基于定子电流特性分析的渣浆泵故障预测.pdf

第3 2 卷增刊12023年6 月文章编号：1 0 0 4-40 5 1(2 0 2 3)S1-0204-05中国矿业CHINA MINING MAGAZINED0I:10.12075/j.issn.1004-4051.20230451基于定子电流特性分析的渣浆泵故障预测Vol.32,Suppl 1June2023杨天皓1-2，宋涛1-2，余刚1-2，王庆凯1-2，邹国斌1-2，李康1,2（1.矿冶科技集团有限公司，北京1 0 2 6 2 8；2.矿冶过程智能优化制造全国重点实验室，北京1 0 2 6 2 8)摘要：磨矿分级流程使用渣浆泵输送矿浆并为旋流器提供分级所需的入口压力。渣浆泵输送的矿浆颗粒较大、矿浆浓度与粒度未知，易引发堵转、短路等事故，且事故难以预测。针对这一问题，利用定子电流中所反映的渣浆泵运行信息，结合EMD自适应分解方法与LSTM学习算法，提出了基于定子电流多尺度特性分析的渣浆泵故障预测方法。利用工业数据验证表明，该方法可有效预测矿用渣浆泵故障，可帮助生产技术人员提前给出切换备用泵的决策依据。关键词：EMD自适应分解算法；LSTM算法；渣浆泵故障预测；定子电流多尺度特性；磨矿分级过程中图分类号：TP18Fault prediction of slurry pump based on multi-scale characteristicYANG Tianhaol2,SONG Taol-2,YU Gangl*2,WANG Qingkail-2,ZOU Guobinl-2,LI Kangl?2.State Key Laboratory of Intelligent Optimized Manufacturing in Mining&.Metallurgy Process,Abstract:Slurry pump in grinding and classification process is used as the equipment to transport pulp andprovide inlet pressure required for classification of hydro-cyclone.Particles in slurry transported by slurrypump are too large and the pulp concentration and particle size are unknown,which are easy to causeaccidents such as rotor blocking and short circuit,and the accidents are difficult to predict.In order to solvethis problem,a fault prediction method of slurry pump based on multi-scale characteristic analysis of statorcurrent is proposed by making full use of the operation information of slurry pump reflected in statorcurrent,combined with EMD adaptive decomposition method and LSTM learning algorithm.The industrialdata verification shows that the method can effectively predict the fault of mine slurry pump,and can helpthe production and technical personnel to give the decision-making basis for switching the standby pump inadvance.Keywords:EMD adaptive decomposition algorithm;LSTM algorithm;slurry pump fault prediction;multi-scale characteristics of stator current;grinding&.classification process0引言磨矿分级流程使用渣浆泵输送矿浆并为旋流器提供分级所需的人口压力。渣浆泵输送的矿浆往往收稿日期：2 0 2 3-0 6-0 5责任编辑：刘硕基金项目：国家重点研发计划项目资助（编号：2 0 2 1 YFC2902700）；甘肃省科技计划项目资助（编号：2 0 ZD7WC010）第一作者简介：杨天皓（1 9 9 1 一），男，回族，辽宁锦州人，硕士，工程师，主要从事复杂选矿过程建模、优化控制算法等方面的研究工作，E-mail：。引用格式：杨天皓，宋涛，余刚，等.基于定子电流特性分析的渣浆泵故障预测 J.中国矿业，2 0 2 3，3 2（S1）：2 0 4-2 0 8.YANG Tianhao,SONG Tao,YU Gang,et al.Fault prediction of slurry pump based on multi-scale characteristic analysis of stator currentJJ.China Mining Magazine,2023,32(S1):204-208.文献标识码：Aanalysis of stator current(1.BGRIMM Technology Group,Beijing 102628,China;Beijing 102628,China)为半自磨机或球磨机排矿，矿浆中会存在1 0 mm左右较大颗粒，有些选矿厂的半自磨机排矿存在2 0 mm颗粒，极端工况下可能存在球磨机中的钢球，这些情增刊1况会导致渣浆泵叶轮磨损的加剧。并且，由于无法直接实时测量磨机排矿浓度，当浓度较高时，矿浆流动性较差，有时甚至出现堵转现象，进而引发短路，造成设备损坏影响生产的正常进行。磨矿分级流程中，往往配置一用一备两台渣浆泵。在工作泵检修时，启用备用泵，避免因单台泵检修停车影响生产 1。经验模式分解（Empirical Mode Decomposition，EMD)是由HUANG等 2-3 1 提出的一种信号处理方法。EMD方法可以根据信号自有特性，自适应选择频带，以得到信号在不同频段的特征。赵鹏等 4使用EMD分析离心泵振动信号，并使用最小二乘支持向量机学习离心泵的不同故障状态。唐宏宾等 5 1提出了一种基于EMD包络谱分析的液压泵故障诊断方法，该方法使用EMD包络谱分析有效提取了液压泵振动信号中的故障特征，并实现了故障分类。周云龙等 6 提出了一种EMD和边际谱频带能量结合的方法，提取压力信号的低频和高频特征，识别了离心泵汽蚀状况。上述算法分别利用振动信号、压力信号开展离心泵、液压泵的故障诊断研究。离心泵、液压泵输送的物料为水、液压油等液体，组成单一，对叶轮及泵体磨蚀较弱。而渣浆泵输送的矿浆为固液两相混合，且固体浓度、粒度无法预知，组成复杂，对设备的磨蚀程度较强。结合渣浆泵工作环境特点，本文在对电流信号定性分析基础上，提出了基于定子电流多尺度特性分析的渣浆泵故障预测方法。该方法首先基于EMD自适应分解方法，将电流信号分解为不同尺度时域特性的IMF并利用LSTM算法充分挖掘定子电流中的设备运行状态，给出故障风险函数。不同于之前的研究，所述方法综合利用电流信号时频特性，充分利用电流信号中蕴含的潜在信息，提高了故障预测准确性与普适性。利用结合某矿用渣浆泵生产数据，验证了方法有效性。1渣浆泵状况分析1.1定子电流特性定性分析渣浆泵通常使用三相异步电机驱动，定子电流值同时受负载和频率设定的双重影响，矿浆浓度变化、大块颗粒与叶轮撞击、矿浆流等因素均为负载端对泵电流的影响 7-1 0 1。由于矿浆中颗粒与水的密度不同、流动性不同，因此矿浆浓度变化会引起泵负荷的变化，进而引起电流波动。矿浆中的大块颗粒通常为半自磨机或球磨机排矿中没有充分磨剥的矿石，最大粒度可能达到1 0 1 5 mm；采矿爆破时，矿石中可能会混入铁杨天皓，等：基于定子电流特性分析的渣浆泵故障预测素对泵电流的影响。1.2渣浆泵运行状态分析在进行磨矿分级流程中渣浆泵在线监测建模研究中，需要首先根据操作人员经验并结合渣浆泵历史运行状态识别出工况信息。根据操作人员经验，可将渣浆泵故障状态分为正常工作状态、磨损工作状态、超负荷运行状态、堵转状态。其中，磨损工作状态是泵工作至一定时间，叶轮与泵体自然磨损的状态，具体表现为流量特性有显著变化；超负荷运行状态是有大量大颗粒进人泵体的状态，具体表现为瞬时电流上升；堵转状态是叶轮堵塞的状态。表1 故障状态及故障评价指标编码Table 1Fault state and index of fault evaluation工况故障评价指标编码正常工作状态0.25磨损工作状态0.50超负荷运行状态0.75堵转状态1.002基于定子电流多尺度特性分析的故障预测方法2.1故障预测方法概述根据上文分析可知，电流信号各频段组成成分205质螺钉，随矿石进入磨矿流程，成为矿浆中的大块颗粒；在极端工况下，甚至存在钢球从球磨机排矿笼中漏出进入泵池。理论上，半自磨机格栅、振动筛、球磨机排矿笼的设置会阻止大块颗粒进入泵池；但是，生产现场中可能存在的各种复杂情况仍难以避免泵池矿浆中存在大块颗粒。大块颗粒的存在会影响机械特性，与叶轮的撞击会增加电能消耗，但这部分电能并不能转换为机械能；还会加快叶轮磨损，甚至引发堵转。在叶轮的作用下，矿浆的流动往往会产生端流；即流场中出现许多漩涡，层流被破坏，且有垂直于流动轴线方向的分速度产生。流的出现具有一定不确定性，并会阻滞矿浆流动，导致泵负荷的增加1 此外，还存在泵体磨损、锈蚀等其他复杂因素对泵电流产生的噪声影响。基于上述分析可知，电流信号是由做功电流信号和噪声电流信号组成，而噪声电流信号则是由多种噪声信号叠加而成，并且不同组成部分蕴含的泵故障隐患信息明显不同，其组成较做功电流更为复杂。电流信号可用式（1)表示。3=20+22:(1)i=1式中：r为电流信号；o为做功电流；为噪声电流的第i个噪声组分。噪声组分中，存在矿浆浓度变化、大块颗粒与叶轮撞击、矿浆瑞流及其他未知因206中蕴含了大量渣浆泵运行状态信息；同时，电流信号中也夹杂了各类噪声扰动。因此，对电流信号的有效分解并有效提取所需成分是预报渣浆泵运行故障的关键措施。针对这一特点，提出了由频谱分析模块、信号解析模块与故障学习模块组成的基于电流多尺度时频特性分析的渣浆泵故障预测方法。信号解析模块采用EMD算法一个计算周期内的电流信号自适应分解为若干个具有不同时间尺度的IMF;故障学习模块利用LSTM算法，以既往故障发生前后电流信号作为导师信号，综合利用频谱分析模块得到的频谱与信号解析模块得到的IMF，给出故障预警指标。图2 是故障预测模型框架示意图。首先将从工业数据中获得的数据集分为训练集及测试集。训练集用于训练LSTM；测试集用于检验模型算法是否具有预定的故障预测能力。定子电流、信号解析IMF故障学习故障预测信号渣浆泵模块既往故障信号图1 故障诊断策略Fig.1 Fault diagnosis strategy训练集数据集测试集图2 故障预测模型框架Fig.2Framework of fault prediction model2.2信号解析模块输人：一个计算周期内的泵定子电流信号。输出：EMD分解结果IMF信号及余项信号。步骤一：寻找一个计算周期内电流信号全部极值点，并使用三次样条插值连接极大值点与极小值点获得上下包络线；获取每个点上下包络线均值mr(t)。步骤二:将原始电流信号r(t)与 mr(t)作差,检查(t)=r(t)一mr(t)是否满足IMF准则，即极值点和过零点必须相等或最多相差一个；在任何点上，局部最大包络和局部最小包络均值是0。如果是IMF，记为电流信号的第一个成分，计算见式（2）。步骤三：如果（t)不是IMF,则以（t)为中国矿业原始信号，重复步骤一、步骤二，每次计算（t)与其上下包络线均值之差；直到重复k次之后，所得到的（t)是IMF,以（t)为原始电流信号的一个成分i(t)。步骤四：从原始信号中剥离i（t),得到式（3）。步骤五：判断是否满足EMD终止条件，若不满足令r(t)=r(t),重复步骤一至步骤四。按照上述步骤，可将原始电流信号分解为若干个IMF和余项之和，即式（4）。ai(t)=(t)r(t)=r(t)-ai(t)(t)=2z,()+r(t)j-12.3故障学习模块输入：原始电流信号、信号解析模块输出的EMD分解结果IMF信号及余项信号。输出：故障评价指标信号。故障学习模块输人层为电流信号IMF及其余项，隐含层为长短时记忆网络（LongShort Term Memory,LSTM)，输出层为故障状态。模块LSTM是一种特殊的循环神经网络单元。在一般的循环神经网络中，通常使用梯度反向传播算法实现参数的迭代寻优 1 2 。但是，梯度往往会随着迭代步数的递增而逐步减小，难以维持最初高效的寻优迭代。LSTM算法在此基础上，在每个迭代步骤中添加了记忆单元和门，记忆单元用于储存状态信息，正常门用于控制合适及如何更新记忆单元的状态，有效解决了循环神经网络训练过程中存在的梯度衰减问检修预警故障预测算法第3 2 卷(2)(3)(4)题。LSTM基本结构如图3 所示。故障一般预警故障紧急预警临时储存输人门状态tanhx,h,图3 LSTM基本结构Fig.3Structure of LSTM algorithmLSTM的运作原理见式（5）。f,=(Wara,+Wuh-1+b,)i=(Waict+Whht-1+b)c,=fic-1+itanh(Waa,+Whh-1+b.)(5)o,=(Wm,+Wnah-1+b。)(h,=o,tanh(c,)储存C状态遗忘门输出门htanh增刊1式中为常规sigmoid函数。输人门用于确定需要更新的信息，遗忘门用于控制从储存状态丢弃或继续保持前一时刻的信息，整个单元通过输入门和遗忘门更新储存状态；输出门用于确定储存状态中用于输出的信息。c为储存状态的输出。W，为与输入信息相关的各个门权值。Wh为与前一时刻输出ht-1相关的各个门权值。LSTM算法训练过程采用与经典BP训练原理相似的BPTT算法，分为如下五个步骤：根据经验设置神经网络隐含层层数、每层神经元个数；其中每层神经元个数至少应不少于（N十2)T,N为IMF分量个数，T为滑动窗口长度；按照LSTM运作原理的五个公式计算LSTM细胞输出值；计算每个LSTM细胞误差值，包括按时间和网络层级两个反向传播方向；根据相应误差项，计算每个权重的梯度；应用基于梯度优化算法更新权重。2.4训练算法综上所述，本文使用EMD算法将电子电流时频特性分解为IMF分量，并利用LSTM网络的学习功能，给出磨矿分级流程中渣浆泵故障评价指标。训练过程总结如下所述。步骤一：设置算法参数包括T-滑动窗口长度，M-训练集长度，E-训练次数。步骤二：结合表1 故障状态及编码，在训练集中手工标定故障状态区间。步骤三：forein E：；步骤四：fortinT,M：。步骤五：根据信号解析模块算法计算IMF信号及余项信号。步骤六：根据故障学习模块算法计算故障评价指标。步骤七：利用步骤二标定的故障状态进行有监督学习。步骤八：endfor。步骤九:end for。3工业实验验证使用某矿用渣浆泵相关生产数据开展模型验证工作。该矿使用三相异步电机驱动渣浆泵，并使用VVVF变频器进行变频调速。由于输送矿浆粒度较粗，经常发生堵转故障。图4为该泵正常运转时一个计算周期内定子电流EMD分解结果，图中从上至下分别为原始信号、5 个IMF分量、EMD分解余项。图5 为发生堵转故障前1 6 min的定子电流EMD分解结果。从图6 中可以看出，与正常运转工况相比，发生堵转故障前，高频分量IMF1波动幅值较小，而低频分量IMF2波动幅值较大。图6 为正常运转工况与发生堵转故障前基于LSTM算法的故障学习模块输出的故障评价指标对比。故障评价指标数值介于0 1 之间，值越小故障风险几率越小，值越大故障风险几率越大。杨天皓，等：基于定子电流特性分析的渣浆泵故障预测207图4泵正常运转时一个计算周期内定子电流EMD分解结果Fig.4EMD decomposition results of stator current inone calculation cycle during normal operation of pumptuSJu图5 发生堵转故障前1 6 min的定子电流EMD分解结果Fig.5EEMD decomposition results of stator current16 min before locked rotor fault1.00.90.80.70.60.50.40.30.20.10图6 故障学习模块输出的故障评价指标对比Fig.6Comparison of fault evaluation indexes outputfromfault learningmodule4结语综上所述，提出的基于定子电流多尺度特性分析的渣浆泵故障预测方法综合利用电流信号时域特正常运转工况一-堵转前1 6 min208性，充分利用电流信号中蕴含的潜在信息，提高了故障预测准确性与普适性。利用结合某矿用渣浆泵生产数据，验证了方法有效性。参考文献1 刘金强.黄金选矿厂中1 5 0 ZJ-60渣浆泵过流件磨损机理研究D.青岛：山东大学，2 0 1 9.2 1HUANG N E,SHEN Z,LONG S R,et al.The empiricalmode decomposition and the Hilbert spectrum for nonlinearand nonstationary time series analysisJJ.Proceedings of theRoyal Society A Mathematical Physical and Engineering Sci-ences,1998,454(4):903-995.3 HUANG N E,SHEN Z,STEVEN R,et al.A new view ofnonlinear water waves:the Hilbert spectrumJJ.Annual Re-view of Fluid Mechanics,1999,31:417-457.4赵鹏，周云龙，孙斌.基于经验模式分解复杂度特征和最小二乘支持向量机的离心泵振动故障诊断.中国电机工程学报,2 0 0 9,2 9(S1)：1 3 8-1 44.ZHAO Peng,ZHOU Yunlong,SUN Bin.Vibration fault diag-nosis of centrifugal pump based on empirical mode decomposi-tion complexity feature and least square support vector ma-chineLJJ.Proceedings of the CSEE,2009,29(S1):138-144.5 唐宏宾，吴运新，滑广军.基于EMD包络谱分析的液压泵故障诊断方法.振动与冲击，2 0 1 2，3 1（9）：44-48.TANG Hongbin,WU Yunxin,HUA Guangjun.Fault diagno-sis of pump using EMD and envelope spectrum analysisJ.Journal of Vibration and Shock,2012,31(9):44-48.6 周云龙，刘永奇，薛广鑫，等.基于EMD和边际谱频带能量的离心泵汽蚀故障诊断 J.化工学报，2 0 1 2，6 3（2）：5 45-5 5 0.ZHOU Yunlong,LIU Yongqi,XUE Guangxin,et al.Fault di-agnosis of cavitation for centrifugal pump based on EMD and中国矿业HHT marginal spectrum energyLJJ.CIESC Journal,2012,63(2):545-550.7克彭光杰，周国新，胡自强，等.小流量工况下背叶片对重型渣浆泵磨损的影响 J.排灌机械工程学报，2 0 2 0，3 8（4）：3 3 2-3 3 8.PENG Guangjie,ZHOU Guoxin,HU Ziqiang,et al.Influenceof back blade on wear of heavy slurry pump under low flowconditionJJ.Journal of Drainage and Irrigation MachineryEngineering,2020,38(4):332-338.8 占梁梁，张克危，刘伟超.渣浆泵背叶片密封的CFD分析 J.润滑与密封，2 0 0 4（3）：5 7-6 0，6 3.ZHAN Liangliang,ZHANG Kewei,LIU Weichao.Analysis ofthe back-blade sealing for slag pulp pumpsJJ.LubricationEngineering,2004(3):57-60,63.9 惠伟安.渣浆泵内固液两相流场的数值模拟与研究 D.兰州：兰州理工大学，2 0 0 9.10杨天皓，李健，贾瑶，等.虚拟未建模动态补偿驱动的双率自适应控制J.自动化学报，2 0 1 8，44（2）：2 9 9-3 1 0.YANG Tianhao,LI Jian,JIA Yao,et al.Dual-rate adaptivecontrol driven by virtual unmodeled dynamics compensation inindustrial heat exchange processJJ.Acta Automation Sinica,2018,44(2):299-310.11王春林，冯一鸣，叶剑，等.基于RBF神经网络与NSGA-I 算法的渣浆泵多目标参数优化 J.农业工程学报，2 0 1 7，3 3(10):109-115.WANG Chunlin,FENG Yiming,YE Jian,et al.Multi-objec-tive parameters optimization of centrifugal slurry pump basedon RBF neural network and NSGA-II genetic algorithmJJ.Transactions of the Chinese Society of Agricultural Engineer-ing,2017,33(10):109-115.12BENGIO Y,SIMARD P,FRASCONI P.Learning long-termdependencies with gradient descent is difficultJJ.IEEETransactions on Neural Networks,1994,5(2):157-166.第3 2 卷*（上接第1 9 2 页）个平台下，从而使这些设备和设施按照生产要求运行和调整。减少现场操作人员数量、降低员工劳动强度、稳定产品质量、提高经济效益。参考文献1 尹丰丰，王旭，李传伟，等.复杂钼多金属矿选矿全流程综合自动化系统设计与应用 J.中国矿业，2 0 1 9，2 8（S2）：1 8 5-1 9 0.YIN Fengfeng,W ANG Xu,LI Chuanwei,et al.Design and ap-plication of complex molybdenum polymetallic ore dressingprocess automatic systemJJ.China Mining Magazine,2019,28(S2):185-190.2 赵国玺.新一代控制系统的代表作：DeltaV系统简介J.中国仪器仪表，2 0 0 1（S1）：2 1-2 3.ZHAO Guoxi.Introduction to DeltaV Control SystemJ.China Instrumentation,2001(S1):21-23.3 张雷鸣，康惠骏.基于DeltaV的DCS控制网络组成及应用实例.电气传动自动化，2 0 0 3，2 5（5）：3 6-3 9.ZHANG Leiming,KANG Huijun.Component of DCS controlnetwork set based on Delta V and its applicationJJ.ElectricalDriveAutomation,2003,25(5):36-39.4胡志刚.PLC技术在破碎筛分车间中的应用 J.有色矿冶，2014,30(4):54-56,39.HU Zhigang.Application on PLC technology in crushing andscreening plantJJ.Non-ferrous Mining and Metallurgy,2014,30(4):54-56,39.5我孙璇.串级控制系统的几种典型应用 J.科技资讯，2 0 0 7(2)：1 8.SUN Xuan.Several typical applications of cascade controlsystemsJJ.Science&Technology Information,2007(2):18.6 朱颖舟.沙溪铜矿选矿自动化控制系统应用J.科技视界，2015(21):260-261.ZHU Yingzhou.Application of automation control system formineral processing in Shaxi Copper MineJJ.Science&.Tech-nologyVision,2015(21):260-261.