采煤機故障融合診斷研究

尹 磊

(山西焦煤集團正瑞能源開發(fā)有限公司，山西 太原 030000)

采煤機是實現煤炭開采的核心設備，受煤礦井下工作環(huán)境惡劣、采煤機負載大以及自身結構復雜等因素影響，采煤機運行時容易出現故障，給采面煤炭回采帶來制約[1-3]。實現采煤機故障診斷，及時掌握故障類型及故障位置，對提高煤炭開采效率、提高采煤機管理及維護能力等方面均可起到一定促進作用[4-6]。現階段基于神經網絡的采煤機故障診斷技術是研究熱點之一，諸多的學者及工程技術人員進行深入探討并取得較為豐碩的研究成果，但是也面臨診斷手段單一、結果片面等問題，難以獲取較為精準的故障診斷結果[7]。為解決上述問題，文中就結合以往研究成果[8-9]，提出融合參數診斷法、神經網絡法對采煤機故障進行診斷，首先采用參數診斷法對采煤機溫度、流量、壓力、電流、振動等參數進行診斷分析，隨后用深度殘差網絡對故障發(fā)生率較高的搖臂軸承、搖臂齒輪箱等進行分析，掌握故障原因以及故障位置，為后續(xù)采煤機故障排除、維護等提供精準指導。

1 采煤機故障診斷方法

采煤機故障診斷時，采用的參數診斷法較容易實現且較為簡單，可快速診斷采煤機故障部位，但是也存在故障診斷結果片面、無法定位故障零部件及位置；深度殘差網絡可實現采煤機易故障位置(如齒輪、軸承等)振動特征提取、細化及定位，但是也面臨診斷速度較慢問題。為此，文中提出將上述兩種故障診斷方法容易，故障診斷以參數診斷法為主并將深度殘差網絡作為補充使用，充分發(fā)揮兩種故障診斷方法優(yōu)勢，實現整體故障診斷、定位。

1.1 參數診斷法

采煤機是結構較為復雜的大型設備，整機平穩(wěn)運行是各組成部件相互配合結果，因此通過對采煤機各組成部件運行參數進行分析可確定故障類型。采煤機搖臂齒輪箱、電機、牽引機構、冷卻系統(tǒng)以及液壓系統(tǒng)等零部件故障發(fā)生率較高，且故障發(fā)生原因較為復雜，應重點監(jiān)測。采煤機運行出現故障后零部件運行參數會出現較大波動，從而為故障預警提供基礎。具體采煤機部分零部件監(jiān)測報警值設定情況見表1，其中高限報警值監(jiān)測值高于報警值、低限報警則指監(jiān)測值小于預警值。

表1 采煤機部分零部件監(jiān)測報警值設定情況

采煤機各零部件電流、溫度、流量以及電流等采用傳感器檢測，由于獲取數據量較大，為確保診斷系統(tǒng)平穩(wěn)、流暢運行，采用等距間隔法讀取相關數據信息，具體參數診斷流程見圖1.傳感器檢測數據均存儲到數據庫中，并采用等間隔法讀取數據，連續(xù)讀取的3項數據均不在設定范圍內時，診斷系統(tǒng)即通過診斷頁面顯示故障，并將故障參數存儲到本地故障數據庫中；通過3次數據判定以便降低非故障性因素干擾，降低誤報警發(fā)生率。

圖1 采煤機故障參數診斷流程

1.2 深度殘差網絡

深度殘差網絡可捕捉振動信號特征集，可實現采煤機搖臂軸承、齒輪等故障分類，深度殘差網絡核心是殘差學習模塊。深度殘差網絡故障診斷數據庫存儲采煤機不同故障診斷數據并作為訓練數據使用；振動信號數據庫內存儲采煤機歷史振動數據，并當作測試數據使用。具體采用的深度殘差網絡故障診斷流程見圖2.

圖2 深度殘差網絡故障診斷流程

深度殘差網絡訓練后系統(tǒng)自動讀取故障診斷數據庫數據并存儲成CSV訓練集文件，若訓練完成后模型準確率超過99%則保存該訓練模型，反之則需要重新訓練；當訓練完成后系統(tǒng)讀取振動信號數據庫內數據并存儲為CSV文件，通過訓練的模型對振動數據進行診斷，并輸出對應的故障標簽；在系統(tǒng)服務器端數量最多的標簽即為對應的故障類型、位置。

1.3 故障融合診斷

具體采煤機故障融合診斷流程見圖3.通過參數診斷法實時分析傳感器檢測數據，得出故障診斷結果，若無故障則故障診斷界面顯示無故障，反之則在顯示有故障；參數診斷法發(fā)現有故障后，通過深度殘差網絡對故障位置診斷信號進行分析，從而確定具體故障結果。

圖3 采煤機故障融合診斷流程

2 故障融合診斷系統(tǒng)結構及應用分析

2.1 故障融合診斷系統(tǒng)結構

采煤機故障融合診斷系統(tǒng)采用三層架構模式，包括有采集層、診斷層以及人機交互層，具體架構見圖4.

圖4 采煤機故障融合診斷系統(tǒng)架構

采集層主要依靠采煤機上布置的傳感器(類型包括電壓、電流、溫度、流量以及振動等)對各零部件運行參數實時檢測，并經以太網將檢測參數傳輸給信息中心數據庫進行存儲；診斷層是整個故障診斷系統(tǒng)核心，通過參數診斷法、深度殘差網絡對檢測數據進行分析、故障在線診斷；人機交互層可實現故障診斷結果輸出以及歷史故障數據查詢等功能，功能包括有故障顯示、歷史故障查詢、檢測參數顯示以及故障數據存儲等。

系統(tǒng)用Visual Studio 2010構建，并以阿里云OS、SQL Sever及Python作為基礎支撐軟件，其中阿里云OS用于診斷系統(tǒng)調試、測試等；SQL Sever用以構建數據庫，存儲各類檢測數據、故障診斷結果；Python編寫深度殘差網絡。

2.2 應用分析

將采煤機故障融合診斷系統(tǒng)應用到山西某礦2302綜采工作面MG300/700-WD采煤機上，具體采煤機上布置的各傳感器檢測結果見表2.傳感器檢測發(fā)現采煤機左搖臂高速軸溫度最高可達到106 ℃.在監(jiān)測頁面中，故障以不同標簽顏色顯示，若診斷出故障時故障態(tài)欄中顯示紅色，正常時則顯示藍色。

表2 傳感器檢測數據

當左搖臂高速軸溫度達到106 ℃時，系統(tǒng)會自動顯示故障位置，通過深度殘差網絡分析發(fā)現導致左搖臂高速軸溫度偏高的主要原因是截一齒輪出現裂紋、齒面磨損等問題，具體診斷結果為：齒輪磨損及裂紋導致高速軸高溫。融合診斷系統(tǒng)檢測結果與現場結果一致，表明使用的采煤機故障融合診斷方法診斷結果可靠。

3 結 語

文章針對采煤機故障人員巡檢效率低以及現有診斷系統(tǒng)結果片面等問題，提出一種采煤機故障融合診斷系統(tǒng)，該系統(tǒng)融合參數診斷法、深度殘差網絡實現采煤機故障診斷、定位。參數診斷法通過比對設定閾值與實際檢測值比對實現采煤機故障實時診斷，保證故障診斷效率及及時性；通過深度殘差網絡分析軸承、齒輪等振動參數，對故障進一步診斷，從而得到更為精準的故障診斷結果。

通過參數診斷法與深度殘差網絡相互融合實現采煤機故障診斷。現場試驗表明，文中所提融合診斷系統(tǒng)可實現采煤機故障高效、精準診斷，有助于減少采煤機后期維護成本并提高采煤機運行可靠性。