高级检索

预制裂纹煤体静载黏滑亚失稳及声电信号响应特征

冯小军, 丁增, 王恩元, 李德行, 张奇明

冯小军,丁 增,王恩元,等. 预制裂纹煤体静载黏滑亚失稳及声电信号响应特征[J]. 煤炭科学技术,2023,51(5):72−81. DOI: 10.13199/j.cnki.cst.2021-1015
引用本文: 冯小军,丁 增,王恩元,等. 预制裂纹煤体静载黏滑亚失稳及声电信号响应特征[J]. 煤炭科学技术,2023,51(5):72−81. DOI: 10.13199/j.cnki.cst.2021-1015
FENG Xiaojun,DING Zeng,WANG Enyuan,et al. Stick-slip meta-instability of coal under uniaxial loading and AE and EMR response characteristics[J]. Coal Science and Technology,2023,51(5):72−81. DOI: 10.13199/j.cnki.cst.2021-1015
Citation: FENG Xiaojun,DING Zeng,WANG Enyuan,et al. Stick-slip meta-instability of coal under uniaxial loading and AE and EMR response characteristics[J]. Coal Science and Technology,2023,51(5):72−81. DOI: 10.13199/j.cnki.cst.2021-1015

预制裂纹煤体静载黏滑亚失稳及声电信号响应特征

基金项目: 

国家自然科学基金资助项目(52004267);江苏省自然科学基金资助项目(BK20180644);博士后基金资助项目(2020M672235)

详细信息
    作者简介:

    冯小军: (1987—),男,四川德阳人,副教授,硕士生导师,博士。Tel:0516–83884695,E-mail:xiaojun.feng@cumt.edu.cn

  • 中图分类号: TD324

Stick-slip meta-instability of coal under uniaxial loading and AE and EMR response characteristics

Funds: 

National Natural Science Foundation of China (52004267); Natural Science Foundation of Jiangsu Province (BK20180644); Postdoctoral Fund Project (2020M672235)

  • 摘要:

    亚失稳阶段是断层黏滑失稳过程中前兆信息最丰富、变化最激烈的阶段。为深入探索煤体黏滑亚失稳阶段显现特征及该过程的声电信号响应规律,开展了不同预制裂纹倾角煤样单轴下的分级加载实验,同步采集了试样的内部破裂源定位和表面位移场,以及声发射和电磁辐射信号,并对煤体亚失稳过程力学行为和声电特征进行了分析。结果表明:①预制裂纹倾角显著影响受载煤样内部应力分布,及亚失稳阶段新生裂纹的拓展分布情况,声发射计数和能量对应力和破坏响应明显,临近黏滑亚失稳时,声发射计数和能量同时出现激增,信号占比接近20%,该响应特征可作为裂纹煤样进入黏滑亚失稳阶段的判断依据;②在进入亚失稳状态后,电磁辐射活动最为剧烈,与应力骤降的发生时间几乎相吻合,主破裂发生前,电磁辐射的能量和幅值急剧增高,且峰值能量随裂纹倾角的增加呈先增后减小,裂纹倾角45°的煤样在亚失稳状态时电磁辐射计数占失稳总过程的比例最大;③亚失稳阶段煤样的破裂轮廓已经基本形成,预制裂纹倾角对煤样亚失稳阶段时长影响显著,倾角45°时亚失稳阶段时长占比最长,倾角为60°时最短。研究成果可为断层亚失稳状态监测方案制定,及断层构造区大型冲击地压演化及致灾机理研究提供理论支撑。

    Abstract:

    Meta-instability stage is the most abundant precursory information and the most intense change stage in the process of fault stick-slip instability. In order to deeply explore the characteristics of coal meta-instability and the response law of acoustic and electrical signals in this process, the uniaxial graded loading experiments of coal samples with different prefabricated crack angles were carried out. The internal fracture source location, surface displacement field, acoustic emission and electromagnetic radiation signals of the samples were synchronously collected, and the mechanical behavior and acoustic and electrical characteristics of coal meta-instability were analyzed. The results show that: ① The inclination angle of the prefabricated crack significantly affects the internal stress distribution of the loaded coal sample, and even the expansion distribution of the new cracks in the meta-instability stage. The acoustic emission count and energy have obvious responses to stress and failure. When the meta-instability is near, the acoustic emission count and energy increase sharply at the same time, and the signal proportion is close to 20%. The response characteristics can be used as the basis for judging the crack coal sample entering the meta-instability stage. ② After entering the meta-instability state, the electromagnetic radiation activity is the most intense, which is almost consistent with the occurrence time of stress drop. Before the main fracture occurs, the energy and amplitude of electromagnetic radiation increase sharply, and the peak energy increases first and then decreases with the increase of crack dip angle. When the crack dip angle is 45°, the electromagnetic radiation count accounts for the largest proportion of the total instability process. ③ The fracture profile of the coal sample in the meta-instability stage has been basically formed. The inclination angle of the prefabricated crack has a significant impact on the duration of the meta-instability stage of the coal sample. When the inclination angle is 45°, the duration of the meta-instability stage is the longest, and when the inclination angle is 60°, the duration proportion is the shortest. The research results can be used to formulate the monitoring scheme of fault meta-instability, and the evolution and disaster of large-scale rock burst in fault structural area

  • 带式输送机是煤矿、非煤矿山、电力、码头等行业物料运输的主要方式[1],托辊作为带式输送机的重要承重部件,其数量众多,容易损坏,托辊故障易引发带式输送机火灾、撕裂、跑偏等事故,造成重大人员伤亡和经济损失[2]。目前带式输送机托辊检查以人工巡检为主,通过眼看耳听识别托辊故障,巡检员劳动强度及安全风险大,巡检效率低。

    带式输送机托辊故障主要表现为筒皮破损、润滑不良、托辊偏心等[3]。目前,托辊故障检测常用方法主要有:1)测速法:河北师范大学李玮华等[4]利用理论力学方法推导出托辊转速与托辊阻力参数之间的数学关系,通过光电计数模块监测托辊转速的方式,间接实现托辊阻力参数的监测,从而判断托辊转动不良故障;2)物理测温法:辽宁科技大学白宏磊等[5]提出利用托辊卡死时与胶带摩擦使得托辊表面温度升高的现象,通过将温度采集模块嵌入胶带内来监测托辊表面温度,实现托辊卡死故障监测。3)红外测温法:张俊[6]设计了基于红外热成像技术的托辊故障诊断系统,通过红外图像对托辊组温度进行实时监测;4)振动信号检测法:彭程程[7]提出了一种基于振动信号二阶瞬态提取变换的滚动轴承故障特征提取方法,能准确对变负载、变转速工况下的轴承故障进行诊断。

    测速法和测振法需要在现场安装数量庞大的传感器,成本高、维护困难,对早期故障的识别准确率不高;测温法存在时间滞后性,检测到故障时,托辊已经堵转。现有托辊故障检测方法都存在一定的局限性。故障托辊旋转时,会发出有规律的特征声音,因此越来越多的学者开展基于音频信号分析的托辊故障识别研究。

    郝洪涛等[8]提出一种托辊轴承运转噪声采集方法,选取均方根、反峰值、正峰值、峰峰值等时域和频域特征参数进行声音信号诊断,判断带式输送机的托辊是否出现异常。邵晨[9]提出一种关于噪声信号的带式输送机异常诊断算法,结合载荷及距离对噪声信号的影响,对噪声信号进行频域特性及小波分析,识别典型的带式输送机托辊高频嘶鸣故障。刘芬[10]提出了基于音频数据声品质分析(锐度、噪声烦扰度、言语干扰级)的逻辑回归算法模型,对托辊故障进行识别。方崇全[11]提出了基于托辊运转音频的声压1/3倍频程谱及声品质尖锐度特征指标的托辊故障识别方法。上述时频域分析方法易受环境噪声干扰,提取的噪声特征信息少,托辊异常识别准确率不高,无法适用于其他煤矿不同干扰源。宋天祥等[12]提出基于谱聚类的方式分析托辊故障,利用差分法来消除托辊音频序列数据时间趋势影响,在此基础上提取托辊音频序列特征进行聚类分析。该方法处理过程繁琐,实时诊断准确率有待提高。吴文臻等[13]提出了基于IMF分量峭度、重心频率、频率标准差等特征值的VMD-BP神经网络托辊故障音频诊断方法,避免了音频信号特征提取过程中的频谱混叠与端点效应。该方法存在托辊音频特征单一的问题,当井下有其他噪声源混叠在托辊音频时,计算出的特征值会对诊断结果造成干扰。曹贯强[14]提出了一种基于小波去噪和BP-RBF神经网络的托辊故障检测方法,能准确识别托辊表面的裂缝和磨损故障。该方法对故障前期较弱的信号识别准确率还有待提高。

    由于带式输送机运行现场的复杂性,音频传感器经常会受到诸如电机、水泵、人工等其他噪声信号的干扰,并且不同煤矿的干扰源差异较大。托辊声品质特征能明显体现托辊运行状态,但维度较少,对分析结果影响较大,且易受噪声干扰;声谱图特征时频信息充分,可表示托辊的状态变化,但神经网络对图进行分析可能会造成结果过拟合,导致泛化能力不足。

    针对上述问题,笔者融合了托辊故障的多模态特征,丰富数据维度,提出一种融合卷积神经网络与线性回归的托辊故障音频识别方法。采用HPSS方法分离出谐波、冲击波分量,表征托辊故障时的规律声;基于MFCC解析出谐波‒冲击波中托辊声纹特征信息,生成声谱图;以声谱图与声品质特征为数据源,扩充特征维度,构建融合卷积神经网络与线性回归的托辊故障音频识别模型,分析声音信号多模态特征,降低现场复杂背景噪声对托辊故障识别的影响,提高托辊故障识别准确率。

    融合卷积神经网络与线性回归的带式输送机托辊故障音频识别流程如图1所示,包括音频信号采集、信号预处理、特征提取、模型融合、托辊故障识别。

    图  1  托辊故障音频识别流程
    Figure  1.  Process of roller fault audio recognition

    声音采集主要采用驻极体麦克风和硅麦克风[15]。驻极体麦克风采集的声音信号与硅麦克风信号频率、相位相同,幅值较大,但信号失真比较严重。因此笔者采用高保真硅麦克风作为拾音器,频响范围20~20 000 Hz,灵敏度‒42 dBV/Pa,由巡检机器人搭载,沿输送带采集音频信号。当检测到异常音频时,巡检机器人停止行走,对该处托辊再次进行判别,实现输送带沿线托辊故障自动识别。

    煤矿井下背景噪声复杂,原始音频信号中含有大量噪音,使用小波去噪的方式对音频进行过滤[16],有用信号表现为低频部分或是平稳的信号,噪声信号则表现为高频信号,对音频信号进行小波变换:

    $$ \mathrm{W}\mathrm{T}\left(\alpha \text{,}\tau \right)=\frac{1}{\sqrt{\alpha }}{\int }_{-\mathrm{\infty }}^{\mathrm{\infty }}e\left(t\right)\cdot \mathrm{\Psi }\left(\frac{t-\tau }{\alpha }\right)\mathrm{d}t $$ (1)

    式中:尺度α控制小波函数的伸缩(对应频率);平移量$ \tau $控制小波函数的平移(对应时间);Ψ为基本小波函数;对噪声信号e(t)进行处理,从而对原始信号重构达到去噪目的[17],处理结果如图2所示,可以看出噪声明显减小,高频噪声分量明显被抑制。

    图  2  小波去噪效果
    Figure  2.  Wavelet denoising effect diagram

    故障托辊运转时声音会呈现出异响,在时间轴上谐波保持连续平滑,冲击波则表现为间断状态。将去噪的音频信号先使用HPSS[18]方法分离出谐波源和冲击波源,谐波和冲击波声源代价函数可表示为

    $$ Q\left(H,P\right)=\frac{1}{2{\sigma }_{\mathrm{H}}^{2}}\sum _{x}{\left({H}_{x-1}+{H}_{x}\right)}^{2}+\frac{1}{2{\sigma }_{\mathrm{p}}^{2}}\sum _{x}{\left({P}_{x-1}+{P}_{x}\right)}^{2} $$
    $$ {W}_{x}={H}_{x}+{P}_{x},{H}_{x} > 0,{P}_{x} > 0 $$ (2)

    式中:H为谐波声源集;P为冲击波声源集;Hx>0为谐波声源的短时傅里叶变换;Px>0为冲击波声源的短时傅里叶变换;Wx为原始音频信号傅里叶变换;σH为谐波源平滑度因子;σP为冲击波源平滑度因子。

    HPSS分离结果如图3所示,可以看出托辊损坏产生的周期异响在冲击图中表现更明显。

    图  3  HPSS分离效果
    Figure  3.  HPSS separation effect diagram

    分离后的谐波和冲击波声源经过快速傅里叶变换和梅尔滤波器组过滤,取对数后再经离散余弦变换得到MFCC系数[19]。提取MFCC特征后,生成基于谐波和冲击波的声谱图[20],更加详细地体现出托辊运行声纹的时频特性,扩充了故障托辊音频特征。

    同时将去噪的音频信号进行声品质计算,得到粗糙度、响度、尖锐度等基础特征,描述托辊运行时的音频基本特性[21]

    声谱图以二维矩阵Ml形式表示,声音品质特征通过组合构建为特征向量αi,作为托辊故障判别模型的输入,模型结构如图4所示。

    图  4  识别模型结构
    Figure  4.  Identify model structure

    声谱图包含音频信号的大量信息,将单帧的谐波声谱图和冲击波声谱图拼接后作为输入,提取特征进行分析。卷积网络的基本构建块是卷积层,其将1组滤波器应用于输入的声谱图,以产生1组输出特征图。每个卷积核是1个小的权重矩阵,其与输入声谱图卷积以产生单个输出值。通过将多个卷积核应用于输入图像,卷积层能够学习1组对识别有用的特征,有效值卷积操作的公式如下:

    $$ \mathrm{c}\mathrm{o}\mathrm{n}\mathrm{v}\left(o,t\right)=\sum _{i=-\mathrm{\infty }}^{\mathrm{\infty }}\sum _{j=-\mathrm{\infty }}^{\mathrm{\infty }}{x}_{i+o,j+t}.{\boldsymbol{k}}_{\mathrm{r}\mathrm{o}\mathrm{t}i,j}.\boldsymbol{X}\left(i,j\right) $$
    $$ \boldsymbol{X}\left(i,j\right)=\left\{\begin{array}{l}\mathrm{1,0}\leqslant i,j\leqslant n\\ 0,{\mathrm{others}}\end{array}\right. $$ (3)

    式中:X为$ m \times m $阶矩阵;krot为由$ n \times n $阶矩阵的卷积核旋转180度得到,初始输入为声谱图像素矩阵。

    卷积核用于提取图像特征,其在输入图像上滑动,对每个位置进行卷积操作,从而生成1个输出特征图。卷积核的大小和数量是卷积神经网络的超参数,根据输入矩阵的大小对卷积核大小、步幅进行调整,卷积核处理后的特征图大小为

    $$ {w}^{,}=\frac{\left(w+2\varepsilon -k\right)}{s} +1 $$ (4)

    式中:输入矩阵大小为$ w $;卷积核大小为$ k $;步幅为$ s $;补零层数为$ \varepsilon $。

    在卷积网络中引入残差模块(图5)来缓解深度神经网络中的梯度消失和梯度爆炸问题[22],使网络训练层次更深,识别准确率更高。

    图  5  声谱图特征计算残差模块
    Figure  5.  Acoustic spectrogram feature calculation residual module
    $$ h\left({x}_{l+1}\right)=h\left({x}_{l}\right)+F({x}_{l},{W}_{l}) $$ (5)

    式中:h(xl)为第l次模块计算后的声谱图特征;F(xl,Wl)为经过卷积层处理后的输出;h(xl+1)为第次l+1残差模块的输出值。

    笔者设计1个残差模块中包含2个卷积层,完成2次卷积操作后,与残差模块输入h(xn)拼接,作为当前残差模块输出结果。通过残差模块最终得到:

    $$ {y}_{1}=h\left({x}_{n+1}\right) $$ (6)

    式中:y1为基于声谱图的特征提取值;h(xn+1)为第n+1次残差模块输出值。笔者使用3层残差模块,即6个卷积网络层,其中h(xn+1)=h(x3)。

    声品质特征维度相对较少,采用多元线性回归的方式建立多个声品质特征自变量和1个因变量之间关系模型,可以快速提取声品质特征并进行拟合,多元线性回归的表示为

    $$ {y}_{2}={\beta }_{0}+{\beta }_{1}{\alpha }_{1}+{\beta }_{2}{\alpha }_{2}+\cdots +{\beta }_{i}{\alpha }_{i}+\mu $$ (7)

    式中:y2为基于声品质的特征提取值;αi为第$ i $个声品质特征;βi为第$ i $个参数;μ为偏置项,是当前特征值归一化后的均值。

    使用最小二乘法拟合线性回归模型,目标是通过最小化残差平方和来估计回归系数:

    $$ L=\sum _{i=1}^{n}{\left(f\left({\alpha }_{i}\right)-{y}_{2i}\right)}^{2} $$ (8)

    式(8)是声品质侧计算的残差平方和,式中y2i为线性回归中第i个样本真实值,通过找到1组$ \beta \left({\beta }_{0},{\beta }_{1},\cdots ,{\beta }_{i}\right) $,使残差平方和最小:

    $$ \mathrm{m}\mathrm{i}\mathrm{n}\left(L\right)=\mathrm{m}\mathrm{i}\mathrm{n}\sum _{i=1}^{n}{\left(f\left({\alpha }_{i}\right)-{y}_{2i}\right)}^{2} $$ (9)

    目标损失函数矩阵表示方法为

    $$ J\left(\beta \right)={\|\boldsymbol{A}\beta -{\boldsymbol{Y}}_{2}\|}^{2}={\left(\boldsymbol{A}\beta -{\boldsymbol{Y}}_{2}\right)}^{\mathrm{T}}\left(\boldsymbol{A}\beta -{\boldsymbol{Y}}_{2}\right) $$ (10)

    式中:Y2为样本的输出向量;A为输入声品质样本的矩阵形式。对J(β)求导:

    $$ \frac{\partial }{\partial \beta }J\left(\beta \right)=2{\boldsymbol{A}}^{\mathrm{T}}\boldsymbol{A}\beta -2{\boldsymbol{A}}^{\mathrm{T}}{\boldsymbol{Y}}_{2}=0 $$ (11)

    得到βi的解析解,通过多次迭代输入声品质特征,计算出βi

    联合声谱图计算和声品质计算,其输出值为

    $$\begin{gathered} {y}_{3}=\lambda {y}_{1}+(1-\lambda ){y}_{2}=\lambda {x}_{l}+(1-\lambda )({\beta }_{0}+{\beta }_{1}{\alpha }_{1}+\\ {\beta }_{2}{\alpha }_{2}+\cdots +{\beta }_{i}{\alpha }_{i}+\mu ) \end{gathered} $$ (12)

    式中:y3为联合声谱图和声品质的计算输出值;$ \lambda $为权重参数,数值范围0~1。$ \lambda $越大,声谱图侧对模型效果影响越大,反之声品质侧影响越大,论文根据试验确定$ \lambda =0.7 $。调整声谱图和声品质侧权重,改善声品质特征相对较少所带来的影响。

    融合两侧计算结果,利用全连接层继续拟合参数,每1层之间的神经元都通过权值相连,形成了1个前向传播的结构。在训练过程中,通过反向传播算法更新权值,以达到模型最优化的目标,其表示为

    $$ {z}^{u}={\gamma }^{u}{y}_{3}+{\sigma }^{u} $$ (13)

    式中:zu为第u个全连接层的输出;γuσu为权重参数和偏置项。每1全连接层具有多个神经元,其展开得:

    $$ {z}^{u}\underset{}{\Rightarrow }\left\{\begin{array}{c}{z}_{1}^{u}={\gamma }_{11}^{u}{y}_{31}+\cdots +{\gamma }_{1v}^{u}{y}_{3v}+{\sigma }_{1}^{u}\\ {z}_{2}^{u}={\gamma }_{21}^{u}{y}_{31}+\cdots +{\gamma }_{2v}^{u}{y}_{3v}+{\sigma }_{2}^{u}\\ {z}_{e}^{u}={\gamma }_{e1}^{u}{y}_{31}+\cdots +{\gamma }_{ev}^{u}{y}_{3v}+{\sigma }_{e}^{u}\end{array}\right. $$ (14)

    式中:v为每1层y3的特征数;e为该层具有的神经元个数。通过u个全连接层进行特征计算,选择运算速度较快的Relu激活函数,得到模型输出结果y=Relu(zu)。考虑到声品质特征维度相对较少,此处u=3,即3个全连接层,依次反向传播更新整个网络参数。详细的模型参数和输入输出尺寸见表1

    表  1  融合卷积神经网络与线性回归模型参数
    Table  1.  Convolutional neural network and linear regression parameters
    网络层卷积核尺寸
    输入层13×128×128
    卷积层1_17×72×20×16
    批归一化2×20×16
    卷积层1_23×32×10×32
    批归一化2×10×32
    卷积层1_31×13×128×128
    卷积层2_13×32×20×16
    批归一化2×20×16
    卷积层2_23×32×10×32
    批归一化2×10×32
    卷积层2_31×13×128×128
    卷积层3_13×32×20×16
    批归一化2×20×16
    卷积层3_23×32×10×32
    批归一化2×10×32
    卷积层3_31×13×128×128
    输入层21×3
    线性回归层3
    展开层1024
    全连接层1512
    全连接层2256
    全连接层3128
    Sigmoid层1
    下载: 导出CSV 
    | 显示表格

    托辊声纹数据采集过程中由于受背景噪声影响,以及故障样本较少,存在一部分较难区分的样本,因此利用Focal Loss损失函数降低易分类样本的权重,改善类别不平衡造成的预测精度问题。其函数为

    $$ \mathrm{L}\mathrm{o}\mathrm{s}\mathrm{s}=\left\{\begin{array}{l} -{\left(1-{p}_{{\mathrm{r}}}\right)}^{\gamma }\log\left({p}_{{\mathrm{r}}}\right), ({y}_{{\mathrm{sample}}}=1)\\ -{p}_{{\mathrm{r}}}^{\gamma }\log\left(1-{p}_{{\mathrm{r}}}\right), ({y}_{{\mathrm{sample}}}=0)\end{array}\right. $$ (15)

    式中:pr为故障预测值与故障真实值的接近程度;$ \gamma $为可调节因子,$ \gamma > 0 $,$ \gamma $值越大分类准确的样本对结果影响越小,模型会倾向于优化分类不准确的样本,论文根据试验确定$ \gamma =2 $;$ {y}_{{\mathrm{sample}}} $为样本真实值。

    在训练过程中,通过上式降低易分类样本权重,模型将更多注意力集中于导致损失函数变化更大的数据样本中,提升托辊故障音频判识模型预测准确率。

    为验证所提故障识别方法的有效性,通过挂轨式巡检机器人采集国能榆林能源有限责任公司郭家湾煤矿带式输送机托辊音频信号进行分析验证。在该煤矿主井带式输送机巷约2 000 m的巡检区域铺设吊挂轨道,巡检机器人沿挂轨自主行走,实时采集巡检线路音频数据,通过WiFi通信将数据上传到地面控制中心,由上位机软件进行托辊故障音频识别分析。由于输送带正常运行时故障托辊都会被及时更换,为获取故障音频样本数据,采用以下方式:

    将矿方换下的托辊按照卡顿、偏心、破损等常见故障分类整理,对故障不明显的托辊进行加工以获得更明显的故障特征。在带式输送机检修期间更换不同故障类型的托辊,控制巡检机器人运行经过故障处时,通过网络将采集到的故障音频样本保存至地面服务器,做好分类标注。同时在吊挂轨道下方管道上制造不同频率、不同响度的敲击噪音,丰富训练样本数据。

    机器人以0.4 m/s速度运行,共运行5 013 s,按每秒50帧采集,共有样本250 650帧,故障样本951帧,占比0.38%,正负样本数量差异巨大,训练集占90%,测试集10%。现场试验图片如图6所示。

    图  6  井下试验现场
    Figure  6.  Underground field test

    声音采集时干扰噪声源主要有巡检机器人本身行走时产生的声音、人工输送带检修时产生的声音以及其他机械设备(管子道口水泵)产生的声音。和故障音频相比,该类干扰源的主要特点具有短时偶发性,能量相对较弱。通过笔者所提去噪方法,可以有效识别故障特征信号供后续方法处理,如图7所示。巡检机器人经过破损托辊处产生明显的冲击信号,通过去噪处理,背景噪声被明显抑制,音频特征在时域和频域表现更明显。

    图  7  音频去噪效果
    Figure  7.  Sound denoising effect diagram

    将计算托辊故障状态下的声品质(粗糙度、响度、尖锐度)特性,与正常状态下的声品质特性进行比较,见表2。故障托辊响度和尖锐度较正常值有所升高,粗糙度有所降低,但差异不是特别明显。

    表  2  故障托辊和正常托辊的声品质特性对比
    Table  2.  Comparison of sound quality characteristics between fault roller and normal roller
    故障
    类型
    粗糙度响度尖锐度
    托辊卡顿0.736112.11.3
    托辊偏心0.785110.11.14
    托辊破损0.828107.41.24
    正常托辊1.023103.31.03
    下载: 导出CSV 
    | 显示表格

    试验带式输送机带速为5 m/s,托辊直径89 mm,托辊转速fr=35.78 rps,各类托辊故障频率范围理论计算如下[23]:托辊内圈故障1倍频特征频率BPFI=4.95fr=177.11 Hz;托辊外圈故障1倍频特征频率BPFO=3.048fr=109.06 Hz;滚动体故障1倍频特征频率BSF=1.992fr=71.27 Hz。

    用所提方法生成的声谱图如图8图11所示。横坐标表示时间,纵坐标表示频率,颜色代表该频率下的能量大小。

    图  8  正常托辊冲击波声谱
    Figure  8.  Shock wave sound spectrum of normal roller
    图  9  托辊卡顿故障冲击波声谱
    Figure  9.  Shock wave sound spectrum of jam fault roller
    图  10  托辊偏心故障冲击波声谱
    Figure  10.  Shock wave sound spectrum of eccentric fault roller
    图  11  托辊破损故障冲击波声谱
    Figure  11.  Shock wave sound spectrum of damage fault roller

    由以上声谱图可以看出,托辊故障时发出周期性的声音在冲击波声谱图中表现明显,不同频率下的能量不同,不同故障对应的声谱图也不同:正常托辊声谱图能量较低,频率分布范围更广,故障托辊声谱图能量较高,频率主要集中在0~0.2 kHz,与故障频率范围理论计算相符。

    算法参数选择通过试验确定,见表3

    表  3  参数$ \lambda $和$ \gamma $对托辊故障识别准确率(%)的影响
    Table  3.  Influence of parameters $ \lambda $ and $ \gamma $ on the accuracy (%) of roller fault recognition
    参数$ \gamma $=0$ \gamma $=0.5$ \gamma $=1$ \gamma $=2$ \gamma $=5
    $ \lambda $=0.179.5482.0683.1784.0683.56
    $ \lambda $=0.383.8884.3585.5686.0385.87
    $ \lambda $=0.590.0691.0392.6693.5893.21
    $ \lambda $=0.794.9895.0695.1095.6095.32
    $ \lambda $=0.992.8293.0693.8994.3694.01
    下载: 导出CSV 
    | 显示表格

    结果表明:当$ \lambda $=0.7,$ \gamma $=2时,托辊故障识别效果最好,准确率高。

    单独使用笔者提及的时域特性(声品质回归)、时频特性(声谱图卷积)和不考虑样本平衡优化(Focal Loss)的方法进行故障识别,结果见表4。结果表明:基于MFCC的谐波‒冲击波声谱图更能体现托辊运行时的故障特性;同时,采用Focal Loss损失函数改善故障样本不均衡问题。对托辊运行多模态特征的融合计算,以及对不均衡样本的优化处理,在煤矿井下识别托辊运行故障具有更好的效果。

    表  4  本文算法不同组合识别结果
    Table  4.  Recognition results of different combinations ofalgorithms in this paper
    识别算法 故障出现
    次数
    故障检出
    次数
    误检次数 准确率/% 检出率/%
    只使用声品质 95 74 12 83.78 77.89
    只使用声谱图 95 84 7 91.67 88.42
    不使用Focal Loss 95 88 5 94.32 92.63
    本文 95 91 4 95.60 95.79
    下载: 导出CSV 
    | 显示表格

    将声品质特征拼接到谐波‒冲击波声谱图矩阵,并分别输入到SVM、VGG16、RESNET50等不同分类器进行故障识别,结果见表5。结果表明:具有一定网络深度的算法,对于特征提取更具优势;使用声谱图后,通过卷积操作能够更充分提取托辊运行特征,提升识别准确率。对不同模态托辊特征单独处理,再对结果进一步融合,比直接拼接特征计算效果更好。

    表  5  基于不同分类器的托辊故障识别结果
    Table  5.  Roller fault identification results based on different neural networks
    识别算法 故障出现
    次数
    故障检出
    次数
    误检次数 准确率/% 检出率/%
    SVM 95 83 12 85.54 87.37
    VGG16 95 85 10 88.24 89.47
    RESNET50 95 87 8 90.80 91.58
    本文 95 91 4 95.60 95.79
    下载: 导出CSV 
    | 显示表格

    将托辊卡顿、偏心、破损3种故障的音频信号输入到本文识别模型中进行验证:

    $$ \begin{array}{l}检出率=\dfrac{故障检出次数}{故障出现次数},\\ 准确率=\dfrac{故障检出次数-误检次数}{故障检出次数}\end{array} $$

    得到的识别结果见表6。结果表明:该方法对托辊卡顿、偏心、破损具有较好的识别效果,总体识别准确率达95.60%,检出率达95.79%。

    表  6  融合卷积神经网络与线性回归的托辊故障识别结果
    Table  6.  Roller fault recognition results based on convolutional neural network and linear regression
    故障类型 故障出现
    次数
    故障检出
    次数
    误检次数 准确率/% 检出率/%
    托辊卡顿 12 11 1 90.91 91.67
    托辊偏心 57 55 2 96.36 96.49
    托辊破损 26 25 1 96.00 96.15
    合计 95 91 4 95.60 95.79
    下载: 导出CSV 
    | 显示表格

    融合卷积神经网络与线性回归的带式输送机托辊故障音频识别方法通过充分提取声谱图特征以及快速拟合声品质特征,对不同模态托辊特征单独处理后再进一步融合,克服了声品质特征维度较少易受噪声干扰、声谱图特征易过拟合泛化能力不足的缺点,提升了故障识别准确率,在煤矿井下对托辊卡顿、偏心、破损具有较好的识别效果,总体识别准确率达95.60%,检出率达95.79%。

  • 图  1   预制裂纹煤样几何参数示意及散斑煤样

    Figure  1.   Schematic of geometric parameters of cracked specimens and static load test cracked specimens

    图  2   静载试验加载系统

    1—声发射探头;2—电磁辐射探头;3—前置放大器; 4—声电采集系统;5—工业相机;6—相片采集系统;7—伺服压力机;8—绝缘垫片;9—压机加载控制系统

    Figure  2.   Static load experiment system

    图  3   声发射电磁辐射采集系统

    Figure  3.   Acoustic emission electromagnetic radiation collection system

    图  4   亚失稳阶段不同倾角预制裂纹的破裂源声发射定位

    Figure  4.   Acoustic emission location of fragmentation source of prefabricated cracks with different inclination angles

    图  5   亚失稳阶段不同预制裂纹倾角垂直位移云图

    Figure  5.   Vertical displacement cloud diagram of different pre-crack inclination angles in the sub-instability stage

    图  6   声发射计数–能量–应力–时间

    Figure  6.   Acoustic emission count-energy-stress-time

    图  7   不同裂纹倾角下的电磁辐射监测情况

    Figure  7.   Electromagnetic radiation monitoring under different crack inclination angles

    图  8   亚失稳阶段定义

    LN—线性阶段;NO—强偏离线性阶段;OB—亚失稳阶段;BF—失稳阶段

    Figure  8.   Definition of sub-instability stage

    图  9   黏滑亚失稳过程应力−应变随时间变化曲线

    Figure  9.   Stress-strain curve with time in the process of stick-slip meta-instability

    图  10   不同预制裂纹倾角亚失稳阶段的时长特征

    Figure  10.   Stress-time under different pre-crack inclination angles at the meta-instability stage

    表  1   煤样裂纹试样倾角参数

    Table  1   Crack angle parameters of coal samples

    试样编号裂纹倾角 /(°)
    α10
    α230
    α345
    α460
    α590
    下载: 导出CSV

    表  2   电磁辐射计数统计

    Table  2   Electromagnetic radiation counting statistics

    裂纹倾角/(°)电磁辐射计数
    亚失稳阶段全程亚失稳阶段
    占比/%
    0 1 753 873 22 699 106 7.727
    30 333 524 10 661 724 3.128
    45 3 738 450 27 057 860 13.817
    60 497 809 24 117 042 2.064
    90 763 068 6 554 411 11.642
    下载: 导出CSV

    表  3   预制裂纹试样失稳全过程各阶段时间

    Table  3   The time of each stage of instability of pre-cracked specimen

    阶段开始时间 /s结束时间 /s用时/s用时占比 /%
    线性阶段LN1

    强偏离线性阶段N1O1
    0 563.7 563.7 80.22
    563.7 577.6 13.9 1.97
    亚失稳阶段 黏滑亚失稳瞬态1 O1B1 577.6 594.2 17.1 2.43
    失稳阶段B1F1 594.2 597.2 3.0 0.043
    分级加载控制阶段F1N2 597.2 685.2 88.0 12.5
    强偏离线性阶段N2O2 685.2 699.2 14.0 1.99
    黏滑亚失稳瞬态2 O2B2 699.2 702.3 3.1 0.436
    合计 577.6 702.3 124.7 17.7
    失稳阶段B2F 702.3 702.7 0.4 0.054
    下载: 导出CSV

    表  4   不同预制裂纹倾角试样下的亚失稳阶段具体时间

    Table  4   Actual time of the meta-instability stage under different pre-crack inclination angle specimens

    预制裂纹倾角 /(°)亚失稳阶段用时 /s全程用时 /s亚失稳用时占比 /%
    开始时间结束时间用时
    0586.7699.8113.1703.616.07
    30712.5725.312.8725.61.76
    45577.6702.3124.7702.717.75
    60828.2836.98.7840.91.03
    90751.2842.291.0868.510.48
    下载: 导出CSV
  • [1] 陈光波,滕鹏程,李 谭,等. 煤矿冲击地压评价模型及其应用[J]. 太原理工大学学报,2021,52(6):966−973.

    CHEN Guangbo,TENG Pengcheng,LI Tan,et al. Evaluation model of rock burst in coal mine and its application[J]. Journal of Taiyuan University of Technology,2021,52(6):966−973.

    [2] 朱小景,潘一山,李 祁,等. 巷道冲击地压软化区能量极值判别准则及试验研究[J]. 中国矿业大学学报,2021,50(5):975−982.

    ZHU Xiaojing,PAN Yishan,LI Qi,et al. Determination criteria and experimental study on energy extreme value of rock burst softening zone in roadway[J]. Journal of China University of Mining and Technology,2021,50(5):975−982.

    [3] 白俊杰. 基于地表沉降关键指标的冲击风险管控与实践[J]. 煤炭技术,2021,40(9):135−138.

    BAI Junjie. Impact risk control and practice based on key indicators of surface subsidence[J]. Coal Technology,2021,40(9):135−138.

    [4] 任雅琼,马 瑾,刘培洵,等. 平直断层粘滑过程热场演化及失稳部位识别的实验研究[J]. 地震地质,2016,38(1):65−76.

    REN Yaqiong,MA Jin,LIU Peixun,et al. Experimental study on thermal field evolution and instability location identification in stick slip process of straight faults[J]. Seismogeology,2016,38(1):65−76.

    [5] 鞠文君,卢志国,高富强,等. 煤岩冲击倾向性研究进展及综合定量评价指标探讨[J]. 岩石力学与工程学报,2021,40(9):1839−1856.

    JU Wenjun,LU Zhiguo,GAO Fuqiang,et al. Research progress and comprehensive quantitative evaluation index of coal rock impact tendency[J]. Journal of Rock Mechanics and Engineering,2021,40(9):1839−1856.

    [6] 王学滨,钱帅帅,薛承宇,等. 基于速率-状态依赖摩擦定律的平直走滑断层黏滑过程的连续-非连续方法模拟[J]. 地球物理学进展,2022,37(1):443−449.

    WANG Xuebin,QIAN Shuaishuai,XUE Chengyu,et al. Numerical simulation of the stick-slip of a straight strike-slip fault under biaxial compression based on the rate and state dependent friction law by use of the continuum-discontinuum method[J]. Progress in Geophysics,2022,37(1):443−449.

    [7] 赵洪宝,刘一洪,张向阳,等. 双向静载约束条件下动力冲击对煤岩的损伤影响[J]. 采矿与安全工程学报,2021,38(1):130−137, 145.

    ZHAO Hongbao,LIU Yihong,ZHANG Xiangyang,et al. Damage effect of dynamic impact on coal and rock under bidirectional static load constraints[J]. Journal of Mining and Safety Engineering,2021,38(1):130−137, 145.

    [8]

    LI Yaohua,SONG Yan,JIANG Zhenxue,et al. Two episodes of structural fractures: Numerical simulation of Yanchang Oilfield in the Ordos basin, northern China[J]. Marine and Petroleum Geology,2018,97:223−240.

    [9] 王亚飞,柴文革,宋义敏. 拉剪作用下岩石变形破坏演化的声发射特征研究[J]. 矿业研究与开发,2021,41(2):74−80.

    WANG Yafei,CHAI Wenge,SONG Yimin. Study on acoustic emission characteristics of rock deformation and failure evolution under tension and shear[J]. Mining Research and Development,2021,41(2):74−80.

    [10] 马鹏飞,李树忱,袁 超,等. 基于SED准则的近场动力学及岩石类材料裂纹扩展模拟[J]. 岩土工程学报,2021,43(6):1109−1117.

    MA Pengfei,LI Shuchen,YUAN Chao,et al. Simulations of crack propagation in rock-like materials by peridynamics based on SED criterion[J]. Chinese Journal of Geotechnical Engineering,2021,43(6):1109−1117.

    [11] 黄旭超. 多煤层压裂裂纹竞争起裂扩展特征分析[J]. 采矿与安全工程学报,2022,39(1):184−191.

    HUANG Xuchao. Characteristics of fracture propagation caused by fracture competition in multi-seam fracturing[J]. Journal of Mining & Safety Engineering,2022,39(1):184−191.

    [12] 李 清,田 策,徐文龙,等. 含预制圆孔半圆盘的冲击动态断裂过程试验研究[J]. 科学技术与工程,2021,21(3):878−884.

    LI Qing,TIAN Ce,XU Wenlong,et al. Experimental study on impact dynamic fracture process of half disc with prefabricated circular hole[J]. Science, Technology and Engineering,2021,21(3):878−884.

    [13]

    LIU Zhenhe,WANG Shaohua,YE Hailong,et al. Experimental study on the effects of precracks, fracturing fluid, and rock mechanical characteristics on directional hydraulic fracturing with axial pre-cracks[J]. Geomechanics and Geophysics for Geo-Energy and Geo-Resources,2021,7:1−14.

    [14]

    CHEN Zaitie,WANG Wei,LI Dayang. Instability analysis of strike-slip fault based on cusp catastrophe model[J]. Structural Durability & Health Monitoring,2018,12(1):19.

    [15]

    KONSTANTINOYSKAYA E,RUTQVIST J,MALO M. CO2 storage and potential fault instability in the St. Lawrence Lowlands sedimentary basin(Quebec, Canada): Insights from coupled reservoir-geomechanical modeling[J]. International Journal of Greenhouse Gas Control,2014,22:88−110. doi: 10.1016/j.ijggc.2013.12.008

    [16]

    WANG Xiaoran,WANG Enyuan,LIU Xiaofei,et al. Micromechanisms of coal fracture: Insights from quantitative AE technique[J]. Theoretical and Applied Fracture Mechanics,2021:114−103000.

    [17]

    HE Qingyuan,ZHU Lei,LI Yinchun,et al. Simulating hydraulic fracture re-orientation in heterogeneous rocks with an improved discrete element method[J]. Rock Mechanics and Rock Engineering,2021,54:2859−2879.

    [18]

    TRIPATHI A,GUPTA N,SINGH A K,et al. Effects of elevated temperatures on the microstructural, physico-mechanical and elastic properties of barakar sandstone: a study from one of the world’s largest underground coalmine FIRE Region, Jharia, India[J]. Rock Mechanics and Rock Engineering,2021,54:1293−1314. doi: 10.1007/s00603-020-02315-9

    [19]

    LOTIDIS M A,NOMIKOS P P. Acoustic emission location analysis and microcracks’ nature determination of uniaxially compressed calcitic marble hollow plates[J]. Geomechanics and Geophysics for Geo-Energy and Geo-Resources,2021,7(2):1−22.

    [20]

    YU Weibo,DUAN Huiqiang. Numerical simulation study on crack evolution characteristics of coal specimen subjected to conventional compression loading[J]. Geotechnical and Geological Engineering,2021,39(7):4893−4996.

    [21] 艾迪昊,李成武,赵越超,等. 煤体静载破坏微震、电磁辐射及裂纹扩展特征研究[J]. 岩土力学,2020,41(6):2043−2051.

    AI Dihao,LI Chengwu,ZHAO Yuechao,et al. Study on microseismic, electromagnetic radiation and crack propagation characteristics of static load failure of coal[J]. Geotechnical mechanics,2020,41(6):2043−2051.

    [22]

    BRACE W F,BYERLEE J D. Stick-slip as a mechanism for earthquakes[J]. Science,1966,153(3739):990−992. doi: 10.1126/science.153.3739.990

    [23] 马 瑾,马胜利,刘力强. 地震前异常的阶段性及其空间分布特征[J]. 地震地质,1995(4):363−371.

    MA Jin,MA Shengli,LIU Liqiang. Stages and spatial distribution characteristics of anomalies before earthquakes[J]. Seismic Geology,1995(4):363−371.

    [24] 马 瑾,SHERMAN S I,郭彦双. 地震前亚失稳应力状态的识别:以5°拐折断层变形温度场演化的实验为例[J]. 中国科学:地球科学,2012,42(5):633−645.

    MA Jin,SHERMAN SI,GUO Yanshuang. The identification of sub-instability stress state before earthquake: taking the experiment of deformation temperature field evolution of 5° turning fault as an example[J]. Chinese Science:Geoscience,2012,42(5):633−645.

    [25] 马 瑾. 从“是否存在有助于预报的地震先兆”说起[J]. 科学通报,2016,61(S1):409−414.

    MA Jin. Let’s start with “whether there are earthquake precursors that can help forecasting”?[J]. Chinese Science Bulletin,2016,61(S1):409−414.

    [26]

    REN Yaqiong,MA Jin,LIU Peixun,et al. Experimental study of thermal field evolution in the short-impending stage earthquakes[J]. Pure and Applied Geophysics,2018,175(7):2527−2539. doi: 10.1007/s00024-017-1626-7

    [27] 宋春燕,马 瑾,王海涛,等. 强震前断裂亚失稳阶段及失稳部位的特征研究:以新疆南天山西段为例[J]. 地球物理学报,2018,61(2):604−615.

    SONG Chunyan,MA Jin,WANG Haitao,et al. Study on the characteristics of sub instability stage and instability position of faults before strong earthquakes: taking the western section of Nantian, Xinjiang as an example[J]. Journal of Geophysics,2018,61(2):604−615.

    [28] 张淑亮,王 霞,郭文峰,等. 多种地球物理场观测数据中亚失稳现象[J]. 吉林大学学报(地球科学版),2021,51(2):571−583. doi: 10.13278/j.cnki.jjuese.20200032

    ZHANG Shuliang,WANG Xia,GUO Wenfeng,et al. variety of geophysical field observation data instability phenomenon in Central Asia[J]. Journal of Jilin University(Earth Science Edition),2021,51(2):571−583. doi: 10.13278/j.cnki.jjuese.20200032

    [29] 张 希,刘 峡,秦姗兰,等. 芦山Ms 7.0地震前的跨断层形变亚失稳前兆特征[J]. 武汉大学学报(信息科学版),2020,45(11):1669−1677.

    ZHANG Xi,LIU Xia,QIN Shanlan,et al. The precursor characteristics of trans-fault deformation before Lushan Ms 7.0 earthquake[J]. Journal of Wuhan University(Information Science Edition),2020,45(11):1669−1677.

    [30] 李世念,马 瑾,汲云涛,等. 亚失稳准动态及同震过程变形场时空演化特征:实验与分析[J]. 地震地质,2021,43(1):1−19.

    LI Shinian,MA Jin,JI Yuntao,et al. Spatial and temporal evolution characteristics of deformation field during sub-instability quasi-dynamic and coseismic processes: experiment and analysis[J]. Seismic geology,2021,43(1):1−19.

    [31] 王桂林,欧阳啸天,梁 锋,等. 基于改进灰狼算法的岩石声发射定位研究[J]. 工程地质学报,2021,5:1−9.

    WANG Guilin,OUYANG Xiaotian,LIANG Feng,et al. Study on rock acoustic emission location based on Improved Gray Wolf algorithm[J]. Journal of engineering geology,2021,5:1−9.

    [32]

    KAWASAKI Y,UEDA K,IZUNO K. AE source location of debonding steel-rod inserted and adhered inside rubber[J]. Construction and Building Materials,2021,279(4):122383.

    [33] 王恩元,李忠辉,李德行,等. 电磁辐射监测技术装备在煤与瓦斯突出监测预警中的应用[J]. 煤矿安全,2020,51(10):46−51.

    WANG Enyuan,LI Zhonghui,LI Dexing,et al. Application of electromagnetic radiation monitoring technology and equipment in coal and gas outburst monitoring and early warning[J]. Coal Mine Safety,2020,51(10):46−51.

    [34] 刘成禹,石俊杰,罗洪林,等. 隧道变形过程中电磁辐射强度参数的变化规律[J]. 岩土力学,2020,41(8):2722−2729.

    LIU Chengyu,SHI Junjie,LUO Honglin,et al. Variation law of electromagnetic radiation intensity parameters during tunnel deformation[J]. Geotechnical Mechanics,2020,41(8):2722−2729.

    [35] 李世念. 断层失稳过程超动态变形时空模式的实验研究[D]. 北京: 中国地震局地质研究所, 2017.

    LI Shinian. Experimental study on the space-time model of super-dynamic deformation during fault instability[D]. Beijing: Institute of Geology, China Earthquake Administration, 2017.

图(10)  /  表(4)
计量
  • 文章访问数:  89
  • HTML全文浏览量:  5
  • PDF下载量:  38
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-05-09
  • 录用日期:  2022-08-31
  • 网络出版日期:  2023-05-28
  • 刊出日期:  2023-05-30

目录

/

返回文章
返回