EMD与排列熵在提升机跳绳故障诊断中的应用.pdf

传感器与微系统（Ｔｒａｎｓｄｕｃｅｒ ａｎｄ Ｍｉｃｒｏｓｙｓｔｅｍ Ｔｅｃｈｎｏｌｏｇｉｅｓ） ２０２０年第３９卷第７期 檸檸檸檸 檸 檸檸檸檸 檸 殠 殠 殠 殠 应用技术 ＤＯＩ１０． １３８７３／ Ｊ． １０００９７８７（２０２０）０７０１５００４ ＥＭＤ与排列熵在提升机跳绳故障诊断中的应用﹡ 黄天然１， ２，谭建平１，２，薛少华１，２，石理想１，２ （１．中南大学机电工程学院， 湖南长沙４１００８３；２．高性能复杂制造国家重点实验室， 湖南长沙４１００８３） 摘 要针对双绳缠绕式提升机在运行过程中可能产生跳绳故障， 提出一种结合经验模态分解（ＥＭＤ）和 排列熵（ＰＥ） 算法的提升机跳绳故障诊断方法。利用ＥＭＤ方法将正常与故障状态下的钢丝绳张力信号分 解为多个本征模态函数（IＭＦ） ， 对其中具有故障信息的IＭＦ分量进行ＰＥ计算， 作为故障特征。通过采集 提升试验台正常运行与跳绳故障两种状态下的张力信号， 使用上述方法获得计算结果， 对比发现ＰＥ值能 作为故障特征判断跳绳故障， 从而验证了此方法的有效性。 关键词钢丝绳跳绳；经验模态分解（ＥＭＤ） ；排列熵；故障诊断 中图分类号ＴＤ４４４；ＴＰ２１２ 文献标识码Ａ 文章编号１０００９７８７（２０２０）０７０１５００４ Ａｐｐliｃａｔiｏｎ ｏｆ ＥＭＤ ａｎｄ ｐｅｒｍｕｔａｔiｏｎ ｅｎｔｒｏｐｙ iｎ ｆａｕlｔ ｄiａｇｎｏｓiｓ ｏｆ ｈｏiｓｔ ｗiｒｅ ｊｕｍｐiｎｇ ｒｏｐｅ﹡ ＨＵＡＮＧ Ｔｉａｎｒａｎ１， ２，ＴＡＮ Ｊｉａｎｐｉｎｇ１，２，ＸＵＥ Ｓｈａｏｈｕａ１，２，ＳＨI Ｌｉｘｉａｎｇ１，２ （１． Ｃｏllｅｇｅ ｏｆ Ｍｅｃｈａｎiｃａl ａｎｄ Ｅlｅｃｔｒiｃａl Ｅｎｇiｎｅｅｒiｎｇ，Ｃｅｎｔｒａl Ｓｏｕｔｈ Ｕｎiｖｅｒｓiｔｙ，Ｃｈａｎｇｓｈａ ４１００８３，Ｃｈiｎａ； ２． Ｓｔａｔｅ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｈiｇｈ Ｐｅｒｆｏｒｍａｎｃｅ Ｃｏｍｐlｅｘ Ｍａｎｕｆａｃｔｕｒiｎｇ，Ｃｈａｎｇｓｈａ ４１００８３，Ｃｈiｎａ） ＡｂｓｔｒａｃｔＡｉｍｉｎｇ ａｔ ｒｏｐｅ ｊｕｍｐｉｎｇ ｆａｕｌｔ ｄｕｒｉｎｇ ｏｐｅｒａｔｉｏｎ ｏｆ ｄｏｕｂｌｅ ｒｏｐｅ ｗｉｎｄｉｎｇ ｈｏｉｓｔ，ａ ｒｏｐｅ ｊｕｍｐｉｎｇ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｍｅｔｈｏｄ ｏｆ ｈｏｉｓｔ ｂａｓｅｄ ｏｎ ｅｍｐｉｒｉｃａｌ ｍｏｄｅ ｄｅｃｏｍｐｏｓｉｔｉｏｎ（ＥＭＤ）ａｎｄ ｐｅｒｍｕｔａｔｉｏｎ ｅｎｔｒｏｐｙ（ＰＥ）ａｌｇｏｒｉｔｈｍ ｉｓ ｐｒｏｐｏｓｅｄ． Ｔｈｅ ｔｅｎｓｉｏｎ ｓｉｇｎａｌ ｏｆ ｗｉｒｅ ｒｏｐｅ ｕｎｄｅｒ ｎｏｒｍａｌ ａｎｄ ｆａｕｌｔ ｃｏｎｄｉｔｉｏｎｓ ｉｓ ｄｅｃｏｍｐｏｓｅｄ ｉｎｔｏ ｍｕｌｔｉｐｌｅ ｉｎｔｒｉｎｓｉｃ ｍｏｄｅ ｆｕｎｃｔｉｏｎ（IＭＦ）ｂｙ ＥＭＤ ｍｅｔｈｏｄ，ａｎｄ ｔｈｅ IＭＦ ｃｏｍｐｏｎｅｎｔｓ ｗｉｔｈ ｆａｕｌｔ ｉｎｆｏｒｍａｔｉｏｎ ａｒｅ ｃａｌｃｕｌａｔｅｄ ｂｙ ＰＥ ａｓ ｆａｕｌｔ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ． Ｂｙ ｃｏｌｌｅｃｔｉｎｇ ｔｅｎｓｉｏｎ ｓｉｇｎａｌｓ ｕｎｄｅｒ ｎｏｒｍａｌ ｏｐｅｒａｔｉｏｎ ａｎｄ ｒｏｐｅ ｊｕｍｐｉｎｇ ｆａｕｌｔ ｏｆ ｔｈｅ ｈｏｉｓｔ ｔｅｓｔ ｐｌａｔｆｏｒｍ，ｔｈｅ ｃａｌｃｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ ａｒｅ ｏｂｔａｉｎｅｄ ｂｙ ｕｓｉｎｇ ｔｈｅ ａｂｏｖｅ ｍｅｔｈｏｄ． Iｔ ｉｓ ｆｏｕｎｄ ｔｈａｔ ｔｈｅ ＰＥ ｖａｌｕｅ ｃａｎ ｂｅ ｕｓｅｄ ａｓ ｆａｕｌｔ ｆｅａｔｕｒｅ ｔｏ ｊｕｄｇｅ ｗｈｅｔｈｅｒ ｒｏｐｅ ｊｕｍｐｉｎｇ ｆａｕｌｔ ｏｃｃｕｒｓ ｏｒ ｎｏｔ，ｗｈｉｃｈ ｖｅｒｉｆｉｅｓ ｔｈｅ ｅｆｆｅｃｔｉｖｅｎｅｓｓ ｏｆ ｔｈｉｓ ｍｅｔｈｏｄ． Ｋｅｙｗｏｒｄｓｗｉｒｅ ｒｏｐｅ ｊｕｍｐｉｎｇ；ｅｍｐｉｒｉｃａｌ ｍｏｄｅ ｄｅｃｏｍｐｏｓｉｔｉｏｎ（ＥＭＤ） ；ｐｅｒｍｕｔａｔｉｏｎ ｅｎｔｒｏｐｙ（ＰＥ） ；ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ０ 引 言 近年来， 双绳缠绕式提升机因为其提升高度高、 单次提 升载荷大、 钢丝绳寿命长等优势广泛运用于各类矿井之 中［ １］， 其主要特点是由两根缠绕在不同卷筒上的钢丝绳提 升同一个罐笼， 需要保证罐笼载荷被两根钢丝绳均匀承担。 由于钢丝绳、 卷筒直径误差， 钢丝绳振动过大等因素， 可能 导致卷筒上钢丝绳在出绳口处直接跨越到其他绳槽中， 即 产生跳绳。由于钢丝绳会在卷筒上多层缠绕， 跳绳故障会 使得两卷筒层上钢丝绳间过渡不同步， 导致两钢丝绳悬挂 长度不一致， 单根钢丝绳张力过大。增加钢丝绳的不正常 磨损， 缩短钢丝绳的使用寿命［ ２，３］， 甚至引起提升钢丝绳断 裂， 造成设备损坏与人员伤亡。 目前卷筒跳绳故障监测主要有三种。１）依靠人眼观 察， 这种方法易受主观因素影响， 长时间观察时易出现对跳 绳故障漏检或误检等现象。２）通过接触式机械装置检 测［ ４］， 当出现跳绳故障时， 卷筒出绳口处钢丝绳会触发检 测机构警报开关， 但实际中卷筒钢丝绳的出绳存在频繁的 振动， 因此接触式检测装置精度不高。３）通过视觉监测方 法监测钢丝绳进入卷筒时所处位置， 判断是否产生跳绳故 障［ ５］， 但视觉监测需要实时采集卷筒处图像， 对光照、 钢丝 绳表面状态、 识别准确度有较高要求， 环境对检测结果影响 较大。 近年来钢丝绳张力检测方法不断改进， 传感器能较好 地反映钢丝绳的实时张力， 这为跳绳故障诊断提供了新的 思路。跳绳过程中， 钢丝绳张力出现变化， 可以认为跳绳故 障是一种对提升系统的冲击。由于提升机运行过程中的干 收稿日期２０１９０３１４ ﹡基金项目 国家重点基础研究发展计划（９７３计划） 资助项目（２０１４ＣＢ０４９４００） ０５１ 万方数据 第７期 黄天然， 等ＥＭＤ与排列熵在提升机跳绳故障诊断中的应用 扰因素较多， 跳绳导致的张力变化混杂在其中， 为了定量描 述跳绳时张力变化并识别此故障， 本文提出一种结合经验 模态分解（ｅｍｐｉｒｉｃａｌ ｍｏｄｅ ｄｅｃｏｍｐｏｓｉｔｉｏｎ，ＥＭＤ）和排列熵算 法基于张力信号的跳绳故障诊断方法。通过ＥＭＤ方法分 解钢丝绳张力信号获得多个IＭＦ分量， 并对其进行频谱分 析得到各分量的频率组成， 从中选取故障特征突出的本征 模态函数（ｉｎｔｒｉｎｓｉｃ ｍｏｄｅ ｆｕｎｃｔｉｏｎ，IＭＦ）分量， 计算其排列熵 值， 通过排列熵值判断是否发生跳绳， 并通过试验验证了方 法的有效性。 １ ＥＭＤ原理 ＥＭＤ是Ｈｕａｎｇ Ｎ Ｅ等人于１９９８年提出的一种对信号 的自适应分解方法［ ６，７］， 它能将一个复杂信号分解成有限个 具有物理意义的IＭＦ分量和一个残余分量之和， 如式（１） 所示。针对每一个IＭＦ分量满足 整个ｘ（ｔ）时间域内， 极 大值、 极小值点的数量和与零点数量差值不大于１； 时间域 内任意时刻， 局部极大值点附近上包络与局部极小值点附 近下包络平均值为０ ｘ（ｔ）＝∑ ｎ ｊ ＝１ ｃｊ＋ｒｎ（１） 每个分量ｃｊ中分别包含了ｘ（ｔ）内从高频率到低频率 段的成分， 突出了信号在不同时间尺度下的特征， 残余分量 ｒｎ代表了ｘ（ｔ） 的中心趋势， 非常适合用于信号噪声消除［ ８］。 ２ 排列熵算法 Ｓｈａｎｎｏｎ最早提出了“熵”的概念， 用于定义信息的不 确定性， 数学表达式如式（２） 所示 Ｓ（Ｐ）＝ －ｋ∑ ｎ ｉ ＝１ ｐｉｌｎｐｉ（２） 式中 ｋ为常数。信息熵定量描述系统的平均不确定性， 概 率分布的熵值越大， 其不确定性越大。 排列熵最早是由学者Ｂａｎｄｔ Ｃ等人［ ９］根据信息熵定义 提出的一种用于表征一维时间序列复杂程度的熵参数， 其 对信号变化有较高的敏感性。排列熵算法计算简单、 抗噪 声能力强和适合在线检测， 在脑电、 心电信号处理和气象预 测等领域取得了较好的检测效果［ １０，１１］， 目前也逐渐拓展到 了机械故障诊断方向［ １２～１４］。其算法如下 １） 空间重构 设长度为Ｎ的信号时间序列为Ｘ ＝｛ｘ（ｉ） ，ｉ ＝１，２，３， ，Ｎ｝ ， 对其进行相空间重构得矩阵Ｙ Ｙ ＝ Ｙ（１） Ｙ（２）  Ｙ（ｊ）  Ｙ（Ｋ           ｜ ｜ ｜ ｜ ｜ ｜ ｜ ） ＝ ｘ（１）ｘ（１＋τ） ｘ（１＋（ｍ－１）τ） ｘ（２）ｘ（２＋τ） ｘ（２＋（ｍ－１）τ）  ｘ（ｊ）ｘ（ｊ ＋τ） ｘ（ｊ ＋（ｍ－１）τ）  ｘ（Ｋ）ｘ（Ｋ ＋τ） ｘ（Ｋ ＋（ｍ－１）τ           ｜ ｜ ｜ ｜ ｜ ｜ ｜ ） （３） 式中 ｊ ＝１，２，３， ，Ｋ，ｍ为嵌入维数，τ为延迟时间，Ｋ ＋ （ｍ －１）τ ＝ Ｎ。每一个Ｙ（ｊ）在矩阵Ｙ中表示一个重构 分量。 ２） 分量元素升序排列 分别将Ｋ个分量Ｙ（ｊ）＝［ｘ（ｊ） ｘ（ｊ ＋τ） ｘ（ｊ ＋ （ｍ －１）τ） ］ 中元素按照升序排列， 若元素值相等， 则按其在 Ｙ（ｊ） 中位置前后， 从前往后排序。得到Ｋ个新的重构分量 Ｙ＇（ｊ） ， 有 Ｙ＇（ｊ）＝［ｘ（ｊ ＋（ｉ１－１）τ） ｘ（ｊ ＋（ｉ２－１）τ） ｘ（ｊ ＋（ｉｍ－１）τ） ］（４） 式中 ｉ１，ｉ２， ，ｉｍ为各个元素在Ｙ（ｊ） 中的列序号。将每个 重构分量Ｙ＇（ｊ） 中元素对应的ｉ提出， 组成位置序列Ｓ（ｊ） ， 有 Ｓ（ｊ）＝（ｉ１，ｉ２， ，ｉｍ）ｊ ＝１，２，３， ，Ｋ（５） ３） 位置序列概率计算 ｍ维相空间映射中，ｍ个元素随机排列共有ｍ种排 序， 将Ｋ个Ｓ（ｊ）分配到对应的排序中， 每个排序中分别有 Ｋ１，Ｋ２， ，Ｋｍ个Ｓ（ｊ） ， 各个排序出现的概率ｐ有 ｐｉ＝ Ｋｉ Ｋ， ｉ ＝１，２， ，ｍ（６） ４） 熵值计算与归一化 根据式（２） ， 信号Ｘ ＝｛ｘ（ｉ） ，ｉ ＝１，２，３， ，Ｎ｝的排列熵 值表示为 Ｈｐ（ｍ）＝ －∑ ｍ ｌ ＝１ ｐｌｌｎｐｌ（７） 为了比较各种信号Ｘ下的排列熵，使用ｌｎ ｍ对 Ｈｐ（ｍ） 归一化， 即 Ｈｐ（ｍ）＝Ｈｐ（ｍ）／ ｌｎｍ（８） 信号Ｘ的不确定程度可以通过Ｈｐ的大小反映Ｈｐ越 小， 说明信号Ｘ越确定；Ｈｐ越大， 则信号Ｘ不确定性越大。 Ｈｐ的变化反映了信号Ｘ的微小细节变化。 本文提出的故障诊断方法原理如图１所示。 钢丝绳张力信号 EMD IMF1 分量 IMF2 分量 IMF3 分量 IMFn 分量 残余分量 选择含有 故障信息 的分量计 算排列熵 对比正常与 故障状态下 排列熵大小， 验证方法 可行性 图１ ＥＭＤ与排列熵算法诊断流程框图 ３ 试验验证 为了检验上述算法在跳绳故障诊断中的应用效果， 通 过试验获取故障时张力数据进行分析。使用洛阳中信重工 超深井提升机试验台进行试验。试验台示意图如图２所 示， 卷筒通过拉动钢丝绳提升罐笼， 提升试验台悬挂钢丝绳 长度Ｈ最长为４６ｍ， 天轮到卷筒距离Ｌ为５０ｍ， 罐笼负载为 １ Ｔ。销轴力传感器安装在天轮轴处， 如图３所示。可以测得 天轮处钢丝绳张力， 传感器量程０～５ ｔ， 综合精度０． １ ％ＦＳ。 １５１ 万方数据 传 感 器 与 微 系 统 第３９卷 信号通过ＮI数据采集卡采集， 采样频率设定为１０２４ Ｈｚ。 天轮 销轴力传感器 Ｈ Ｌ 罐笼 卷筒 图２ 提升机试验台示意 天轮 销轴力传感器 图３ 张力传感器安转位置 试验时， 罐笼提升速度为１． ５ ｍ／ ｓ， 系统运行时通过向 右拨动靠近卷筒出绳口处钢丝绳， 改变卷筒上钢丝绳入绳 角度， 使得钢丝绳跳过１个绳槽。因为拨动力较小， 在系统 未运行时， 对比拨动前后张力数据， 张力基本无变化， 故认 为试验时张力变化不是由拨动力造成的。 提升下放罐笼１００次， 其中，５０次为正常工况，５０次进 行跳绳实验。每次跳绳时， 罐笼所处位置相同， 卷筒上钢丝 绳排布相同。为了验证张力变化并非由于拨动钢丝绳导致 的， 在最后１５组正常实验时， 以同样的拨动力向左拨动钢 丝绳， 此时由于左侧相邻绳槽内有钢丝绳， 所以不会产生跳 绳。记录１００组试验中跳绳钢丝绳的张力， 选取跳绳时张 力数据３ｓ和正常时张力数据３ｓ， 两段数据对应时间内罐笼 位置相同， 张力数据时域波形如图４所示。 4 500 4 850 5 200 张力 F/N 0123 时间 ｔ/s a 正常状态 4 500 4 850 5 200 张力 F/N 0123 b 跳绳状态 时间 ｔ/s 图４ 两种状态下钢丝绳张力时域波形图 将实验数据直接使用排列熵方法进行计算， 获得图５ 所示结果。 0.55 0.60 0.65 0.70 0.75 0.80 0.85 PE 01020304050 样本数 / 个 跳绳状态 正常状态 图５ 两种状态下钢丝绳张力排列熵 由图５可知跳绳状态下， 钢丝绳张力排列熵均值略小 于正常状态下排列熵均值， 但是二者曲线具有多处交点， 无 法明确判断是否出现跳绳故障。原因可能是由于张力传感 器工作量程较大， 绝对分辨率低， 导致张力信号中具有过多 高频噪声， 使得重构分量位置序列较为分散， 稀释了真实张 力信号序列， 需要对数据进行降噪处理。 使用ＥＭＤ方法对数据进行处理， 得到多个不同频段的 IＭＦ分量， 为了确定每个分量中包含的频率成分， 分别对其 进行傅里叶变换。跳绳与正常状态张力信号前５阶IＭＦ分 量及其频域波形分别如图６所示。 0123 IMF1 －15 0 15 时间 /s 0 1 2 幅值 0400 800 频率 /Hz 0123 IMF1 －15 0 15 时间 /s 0 1 2 幅值 0400 800 频率 /Hz 0123 IMF2 －50 0 50 时间 /s 0 2 4 幅值 0400 800 频率 /Hz 0123 IMF2 －50 0 50 时间 /s 0 2 4 幅值 0400 800 频率 /Hz 0123 IMF3 －50 0 50 时间 /s 0 5 10 幅值 0400 800 频率 /Hz 0123 IMF3 －50 0 50 时间 /s 0 5 10 幅值 0400 800 频率 /Hz 0123 IMF4 －200 0 200 时间 /s 0 10 20 幅值 0400 800 频率 /Hz 0123 IMF4 时间 /s 幅值 0400 800 频率 /Hz －200 0 200 0 10 20 0123 IMF5 －200 0 200 时间 /s 0 20 40 幅值 0400 800 频率 /Hz 0123 IMF5 时间 /s 幅值 0400 800 频率 /Hz －200 0 200 0 20 40 a 跳绳状态b 正常状态 图６ 两种状态下张力信号ＥＭＤ结果与频域波形 由图６可知， 高频噪声频率主要分布在IＭＦ１，IＭＦ２， IＭＦ３分量中， 而钢丝绳张力变化频率与钢丝绳纵向振动相 关［ １５，１６］， 可知在张力变化信号主要包含在 IＭＦ４，IＭＦ５中。 因此， 分别计算１００个试验样本IＭＦ４，IＭＦ５分量的排列熵 结果。根据模型参数独立确定法， 取延迟时间ｔ ＝１， 嵌入维 度ｍ ＝８， 两分量的试验样本排列熵如图７所示。 0.16 0.18 0.20 0.22 0.24 0.26 0.28 0.30 PE 跳绳状态 正常状态 01020304050 样本数 / 个 a IMF4 分量 0.10 0.12 0.14 PE 跳绳状态 正常状态 01020304050 样本数 / 个 b IMF5 分量 0.16 0.18 图７ 两种状态下张力信号ＩＭＦ４、ＩＭＦ５分量排列熵 在提升系统负载与提升速度相同的情况下， 张力信号 的排列熵值越大， 张力变化规律越随机； 张力信号的排列熵 值越小， 则张力变化规律越确定。正常状态时， 钢丝绳与罐 笼组成的系统振动导致张力发生变化， 其变化较为稳定。 当出现跳绳故障时， 张力产生突变， 信号复杂程度增加， 排 列熵增大。 由图７可知， 当滤除系统中的高频噪声后， 跳绳状态、 正常状态的排列熵值降低， 且在IＭＦ４，IＭＦ５分量中， 两种状 ２５１ 万方数据 第７期 黄天然， 等ＥＭＤ与排列熵在提升机跳绳故障诊断中的应用 态下张力信号排列熵值区分度较好， 正常状态下的排列熵 小于跳绳状态下排列熵， 与预期结果相符。对比正常状态 前３５组数据与后１５组数据的排列熵可知， 拨动力对钢丝 绳张力影响可以忽略， 张力变化是由跳绳故障引起的， 说明 了试验结果的有效性。将１００组数据的原始信号、IＭＦ４， IＭＦ５分量排列熵值计算平均值， 将正常状态最大排列熵与 跳绳状态最小排列熵作为端点构成重叠区间， 统计两状态 下排列熵位于重叠区间的样本个数， 如表１所示。 表１ 重叠区间样本数与排列熵均值 跳绳状态正常状态 原始信号ＰＥ均值０． ７５０６０． ６７１５ 原始信号ＰＥ值位于重叠区间样本数１９１８ IＭＦ４分量ＰＥ均值０． ２５１１０． １５７５ IＭＦ４分量ＰＥ值位于重叠区间样本数３５ IＭＦ５分量ＰＥ平均值０． ２０９６０． １２２２ IＭＦ５分量ＰＥ值位于重叠区间样本数４３ １） 原始信号排列熵值， 在重叠区间内样本个数较多， 不 能较好区分两种状态， 作为跳绳故障的判别依据可信度较低。 ２）IＭＦ４与IＭＦ５分量的排列熵值， 正常状态排列熵明 显小于跳绳状态排列熵， 在重叠区间内样本个数较少， 作为 跳绳故障的判别依据可信度高。 为了验证方法的有效性，使用支持向量机（ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ，ＳＶＭ） ［１７］对以上数据进行模式识别。将 １００组数据的IＭＦ４，IＭＦ５分量的ＰＥ值记为Ｐ１，Ｐ２， 组成向 量Ｐ ＝（Ｐ１，Ｐ２） 作为特征值输入ＳＶＭ中进行训练。再分别 进行５０组正常与跳绳实验， 对数据进行相同处理后， 输入 到ＳＶＭ中进行分类， 结果如表２所示。 表２ ＳＶＭ识别结果 故障类型测试样本数正确分类数准确率／ ％ 正常５０５０１００ 跳绳５０４７９４ 由结果可知ＳＶＭ识别准确率达到９４ ％， 因此，ＥＭＤ和 排列熵算法能有效提取钢丝绳张力信号中的跳绳故障特 征。对比于文献［５］ 中使用的机器视觉方法， 本文中试验环 境对比真实环境还原度高， 诊断结果准确率高， 且不受光线 因素干扰， 稳定性较好。 ４ 结束语 １）ＥＭＤ作为一种自适应分解方法， 能够有效地将信号 分解为多个频率段的信号， 适用于从原始信号中提取特定 频率的信号。排列熵作为一种数据处理算法， 对于原始信 号较为敏感， 排列熵值能够体现信号的复杂程度， 具有计算 简捷、 适用于在线检测等优势。 ２） 本文使用基于ＥＭＤ和排列熵的方法处理正常状态、 跳绳状态的张力信号， 将信号中的高频噪声进行消除， 针对 含有故障信息的IＭＦ分量求排列熵值作为故障特征， 作为 跳绳故障的判别依据可信度高。将原始数据处理后得到的 特征向量输入ＳＶＭ中进行模式识别， 得到的识别准确率达 到９４ ％。 ３） 本文使用的方法可以针对钢丝绳跳绳故障进行诊 断， 但是钢丝绳张力的影响因素较多， 其他故障也会使得张 力发生变化， 针对这些故障间的区分需要做进一步的研究。 参考文献 ［１］ 刘劲军， 邹声勇， 张步斌， 等．我国大型千米深井提升机械的 发展趋势［Ｊ］．矿山机械，２０１２，４０（７） １ －６． ［２］ ＳIＮＧＨ Ｒ Ｐ，ＭＡＬＬIＣＫ Ｍ，ＶＲＥＭＡ Ｍ Ｋ． Ｓｔｕｄｉｅｓ ｏｎ ｆａｉｌｕｒｅ ｂｅｈａｖｉｏｕｒ ｏｆ ｗｉｒｅ ｒｏｐｅ ｕｓｅｄ ｉｎ ｕｎｄｅｒｇｒｏｕｎｄ ｃｏａｌ ｍｉｎｅｓ［Ｊ］． Ｅｎｇｉ- ｎｅｅｒｉｎｇ Ｆａｉｌｕｒｅ Ａｎａｌｙｓｉｓ，２０１６，７０２９０ －３０４． ［３］ ＰＥＴＥＲＫＡ Ｐ，ＫＲＥŠＫ Ｊ，ＫＲＯＰＵＣＨ Ｓ，ｅｔ ａｌ． Ｆａｉｌｕｒｅ ａｎａｌｙｓｉｓ ｏｆ ｈｏｉｓｔｉｎｇ ｓｔｅｅｌ ｗｉｒｅ ｒｏｐｅ［Ｊ］． Ｅｎｇｉｎｅｅｒｉｎｇ Ｆａｉｌｕｒｅ Ａｎａｌｙｓｉｓ，２０１４， ４５（１） ９６ －１０５． ［４］ 朱真才， 张志强， 曹国华．一种用于卷筒多层缠绕的乱绳检测 装置及方法ＣＮ２０１４１０８２８３３７． １［Ｐ］． ２０１５ －０４ －２２． ［５］ 吴志鹏， 谭建平， 王巧斌， 等．一种提升机排绳故障视觉监测 图像识别方法研究［Ｊ］．仪表技术与传感器，２０１６，５３（１０） ７３ －７５． ［６］ ＨＵＡＮＧ Ｎ Ｅ，ＳＨＥＮ Ｚ，ＬＯＮＧ Ｓ Ｒ，ｅｔ ａｌ． Ｔｈｅ ｅｍｐｉｒｉｃａｌ ｍｏｄｅ ｄｅ- ｃｏｍｐｏｓｉｔｉｏｎ ａｎｄ ｔｈｅ Ｈｉｌｂｅｒｔ ｓｐｅｃｔｒｕｍｆｏｒ ｎｏｎ-ｌｉｎｅａｒ ａｎｄ ｎｏｎ- ｓｔａｔｉｏｎａｒｙ ｔｉｍｅ ｓｅｒｉｅｓ ａｎａｌｙｓｉｓ［Ｊ］． Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｒｏｙａｌ Ｓｏｃｉｅｔｙ，１９９８，４５４Ａ９０３ －９９５． ［７］ ＢＯＡＳＨＡＳＨ Ｂ． Ｅｓｔｉｍａｔｉｎｇ ａｎｄ ｉｎｔｅｒｐｒｅｔｉｎｇ ｔｈｅ ｉｎｓｔａｎｔａｎｅｏｕｓ ｆｒｅｑｕｅｎｃｙ ｏｆ ａ ｓｉｇｎａｌ． Ｐａｒｔ IＦｕｎｄａｍｅｎｔａｌｓ［Ｊ］． Ｐｒｏｃ IＥＥＥ，１９９２， ８０（４） ５２０ －５３８． ［８］ 刘桂芬， 蔡景怡， 杨桢， 等．基于ＡＥＥＭＤ与IＷＴ的电磁辐射信 号去噪研究［Ｊ］．传感器与微系统，２０１６，３５（７） ３８ －４１． ［９］ ＢＡＮＤＴ Ｃ，ＰＯＭＰＥ Ｂ． Ｐｅｒｍｕｔａｔｉｏｎ ｅｎｔｒｏｐｙＡ ｎａｔｕｒａｌ ｃｏｍｐｌｅｘｉｔｙ ｍｅａｓｕｒｅ ｆｏｒ ｔｉｍｅ ｓｅｒｉｅｓ［Ｊ］． Ｐｈｙｓ Ｒｅｖ Ｌｅｔｔ，２００２，８８１ －４． ［１０］ＭＡＫＡＲＫIＮ Ｓ Ａ，ＳＴＡＲＯＤＵＢＯＶ Ａ Ｖ，ＫＡＬIＮIＮ Ｙ Ａ． Ａｐｐｌｉｃａ- ｔｉｏｎ ｏｆ ｐｅｒｍｕｔａｔｉｏｎ ｅｎｔｒｏｐｙ ｍｅｔｈｏｄ ｉｎ ｔｈｅ ａｎａｌｙｓｉｓ ｏｆ ｃｈａｏｔｉｃ， ｎｏｉｓｙ，ａｎｄ ｃｈａｏｔｉｃ ｎｏｉｓｙ ｓｅｒｉｅｓ［Ｊ］． Ｔｅｃｈｎｉｃａｌ Ｐｈｙｓｉｃｓ，２０１７， ６２（１１） １７１４ －１７１９． ［１１］ＴＲIＰＡＴＨＹ Ｒ Ｋ，ＤＥＢ Ｓ，ＤＡＮＤＡＰＡＴ Ｓ． Ａｎａｌｙｓｉｓ ｏｆ ｐｈｙｓｉｏｌｏｇｉｃａｌ ｓｉｇｎａｌｓ ｕｓｉｎｇ ｓｔａｔｅ ｓｐａｃｅ ｃｏｒｒｅｌａｔｉｏｎ ｅｎｔｒｏｐｙ［Ｊ］． Ｈｅａｌｔｈｃａｒｅ Ｔｅｃｈ- ｎｏｌｏｇｙ Ｌｅｔｔｅｒｓ，２０１７，４（１） ３０ －３３． ［１２］ＺＨＯＵ Ｓ，ＱIＡＮ Ｓ，ＣＨＡＮＧ Ｗ，ｅｔ ａｌ． Ａ ｎｏｖｅｌ ｂｅａｒｉｎｇ ｍｕｌｔｉ-ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ａｐｐｒｏａｃｈ ｂａｓｅｄ ｏｎ ｗｅｉｇｈｔｅｄ ｐｅｒｍｕｔａｔｉｏｎ ｅｎｔｒｏｐｙ ａｎｄ ａｎ ｉｍｐｒｏｖｅｄ ＳＶＭ ｅｎｓｅｍｂｌｅ ｃｌａｓｓｉｆｉｅｒ［Ｊ］． Ｓｅｎｓｏｒｓ，２０１８，１８（６） １９３４． ［１３］于晓东， 潘罗平， 安学利．基于ＶＭＤ和排列熵的水轮机压力 脉动信号去噪算法［Ｊ］．水力发电学报，２０１７，３６（８） ７８ －８５． ［１４］冯辅周， 饶国强， 司爱威， 等．排列熵算法研究及其在振动信 号突变检测中的应用［Ｊ］．振动工程学，２０１２，２５（２） ２２１ － ２２４． （下转第１６０页） ３５１ 万方数据 传 感 器 与 微 系 统 第３９卷 归一化定位误差 / DV-Hop BA-WSNs IBA-WSNs 节点通信半径 /m 504540353025201510 0.20 0.25 0.30 0.35 0.40 0.45 0.50 图４ 通信半径对定位性能的影响 降低。通信半径为１５ ～２５ ｍ时， 定位误差迅速下降。这是 由于随着通信半径的增加， 可通信的节点增加， 辅助定位的 节点增多， 因此， 定位误差降低。通信半径２５ ～５０ ｍ时， 由 于半径过大， 增加了平均跳数的误差， 定位误差增加。相比 于其他两种算法， 提出的算法依然具有较好的定位性能。 ５ 结 论 本文深入研究了ＢＡ， 对ＢＡ搜索能力的影响因素进行 了探讨， 并针对存在的问题提出了两点改进。针对ＷＳＮｓ 节点定位问题， 本文提出了一种基于改进蝙蝠算法的定位 方法， 该方法首先利用ＤＶ-Ｈｏｐ算法获取节点到锚节点的 估计距离， 然后利用估计距离与锚节点位置信息设计目标 函数， 最后利用IＢＡ搜索最优解。仿真结果表明IＢＡ- ＷＳＮｓ算法具有较好的定位性能。 参考文献 ［１］ ＡＫＹIＬＤIＺ I Ｆ，ＳＵ Ｗ，ＳＡＮＫＡＲＡＳＵＢＲＡＭＡＮIＡＭ Ｙ，ｅｔ ａｌ． Ｗｉｒｅ- ｌｅｓｓ ｓｅｎｓｏｒ ｎｅｔｗｏｒｋｓＡ ｓｕｒｖｅｙ［Ｊ］． Ｃｏｍｐｕｔｅｒ Ｎｅｔｗｏｒｋｓ，２００２， ３８（４） ３９３ －４２２． ［２］ ＰＥＮＧ Ｂ，ＬI Ｌ． Ａｎ ｉｍｐｒｏｖｅｄ ｌｏｃａｌｉｚａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ｉｎ ｗｉｒｅｌｅｓｓ ｓｅｎｓｏｒ ｎｅｔｗｏｒｋｓ［Ｊ］． Ｃｏｇｎｉｔｉｖｅ Ｎｅｕ- ｒｏｄｙｎａｍｉｃｓ，２０１５，９（２） ２４９ －２５６． ［３］ ＧＨＡＲＧＨＡＮ Ｓ Ｋ，ＮＯＲＤIＮ Ｒ，IＳＭＡIＬ Ｍ，ｅｔ ａｌ． Ａｃｃｕｒａｔｅ ｗｉｒｅ- ｌｅｓｓ ｓｅｎｓｏｒ ｌｏｃａｌｉｚａｔｉｏｎ ｔｅｃｈｎｉｑｕｅ ｂａｓｅｄ ｏｎ ｈｙｂｒｉｄ ＰＳＯ-ＡＮＮ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｉｎｄｏｏｒ ａｎｄ ｏｕｔｄｏｏｒ ｔｒａｃｋ ｃｙｃｌｉｎｇ［Ｊ］． IＥＥＥ Ｓｅｎｓｏｒｓ Ｊｏｕｒｎａｌ，２０１６，１６（２） ５２９ －５４１． ［４］ ＧＯＹＡＬ Ｓ，ＰＡＴＴＥＲＨ Ｍ Ｓ． Ｗｉｒｅｌｅｓｓ ｓｅｎｓｏｒ ｎｅｔｗｏｒｋ ｌｏｃａｌｉｚａｔｉｏｎ ｂａｓｅｄ ｏｎ ｃｕｃｋｏｏ ｓｅａｒｃｈ ａｌｇｏｒｉｔｈｍ［Ｊ］． Ｗｉｒｅｌｅｓｓ Ｐｅｒｓｏｎａｌ Ｃｏｍｍｕ- ｎｉｃａｔｉｏｎｓ，２０１４，７９（１） ２２３ －２３４． ［５］ ＹＡＮＧ Ｘ Ｓ，ＤＥＢ Ｓ． Ｅｎｇｉｎｅｅｒｉｎｇ ｏｐｔｉｍｉｓａｔｉｏｎ ｂｙ ｃｕｃｋｏｏ ｓｅａｒｃｈ［Ｊ］． Iｎｔ’１ Ｊ Ｍａｔｈｅｍａｔｉｃａｌ Ｍｏｄｅｌｌｉｎｇ ａｎｄ Ｎｕｍｅｒｉｃａｌ Ｏｐｔｉｍｉｓａｔｉｏｎ， ２０１０，１（４） ３３０ －３４３． ［６］ 王旭， 张曦煌．基于布谷鸟搜索算法的无线传感器网络改进 路由协议［Ｊ］．传感器与微系统，２０１６，３５（７） ４５ －４７． ［７］ ＶＥＣＣＨIＯ Ｍ，ＬＰＥＺ-ＶＡＬＣＡＲＣＥ Ｒ，ＭＡＲＣＥＬＬＯＮI Ｆ． Ａ ｔｗｏ- ｏｂｊｅｃｔｉｖｅ ｅｖｏｌｕｔｉｏｎａｒｙ ａｐｐｒｏａｃｈ ｂａｓｅｄ ｏｎ ｔｏｐｏｌｏｇｉｃａｌ ｃｏｎｓｔｒａｉｎｔｓ ｆｏｒ ｎｏｄｅ ｌｏｃａｌｉｚａｔｉｏｎ ｉｎ ｗｉｒｅｌｅｓｓ ｓｅｎｓｏｒ ｎｅｔｗｏｒｋｓ［Ｊ］． Ａｐｐｌｉｅｄ Ｓｏｆｔ Ｃｏｍｐｕｔｉｎｇ，２０１２，１２（７） １８９１ －１９０１． ［８］ ＹＡＮＧ Ｘ Ｓ． Ｏｐｔｉｍｉｚａｔｉｏｎ ｔｅｃｈｎｉｑｕｅｓ ａｎｄ ａｐｐｌｉｃａｔｉｏｎｓ ｗｉｔｈ ｅｘａｍ- ｐｌｅｓ［Ｍ］． ＨｏｂｏｋｅｎＪｏｈｎ Ｗｉｌｅｙ ＆ Ｓｏｎｓ，２０１８３１３ －３１５． ［９］ 胡中栋， 曾珽， 肖红．基于地形改正的无线传感器网络ＤＶ- Ｈｏｐ定位算法［Ｊ］．传感器与微系统，２０１３，３２（６） １４７ －１４９． ［１０］ＮIＣＫＡＢＡＤI Ａ，ＥＢＡＤＺＡＤＥＨ Ｍ Ｍ，ＳＡＦＡＢＡＫＨＳＨ Ｒ． Ａ ｎｏｖｅｌ ｐａｒｔｉｃｌｅ ｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｗｉｔｈａｄａｐｔｉｖｅｉｎｅｒｔｉａ ｗｅｉｇｈｔ［Ｊ］． Ａｐｐｌｉｅｄ Ｓｏｆｔ Ｃｏｍｐｕｔｉｎｇ，２０１１，１１（４） ３６５８ －３６７０． 作者简介 彭 铎（１９７６ －） ， 男， 博士研究生， 副教授， 主要研究领域为计 算机网络与通信， 无线通信。 汪 昕（１９９３ －） ， 男， 硕士研究生， 研究方向为无线传感器网 络，Ｅｍａｉｌｗａｎｇｘｉｎ ２０１８＠ａｌｉｙｕｎ． ｃｏｍ 檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸 。 （上接第１５３页） ［１５］李占芳．矿井提升系统振动特性及典型故障诊断研究［Ｄ］． 徐州 中国矿业大学，２００８． ［１６］曹国华．矿井提升钢丝绳装载冲击动力学行为研究［Ｄ］．徐 州 中国矿业大学，２００９． ［１７］刘东启， 陈志坚， 徐银， 等．适用于不平衡数据集分类的改进 ＳＶＭ算法［Ｊ］．传感器与微系统，２０１８，３７（３） １２２ －１５５． 作者简介 黄天然（１９９４ －） ， 男， 硕士研究生， 研究方向为超深矿井状态 监测与故障诊断，Ｅｍａｉｌ１５２００８９８８１２＠１６３． ｃｏｍ。 谭建平（１９６３ －） ， 男， 通讯作者， 博士， 教授， 博士生导师， 主要 从事机电系统状态监测与故障诊断研究工作，Ｅｍａｉｌｊｐｔａｎ＠１６３．ｃｏｍ 檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸 。 （上接第１５６页） ［６］ 张雷， 张小刚， 陈华．基于Ｇａｔｈ-Ｇｅｖａ算法和核极限学习机的 多阶段间歇过程软测量［Ｊ］．化工学报，２０１８，６９（６） ２５７６ － ２５８５． ［７］ ＳＣＨＯＬＫＯＰＦ Ｂ，ＳＭＯＬＡ Ａ Ｊ． Ｌｅａｒｎｉｎｇ ｗｉｔｈ ｋｅｒｎｅｌ［Ｍ］． Ｃａｍｂｒｉｄｇｅ，ＭＡＭIＴ Ｐｒｅｓｓ，２０００． ［８］ ＢＡＮＤＡＴ Ｇ，ＡＮＯＵＡＲ Ｆ． Ｆｅａｔｕｒｅ ｖｅｃｔｏｒ ｓｅｌｅｃｔｉｏｎ ａｎｄ ｐｒｏｊｅｃｔｉｏｎ ｕｓｉｎｇ ｋｅｒｎｅｌｓ［Ｊ］． Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，２００３，５５（１） ２１ －３８． ［９］ 李军， 张观东． ＦＶＳ-ＭＳＶＭ方法在机器人建模与辨识中的应 用［Ｊ］．振动与冲击，２０１８，３７（２０） ６７ －７４． ［１０］李军， 岳文琦．基于泄漏积分型回声状态网络的软测量动态 建模方法及应用［Ｊ］．化工学报，２０１４，６５（１０） ４００４ －４０１４． ［１１］阮宏镁，田学民，王平．基于联合互信息的动态软测量方 法［Ｊ］．化工学报，２０１４，６５（１１） ４４９７ －４５０２． ［１２］熊伟丽， 李妍君．选择性集成ＬＴＤＧＰＲ模型的自适应软测量 建模方法［Ｊ］．化工学报，２０１７，６８（３） ９８４ －９９１． 作者简介 秦晓帅（１９９３ －） ， 男， 硕士研究生， 研究方向为复杂非线性的 化工过程软测量建模，Ｅｍａｉｌ１７６８８２７０５１＠ｑｑ． ｃｏｍ。 李 军（１９６９ －） ， 男， 博士， 教授， 硕士研究生导师， 主要研究 领域为计算智能与复杂非线性系统建模、 控制，Ｅｍａｉｌｌｉｊｕｎ６９１２０１ ＠ｍａｉｌ． ｌｚｊｔｕ． ｃｎ。 ０６１ 万方数据