基于深度學習的煤礦機電設備檢測技術研究

王 靜

（山西省煤炭工業廳煤炭資源地質局， 山西 太原 030045）

引言

煤礦機電設備是保證煤礦高效安全生產的重要工具。隨著我國對能源需求的不斷增大，對于煤炭的開采量也會加大，煤礦井下有大量的用于開采、輸送、通風和排水的機械設備，數量相當龐大。為了保證煤礦安全生產，需要對機電設備進行定期檢查，以發現設備的故障并及時進行維修，從而避免煤礦事故發生，保證煤礦的生產量[1]。近年來，煤礦事故頻頻發生，2020 年全國煤礦發生事故123 起，死亡人數達到228 人，其中大部分的煤礦事故是由于安全基礎工作薄弱、設備故障不能及時查明并排除最終釀成災禍的。所以利用人工智能技術準確識別托輥故障和煤礦井下局部高溫環境工況，將采集到的數據進行融合分析判斷，及時發現潛在隱患報警并進行排除，將會有效避免煤礦事故的發生。

傳統的煤礦機電設備的檢測主要是采用人工進行，并且主要是依靠工人的經驗和簡單檢測裝置進行測量，最終檢測結果的可信度不高，且容易導致檢測結果錯誤的問題，最終有可能引發煤礦事故[2]。隨著人工智能技術的不斷發展，傳統的利用人工進行設備檢測的方式暴露出很多弊端，迫切要求對機電設備的檢測實現智能化和智慧化。為此，本文首次提出了利用人工智能技術搭建煤礦機電設備智能檢測系統方案，將人工智能技術融入煤礦機電設備的智能檢測，通過對煤礦機電設備常見故障進行分析，提出利用人工智能技術進行設備檢測的可能性和可行性，隨后分析了人工智能技術用于設備故障檢測的關鍵技術方案，通過現場應用得出人工智能技術設備檢測的效果和結論。

1 煤礦機電設備常見故障類型

煤礦機電設備的故障需要根據設備自身結構的構造和實際的工作狀況進行分析，常見的設備故障類型[3]分別是設備性能參數的下降，振動的異常、聲響異常，磨損殘留物的劇烈增加，排氣成分的變化，過熱現象，裂紋的形成與擴展，電壓和電流的劇烈變化等。具體的故障類型和詳細的表現形式總結如下：首先是設備的損壞型故障，包括設備的斷裂、裂開、點蝕、燒蝕、變形、拉傷、龜裂、壓痕等。隨后是設備的退化型故障，包括設備的老化、變質、剝落、異常磨損等，然后是設備的松脫型故障，包括松動和脫落等，還有設備的失調型故障，壓力過高或過低、行程失調、間隙過大或過小、干涉等；設備的堵塞與滲漏型的故障，堵塞、漏水、漏氣、滲油等；最后是性能衰退或功能失效型故障模式，如功能失效、性能衰退、過熱等[4]。

設備發生故障后需要對設備的故障進行分析，傳統的人工分析方式主要是依靠經驗，憑借以往對于相同設備或類似設備出現運行異常問題，首先分析故障的表現形式，隨后對故障可能的原因進行羅列，并且對故障的原因逐個進行檢查和分析，最終篩選出實際的故障并進行維修。在設備檢測過程中該方式耗費的時間較長，同時需要的勞動力成本較大，某個煤礦用于機電設備的檢測和故障診斷的工人數量超過幾百人，所以迫切要求采用先進的智能化檢測技術取代傳統的人工檢測，以提高檢測準確度和速度，有利于提高煤礦生產效率。

2 基于深度學習的煤礦機電設備檢測方案

2.1 基于神經網絡的煤礦機電設備故障診斷原理

神經網絡是一種模仿動物神經網絡行為特征進行分布并進行信息處理的算法數學模型，主要包括輸入層、中間層和輸出層三層布置，通過建立各個節點之間的聯系使得整個系統更加復雜，處理信息更加準確。目前神經網絡廣泛應用于機器學習領域，如對帶式輸送機托輥的故障檢測與診斷、帶式輸送機異物的識別與跑偏的識別等[5]。

對于常用的BP 神經網絡算法，其本身并不需要分析兩種元素之間的對應關系，只需要設置對應的輸入層和隱藏層，通過自主學習自動識別大量的輸入和輸出的對應關系，實現輸入-輸出的模式映射關系。如圖1 所示為BP 神經網絡拓撲結構圖，包括三層結構。

圖1 BP 神經網絡拓撲結構圖

BP 神經網絡包括三層結構，分別是輸入層、隱藏層和輸出層，是一種按誤差傳播算法訓練的多層前饋網絡，學習的主要規格是使用最速下降法，通過不斷自動調整網絡的權重，使得網絡的誤差平方和最小，從而達到優化。

圖2 所示為神經網絡BP 神經網絡的學習過程與故障診斷機理示意圖。

采用如圖2 所示的BP 神經網絡算法，首先需要獲取到足夠多的樣本參數，通過現場實際獲取到的大量樣本參數作為神經網絡的訓練樣本。只有數據足夠多，才能夠保證訓練出的樣本更加符合實際工況，輸入模型中的外部測試數據與模型中已有的樣本特征進行比對，最終輸出故障診斷的結果。

圖2 BP 神經網絡的學習過程與故障診斷機理

2.2 基于機器學習的故障庫和專家庫系統設計

針對傳統的利用BP 神經網絡進行機電設備故障檢測需要大量的模型進行訓練，要求樣本具有足夠多的數據，為了得到最終合理的結果，工作量較大，為此提出了利用深度學習技術開發出故障專家系統識別煤礦機電設備故障，目前國內利用專家系統的案例并不多，尤其是在煤礦井下機電設備檢測方面，通過搭建煤礦井下機電設備故障專家系統實現快速檢測和識別。

專家系統是作為一種“基于知識”的人工智能診斷系統，主要通過自身的知識和經驗，對所對應的模擬人類專家的一些決策過程解決需要專家處理的復雜問題，進行推理和判斷。如圖3 所示為專家系統流程圖。

圖3 專家系統故障診斷流程圖

專家系統主要由知識庫、推理機、綜合數據庫、解釋程序和知識獲取程序五部分組成，通過人機交互界面實現用戶、專家與整個專家系統的交互，包括對專家系統進行輸入專業知識和解釋定義知識概念和功能等。從圖3 中可知，在故障診斷系統中引入了知識庫管理和維護模塊、測量模塊，通過傳感器采集故障信號，利用神經網絡算法對故障信號進行初步提取和過濾，并對某些關鍵特征信號進行加強，最后收錄到數據庫中，通過推理機得到故障類型和診斷結果，作為知識庫管理和維護模塊的參考輸入，豐富完善故障知識庫，實現故障自學習、自動診斷。

3 現場應用案例與效果

將本次設計的這套新型機電設備智能檢測系統布置在煤礦井下，利用傳感器將所有機電設備連接到中央控制器，通過現場接線和調試，建立煤礦井下機電設備智能檢測系統人機操作界面。利用該套系統可以實現對機電設備的智能實時在線監控，并且當設備發生故障時會及時進行報警，事故發現率高達98.95%，報警響應時間＜8 s，大大降低了傳統的設備檢測成本，提高了設備的檢測效率，從而有效避免煤礦事故的發生，保證煤礦安全高效生產。

4 結語

針對傳統的煤礦機電設備檢測存在工人勞動強度大、檢測技術落后、檢測誤報率較高等問題，本文通過對煤礦機電設備常見故障進行分析，利用人工智能技術搭建了煤礦機電設備智能檢測系統方案，實現對煤礦機電設備的故障檢測和運行檢測，提出了一種新的檢測方法和手段，通過現場應用表明：該套智能檢測方案響應速度快、設備檢測準確度高、可在線進行監控、減少了人為參與，不再受工作人員經驗的限制，降低了傳統人工檢測的成本，有效避免煤礦事故發生，保證煤礦開采的安全運行。