基于露天采礦設備的變頻裝置故障檢測研究

趙慧廣

（中鐵十九局集團礦業投資有限公司，北京 100071）

0 引言

現階段我國露天煤礦采礦設備中變頻裝置主要應用在設備的電鏟和牙輪鉆等部件中，其部件與提升、加壓及回轉等功能模塊形成一套體系。當設備中的變頻裝置出現問題后，在短時間內無法精準確定故障發生的原因與機理，極大影響礦山采礦效率與經濟利益。為此，針對采礦設備變頻裝置故障問題，本文以應用在露天礦中的采礦設備為例，從檢測方式入手探究變頻裝置出現故障的原因。

1 露天采礦設備變頻裝置故障的主要原因

應用在露天采礦設備中的變頻裝置一般都設有欠壓與過壓保護裝置，若工作電壓超出變頻器設置的額定區間后便會導致變頻裝置停機報警。采礦設備正常工作情況下，其變頻裝置的整流出直流側電壓額定允許偏差區間在4%～10%，如果超出該范圍采礦設備變頻裝置的過壓保護就會啟動[1]。此類故障出現的主要原因在于采礦設備整條功能鏈條的供電網線路過長，且線路線徑相對較小，導致線路起始端的設備與末端設備之間存在較大的電壓差，進而在整條線路及其元器件中會形成一定強度的勢能，造成變頻裝置故障。

2 檢測設計

2.1 密度峰值聚類算法

對于收集露天采礦設備變頻裝置的數據收集技術而言，密度峰值聚類算法（Density Peak Clustering Algorithm，DPCA）可以不通過迭代數據更替即可實現數據的精確化收集，十分貼合露天采礦設備變頻裝置數據收集工作[2]。該方法的實現機理在于可以尋找被低密度數據區域分割的高密度數據產生區域。假設：①聚類中心點下的數據密度高于其他點的密度；②隨機聚類中心點與更高聚類點間的距離相距較遠。數據集“S”，S==1，Is={1，2，…，N}表示相應索引序號集，“Xi”表示在中的一個樣本點。

2.2 密度峰值聚類步驟

首先需要進行數據的預處理。

（1）利用z-score 對采集數據進行歸一化，則：

（2）得出中心點xi與目標點xj的距離dij，則：

（3）設階段距離為dc并根據截斷距離計算出兩點之間的局部密度ρi，按降序進行排列則：

（4）得出每個數據點對應的最小距離δi。

式（4）表示當i 點屬于局部密度的最大點時求出與i 點最遠目標點的距離。反之求出比i 點密度大且距i 點距離最小的目標點。

其次需要明確聚類中心。依據決策圖設計出DPCA 的密度閾值ρth與距離閾值δth。當xi存在最小距離δi＞ρth且ρi＞ρth時，xi可表示聚類中心并添加類別標簽。參照對所有數據點進行過濾搜尋所有的聚類中心。

2.3 密度峰值聚類方法優化

綜上所述，DPCA 中超參數dc對故障數據的聚類結果影響較大。若dc過大則會造成數據點的局部密度值差別過小，降低數據之間的聚類差異性；若dc過小則會使類簇的結果變多，縮小聚類的內聚性。因此，為準確獲取露天采礦設備下變頻裝置的故障問題，應當獲得一個最適截斷距離，以此為密度峰值聚類法的數據聚類區間進行劃定。引入K 近鄰的思想設計dc的獲取方法[3]。

μk表示的所有均值，即：

2.4 時序變化過程

通過DPCA 獲得類簇時序數據S={S1，S2，…，St，…，Sn}，其中St表代表t 時刻下變頻裝置運行數據所屬類簇編號，S∈{1，2，…，Q}。在該設計下露天采礦設備的運行過程便可視為不同類簇間轉移的過程，利用類簇的時序轉移概率Pij分析找到采礦設備下變頻裝置正常運行時的變化規律。Pij代表從i 類簇向j 類簇轉移的概率。

若設共有Q 簇聚類結果，那么所有類簇轉移的概率分布見表1。

根據表1 類簇轉移概率分布計算獲得概率轉移的時序P={PS1S2，PS2S3，…，PSn-1Sn}，因該時序的概率值是在露天采礦設備變頻裝置正常運行下得到，那么此概率值越高便證明兩種類簇之間的相互轉移越頻繁，側映出這種狀態數據下的采礦設備是正常運行的。但是這種情況下的運行數據隨時都可以會受到噪聲的影響，導致正常數據會在噪聲數據影響下出現一定程度的非正常轉移（該轉移概率較低）影響異常故障的檢測。本文運用滑動時間窗口的方式在時序中獲取均等的正常數據轉移概率，即轉移的大概率，以此來補償因噪聲數據影響故障診斷誤差的小概率問題，提高故障判別的準確率。滑動時間窗口模型，如圖1 所示。其中一次轉移為一個窗口，W表示時間滑動窗口步長。判斷每個滑動時間窗口下類簇點的平均轉移概率：

圖1 時間滑動窗口模型

表1 所有類簇轉移概率分布

3 驗證與分析

3.1 檢測設計與數據

以南昌凱馬的KY-250 為驗證對象提前設備參數，在變頻器長期工作工況不變的情況下，設計變頻裝置的數據采樣周期為1 s，其中數據標簽設有時間、母線電壓、輸出（電壓、電流、轉矩）以及運行頻率[4-6]。實驗訓練環境：python3.6，Linux 操作系統，訓練天數為150 d，采集數據見表2。

表2 變頻器運行數據

3.2 數據分析

K 取15，計算得到dc=0.27。通過DPCA 得到9 個正常類簇，見圖2。設滑動時間窗口步長為30，則上述數據可以如圖3 所示的方式進行展示。

圖2 類簇轉移概率分布矩陣

由圖3 中可以看出，滑動窗口的平均轉移率集中在0.47～0.56 之間，而該信號設備的正常平均移動率應當集中在0.4～0.5之間[7]，因此可證明本文研究的露天采礦設備變頻裝置故障檢測方法，能夠通過采集時間、母線電壓、輸出（電壓、電流、轉矩）以及運行頻率的方式準確檢測出故障。

圖3 正常模式下平均轉移概率

4 結語

本文通過PDCA 實現對露天采礦設備變頻裝置故障信息的精準采集，并可以通過時間、母線電壓、輸出電壓、輸出電流、輸出轉矩及運行頻率的方式精準獲取故障產生的參數。該方法主要利用變頻器監測采集數據量大的特點，以類簇的方式尋找故障，并通過滑動窗口的方式進一步精確數據類簇的轉移情況，以此得到變頻裝置真實的運行數據。