煤礦機電設備遠程監測與故障診斷技術研究

張美玲 陳興翔 湯家府

（兗礦能源集團股份有限公司東灘煤礦）

0 引言

煤礦機電設備是煤礦生產過程中不可或缺的重要設備，然而隨著煤礦開采深度的增加和礦井規模的擴大，煤礦機電設備的故障診斷和監測變得越來越復雜和困難。這對煤礦安全生產和礦工的生命安全都提出了嚴峻的挑戰。因此，遠程監測與故障診斷技術的研究成為提高煤礦機電設備運行安全性和可靠性的熱點領域。為了解決煤礦機電設備故障診斷與監測的問題，提出了一種基于對遠程監測與故障診斷技術的煤礦機電設備遠程監測系統。

該系統利用無線傳感器網絡對機電設備進行實時監測，并通過對傳感器采集的數據進行分析和處理，實現對機電設備運行狀態和參數的實時監測和預警。同時，該系統具有數據傳輸的實時性和可靠性，為遠程監測提供了可靠的數據支持。此外，通過收集和分析煤礦機電設備故障數據，建立了基于機器學習的故障診斷模型。該模型能夠通過對機電設備運行數據的學習和訓練，自動診斷和預測機電設備的故障。實驗結果表明，該模型具有較高的準確性和可靠性，能夠有效地提高煤礦機電設備的故障診斷效率。

1 煤礦機電設備故障分析

1.1 截割部故障

截割部包括搖臂和滾筒兩部分，其中機械故障主要來源于搖臂，故障多樣，原因復雜。搖臂齒輪箱的故障表現為齒輪和軸承故障、齒輪箱高溫、潤滑失效和密封失效等。搖臂齒輪箱齒輪故障最為常見，通常齒輪會出現齒面磨損、齒面膠合、齒根斷裂、齒面點蝕等故障。軸承故障也較多，有表面破損、裂紋、膠合、點蝕等。產生此類故障的原因有：

（1）在采煤機的齒輪箱中，齒輪會受到工作環境的影響。例如，在生產強度較高、煤壁較堅硬、采煤區域有煤矸石等情況下，會導致軸承和齒輪的壽命縮短，影響采煤效率和安全性。

（2）軸承在連續工作一段時間后，如果潤滑油不能及時加注或更換，就會導致軸承的摩擦力增大，軸承安裝處出現縫隙和位移等問題，從而引起軸承故障。這種故障通常會伴隨著軸承溫度異常升高。

（3）搖臂齒輪箱的高速區長期處于高溫狀態，那么潤滑油就很容易變質并發生乳化，這會降低潤滑效果，甚至加劇磨損，同時會導致齒輪和軸承的磨損加劇，進一步提高齒輪箱的溫度，形成惡性循環。

（4）低速區是行星減速系統中的關鍵部分，長時間超負荷運行會導致系統的密封損壞，潤滑液減少，從而增加齒輪磨損。這會導致行星減速系統的疲勞磨損、齒輪斷裂，甚至引起整個齒輪箱的損壞。低速區還容易出現噪聲異常和漏油等問題，這些問題也會加劇齒輪的磨損和損壞。

1.2 輔助裝置故障

輔助裝置的故障主要包括液壓系統故障和噴霧冷卻裝置故障。液壓系統主要負責搖臂的調高、采煤機的制動等，常見故障有無法調高或調高動作緩慢、搖臂自動下沉、液壓系統壓力不足等。造成故障的原因有：

（1）調高泵損壞，泄漏量太大；安全閥損壞，壓力調整不到設定值；油缸或油管密封失效，大量漏油造成壓力不足；液壓油受到污染，雜質過多堵塞管路等原因會造成調高系統故障；

（2）搖臂下沉的原因有單向閥損壞；液壓油缸不密封；調高油缸漏油；安全閥泄漏；管路破損等；

（3）液壓泵損壞，液壓油流量不足；液壓泵電機轉向錯誤，不吸油；溢流閥泄漏，壓力達不到設定值；油池油量過少；密封失效或管路破損等會造成液壓系統壓力不足。噴霧冷卻系統常見故障有不噴霧或噴霧效果不佳、回路溫度過高、管道破損、冷卻水混雜等。

1.3 電氣系統故障

采煤機的電氣系統故障主要分為電控箱故障和電纜故障兩種類型。電控箱故障常常表現為變頻器、變壓器、回路控制模塊等設備出現故障，而電纜故障則主要表現為采煤機拖拽電纜和截割電機電纜故障。故障原因有：

（1）電纜控制芯線故障、控制器組件故障、接線松動、電氣設備絕緣層老化失效、變頻器自身故障等都可能造成電控箱出現故障；

（2）電纜在使用過程中出現磨損、受潮等缺陷，造成絕緣層失效，進而導致漏電或短路故障。

2 數據采集方法設計

2.1 信號采集需求分析

根據對采煤機常見故障進行分析，發現主要故障類型有機械故障、電氣故障、液壓水壓故障三大類。機械故障和水壓不足的出現常常伴隨著溫度異常，電氣故障的出現則伴隨著電流數據異常，液壓系統故障帶來的是液壓系統的壓力異常。想要準確監測采煤機運行狀態，就需要對上述信息進行采集。同時，進行數據采集時還要滿足以下原則：

（1）采集成本低，通過現有的傳感器就可以較容易地獲得大量所需信息，可操作性強；

（2）能夠準確反映采煤機各部分的運行狀態；

（3）對采煤機負載變化敏感。

對于故障診斷來說，信號的采集是針對振動信號的，需要在采煤機搖臂上確定測點，應遵循配置盡可能少的傳感器數量測量盡可能多的振動信號的原則。

2.2 運行狀態數據采集

根據狀態監測對數據的需求，運行狀態的數據采集內容包括各處溫度信息的采集、各電機電流和液壓水壓信息的采集。

（1）傳感器的選擇

溫度傳感器技術穩定，應用領域廣泛。礦用溫度傳感器按照與被測介質的接觸方式分為兩類：接觸式和非接觸式。非接觸式溫度傳感器通過熱輻射或熱對流的方法測溫，主要有紅外測溫傳感器，鑒于井下惡劣的工作環境，此類傳感器不適用。接觸式溫度傳感器通過與被測介質的直接接觸來測量溫度，包括電阻式、熱電偶、PN結等類型，可用于采煤機的溫度測量。用于電機繞組的溫度傳感器采用Cu50，用于機械傳動位置的傳感器采用DS18B20數字化溫度傳感器。

壓力傳感器的工作原理是基于壓力敏感元件受到外部壓力作用時產生形變，并將形變轉化為電信號輸出測量結果。常用的壓力敏感元件包括金屬薄膜、應變片、電容微型傳感器等，這些元件均能在受到外部壓力作用時，產生相應的形變。為適應井下環境，選用RPT8100型壓力傳感器

（2）采集數據的種類

從采煤機的四個關鍵部件對需要的監測數據進行采集，有：截割部截割電機溫度、截割電機電流；牽引部電機的溫度、電流和轉速；電氣系統的控制箱電流、高壓箱電流；輔助裝置液壓調高系統工作壓力、調高泵電機轉速、冷卻水流量。

3 基于CNN的監測和故障診斷模型

3.1 卷積神經網絡原理

卷積神經網絡是一種深層前饋神經網絡，用不同的卷積核對同一個圖像進行卷積就是用卷積核對圖像進行濾波以提取其內部不同的特。卷積神經網絡由一個或多個卷積層、池化層以及全連接層組成，相比較其他淺層或深層神經網絡，卷積神經網絡需要考慮的參數更少，降低了網絡模型的計算量和復雜性，既保證了數據處理速度，又保證了所提取特征的質量，結構如圖1所示。

圖1 CNN結構示意圖

3.2 CBAM注意力機制

CBAM（Convolutionаl Block Attеntion Modulе）注意力機制模塊是一種能對特征圖像局部信息聚焦的模塊，分別從通道和空間維度順序提供注意力圖。通過通道注意力模塊對輸入的特征圖在通道維度上進行注意力加權，以提高模型對重要通道的關注度；再通過空間注意力模塊在空間維度上進行注意力加權，以提高模型對重要空間位置的關注度；最后，將經過通道注意力模塊和空間注意力模塊重標定的特征圖相乘，得到最終的特征表示。

3.3 模型參數優化

卷積神經網絡的大小和深度影響著其處理復雜問題的能力。一般來說，處理問題的復雜程度和網絡深度正相關，隨著網絡深度的增加，神經元的數量和計算復雜度都會增加，使得網絡可以學習到更復雜的特征和函數，從而提高了模型的處理能力。但是，網絡深度增加也會帶來一些問題，如梯度消失、梯度爆炸和過擬合等。因此在提出故障診斷與監測網絡模型之后，還需要對參數進行調整以獲得最優效果。超參數除了網絡模型中已經包括的核的大小、神經網絡層數、激活函數、優化器等，還有學習率、批大小、訓練迭代次數。

4 實驗結果與分析

模型驗證平臺配置如下：Windows10 64位操作系統，CPU為AMD Ryzеn 7 4800H@2.90GHz，GPU為NVⅠDⅠA GеForcе GTX 1650Ti 4G，內存為16GB，集成開發環境為PyChаrm Community Edition 2021.2.3，рython版本為3.9。

使用齒輪測試數據集中共5種狀態的訓練樣本圖像及測試樣本圖像，來確定合適的全局參數。輸入圖像的大小應為，在圖像變換時已經設置好；訓練迭代次數暫時設置為10，可以在探究其他參數時節約運算時間和計算資源，最后確定迭代次數的值；學習率設置為0.01，0.001，0.0001，0.00001；批大小設置為416；分類數量為5類。在設置不同的批大小和 學習率的情況下，網絡訓練損失值如圖2所示，正確率如圖3所示。

圖2 不同學習率下模型訓練損失值

圖3 不同批大小下的模型訓練準確率

從神經網絡的訓練損失值曲線可以觀察到，在初始階段，損失值下降幅度較大，這表明學習率已經較為適當，并且網絡處于梯度下降的狀態。隨著訓練的進行，損失值逐漸趨于平穩，不再出現明顯的波動，這表明學習率大小的選擇是合適的。

如圖2所示，在神經網絡模型的訓練過程中，學習率的選擇對模型的性能影響非常大。如果學習率過大，損失值曲線會在短時間內迅速下降后趨于平緩，達到局部最小值，而學習率過小則會導致損失值曲線緩慢下降，不能快速有效地提高分類精度。因此，在選擇學習率時，需要找到一個合適的值，使得損失值曲線能夠平穩下降，而不至于過度下降或過度平緩。同時，如果損失值曲線的上下寬度過大，說明批大小過小，需要適當增批大小的值。綜合不同學習率下模型訓練損失值，學習率為0.001和0.0001較為合適；批大小為4 時，損失曲線上下寬度大，同時損失值波動較大，因此應選擇批大小的值為16；增大迭代的值可以更加深入進行網絡模型的訓練，提高網絡的準確率。

通過圖3可以看出，批大小為4時，準確率波動較大，不夠平穩，而批大小為16時，準確率曲線波動較小，同時準確率更高。不同學習率情況下，從兩子圖中均可看出學習率為0.0001 時準確率更高并且曲線更加平滑。訓練10輪時準確率已經較高，因此迭代次數選20即可。最終選擇學習率為0.0001，迭代次數為16，迭代次數為20的模型，可以有效解決狀態分類問題。

5 結束語

本文圍繞煤礦機電設備遠程監測與故障診斷技術展開了一系列的研究，提出了基于無線傳感器網絡的遠程監測系統，并利用機器學習算法進行故障診斷。實驗證明，該系統和方法能夠有效地提高機電設備的運行安全性和可靠性，具有很高的實際應用價值和推廣潛力。未來的研究工作需要進一步完善和優化相關技術和方法，以滿足煤礦機電設備遠程監測與故障診斷的需求。