基于多技术融合的振动筛局部结构损伤精准检测方法研究

基于多技术融合的振动筛局部结构损伤精准检测方法研究一、引言1.1研究背景与意义在现代工业体系中，振动筛作为关键的筛分设备，广泛应用于矿山、冶金、煤炭、化工、建材等众多领域。其工作原理是利用振动电机产生的激振力，使筛面产生周期性振动，从而实现对物料的筛选和分级。在矿山领域，振动筛用于矿石的初筛和精选，能够提高矿物品质和资源利用率，为后续的矿石加工流程提供符合粒度要求的原料；在化工行业，它用于化肥、塑料颗粒、树脂等物料的筛分，确保产品符合粒径要求，保证产品质量的稳定性。在煤炭洗选过程中，振动筛承担着分级、脱水、脱泥等重要工序，对于提升煤炭洗选效率、提高煤炭产品质量起着不可或缺的作用。在建筑领域，振动筛用于混凝土搅拌站中的砂石筛选，有效去除混凝土中的杂质和不合格砂石，保障混凝土的质量和施工效果，同时也可用于建筑垃圾的分类和处理，实现资源的回收利用。振动筛在工业生产中如此关键，然而其工作环境往往十分恶劣。在矿山、冶金等行业，振动筛需要长时间连续运行，不仅要承受巨大的振动荷载，还会受到物料的冲击荷载作用。例如，在大型矿山的开采现场，振动筛每日需处理大量的矿石，矿石在筛分过程中对筛面和筛箱产生频繁的冲击，导致设备部件极易出现磨损、疲劳裂纹等损伤。长期的恶劣工况会导致振动筛的部件磨损加剧，如筛网、轴承等易损件在频繁的振动和物料摩擦下，寿命会大幅缩短；同时，由于振动筛各部件之间的连接部位在长期振动作用下，容易出现松动现象，进而影响设备的整体结构稳定性。这些损伤会逐渐影响振动筛的筛分效果，降低筛分精度和效率，导致产品质量下降。严重时，甚至可能引发设备故障，造成生产线的停产，给企业带来巨大的经济损失。如某化工企业因振动筛的局部结构损伤未及时发现，导致生产出的产品粒度不符合标准，大量产品报废，同时设备故障维修期间的停产也使得企业订单交付延迟，不仅造成了直接的经济损失，还对企业声誉产生了负面影响。传统的振动筛结构损伤检测方法多为离线检测，即需要停机拆卸部件进行观察。这种检测方式不仅耗费大量的时间和人力成本，而且无法及时发现设备在运行过程中出现的损伤，容易造成生产损失。在当今工业生产追求高效、连续、智能化的背景下，传统检测方法已难以满足实际需求。因此，开展振动筛局部结构损伤检测方法的研究具有极其重要的现实意义。通过对振动筛局部结构损伤检测方法的深入研究，能够实现对设备运行状态的实时监测和损伤的早期预警。这有助于企业及时发现设备问题并采取相应的维修措施，避免设备故障的发生，从而提高生产效率，降低因设备故障导致的停产损失。实时监测还能为设备的预防性维护提供科学依据，企业可以根据设备的实际运行状况，合理安排维护计划，减少不必要的维护成本，延长设备的使用寿命。先进的损伤检测方法还能够推动振动筛设备的智能化发展，提升我国在振动筛制造和应用领域的技术水平，增强我国工业企业在国际市场上的竞争力，对整个工业行业的发展起到积极的推动作用。1.2国内外研究现状振动筛局部结构损伤检测技术的研究在国内外都受到了广泛关注，经过多年的发展，取得了一系列重要成果。在国外，振动筛损伤检测技术起步较早。美国、德国、日本等工业发达国家在该领域的研究处于领先地位。美国的一些科研机构和企业致力于将先进的传感技术和信号处理算法应用于振动筛的损伤检测。例如，采用高精度的加速度传感器和应变传感器，能够实时采集振动筛在运行过程中的振动信号和应力应变信号。在信号处理方面，运用先进的频域分析方法，如快速傅里叶变换（FFT）、小波变换等，对采集到的信号进行深入分析，提取出与结构损伤相关的特征信息。德国则侧重于从振动筛的动力学特性和结构力学角度出发，建立精确的数学模型来模拟振动筛的工作过程和损伤演化机制。通过有限元分析软件，对振动筛的结构进行精细建模，分析不同工况下结构的应力分布和变形情况，从而预测可能出现损伤的部位和程度。日本在智能诊断技术方面有着深入的研究，将神经网络、专家系统等人工智能技术引入振动筛损伤检测领域。通过大量的实验数据训练神经网络模型，使其能够准确识别振动筛的不同损伤模式，实现对设备状态的智能评估和故障预警。国内对振动筛局部结构损伤检测技术的研究虽然起步相对较晚，但近年来发展迅速。众多高校和科研机构，如中国矿业大学、东北大学等，在该领域开展了大量的研究工作。中国矿业大学的研究团队针对矿用振动筛，深入研究了其动态特性和故障机理。通过实验模态分析和理论计算相结合的方法，建立了振动筛的模态参数模型，分析了结构损伤对模态参数的影响规律，为损伤检测提供了理论依据。东北大学则专注于振动筛的故障诊断技术研究，提出了基于振动信号特征提取和模式识别的损伤检测方法。通过对振动信号的时域、频域和时频域特征进行提取，利用支持向量机（SVM）、主成分分析（PCA）等模式识别算法，实现了对振动筛局部结构损伤的准确诊断。从检测方法来看，目前主要包括基于振动信号分析的方法、基于应变测量的方法、基于声发射检测的方法以及基于智能算法的方法等。基于振动信号分析的方法是最为常用的，通过分析振动信号的频率、幅值、相位等特征参数，判断振动筛是否存在结构损伤。当振动筛出现局部结构损伤时，其振动信号的某些特征会发生明显变化，如固有频率降低、振动幅值增大、出现异常的谐波成分等。基于应变测量的方法则是通过在振动筛的关键部位粘贴应变片，测量结构在受力过程中的应变变化情况。当结构出现损伤时，应变分布会发生改变，通过对应变数据的分析，可以判断损伤的位置和程度。基于声发射检测的方法利用材料在发生损伤时会产生弹性波的特性，通过布置声发射传感器，接收并分析声发射信号，实现对损伤的实时监测和定位。基于智能算法的方法，如神经网络、深度学习等，通过对大量的正常和损伤状态下的振动筛数据进行学习和训练，建立损伤识别模型，能够自动识别和诊断振动筛的结构损伤。在应用领域方面，振动筛局部结构损伤检测技术在矿山、冶金、煤炭、化工等行业都有广泛的应用。在矿山行业，主要用于矿石筛分设备的状态监测和故障诊断，确保设备的稳定运行，提高矿石的筛分效率和质量。在冶金行业，用于振动筛在高温、高负荷等恶劣工况下的损伤检测，保障生产的连续性和安全性。在煤炭行业，针对煤炭洗选过程中的振动筛，通过实时监测设备的运行状态，及时发现结构损伤，避免因设备故障导致的煤炭质量下降和生产中断。在化工行业，应用于对化工原料和产品进行筛分的振动筛，保证设备的正常运行，确保化工产品的质量符合标准。然而，现有研究仍存在一些不足之处。一方面，不同检测方法都有其局限性。例如，基于振动信号分析的方法对早期微小损伤的检测灵敏度较低，容易受到噪声和其他干扰因素的影响；基于应变测量的方法需要在结构表面粘贴应变片，对结构有一定的破坏，且应变片的布置位置和数量有限，可能无法全面检测到结构的损伤情况；基于声发射检测的方法对声发射信号的分析和解读较为复杂，容易出现误判和漏判。另一方面，现有的损伤检测技术在实际应用中还面临着一些挑战。例如，振动筛的工作环境复杂多变，不同工况下的振动信号特征差异较大，如何建立通用的损伤检测模型，提高检测方法的适应性和鲁棒性，仍是需要解决的问题；此外，目前的研究大多集中在实验室环境下，与实际工业生产中的应用还存在一定的差距，如何将研究成果更好地转化为实际生产力，实现振动筛局部结构损伤检测的工程化应用，也是亟待解决的关键问题。1.3研究内容与方法本研究聚焦于振动筛局部结构损伤检测，旨在攻克传统检测方法的弊端，为工业生产提供高效、精准的设备健康监测方案。以振动筛的关键部件，如筛箱、筛网、横梁、激振器等为研究对象，这些部件在振动筛的运行过程中承受着主要的荷载和应力，是最容易出现损伤的部位。对这些关键部件进行深入研究，能够更有效地实现对振动筛整体结构健康状态的监测和评估。在振动筛结构损伤模型建立方面，深入剖析振动筛的工作原理，对其力学特性进行全面分析。从动力学理论出发，研究振动筛在不同工况下的受力情况，考虑振动荷载、冲击荷载以及物料的摩擦力等多种因素对结构的影响。通过理论推导和数值模拟相结合的方式，构建振动筛结构损伤模型。利用有限元分析软件，如ANSYS、ABAQUS等，对振动筛的结构进行精细化建模，模拟不同类型和程度的损伤，分析损伤对结构动力特性的影响规律，为后续的损伤检测提供理论基础。关于局部结构损伤特征提取，借助先进的振动信号采集设备，如高精度加速度传感器、位移传感器等，在振动筛的关键部位合理布置传感器，全面采集设备在运行过程中的振动信号。运用信号处理技术，包括时域分析、频域分析和时频域分析等方法，对采集到的振动信号进行深入处理和分析。在时域分析中，提取振动信号的均值、方差、峰值指标等特征参数；在频域分析中，通过傅里叶变换等方法，获取信号的频率成分和幅值分布，分析固有频率、模态阻尼比等参数的变化；在时频域分析中，采用小波变换、短时傅里叶变换等方法，捕捉信号在时间和频率上的局部特征，提取与损伤相关的特征信息，如振动信号的突变、谐波成分的增加等。针对损伤辨识算法的研究，以支持向量机、神经网络等智能算法为基础，开展深入的研究和改进。支持向量机（SVM）具有良好的小样本学习能力和泛化性能，通过构建合适的核函数，将低维空间的非线性问题映射到高维空间进行线性分类，实现对振动筛局部结构损伤模式的准确分类。神经网络，如多层感知器（MLP）、卷积神经网络（CNN）等，具有强大的非线性映射能力和自学习能力，通过对大量的正常和损伤状态下的振动筛数据进行训练，学习不同损伤模式下的特征表示，建立损伤辨识模型，实现对损伤的快速、准确诊断。在实际应用中，结合具体的工程需求和数据特点，对这些算法进行优化和改进，提高损伤辨识的准确率和可靠性，为生产运维提供有力的支持。在研究方法上，采用理论分析、实验研究和数据处理相结合的方式。通过广泛查阅国内外相关文献，深入研究振动筛结构损伤的原因、特点和演化规律，为研究提供坚实的理论依据。构建实验平台，模拟振动筛的实际工作环境，对不同损伤状态下的振动筛进行实验测试，采集振动信号和其他相关数据。运用MATLAB、Python等软件进行信号处理、特征提取和算法实现，对实验数据进行深入分析和挖掘，验证理论分析的正确性和算法的有效性。二、振动筛工作原理及局部结构损伤类型分析2.1振动筛工作原理与结构组成振动筛的类型丰富多样，常见的有圆振动筛、直线振动筛、椭圆振动筛、高频振动筛和香蕉振动筛等。不同类型的振动筛在结构和工作原理上既有相似之处，又各具特点，以适应不同行业和物料的筛分需求。圆振动筛是一种多层数的新型振动筛，在矿山、建材等行业应用广泛。其工作原理基于不平衡重激振器的作用。当激振器上的两组偏心块质量和偏心距相等，且同时沿顺时针方向转动时，两组偏心块所受离心力大小相等、方向相同。在各个瞬时位置，两组偏心块产生的离心力在各个方向总是相互叠加，使得筛箱沿激振力的方向作周期性往复振动。物料在筛面上的运动轨迹为圆形或近似圆形，通过这种圆周运动，物料不断地翻转和松散，细粒级有更多机会向料层下部移动，并通过筛孔排出，卡在筛孔中的物料也可以跳出，有效防止筛孔堵塞，从而实现高效筛分。直线振动筛则是利用激振器上两组偏心块同步反向旋转来工作。在各瞬时位置，两组偏心块产生的离心力沿筛箱振动方向（Y方向）的分力总是相互叠加，而其径向（X方向）离心力的分力总是互相抵消，进而形成单一方向的激振力，使得筛箱做周期性往复直线运动。物料在筛面上被不断上抛，在向前运动的过程中，小于筛孔的物料通过筛孔落到下层，经连续跳跃后经出料口流出，完成物料的脱水、脱介和分级作业。该类型振动筛在化工、医药、粮食等行业有着广泛的应用，尤其适用于对筛分精度要求较高的粉状、颗粒状物料的筛选和分级。椭圆振动筛综合了圆振动筛和直线振动筛的优点。其工作时，筛箱的运动轨迹为椭圆形，这种运动方式既能获得较高的物料输送速度，又能促进物料分层，减少堵孔现象，提高筛分效率。在筛分一些粒度范围较宽、性质复杂的物料时，椭圆振动筛表现出明显的优势，在煤炭、矿石等行业得到了越来越多的应用。高频振动筛主要用于细粒物料的筛分，通常筛分物料粒径小于0.5mm。它的工作频率较高，一般在1500-6000次/分钟之间，通过高频振动使物料在筛面上产生微跳跃运动，增加物料与筛孔的接触概率，从而提高细粒物料的透筛率。高频振动筛在选矿、化工等行业中，对于处理细粒级物料具有重要作用，能够有效提高精矿质量和回收率。香蕉振动筛是一种大中型的筛分设备，其筛面安装时有较大的倾斜角，一般为20°左右。运动轨迹为椭圆形，筛分效率较高，功率消耗少，振动强度大（9-12mm）。这种振动筛比较适用于石灰石、碎石、烧结矿、沙砾等中、小颗粒物料的筛分，进料粒度不超过300mm，时产能力不超过1500t。在建筑材料、矿山开采等行业中，香蕉振动筛能够满足大规模物料的筛分需求，为生产提供高效的物料分级服务。尽管振动筛类型多样，但它们的基本结构组成具有一定的共性，主要由激振器、筛箱、筛网、弹性元件（支撑或吊挂装置）以及传动装置等部分组成。激振器是振动筛产生振动的核心部件，其功能是产生激振力。根据产生激振力的方法不同，激振器可分为机械式（包括连杆式和惯性式）、电磁式、液压和气动式等。现代振动筛大多采用惯性式激振器，它主要由电机、偏心块和轴承等组成。电机带动轴承旋转，偏心块随之转动产生偏心力，进而使筛箱产生振动。激振器的性能直接影响振动筛的工作效果，其激振力的大小、频率和方向等参数决定了筛箱的振动特性，如振幅、振动频率和振动方向等，这些特性又进一步影响物料在筛面上的运动状态和筛分效率。筛箱是振动筛的主体工作部分，通常由数个厚度不同的钢板焊接而成，具有一定的强度和刚度。它的主要作用是承载筛网和物料，并在激振器的作用下做周期性振动。筛箱的结构设计需要考虑多方面因素，如物料的性质、处理量、筛分精度等。合理的筛箱结构能够保证振动筛在长时间运行过程中的稳定性和可靠性，减少因振动而产生的疲劳损伤。例如，筛箱的侧板、横梁等部件的厚度和连接方式需要根据振动筛的工作条件进行优化设计，以确保筛箱能够承受较大的振动荷载和物料的冲击荷载。筛网是直接与物料接触并实现筛分功能的关键部件，主要有低碳网、铜网、不锈钢筛网、聚氨酯筛网等。筛网的材质、孔径大小、开孔率以及编织方式等都会影响筛分效果和筛网的使用寿命。不同材质的筛网具有不同的特点，低碳网成本较低，但耐磨性较差；铜网具有良好的导电性和耐腐蚀性，但价格较高；不锈钢筛网则综合性能较好，具有较高的强度、耐磨性和耐腐蚀性，在大多数工业应用中较为常见；聚氨酯筛网具有弹性好、耐磨、耐腐蚀、筛分效率高、噪音低等优点，逐渐得到广泛应用。筛网的孔径大小根据物料的粒度要求进行选择，开孔率则影响着物料的透筛能力和筛分效率，编织方式也会对筛网的强度和筛分精度产生影响。在实际应用中，需要根据物料的特性和筛分要求合理选择筛网。弹性元件在振动筛中起着至关重要的作用，包括主振弹簧和隔振弹簧。主振弹簧的作用是使筛箱做周期运动并用来调整工作点，它的刚度和弹性系数决定了筛箱的振动频率和振幅。隔振弹簧则用于减少传递到基础或构架上的动载荷，起到缓冲和隔振的作用，保护基础结构免受过大的振动影响。振动筛的吊挂或支撑装置中的弹簧，既起主振作用，也起隔振作用。合理选择和布置弹性元件，能够有效提高振动筛的工作稳定性和可靠性，减少设备的磨损和故障发生。例如，在选择弹簧时，需要根据振动筛的工作条件和参数要求，确定弹簧的材质、规格和数量，以确保弹簧能够满足振动筛的振动和隔振需求。传动装置负责将电机的动力传递给激振器，使激振器产生旋转运动。常见的传动装置有皮带传动、联轴器传动等。皮带传动具有结构简单、成本低、安装维护方便等优点，但在传递动力过程中可能会出现打滑现象，影响传动效率和稳定性；联轴器传动则能够实现较为精确的传动，保证激振器的同步运行，但对安装精度要求较高。在实际应用中，需要根据振动筛的工作要求和现场条件选择合适的传动装置。此外，振动筛还可能配备一些辅助装置，如给料装置、卸料装置、防尘装置等。给料装置用于将物料均匀地输送到筛面上，保证筛分过程的连续性和稳定性；卸料装置则负责将筛分后的物料及时排出，避免物料在筛面上堆积；防尘装置用于减少筛分过程中产生的粉尘飞扬，保护环境和操作人员的健康。这些辅助装置虽然不是振动筛的核心部件，但它们对于保证振动筛的正常运行和提高生产效率同样起着重要的作用。2.2局部结构损伤常见类型及原因在振动筛长期的运行过程中，由于受到复杂的力学作用、恶劣的工作环境以及材料自身特性等多种因素的影响，其局部结构容易出现各种损伤。这些损伤不仅会影响振动筛的正常工作性能，降低筛分效率和精度，还可能引发安全事故，给生产带来严重损失。了解振动筛局部结构损伤的常见类型及原因，对于及时发现和预防损伤，保障振动筛的安全稳定运行具有重要意义。筛箱侧板开裂是振动筛较为常见的局部结构损伤类型之一。筛箱作为承载物料和传递振动的关键部件，侧板在工作过程中承受着复杂的应力作用。当筛箱发生异常振动时，激振力与重力方向不再重合，会产生横向分力，而侧板为薄板结构，难以承受过大的横向力，长期作用下便容易扭曲变形，进而产生开裂现象。筛箱侧板的焊接质量不佳也是导致开裂的重要原因。焊接过程中，如果焊缝存在气孔、夹渣、未焊透等缺陷，会在焊缝处形成应力集中点，在振动荷载的反复作用下，这些薄弱部位容易率先出现裂纹，并逐渐扩展导致侧板开裂。例如，在某矿山的振动筛运行过程中，由于筛箱侧板的焊接工艺不过关，使用一段时间后，侧板焊缝处出现了多处开裂，严重影响了振动筛的正常工作，不得不停机进行维修。激振器大梁疲劳裂纹的产生与激振器大梁的受力状态和结构特性密切相关。激振器大梁主要用于安装激振器并传递激振力，在振动筛正常工作时，它不仅要承受激振器的重力及其产生的周期变化的激振力，还要承受筛箱振动产生的惯性力以及自身的重力，受力情况极为复杂。由于激振器大梁通常由钢板拼焊而成，焊接过程中焊缝处不可避免地会产生应力集中现象。尽管在制造过程中会进行热处理以减少应力，但在长期高强度、复杂受力的工况下，结构仍容易出现疲劳损伤，产生裂纹。当裂纹发展到一定程度，会严重削弱大梁的承载能力，甚至导致大梁断裂，引发振动筛的重大故障。筛网磨损是振动筛在实际运行中普遍存在的问题。筛网直接与物料接触，在筛分过程中，物料与筛网表面不断摩擦，尤其是当物料中含有硬度较高的颗粒时，这种摩擦作用更为剧烈，会导致筛网表面的材料逐渐磨损。如果筛网的材质选择不当，其耐磨性无法满足工作要求，就会加速筛网的磨损。例如，在处理硬度较大的矿石时，若选用普通的低碳钢筛网，其使用寿命会远远低于不锈钢筛网或聚氨酯筛网。筛网的安装方式也会对其磨损情况产生影响。如果筛网在安装过程中没有铺平拉紧，物料在筛网上跳动下滑时，作用力分布不均，会导致筛网局部磨损加剧。在一些振动筛中，由于筛网安装不规范，筛网边缘处的磨损速度明显快于其他部位，使得筛网的整体使用寿命缩短。轴承损坏是振动筛常见的局部结构损伤类型，对振动筛的正常运行影响较大。激振器轴承作为连接激振器与驱动装置的关键零部件，与一般的旋转机械相比，其工作条件更为恶劣。它的外圈通过结合面固定在与筛箱相连的轴承座上，承受着筛箱往复式周期性变动的作用力，承载负荷大、频率高。激振器轴承转速较高，且工作环境中往往存在灰尘、水汽等杂质，对润滑要求较高。若轴承内外圈与滚动体之间出现磨损，会导致轴承点蚀故障的发生，使轴承温度升高，径向间隙变小，严重时会出现轴承“抱轴”现象，影响生产。当设备偏心块在长时间使用后掉落或偏心块大小不一致时，直线振荡筛激振器带动对称的偏心块结构产生高速工作，会导致设备转速异常，容易产生摩擦和温升，损害轴承。例如，在某化工企业的振动筛运行中，由于轴承润滑不良，加上工作环境中的粉尘进入轴承内部，导致轴承磨损加剧，最终出现轴承“抱轴”故障，使得生产线被迫停产。横梁断裂也是振动筛可能出现的局部结构损伤。横梁在振动筛中起着支撑和连接的重要作用，当振动筛工作时间过长，螺栓可能会出现松弛现象，弹簧也可能发生变形，这会导致振动筛两边出现高低差，使横梁承受的应力分布不均匀，从而增加横梁断裂的风险。如果振动筛在设计或制造过程中存在缺陷，例如横梁的强度不足、结构不合理等，也容易在长期运行过程中发生断裂。在一些小型振动筛中，由于为了降低成本而选用了强度较低的横梁材料，在使用一段时间后，横梁就出现了断裂的情况。2.3局部结构损伤对振动筛性能的影响振动筛作为工业生产中关键的筛分设备，其局部结构损伤会对设备的性能产生多方面的不良影响，这些影响不仅会降低生产效率，还可能导致产品质量下降，甚至引发安全事故，给企业带来巨大的经济损失。筛箱侧板开裂会严重影响振动筛的整体结构稳定性。侧板是筛箱的重要组成部分，承担着承受物料冲击和传递振动的重要作用。一旦侧板出现开裂，筛箱在振动过程中的刚度会显著降低，导致筛箱振动加剧，产生异常的振动噪声。这种异常振动会使物料在筛面上的运动状态变得不稳定，难以实现均匀筛分，从而降低筛分效率。开裂的侧板还可能导致筛箱的变形，进一步影响筛网的张紧度和平整度，使筛网更容易出现破损，影响筛分精度。在某矿山的振动筛运行中，由于筛箱侧板开裂未及时发现，振动筛在运行过程中出现剧烈晃动，物料筛分不均匀，大量物料未被有效筛分就直接排出，导致产品质量严重下降，同时也对设备的其他部件造成了额外的磨损。激振器大梁疲劳裂纹的产生会改变振动筛的动力学特性。激振器大梁是传递激振力的关键部件，其健康状况直接影响激振器的工作效果。当大梁出现疲劳裂纹时，激振器的振动传递会受到阻碍，导致激振力分布不均匀，筛箱的振动幅度和频率发生变化。这会使得物料在筛面上的跳动和滑动规律被打乱，物料无法充分与筛网接触，降低了物料的透筛概率，进而影响筛分效率。裂纹的扩展还可能导致大梁的断裂，使激振器无法正常工作，造成振动筛停机，严重影响生产的连续性。例如，在某化工企业的振动筛中，激振器大梁出现疲劳裂纹后，振动筛的振动变得异常，物料筛分效果大幅下降，企业不得不紧急停机进行维修，造成了大量的生产损失。筛网磨损会直接影响筛分精度和效率。筛网是实现物料筛分的关键部件，其孔径大小和开孔率决定了筛分的粒度和透筛能力。随着筛网的磨损，筛孔会逐渐变大，原本应该被拦截的物料可能会通过磨损变大的筛孔漏下，导致筛分精度下降。筛网磨损还会使筛面的平整度受到破坏，物料在筛面上的运动变得不均匀，部分区域的物料堆积过多，而部分区域的物料则无法充分筛分，进一步降低了筛分效率。筛网的磨损还会缩短筛网的使用寿命，增加设备的维护成本。在某煤炭洗选厂的振动筛中，由于筛网磨损严重，筛孔变大，大量不符合粒度要求的煤炭被混入精煤中，导致精煤质量下降，同时频繁更换筛网也增加了生产成本和停机时间。轴承损坏会导致振动筛的运行出现故障。轴承是连接激振器和筛箱的关键部件，起着支撑和传递动力的作用。当轴承损坏时，其转动的平稳性会受到影响，产生异常的振动和噪声。这种异常振动会通过激振器传递到筛箱，使筛箱的振动变得不稳定，影响物料的筛分效果。严重的轴承损坏还可能导致激振器无法正常工作，甚至引发安全事故。在某冶金企业的振动筛中，由于轴承损坏未及时发现，振动筛在运行过程中突然发生剧烈振动，导致筛箱变形，部分部件损坏，不仅造成了设备的严重损坏，还险些引发安全事故。横梁断裂会使振动筛的结构失去平衡。横梁在振动筛中起着支撑和连接筛箱各部分的重要作用，保证筛箱在振动过程中的结构稳定性。当横梁断裂时，筛箱的受力分布会发生改变，导致筛箱出现倾斜或晃动，物料在筛面上的运动轨迹变得不规则，难以实现有效的筛分。横梁断裂还会对筛箱的其他部件造成额外的应力集中，加速其他部件的损坏，进一步影响振动筛的性能和使用寿命。在某建筑材料厂的振动筛中，横梁断裂后，筛箱出现明显的倾斜，物料在筛面上堆积不均，筛分效率急剧下降，同时也对筛箱的侧板和筛网造成了严重的损坏。三、振动筛局部结构损伤检测原理3.1基于动力学的检测原理3.1.1模态分析理论模态分析作为研究结构动力特性的关键方法，在振动筛局部结构损伤检测中占据重要地位。模态，本质上是机械结构的固有振动特性，每一个模态都具有特定的固有频率、阻尼比和模态振型。这些模态参数反映了结构的固有动力学特征，是结构在自由振动状态下的固有属性，与外界激励无关。固有频率是结构在自由振动时的振动频率，它是结构的重要特征参数之一，不同的结构具有不同的固有频率。阻尼比则描述了结构在振动过程中能量耗散的程度，阻尼比越大，振动衰减越快。模态振型则表示结构在某一阶固有频率下的振动形态，它反映了结构各点在振动过程中的相对位移关系。对于振动筛而言，其结构可以看作是一个多自由度的振动系统。在正常工作状态下，振动筛具有特定的模态参数。当振动筛的局部结构出现损伤时，如筛箱侧板开裂、激振器大梁出现疲劳裂纹、筛网磨损或轴承损坏等，结构的质量分布、刚度分布以及阻尼特性都会发生改变。这些变化会导致振动筛的固有频率、阻尼比和模态振型等模态参数发生相应的变化。通过对这些模态参数变化的监测和分析，就可以判断振动筛是否存在局部结构损伤，并进一步确定损伤的位置和程度。以筛箱侧板开裂为例，侧板作为筛箱的重要组成部分，其开裂会导致筛箱局部刚度降低。根据结构动力学理论，刚度的变化会直接影响结构的固有频率。当侧板开裂后，筛箱的固有频率会降低，且开裂程度越严重，固有频率降低越明显。通过测量振动筛的固有频率，并与正常状态下的固有频率进行对比，就可以初步判断筛箱侧板是否存在开裂损伤以及损伤的严重程度。模态振型也会发生变化，开裂部位附近的振型会出现异常，通过对模态振型的分析，可以更准确地确定损伤的位置。在实际应用中，模态分析可以通过计算模态分析和试验模态分析两种方法来实现。计算模态分析是利用有限元分析软件，如ANSYS、ABAQUS等，对振动筛的结构进行离散化处理，建立结构的有限元模型。通过求解有限元模型的特征值问题，可以得到振动筛的固有频率、阻尼比和模态振型等模态参数。这种方法可以在设计阶段对振动筛的结构进行优化分析，预测结构在不同工况下的动态响应，为结构设计提供理论依据。试验模态分析则是通过在振动筛上布置传感器，如加速度传感器、位移传感器等，采集振动筛在激励作用下的振动响应信号。利用信号处理技术和参数识别方法，对采集到的振动响应信号进行分析处理，从而识别出振动筛的模态参数。试验模态分析能够直接反映振动筛在实际工作状态下的动态特性，具有较高的准确性和可靠性。在实际的振动筛局部结构损伤检测中，通常将计算模态分析和试验模态分析相结合，相互验证和补充，以提高损伤检测的准确性和可靠性。3.1.2振动信号与结构损伤的关系振动信号作为反映振动筛运行状态的重要信息载体，其特征参数与结构损伤之间存在着密切的关系。振动信号的频率、幅值、相位等特征在结构损伤时会发生明显的变化，这些变化为振动筛局部结构损伤检测提供了关键依据。从频率特征来看，振动筛在正常工作状态下，其振动信号具有特定的频率成分和分布规律。当结构出现局部损伤时，如筛箱侧板开裂、激振器大梁疲劳裂纹等，结构的刚度和质量分布会发生改变，从而导致振动筛的固有频率发生变化。一般来说，结构损伤会使刚度降低，固有频率下降。在某振动筛的实验研究中，当模拟筛箱侧板出现5mm的裂纹时，通过振动信号分析发现，其固有频率从原来的35Hz下降到了32Hz；当裂纹扩展到10mm时，固有频率进一步下降到29Hz。通过监测振动信号的频率变化，可以及时发现结构损伤的迹象，并根据频率下降的幅度初步判断损伤的程度。损伤还可能导致振动信号中出现一些异常的频率成分，这些异常频率往往与损伤部位的局部振动特性有关。例如，当筛网出现磨损时，由于筛网与物料之间的摩擦状态改变，会在振动信号中产生一些高频的冲击成分，这些高频成分的出现可以作为筛网磨损的一个重要特征。幅值特征也是判断结构损伤的重要依据之一。在正常运行时，振动筛的振动幅值处于一个相对稳定的范围内。当结构发生损伤时，振动幅值会发生变化。对于轴承损坏的情况，由于轴承的转动不平衡，会导致振动筛的振动幅值增大，尤其是在与轴承故障相关的特征频率处，幅值会显著增加。在某工厂的振动筛运行中，当发现轴承出现点蚀故障时，振动信号在轴承故障特征频率120Hz处的幅值比正常状态下增大了3倍。通过监测振动幅值的变化，特别是在特定频率处幅值的异常增大，可以有效地检测出结构的损伤情况。损伤还可能导致振动幅值的分布发生改变，原本均匀分布的幅值可能会出现局部的峰值或谷值，这些异常的幅值分布特征也可以为损伤检测提供线索。相位特征同样能反映结构的损伤情况。在正常情况下，振动筛各部位的振动信号之间存在着一定的相位关系。当结构出现损伤时，这种相位关系会被破坏。以激振器大梁出现疲劳裂纹为例，裂纹的存在会导致大梁的振动传递特性发生变化，使得与大梁相连的其他部件的振动信号相位发生改变。通过对比不同部位振动信号的相位变化，可以判断结构是否存在损伤以及损伤的位置。在某振动筛的实际监测中，当发现激振器大梁出现疲劳裂纹时，位于大梁附近的筛箱侧板振动信号相位与正常状态相比发生了15°的偏移。通过对相位特征的分析，可以为振动筛局部结构损伤的定位提供重要信息。振动信号的时域波形、峭度、裕度等其他特征参数在结构损伤时也会发生相应的变化。时域波形的形状可以反映振动的平稳性和周期性，当结构出现损伤时，时域波形可能会变得不规则，出现毛刺、尖峰等异常现象。峭度和裕度等参数则可以反映振动信号中的冲击成分，当结构受到损伤冲击时，这些参数会明显增大。在实际的振动筛局部结构损伤检测中，需要综合考虑振动信号的多个特征参数，利用先进的信号处理技术和数据分析方法，对振动信号进行深入挖掘和分析，以实现对结构损伤的准确检测和诊断。3.2基于计算机视觉的检测原理3.2.1图像采集与处理技术利用相机采集振动筛图像是基于计算机视觉的振动筛局部结构损伤检测的基础环节。在实际应用中，通常选用工业相机，其具有高分辨率、高帧率和良好的稳定性等优点，能够满足振动筛复杂工作环境下的图像采集需求。为了获取清晰、准确的振动筛图像，需要合理选择相机的安装位置和角度。安装位置应确保相机能够全面覆盖振动筛的关键部位，如筛箱、筛网、激振器等，避免出现拍摄盲区；安装角度则要保证能够清晰地捕捉到这些部位的结构细节和表面状态。在对筛网进行拍摄时，应使相机镜头与筛网平面保持垂直，以减少图像的畸变，确保能够准确地检测到筛网的破损情况。在采集图像时，还需考虑光照条件的影响。由于振动筛的工作环境可能存在光线不均匀、明暗变化大等问题，这会对图像质量产生严重影响，导致图像模糊、细节丢失，从而增加后续图像处理和损伤检测的难度。为了解决这一问题，可以采用主动照明的方式，如使用LED光源对振动筛进行补光，确保拍摄区域光线充足且均匀。还可以通过调整相机的曝光参数，如曝光时间、光圈大小等，来适应不同的光照条件，获取高质量的图像。采集到的原始图像往往包含各种噪声和干扰信息，为了提高图像的质量，便于后续的分析和处理，需要运用图像处理技术对图像进行预处理。双边滤波是一种常用的图像滤波算法，它能够在去除噪声的同时保留图像的边缘信息。与传统的高斯滤波相比，双边滤波不仅考虑了像素间的空间距离关系，还考虑了像素间的灰度相似性。在振动筛图像中，筛网的边缘、筛箱的轮廓等都是重要的结构信息，双边滤波能够有效地保护这些信息，避免在去噪过程中丢失。对于一张包含噪声的振动筛筛网图像，经过双边滤波处理后，噪声得到了明显的抑制，同时筛网的边缘依然清晰锐利。二值化是将彩色或灰度图像转换为只有黑白两种颜色的图像的过程。在振动筛图像中，二值化可以突出显示目标物体，如筛网、物料等，便于后续对其进行特征提取和分析。常用的二值化方法有全局阈值法和局部阈值法。全局阈值法是根据图像的整体灰度分布确定一个固定的阈值，将图像中灰度值大于阈值的像素设置为白色，小于阈值的像素设置为黑色。这种方法简单快速，但对于光照不均匀的图像效果可能不佳。局部阈值法则是根据图像中每个局部区域的灰度分布自适应地确定阈值，能够更好地适应复杂的光照条件。在处理振动筛图像时，如果筛网和背景的灰度差异较大，且光照相对均匀，可以采用全局阈值法进行二值化；如果图像存在明显的光照不均匀问题，则应选择局部阈值法，以获得更好的二值化效果。图像增强技术也是图像处理过程中的重要环节，它可以通过调整图像的对比度、亮度等参数，使图像中的细节更加清晰可见。直方图均衡化是一种常用的图像增强方法，它通过对图像的直方图进行调整，使图像的灰度分布更加均匀，从而增强图像的对比度。在振动筛图像中，直方图均衡化可以使筛网的纹理更加清晰，便于检测筛网的微小破损和磨损痕迹。对于一张对比度较低的振动筛筛网图像，经过直方图均衡化处理后，筛网的纹理细节得到了明显增强，原本难以分辨的微小破损部位也变得清晰可辨。3.2.2筛网破损检测原理通过分析图像中物料粒度、轮廓等信息判断筛网破损是基于计算机视觉的振动筛筛网破损检测的核心原理。在正常情况下，筛网能够有效地对物料进行筛选，使符合粒度要求的物料通过筛孔，而不符合要求的物料则被拦截在筛网上。当筛网出现破损时，筛孔的形状和大小会发生改变，导致物料的筛分过程出现异常，物料的粒度分布和轮廓特征也会相应地发生变化。从物料粒度方面来看，当筛网破损时，较大粒度的物料可能会通过破损的筛孔漏下，从而使通过筛网的物料中出现粒度异常增大的情况。通过对采集到的图像进行分析，可以统计通过筛网的物料的粒度分布情况。利用图像分割技术，将物料从背景中分离出来，然后计算每个物料颗粒的面积、周长等几何参数，并根据这些参数估算物料的粒度。通过对比正常状态下物料的粒度分布和当前图像中物料的粒度分布，如果发现当前图像中出现了大量粒度明显大于正常范围的物料颗粒，就可以初步判断筛网可能存在破损。在某振动筛的实际检测中，正常情况下通过筛网的物料粒度主要集中在0.5-2mm之间，当检测到通过筛网的物料中出现了大量粒度大于5mm的颗粒时，进一步检查发现筛网存在多处破损。物料的轮廓特征也能为筛网破损检测提供重要线索。在正常筛分过程中，物料在筛网上的堆积和流动呈现出一定的规律，其轮廓相对稳定。当筛网破损时，物料在破损部位的流动会发生异常，导致物料的轮廓出现不规则的变化。通过对图像中物料轮廓的提取和分析，可以判断物料的流动状态是否正常。采用边缘检测算法，如Canny算法，提取物料的边缘轮廓，然后分析轮廓的连续性、平滑性等特征。如果发现物料轮廓出现了明显的中断、锯齿状等异常情况，可能意味着筛网在该部位存在破损。在对一张振动筛图像的分析中，发现物料轮廓在某一区域出现了明显的中断，进一步观察发现该区域对应的筛网存在一个较大的破损孔洞。还可以结合机器学习算法对图像中的物料粒度和轮廓信息进行更深入的分析和判断。支持向量机（SVM）、卷积神经网络（CNN）等机器学习算法在图像分类和目标识别领域具有强大的能力。可以将正常状态下的振动筛图像和筛网破损状态下的图像作为训练样本，对机器学习模型进行训练。在训练过程中，模型会学习正常和破损状态下图像中物料粒度、轮廓等特征的差异，从而建立起能够准确识别筛网破损状态的分类模型。当有新的图像输入时，模型可以根据学习到的特征模式，快速准确地判断筛网是否破损。利用卷积神经网络对大量的振动筛图像进行训练，训练后的模型在实际应用中能够准确地识别出筛网的破损情况，准确率达到了95%以上。四、振动筛局部结构损伤检测方法4.1基于振动信号分析的检测方法4.1.1信号采集与预处理在振动筛局部结构损伤检测中，信号采集是获取设备运行状态信息的首要环节，而加速度传感器凭借其独特的优势，成为信号采集的关键设备。加速度传感器基于物体受力产生加速度的原理工作，常采用微机电系统（MEMS）技术制造，内部包含微小的感应质量和弹簧结构。当振动筛运行时，传感器随设备一同振动，感应质量产生相应运动，使弹簧结构变形，传感器将这种变形转换为电信号输出。在实际应用中，需依据振动筛的结构特点和检测要求，合理布置加速度传感器。对于筛箱侧板，可在侧板的四个角以及中心位置布置传感器，以全面监测侧板在不同方向的振动情况。在激振器大梁上，沿着大梁的长度方向间隔布置传感器，重点关注大梁与激振器连接部位以及容易出现应力集中的区域。对于筛网，考虑到其面积较大且振动分布不均匀，可采用阵列式布置传感器，将传感器均匀分布在筛网表面，确保能够准确捕捉筛网各部位的振动信息。在某矿山振动筛的检测中，通过在筛箱侧板和激振器大梁上合理布置加速度传感器，成功监测到了设备在不同工况下的振动信号，为后续的损伤检测提供了丰富的数据支持。采集到的原始振动信号往往包含各种噪声和干扰，这些噪声和干扰会严重影响信号的质量和后续分析的准确性，因此需要进行预处理。滤波是预处理的关键步骤之一，它能够有效去除信号中的噪声。常见的滤波方法有低通滤波、高通滤波和带通滤波等。低通滤波可以去除信号中的高频噪声，使信号更加平滑；高通滤波则用于去除低频噪声，突出信号的高频特征；带通滤波能够保留特定频率范围内的信号，去除其他频率的噪声。在振动筛信号处理中，根据信号的特点和噪声的频率分布，选择合适的滤波方法。若信号中存在50Hz的工频干扰，可采用带阻滤波（陷波）的方式，去除该频率的噪声。降噪也是预处理的重要环节。小波变换是一种常用的降噪方法，它能够在不同尺度上对信号进行分解，将信号分解为不同频率成分。通过设定合适的阈值，对小波系数进行处理，可以有效地去除噪声，同时保留信号的细节信息。在对某振动筛的原始信号进行降噪处理时，采用小波变换方法，选择db4小波基，进行5层分解，通过软阈值处理小波系数，成功去除了信号中的噪声，使信号的信噪比得到了显著提高。自适应滤波也是一种有效的降噪方法，它能够根据信号的实时变化自动调整滤波参数，以适应变化的噪声环境。自适应最小均方（LMS）算法是一种常用的自适应滤波算法，它通过不断调整滤波器的权重，使滤波器的输出与期望输出之间的误差最小化，从而实现对噪声的有效抑制。4.1.2特征提取方法时域特征提取是直接对原始振动信号在时间域上进行分析和处理，提取能够反映振动信号特征的参数。均值是时域特征中的一个基本参数，它表示振动信号在一段时间内的平均幅值，反映了信号的总体水平。对于振动筛正常运行时采集到的振动信号，其均值在一定范围内波动，当筛箱侧板出现开裂等损伤时，振动信号的均值可能会发生明显变化。方差则用于衡量振动信号的离散程度，它反映了信号的波动情况。方差越大，说明信号的波动越剧烈，可能存在异常情况。当振动筛的激振器大梁出现疲劳裂纹时，振动信号的方差会增大，表明大梁的振动状态变得不稳定。峰值是振动信号在一段时间内的最大值，它能够反映振动信号的冲击特性。在振动筛运行过程中，当物料对筛网或筛箱产生冲击时，振动信号会出现峰值。通过监测峰值的大小和出现的频率，可以判断物料的冲击情况以及筛网、筛箱的承受能力。峭度是衡量振动信号幅值分布的参数，它对信号中的冲击成分非常敏感。正常情况下，振动筛的振动信号峭度值相对稳定，当出现轴承损坏等故障时，由于轴承的点蚀、剥落等缺陷会引起周期性的冲击，振动信号的峭度会显著增大。在某振动筛的运行监测中，当发现轴承出现故障时，振动信号的峭度值从正常的3.5左右迅速上升到了8.2。频域特征提取是将振动信号从时域转换到频域，通过对频域信号的分析，提取出与结构损伤相关的特征信息。傅里叶变换是实现时域到频域转换的常用方法，它能够将复杂的时域信号分解为不同频率的正弦和余弦分量，得到信号的幅度谱和相位谱。通过分析幅度谱，可以了解信号中不同频率成分的幅值大小，确定振动筛的固有频率以及是否存在异常的频率成分。当筛网出现磨损时，由于筛网与物料之间的摩擦状态改变，会在振动信号的频域中产生一些高频的冲击成分，这些高频成分的出现可以作为筛网磨损的一个重要特征。功率谱密度表示信号在不同频率上的功率分布，它能够反映信号的能量在频率上的分布情况。在振动筛的损伤检测中，通过分析功率谱密度，可以判断结构在不同频率下的能量消耗情况，从而发现结构的异常变化。当振动筛的筛箱侧板出现损伤时，其在某些特定频率上的功率谱密度会发生改变，通过监测这些变化，可以及时发现侧板的损伤。峰值频率是功率谱密度中幅值最大的频率，它反映了振动信号的主要频率成分。主频则是信号中能量占比最大的频率，它对于判断振动筛的工作状态具有重要意义。当振动筛的激振器出现故障时，其主频可能会发生偏移，通过监测主频的变化，可以判断激振器是否正常工作。时频域特征提取方法能够同时考虑信号在时间和频率上的变化，对于分析非平稳信号具有独特的优势。小波变换是一种常用的时频域分析方法，它通过将原始信号与不同尺度的小波函数进行卷积，得到信号在不同时间和频率上的小波系数。这些小波系数能够反映信号在不同尺度下的局部特征，从而可以有效地提取出信号中的时频特征。在振动筛的损伤检测中，对于一些具有冲击特性的损伤信号，如筛网突然破裂时产生的冲击信号，小波变换能够准确地捕捉到冲击发生的时间和频率信息。通过对小波系数的分析，可以确定损伤的发生时刻以及损伤的严重程度。在某振动筛的实验中，当模拟筛网突然破裂时，利用小波变换分析振动信号，成功地检测到了冲击发生的时间，并通过小波系数的变化判断出了筛网破裂的程度。4.1.3损伤辨识算法支持向量机（SVM）作为一种高效的机器学习算法，在振动筛局部结构损伤辨识中具有独特的优势。其核心思想是通过构建一个最优分类超平面，将不同类别的数据点尽可能地分开。在振动筛损伤辨识中，将正常状态下的振动信号特征和不同类型损伤状态下的振动信号特征作为训练样本，输入到SVM模型中进行训练。在训练过程中，SVM通过寻找一个合适的分类超平面，使得不同类别的样本点到该超平面的距离最大化，这个距离被称为间隔。为了找到最优分类超平面，SVM通过求解一个二次规划问题来确定超平面的参数。在实际应用中，由于振动筛的损伤特征往往是非线性的，直接在原始特征空间中寻找线性分类超平面可能无法取得理想的分类效果。因此，SVM引入了核函数的概念。核函数能够将低维空间中的非线性问题映射到高维空间中，使其在高维空间中变得线性可分。常见的核函数有线性核函数、多项式核函数、径向基核函数（RBF）等。径向基核函数具有良好的局部性和泛化能力，在振动筛损伤辨识中得到了广泛的应用。通过选择合适的核函数和核参数，SVM能够有效地对振动筛的不同损伤模式进行分类。在某振动筛损伤检测实验中，采用径向基核函数的SVM模型对正常、筛网磨损、筛箱侧板开裂三种状态进行分类，准确率达到了90%以上。神经网络，尤其是多层感知器（MLP）和卷积神经网络（CNN），在振动筛局部结构损伤辨识中展现出强大的能力。多层感知器是一种前馈神经网络，它由输入层、隐藏层和输出层组成。在振动筛损伤辨识中，将提取的振动信号特征作为输入层的输入，通过隐藏层的非线性变换，将特征映射到不同的维度，最后在输出层得到损伤类型的预测结果。隐藏层中的神经元通过权重与输入层和其他隐藏层的神经元相连，权重的大小决定了神经元之间的连接强度。在训练过程中，通过反向传播算法不断调整权重，使得网络的预测结果与实际标签之间的误差最小化。卷积神经网络则是一种专门为处理图像和序列数据而设计的神经网络。在振动筛损伤辨识中，虽然处理的是振动信号，但可以将振动信号看作是一种一维的时间序列数据，利用卷积神经网络的卷积层、池化层和全连接层对信号进行特征提取和分类。卷积层通过卷积核在信号上滑动，提取信号的局部特征，池化层则用于对特征进行降维，减少计算量，全连接层将池化后的特征进行整合，输出最终的分类结果。卷积神经网络能够自动学习振动信号中的复杂特征，对于不同类型的损伤具有较高的识别准确率。利用卷积神经网络对振动筛的多种损伤状态进行辨识，在测试集上的准确率达到了95%以上。4.2基于计算机视觉的检测方法4.2.1图像采集系统搭建在基于计算机视觉的振动筛局部结构损伤检测中，图像采集系统的搭建是关键环节，直接影响后续检测的准确性和可靠性。相机选型需综合多方面因素考量。分辨率是重要指标之一，高分辨率相机能捕捉到更清晰、细致的图像细节，对于检测振动筛的微小损伤至关重要。在检测筛网的细微破损时，分辨率为1280×1024的相机相较于分辨率为640×480的相机，能够更清晰地呈现筛网的纹理和破损情况，有助于准确判断破损的位置和程度。帧率也不容忽视，振动筛在运行过程中处于动态变化状态，高帧率相机能够快速捕捉到振动筛的瞬间状态，避免因拍摄速度过慢而导致图像模糊或丢失关键信息。对于运行速度较快的振动筛，选择帧率在100fps以上的相机，可以确保采集到的图像能够真实反映振动筛的实时状态。考虑到振动筛的工作环境通常较为恶劣，存在灰尘、水汽、振动等干扰因素，相机应具备良好的防护性能。工业相机通常具有较高的防护等级，如IP65及以上，能够有效防尘、防水，适应振动筛的工作环境。还需根据实际检测需求，选择合适的相机类型，如面阵相机适用于对振动筛整体结构的检测，能够获取大面积的图像信息；线阵相机则更适合对筛网等细长结构的检测，能够提供高分辨率的线性图像。在某矿山的振动筛检测中，选用了一款分辨率为2048×2048、帧率为150fps、防护等级为IP67的工业面阵相机，能够清晰地拍摄到振动筛在运行过程中的筛箱、筛网等部位的状态，为后续的损伤检测提供了高质量的图像数据。相机的安装位置和角度对图像采集效果有显著影响。安装位置应确保相机能够全面覆盖振动筛的关键部位，避免出现拍摄盲区。在检测筛箱侧板时，可将相机安装在振动筛的侧面，距离筛箱侧板1-2米的位置，且保证相机镜头与筛箱侧板平面垂直，这样可以获取到筛箱侧板完整、无畸变的图像，便于检测侧板是否存在开裂等损伤。对于筛网的检测，相机应安装在筛网的正上方，距离筛网0.5-1米的位置，以清晰拍摄筛网的表面状况，准确检测筛网的破损情况。安装角度的调整也非常重要，不合适的角度可能导致图像变形或部分区域被遮挡，影响检测结果。在安装过程中，可通过现场调试，观察相机拍摄的图像，不断调整相机的角度，直至获取到最佳的图像效果。图像传输与存储方式也需要合理选择。在实际应用中，常用的图像传输接口有USB、IEEE1394、Cameralink、GigE等。USB接口具有通用性强、使用方便等优点，但传输速度相对较慢，适用于对图像传输速度要求不高的场景。IEEE1394接口传输速度较快，稳定性好，但成本较高。Cameralink接口是目前工业相机中传输速度最快的一种总线类型，适用于高分辨率、高速面阵相机或线阵相机的图像传输，但需要额外购买图像采集卡，成本较高。GigE接口基于以太网标准，协议稳定，使用方便，传输距离远，可多台相机同时使用，CPU占用率小，是近年来市场应用的重点。在振动筛图像采集系统中，若相机数量较多且对传输速度要求较高，可选择GigE接口进行图像传输。图像存储方面，可采用硬盘阵列进行大容量存储，确保采集到的图像数据能够安全、稳定地保存，便于后续的数据分析和处理。4.2.2图像处理与分析流程图像处理与分析流程是基于计算机视觉的振动筛局部结构损伤检测的核心环节，通过一系列的图像处理和分析步骤，能够从采集到的图像中提取出与损伤相关的关键信息，实现对振动筛局部结构损伤的准确检测。图像分割是图像处理的首要步骤，其目的是将图像中的目标物体与背景分离，以便后续对目标物体进行单独分析。在振动筛图像中，目标物体可能是筛网、筛箱、物料等。阈值分割法是一种常用的图像分割方法，它根据图像的灰度分布特性，设定一个或多个阈值，将图像中灰度值大于阈值的像素点划分为目标物体，小于阈值的像素点划分为背景。对于振动筛筛网图像，由于筛网与背景的灰度差异较大，可采用全局阈值分割法，将图像二值化，从而清晰地分离出筛网。在某振动筛筛网图像中，通过设定阈值128，将灰度值大于128的像素点设为白色（代表筛网），小于128的像素点设为黑色（代表背景），成功实现了筛网与背景的分割。边缘检测也是图像分割的重要方法之一，它能够提取图像中目标物体的边缘轮廓，为后续的轮廓提取和尺寸计算提供基础。Canny算法是一种经典的边缘检测算法，它具有良好的边缘检测性能，能够检测出图像中连续、清晰的边缘。在振动筛图像中，使用Canny算法可以准确地提取出筛网的边缘轮廓，即使筛网存在微小的破损，其破损部位的边缘也能被清晰地检测出来。在对一张含有微小破损筛网的振动筛图像进行处理时，Canny算法成功地检测出了筛网的边缘，并且清晰地显示出了破损部位的轮廓。轮廓提取是在图像分割的基础上，进一步提取目标物体的轮廓信息。在振动筛图像中，通过轮廓提取可以获取筛网、物料等的轮廓形状和大小。在OpenCV库中，可使用findContours函数来实现轮廓提取。该函数通过对二值图像进行分析，找到图像中的所有轮廓，并将其以点集的形式存储。对于筛网轮廓提取，可先对筛网图像进行二值化处理，然后使用findContours函数提取轮廓。通过对提取到的轮廓进行分析，可以判断筛网是否存在破损、变形等情况。如果筛网轮廓出现不连续、不规则的情况，可能意味着筛网存在破损。尺寸计算是根据提取到的轮廓信息，计算目标物体的尺寸参数，如面积、周长、直径等。在振动筛损伤检测中，尺寸计算对于判断筛网破损程度、物料粒度等具有重要意义。对于筛网破损检测，可通过计算破损部位轮廓的面积和周长，来评估破损的大小和形状。在某振动筛筛网破损检测中，通过计算破损部位轮廓的面积，发现破损面积占筛网总面积的5%，根据预先设定的破损程度判断标准，确定该筛网的破损程度为轻度破损。对于物料粒度检测，可根据物料轮廓的尺寸信息，估算物料的粒径大小。通过计算物料轮廓的等效直径，将等效直径作为物料粒径的估计值，从而判断物料的粒度是否符合要求。4.2.3筛网破损判断标准筛网破损判断标准是基于计算机视觉的振动筛局部结构损伤检测的关键依据，通过明确的判断标准，能够准确地判断筛网是否破损以及破损的程度，为设备的维护和生产的正常运行提供重要支持。物料粒径与筛网孔径的比较是判断筛网破损的重要方法之一。在正常情况下，筛网能够有效地对物料进行筛选，使符合粒度要求的物料通过筛孔，而不符合要求的物料则被拦截在筛网上。当筛网出现破损时，筛孔的形状和大小会发生改变，导致较大粒度的物料可能通过破损的筛孔漏下。因此，通过比较物料粒径与筛网孔径的大小关系，可以初步判断筛网是否破损。当物料粒径不大于筛网孔径时，表明物料能够正常通过筛网，筛网状态正常。在某振动筛的实际检测中，设定筛网孔径为5mm，通过对采集到的图像进行分析，计算出物料的粒径均在5mm以下，说明筛网没有破损，能够正常工作。当物料粒径大于筛网孔径，但小于n倍筛网孔径（n通常根据实际情况确定，一般取值为2-3）时，需要进一步判断筛网状态。若满足该条件的物料粒径数量小于第一预设阈值（第一预设阈值可根据历史数据和实际经验确定），则筛网状态为小面积网孔连通，且破损点数量少。这意味着筛网可能存在一些微小的破损，但破损程度较轻，对筛分效果的影响较小。若满足该条件的物料粒径数量不小于第一预设阈值，则筛网状态为小面积网孔连通，且破损点数量多。此时，筛网的破损情况相对较为严重，可能会对筛分效果产生一定的影响，需要及时关注和处理。当物料粒径大于n倍筛网孔径时，同样需要根据满足该条件的物料粒径数量来判断筛网状态。若物料粒径数量小于第二预设阈值（第二预设阈值也根据实际情况确定），则筛网状态为大面积网孔连通，且破损点数量少。这表明筛网可能存在较大面积的破损，但破损点相对较少。若物料粒径数量不小于第二预设阈值，则筛网状态为大面积网孔连通，且破损点数量多。此时，筛网的破损情况非常严重，已经严重影响到筛分效果，需要立即停机更换筛网。在某振动筛的检测中，设定筛网孔径为5mm，n为2，第一预设阈值为10，第二预设阈值为20。通过对图像的分析，发现有15个物料粒径大于10mm，说明筛网处于大面积网孔连通且破损点数量多的严重破损状态，需要及时更换筛网。五、实验研究与案例分析5.1实验平台搭建为了深入研究振动筛局部结构损伤检测方法，搭建了一个模拟实际工作环境的实验平台，以确保实验结果的可靠性和有效性。实验平台主要由振动筛设备、传感器、图像采集设备以及数据采集与处理系统等部分组成。选用型号为YKR1845的圆振动筛作为实验设备，该型号振动筛在工业生产中应用较为广泛，具有良好的代表性。其主要参数如下：筛面面积为8.1㎡，筛面倾角为20°，给料粒度不超过350mm，处理能力为486-97t/h，电机功率为15kW。在实验前，对振动筛进行了全面的检查和调试，确保其能够正常运行，并对振动筛的关键部件，如筛箱、筛网、激振器等进行了标记和编号，以便后续对不同部件的损伤情况进行监测和分析。在振动筛的关键部位布置了多种类型的传感器，用于采集振动信号和应变信号。在筛箱的四个角以及中心位置各安装了一个PCB352C33型加速度传感器，该传感器灵敏度为100mV/g，频率响应范围为0.5-10000Hz，能够准确测量筛箱在不同方向上的振动加速度。在激振器大梁上，沿着大梁长度方向间隔50cm布置了三个KFG-5-120-C1-11型应变片，用于测量大梁在工作过程中的应变变化。为了监测筛网的振动情况，在筛网表面均匀布置了四个B&K4393型加速度传感器，该传感器具有体积小、重量轻、灵敏度高等优点，适用于对筛网这种轻薄结构的振动测量。所有传感器通过屏蔽电缆连接到数据采集仪，确保信号传输的稳定性和准确性。图像采集设备选用了MV-CE130-30GM型工业相机，其分辨率为1280×1024，帧率为30fps，能够满足对振动筛运行状态进行实时拍摄的需求。将工业相机安装在振动筛的正上方，距离筛网1m的位置，通过调整相机的角度和焦距，确保能够清晰拍摄到筛网和筛箱的表面情况。为了保证图像采集的质量，在相机周围安装了四个LED补光灯，提供均匀的光照条件，避免因光线不足或不均匀导致图像模糊或失真。数据采集与处理系统采用了NICompactDAQ数据采集平台和LabVIEW软件。NICompactDAQ数据采集平台具有高精度、高速度和多通道采集的能力，能够同时采集多个传感器的信号。通过设置合适的采样频率和采样点数，确保采集到的信号能够准确反映振动筛的运行状态。在本次实验中，将加速度传感器和应变片的采样频率设置为1000Hz，每个通道采集1024个数据点。LabVIEW软件则用于对采集到的数据进行实时显示、存储和分析处理。利用LabVIEW强大的信号处理函数库，对振动信号进行滤波、降噪、特征提取等操作，并将处理后的数据进行可视化展示，便于观察和分析。通过搭建上述实验平台，能够全面、准确地采集振动筛在运行过程中的各种数据，为后续的局部结构损伤检测方法研究提供丰富的数据支持。5.2实验方案设计为了全面研究振动筛局部结构损伤检测方法，设计了一套系统的实验方案，旨在模拟不同类型和程度的损伤，采集相应的振动信号和图像数据，为后续的损伤检测和分析提供丰富的数据支持。在模拟不同类型的损伤时，对于筛箱侧板开裂，使用线切割在侧板上制造不同长度和深度的裂纹，裂纹长度分别设置为50mm、100mm和150mm，深度为侧板厚度的1/3、2/3和全贯穿，以模拟不同严重程度的开裂情况。针对激振器大梁疲劳裂纹，采用疲劳试验机对大梁进行循环加载，通过控制加载的应力幅值和循环次数，在大梁上产生不同程度的疲劳裂纹。对于筛网磨损，在筛网上放置一定量的硬质颗粒，如石英砂，让振动筛在运行过程中使颗粒与筛网不断摩擦，模拟筛网的磨损过程。为了模拟轴承损坏，在轴承内圈或外圈制造点蚀缺陷，点蚀坑的直径分别设置为1mm、2mm和3mm，深度为0.5mm、1mm和1.5mm，以模拟不同程度的轴承损坏。在模拟不同程度的损伤时，除了上述对裂纹长度、深度和点蚀坑尺寸的控制外，还通过调整振动筛的运行参数来模拟不同程度的损伤。增加振动筛的工作时间，使损伤在持续的振动作用下逐渐发展和恶化。提高激振器的激振力，加大物料对筛网和筛箱的冲击，从而加速损伤的发展。通过这些方式，全面模拟了振动筛在实际工作中可能出现的不同程度的局部结构损伤。振动信号采集方案中，加速度传感器和应变片等传感器已在实验平台搭建部分详细阐述了其布置位置和型号。在数据采集过程中，利用NICompactDAQ数据采集平台，设置采样频率为1000Hz，每个通道采集1024个数据点。为了确保采集到的数据能够准确反映振动筛的运行状态，在不同的损伤状态下，分别采集多组数据，每组数据采集时间为10s。在筛箱侧板有50mm裂纹的损伤状态下，连续采集5组数据，每组数据之间间隔2s，以获取不同时刻的振动信号。采集的数据通过屏蔽电缆传输到计算机中，利用LabVIEW软件进行实时显示、存储和初步分析。图像采集方案中，工业相机的选型、安装位置和角度也在实验平台搭建部分进行了说明。在图像采集时，设置工业相机的曝光时间为1/1000s，光圈为F8，以确保拍摄的图像清晰、明亮。在不同的损伤状态下，每隔5s拍摄一张振动筛的图像，每次拍摄持续30s，共拍摄6张图像。对于筛网磨损的损伤状态，在磨损过程中，分别在磨损开始后的0s、5s、10s、15s、20s和25s拍摄图像，以记录筛网磨损的发展过程。拍摄的图像通过GigE接口传输到计算机中，存储在专门的图像数据库中，便于后续的图像处理和分析。5.3实验结果与分析通过对实验采集的振动信号和图像数据进行处理和分析，得到了关于振动筛局部结构损伤检测的一系列结果。这些结果为评估检测方法的准确性和可靠性提供了有力依据，也为振动筛的维护和管理提供了重要参考。在振动信号分析方面，以筛箱侧板开裂为例，通过对不同裂纹长度和深度下的振动信号进行时域、频域和时频域分析，提取了多个特征参数。在时域分析中，计算了振动信号的均值、方差、峰值和峭度等参数。结果显示，随着裂纹长度和深度的增加，振动信号的均值和方差呈现逐渐增大的趋势，表明振动的总体水平和波动程度在加剧。峰值和峭度也明显增大，这是因为裂纹的存在导致了振动信号中的冲击成分增加。当裂纹长度从50mm增加到100mm时，振动信号的均值从0.5g增加到0.8g，方差从0.05增加到0.12，峰值从1.2g增加到1.8g，峭度从3.2增加到4.5。在频域分析中，利用傅里叶变换得到了振动信号的频谱图。结果发现，随着裂纹的发展，振动筛的固有频率逐渐降低。当筛箱侧板无裂纹时，固有频率为35Hz；当裂纹长度为50mm时，固有频率降低到33Hz；当裂纹长度增加到100mm时，固有频率进一步降低到30Hz。这是因为裂纹的出现降低了筛箱侧板的刚度，根据结构动力学理论，刚度的降低会导致固有频率下降。还观察到在频谱图中出现了一些新的频率成分，这些新的频率成分与裂纹的振动特性有关，随着裂纹的增大，这些新频率成分的幅值也逐渐增大。时频域分析采用小波变换方法，得到了振动信号在不同时间和频率上的能量分布情况。结果表明，在裂纹出现的时刻和对应的频率上，小波系数的幅值明显增大，能够准确地捕捉到裂纹产生和发展的时间和频率信息。在某一时刻，当筛箱侧板出现裂纹时，小波变换后的时频图在该时刻和特定频率处出现了明显的能量集中，通过对小波系数的分析，可以确定裂纹的出现时间和严重程度。将提取的振动信号特征参数输入到支持向量机（SVM）和神经网络模型中进行损伤辨识。对于SVM模型，采用径向基核函数，通过交叉验证的方法确定了核参数和惩罚因子。在对筛箱侧板开裂损伤的辨识中，SVM模型对不同裂纹长度和深度的分类准确率达到了85%以上。对于神经网络模型，采用多层感知器（MLP）和卷积神经网络（CNN）进行对比实验。MLP模型在训练过程中，通过调整隐藏层的神经元数量和学习率等参数，对筛箱侧板开裂损伤的分类准确率达到了90%。CNN模型由于其对振动信号局部特征的自动提取能力，在损伤辨识中表现出更高的准确率，达到了95%以上。在基于计算机视觉的检测方面，通过对采集的振动筛图像进行处理和分析，成功检测出了筛网的破损情况。在图像分割阶段，采用阈值分割法和边缘检测算法，准确地将筛网从背景中分离出来，并提取出了筛网的边缘轮廓。在对一张筛网图像的处理中，通过设定合适的阈值，将筛网二值化，然后使用Canny算法提取边缘轮廓，得到了清晰的筛网边缘图像。通过轮廓提取和尺寸计算，获取了筛网破损部位的轮廓形状和大小信息。在某一筛网破损图像中，通过计算破损部位轮廓的面积和周长，得到破损面积为5cm²，周长为10cm。根据物料粒径与筛网孔径的比较判断筛网破损程度。在实验中，设定筛网孔径为3mm，通过对图像中物料粒径的测量和统计，发现有部分物料粒径大于6mm，且数量超过了第一预设阈值，判断筛网处于小面积网孔连通且破损点数量多的状态。为了验证基于振动信号分析和基于计算机视觉的检测方法的准确性和可靠性，将两种方法的检测结果进行对比分析。在对同一振动筛的检测中，基于振动信号分析的方法检测出筛箱侧板存在长度为80mm、深度为侧板厚度2/3的裂纹，基于计算机视觉的方法检测出筛网存在小面积网孔连通且破损点数量多的情况。通过实际检查，发现检测结果与实际情况相符，证明了两种检测方法的有效性。与传统的检测方法相比，本文提出的检测方法具有更高的准确性和实时性。传统的检测方法需要停机拆卸设备进行检查，不仅耗时费力，而且无法及时发现设备在运行过程中出现的损伤。而本文的检测方法可以在设备运行过程中实时监测，能够及时发现损伤并准确判断损伤类型和程度。在某工厂的实际应用中，传统检测方法在设备出现故障后才发现损伤，导致生产线停产12小时；而采用本文的检测方法，提前2小时检测到设备的损伤，并及时进行维修，避免了生产线的停产。5.4应用案例分析以某煤矿的振动筛为例，深入探讨振动筛局部结构损伤检测方法的实际应用过程和效果。该煤矿使用的振动筛型号为YKR2460，主要用于煤炭的分级作业，在煤矿的生产流程中起着关键作用。在实际应用中，首先在振动筛上安装了基于振动信号分析和计算机视觉的检测系统。在振动信号采集方面，按照实验中的布置方案，在筛箱的四个角以及中心位置安装了加速度传感器，在激振器大梁上布置了应变片，以实时采集振动信号。在图像采集方面，在振动筛的正上方安装了工业相机，用于拍摄筛网和筛箱的图像。在一段时间的运行监测中，通过振动信号分析系统发现，振动信号的某些特征参数出现了异常变化。筛箱侧板振动信号的均值和方差逐渐增大，固有频率也有所下降。通过对振动信号的进一步分析，利用支持向量机和神经网络模型进行损伤辨识，初步判断筛箱侧板可能存在开裂损伤。同时，基于计算机视觉的检测系统也检测到筛网图像中物料的粒度和轮廓出现异常。通过对物料粒径与筛网孔径的比较，发现有部分物料粒径大于筛网孔径的2倍，且数量超过了预设阈值，判断筛网存在破损。煤矿维修人员根据检测系统的预警，对振动筛进行了停机检查。实际检查结果证实，筛箱侧板确实出现了一条长度约为120mm、深度为侧板厚度2/3的裂纹，筛网也存在多处破损。由于检测系统及时发现了这些损伤，煤矿能够提前安排维修工作，避免了设备故障的发生，减少了因设备停机带来的生产损失。据统计，此次提前检测和维修避免了约50万元的生