采煤機(jī)在線監(jiān)測(cè)與故障診斷系統(tǒng)研究

桑建偉,劉 赟,郜 彤

(1.山西天地王坡煤業(yè)有限公司,山西 晉城 048021;2.中煤信息技術(shù)(北京)有限公司,北京 100120)

目前,煤礦綜采工作面裝備日趨大型化、自動(dòng)化,國(guó)家不斷加大綜采工作面智能化的建設(shè)力度,采煤機(jī)作為綜采工作面的關(guān)鍵機(jī)電裝備之一,在煤炭生產(chǎn)中占有非常重要的地位。但在實(shí)際生產(chǎn)中,采煤機(jī)不僅受到煤塊的沖擊,還受到水、瓦斯、煤塵等的侵蝕[1],經(jīng)常出現(xiàn)故障停機(jī)的情況[2],所以對(duì)采煤機(jī)進(jìn)行在線監(jiān)測(cè)與預(yù)測(cè)性故障診斷,使采煤機(jī)工作在最佳狀態(tài),減少突發(fā)事故的次數(shù),提高采煤機(jī)工作的可靠性,是煤礦安全、高產(chǎn)、高效的重要保障[3]。在“中國(guó)制造2025”戰(zhàn)略背景下,采煤機(jī)在線監(jiān)測(cè)與故障診斷作為智慧礦山的組成部分,具有重要的現(xiàn)實(shí)意義[4]。

1 采煤機(jī)檢測(cè)故障診斷的挑戰(zhàn)

1.1 數(shù)字化程度低

采煤機(jī)缺少采集關(guān)鍵部位運(yùn)行狀態(tài)的傳感器,數(shù)字化程度較低。設(shè)備運(yùn)行狀態(tài)僅僅局限于簡(jiǎn)單的煤礦工人敲擊觸摸監(jiān)測(cè),單純憑借工人的經(jīng)驗(yàn)來判定故障,可靠性較低。

1.2 數(shù)據(jù)缺失

設(shè)備運(yùn)行數(shù)據(jù)沒有存儲(chǔ)和上傳,無法實(shí)現(xiàn)科學(xué)的監(jiān)測(cè)和診斷。調(diào)研發(fā)現(xiàn),由于礦井環(huán)網(wǎng)建設(shè)落后,很多礦井采煤工作面數(shù)據(jù)無法實(shí)時(shí)上傳;部分礦井雖然安裝了設(shè)備監(jiān)測(cè)系統(tǒng),但僅實(shí)時(shí)顯示數(shù)值,并沒有存儲(chǔ)長(zhǎng)期運(yùn)行的歷史數(shù)據(jù)。

1.3 采煤機(jī)故障診斷模型落后

數(shù)據(jù)驅(qū)動(dòng)的采煤機(jī)在線監(jiān)測(cè)和故障診斷是一項(xiàng)新技術(shù),相關(guān)理論和技術(shù)研究較落后。現(xiàn)場(chǎng)主要憑經(jīng)驗(yàn)對(duì)采煤機(jī)進(jìn)行診斷分析,根據(jù)經(jīng)驗(yàn)設(shè)定單指標(biāo)的報(bào)警限值,當(dāng)設(shè)備達(dá)到警限值時(shí),發(fā)出預(yù)警信號(hào)。此方法局限大、科學(xué)性差。

隨著物聯(lián)網(wǎng)[5]和云計(jì)算[6]等技術(shù)的發(fā)展,獲取數(shù)據(jù)、傳輸數(shù)據(jù)、存儲(chǔ)數(shù)據(jù)的成本和難度大大降低,采煤機(jī)運(yùn)行過程中產(chǎn)生的大量狀態(tài)信息、位置信息、傳感器信息都可以通過工業(yè)互聯(lián)網(wǎng)實(shí)時(shí)傳送到調(diào)度室。將數(shù)據(jù)存儲(chǔ)在InfluxDB等數(shù)據(jù)庫(kù)中,為采煤機(jī)在線監(jiān)測(cè)與故障診斷研究奠定了重要的數(shù)據(jù)基礎(chǔ)[7]。

2 系統(tǒng)構(gòu)建

采煤機(jī)結(jié)構(gòu)復(fù)雜,采煤工作面環(huán)境惡劣,對(duì)其運(yùn)行狀態(tài)在線監(jiān)測(cè)和故障診斷是一個(gè)非常復(fù)雜的過程。本研究基于礦井工業(yè)環(huán)網(wǎng)和物聯(lián)網(wǎng)技術(shù),構(gòu)建了采煤機(jī)在線監(jiān)測(cè)和故障診斷系統(tǒng),系統(tǒng)從下到上分為設(shè)備層、采集層、傳輸層、數(shù)據(jù)層、服務(wù)層和應(yīng)用層,采煤機(jī)在線監(jiān)測(cè)和故障診斷系統(tǒng)結(jié)構(gòu)見圖1。

圖1 采煤機(jī)在線監(jiān)測(cè)和故障診斷系統(tǒng)結(jié)構(gòu)Fig.1 Shearer online monitoring and fault diagnosis system structure

設(shè)備層,重點(diǎn)關(guān)注采煤機(jī)的重要機(jī)械結(jié)構(gòu)。主要包括:采煤機(jī)總體狀態(tài)、主泵、左右牽引部、左右滾筒、左右搖臂、變壓器、變頻器和破碎機(jī)等其他輔助部件。各部分密切配合,完成采煤機(jī)移動(dòng)、落煤、裝煤、降塵等主要生產(chǎn)工作,任何一個(gè)機(jī)械結(jié)構(gòu)產(chǎn)生故障,都會(huì)影響生產(chǎn),需要實(shí)時(shí)關(guān)注。

采集層,通過傳感器采集采煤機(jī)和工作面主要參數(shù)。包括各機(jī)械結(jié)構(gòu)的運(yùn)行狀態(tài),電子元件的開關(guān)狀態(tài),電氣設(shè)備的電流、電壓、功率等參數(shù),工作面風(fēng)速、瓦斯?jié)舛鹊刃畔ⅰ?/p>

傳輸層,主要負(fù)責(zé)將采集的信息實(shí)時(shí)傳送到地面處理中心。數(shù)據(jù)從數(shù)據(jù)采集設(shè)備通過無線通信接入工作面環(huán)網(wǎng)交換機(jī),經(jīng)井下環(huán)網(wǎng)接入地面環(huán)網(wǎng),接入各個(gè)終端設(shè)備,實(shí)時(shí)展示采煤機(jī)健康狀態(tài),為調(diào)度和檢修決策提供直接參考。

數(shù)據(jù)層,主要作用是數(shù)據(jù)的分發(fā)和存儲(chǔ)。InfluxDB著力于高性能地查詢與存儲(chǔ)時(shí)序性數(shù)據(jù),主要用于傳感器等設(shè)備的監(jiān)控?cái)?shù)據(jù)、物聯(lián)網(wǎng)行業(yè)實(shí)時(shí)數(shù)據(jù)等場(chǎng)景。SQL Server關(guān)系數(shù)據(jù)庫(kù),主要存儲(chǔ)設(shè)備屬性數(shù)據(jù),模型參數(shù)等信息。數(shù)據(jù)層負(fù)責(zé)將存儲(chǔ)的數(shù)據(jù)上傳到云平臺(tái),進(jìn)行綜合分析。

服務(wù)層,業(yè)務(wù)核心邏輯實(shí)現(xiàn)功能。包括狀態(tài)監(jiān)測(cè)預(yù)警模型、故障診斷預(yù)測(cè)模型和負(fù)載預(yù)測(cè)預(yù)警模型。該層接受數(shù)據(jù)庫(kù)實(shí)時(shí)數(shù)據(jù),模型分析結(jié)果對(duì)應(yīng)用層提供訪問接口,并與云平臺(tái)交互,不斷更新云平臺(tái)對(duì)模型參數(shù)的優(yōu)化。

應(yīng)用層,可視化展示功能。實(shí)時(shí)展示采煤工作面環(huán)境和采煤機(jī)運(yùn)行狀態(tài)信息,通過訪問接口,展示服務(wù)層分析結(jié)果和統(tǒng)計(jì)信息。移動(dòng)端方便隨時(shí)隨地掌握采煤機(jī)的健康、維修狀態(tài)信息。

3 監(jiān)控指標(biāo)體系

構(gòu)建一個(gè)合理的采煤機(jī)健康管理指標(biāo)體系是在線監(jiān)測(cè)和故障診斷的基礎(chǔ)。采煤機(jī)本身是一個(gè)非常復(fù)雜的系統(tǒng),長(zhǎng)期在惡劣的環(huán)境中工作,各個(gè)核心部件的各項(xiàng)歷史數(shù)據(jù)、實(shí)時(shí)數(shù)據(jù)一定程度上反應(yīng)了采煤機(jī)各個(gè)部件以及整體的健康狀態(tài)。根據(jù)各項(xiàng)數(shù)據(jù)的突變情況,也可以快速定位采煤機(jī)的故障位置和類型,方便對(duì)這個(gè)復(fù)雜系統(tǒng)進(jìn)行預(yù)測(cè)性維護(hù)。本研究遵循指標(biāo)構(gòu)建體系構(gòu)建基本原則,結(jié)合眾多專家學(xué)者的建議和煤礦采煤機(jī)采集、上報(bào)數(shù)據(jù)現(xiàn)狀,構(gòu)建采煤機(jī)健康管理評(píng)估指標(biāo),如表1所示。

表1 采煤機(jī)健康管理指標(biāo)體系Table 1 Health management index system of shearers

4 監(jiān)測(cè)診斷模型

4.1 波動(dòng)率監(jiān)測(cè)預(yù)警

波動(dòng)率反應(yīng)了單個(gè)指標(biāo)的穩(wěn)定狀態(tài),波動(dòng)率變化越小,表示設(shè)備越穩(wěn)定,目前性能較好;若波動(dòng)率變化劇烈且頻繁,則可能是出現(xiàn)故障的前兆。波動(dòng)率計(jì)算公式是為:

V=ln(Yt/Yt-1) .

(1)

式中:V表示采煤機(jī)指標(biāo)的波動(dòng)率；Yt表示t時(shí)刻監(jiān)測(cè)指標(biāo)的值；Yt-1表示t-1時(shí)刻指標(biāo)值。

基于歷史數(shù)據(jù),計(jì)算各個(gè)指標(biāo)波動(dòng)率值的均值和方差,利用正太分布3σ法則或者分位數(shù)法確定指標(biāo)的正常波動(dòng)區(qū)間,變化過程中超過正常波動(dòng)區(qū)間的視為超限異常。在穩(wěn)定工況下,監(jiān)測(cè)的輸入(或者監(jiān)測(cè)值波動(dòng)率)落在正常控制限外,則表明采煤機(jī)的健康出現(xiàn)了較大的異常波。

4.2 基于波動(dòng)率的層次聚類故障診斷模型

層次聚類屬于無監(jiān)督機(jī)器學(xué)習(xí)方法。本研究采用AGglomerative NESting層次聚類算法構(gòu)建采煤機(jī)故障診斷模型(見圖2)。

圖2 故障診斷模型Fig.2 Fault diagnosis model

AGNES故障診斷模型構(gòu)建:

1)獲取表1中采煤機(jī)健康管理指標(biāo)歷史數(shù)據(jù)。對(duì)缺失數(shù)據(jù)、異常值等進(jìn)行適當(dāng)?shù)臄?shù)據(jù)預(yù)處理。

2)計(jì)算各指標(biāo)的波動(dòng)率。將各指標(biāo)歷史數(shù)據(jù)代入公式(1),得到各指標(biāo)的波動(dòng)率數(shù)據(jù)。

3)確定樣本距離度量函數(shù)d和聚類簇?cái)?shù)k。聚類簇?cái)?shù)一般設(shè)為1,之后結(jié)合聚類譜系圖確定。

(2)

(3)

6)運(yùn)用分位數(shù)法確定故障預(yù)警區(qū)間[8]。選擇2.5%,97.5%分位點(diǎn)作為其預(yù)警閾值點(diǎn)。

以每班生產(chǎn)時(shí)間為單位,對(duì)每個(gè)指標(biāo)異常情況進(jìn)行統(tǒng)計(jì)分析,基于每班異常情況的平均值和波動(dòng)情況進(jìn)行故障分析。若采煤機(jī)的各部件都出現(xiàn)異常,則可能地質(zhì)環(huán)境變化較大,或者采煤機(jī)整體性能下降,通常不是采煤機(jī)自身故障引起的。各部件異常情況進(jìn)行橫向?qū)Ρ?若只有少數(shù)部件指標(biāo)異常,例如:采煤機(jī)左滾筒電機(jī)軸承溫度指標(biāo)在某班生產(chǎn)中出現(xiàn)較大異常,其他部件均無異常或異常較小,則可以預(yù)測(cè)采煤機(jī)左滾筒出現(xiàn)故障的可能性較大,建議檢修班重點(diǎn)檢查維修。如果出現(xiàn)某部件每班異常數(shù)量增多,維修頻率提高,該部件可能進(jìn)入損傷階段,對(duì)其壽命進(jìn)行預(yù)警。

5 結(jié)束語

在數(shù)字礦山、智慧礦山及無人工作面的行業(yè)發(fā)展背景下,采煤機(jī)在線監(jiān)測(cè)與故障診斷系統(tǒng)以工業(yè)互聯(lián)網(wǎng)和物聯(lián)網(wǎng)技術(shù)為基礎(chǔ),在礦井重要設(shè)備安全監(jiān)測(cè)和故障診斷預(yù)警方面做出了積極探索。本研究提出了采煤機(jī)在線監(jiān)測(cè)和故障診斷系統(tǒng)架構(gòu),構(gòu)建了健康管理指標(biāo)體系,研究了單指標(biāo)波動(dòng)率異常預(yù)警模型和基于波動(dòng)率的層次聚類故障診斷模型,能夠?qū)崟r(shí)發(fā)現(xiàn)采煤機(jī)異常情況,掌控采煤機(jī)的健康狀態(tài)。為采煤機(jī)合理工況條件的設(shè)定、預(yù)測(cè)性維修、快速故障診斷等提供重要參考。