煤礦機電設備智能化維護研究現狀與發展趨勢

劉媛媛

(煤炭科學技術研究院有限公司， 北京 100013)

0 引言

礦山建設經歷了人力礦山、機械礦山、數字礦山等階段，正逐步向智慧礦山邁進。智慧礦山將工業物聯網、大數據、人工智能、5G等技術與煤炭開發利用深度融合，從而實現煤礦采掘、運輸、洗選、通風、設備安全管理等全過程智能化運行[1]。

煤礦機電設備包括綜采設備、洗選設備、提升設備、通風設備、供排水設備等，這些設備長時間在惡劣的煤礦生產環境下運轉，易出現不同程度的磨損或故障，不僅影響煤礦開采工作的正常開展，降低企業經濟效益，且故障如不能及時處理，還會降低設備的使用壽命，提高企業運行成本。因此，及時準確掌握煤礦機電設備當前的運行狀態，判斷當前故障并對故障發展趨勢進行預測，對于保障煤礦安全生產具有重要意義。

煤礦機電設備大數據具有大容量、多樣性和實時性的特點，從煤礦機電設備大數據中挖掘信息，高效、準確地識別設備故障，成為煤礦機電設備維護管理面臨的新問題。傳統的診斷識別方法無法滿足大量監測數據的分析處理要求，智能故障診斷與預測方法通過深層挖掘監測數據中所包含的多傳感器故障信息，利用專家系統及各類智能算法識別出設備當前存在的故障隱患，并對其發展趨勢進行評判，從而智能化地提出維護管理意見，大大提高了設備維護管理的可靠性和效率。筆者對煤礦機電設備的智能故障診斷與預測性維護研究現狀進行了總結，對煤礦機電設備智能化維護研究存在的問題進行了分析，展望了煤礦機電設備智能化維護研究的發展趨勢。

1 研究現狀

1.1 故障機理研究

故障機理研究本質上是通過理論或大量的試驗方法，得到能夠反映設備故障狀態下信號特征與設備自身系統參數之間規律的過程[2]。李占芳[3]建立了礦井提升機剛性罐道故障激勵下提升容器的水平、垂直振動模型，并進行了仿真分析，得到了不同罐道故障大小、提升速度和提升載荷對提升容器振動影響的關系曲線，為罐道故障的振動法檢測提供了理論依據。崔國梁等[4]建立了煤礦主要通風機轉子不平衡故障下的動力學模型，并在頻譜圖顯示基頻處較大的頻譜峰值，以此作為主要通風機故障診斷的依據。Liu Yue等[5]建立了彈簧故障下選煤廠振動篩的動力學模型，通過數值模擬得到不同彈簧故障下系統振幅與頻率的相關關系，可用于振動篩的彈簧故障診斷。張延超等[6]對煤礦井下采煤機搖臂傳動系統中齒輪斷齒和點蝕、軸承磨損等問題進行了失效分析，對潤滑油的物理特性進行了試驗和測試分析，揭示其故障機理，為傳動系統設計、使用和維護提供了十分有價值的參考。李偉[7]采用集中參數法建立了較全面的礦用重載帶式輸送機減速器斜齒輪動力學模型，并采用虛擬樣機方法模擬得到不同類型、不同程度故障下的齒輪動力學特征，可用于齒輪故障的快速識別。趙軍[8]根據煤礦通風機的運行特點，建立了喘振邊界線的數學模型，以此為基礎揭示了通風機喘振發生時入口風壓和流量的變化，從而作為診斷故障發生的依據。

從以上研究可看出，對于故障機理的研究主要是針對不同設備，采用不同方法(如動力學方法、有限元方法等)建立設備故障的分析模型，并對模型施加激勵以獲得設備故障動態響應，從而為后續的故障診斷提供評判依據。

1.2 設備狀態監測研究

及時準確地獲取設備當前運行狀態的數據是對設備進行故障診斷和預測性維護的基礎。完整的設備狀態監測系統一般包括傳感器、數據采集裝置、數據傳輸網絡、數據存儲顯示等部分。張旭等[9]設計了雙滾筒采煤機實時監測系統，對采煤機采高狀態、牽引速度、工作面傾角及運行位置進行實時監測，并將相關信息通過CAN總線傳輸至井下分站，再通過工業以太網將數據傳輸到井上監控室，在可視化平臺模擬井下采煤機工作的動態畫面并顯示監測數據。趙端等[10]針對井下工作面的環境及液壓支架分布特點，設計了基于ZigBee技術的井下液壓支架壓力監測系統，實現了液壓支架前柱、后柱和前伸梁壓力值的實時監測與周期性監測，為井上人員分析煤層初次來壓和周期來壓提供了數據。黃丹群[11]采用WaveMesh無線自組網技術設計了井下液壓支架壓力在線監測系統，可實時精確地監測井下液壓支架的壓力變化。毛清華等[12]針對煤礦懸臂式掘進機空間位姿的監測需求，提出了一種多傳感器信息的煤礦懸臂式掘進機空間位姿監測系統方案，該方案利用油缸行程傳感器檢測截割臂姿態角，利用超聲、激光和慣導與地磁融合的組合慣導檢測掘進機機身空間位姿，實現了煤礦懸臂式掘進機位姿實時精確監測。李宏偉等[13]基于RS485和CAN總線，設計了一套煤礦帶式輸送機監控系統，該系統具有監控功能完備、故障定位準確、通信實時可靠等優點。周李兵[14]設計了一種基于STM32F4主控芯片的煤礦機電設備預測性維護用采集計算平臺，該平臺可并行高速采集煤礦機電設備振動、溫度、壓力等數據并實時進行快速傅里葉變換、包絡譜分析等處理，準確判斷機電設備不同部件的運行狀況和故障，滿足現場實時計算、就地分析、靈活布置的需求。

從以上文獻可看出，設備狀態監測的相關研究取得了豐碩成果，針對煤礦機電設備建立了較為完備的狀態監測系統，能夠準確及時地獲取設備參數(如振動、溫度、壓力、電參數、位置、速度等)，并實現了數據顯示、存儲、傳輸等功能，為設備的故障診斷提供了數據支持。

1.3 信號分析與處理研究

對采集得到的信號進行分析和處理是獲取設備故障特征的重要一環，將直接決定診斷的準確性和可靠性。段蛟龍等[15]建立了采煤機搖臂直齒輪局部故障振動信號模型，在此基礎上，分析了行星齒輪結構特征及振動信號產生和變化規律，并進行了試驗，對采集的試驗振動信號進行了頻譜分析，應用頻譜分析法實現了搖臂齒輪局部故障診斷。楊祥等[16]針對振動信號降噪方法中經驗模態分解存在模態混疊等問題，提出了一種基于集合經驗模態分解 (EEMD) 和快速獨立分量分析 (FastICA) 的礦用帶式輸送機驅動滾筒軸承振動信號降噪方法，該方法有效濾除了原始振動信號中包含的噪聲，使得驅動滾筒軸承運行狀態特征信息更加明顯，提高了故障診斷的準確性。朱敏等[17]為解決在復雜信號中提取有用故障信號的問題，提出了一種基于EEMD和小波包的優良降噪算法，用該算法處理振動篩軸承仿真信號，可保留故障信號，濾除其他信號；用該算法分析實測振動篩軸承信號，降噪效果良好。郭文琪等[18]對礦井離心泵振動信號進行小波包分解，提取特征頻段，比較各頻段能量值，縮小頻率分析范圍，并在此基礎上對原動機接線端的電信號進行頻譜分析，將故障特征頻率與3次諧波頻率分離，從而精確提取到故障特征頻率。華偉等[19]針對礦用機電設備齒輪箱故障特征難以提取的問題，提出采用平移不變多小波相鄰系數的降噪方法，提取出齒輪箱的故障特征頻率，為故障診斷提供了準確依據。

從以上文獻可看出，在信號分析與處理研究方面，除了采用傳統的時域、頻域和時頻域分析方法外，還將多種方法結合的手段用于信號處理與特征提取，提高了信號處理效率和處理結果的可靠性。

1.4 診斷與預測算法研究

掌握設備運行狀態后，判定設備當前是否存在故障，并對設備未來的發展趨勢進行預測。王浩宇等[20]基于極限學習機訓練的神經網絡搭建了主要通風機故障診斷模型，設計了一種礦井主要通風機的故障診斷系統，該系統中極限學習機算法運行時間短、故障診斷準確率高，能夠實現主要通風機故障的實時、準確診斷。張梅等[21]基于模糊故障樹和貝葉斯網絡，提出了一種礦井提升機快速故障診斷方法，以礦井提升機液壓制動部分故障為例進行分析，該方法可快速、準確診斷提升機故障類型和故障點。孟憲剛等[22]提出了一種基于模糊Petri網的礦井提升機減速系統故障診斷方法，通過建立提升機故障的模糊Petri網模型，利用與其對應的遞推狀態方程，結合矩陣運算，找出系統中的故障可能性模糊值排序，并依次進行故障排查，還可同時兼顧故障的傳遞性和模糊性，且模型清晰，結構直觀，可以有效提高礦井提升機減速系統故障診斷的效率。曹現剛等[23]提出了基于振動圖像和動態卷積神經網絡(DCNN)的采煤機滾動軸承故障診斷模型，該方法不但識別準確率高且診斷時間短，對復雜高噪聲工況下的滾動軸承故障診斷具有較好的診斷性能。楊健健等[24]提出了變異自適應粒子群優化(VSAPSO)算法，構建VSAPSO-BP神經網絡對掘進機回轉臺不同故障進行監測，可準確有效地監測掘進機回轉臺的異常情況。林廣旭[25]提出了一種基于BP神經網絡的帶式輸送機張緊力預測方法，該方法根據負載與張緊力的函數關系，通過BP神經網絡對帶式輸送機的負載進行預測，根據負載實時預測張緊力，再根據預測的張緊力對帶式輸送機進行自適應調控，該方法的預測精度較高，滿足帶式輸送機張緊力預測的需求。高正中等[26]將Petri網理論應用于井下水泵的故障診斷中，建立了基于模糊Petri網和狀態監測的井下水泵故障診斷模型，該模型以處理后的振動信號作為模糊化的特征向量輸入，并引入神經網絡中的BP算法對網絡參數進行優化訓練，能較準確地找到水泵故障原因，具有較好的準確性和自適應性。

從智能算法的研究現狀來看，主要采用人工神經網絡及機器學習、深度學習等智能算法建立設備故障診斷與預測模型，從而實現故障的智能診斷和預測。

2 存在的問題

(1) 設備的故障機理研究不足。煤礦機電設備往往體積龐大，結構復雜，對于該類型設備進行故障機理研究時，往往需要對研究對象進行一定程度的簡化，才可以建立相應的數學和力學模型，通過仿真等手段驗證模型是否有效，再結合試驗修正模型。過度簡化的數學模型不能完整反映設備本身全部的狀態信息，甚至可能會丟失反映設備故障狀態的重要特征，這會給診斷工作增加難度。因此，在機理研究方面需要進一步深入研究，建立能夠盡可能反映設備狀態的簡化模型(包括數學模型和試驗模型)，合理地添加典型故障。目前對于設備故障機理的研究多集中于設備某種單一故障的機理研究，缺少多故障復合狀態下的故障機理研究，今后需要更多地對設備某部分故障帶來的連鎖反應進行研究。

(2) 煤礦現場的故障數據不足。隨著煤礦信息化程度的不斷提高，獲取設備實時運行狀態的數據已不再困難。但由于監測時間有限，目前獲取的設備運行過程中含有故障的數據較少，而故障數據是對設備故障診斷與預測性維護具有重要意義的數據。目前諸多研究中普遍采用搭建試驗臺或計算機仿真的方法來模擬故障，但是模擬環境下所獲得的故障數據往往比較理想，不能完全真實反映設備實際的運行狀況。因此，仍需長時間不斷采集現場監測數據，最好是設備全生命周期數據，這對于設備的診斷和預測具有重要意義。

(3) 診斷和預測的智能化程度不高。在目前的診斷與預測算法研究中，往往是人為設定或修改相應參數以實現設備正常工作或故障狀態的切換，算法的推廣程度和普適性有待進一步驗證。因此，需進一步研究基于人工智能算法的智能診斷與預測方法。目前研究中的診斷與預測算法大多采用某種單一算法，采用組合式的算法研究較少，同時研究對象更多局限在設備某個部分或零部件，借助海量數據對整個大型設備進行診斷和預測算法的研究較少。因此若能采用多種有效算法組合對設備整體進行診斷與預測，將對設備的智能化維護具有更重要的意義。

3 發展趨勢

(1) 設備早期故障的識別。對煤礦機電設備未來運行狀態進行預判，是設備故障診斷與預知性維護研究的終極目標。要實現該目標，就需要在設備出現故障的早期及時發現故障并采取相應的維護手段。研究應用靈敏度更高的智能傳感器來監測設備，結合隨機共振、盲源分離等方法從強噪聲中提取微弱的特征信號，使得設備早期故障被及時地識別出，從而實現預測性維護。

(2) 復雜機電設備的多故障耦合的診斷與預測。在實際工況環境下，設備故障復雜多變，一個故障源可能引起鏈式反應，導致更大故障發生。采用獨立的診斷方法，已經不能適應實際設備的診斷需求。基于多傳感器信息融合技術的診斷和預測可準確有效地識別出設備存在的所有故障，這對故障診斷與預測性維護的研究具有重要意義。

(3) 仿真與試驗數據對現場設備診斷與預測的指導。仿真與試驗手段仍是獲取典型故障特征的重要手段。深度學習中遷移學習的應用，可有效解決不同數據集之間數據分布差異性的問題，將遷移學習算法作為“橋梁”，建立仿真、試驗數據與現場數據的相關性，為解決仿真與試驗條件和現場條件差異的問題提供數據支持和保障。

4 結語

在智慧礦山建設的背景下，煤礦機電設備的故障診斷與預測性維護必將邁入新階段。隨著人工智能、大數據、物聯網等技術的飛速發展，智能傳感技術結合隨機共振、盲源分離等方法，可及時識別設備早期故障；借助多傳感器信息融合技術可準確有效地識別出設備存在的耦合故障；利用遷移學習算法可以建立仿真、試驗數據與現場數據的相關性，對現場設備進行診斷與預測。今后應從這3個方面展開深入研究，將智能化故障診斷與預測更好地應用于煤礦機電設備的維護管理中，保障設備安全可靠運行。