刮板輸送機故障診斷與狀態監測系統的設計

王瑞生

（西山煤電礦建公司， 山西 太原 030053）

引言

刮板輸送機擔負著煤礦綜采工作面的主要運煤工作，是主要的運輸設備。如今，煤礦的年產量在不斷提高，年產量達到千萬噸級礦井以及大采高工作面發展十分迅速，對于刮板輸送機的運輸能力也有了更高的要求，而刮板輸送機的功能也在不斷完善，自動化程度也隨之提高。一方面，刮板輸送機的結構更加復雜，一個部件的損壞很可能會導致整個設備無法正常運行，進一步影響工作面的安全生產工作，造成刮板輸送機可靠性降低，出現失效或故障的風險增大；另一方面，刮板輸送機自動化程度的提高，能夠有效降低工作面的開采成本和工人的勞動強度，帶來較好的經濟和社會效益。現在的綜采工作面雖然能夠實現刮板輸送機的自動化控制，但是卻缺乏自動化程度較高的狀態監測和故障診斷系統[1-2]。

1 刮板輸送機狀態監測系統設計

如圖1所示，綜采工作面刮板輸送機狀態監測和故障診斷系統主要由一個主站以及多個分站組成，各個分站可以組成整體協調工作，也可以根據需要獨立工作。

1.1 監測系統功能設計

監測系統的分站主要是各傳感器發送的信號，這些信號多為模擬信號，需要監測分站完成模數轉換，能夠根據數據確定刮板輸送機當前的工作狀態，對故障做出簡單診斷，并就地顯示報警信息和監測到的實際數值。分站監測的物理量包括：電機繞組溫度，冷卻水壓力和流量，轉子前、后軸承溫度，潤滑油液位、溫度，減速器低速軸、高速軸軸承溫度[3]。監測系統主站負責收集來自分站的監測和故障診斷信息，并將這些信息顯示出來以及打包上傳至上位機，工作人員還可以通過主站遠程修改分站的參數。

遠程終端的工業計算機有著強大的數據處理功能，能夠有效實現故障診斷與預警，歷史故障存儲與查詢等功能。

1.2 監測系統硬件設計

監測系統的控制核心選用S7-300 PLC，系統的顯示核心選用DOP-B型號的人機界面，在可以靈活配置硬件電路的基礎上，還可以借助該平臺完成較為復雜的控制策略和算法。為了保證監測系統運行的穩定性、可擴展性、易維護性，系統的分站和總站的硬件結構如圖2和圖3所示。

1.3 監測系統軟件設計

圖1 刮板輸送機狀態監測與故障診斷系統總體結構圖

圖2 刮板輸送機狀態監測系統分站硬件設計結構圖

圖3 刮板輸送機狀態監測系統總站硬件設計結構圖

監測系統的軟件程序主要分為兩部分，分別是人機界面程序和PLC控制程序，在設計軟件程序時需要考慮到程序的擴展性和可移植性。主要包括主程序、中斷程序、子程序、初始化程序、輔助程序等[4]。

1.3.1 監測系統人機界面程序設計

1）人機界面不僅是監測系統的主要顯示單元，同時也是人與控制系統進行信息交互的平臺，主要實現的內容包括：設置系統參數；監測信息以列表或柱狀圖的形式顯示出來，包括報警、預警信息，傳感器的工作狀態；報警值以及修改過程需以列表的形式顯示。人機界面程序流程如圖4所示。

2）分站和主站的人機界面都包括參數設定界面、報警值顯示界面、監測信息顯示列表界面、監測信息顯示柱狀圖界面、歡迎界面等，如圖5所示。

圖4 人機界面程序流程圖

圖5 人機界面監測信息顯示界面

1.3.2 監測系統PLC程序設計

1）監測總站的PLC主程序需要依次執行初始化子程序、與分站的通信子程序、與上位機的通信子程序、人機界面控制子程序、報警處理子程序。這些子程序中，初始化程序非常重要，所需初始化的數據都存放在數據塊中，并且初始化程序僅在程序首次掃描執行時運行。數據塊初始化的數據有：預警值、報警值、報警值可修改的范圍、報警方式[5]。

監測分站的PLC主程序需要依次執行初始化子程序、與主站的通信子程序、模擬量數據采集子程序、數字量數據處理子程序、人機界面控制子程序和報警處理子程序等。其中初始化的內容和主站相比多了對傳感器類型、數量以及測量范圍進行賦值。

2）模擬量數據處理子程序。系統采用的溫度傳感器、壓力傳感器、流量傳感器等輸出信號都為4～20mA的模擬電流信號，分站在采集到這些信號后通過PLC的模擬量轉換模塊轉成單極性數字量。該子程序啟動后，系統會首先檢測模擬量轉換模塊能否正常工作，如果能夠正常工作，那么就將轉換后的值從模擬量輸入映象區轉移到V存儲區中，并存儲起來，然后即可調用計算庫子程序進行計算。

3）人機界面控制子程序。雖然系統采用的人機界面自身也有處理數據的能力，但處理能力較弱，現場應用實踐表明，利用PLC處理數據，然后由人機界面進行顯示可以有效提高顯示數據的實時性。

2 故障診斷系統設計

2.1 基于BP神經網絡的故障診斷

本文設計了兩個BP神經網絡分別診斷減速器和電動機的故障。

1）電動機故障診斷BP網絡。電動機故障診斷BP網絡分為3層，其中有1層為隱含層。需要輸入的節點有冷卻水壓力、冷卻水流量、轉子前軸溫度、轉子后軸溫度、繞組溫度，共有5個節點；輸出的節點有軸承故障、繞組故障、無故障，共3個節點。隱含層節點有11個。

2）減速器故障診斷BP網絡。減速器故障診斷BP網絡也分為3層，也有1個隱含層。需要輸入節點有冷卻水壓力和流量、油位、油溫、低速軸承溫度、高速軸承溫度，共有6個節點；輸出層節點有低速軸承故障、高速軸承溫度、無故障，共有3個節點。隱含層節點數有13個。

針對減速器只出現高速軸承故障的情況，利用matlab進行故障診斷仿真實驗。首先對來自傳感器的原始信號進行歸一化處理，然后將得到的信息源輸入減速器故障診斷BP神經網絡，通過神經網絡工具箱的計算從而得到故障的初步診斷結果。表1顯示了連續3個時刻t1—t3的故障診斷結果，表中Y3、Y2、Y1分別代表了低速軸承故障、高速軸承溫度、無故障的故障率初步診斷結果。

表1 故障率診斷結果

2.2 基于D-S證據理論的故障預測

按照D-S證據理論的合并規則，將一些在同一辨識框架下的不同證據體合并成為一個新的證據體，能夠解決多傳感器信息融合過程中出現的不確定性問題。其中，如何根據現有的證據體構造基本概率賦值是非常重要的，由于D-S證據理論沒有進行基本概率賦值的方法，所以本文將神經網絡的訓練誤差作為系統的不確定因素，歸一化處理輸出節點的輸出數據，并將其作為基本概率值，即m（Ai），其中的計算公式如下：是神經網絡的樣本誤差；Ai是需要早診斷的故障模式；y（Ai）是BP神經網絡輸出節點的輸出；yj和tj分別是j個神經元的實際值和期望值。將不確定的故障、低速軸承故障、高速軸承故障和無故障分別設為 Θ、A3、A2、A1，那么根據公式（1）就可以得出基本概率賦值，如表2所示。

該公式中

表2 基本概率賦值

為了提高診斷的精度，利用D-S證據理論在時間域上對BP神經網絡不同時刻的連續輸出結果進行融合，m1（Ai）和m2（Ai）的融合結果如表3所示，融合的結果如下：m'（Θ）=0.000 1，m'（A3）=0.025 2，m'（A2）=0.974 7，m'（A1）=0.000 1。然后利用m1（Ai）和m2（Ai）的融合結果與m3（Ai）再進行融合，最后的融合結果為m''（Θ）=0，m''（A3）=0.0020，m''（A2）=0.998 1，m''（A1）=0。

表3 m1（Ai）和m2（Ai）時域融合結果

對比神經網絡的輸出結果和最終融合結果對比可以看出，故障判斷過程中的不確定因素大幅減少，可以準確判斷出故障為高速軸承故障。

3 結語

本文設計的刮板輸送機狀態監測及故障診斷系統實現了對刮板輸送機的電動機和減速器運行狀態的實時監測和故障診斷功能。利用D-S證據理論對BP神經網絡系統進行優化，進一步提高了故障診斷的可靠性和準確性，對于實現高效生產的無人值守工作面有著重要意義。