基于物联网技术的井下机电设备运行状态监测方法

2022-10-18 10:04张少帅
通信电源技术 2022年11期
关键词:矿井机电设备单片机

张少帅

(陕煤集团神木柠条塔矿业有限公司,陕西 榆林 719300)

0 引 言

矿物开采通常需要在深度较大的矿井下进行,作业安全与井下机电设备运行状态息息相关。井下设备在使用过程中,因井下环境恶劣、使用方式不当等都会加快设备损耗速度,影响设备运行稳定。因此,对机电设备运行状态进行监测是开展矿产作业的重要组成部分。早期对井下机电设备状态监测,主要是采用定期停机检查与人工经验判断相结合的方式。这种设备运行状态检测方法主要是对其进行单一变量信号采集,通过分析信号判断是否运行正常。而机电设备运行工况复杂,单一变量信号无法综合描述设备运行状态,监测方法的监测误差较大,监测灵敏度较差[1]。利用单片机控制或红外图像采集设备运行相关数据可以提高监测准确率。但是井下机电设备数量较多,运行工况复杂,无法同时处理多个设备状态数据,并且数据通信也受到矿井作业深度影响,导致监测响应速率偏慢[2]。

物联网(Internet of Things, IoT)技术能够利用互联网实现传感器设备相互通信,能够即时将网络各节点传感器的数据汇总,优化对传感器控制效果。将物联网技术应用于井下设备运行状态监测,可以提高监测方法性能,进一步维持设备稳定运行。就上述分析内容,为保证井下作业安全,利用物联网技术能够采集、传输多个设备数据的优势,本文将研究基于物联网技术的井下机电设备运行状态监测方法。

1 搭建设备监测物联网

井下机电设备的运行环境较为复杂、设备类型不同,为准确获取设备的运行状态数据,本方法采用在机电设备重点机械结构以及工作环境中布置温度、湿度、电压、电流、振动、速度、距离等传感器的方式获取相关数据,并利用物联网实现数据实时交换。图1为监测设备运行状态时搭建的物联网总体框架示意图[3]。

图1 设备运行状态监测物联网框架

所有传感器作为监测物联网的感应层节点,节点通过ZigBee技术与控制芯片ESP8266EX通信。感应层获取的数据在ESP8266EX控制下,传输至网络传输层中的以太网交换机。交换机通过无线局域网实现与地面设备监测中心的数据交换。在上位层中,分析传输的监测数据,得到对设备状态监测结果。

考虑井下工作环境复杂,将无线采集装置部署至传感器上,以无线传感网络进行通信,保证监测节点扩展能力。对设备运行状态进行监测时,ZigBee通信协议采用Z-Stack协议栈,以满足对多个传感设备的控制指令通信。在协议栈控制下,协调器管理感应层中所有节点,并将节点数据传输至上位机。当协调器上电后,根据Z-Stack协议栈扫描通信信道,利用直接存储器访问(Direct Memory Access,DMA)方式通过串口与上位机通信。协调器向网络节点广播,控制节点接入与通信模式转换。当上位机处理数据,判定设备状态异常时,通过通用无线分组业务(General Packet Radio Service,GPRS)向各终端发出报警,以降低异常风险。

2 设备运行监测数据预处理

物联网感应终端采集的机电设备运行状态数据在传输至上位机前,由ESP8266EX进行了A/D转换、降噪等处理。在上位机中主要是对设备状态数据进行转换、特征提取等预处理。若设备状态数据为X(n),对其进行快速傅里叶变换(Fast Fourier Transform,FFT),公式为

式中:ON/2(k)和JN/2(k)分别为对数据序列的前N/2个数据点进行离散傅里叶变换(Discrete Fourier Transform,DFT)变换后的序列;N为信号序列整体长度。对数据变换后,使用聚类算法提取数据特征[4]。

将变换后的数据正交变换,进行数据去中心化处理。以数据正交基向量为参考,在低维空间中投影数据。在低维空间中,以数据点到规定超平面的距离尽可能小为约束,重构低维空间中的设备状态数据。随机在数据中选择w个数据作为聚类中心ci,按照下式计算其余数据与中心距离。

将剩余数据分别分类至与其距离最小的数据中心所在簇,得到初步的聚类结果。在新的距离簇中,以簇间距离样本距离最大为标准,更新聚类中心。重复上述过程,直至无新的聚类中心生成。将各聚类簇的数据特征作为设备状态监测的判断依据,进行设备状态监测。

3 实现设备运行状态监测

本文利用支持向量机模型,以上文提取的数据特征为超平面分割实现对设备运行状态监测。由于井下设备运行出现异常的情况不同,数据表现也存在差异,本研究以设备正常运行状态数据为样本集,训练支持向量机(Support Vector Model,SVM)模型。为避免核函数硬间隔对分类结果的影响,引入松弛变量,得到SVM超平面分类函数为

式中:β为SVM分类的平面法向量;b为分类平面的偏移量;V为SVM分类优化的结构风险和经验风险的折中参量;δi为松弛变量。使用样本集合以及其对应的分类标签对SVM模型进行参数训练[5]。样本集训练得到SVM参数后,使用分类结果已知的测试集测试参数是否达到分类最优,得到核函数和折中参量的具体取值。归一化上文聚类提取的样本数据特征,将处理后的设备运行状态数据与特征样本共同输入SVM中。经过SVM分类处理后,未与样本数据在同一类的数据即判定为状态异常数据。将数据逆向映射至原数据空间,得到与之对应的设备信息。将数据与预先设定的状态阈值相比较,若超出阈值则定位设备运行状态异常对象,得到监测结果。至此,实现利用物联网技术监测井下机电设备运行状态。

4 实验研究

为确保上文提出设备运行状态监测方法可以实际推广应用于矿井开采,本节将在设备运行环境中对方法的可行性进行实验研究。

4.1 实验内容

在矿物开采项目R的深度为700 m的矿井K中开展本次监测方法性能实验。矿井内的机电设备的投入使用时长长度不等,设备运行状态不同。人工对设备状态进行测定,将监测结果作为实验的客观评估依据。从监测设备运行状态误差、监测灵敏度两个角度,将基于单片机的设备状态监测方法、基于红外图像的设备状态监测方法与本文提出的状态监测方法进行对比。通过分析实验指标对应的数据,比较各个监测方法的性能优劣。

4.2 实验结果分析

对矿井内的机电设备进行处理,人为改变设备的运行状态,从而使得监测相关数据出现变动。根据人工改变的设备数量和种类差异,将矿井内的设备分为10组,形成组间监测对象差异。分别使用基于红外图像、基于单片机和基于物联网技术的监测方法对矿井K中的机电设备运行状态进行监测。以下为使用3个监测方法监测矿井内的机电设备运行状态时,监测方法的相对误差数据见表1。

表1 设备运行状态监测相对误差统计结果

分析表1中的状态监测相对误差数据可知,监测不同组机电设备的运行状态时,基于红外图像的方法监测相对误差在部分组别的监测误差远小于基于单片机的方法监测误差,而在剩余组别中的监测误差则大于基于单片机的方法。从各设备组的运行异常原因来看,基于红外图像的方法对于设备动力装置的运行状态监测精度更高,对于设备转动、振动部分的监测精度较低。整体分析表1中的数据,基于物联网技术的监测方法由于可以对多种不同类型传感器数据进行分析,方法的监测相对误差要明显小于两个对比监测方法。说明对于机电设备不同的运行状态异常,基于物联网技术的方法都能够达到较小的监测相对误差要求。并且从监测相对误差的数值上来看,基于物联网技术的方法监测误差平均值为0.440,基于红外图像的方法监测误差平均值为1.852,基于单片机的方法监测误差平均值为1.743。本文方法的监测精度大约提升了74.7%以上。

以机电设备状态改变后,对应方法的响应时间来表征其监测灵敏度。监测方法的响应时间越长,代表方法对于机电设备运行状态变化的灵敏度越低。监测方法灵敏度对比结果如图2所示。

图2 监测灵敏度对比

对图2中的曲线进行分析,对于不同组别的机电设备进行监测时,基于物联网技术的方法其响应时间曲线位于另外两种方法的下方。即该方法对于监测设备的运行状态变化响应时间短于另外两个对比方法。从对比方法的波动性来看,基于红外图像的方法响应灵敏性较基于单片机的方法较差,而本文方法的灵敏度稳定程度为三者最佳。

总结以上的实验数据讨论内容,使用本文提出的状态监测方法对井下机电设备的运行进行监测,能够快速地得到设备动态变化情况,监测准确性高于对比方法,方法应用效果更佳。

5 结 论

井下机电设备是矿井开展工作的重要机械,监测设备运行状态是开采工作正常进行的基础环节。但是设备在矿井内的运行会受到矿井内的环境影响,导致监测可靠性较差。为此,本文提出了基于物联网技术的井下机电设备运行状态监测方法。通过与两种不同监测方法的对比,证明了所提出的监测方法灵敏度高,监测误差小结果更加可靠。

猜你喜欢
矿井机电设备单片机
基于单片机的智能平衡小车设计
突出矿井大采高综采工作面过断层风险管控研究
矿井建设中的现场施工管理
智能建筑机电设备自动化技术
上海海业机电设备有限公司
中山市迪米尔机电设备有限公司
中山市迪米尔机电设备有限公司
山西平遥县兴盛佛殿沟煤业有限公司
废弃矿井变成主题公园
C8051F020与80C51单片机的异同点