基于數據模型全生命周期的設備故障診斷應用研究

摘要：隨著煤礦智能化設備需求不斷增加，傳統設備故障診斷技術不足以滿足現代煤炭全生命周期設備故障診斷的準確性和實時性要求。因此本研究采用薄膜電阻溫度檢測器，實現對故障數據采集，同時運用數據模型和非線性貢獻圖，對全生命周期設備的故障數據進行標準化處理與分析。實驗結果表明，基于數據模型設備故障診斷技術對聚氨酯膠墊溫度異常故障的識別靈敏度為95.3%，特異性為97.6%，識別準確率為92.1%。而神經網絡模型的聚氨酯膠墊溫度異常故障的識別靈敏度僅為70.6%。當誤報次數不大于3次時，數據模型方法仍具有較高的診斷精度，最小精度達到92.1%。且當系統CPU處理信號并開始故障診斷時，總功耗約為240 W。因此利用數據模型可以有效提高煤礦全生命周期設備的故障診斷準確率。

關鍵詞：數據模型；全生命周期；聚氨酯膠墊；設備故障診斷；貢獻圖法

中圖分類號：TQ536.9；TP311.13文獻標志碼：A文章編號：1001-5922（2025）04-0130-04

Research on the application of equipment fault diagnosis based on the whole life cycle of data model

CUI Jie1，TENG Yunlong1，SONG Guodong2，HU Eryi2，WU Benliang1

（1.Shanghai Da Tun Energy Holding Co.，Ltd.，Shanghai 201306，China；

2.Information Research Institute of the Ministry of Emergency Management，Beijing 100029，China）

Abstract：With the increasing demand for intelligent equipment in coal mines，the traditional equipment fault diag?nosis techniques are insufficient to meet the accuracy and real-time requirements of modern coal life cycle equip?ment fault diagnosis.Therefore，this study uses a thin film resistance temperature detector to collect fault data.At the sametime，the data model and nonlinear contribution diagram are used to standardize and analyze the fault data of the whole life cycle equipment.The experimental results show that the recognition sensitivity of the equipment fault diagnosis technology based on data model to the abnormal temperature fault of polyurethane pad is 95.3%，the specificity is 97.6%，and the recognition accuracy is 92.1%.The recognition sensitivity of the neural network model for the abnormal temperature fault of the polyurethane pad is only 70.6%.When the number of 1 positives is not more than 3 times，the data model method still has high diagnostic accuracy，and the minimum accuracy reaches 92.1%.And when the system CPU processes the signal and starts the fault diagnosis，the total power consumption is about 240 W.Therefore，the use of data models can effectively improve the accuracy of fault diagnosis for coal mine equipment throughout its lifecycle.

Keywords：data model；full lifecycle；polyurethane rubber pad；equipment fault diagnosis；contribution graph method

傳統的煤炭工業控制系統安全故障診斷主要針對煤炭設備的機械故障[1]。而隨著智能制造業的迅速發展，工業智能控制設備之間的數據連接日益緊密，操作環境也日益復雜，使全生命周期設備控制和保護的難度進一步增大。當前基于專家知識的傳統安全故障診斷技術存在成本高、效率低的問題，難以滿足現代煤炭全生命周期設備故障診斷的準確性和實時性要求[2-3]，因此本研究從設備全生命周期管理的運行狀態數據，探究基于數據驅動的煤炭設備安全故障診斷技術。其中，路東興[4]學者等人利用數字孿生模型對發電機組進行狀態監測和故障檢測。盡管數字孿生模型方法具有良好的適應性，可以提高故障檢測時間，但很難準確確定信號之間的關系。李國維學者[5]等人提出知識圖譜的故障診斷系統，該方法可以反向跟蹤設備故障，但該方法需要大量數據，且建模過程復雜，精度較低。上述算法均具有一定的代表性，但存在故障檢測耗時長的問題，很少應用于全生命周期的煤炭設備故障檢測。基于此，本研究引入數據模型，對煤炭設備全生命周期內產生的故障數據進行系統性處理。同時，選用具備高靈敏度和快速熱響應特性的薄膜電阻溫度檢測器，負責故障數據的采集工作，加快數據采集速度。此外，運用非線性貢獻圖對煤炭設備各個測點的關鍵故障參數進行計算與分析，從而精準實現設備的異常檢測。

1基于數據模型的設備故障檢測診斷模型

1.1煤礦智能化設備故障分析

煤礦智能化設備在運行過程中，因長期處于高溫環境中，設備中的聚氨酯膠墊易發生老化。而聚氨酯膠墊老化會進一步影響設備的正常運行，造成設備零部件松動，從而導致設備發生漏電、溫度異常等故障。而聚氨酯膠墊會出現老化現象，主要是由于在聚氨酯膠墊的生產制造過程中，原材料的選擇和配方設計不合理，比如膠料配方中添加的化學助劑（如增塑劑、防老劑等）用量過大，或者膠料配方中使用的交聯劑量過大，導致橡膠在生產過程中無法正常固化和交聯，使聚氨酯膠墊在使用過程中發生交聯反應而導致產品老化[6-9]。此外當煤礦智能化設備溫度超過65℃時，聚氨酯膠墊發生脆化現象，且出現熱老化現象，如橡膠的軟化、龜裂等。聚氨酯膠墊受熱后出現熱老化現象主要是由于硫化過程中產生的副反應造成，如二硫化四乙烯基酚（4 DVB）和二硫化二苯基甲烷（2 DVB）等副反應。聚氨酯膠墊老化對煤礦智能化設備的正常運行影響較大，若不及時更換聚氨酯膠墊或利用膠水修復聚氨酯膠墊裂縫，會進一步加大煤礦智能化設備故障率，因此需要利用傳感器監測聚氨酯膠墊溫度變化情況。

1.2薄膜電阻溫度檢測器制備

為監測聚氨酯膠墊溫度及設備電阻變化，制備薄膜電阻溫度檢測器：選用氧化鋁作為基底，采用直流磁控濺射技術沉積鎳薄膜。在沉積薄膜之前，先用丙酮、酒精和去離子水對基片進行超聲波清洗，用氮氣進行干燥，去除表面的雜質；濺射靶材為直徑為4 mm、純度為99.99%的鎳盤；真空室的基本真空度為8×10-4 Pa，通入氬氣（Ar）作為濺射氣體；氣體的流速由質量流量控制器控制；為進一步清潔靶材表面，先預濺射10 min；濺射過程中，調整基片溫度、濺射壓力和功率等關鍵參數；最后通過金屬掩膜，把沉積好的鎳薄膜加工成薄膜電阻溫度檢測器[10-13]。

1.3設備故障在線監測和診斷

將薄膜電阻溫度檢測器粘貼在煤炭設備及聚氨酯膠墊表面，檢測器的輸入和輸出端分別與負載和數據采集系統的電源端相連，運用數字轉換器采集高速數據，采樣率設置為125 MS/s。經過訓練，數據模型可用于在線監測診斷煤礦設備故障。對于新輸入的變量樣本xnew eRl根m，數據標準化處理應與訓練模型統一[14-16]。采用數據模型進行監測時，數據矩陣X的投射方向矩陣必須以訓練模式為基礎，R（R=[r1，r2，?，rA]），即T=XR。因此，可以直接求出主成分矩陣。測量樣本得分和殘差：

〈（tnew=xnew R T（1）

用T2和SPE統計（Q統計量）描述系統和殘差的波動：

〈x?2（ew）Λ-1tnew（2）

式中：Λ為訓練模型樣本分數的協方差矩陣，即

2種統計量的控制限計算如下：

〈Tuc（2）l（α）=FA n-Aα

SPEu（2）cl（α）=?χh（2）α

式中：?=h=，μ為統計量的均值；S為方差。將數據模型用于在線監測。首先構建樣本的核矩陣如下：

Knew=[k（x1 xnew）k（x2 xnew）…k（xn xnew）]e Rl根n

式中：IN=[1…1]e Rl根n。待測樣本的得分矩陣計算如下：

tnew=Knew U（TT KU）-1（5）

T2統計量、在線監測模型控制限和SPE控制限的計算與偏最小二乘法相同。則SPE統計量的計算方法如下：

SPE=ti2-ti2（6）

在實際煤炭設備故障應用中，當T2與SPE 2項指標都在允許范圍內時，設備運行正常。當兩個指標都超出標準時，則判定設備發生故障。

2實驗結果分析

2.1設備故障診斷性能變化

鎳薄膜是低溫環境下的理想傳感材料。它熱響應快、電阻溫度依賴性高，相比鉑，對設備基底附著力更強，利于低溫薄膜沉積，而且鎳表面能形成致密氧化層，具備良好的耐腐蝕性與抗氧化性。因此，本研究選擇薄膜電阻溫度檢測器對煤炭設備進行故障數據采集，并將采集到的故障數據進行預處理。研究選取90例煤炭設備故障作為訓練集，通過訓練集訓練數據模型[17-19]。訓練集中有41例煤炭設備聚氨酯膠墊溫度異常故障、22例電壓異常故障和27例主回路漏電異常故障。同時，數據模型訓練迭代次數設置為1000次。數據模型訓練完成后，利用靈敏度、特異性和準確率等參數，比較數據模型和神經網絡模型的全生命周期設備故障診斷效果。本研究所使用的計算機配置為；Intel i7-11700K處理器、128GB內存和NVIDIA GeForce RTX 3080Ti顯卡，Windows 10操作系統，并在Python 3.7實現所提出的模型框架。

如圖1（a）、（b）所示，經過訓練后，所提出的基于數據模型設備故障診斷技術對聚氨酯膠墊溫度異常故障的識別靈敏度為95.3%，相應的特異性為97.6%，識別準確率為92.1%。而神經網絡模型的聚氨酯膠墊溫度異常故障的識別靈敏度僅為70.6%，較數據模型降低34.98%。在煤炭設備電壓故障異常診斷中，神經網絡模型的特異性及準確率均得到較好的檢測診斷結果，數值均大于89%，僅靈敏度數值較小（78.2%）。而數據模型的在線檢測診斷結果中，準確率高達96.3%，特異性為97.3%，且特異性越高，故障診斷效果較好，進一步表明電壓異常故障較宜被診斷識別。當主回路漏電異常故障時，基于數據模型技術的全生命周期設備故障識別靈敏度、特異性和準確率分別為96.8%、98.2%和94.3%。而神經網絡模型的靈敏度、特異性和準確率分別為89%、87.6%、88.4%，數據模型的診斷結果遠高于神經網絡模型的診斷結果，主要原因為數據模型利用過程變量和質量變量對設備故障數據進行標準化處理，并利用非線性貢獻圖法對設備異常點采樣，進一步提高全生命周期的煤炭設備故障診斷效率。

2.2故障診斷誤報精度變化

在實際全生命周期的設備故障診斷中，煤礦故障診斷的故障特征信息可能會發生誤報或漏報。因此為了驗證所提方法在故障數據信息誤報情況下是否具有較高的診斷精度，對不同數據大小及誤報次數條件下的診斷精度進行測試，測試結果如圖2所示。

由圖2可知，當設備故障特征信息被誤報時，數據模型具有非常強的抗過擬合能力。當故障特征信息中存在1次和2次誤報時，診斷精度仍較高，數據量為10 MB時，精度分別為97%和92%。當誤報信息達到3時，診斷精度最大為92.1%，最小為88.7%。而當誤報次數為4次時，診斷精度明顯下降，最小診斷精度為78.4%。因此，當誤報次數小于等于3次時，數據模型方法仍具有較高的診斷精度。隨著誤報數量的增加，設備故障特征信息的誤報將嚴重影響數據模型對全生命周期的設備故障的診斷。通過觀察可知，隨著數據量增加，診斷精度呈下降趨勢，主要原因為數據量越大，故障診斷監測模型在線訓練的核函數越難趨于收斂，會進一步影響模型的收斂速度，且當設備故障特征信息被誤報時，會進一步增加數據量，從而導致診斷精度下降。當誤報次數為1時，數據量為10 MB時，診斷精度為98.5%，數據量為30 MB時，診斷精度為94.9%，較數據量10 MB下降3.79%。

2.3故障檢測時間及功耗消耗

為進一步檢驗數據模型的時間消耗性能及故障檢測過程中CPU功耗消耗，對故障檢測時間及功耗消耗進行測試分析如圖3所示。

實驗結果表明，CPU空閑時，功耗約為30 W。當CPU獲取信號時，功耗約為35 W。當CPU處理信號并開始故障診斷時，總功耗約為240 W。故障開始檢測診斷時間為16.5 ms，隨著時間增加及數據模型開始診斷故障，CPU功耗消耗變化趨勢較小，平均功耗為245.6 W。

基于數據模型的故障發現時間到故障開始診斷時間僅為8.5 ms，為了保證算法本身的收斂性和計算結果的準確性，數據模型需要大規模的隨機仿真，計算時間較短。因此，數據模型方法在全生命周期的煤礦設備診斷過程中，可以節省計算時間，模型算法具有較高效率，且CPU功耗消耗較低。

3結語

數據模型可以有效識別診斷聚氨酯膠墊溫度異常故障、電壓異常故障和主回路漏電異常故障，電壓異常故障較宜被診斷識別，靈敏度、特異性和準確率均大于90%，且數據模型的診斷效果遠高于神經網絡模型。

當設備故障特征信息被誤報時，數據模型具有非常強的抗過擬合能力。當誤報信息達到3時，診斷精度最大為92.1%，最小為88.7%。而當誤報次數為4次時，診斷精度明顯下降，最小診斷精度為78.4%。

基于數據模型的故障發現時間到故障開始診斷時間僅為8.5 ms，當CPU處理信號并開始故障診斷時，總功耗約為240 W，數據模型方法在全生命周期的煤礦設備診斷過程中，可以節省計算時間，模型算法具有較高效率。

【參考文獻】

[1]唐承娥，朱冬冬，明鑫.基于卷積神經網絡的電氣設備故障診斷研究[J].中阿科技論壇（中英文），2024（2）：103-107.

[2]鄒一方.基于機器學習的CT設備故障自動化識別系統[J].自動化技術與應用，2024，43（1）：134-138.

[3]胡延偉，何文飛，任龍飛，等.基于灰色模型的電極鍋爐設備故障檢測分析[J].機械制造與自動化，2023，52（6）：229-232.

[4]路東興.基于數字孿生模型的設備設計中故障診斷技術研究[J].科技資訊，2023，21（23）：116-119.

[5]李國維，袁小龍，姜小賓，等.面向電廠關鍵設備故障知識圖譜構建的關系抽取方法研究[J].電力大數據，2023，26（11）：41-50.

[6]王思遠，宋鑫.基于大數據算法模型的電力運維故障診斷方法研究[J].信息與電腦（理論版），2023，35（19）：43-45.

[7]王保軍，呂玉蘭.基于螢火蟲算法和LabCVI的煤礦機械液壓系統故障診斷研究[J].煤炭技術，2023，42（10）：224-227.

[8]韋偉，鄭楊，袁嘉梁，等.軌道交通設備故障知識圖譜構建與應用研究[J].中國新技術新產品，2023（17）：53-55.

[9]馮昭凱，白華，喬運華，等.基于云平臺的動態化設備智能診斷算法模型構建方案[J].制造業自動化，2023，45（8）：183-187.

[10]尹響.深度學習算法在垃圾焚燒發電廠電氣設備故障診斷中的應用研究[J].中國機械，2023（22）：77-80.

[11]陳人教.基于聚類算法的水處理機設備故障診斷方法設計[J].自動化應用，2023，64（9）：140-142.

[12]鄒澤華，王代春，韓媛媛.基于大數據挖掘的集控設備故障處置輔助決策方法[J].測試技術學報，2023，37（3）：235-242.

[13]王寧，王恩路，韓則胤，等.基于BP神經網絡的光伏發電設備故障檢測方法研究[J].自動化儀表，2023，44（3）：88-90.

[14]齊鵬，程力涵，彭寧賓.基于關聯規則的配網設備故障自動檢測研究[J].微型電腦應用，2023，39（2）：115-118.

[15]孫玉泰，謝占蘭.基于粒子濾波狀態估計的HGIS設備SF6氣體故障診斷[J].粘接，2023，50（7）：145-149.

[16]趙君，查園園.基于改進貝葉斯網絡的車載設備故障診斷研究[J].信息與電腦（理論版），2022，34（24）：87-91.

[17]金海勇，吳其樂，劉騰澤.基于模糊控制和大數據算法模型的電力運維故障診斷設備方法[J].計算機測量與控制，2022，30（11）：71-76.

[18]楊帆，張文娟，孫劍偉，等.通過振動信號判斷機械設備故障方法研究[J].粘接，2020，41（4）：171-175.

[19]楊廷勝，盧志鵬，苗厚利.基于PMS的設備故障數據分析模型構建及仿真[J].粘接，2022，49（7）：165-169.

（責任編輯：李睿）