基于小波變換的煤礦機電設備故障識別方法

張少帥

（陜煤集團神木檸條塔礦業有限公司，陜西 榆林 719300）

0 引 言

隨著科技的發展，我國煤礦機電設備逐漸趨于信息化、智能化，應用效率也得到了明顯的提升，為日常的煤礦挖掘工作提供了極大的便利條件[1]。但近幾年來，由于煤礦工程規模的擴大以及挖掘面積的增加，部分設備常常出現失靈、短路等故障問題，對于工作的執行會形成消極影響。為緩解這一情況，有研究人員通過三相分區塊自動搜尋及溫度對比的過熱區域判定方法，對設備的熱圖像進行分離并調整，判斷是否出現異常升溫，以此實現設備的故障識別[2]。還有研究人員使用核函數估計對設備紅外圖像溫度概率密度函數進行提取，基于溫度概率密度對故障進行分類，采用K均值聚類方法實現對設備故障的識別[3]。雖然上述方法可以完成預期的故障識別任務，但在實際應用過程中，極容易受到外部因素的影響，增加故障識別的誤差，影響故障檢測效率。

小波變換技術是一種新的多維變換分析形式，與傅里葉變換局部化的思想相似，應用于機械設備的故障識別中，可以對機電設備日常運行的頻率進行監測與分析，結合時頻的波動狀態，實現異常區域定位，最大程度降低識別過程中存在的誤差，從根源上降低設備的損壞概率[4]。

為解決現有方法存在的不足，將結合小波變換技術，針對煤礦機電設備故障識別方法進行設計和分析。

1 設計煤礦機電設備小波變換故障識別方法

1.1 異常信號預處理

在對煤礦機電設備小波變換故障識別方法進行設計之前，需要先進行異常信號的預處理。通常情況下，煤礦機電設備的日常應用較為頻繁，一旦發生異常，便極可能對其他運行的裝置形成干擾，形成設備損壞。可以利用監測系統，對機電設備的異常信號進行收集，通過電弧的波動，分析設備的實際運行情況，并計算出時頻值為

式中：D表示時頻值；φ表示異常范圍；κ表示監測距離；?表示異常過濾電弧；i表示過濾次數；v表示設備標定電壓。通過上述計算，最終可以得出實際的時頻值。根據時頻值的變化狀態，可以采集到動態化的異常信號，將信號進行歸類分層，消除異常信號中的繁雜數據，確保異常信號的真實可靠[5]。隨后，將信號轉換為特定的格式，傳輸至對應的處理平臺之中，實現多維過濾，完成對異常信號的預處理[6]。

1.2 提取設備頻段故障特征

在完成對異常信號的預處理之后，接下來，結合小波變換技術，進行設備頻段故障特征的提取與分析。故障頻段實際指的是機電設備的故障特征區域，可以采用小波信號分解方法，測算出小波包分解系數為

式中：K表示小波包分解系數；?表示分解范圍；ψ1表示小波覆蓋區域；ψ1表示小波變換重疊區域；ψ1表示轉換差值；δ表示特征值。通過上述計算，最終可以得出實際的小波包分解系數。結合得出的數值，分析機電設備的運行狀態，并對異常位置進行標記，結合小波解析，縮小設備中異常點頻段的實際位置，對故障特征規律進行總結，具體如圖1所示。

圖1 故障特征異常頻段分析圖示

根據圖1，可以完成對故障特征異常頻段的分析與研究。針對于異常頻段的波動情況，測定出相應的故障數據、信息，完成對設備頻段故障特征的提取[7]。

1.3 機電設備小波變換故障識別模型構建

在完成對設備頻段故障特征的提取之后，接下來，結合小波變換技術，構建機電設備故障識別模型。以傳統的故障識別模型作為基礎，利用增強現實（Augmentecl Realrty，AR）技術進行故障識別空間的構建，并將煤礦機電設備進行定向關聯，模型中設定設備信息查詢功能、遠程指導功能、故障自動識別程序等，針對機電設備異常區域，作出動態化識別，在范圍之內，測定出可識別范圍為

式中：B表示可識別故障范圍；h表示描述標準值，g表示小波過濾次數；d表示定向識別差值；μ表示實時故障范圍。通過上述計算，最終可以得出實際的可識別故障范圍。在標定的范圍之內，結合AR技術，設定模型的基礎故障識別指標參數，具體如表1所示。

表1 小波變換故障識別模型指標設定表

根據表1，可以完成對小波變換故障識別模型指標的設定與調整，隨后，根據基礎故障識別程序，搭配小波變換技術，對機電設備的故障類型進行分類，將模型所采集的數據、信息進行標定轉換，實現深度故障巡檢，與此同時，構建出小波變換故障識別模型結構，具體如圖2所示。

圖2 小波變換故障識別模型結構

根據圖2，可以完成對小波變換故障識別模型結構的設計與分析。采用上述測定，結合深度神經網絡（Deep Neual Network，DNN）訓練程序，進一步完善故障識別程序，再加上多目標隱藏層堆疊而成的神經網絡技術，在小波變換的結構下獲取實際的故障識別結果，為后續機電設備的識別維護提供參考依據。

1.4 DNN訓練處理實現故障識別

在成對機電設備小波變換故障識別模型的構建之后，需要采用DNN訓練法，有針對性地實現故障的識別與處理。可以先利用模型，獲取基礎的識別數據、信息，構建多層級的DNN訓練結構，測定出故障點的實際位置，結合故障識別節點，與標準值相對比，計算出故障識別差，即

式中：N表示故障識別差；?表示識別訓練距離；η1表示預設識別范圍；η2表示實際識別范圍；e表示定向識別次數。通過測定，可以得出實際的故障識別差，完成對機電設備后續故障的控制與維修。

2 方法測試

本次主要是對小波變換小煤礦機電設備故障識別方法的實際應用效果進行分析與研究。考慮到最終測試結果的真實可靠，選擇D工程作為測試的主要目標對象，以對比的形式展開分析，并將文獻[2]提出的故障識別方法、文獻[3]提出的故障識別方法與本文所設計的小波變換故障識別方法共同進行故障檢測的測試。測試得出的結果以比照的方式展開研究，接下來，搭建相應的測試環境。

2.1 測試準備

在對小波變換小煤礦機電設備故障識別方法的實際應用效果進行分析與研究之前，需要先搭建相應的測試環境。D煤礦工程的應用機電設備種類較多，在實際應用的過程中，需要進行關聯，確保應用的速度和效率。調整關聯過度的變壓器，結合AR技術，設定CPU的主頻為3.55 GHz，內存為32 GB，將機電設備分為3組，每一個組的識別范圍均是相同的，以TensorFlow應用框架為基礎，設定故障識別訓練基礎值，具體如表2所示。

表2 D煤礦工程故障識別訓練基礎值設定表

根據表2，可以完成對D煤礦工程故障識別訓練基礎值的設定，針對機電設備的應用狀態，進行對應調節，完成對測試環境的搭建，進行具體的測定分析。

2.2 測試過程及結果分析

在完成對測試環境的搭建之后，結合小波變換技術，進行具體的測驗分析。在機電設備運行的過程中，調整其內部的電弧狀態，促使其處于逆向波動的狀態，具體如圖3所示。

圖3 機電設備電弧逆向波動情況

結合上述圖3，可以完成對機電設備電弧逆向波動情況的測定和分析，結合小波變換技術，對電弧的波動規律進行解析，測算出最終的故障識別比照差值，并對測試結果分析研究，如表3所示。

表3 測試結果對比分析表

根據表3，可以完成對測試結果的分析：對比于文獻[2]故障識別方法與文獻[3]故障識別方法，本文所設計的小波變換故障識別測試組最終得出的故障識別差值相對較小，表明在實際識別的過程中，結合小波變換技術，對于設備的識別精度較高，具有實際的應用價值。

3 結 論

綜上所述，便是對基于小波變換的煤礦機電設備故障識別方法的設計和分析。與傳統的故障識別方法相對比，本次結合小波變換技術，一定程度上擴大了實際的識別范圍，同時針對設備中的細小位置，小波變化可以快速感知到異常信號，進行雙向定位識別，并將相應的數據信息轉換為特定的格式，依據數據包的形式傳輸至控制平臺之中，為管理人員后續的維修提供參考數據。