掘進機故障診斷和技術支持系統的應用研究

李 濤

（中國煤炭科工集團太原研究院有限公司，山西 太原 030006）

引言

隨著煤炭工業的快速發展，功能強大的采煤機應用越來越多，然而其機械結構、控制系統組成相對復雜，且掘進機長期在井下作業，工作環境及其惡劣，故障發生率較高，且故障出現后，巷道內空間狹小，采煤工作中斷的同時，井下維修作業難度非常大，造成了間接經濟損失[1]。近幾年，故障診斷技術在信息技術和網絡技術的支持下應用越來越廣泛，研究故障診斷技術在掘進機中的應用具有重要意義。

1 掘進機故障診斷的發展模式

掘進機是綜合機電液技術一體化產品，整體結構復雜，體積龐大，控制系統形式多樣。常見的懸臂式掘進機組成為8個部分，分別完成煤炭的截割、裝載、轉運輸等任務[2]。傳統掘進機故障診斷的排查依靠專家經驗和理論，該方法存在一定技術困難，尤其是人為排查故障耗時較長，導致維修停產時間也會增加，因此采用新的故障診斷模式將直接提高經濟效益。有專業技術統計表明，技術人員排除掘進機故障時，高達70%以上的時間詳細確定故障原因及其部位，維修時間不足30%，從維修成本的角度來看，預測維修成本只占事后維修成本的40%左右[3]。目前掘進機維護模式分為三種：事后維修、預防性維修和實時維修。三種維修模式中事后維修成本最低，但容易造成長時間停機，而實時維修模式可有效減少故障發生，但檢測成本和對人員要求較高[4]。近50年中三種維修模式變化可以從圖1中看出，其中掘進機實時監控維修模式逐年提升。

圖1 掘進機維修模式的變化

2 故障診斷技術的模型

在傳統的掘進機的設計與制造過程中，往往只注重設備的概念設計、方案論證、制造驗證、設計驗證和實驗測試，尤其是產品樣機的驗證試驗是破壞性的，將實驗數據和結果作為設計的二次輸入，再次修改設計結構，但是很少有企業注重對掘進機故障的預測，尤其是測試過程各種失效的數據記錄，不僅導致設計過程冗長，也會增加設備結構的復雜性，直接增加了掘進機的設計成本和制造周期，也大大制約了產品的更新速度，制約了產品的市場占有率，因此參數監測應該從設計源頭開始進行。

人工神經網絡可以作為故障診斷模型，人工神經網絡模型采用神經元作為網絡系統的基本單元，大量的簡單的神經元形成了神經網絡的總體特性，通過相互連結組成了神經網絡。典型的神經元模型主要由神經元輸入、絡權值和閾值、求和單元、傳遞函數和輸出五部分組成，工作過程如圖2所示，設備狀態特征參數采用灰色預測和神經網絡預測相結合進行故障發展趨勢的預判。

圖2 神經元模型計算過程

3 掘進機故障診斷推理方法

故障診斷模型是掘進機診斷系統的核心，采用合理案例推理和規則推理集成的診斷決策模型是系統準確度的關鍵。案例推理方法將故障數據歸納為三類：定量數據，如電機扭矩和轉速、軸承溫度，原始數據標準化處理并聚類分析；定量邏輯型數據，如電機相位、閥門開關邏輯；定性數據，如振動頻率和幅值，用0、1、2等級模糊表示強度。案例推理處理流程如圖3所示。

圖3 案例推理檢索流程

規則推理是利用行業內專家知識實施推理的一種機制，按照某些規則建立了問題與答案的對照關系，并通過軟件形成專家系統和數據庫，系統運行模式如圖4所示。本文將案例推理和規則推理兩種規則建立故障診斷系統，系統可利用歷史診斷經驗，集成了行業專業領域知識庫，極大提高了系統故障分辨能力和故障診斷準確性。

圖4 規則推理診斷模塊

4 掘進機故障診斷和技術服務效果分析

設備工作期間的運行狀態有一定差距，采集的掘進機狀態特征參數也會有差異，診斷系統會將不同運行模式產生特征參數的變化趨勢進行分析，以獲得其規律性。在計算機技術和網絡技術的快速普及推動下，實現了診斷系統對掘進機定性和定量判斷，也可將數據返回到虛擬模型對掘進機的承載狀態、零部件間的動態作用力進行分析，高效完成故障診斷，且不易受到環境干擾，并可以遠程對使用單位進行技術服務和支持，不僅降低了掘進機廠家的售后成本，也減少了煤炭生產廠家的停車時間。根據經驗計算，采用事后維策略的平均故障排除時間為3.5個工作日，其中檢查尋找故障約為2個工作日，維修及調試時間為1.5個工作日，實時維修策略實施后，可以將故障排除時間縮短至2個工作日，可以提升約40%的工作效率。

掘進機診斷系統通過傳感器將運行狀態實時顯示在控制面板和監控中心，操作人員依靠設備運行參數作出判斷，對掘進機發出正確的工作指令；故障診斷系統將數據保存到服務中數據庫硬盤中，掘進機發生故障報警時，數據可成為故障診斷判斷依據；故障診斷系統集成了掘進機故障查詢、選擇、幫助等功能，并設置了詳細的功能列表，設備廠家和控制中心均可遠程通信，協調處理掘進機設備的故障，技術人員也可對以往案例明細查詢，進而了解故障部件的類型、現象、原因和排除措施等。掘進機診斷系統的應用減少了50%的維修人員，既降低了維修工作的難度和強度，也節約了人工成本。