基于神經網絡的煤礦供電系統故障診斷技術研究

李飛飛

（山西潞安集團蒲縣伊田煤業有限公司， 山西 臨汾 041000）

引言

隨著我國經濟的高質量發展，國內各行各業對于電力能源的需求日益增大，傳統的煤炭化石能源仍然是發電的主要原料，因此，煤礦需求量仍然很大。煤礦開采首先要建立龐大的煤礦供電系統，為煤礦井下采掘設備、巷道開鑿設備以及巷道的照明燈等提供電能。煤礦井下的電網系統非常復雜，煤礦供電系統一般采用分層結構，線路連接繁瑣、交錯，為了確保煤礦井下電路系統的安全，有多種接地方式，給煤礦井下供電系統的維護和故障檢修帶來困難。此外，煤礦井下環境比較惡劣，時常伴隨著瓦斯、一氧化碳和二氧化碳等有毒有害氣體。當供電系統出現故障不能得到及時的診斷檢修時，非常容易引起煤礦爆炸，造成人員傷亡[1-2]。為此，本文通過對煤礦井下供電系統故障診斷技術進行分析，比較各種故障診斷分析的優缺點，提出了基于神經網絡的煤礦供電系統故障診斷技術，可以有效提高煤礦供電系統故障診斷效率，提高煤礦井下故障識別精度，確保煤礦開采安全、高效。

1 煤礦供電系統故障診斷技術分析

煤礦井下供電系統故障類型主要有電源供電系統故障、電路傳輸系統故障和設備接線故障等。受環境因素影響引起的故障比較多，主要是由于煤礦井下環境與地面環境不同，不同采煤區空氣中的濕度不同，對于線路的連接以及絕緣要求比較高。另外，煤礦井下設備比較多，大功率耗電設備如采煤機、掘進機、帶式輸送機等機械設備的使用，加大了供電系統負載，并在電路系統中產生一定的電流諧波。諧波電流是由于非線性元件和負載所引起，也是目前煤礦供電系統常見的一種故障表現形式，諧波電流會對煤礦供電系統的安全造成很大的影響，如果不能及時發現故障點，會影響到其他設備，如設備過熱、設備供電不足等問題。因此，在煤礦供電系統故障診斷技術中，要能夠識別電路系統中各項參數的變化，對電路系統進行實時監控和預警。

目前，國內的煤礦供電系統故障診斷方法主要有：模糊故障診斷方法和專家系統故障診斷方法[3-5]。

1）模糊故障診斷方法，如圖1 所示。由于煤礦供電系統比較復雜，故障類型比較多，供電系統故障表現出的參數以及環境變化有所不同，需要建立故障和結果一一對應關系，否則將會導致結果的誤判。所以采用模糊理論進行故障診斷需要保證對每一個故障的外部表現形式和所有設備的參數信息建立聯系，結構比較復雜，搭建模糊控制網絡最終得到的結果誤差比較大。

圖1 模糊故障診斷方法

2）專家系統故障診斷方法，如下頁圖2 所示。專家系統對電網進行故障分析時，要通過繼電器保護開關的動作進行實時監測數據。專家診斷系統主要包括人機交互界面、推理機、解釋器以及數據獲取等部分，由于煤礦電網系統比較復雜，構建龐大的知識庫比較困難，而且故障表現與設備問題對應關系不太好掌握，采用專家庫進行故障診斷需要耗費的成本比較高。

圖2 專家系統故障診斷方法

通過以上對國內現有的煤礦供電系統故障診斷方法進行分析，以上方法并不能很好地對煤礦供電系統故障進行診斷。隨著人工智能技術的不斷發展，并廣泛應用于各行各業，通過利用人工神經網絡算法，可以實現對煤礦供電系統故障進行高精度檢測，成本相對比較低，診斷故障的能力更強。

2 基于神經網絡的煤礦供電系統故障診斷技術

神經網絡是人工智能技術的代名詞，能夠通過模仿人類大腦神經系統的結構和功能，對某些輸入信號進行分析和判斷。人工神經網絡的基本處理單元包括輸入單元、輸出單元和隱藏單元等三種類型，輸入單元實現外部信號和數據的輸入，輸出單元是將系統處理后的結果對外輸出[6]。在煤礦供電系統中，人工神經網絡是將電網系統中表現出的故障信息，通過人工神經網絡對輸入的大量樣本數據進行對比分析，從而判斷采集到的故障信號的主要原因，并且對所有的原因進行概率化，從中找出最可能的故障類型。采用人工神經網絡可以避免人工重復進行判斷，最大程度節省處理故障的時間。基于神經網絡的煤礦供電系統故障診斷原理圖，如圖3 所示。

通過搭建故障樹模型，并且對FTA 進行定性和定量分析，從中提取出故障診斷規則，構建出模糊神經網絡模型的初步模型，并且對模型進行不斷訓練，通過對模型進行優化設計，使模型更加符合實際情況。當有外部信號源輸入時，可利用模型進行判斷和處理，并輸出診斷系統確定的最終結果。

3 故障診斷系統抗干擾性能分析

利用神經網絡算法實現煤礦供電系統故障診斷，通過搭建神經網絡故障診斷模型，將外部實測數據輸入模型進行分析。在實際進行故障診斷過程中，往往會出現很多的外部干擾，比如在煤礦供電系統中，電路系統的諧振信號、某臺設備的電壓波動以及電路系統中突然的頻率降低等都會對故障診斷產生一定的干擾。因此，采用特定的流程和過程，去除電路系統中的干擾信號，保證故障診斷的抗干擾能力，才能夠有效確保煤礦供電系統故障診斷的精度和準確度。

為此，本文提出了一種分層過濾的信號處理思想，將獲取到的信號進行分層次初步過濾，第一層去除周期窄帶干擾信號，第二層去除抑制白噪聲，第三層去除脈動干擾，將連續性的和周期性比較高的干擾進行濾波，盡可能多地采集電路系統中脈沖信號。分層過濾抗干擾模型原理圖，如圖4 所示。

圖4 分層抗干擾模型原理圖

通過對搭建好的神經網絡煤礦供電系統故障診斷系統進行信號的初步過濾，可以準確提取到輸入信號中的故障源信息，有利于神經網絡模型的準確判斷和分析，提高故障診斷的精度和故障診斷模型的抗干擾性能。

4 結語

目前煤礦供電系統結構比較復雜，驅動設備較多，加上長期處于多塵、潮濕的環境中，煤礦供電系統故障診斷相對比較困難。國內現有的供電系統故障診斷不適合煤礦井下復雜的環境，為此提出一種在人工智能背景下，基于神經網絡的煤礦供電系統故障診斷技術，利用神經網絡構建起來的故障診斷模型，可以實現對煤礦供電系統故障的準確識別，有效降低了故障診斷成本。