Correlation analysis between characteristic temperature and microstructure of coal spontaneous combustion
-
摘要:
煤自燃灾害严重威胁了矿井的安全生产,掌握煤自燃微观基团和特征温度之间的关联性对煤自燃灾害的防治具有积极作用。为确定不同变质程度煤自燃过程中特征温度和煤微观结构的变化及相互联系,利用热重试验和傅里叶红外光谱实验分别测试了4种不同变质程度煤样自燃过程中的质量变化特性和微观结构,采用皮尔逊相关系数法确定了2者之间的联系。结果表明:随着变质程度的增大,煤中的芳香烃和脂肪烃含量增加,含氧官能团含量减少,3种类型的基团中含量最高的基团分别为C=C,—CH3和—OH。变质程度高的煤失重曲线和特征温度逐渐向高温区移动,且各特征温度间的间距增大。煤自燃特征温度会随着芳香烃含量的增加而增加,随着含氧官能团含量的增加而降低。芳香烃含量越大,煤自燃越难发生,而含氧官能团则恰好相反。皮尔逊相关系数计算结果表明,随着温度的升高,正相关系数最大的官能团分别为C—H,C—H,C—H,取代苯,C=C和C=C,负相关最大的官能团分别为COO—,COO—,C—O—,COO—,—OH和—OH。整体而言,C—H与特征温度之间正向相关性最大,而COO—则与特征温度呈最大的负相关。特征温度的变化与最大官能团的含量呈较为明显的线性关系。基于皮尔逊相关系数的结果,利用与特征温度相关性最大的C—H和COO—官能团的含量建立了煤自燃倾向性多元线性回归模型。
Abstract:The coal spontaneous combustion disaster seriously threatens the mine safety production. Mastering the correlation between the micro group and characteristic temperature of coal spontaneous combustion plays a positive role in the prevention and control of coal spontaneous combustion disaster. In order to determine the change and correlation of characteristic temperature and coal microstructure in the process of spontaneous combustion of coal with different metamorphic degrees, the mass change characteristics and microstructure of four coal samples with different metamorphic degrees were tested by thermogravimetric experiment and Fourier infrared spectrum experiment, and the relationship between them was determined by Pearson correlation coefficient method. The results show that with the increase of metamorphic degree, the content of aromatic hydrocarbons and aliphatic hydrocarbons in coal increases and the content of oxygen-containing functional groups decreases. The groups with the highest content in the three types of groups are C=C, —CH3 and —OH respectively. The weight loss curve and characteristic temperature of high metamorphic coal gradually move to the high temperature zone, and the spacing between characteristic temperatures increases. The characteristic temperature of coal spontaneous combustion increases with the increase of aromatic hydrocarbon content and decreases with the increase of oxygen-containing functional group content. The higher the content of aromatic hydrocarbons, the more difficult coal spontaneous combustion is, while the oxygen-containing functional groups are just the opposite. The calculation results of Pearson correlation coefficient show that with the increase of temperature, the functional groups with the largest positive correlation coefficient are C—H, C—H, C—H, substituted benzene, C=C and C=C, and the functional groups with the largest negative correlation are COO—, COO—, C—O—, COO—, oh and —Oh, respectively. On the whole, C—H has the greatest positive correlation with the characteristic temperature, while COO— has the greatest negative correlation with the characteristic temperature. The change of characteristic temperature has an obvious linear relationship with the content of the maximum functional group. Based on the results of Pearson correlation coefficient, a multiple linear regression model of coal spontaneous combustion tendency is established by using the contents of C—H and coo functional groups which have the greatest correlation with characteristic temperature.
-
0. 引 言
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。
1. 托辊故障识别方法
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。
1.1 音频信号采集与预处理
1.1.1 信号采集
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。
1.1.2 信号预处理
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。
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。
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]。
1.2 构建融合卷积神经网络和线性回归的识别模型
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。
1.2.1 基于声谱图的特征计算
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。
$$ h\left({x}_{l+1}\right)=h\left({x}_{l}\right)+F({x}_{l},{W}_{l}) $$ (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)。
1.2.2 基于声品质的特征计算
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。
1.2.3 托辊声纹故障识别模型联合训练
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;γu和σu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1 3×128×128 卷积层1_1 7×7 2×20×16 批归一化 2×20×16 卷积层1_2 3×3 2×10×32 批归一化 2×10×32 卷积层1_3 1×1 3×128×128 卷积层2_1 3×3 2×20×16 批归一化 2×20×16 卷积层2_2 3×3 2×10×32 批归一化 2×10×32 卷积层2_3 1×1 3×128×128 卷积层3_1 3×3 2×20×16 批归一化 2×20×16 卷积层3_2 3×3 2×10×32 批归一化 2×10×32 卷积层3_3 1×1 3×128×128 输入层2 1×3 线性回归层 3 展开层 1024 全连接层1 512 全连接层2 256 全连接层3 128 Sigmoid层 1 1.2.4 针对样本不均衡优化
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}}} $为样本真实值。
在训练过程中,通过上式降低易分类样本权重,模型将更多注意力集中于导致损失函数变化更大的数据样本中,提升托辊故障音频判识模型预测准确率。
2. 试验验证
为验证所提故障识别方法的有效性,通过挂轨式巡检机器人采集国能榆林能源有限责任公司郭家湾煤矿带式输送机托辊音频信号进行分析验证。在该煤矿主井带式输送机巷约2 000 m的巡检区域铺设吊挂轨道,巡检机器人沿挂轨自主行走,实时采集巡检线路音频数据,通过WiFi通信将数据上传到地面控制中心,由上位机软件进行托辊故障音频识别分析。由于输送带正常运行时故障托辊都会被及时更换,为获取故障音频样本数据,采用以下方式:
将矿方换下的托辊按照卡顿、偏心、破损等常见故障分类整理,对故障不明显的托辊进行加工以获得更明显的故障特征。在带式输送机检修期间更换不同故障类型的托辊,控制巡检机器人运行经过故障处时,通过网络将采集到的故障音频样本保存至地面服务器,做好分类标注。同时在吊挂轨道下方管道上制造不同频率、不同响度的敲击噪音,丰富训练样本数据。
机器人以0.4 m/s速度运行,共运行5 013 s,按每秒50帧采集,共有样本250 650帧,故障样本951帧,占比0.38%,正负样本数量差异巨大,训练集占90%,测试集10%。现场试验图片如图6所示。
2.1 去噪验证
声音采集时干扰噪声源主要有巡检机器人本身行走时产生的声音、人工输送带检修时产生的声音以及其他机械设备(管子道口水泵)产生的声音。和故障音频相比,该类干扰源的主要特点具有短时偶发性,能量相对较弱。通过笔者所提去噪方法,可以有效识别故障特征信号供后续方法处理,如图7所示。巡检机器人经过破损托辊处产生明显的冲击信号,通过去噪处理,背景噪声被明显抑制,音频特征在时域和频域表现更明显。
2.2 声品质验证
将计算托辊故障状态下的声品质(粗糙度、响度、尖锐度)特性,与正常状态下的声品质特性进行比较,见表2。故障托辊响度和尖锐度较正常值有所升高,粗糙度有所降低,但差异不是特别明显。
表 2 故障托辊和正常托辊的声品质特性对比Table 2. Comparison of sound quality characteristics between fault roller and normal roller故障
类型粗糙度 响度 尖锐度 托辊卡顿 0.736 112.1 1.3 托辊偏心 0.785 110.1 1.14 托辊破损 0.828 107.4 1.24 正常托辊 1.023 103.3 1.03 2.3 声谱图验证
试验带式输送机带速为5 m/s,托辊直径89 mm,托辊转速fr=35.78 rps,各类托辊故障频率范围理论计算如下[23]:托辊内圈故障1倍频特征频率BPFI=4.95fr=177.11 Hz;托辊外圈故障1倍频特征频率BPFO=3.048fr=109.06 Hz;滚动体故障1倍频特征频率BSF=1.992fr=71.27 Hz。
用所提方法生成的声谱图如图8—图11所示。横坐标表示时间,纵坐标表示频率,颜色代表该频率下的能量大小。
由以上声谱图可以看出,托辊故障时发出周期性的声音在冲击波声谱图中表现明显,不同频率下的能量不同,不同故障对应的声谱图也不同:正常托辊声谱图能量较低,频率分布范围更广,故障托辊声谱图能量较高,频率主要集中在0~0.2 kHz,与故障频率范围理论计算相符。
2.4 识别模型验证
算法参数选择通过试验确定,见表3。
表 3 参数$ \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 $=0.1 79.54 82.06 83.17 84.06 83.56 $ \lambda $=0.3 83.88 84.35 85.56 86.03 85.87 $ \lambda $=0.5 90.06 91.03 92.66 93.58 93.21 $ \lambda $=0.7 94.98 95.06 95.10 95.60 95.32 $ \lambda $=0.9 92.82 93.06 93.89 94.36 94.01 结果表明:当$ \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 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 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 3. 结 语
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%。
-
表 1 煤样工业分析数据
Table 1 Proximate analysis data of coal samples
煤种 Mad/% Aad/% Vad/% FCad/% 褐煤 21.60 10.01 49.45 18.94 长焰煤 5.16 14.26 40.16 40.42 1/3焦煤 1.48 10.46 30.66 57.40 无烟煤 1.31 14.23 9.19 75.27 表 2 红外光谱吸收峰归属
Table 2 Assignment of infrared absorption peaks
谱峰
编号吸收峰位置/
cm−1官能团 谱峰归属 1 750 —OH 醇类、酚类O—H面外弯曲振动 2 786 C—H 1,2,3三取代苯C—H面外弯曲振动 3 912 C—H 醛类C—H面外弯曲振动 4 1 002~1174 C—O 醇、酚、醚、酯类C—O伸缩振动 5 1355 —CH3 甲基剪切振动 6 1396 —CH3,—CH2— C—H面内弯曲振动 7 1440 —CH2— 亚甲基剪切振动 8 1618 C=C 芳香环、稠环中的C=C骨架伸缩振动 9 1637 C=O 醛、酮、羧酸、酯类C=O伸缩振动 10 1 690~1715 —COO 羧基伸缩振动 11 2921 —CH3 甲基C—H伸缩振动 12 2989 —CH2 亚甲基C—H伸缩振动 13 3415 —OH 醇羟基、酚羟基在分子间缔合的氢键 表 3 最大相关官能团与特征温度拟合曲线
Table 3 Fitting curve between maximum correlation functional group and characteristic temperature
特征温度 正相关 负相关 官能团 拟合曲线 R2 官能团 拟合曲线 R2 T1 C—H y = 0.866 8x + 59.351 0.984 1 COO— y = –0.460 6x + 65.991 0.876 5 T2 C—H y = 30.325x + 94.128 0.902 0 COO— y = –17.829x + 335.79 0.983 5 T3 C—H y = 24.173x + 183.41 0.987 7 C—O— y = –14.064x + 650.33 0.967 4 T4 取代苯 y = 12.168x + 336.54 0.819 6 COO— y = –17.755x + 504.16 0.937 9 T5 C=C y = 12.387x + 229.35 0.896 0 —OH y = –3.254 2x + 521.43 0.884 4 T6 C=C y = 16.031x + 268.46 0.864 3 —OH y = –4.326 4x + 649.03 0.900 4 表 4 多元线性回归拟合分析
Table 4 Multiple linear regression fitting analysis
拟合结果 R R2 标准差 显著性 Z=481.485+2.996I1–16.213I2 0.969 2 0.939 3 22.159 8 0.246 3 -
[1] BAI Zujin,WANG Caiping,DENG Jun,et al. Experimental investigation on using ionic liquid to control spontaneous combustion of lignite[J]. Process Safety & Environmental Protection,2020,142:138−49.
[2] 秦波涛,仲晓星,王德明,等. 煤自燃过程特性及防治技术研究进展[J]. 煤炭科学技术,2021,49(1):66−99. QIN Botao,ZHONG Xiaoxing,WANG Deming,et al. Research progress of coal spontaneous combustion process characteristics and prevention technology[J]. Coal Science and Technology,2021,49(1):66−99.
[3] 梁运涛, 侯贤军, 罗海珠, 等. 我国煤矿火灾防治现状及发展对策[J]. 煤炭科学技术, 2016, 44(6): 1–6. LIANG Yuntao, HOU Xianjun, LUO Haizhu, et al. Development countermeasures and current situation of coal mine fire prevention & extinguishing in China [J]. Coal Science and Technology, 2016, 44(6): 1–6.
[4] 郭 军,金 彦,文 虎,等. 矿井煤层自燃程度精细划分与预警方法研究[J]. 煤炭科学技术,2021,49(10):115−121. GUO Jun,JIN Yan,WEN Hu,et al. Study on fine division and early warning methods of spontaneous combustion degree of coal seams in mines[J]. Coal Science and Technology,2021,49(10):115−121.
[5] 肖 旸,马 砺,王振平,等. 采用热重分析法研究煤自燃过程的特征温度[J]. 煤炭科学技术,2007,35(5):78−81. doi: 10.13199/j.cst.2007.05.78.xiaoy.022 XIAO Yang,MA Li,WANG Zhenping,et al. Research on characteristic temperature in coal spontaneous combustion with thermal gravity analysis method[J]. Coal Science and Technology,2007,35(5):78−81. doi: 10.13199/j.cst.2007.05.78.xiaoy.022
[6] 余明高,袁 壮,褚廷湘,等. 不同自燃性煤氧化阶段的表征差异[J]. 重庆大学学报,2017,40(2):37−44. doi: 10.11835/j.issn.1000-582X.2017.02.005 YU Minggao,YUAN Zhuang,CHU Tingxiang,et al. Characterization difference of coals with different spontaneous combustion tendencies during oxidation stage[J]. Journal of Chongqing University,2017,40(2):37−44. doi: 10.11835/j.issn.1000-582X.2017.02.005
[7] 邓 军,赵婧昱,张嬿妮. 基于指标气体增长率分析法测定煤自燃特征温度[J]. 煤炭科学技术,2014,42(7):49−52, 56. DENG Jun,ZHAO Jingyu,ZHANG Yanni. Study on determination of coal spontaneous combustion characteristic temperature based on analysis method of index gas growth-rate[J]. Coal Science and Technology,2014,42(7):49−52, 56.
[8] 屈丽娜. 煤自燃阶段特征及其临界点变化规律的研究[D]. 北京: 中国矿业大学(北京), 2013. QU Lina. The study on the characteristics of coal stage and the critical point variation of the spontaneous combustion [D]. Beijing: China University of Mining and Technology—Beijing, 2013.
[9] 朱红青,郭艾东,屈丽娜. 煤热动力学参数、特征温度与挥发分关系的试验研究[J]. 中国安全科学学报,2012,22(3):55−60. doi: 10.3969/j.issn.1003-3033.2012.03.009 ZHU Hongqing,GUO Aidong,QU Lina. Experimental study on the relationship among the coal kinetics parameters characteristic temperatures and volatile[J]. China Safety Science Journal,2012,22(3):55−60. doi: 10.3969/j.issn.1003-3033.2012.03.009
[10] 王云鹤,梁 栋,王成卫. 煤升温氧化过程特征的热重分析[J]. 广州大学学报:自然科版,2006,5(6):65−68. WANG Yunhe,LIANG Dong,WANG Chengwei. Thermogravimetric analysis of some characteristics in heating and oxidation process of coal[J]. Journal of Guangzhou University(Natural Science Edition),2006,5(6):65−68.
[11] 文 虎, 陆彦博, 刘文永. 利用热重法研究不同氧浓度对煤自燃特性的影响[J]. 矿业安全与环保, 2021, 48(1): 1–5,10. WEN Hu, LU Yanbo, LIU Wenyong. Study on the effects of different oxygen concentrations on spontaneous combustion characteristics of coal with thermogravimetric method [J]. Mining Safety & Environmental Protection, 2021, 48(1): 1–5,10.
[12] 王海燕,李 凯,高 鹏. 氧浓度对煤绝热氧化过程特征的影响[J]. 中国安全科学学报,2013,23(6):58−62. doi: 10.3969/j.issn.1003-3033.2013.06.010 WANG Haiyan,LI Kai,GAO Peng. Effect of oxygen concentration on characteristics of coal adiabatic oxidation process[J]. China Safety Science Journal,2013,23(6):58−62. doi: 10.3969/j.issn.1003-3033.2013.06.010
[13] 马 砺,王伟峰,邓 军,等. CO2对煤升温氧化燃烧特性的影响[J]. 煤炭学报,2014,39(S2):397−404. MA li,WANG Weifeng,DENG Jun,et al. Effect of CO2 on characteristics of oxidation combustion for coal[J]. Journal of China Coal Society,2014,39(S2):397−404.
[14] 王福生,张志明,武建国,等. 煤体结构对自燃倾向性影响研究[J]. 煤炭科学技术,2020,48(5):83−88. doi: 10.13199/j.cnki.cst.2020.05.011 WANG Fusheng,ZHANG Zhiming,WU Jianguo,et al. Study on influence of coal structure on spontaneous combustion tendency[J]. Coal Science and Technology,2020,48(5):83−88. doi: 10.13199/j.cnki.cst.2020.05.011
[15] 余明高,贾海林,于水军,等. 乌达烟煤微观结构参数解算及其与自燃的关联性分析[J]. 煤炭学报,2006(5):610−614. doi: 10.3321/j.issn:0253-9993.2006.05.014 YU Minggao,JIA Hailin,YU Shuijun,et al. Calculation of micro-structure parameter of Wuda bituminous coal and relationship-analysis between coal structure and coal spontaneous combustion[J]. Journal of China Coal Society,2006(5):610−614. doi: 10.3321/j.issn:0253-9993.2006.05.014
[16] 邓 军,李亚清,张玉涛,等. 羟基(—OH)对煤自燃侧链活性基团氧化反应特性的影响[J]. 煤炭学报,2020,45(1):232−240. doi: 10.13225/j.cnki.jccs.YG19.1507 DENG Jun,LI Yaqing,ZHANG Yutao,et al. Effects of hydroxyl on oxidation characteristics of side chain active groups in coal[J]. Journal of China Coal Society,2020,45(1):232−240. doi: 10.13225/j.cnki.jccs.YG19.1507
[17] 辛海会,王德明,戚绪尧,等. 褐煤表面官能团的分布特征及量子化学分析[J]. 北京科技大学学报,2013,35(2):135−139. doi: 10.13374/j.issn1001-053x.2013.02.001 XIN Haihui,WANG Deming,QI Xuyao,et al. Distribution and quantum chemical analysis of lignite surface functional groups[J]. Chinese Journal of Engineering,2013,35(2):135−139. doi: 10.13374/j.issn1001-053x.2013.02.001
[18] 张嬿妮,刘春辉,宋佳佳,等. 长焰煤低温氧化主要官能团迁移规律研究[J]. 煤炭科学技术,2020,48(3):188−196. doi: 10.13199/j.cnki.cst.2020.03.023 ZHANG Yanni,LIU Chunhui,SONG Jiajia,et al. Study on transfer law of main functional groups in low temperature oxidation of long flame coal[J]. Coal Science and Technology,2020,48(3):188−196. doi: 10.13199/j.cnki.cst.2020.03.023
[19] 邓存宝,乔 玲,王雪峰,等. 浸水褐煤的自燃特性及红外分析[J]. 中国安全科学学报,2018,28(8):105−110. doi: 10.16265/j.cnki.issn1003-3033.2018.08.018 DENG Cunbao,QIAO Ling,WANG Xuefeng,et al. Spontaneous combustion characteristics and infrared analysis of soaked lignite[J]. China Safety Science Journal,2018,28(8):105−110. doi: 10.16265/j.cnki.issn1003-3033.2018.08.018
[20] 褚廷湘,杨胜强,孙 燕,等. 煤的低温氧化实验研究及红外光谱分析[J]. 中国安全科学学报,2008(1):171−177. doi: 10.3969/j.issn.1003-3033.2008.01.030 CHU Tingxiang,YANG Shengqiang,SUN Yan,et al. Experimental study on low temperature oxidization of coal and lts infrared spectrum analysis[J]. China Safety Science Journal,2008(1):171−177. doi: 10.3969/j.issn.1003-3033.2008.01.030
[21] 朱建芳,申嘉辉,宋富美,等. 煤自燃机制的TG–FTIR研究[J]. 中国安全科学学报,2019,29(12):46−52. ZHU Jianfang,SHEN Jiahui,SONG Fumei,et al. TG–FTIR study on coal spontaneous combustion mechanism[J]. China Safety Science Journal,2019,29(12):46−52.
[22] 张玉涛,张园勃,李亚清,等. 低瓦斯气氛下煤氧化热效应和关键基团演变特性[J]. 中国矿业大学学报,2021(4):1−8. doi: 10.13247/j.cnki.jcumt.001298 ZHANG Yutao,ZHANG Yuanbo,LI Yaqing,et al. Thermal effect of coal oxidation and evolution properties of key functional groups of coal oxidation at low gas atmospheres[J]. Journal of China University of Mining and Technology,2021(4):1−8. doi: 10.13247/j.cnki.jcumt.001298
[23] 玄伟伟,王 倩,张建胜. 褐煤自燃倾向测定及其低温氧化反应过程研究[J]. 煤炭学报,2016,41(10):2460−2465. doi: 10.13225/j.cnki.jccs.2016.8018 XUAN Weiwei,WANG Qian,ZHANG Jiansheng. Spontaneous combustion propensity and low-tem perature oxidation process of lignite[J]. Journal of China Coal Society,2016,41(10):2460−2465. doi: 10.13225/j.cnki.jccs.2016.8018
[24] MA Li,GUO Ruizhi,GAO Yu,et al. Study on coal spontaneous combustion characteristics under methane-containing atmosphere[J]. Combustion Science and Technology,2019,191(8):1456−1472. doi: 10.1080/00102202.2018.1531286
[25] CHELGANI S C,HOWER J C. Relationships between noble metals as potential coal combustion products and conventional coal properties[J]. Fuel,2018,226:345−349. doi: 10.1016/j.fuel.2018.04.041