在材料加载情况下，用于翻转流式屏幕中屏幕面板的载荷识别方法

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：Load identification methods for screen panels in flip-flow screens under material loading

　　张志红|唐建|熊晓燕|牛成光
太原工业大学机械工程学院，中国太原030024

摘要
振动翻流筛（VFFS）是用于粘性细粒煤深度干法筛分的的关键设备。在不同的筛分条件下，进料参数的变化会改变筛板所承受的拉力负荷，从而影响筛框的振动特性。然而，由于VFFS的结构和工作环境的限制，直接测量这种拉力负荷较为困难。本研究提出了包括多尺度时域特征提取和峰值-谷值过采样的信号处理方法，并开发了一种粒子群优化长短期记忆（PSO-LSTM）算法，用于识别筛板-材料耦合系统的拉力负荷。通过逐步实验方法验证了筛板和材料的耦合模型。结果表明，在不同工作条件下，PSO-LSTM算法对拉力负荷的识别精度高于LSTM和遗传算法-反向传播神经网络（GA-BP）算法，相对误差为11.42%，证明了其在复杂条件下的可行性和稳定性。本研究准确地识别了筛板-材料耦合系统的拉力负荷，为建立更真实的VFFS动态模型提供了基础。

引言
振动翻流筛（VFFS）是煤炭深度干法筛分的关键设备[1]。在筛分过程中，聚氨酯筛板会发生显著的变形和高强度振动[2][3]，为潮湿细煤的干法筛分提供了有效的解决方案。筛板是VFFS的关键部件，其两端分别固定在主筛框和浮动筛框上。在两个筛框的相对运动下，筛板经历周期性的松弛和拉伸，由此产生的变形和应力会影响VFFS的动态特性和筛分性能[4][5]。VFFS的结构和筛分过程如图1所示。
在筛分过程中，进料条件的变化会显著影响筛框的振动行为，从而导致VFFS筛分性能的变化[6][7]。然而，材料并不会直接作用于筛框；而是通过筛板与筛框之间的拉力负荷间接影响筛框的振动特性。由于VFFS的结构和工作环境的限制，这种拉力负荷无法直接测量。
目前，已有研究在不同工作条件下对这种拉力负荷进行了研究。在无负载条件下，Lin等人[4][8]将筛板建模为等效的弹簧-阻尼系统，将筛板对筛框施加的拉力负荷视为非线性弹性恢复力和阻尼力，并通过测量筛板的刚度和阻尼系数来确定这一拉力负荷。Zhang等人[9]提出了一种离散动力学方法，将筛板表示为由多个质量元素组成的离散系统，并通过动态分析获得相邻质量元素之间的拉力负荷。在材料加载条件下，Lin等人[6]将材料视为筛板的附加质量，并将筛板-材料耦合系统建模为剪切弹簧的弹性恢复力，从而确定筛板-材料耦合系统对筛框施加的拉力负荷。此外，对于聚氨酯和橡胶等相似的材料结构，研究人员也进行了相关的研究。Dalisay等人[10]通过瞬态剪切振动测试测量了聚氨酯材料的响应数据，并使用恢复力表面映射方法从实验恢复力表面识别非线性粘弹性恢复力。Yu等人[11]利用有限元分析和数据拟合方法建立了聚氨酯橡胶材料弯曲过程的负荷识别模型，并通过实验验证了模型的准确性。Lei等人[12]提出了顺序卡尔曼估计和最小二乘估计方法，利用结构响应信号识别橡胶隔震结构中的非线性力。Chen等人[13]基于已知物理参数和测量的振动加速度响应，利用状态空间重建和最小二乘法识别了橡胶结构的激励负荷。Ji等人[14]提出了一种基于扩展卡尔曼滤波（EKF）和神经网络的组合模型，通过测试结构动态响应来预测橡胶材料的动态负荷。Dias等人[15]测量了橡胶结构的加速度响应和激励器施加的随机负荷，并在不同温度条件下构建了系统的状态空间模型，实现了橡胶结构的随机负荷识别。
上述分析表明，筛板-材料耦合系统对筛框施加的拉力负荷主要通过经验和近似等效方法来确定。对于其他聚氨酯或橡胶结构，现有研究通过测量结构响应信号间接识别动态负荷，为获得筛板的拉力负荷提供了新的研究途径。

传统的动态负荷识别方法主要依赖于频率响应函数（FRF）矩阵求逆[16]或传递函数矩阵求逆[17]。这些方法的稳定性受测量噪声和病态系统矩阵等因素的影响。正则化方法有效解决了病态问题，主要包括Tikhonov正则化[18][19]、奇异值分解[20]、贝叶斯正则化[21]和迭代正则化方法[22]。同时，Morozov矛盾原理[23]、广义交叉验证（GCV）[24]和L曲线方法[25]是选择正则化参数的有效方法。然而，这些方法本质上依赖于线性传递函数的假设，这限制了它们对非线性系统的适用性[26]。
为了解决非线性系统中的动态负荷识别问题，研究人员提出了扩展卡尔曼滤波（EKF）[27][28]和无迹卡尔曼滤波器（UKF）[29][30]。EKF方法通过计算每个状态的雅可比矩阵来线性化非线性系统，适用于弱非线性结构。UKF需要一组确定的Sigma采样点来处理强非线性问题，在泰勒展开中达到二阶精度。然而，所有卡尔曼滤波器（KF）变体本质上都依赖于准确的系统模型[26]。在筛板-材料耦合系统中，筛板表面的振动幅度会随材料加载而变化[31][32]，其动态特性（如刚度和阻尼）也会受到影响[9]。这导致系统动态参数和负荷特性的不确定性及非线性显著增加，使得建立准确有效的状态空间模型变得困难，从而限制了这些方法在筛板-材料耦合系统中的适用性。
近年来，神经网络和深度学习方法在负荷识别领域得到了广泛应用。反向传播（BP）神经网络是最常用的模型之一。然而，传统的BP神经网络容易陷入局部最优解，难以获得全局最优解[33][34]。因此，研究人员使用智能算法来增强模型的全局搜索能力和预测精度。Zhou等人[35]使用粒子群优化（PSO）优化了BP神经网络，以识别结构动态负荷，表现出较高的识别精度。与传统神经网络相比，深度学习模型在负荷识别方面具有更大的优势。其中，循环神经网络主要用于处理时间序列数据，但它们容易遇到梯度消失的问题[36]。长短期记忆（LSTM）网络通过门控机制有效克服了这一限制[37]。Zhou等人[38]结合LSTM和双向LSTM（BiLSTM）来识别复合板不同位置的冲击负荷。此外，PSO[39]、KF[40]和卷积神经网络（CNN）[41]也被广泛与LSTM结合用于结构负荷识别，并显示出较高的识别精度。
上述研究在结构负荷识别方面取得了显著进展，相关方法已应用于聚氨酯和橡胶等非线性材料结构，以及具有明确激励源和边界条件的系统。然而，本研究的筛板是一种非线性粘弹性结构，材料在整个面板表面随机分布，导致筛板-材料耦合系统没有明确定义的激励源或边界条件。筛板与筛框之间的拉力负荷难以直接量化和准确表征。因此，文献中很少有研究专门针对此类复杂系统的负荷识别进行探讨。
基于上述研究背景和现有挑战，本文建立了一个筛板-材料耦合模型，以研究材料对筛板拉力负荷的影响。提出了一种基于信号特征增强和峰值-谷值过采样的粒子群优化长短期记忆（PSO-LSTM）方法，用于在不同工作条件下识别筛板的拉力负荷，并将其与LSTM和遗传算法优化的反向传播神经网络（GA-BP）方法进行比较，以评估其识别精度和稳定性。

**部分内容摘录**
**负荷识别策略**
在实际工程中，由于VFFS的工作环境恶劣以及筛框的结构限制，直接测量筛板的拉力负荷具有挑战性。因此，需要通过测试结构响应信号来间接识别拉力负荷。

**实验设置和激励特性的确定**
聚氨酯是一种非线性材料，其应力与应变之间的关系会随着应变幅度和应变率等因素的变化而变化，这使得直接测量应力较为困难。然而，应变是表征结构变形响应的参数。它不仅可以揭示筛板的非线性动态响应特性，还可以通过应变计直接测量。因此，本文通过...

**结果与讨论**
基于上述筛板-材料耦合模型，本部分分析了不同材料作用下滑动负荷识别方法的准确性。为了评估负荷识别性能，本研究考虑了三种不同的进料质量工作条件：条件Ⅰ（4公斤）、条件Ⅱ（5公斤）和条件Ⅲ（6公斤）。
材料作为随机负荷作用于筛板，这会干扰负荷识别的准确性。仅使用加速度信号...

**结论**
(1) 为了解决直接获取筛板拉力负荷的挑战，提出了一种基于信号增强的PSO-LSTM方法进行负荷识别。为了获得负荷识别所需的高质量数据，开发了一个筛板-材料耦合模型。
(2) 通过逐步实验验证了筛板-材料耦合模型的准确性。首先通过无负载测试验证了筛板的动态模型。然后，通过...

**作者贡献声明**
张志红：方法论、软件、形式分析、研究、写作——初稿。
唐建：资源、可视化、资金获取。
熊晓燕：概念化、监督、资金获取。
牛成光：形式分析、可视化。

**利益冲突声明**
作者声明没有已知的潜在财务利益或个人关系可能会影响本文报告的工作。

**致谢**
本工作得到了国家自然科学基金（编号51775364）和山西省青年科学家自然科学基金（编号202403021212144）的支持。