地下選礦廠磨機(半自磨機)機械振動研究綜述

王海軍 劉建博

(1.礦冶科技集團有限公司，北京100160；2.東北大學 資源與土木工程學院，沈陽 110004)

大型旋轉機械設備(如半自磨機、球磨機、磨煤機)在地下選礦生產中有較好的應用前景，其運行狀態和性能直接關系到生產效率和安全。然而，由于機械結構和運行環境的復雜性，這些設備常常面臨振動問題。機械振動不僅會降低機械設備的工作效率，還可能引發硐室圍巖結構破壞。因此，對大型旋轉機械設備中的振動特征進行準確識別和分析，尤其是與旋轉基本特征相對應的低頻振動頻率的識別研究對于實現地下選礦廠硐室長期穩定性的安全可靠運行具有深遠的理論意義和科學價值，有必要對近年來國內外學者及工程技術人員針對與半自磨機類似的球磨機、磨煤機等設備，從數據采集及分析方法、改進設備作業效率、監控設備運行性能及保持設備基礎穩定等方面開展研究分析。

1 磨機(半自磨)機械振動基本特征、振動數據采集及分析方法

國內外學者對磨機機械振動基本機理開展了較多的研究工作。AUSTIN等揭示了破碎過程可被視為三個區域破碎作用的總和：由介質(鋼球或礦石)之間的顆粒夾持引起的正常破碎，當顆?；驂K狀物相對于介質太大而不易被夾緊時，介質造成的異常斷裂，以及巖石塊體在翻滾作用下的碎裂和磨損所引起的自破碎，并指出破碎作用的每個區域都有特定的破碎率和碎片分布[1]。

基于磨機振動機理可知半自磨機的振動數據組成是復雜的。GAO等[2]通過自適應變分模態分解(VMD)和改進功率譜有效全面提取了磨機磨礦過程中的振動數據，發現磨機機械振動頻率主要在0～20 kHz，振動幅度與磨機處理能力、物料塊度密切相關。TANG等[3]通過磨機振動頻率范圍識別分析，將機械振動頻率主要分為兩個大類：一類是與破碎過程密切相關的高頻機械振動(磨音大于100 Hz)，另外一類是與磨機設備剛度相關的低頻機械振動(磨音小于100 Hz)。對于高頻和低頻機械振動，國內外學者都針對振動信號數據采集、振動信號處理方法也做過很多研究工作。如彭奕亮等[4]通過測試基礎上、下臺板和設備本體的振動位移和加速度，并考慮中速磨煤機與基礎的動力相互作用，評價了彈簧隔振基礎中速磨煤機的振動性態。TANG等[3]提出了一種基于振動頻譜的濕式球磨機磨削載荷參數的特征提取與選擇方法，通過將振動加速度信號快速傅里葉變換(FFT)轉化為頻譜，從頻譜中提取和選擇候選特征，包括特征頻率子帶、頻譜主成分和局部峰值特征，利用互信息、譜段聚類和核主成分分析來獲得候選特征，再采用基于自適應遺傳算法的組合優化方法同時選擇軟測量模型的輸入子集和參數，并應用于實驗室規模的濕式球磨機。王恒等[5]針對球磨機料位檢測的現實需要，提出了一種球磨機筒體振動信號采集方法，結合筒內料位分布特點，確定了筒體振動傳感器類型和測點位置，確定了筒體信號無線采集的系統構成，基于鋼球沖擊模型和理想化鋼球分層模型，并結合采集的筒體實際振動數據確定了筒體振動信號的采樣參數。楊志剛等[6]簡述了球磨機的發聲機理，分析了球磨機填充率、筒體轉速以及鋼球大小等因素對磨音的影響，歸納總結了近年來磨機負荷的檢測方法：基于數學模型的軟測量方法、磨音法、振動法、功率法、超聲波方法和基于神經網絡的方法。MOHANTY等[7]利用微機電系統(MEMS)加速度計傳感器對工業濕式球磨機的振動特征進行了分析，信號采集使用兩個無線加速度計傳感器安裝在球磨機進料端和出料端，驗證銅礦石的磨礦狀態，通過對比進料前后的振動譜，估算出球磨機內礦石的實際磨礦狀態，從頻譜分析中確定了強度的限制閾值水平，以監測所需的礦石研磨狀態，并利用皮爾遜相關系數(Pearson correlation)分析了樣本長度及其與磨機轉速的相關性對確定實際振動特征的影響?？祹r等[8]針對采用傳統方法建立球磨機料位軟測量模型存在測量精度不高和穩定性較低的缺點，提出一種結合深度信念網絡和極限學習機的軟測量方法。許永強等[9]通過采集軸承座振動信號，采用自回歸(Auto Regressive，AR)模型對振動信號進行特征提取和進行功率譜估計，研究了5種充填率條件下的磨機負荷參數與信號時域特征的相關性，得出隨著磨礦過程中筒體中鋼球、物料的變化，低頻段、高頻段的頻譜能量值曲線的相應變化規律。SHI等[10]研究了分數階傅里葉變換在聲音信號中估計磨機負荷參數的應用，根據聲譜在分數階傅里葉域中的分布，將球磨機負荷預測策略分為特征提取、離線建模和在線監測三個部分，并確認分數傅里葉域內對軋機負荷的估計是有效的。浦友尚等[11]為有效提取球磨機磨音信號特征實現負荷識別，提出了一種基于主元分析法(PCA)的特征提取方法，采集球磨機的工作磨音信號，進行噪聲處理，再通過Welch法進行功率譜估計，并通過主元分析法進行特征提取，最后再通過支持向量機預測模型對特征提取后的樣本集進行了仿真驗證。余剛等[12]針對磨機負荷與磨機運行所產生多組分機械信號間存在的非確定性復雜映射關系，以及運行專家基于耳所固有“帶通濾波”效應憑借人腦模型有效估計所熟悉磨機的負荷及其內部參數等問題，為獲得具有物理含義和互補特性的多個單模態信號用于磨機負荷建模，提出了磨機筒體振動單模態子信號選擇方法。蔡改貧等[13]針對球磨機振動信號非線性、非平穩性特點及總體平均經驗模態分解方法(CEEMDAN)，舍棄高頻分量降噪方法和小波閾值降噪方法存在的不足，提出了一種基于CEEMDAN-小波閾值聯合的球磨機筒體振動信號去噪方法。羅小燕等[14]針對球磨機在磨礦過程中負荷靠經驗難以準確判斷的問題，提出了一種基于改進的經驗小波變換(Empirical Wavelet Transform，EWT)-多尺度熵和核極限學習機(KELM)的球磨機負荷識別方法。CAI等[15]提出了一種基于改進經驗小波變換(EWT)、改進復合多尺度離散熵(RCMDE)和煙花算法(FWA)優化支持向量機的新方法，利用改進的EWT對振動信號進行降噪，利用三次樣條插值計算包絡譜進行分割，然后計算去噪后信號的rcmde作為特征向量，用主成分分析(PCA)對矢量進行降維，建立了基于FWA優化支持向量機的磨機負荷預測模型，將縮減后的特征向量輸入模型，輸出料球比和填充率，所提出的球磨機負荷預測方法具有較高的精度和穩定性。

2 磨機(半自磨)機械振動數據應用

近年來，國內外學者把磨機(半自磨)機械振動數據作為反應磨機(半自磨)作業狀態和故障診斷的依據，開展了較多的相關研究工作。如TANG等[16]基于實驗室規模的球磨機殼體振動信號，對濕磨載荷進行了分析，利用遺傳算法-偏最小二乘(GA-PLS)技術建立了軋機負荷振動信號與軋機運行參數之間的軟測量模型，并進行了工業規模球磨機驗證。湯健等[17]針對磨礦過程的磨機負載難以有效確定和檢測，尤其是球磨機常運行在欠負荷狀態，造成該過程難以實現優化控制和節能降耗的難題，提出了采用料球比、濃度及充填率三個負荷參數對磨礦負載進行軟測量建模的方法，也提出了基于頻域特征提取與多傳感器信息融合的磨機工作負載軟測量新方法[18]。黃鵬等[19]通過實驗采集了不同給煤量工況下球磨機筒體與軸承座振動信號，然后根據料位與球磨機筒體及軸承座振動之間的關系對原始振動信號進行了濾波處理，比較了球磨機筒體與軸承座振動料位特征量。王恒等[20]針對球磨機優化工況監測的不足，提出了一種基于筒體振動信號的球磨機優化工況監測方法。傅貴興[21]通過對機械振動譜圖的分析診斷，找出了球磨機故障產生的原因和確定的故障部位。HUANG等[22]通過采集的振動信號對填料液位變化具有較高的靈敏度，為準確測量填料液位提供了可靠依據。李聲旭等[23]使用半自磨機機械振動數據對減速機故障發生過程進行趨勢監控，由事后維修轉變為預防性維修。趙明等[24]通過在球磨機軸承上安裝振動傳感器獲取軸承振動信號，并利用小波包頻帶順序分解技術進行振動信號特征提取，以表征不同球徑配比的特征量，最后通過統計分析對球徑配比做出評判。鐘慶海[25]采用振動傳感器對電機自由端、驅動端和小齒輪驅動端、自由端及進料端主軸承、出料端主軸承進行在線監測，及時消除了半自磨機的振動故障，防止了故障事故的擴大，使半自磨機穩定運行，為振動檢測技術在大型低速旋轉設備振動故障診斷、分析、處理中的應用提供了成功案例。胡顯能等[26]針對球磨機負荷特征提取難以及負荷狀態識別難的問題，將多尺度排列熵引入到球磨機負荷識別中，提出一種具有自適應噪聲的完整集成經驗模態分解(CEEMDAN)與多尺度排列熵(MPE)相結合的球磨機負荷識別方法。蔡改貧等[27]針對球磨機磨礦過程中負荷難以檢測和不能準確判斷負荷狀態的問題，提出了一種基于CEEMDAN-云模型特征熵和LSSVM的磨機負荷預測方法，用完整集成經驗分解算法(CEEMDAN)對不同負荷的磨機振動信號進行分解，通過使用相關系數法選取敏感模態分量重構信號，利用逆向云發生器計算重構信號的云模型特征熵作為信號的表征參數，運用正向云發生器生成云模型特征向量的云滴圖。羅小燕等[28]針對單一因素的球磨機負荷預測時存在的局限性問題，分別提取磨礦過程中振動、磨音、電流的特征信息值，采用網格搜索與交叉驗證相結合的支持向量機(SVM)磨機負荷預測方法判斷磨機負荷的類型，提出了磨機負荷的多源異類信號特征層融合方法。袁鑄等[29]為對球磨機進行振動監測與故障診斷，在現有一些小波閾值去噪方法的基礎上提出一種新的閾值去噪算法，并對去噪后的信號進行小波分解和Hilbert小波包絡譜分析，實現了有效應用。鄧海英等[30]基于振動信號分析的球磨機工況檢測技術進行了論述。LUO等[31]提出了一種基于互補集成經驗模態分解(CEEMDAN)—精化復合多尺度色散熵(RCMDE)—長短期記憶(LSTM)神經網絡的磨機負荷參數預測方法，并選用CEEMDAN算法對強噪聲作用下的磨機機筒振動信號進行分解，再采用相關系數法選取與原始信號具有強相關性的敏感模態分量進行重構，并通過RCMDE提取不同載荷參數下重構信號的特征。

3 磨機(半自磨)機械振動數據數值模擬及反演

雖然國內外專家學者針對磨機(半自磨)機械振動產生機理、振動信號采集、分析方法開展了很多研究工作，也取得了很多卓有成效的成果，但磨機(半自磨)的機械振動組成復雜，尤其是機械振動過程物料不均、設備內部無法直接觀察、現場監測環境復雜等問題造成很難全面掌握磨機(半自磨)振動機理。

鑒于此，國內外專家學者通過數值建模、仿真模擬等手段開展了磨機(半自磨)機械振動數據模擬機反演的研究工作。如湯健等[32]針對傳統磨機負荷(ML)檢測方法只能依靠靈敏度較低的軸承振動、簡體振聲和磨機功率等信號監督判斷ML狀態，難以檢測磨機內部負荷參數的問題，提出了一種基于高靈敏度的簡體振動頻譜的集成建模方法。針對磨機負荷(ML)軟測量模型難以適應磨礦過程的時變特性，模型需要依據工況實時在線更新的問題，基于磨機簡體振動頻譜，通過遞歸主元分析(RPCA)和在線最小二乘支持向量回歸機(LSSVR)的集成，提出了ML參數(料球比、礦漿濃度、充填率)在線軟測量方法[33]。針對磨機筒體振動和振聲信號組成復雜難以解釋、蘊含信息存在冗余性和互補性、與磨機負荷參數映射關系難以描述等問題，提出了基于經驗模態分解(Empirical Mode decomposition，EMD)技術和選擇性集成學習算法分析筒體振動與振聲信號組成，建立磨機負荷參數軟測量模型的新方法[34]。針對目前采用經驗模態分解(Empirical Model Decomposition，EMD)得到的系列子信號構建的磨機負荷參數軟測量模型泛化性能差、難以進行清晰物理解釋，以及EMD算法存在的模態混疊等問題，提出了基于選擇性融合多尺度筒體振動頻譜的建模方法[35]。劉永周等[36]根據中速磨煤機現場振動測試數據，采用ANSYS@程序建立中速磨煤機—基礎耦合體系的有限元模型，分別進行了彈簧隔振基礎和非隔振基礎中速磨煤機的模態分析和諧響應分析?？祹r等[8]針對采用傳統方法建立球磨機料位軟測量模型存在測量精度不高和穩定性較低的缺點，提出一種結合深度信念網絡和極限學習機的軟測量方法。劉卓等[37]針對基于傳統快速傅里葉變換獲得的單尺度筒體振動頻譜難以有效揭示磨機研磨機理和筒體振動信號組成，以及現有文獻中經驗模態分解(EMD)技術預測精度低的問題，提出了基于偏最小二乘算法的多尺度筒體振動頻譜分析與模型構建方法。WJCICKI等[38]介紹了波蘭某礦石選礦廠加工工藝線中球磨機基礎的模態分析結果，模態分析以FEM和OMA兩種方式進行，通過試驗結果驗證并對有限元模型進行了適當的調整。王丹等[39]針對采用振動法對球磨機料位測量時，其特征值存在非線性和隨機性強的問題，引入二型模糊邏輯對球磨機料位進行概念闡釋，基于區間二型T-S模糊系統建立了球磨機料位預測模型。羅小燕等[40]采用小波分析方法對球磨機軸承振動信號進行了關鍵特征提取。劉志剛等[41]通過監測筒體軸承座產生的振動信號，采用Welch法對其進行功率譜估計，分析信號功率譜與磨機筒體內負荷之間的關系，并采用主元分析法(PCA)對振動譜能量值進行降維，得到與負荷高度相關的能量譜成分，最后利用支持向量機(SVM)建立磨機負荷參數分類模型，實現了磨機負荷參數(填充率、料球比)的預測。程瑞輝等[42]針對采用傳統極限學習機在球磨機料位軟測量建模過程中存在魯棒性差、預測精度不高等缺點，提出了一種基于最優定界橢球(Optimal Bounding Ellipsoid，OBE)改進極限學習機(Extreme Learning Ma-chine，ELM)的建模方法。楊小蘭等[43]針對振動磨現有技術中粉碎效率偏低之現狀，進行激振機構動力學分析，利用拉格朗日方程導出其運動方程，構建Adams仿真模型，應用優化的六頻段變正弦變頻激振曲線，仿真模擬出不同頻段下的混沌態數值圖表，如相軌圖、最大Lyapunov指數變化曲線、振幅-振強分布曲線等。PEDRAYES等[44]探索了DEM在頻域表征滾轉球磨機負載扭矩的可能性，通過干磨在不同磨機轉速、待磨顆粒和填充水平條件下一系列模擬和實驗測試，從仿真和隨后的扭矩數據處理中發現了在頻域表征球磨機的負載扭矩的可能性，建立了一種能夠估計磨機填充水平的方法的基礎理論，表明了球磨機的負載轉矩信號包含足夠的信息來明確表征球磨機的負載水平。針對濕式球磨機在磨礦過程中內部負荷靠專家經驗難以準確預測的問題，提出一種基于改進的共生生物搜索(Ameliorated Symbiotic Organisms Search，簡稱ASOS)—極限學習機(Extreme Learning Machine，簡稱ELM)的磨機負荷軟測量方法[45]。李思思等[46]針對工況改變后數據分布差異造成模型失配的問題及球磨機運行時振動信號的不確定性，研究了半監督域適應模糊推理的球磨機負荷參數軟測量方法。YOSHIDA等針對與半自磨機及其相似的球磨機開展了機械振動的特性研究，利用離散元法可以預測磨球和物料顆粒等內容物的運動，估計磨球與磨壁的碰撞力，并采用有限元方法進行振動分析，計算了由DEM估計的碰撞力引起的振動時程響應，通過仿真和實驗研究了材料顆粒直徑的變化對振動特性的影響[47]。XIE等[48]結合剪切沖擊能量模型(SIEM)和離散元法(DEM)，應用粒子碰撞能量譜分析了某工業凹陷磨機切片中充填料對磨機功率、對礦石沖擊能量以及襯板和介質磨損的影響。

4 磨機(半自磨)機械振動力學響應

近年來，研究者們針對磨機(半自磨機)機械振動的驅動機理、對設備基礎的動力作用等做了研究工作。RODRGUEZ等[49]介紹了兩種不同的大功率磨機傳動技術的技術評價和實踐經驗，從磨機驅動源方面重點分析了驅動電機所需的靜態功率變換器和相關控制方案，從電網相互作用、電機相互作用、控制方案等方面分析了循環變換器和負載換相逆變器。豆攀喬等[50]基于結構與設備動力相互作用，現場測試彈簧隔振基礎中速磨煤機的振動反應，根據測試結果評估了中速磨煤機的振動安全性，采用ANSYS(R)程序建立有限元模型，進行模態分析和諧響應分析。孫經周等[51]根據中速磨煤機現場振動測試數據，采用ANSYSOR程序建立中速磨煤機—基礎耦合體系的有限元模型，分別進行了彈簧隔振基礎和非隔振基礎中速磨煤機的模態分析和諧響應分析。彭奕亮等[4]考慮中速磨煤機與基礎的動力相互作用，測試了基礎上、下臺板和設備本體的振動位移和加速度。閆曉芳等[52]為決生產過程中磨煤機振動對設備基礎產生的影響，分別對不同工況條件的磨煤機進行振動測試。

5 結論

通過現有研究成果可知，對于磨機(半自磨)機械振動的研究多集中在振動基本特征、振動信號采集與分析、振動信號的應用、磨機(半自磨)機械振動數據模擬及反演，磨機(半自磨)機械振動是多種運動沖擊力的疊加所致，受磨機轉速、襯板類型和形狀、球徑配比、充填率、料球比、礦漿溫度、礦漿濃度、礦漿黏度、礦漿體積等眾多因素的影響，其機械振動信號可由速度或加速度傳感器進行有效采集。目前研究主要考慮振動信號的采樣頻率、采樣點數、采樣區域采集而通過使用傳感器獲取磨機(半自磨)振動加速度及速度信號，主要通過信號處理、頻譜分析、模態分析和功率譜分析等方法分析振動信號獲得包括特征頻率分布、頻譜成分和局部峰值特征。國內外學者通過磨機負荷參數軟測量等仿真模擬方法和手段，更好地解決了磨機(半自磨)機械振動過程物料不均、設備內部無法直接觀察、現場監測環境復雜等問題而無法全面掌握磨機(半自磨)振動機機理的問題。但受制于磨機(半自磨)設備基礎的冗余設計，對磨機(半自磨)機械振動力對設備地基、設備廠房的響應研究工作偏少，尤其是地下選礦廠在國內外先例較少，針對磨機(半自磨)機械振動對硐室圍巖的動力響應研究不多。從直觀判斷來看，磨機(半自磨)機械振動與水電機組機械振動、地鐵振動和礦山地下破碎機機械振動的基本特征、信號采集與分析以及機械振動數據數值模擬及反演等方面存在較大的相似性，尤其是對硐室圍巖和建構筑物機械振動響應研究方法、手段具有高度借鑒性，有必要開展硐室圍巖和建構筑物機械振動響應研究。