基于深度學習的煤礦機電設備狀態監測方法

摘要： 為降低煤礦機電設備檢測的漏警率，提出了基于深度學習的煤礦機電設備狀態監測方法。獲取煤礦機電設備狀態信息，利用深度學習提取煤礦機電設備狀態監測特征向量集合，擬合設備狀態信息，煤礦機電設備狀態分組式監測，從而實現煤礦機電設備狀態監測。實驗結果證明，該方法的漏警率在0.2%以內，且多數漏警率的數值為 0，可及時、準確地預警異常狀態。

關鍵詞：深度學習 煤礦機電設備 狀態監測方法 漏警率

中圖分類號： TD40

Methods of Electromechanical Equipment Status Monitoring in Coal Mines Based on Deep Learning

QI Guangping ZHANG Zhenping HOU Xiangfang

（Jining No. 3 Coal Mine， Yankuang Energy Group Co.， Ltd.， Jining， Shandong Province， 272169 China）

Abstract： In order to reduce the false dismissal rate of electromechanical equipment detection in coal mines， a method for electromechanical equipment status monitoring in coal mines based on deep learning is proposed. It obtains the information of electromechanical equipment status in coal mines， uses deep learning to extract the feature vector set of electromechanical equipment status monitoring in coal mines， fits the information of equipment status， carries out the group-based monitoring of electromechanical equipment status in coal mines， so as to achieve electromechanical equipment status monitoring in coal mines. Experimental results demonstrate that the false dismissal rate of this method is within 0.2%， and most of them have a value of 0， which can timely and accurately alert abnormal states.

Key Words： Deep learning; Mechanical and electrical equipment in coal mines; Condition monitoring method; False dismissal rate

在煤礦行業中，機電設備的安全運行對于生產效率和人員安全至關重要。然而，傳統的監測方法往往存在一定的局限性，無法滿足現代煤礦生產的復雜需求[1]。為了解決這一問題，提出基于深度學習的煤礦機電設備狀態監測方法。深度學習技術能夠從海量的傳感器數據中提取有價值的信息，準確判斷設備的運行狀態和預測潛在的故障。相較于傳統方法，基于深度學習的監測方法具有更高的準確性和實時性，能夠為煤礦生產提供更加可靠的支持。

1設計基于深度學習的煤礦機電設備狀態監測方法

1.1獲取煤礦機電設備狀態信息

為實現煤礦機電設備實時監控，需收集狀態信息，結合分類分析法以更有效收集。挖掘狀態信息，包括設備參數和環境因素[2]。采集不同時刻下的設備數據，以分布函數表示樣本分布，建立模糊分類集，表達式為：

式（2）中：表示煤礦機電設備樣本數據的初始聚類中心；表示煤礦機電設備信息采樣節點分布距離；表示設備樣本的特征值；表示設備數據的聚類系數。通過計算設備狀態檢測數據模糊分類集，結合參數辨識理論，獲取設備故障的聚簇分類[3]。在此基礎上，當對設備進行干擾時，設備會受到影響并出現一定的振蕩現象。這種外部振蕩數據的表達式為：

：式（3）、式（4）中，表示煤礦機電設備外部振蕩函數；表示煤礦機電設備模糊分類系數； 表示煤礦機電設備初始分類系數；表示設備分類系數的變化值；表示設備狀態的檢測模糊分類集[4]。利用上述內容，計算煤礦機電設備狀態的量化傳感跟蹤識別結果，其公式為：

式（5）中：表示為實測值；表示為分布密度。

1.2基于深度學習提取煤礦機電設備狀態監測特征向量集合

在完成對煤礦機電設備狀態信息的獲取后，為了進一步分析設備的運行狀態，采用了深度學習技術中的深度神經網絡模型來提取煤礦機電設備的狀態監測特征向量集合[5]。假設輸入信號為X，權重為C，偏置為b，激活函數為f，則其輸出可以表示為：

根據上述內容，采用了深層神經網絡作為特征抽取器。訓練深度神經網絡模型，其過程可以表示為：

式（7）中：表示損耗函數，用來測量模型預報和實際數值的差值；表示使用參數進行預測的模型輸出；表示正則化系數，用于防止過擬合[6]；表示模型的權重和偏置參數。通過對深度神經網絡模型的訓練，最終可以得到一組最優的特征向量集合，其表示為：

1.3擬合設備狀態信息

在完成煤礦機電設備狀態監測特征向量集合的提取后，為了更好地理解和預測設備的狀態變化，采用了支持向量機（Support Vector Machine，SVM）來進行擬合[7]。SVM 是一種監督學習算法，非常適合處理煤礦機電設備狀態監測中的小樣本、非線性問題。將之前提取出的特征向量集合作為輸入，輸入到 SVM中。對每一個特征矢量，都有對應的設備狀態信息，如正常狀態，異常狀態，失效狀態等。支持向量機通過使預測值和真實值的方差最小，從而實現對模型參數的學習。這一過程涉及到對特征向量集合的訓練，通過不斷調整模型參數，使 SVM 能夠逐漸逼近真實的狀態信息。其基本公式為：

式（9）中：表示實際的目標值或輸出值；表示 SVM 的預測值；是一個正則化參數[8]，控制對訓練誤差的懲罰程度； 、 分別表示松弛變量，用于處理訓練數據中的噪聲和不完美匹配。

通過調整值和其他參數，可以找到最佳的擬合效果，從而更好地反映設備的真實狀態信息。

1.4煤礦機電設備狀態分組式監測

在獲得設備狀態信息的擬合結果后，可以進行煤礦機電設備的分組式監測。這種監測方法的核心思想是根據設備狀態的特征差異[9]，將設備分為不同的組別，然后對各組設備進行有針對性的監測和管理。假設將設備分為正常組、異常組和故障組。正常組的設備運行狀態穩定，性能良好；異常組的設備存在一定的問題或隱患，需要密切關注其變化趨勢；故障組的設備已經發生故障，需要及時檢修和維護。

為了實現分組式監測[10]，可以采用聚類分析的方法。聚類分析是一種無監督學習的算法，可以根據設備的狀態特征將相似的設備歸為同一組。具體的聚類分析公式如下：

式（10）中：表示聚類結果的評價函數；和分別表示第i組和第j組的中心點；表示組數；表示樣本數；表示距離或相似度。通過優化J（C），可以找到最優的設備狀態分組結果。

分組式監測的優勢在于可以提高監測的針對性和效率。對于正常組的設備，可以適當減少監測頻次，節省資源；對于異常組和故障組的設備，需要增加監測頻次，這樣才能及時發現問題，并有針對性地采取行動。綜上所述，實現基于深度學習的煤礦機電設備狀態監測方法的設計。

2實驗論證

本論文以礦井機電裝備為對象，對其在礦井機電設備中的應用進行了研究。在考慮到試驗結果的真實性和可靠性的前提下，選擇了一個礦井中的一臺機電設備。分別設置傳統煤礦機電設備狀態監測方法1、傳統煤礦機電設備狀態監測方法2以及本文設計的煤礦機電設備狀態監測方法進行測試，對試驗結果進行比較和分析。

2.1實驗準備

根據以上內容，進行了礦井機電設備狀態監控方法的設計，通過比較試驗，對所提出的方法進行比較試驗，以檢驗所提方法的正確性與可行性，從而使其能夠在煤礦企業中推廣應用。本文以 HHFUJI-C5100型裝置為研究對象，進行了試驗研究。這臺機器是在2019年制造的，并且是在那一年底由煤炭公司購買的，隨即投入生產線。然而，在生產過程中，由于對這臺設備的監控沒有達到要求，致使這臺設備在使用過程中出現了許多故障，給企業造成了巨大的經濟損失。現在，這臺機器還留在公司的倉庫里。本裝置由供電線路，電動機檔位控制器，繼電器，電磁閥等組成，工作原理如圖1所示。

根據圖1的內容，再加上該裝置是在制造單元中引入的，所以在有關的裝置部件和線路操作參數的資料上有差距。另外，由于本裝置持續使用時間比較久，一些元器件已經老化，所以整個電路的容差很大。若單純依據其歷史監控和操作反饋來描述，不僅困難，而且不能準確地構建出設備的電路模型。所以，本課題選擇這一裝置進行試驗是可行的。

通過控制試驗參數，保證試驗結果的準確度。為了防止不同設備運行狀態導致監測難度系數不同，或是使用不同的系統工具造成工作完成效率的不同，為了避免影響試驗結果的準確度，有必要對檢測方法之外的其他可變因子進行控制。在表1中列出了試驗的變量控制設定。

根據上述內容，同一時間觸發3種監測方法，并記錄監測結果，建立數據分析的基礎，對試驗數據進行分析，得出試驗的結論。

2.2實驗結果分析與結論

據上述實驗準備進行測試，在同一試驗條件下，比較3種監控方式的漏報率，計算方法如下：

式（11）中：表示為判斷為異常的異常數；表示為異常數。具體的對比結果如表2所示。

通過細致分析表2的數據，可以清晰地看到本文所提出的基于深度學習的煤礦機電設備狀態監測方法在漏警率方面的優越性。與其他兩種傳統方法相比，本文方法的漏警率始終維持在一個極低的水平，穩定在0.2%以內。這一數值不僅遠低于傳統監測方法1的0.4%～0.8%的漏警率范圍，也低于傳統監測方法2的0.3%～0.5%的漏警率范圍。更為引人注目的是，在表2中，本文方法的漏警率多數都達到了0，這意味著在實際監測中，幾乎沒有出現任何遺漏或誤判的情況。這DZprNgl9bmkt6SAvd94xjQ==種高度的準確性對于煤礦機電設備的正常運行至關重要，因為它能夠及時、準確地預警潛在的故障或異常狀態，從而確保生產作業的連續性和安全性。通過以上分析，可以明確得出結論：與傳統的煤礦機電設備狀態監測方法相比，本文所提出的基于深度學習的方法能夠更加準確地監測設備的運行狀態。

3結語

基于深度學習的煤礦機電設備狀態監測方法，是一種利用人工智能技術對煤礦機電設備的運行狀態進行實時監測和故障預警的方法。通過深度學習算法，可以實現對機電設備運行狀態的準確識別和預測，及時發現潛在的故障并進行預警，有效避免設備故障對煤礦生產的影響。這種監測方法具有許多優點，例如能夠提高煤礦生產的安全性和效率，降低設備的維護成本和維修時間等。此外，深度學習算法具有較強的自適應性和泛化能力，能夠適應不同設備和不同工況下的監測需求，具有廣泛的應用前景。礦井機電裝備的深度學習技術仍然有很大發展潛力。隨著科技的發展與研究的深入，相信這種監測方法將得到更加廣泛的應用和推廣。同時，也希望通過不斷的實踐和創新，能夠為煤礦安全生產提供更加可靠和高效的保障。

參考文獻

[1] 李暢.基于Apriori算法的城市軌道交通運行設備動態監測方法[J].交通世界，2023（24）： 1-3.

[2] 張莉.基于大數據技術的造紙車間設備運行指標實時監測方法[J].造紙科學與技術，2023，42（3）：15-20.

[3] 崔宇輝.基于紅外測溫的電氣設備異常溫升監測方法[J].信息與電腦（理論版），2023，35（8）：18-20.

[4] 賀新.基于紅外傳感的電氣設備運行實時自動監測方法[J].自動化應用，2023，64（7）：218-221.

[5] 李朝瑞，郭龍，戚永青等. 基于RBF的電網大型設備運行狀態實時監測方法[J].電子設計工程，2022，30 （22）：108-111，116.

[6] 張富魁.基于模糊支持向量機的煤礦機電設備運行故障監測方法[J].內蒙古科技與經濟，2022（13）：114-115.

[7] 翟建麗.基于虛擬現實技術的通信設備實時監測方法[J].長江信息通信，2022，35（4）：67-69.

[8] 聶林，席麗娜，梁紅等.基于小波包能量特征的移動護理靜脈輸液設備故障監測方法[J].自動化與儀器儀表， 2021（5）：36-39.

[9] 沈江飛，李懷洲，黃立軍等.基于局部離群因子和神經網絡模型的設備狀態在線監測方法研究[J].核動力工程，2021，42（3）：160-165.

[10] 孫敏.反沖式艦艇機械設備運行狀態遠程監測方法[J].艦船科學技術，2018，40（20）：187-189.