁,常發(fā)生卡鏈和斷鏈等故障,對煤礦經(jīng)濟效益與煤礦安全造成巨大威脅。因此,在鏈傳動系統(tǒng)發(fā)生故障前進行預(yù)測性維護與更換,對煤礦高效安全開采具有重大意義。在傳統(tǒng)故障診斷領(lǐng)域,眾多學(xué)者針對刮板輸送機故障診斷方法開展了研究。于林[1]采用磁場與霍爾元件相結(jié)合的刮板檢測傳感器監(jiān)測斷鏈故障。趙馭陽[2]提出了基于有向無環(huán)圖支持向量機(Directed Acyclic Graph-Support Vector Machine,DAG-SVM)的刮板輸送機故障監(jiān)測方法。崔宏堯等[3]提出了基于混沌差分進化的刮板輸送機故障診斷方法。以上方法能夠在一定程度上實現(xiàn)對刮板輸送機部分結(jié)構(gòu)的故障診斷,然而,傳統(tǒng)的故障診斷需要大量的先驗知識和主觀干預(yù),要求技術(shù)人員經(jīng)驗豐富。

      深度學(xué)習(xí)具有強大的自主判斷與感知能力,廣泛應(yīng)用于語音識別[4]、圖像識別[5]、機械故障預(yù)警與診斷[6-9]等領(lǐng)域。王學(xué)文等[10]使用神經(jīng)網(wǎng)絡(luò)對刮板輸送機的運行軌跡進行預(yù)測。劉家瑞等[11]提出將深度卷積自編碼器用于風(fēng)電機組狀態(tài)故障預(yù)警中。深度學(xué)習(xí)方法以數(shù)據(jù)為驅(qū)動,能夠提取數(shù)據(jù)的隱藏特征,對相關(guān)數(shù)據(jù)趨勢進行精準預(yù)測,最終實現(xiàn)對異常情況的準確預(yù)警。常用的深度學(xué)習(xí)模型主要有長短期記憶神經(jīng)網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)[12]、卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)[13]、相鄰差分神經(jīng)網(wǎng)絡(luò)(Adaptive Deep Neural Network,ADNN)[14]等,其中LSTM在數(shù)據(jù)預(yù)測和故障預(yù)警方面具有良好效果[15-17]。鑒此,本文提出了基于LSTM-Adam的刮板輸送機鏈傳動系統(tǒng)故障預(yù)警方法。在LSTM的基礎(chǔ)上結(jié)合Adam算法建立LSTM-Adam預(yù)測模型,對正常運行工況下的刮板鏈運行數(shù)據(jù)進行預(yù)測,并采用滑動加權(quán)平均法對預(yù)測數(shù)據(jù)進行殘差分析,得到合理的預(yù)警閾值,當(dāng)殘差超過預(yù)警閾值時進行預(yù)警。

      1 刮板輸送機故障預(yù)警框架

      基于LSTM-Adam的刮板輸送機故障預(yù)警包括數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、LSTM-Adam預(yù)測模型構(gòu)建、預(yù)警判斷4個步驟,如圖1所示。

      圖1 基于LSTM-Adam的刮板輸送機故障預(yù)警框架Fig. 1 Fault warning framework of scraper conveyor based on LSTM-Adam

      1) 數(shù)據(jù)采集。試驗中使用的數(shù)據(jù)來源于刮板輸送機工況監(jiān)測系統(tǒng),將傳感器采集的數(shù)據(jù)導(dǎo)入SQL Server數(shù)據(jù)庫中。

      2) 數(shù)據(jù)預(yù)處理。從SQL Server數(shù)據(jù)庫中提取數(shù)據(jù),對數(shù)據(jù)進行清洗和min-max歸一化處理。

      3) LSTM-Adam預(yù)測模型構(gòu)建。搭建LSTM模型,使用Adam算法對模型進行優(yōu)化,得到最優(yōu)預(yù)測模型。

      4) 預(yù)警判斷。將數(shù)據(jù)導(dǎo)入優(yōu)化后的LSTM-Adam預(yù)測模型,利用滑動加權(quán)平均法進行殘差分析,確定預(yù)警閾值。

      2 數(shù)據(jù)采集與預(yù)處理

      2.1 數(shù)據(jù)采集

      以SGZ1000/2×1200型刮板輸送機為原型,依據(jù)相似理論,按照1∶3的相似比設(shè)計刮板輸送機試驗臺,如圖2所示?;诮M態(tài)技術(shù)建立刮板輸送機工況監(jiān)測系統(tǒng),如圖3所示。

      圖2 刮板輸送機試驗臺Fig. 2 Test platform of scraper conveyor

      圖3 刮板輸送機工況監(jiān)測系統(tǒng)Fig. 3 Working condition monitoring system of scraper conveyor

      系統(tǒng)監(jiān)測的物理量:減速器輸出軸轉(zhuǎn)矩及轉(zhuǎn)速,用以表征刮板輸送機運行阻力與運行速度;中部槽中板壓力,用以表征刮板輸送機運輸能力;刮板在豎直方向的振動加速度,用以表征鏈傳動系統(tǒng)中刮板的振動狀態(tài);刮板鏈在運行方向的應(yīng)變,用以表征鏈條張力。

      采用傳感器、測量儀表、無線網(wǎng)關(guān)等硬件設(shè)備(圖4)進行數(shù)據(jù)采集,將設(shè)備與上位機建立通信,保證數(shù)據(jù)實時傳輸。

      圖4 數(shù)據(jù)采集設(shè)備Fig. 4 Data acquisition equipment

      利用組態(tài)王等上位機監(jiān)測軟件將設(shè)備采集的數(shù)據(jù)暫存至實時數(shù)據(jù)庫及歷史數(shù)據(jù)庫,并將采集的數(shù)據(jù)實時保存至SQL Server數(shù)據(jù)庫中,為后續(xù)故障預(yù)警提供數(shù)據(jù)源。

      2.2 數(shù)據(jù)預(yù)處理

      刮板輸送機運行時,刮板鏈應(yīng)變等物理量存在明顯的周期性,將采集的數(shù)據(jù)按周期劃分進行分析,可以發(fā)現(xiàn)不同周期內(nèi)數(shù)據(jù)變化規(guī)律相似。因此,選擇對不同周期內(nèi)缺失數(shù)據(jù)所在位置對應(yīng)的臨近值求算術(shù)平均,以填補缺失數(shù)據(jù),實現(xiàn)數(shù)據(jù)清洗。

      為了消除各類參數(shù)對應(yīng)量綱的影響,防止數(shù)量級較大的參數(shù)在訓(xùn)練時占據(jù)主導(dǎo)地位,減小數(shù)量級的差異以加快迭代收斂速度,需要對樣本數(shù)據(jù)進行歸一化處理。采用min-max歸一化方法來對樣本數(shù)據(jù)進行處理。

      3 LSTM-Adam預(yù)測模型構(gòu)建

      3.1 LSTM模型

      LSTM是在循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)基礎(chǔ)上建立的,可避免RNN在處理長時間序列數(shù)據(jù)時出現(xiàn)長期依賴的問題,且LSTM增添了門控結(jié)構(gòu),可利用該結(jié)構(gòu)控制信息的保留與舍棄,完成對信息流的動態(tài)控制。

      LSTM單元結(jié)構(gòu)如圖5所示。

      圖5 LSTM單元結(jié)構(gòu)Fig. 5 LSTM unit structure

      LSTM主要由遺忘門、輸入門和輸出門來控制細胞狀態(tài)。其中遺忘門是由上一時刻隱藏層狀態(tài)ht-1和當(dāng)前t時刻輸入向量Xt共同作用,通過Sigmoid函數(shù)得到輸出向量ft,上一時刻細胞狀態(tài)Ct-1再與ft逐點相乘,完成數(shù)據(jù)遺忘的功能。

      式中:σ(·)為Sigmoid函數(shù);Wt為遺忘門待訓(xùn)練參數(shù)矩陣;bc為遺忘門待訓(xùn)練偏置項。

      輸入門運算表達式為

      獲取遺忘門輸出向量ft、候選狀態(tài)候選狀態(tài)權(quán)重向量it后,可將上一時刻細胞狀態(tài)Ct-1轉(zhuǎn)換為當(dāng)前時刻細胞狀態(tài)Ct,轉(zhuǎn)換公式為

      式中*為矩陣中每個相同位置的元素相乘運算符。

      輸出門運算表達式為

      式中:Ot為隱藏層狀態(tài)權(quán)重向量;W0為輸出門待訓(xùn)練參數(shù)矩陣;b0為輸出門待訓(xùn)練偏置項;ht為當(dāng)前時刻隱藏層狀態(tài)。

      ht和Xt共同作用在輸入門上,通過Sigmoid函數(shù)得到隱藏層狀態(tài)權(quán)重向量Ot,當(dāng)前時刻細胞狀態(tài)Ct通過tanh函數(shù)歸一化,得到一個所有元素值在-1~1之間的向量,將其與隱藏層狀態(tài)權(quán)重向量Ot相乘,有選擇地遺忘部分信息,即可得到當(dāng)前時刻的隱藏層狀態(tài)ht,完成短期記憶的更新。

      3.2 Adam算法

      在LSTM模型訓(xùn)練過程中,需要使用優(yōu)化算法來計算和更新模型的網(wǎng)絡(luò)參數(shù),使其盡可能地逼近最優(yōu)值,得到最佳模型,實現(xiàn)對數(shù)據(jù)變化趨勢的準確預(yù)測。

      Adam算法[18]作為一種自適應(yīng)學(xué)習(xí)率優(yōu)化算法,會獨立為每一個模型參數(shù)設(shè)計自適應(yīng)學(xué)習(xí)率,充分利用學(xué)習(xí)率對模型性能的影響,提高模型訓(xùn)練速度。Adam算法迭代過程:① 對學(xué)習(xí)率等參數(shù)進行初始化。② 計算目標函數(shù)梯度和帶偏差的一階、二階矩估計。③ 對一階、二階矩估計進行校正并更新待求解參數(shù)。

      3.3 LSTM-Adam預(yù)測模型建立流程

      將預(yù)處理后的數(shù)據(jù)以8∶2的比例劃分為訓(xùn)練集與測試集。采用Adam算法來計算和更新LSTM模型的網(wǎng)絡(luò)參數(shù),構(gòu)建LSTM-Adam預(yù)測模型,如圖6所示。

      圖6 LSTM-Adam預(yù)測模型建立流程Fig. 6 Build process of LSTM-Adam prediction model

      3.4 LSTM-Adam預(yù)測模型評估

      為檢驗LSTM-Adam預(yù)測模型在刮板輸送機鏈傳動系統(tǒng)故障預(yù)警中的可行性與準確性,從刮板輸送機工況監(jiān)測系統(tǒng)數(shù)據(jù)庫中選取部分刮板鏈應(yīng)變歷史數(shù)據(jù),對LSTM-Adam預(yù)測模型進行評估。

      3.4.1 模型評估標準

      選擇均方誤差[19]對LSTM-Adam預(yù)測模型進行評估。均方誤差是指真實值與預(yù)測值之差的平方的數(shù)學(xué)期望,反映真實值與預(yù)測值之間的差異程度。均方誤差越小,說明預(yù)測模型精度越高。

      3.4.2 模型訓(xùn)練

      將刮板輸送機試驗臺的刮板鏈應(yīng)變歷史數(shù)據(jù)導(dǎo)入LSTM-Adam預(yù)測模型,經(jīng)過預(yù)處理后,隨機將數(shù)據(jù)集劃分為訓(xùn)練集和測試集。

      針對刮板鏈應(yīng)變的預(yù)測,選擇不同模型節(jié)點數(shù)進行多次調(diào)試,不同模型節(jié)點數(shù)下的均方誤差見表1。綜合考慮節(jié)點數(shù)對模型訓(xùn)練效果的影響,選擇節(jié)點數(shù)為128。

      表1 不同模型節(jié)點數(shù)下的均方誤差Table 1 Mean square error under different model node numbers

      選取Adam算法學(xué)習(xí)率分別為0.01,0.001,0.000 1,對模型參數(shù)進行優(yōu)化。結(jié)果發(fā)現(xiàn)在不同學(xué)習(xí)率下,測試集的均方誤差在第2次迭代時均發(fā)生驟降,且學(xué)習(xí)率為0.001和0.000 1時的下降速度基本一致,學(xué)習(xí)率為0.01時的下降速度較慢;在后續(xù)迭代過程中,使用學(xué)習(xí)率為0.001的Adam算法得到的測試集均方誤差比使用學(xué)習(xí)率為0.000 1的Adam算法得到的測試集均方誤差要小,綜合考慮,設(shè)置Adam算法學(xué)習(xí)率為0.001。此外,設(shè)置批大小為128。通過Adam算法不斷進行迭代,以優(yōu)化模型參數(shù),得到最優(yōu)模型。

      3.4.3 模型擬合

      將LSTM-Adam預(yù)測模型的預(yù)測結(jié)果與試驗臺實際運行數(shù)據(jù)進行擬合對比,結(jié)果如圖7所示??煽闯鲈诘?0,70,110,150個監(jiān)測點處,預(yù)測值與真實值之間的差異較大,這是由于刮板鏈通過驅(qū)動鏈輪時,鏈條拉力快速變化引起應(yīng)變突變,預(yù)測模型可能會存在一些誤差;但總體來看,預(yù)測模型能夠?qū)伟彐湋?yīng)變數(shù)據(jù)的變化趨勢進行準確預(yù)測。

      圖7 刮板鏈應(yīng)變Fig. 7 Scraper chain strain

      4 預(yù)警判斷

      4.1 滑動加權(quán)平均法

      滑動加權(quán)平均法是由滑動平均法和加權(quán)平均法發(fā)展而來的一種數(shù)據(jù)處理方法[20-21]?;瑒蛹訖?quán)平均法使用滑動時間窗口進行數(shù)據(jù)計算,并考慮了數(shù)據(jù)的加權(quán)平均值,可提高數(shù)據(jù)的可靠性和精度。

      結(jié)合試驗臺采集數(shù)據(jù)的特性,對數(shù)據(jù)的周期、周期內(nèi)采樣次數(shù)和各點殘差變化規(guī)律進行分析,在計算點k前后,分別選取20個在時間序列上連續(xù)的數(shù)據(jù),將它們乘以對應(yīng)的權(quán)重,再計算數(shù)學(xué)期望,即可得到計算點k的滑動加權(quán)平均值:

      式中:xk為計算點k對應(yīng)的數(shù)值;pk為xk的權(quán)重。

      在式(7)中還需確定各點權(quán)重的大小,考慮到使用滑動加權(quán)平均法處理殘差的目的是利用滑動加權(quán)得到的殘差均值來代替該點殘差,因此選擇給當(dāng)前點賦予單獨的權(quán)重p1=4,其余各點賦予相同的權(quán)重p2=1,則計算點k的滑動加權(quán)平均值為

      4.2 預(yù)警判斷流程

      基于對刮板輸送機大量運行數(shù)據(jù)的分析,可將正常運行工況下同類數(shù)據(jù)的最大殘差作為預(yù)警閾值。預(yù)警判斷流程如圖8所示。

      圖8 預(yù)警判斷流程Fig. 8 Warning judgment process

      5 試驗驗證

      5.1 試驗條件

      本試驗以刮板輸送機鏈傳動系統(tǒng)故障為例,對基于LSTM-Adam的刮板輸送機故障預(yù)警方法的可行性進行驗證。在刮板輸送機試驗臺上,通過加大刮板運行阻力、增加煤矸石數(shù)量和更換即將發(fā)生疲勞斷裂的鏈條等方法來模擬鏈傳動系統(tǒng)故障,并將采集到的故障數(shù)據(jù)存儲到數(shù)據(jù)庫中。

      為了更加貼合實際情況,試驗中刮板輸送機均是在滿載情況下運行。

      5.2 試驗過程

      將正常運行工況下刮板鏈應(yīng)變數(shù)據(jù)導(dǎo)入LSTMAdam預(yù)測模型中,并對預(yù)測所得數(shù)據(jù)進行殘差分析,結(jié)果如圖9所示。可看出刮板鏈應(yīng)變的最大殘差為46.7,因此將刮板鏈應(yīng)變的預(yù)警閾值設(shè)定為46.7。

      圖9 正常運行工況下刮板鏈應(yīng)變數(shù)據(jù)殘差分析結(jié)果Fig. 9 Residual analysis results of scraper chain strain data under normal working condition

      確定故障預(yù)警閾值后,從故障數(shù)據(jù)庫中提取部分數(shù)據(jù)導(dǎo)入LSTM-Adam模型中進行預(yù)測,得到殘差,并對殘差進行處理,最終得到故障預(yù)警結(jié)果。

      5.3 試驗結(jié)果

      5.3.1 卡鏈工況

      在試驗臺上模擬卡鏈故障,并將模擬故障實時運行數(shù)據(jù)導(dǎo)入LSTM-Adam預(yù)測模型中,得到殘差結(jié)果,如圖10所示??煽闯鰵埐钤诘?35個監(jiān)測點處開始出現(xiàn)異常,超出預(yù)警閾值,隨后殘差又恢復(fù)到預(yù)警閾值以下。

      圖10 卡鏈工況下的殘差Fig. 10 Residual under stuck chain condition

      結(jié)合對鏈傳動系統(tǒng)常見故障形式的分析可知:當(dāng)中部槽內(nèi)出現(xiàn)異物致使刮板輸送機發(fā)生卡鏈故障時,刮板鏈應(yīng)變急劇增大;當(dāng)鏈條發(fā)生卡滯時,隨著鏈條拉力不斷增大,鏈條通常會克服異物的阻礙,恢復(fù)到正常運行狀態(tài)。這與卡鏈故障預(yù)警時的殘差分析結(jié)果相符。

      5.3.2 斷鏈工況

      在試驗臺上模擬斷鏈故障,并將模擬故障實時運行數(shù)據(jù)導(dǎo)入LSTM-Adam預(yù)測模型中,得到殘差結(jié)果,如圖11所示。可看出殘差在第137個監(jiān)測點處開始出現(xiàn)異常,超出預(yù)警閾值,之后殘差雖有下降,但呈周期性波動,峰值仍高于預(yù)警閾值。

      圖11 斷鏈工況下的殘差Fig. 11 Residual under broken chain condition

      結(jié)合對鏈傳動系統(tǒng)常見故障形式的分析可知:雙鏈刮板輸送機在1條鏈發(fā)生斷裂時,未斷裂鏈條上的應(yīng)變會急劇增大,已斷裂鏈條上的應(yīng)變會急劇減小,且未斷裂鏈條上的應(yīng)變無法恢復(fù)到正常值。由于預(yù)測值呈周期性變化,所以殘差分析結(jié)果呈周期性變化,這與斷鏈故障預(yù)警時的殘差分析結(jié)果相符。

      6 結(jié)論

      1) 基于組態(tài)技術(shù)搭建刮板輸送機工況監(jiān)測系統(tǒng),實時獲取刮板輸送機運行狀況數(shù)據(jù),為刮板輸送機故障預(yù)警提供數(shù)據(jù)支撐。

      2) 利用Adam算法優(yōu)化LSTM模型,提出了LSTM-Adam預(yù)測模型。當(dāng)學(xué)習(xí)率為0.001時,預(yù)測模型訓(xùn)練效果最優(yōu),能夠準確預(yù)測出刮板鏈應(yīng)變數(shù)據(jù)的變化趨勢。

      3) 采用滑動加權(quán)平均法對正常運行工況下刮板鏈應(yīng)變數(shù)據(jù)進行殘差分析,得到其預(yù)警閾值。試驗結(jié)果表明:基于LSTM-Adam的刮板輸送機故障預(yù)警方法能夠?qū)︽渹鲃酉到y(tǒng)異常情況進行準確預(yù)測。

      猜你喜歡
      刮板輸送機殘差
      基于雙向GRU與殘差擬合的車輛跟馳建模
      刮板轉(zhuǎn)載機刮板鏈快速更換技術(shù)研究
      立磨機刮板結(jié)構(gòu)的改進
      刮板轉(zhuǎn)載機刮板鏈快速更換工藝淺析
      礦山機械(2021年3期)2021-03-25 07:12:34
      基于殘差學(xué)習(xí)的自適應(yīng)無人機目標跟蹤算法
      皮帶輸送機轉(zhuǎn)載點緩沖破碎裝置的研制與應(yīng)用
      基于遞歸殘差網(wǎng)絡(luò)的圖像超分辨率重建
      皮帶輸送機尾輥焊接修復(fù)與應(yīng)用
      40T刮板運輸機尾輥的修復(fù)與應(yīng)用
      圓管帶式輸送機最佳懸垂度研究
      信宜市| 黄龙县| 临洮县| 芷江| 阿拉善右旗| 哈密市| 桐庐县| 应城市| 鸡泽县| 奉贤区| 肇庆市| 醴陵市| 尚义县| 呼玛县| 淄博市| 资兴市| 商洛市| 镇宁| 拜城县| 称多县| 镇沅| 玛沁县| 阿合奇县| 阜平县| 吉隆县| 富顺县| 浠水县| 梁河县| 霍城县| 平南县| 叙永县| 三河市| 历史| 封开县| 湘乡市| 慈利县| 阳西县| 永城市| 齐齐哈尔市| 三都| 苍山县|