液壓支架常見故障分析及故障診斷研究

朱家宏

（晉能控股煤業集團四臺礦， 山西 大同 037000）

引言

液壓支架作為綜采工作面頂板支護，工作空間維護的主要支護設備，對于企業的安全高效生產至關重要。在日常生產中，由于液壓支架使用環境惡劣、支架負載較高且結構復雜，液壓支架故障發生頻率較為頻繁。作為煤炭開采的重要設備，其故障的發生對企業安全生產影響巨大，嚴重威脅著企業人身財產安全。針對這一現象，本文提出了基于貝葉斯網絡和支持向量機的方法進行液壓支架故障診斷分析，以期及時發現液壓支架故障信息，保障煤炭企業的人身財產安全。

1 液壓支架常見故障分析

現階段，液壓支架的類型有上百種，結構多樣，但常用的液壓支架可分為支撐式、掩護式和支撐掩護式三種[1]。液壓支架工作原理大致相同，主要包括升、推、降、移四個部分，運用閥門控制立柱與千斤頂，乳化液泵站用于提供動力。其具體原理示意圖如圖1 所示。

圖1 液壓支架工作原理示意圖

由于千斤頂、立柱、操作閥以及乳化液泵站在液壓支架工作過程中使用最為頻繁。故該四個部位的故障也為液壓支架故障較為常見的類型。其中，千斤頂的常見故障又包括變形、管路故障、漏液等[2]。具體表現為千斤頂工作動作緩慢，甚至發生無法動作的現象；管路堵塞或者液體泄漏現象。立柱常見故障包括升降故障、安全閥故障、部件變形等。其具體表現為立柱運行時升降緩慢，甚至無法運行；立柱無法承載或者不受控制。操作閥常見故障為閥桿或手把故障。具體表現為手把斷裂或不靈活；操作閥有漏液現象；閥桿變形。乳化液泵的常見故障有泵站壓力過低、容積效率低、動作緩慢、振動與噪聲較大。

2 液壓支架故障診斷研究

本文提出采用因子分析的方法對指標進行降維研究，運用支持向量機的方法進行故障研究分類，使用貝葉斯落網概率的方法進行故障原因推理，以期提高故障診斷效率，減少因液壓支架故障造成的停工停產維修。

2.1 因子分析法

因子分析法是探究變量內部關系的一種方法，主要通過變量的協方差矩陣或系數矩陣將原始變量歸納為綜合變量[3]。因子分析法的具體分析步驟如下：

1）通過標準預處理消除數據的量綱差異，然后通過KMO 與Bartlett 檢驗變量是否有關聯，是否有做因子分析的條件。

2）通過矩陣的構建得出特征值、累計方差貢獻率、方差貢獻率以及特征向量，通過各指標確定綜合變量。

3）通過方差最大化旋轉降低綜合變量的相關程度。

4）對旋轉后的矩陣進行Kaiser 標準化正交旋轉分析，明確綜合變量意義，確定得分系數。

2.2 基于貝葉斯網絡和支持向量機的液壓支架故障診斷方法

貝葉斯網絡法在故障診斷領域中應用已較為廣泛，主要是通過對數據進行分析與推理從而表達變量的不確定關系[4]。支持向量機主要是對數據樣本進行分類，是統計學習理論的具體應用方法。本文擬采用基于貝葉斯網絡和支持向量機的液壓支架故障診斷方法進行故障診斷分析，具體診斷流程如下頁圖2 所示。

圖2 故障診斷流程示意圖

2.3 訓練樣本建立

本數據來源于某企業的ZZ7800/22/45 型液壓支架，共建立兩個訓練樣本，分別選取300 條數據記錄進行訓練樣本的建立分析。其中，訓練樣本1 用于貝葉斯網絡結構與參數學習，對故障原因進行記錄分析；訓練樣本2 用于支持向量故障分類，對故障指標數據進行記錄分析。訓練樣本1 中，以1 代表事件發生，以0 代表事件未發生，以a、b、c、d 代表千斤頂、立柱、操作閥以及乳化液泵站故障，a1～d3 代表相應的故障原因，儲存于Excel 表格中后并保存為CSV 格式，并應用CeNIe 2.0 軟件進行讀取。

訓練樣本2 需運用因子分析法進行降維處理，以便提高模型精度，方便數據觀察。將收集的數據導入SPSS 23 軟件后，可得到KMO 與Bartlett 數據分別為0.908 與0.000，適于做因子分析。其中，公因子方差普遍大于0.8，最小值為0.785，可較好地描述變量。經分析，最終可確定2 個綜合變量，方差貢獻率分別為74.048%與10.477%，累計方差貢獻率為84.521%。最后，通過方差旋轉與Kaiser 標準化正交旋轉分析可得得分系數矩陣，其如表1 所示。其中，A～K 為訓練樣本監測指標，分別為底板比壓、管路壓力損失、立柱下腔壓力、潤滑油溫度、乳化液濃度、移架位移偏差、乳化油油位、頂梁傾角、泵站壓力、乳化液泵流量、電磁閥驅動端電流[5]。

表1 訓練樣本2 成分得分系數矩陣

2.4 模型建立

液壓支架故障診斷模型需進行BN 與SVM 模型建立。其中，BN 模型主要將按故障原因分類后的故障作為證據輸入進行BN 推理，然后按發生概率的大小進行診斷。模型主要通過GeNIe 2.0 軟件進行貝葉斯網絡診斷分析。本文以千斤頂故障為例進行BN 模型構建分析。首先與千斤頂相關數據共有7 個節點，55條記錄，可作為結構學習依據。其次，運用K2 算法進行結構學習。由于K2 算法結構學習所得結構較為復雜，且存在內容不相關現象，故需進行結構優化。最后，依據BN 的結構與訓練樣本1 進行參數學習，使變量關系得以量化。

SVM 故障模型主要是對液壓支架運行時故障發生的數據進行分類與識別。模型主要通過MATLAB中的libsvm-3.23 工具包進行模型構建。將訓練樣本2中的數據按1∶1 的比例劃分為測試集與訓練集，通過對比兩集的數據進行準確率判斷。采用高斯徑向基核函數進行分析，函數主要參數為懲罰系數c 與核參數g。依據過往經驗，對c、g 進行賦值分析后發現，c=1.5 與g=0.2 時，準確率最高，故按上述參數進行SVM 模型構建。

3 實驗對比

按上述方法進行模型建立并應用于實際應用中可以發現：SVM 模型在對130 個測試樣本進行故障診斷時，其準確率為100%，診斷準確率高，其分類結果如圖3 所示。其中，四類類別標簽分別表示千斤頂故障、立柱故障、操作閥故障以及乳化液泵故障。由上頁圖3 可知，實際與預測測試集分類重合，故障診斷準確。對BN 模型進行故障原因分析實驗，最大概率的原因皆為故障發生處，對相應部位檢修可使液壓支架恢復正常，達到故障診斷研究目的。

圖3 模型故障分類結果示意圖

4 結論

1）常見的液壓支架故障主要包括千斤頂故障、立柱故障、操作閥故障以及乳化液泵站故障四大類。

2）采用因子分析的方法對指標進行降維研究，運用支持向量機的方法進行故障研究分類，使用貝葉斯落網概率的方法進行故障原因推理，可完成液壓支架故障診斷研究，SVM 與BN 故障診斷準確，準確率可達100%。