探討煤礦機電設備中的故障檢測診斷技術

摘 " "要：隨著科學技術的快速發展，近年來我國煤礦領域發展迅速，煤礦機電設備的大量應用便能夠證明這一認知，基于此，本文介紹了常見的煤礦機電設備故障檢測診斷技術，并結合實例詳細論述了故障檢測診斷技術的具體應用，希望由此能夠為相關業內人士帶來一定啟發。

關鍵詞：煤礦機電設備;故障檢測診斷技術;通風機

中圖分類號：TD63 " " " " " "文獻標識碼：A " " " " " " " 文章編號：1004-7344（2019）03-0173-02

前 言

機電設備在煤礦生產中的應用具有提高煤礦生產效率、保障作業安全的優勢，但在優勢的背后，煤礦機電設備頻繁出現的機械故障也會直接影響正常的煤礦生產作業，如采煤機故障、通風機故障，而為了盡可能降低這類故障帶來的負面影響，正是本文圍繞煤礦機電設備中的故障檢測診斷技術開展具體研究的原因所在。

1 "常用的故障檢測診斷技術

在煤礦機電設備中的故障檢測診斷中，振動檢測、溫度檢測、鐵譜檢測、外觀診斷、專家診斷系統、人工神經網絡診斷、模糊數學診斷等均屬于較為常見的故障檢測診斷技術。

1.1 "振動檢測

作為一種常用的故障檢測診斷技術，振動檢測需要使用專業設備放大振動信號，并通過檢波器顯示振動峰值和有效值，以此進行煤礦機電設備的故障分析，故障診斷目標可由此順利實現。振動檢測使用的設備主要包括簡易診斷儀與精密診斷系統，前者主要負責故障設備的初步檢測，后者則需要錄入初步檢測數據和振動信號，以此形成更為精準的振動信號，最終通過計算機的分析和整合處理，即可完成高水準的煤礦機電設備故障檢測診斷。

1.2 "溫度檢測

煤礦機電設備發生故障時往往會出現一定的溫度變化，如故障部位溫度偏高，這一原理同樣可用于煤礦機電設備故障檢測診斷。溫度檢測需要應用溫度檢測設備收集處理檢測到的溫度數據，并通過曲線繪制分析設備的溫度變化，以此找出溫度突變部位，該部位便很可能為故障位置，故障排除的針對性、精確性可由此得到較好保障。煤礦生產對溫度存在極高的要求，因此溫度檢測可較好地服務于煤礦機電設備溫度威脅的排除。以煤礦主通風機的電動機軸承溫度檢測為例，該檢測一般應用熱電偶，主通風機電動機軸承都會有伸出主通風機機殼外的軸承加油孔，可以將熱電偶插入加油孔，以檢測電動機軸承的溫度。此外，電阻法、專業的溫度檢測儀器也能夠較好用于溫度檢測。

1.3 "鐵譜檢測

旋轉式鐵譜儀、顆粒定量儀均屬于鐵譜檢測常用設備，基于鐵磁屑和潤滑油在高磁場中相互作用開展的故障檢測診斷屬于鐵譜檢測的主要方式。在高磁場環境下，潤滑油與鐵磁屑可實現相互分離，且基片上會沉淀分離物，由此即可參考沉淀密度、沉淀顆粒的外形和大小進行故障診斷。在具體的鐵譜檢測中，可基于沉淀顆粒的外形和大小判斷故障的類型和原因，磨屑成分檢測則能夠明確設備磨損程度及故障的具體位置。

1.4 "其他檢測方法

除上述檢測診斷技術外，外觀診斷、專家診斷系統、人工神經網絡診斷、模糊數學診斷同樣可較好服務于煤礦機電設備故障檢測診斷。以人工神經網絡為例，人工神經網絡具備一定推理和計算能力，配合實時監測、物理結構模擬，人工神經網絡便能夠快速確定煤礦機電設備的故障位置及原因，由此實現的自動化故障診斷檢測必須得到業內人士重視。

2 "故障檢測診斷技術在煤礦機電設備中的具體應用

為提高研究的實踐價值，本文圍繞基于人工神經網絡的煤礦主要通風機故障檢測診斷、基于狀態監測系統的采煤機自動化故障檢測診斷開展了深入分析。

2.1 "基于人工神經網絡的煤礦主要通風機故障檢測診斷

應用人工神經網絡的煤礦主要通風機故障檢測診斷，需要首先建立人工神經網絡故障模型，這一模型的建立需結合煤礦主要通風機實際情況。這里以某煤礦的軸流式通風機為例，由于通風機在運行過程中時常出現振動超限故障，因此人工神經網絡故障模型的建立需要深入分析振動特性、了解故障機理、提取故障特征。軸流式通風機的結構相對復雜，為精確判斷故障發生的時間，需首先開展小波分析以此分解通風機的振動信號，并選擇八維向量作為特征向量。重構小波分解系數，并從不同頻帶范圍進行信號的提取，即可開展針對性較高的分析工作。量化處理需要結合各層能量構造向量，由此即可最終獲得特征向量。

一般情況下，煤礦主要通風機的運行速度、采樣頻率會分別控制為3000r/min以內、1000Hz，而結合Nyquist定理，可明確500Hz的頻率上限值，通過3層小波包分解，可最終得到表1所示的不同頻段代表頻率范圍。

將得到的8個頻帶能量（小波包3層分解）作為人工神經網絡的輸入向量，即可構建圖1所示的3層人工神經網絡結構。多次迭代后，如輸出總體誤差小于系統允許誤差，則訓練結束。輸入故障信號至訓練好的3層人工神經網絡，即可自動分析故障信息。在實際的應用中，檢修人員可通過通風機的振動信號開展故障檢測診斷，通過分解故障特征信號、傳輸至對應頻段、獲得小波頻帶分解能量，即可為人工神經網絡的故障診斷、狀態自識別工作的開展提供有力支持。圖2為人工神經網絡訓練過程中誤差變化曲線圖，結合該圖可更深入了解人工神經網絡的應用價值，煤礦通風機的維修也能夠獲得指導依據。

2.2 "基于狀態監測系統的采煤機自動化故障檢測診斷

作為綜采工作面的重要機電設備，采煤機很容易因大量粉塵、潮濕的工作環境出現故障。為了能夠第一時間發現故障、解決故障，近年來我國煤礦生產領域的采煤機設備狀態監測系統普及率不斷升高，這便為采煤機自動化故障檢測診斷奠定了堅實基礎。系統一般由遠程監測系統和機載監測系統組成，圖3為典型采煤機設備狀態監測系統整體架構，該系統具備狀態監測、故障診斷、信息管理、可靠性評價等功能。

以某煤礦采煤機出現的齒輪故障為例，該故障屬于采煤機的主要故障，占整機故障30%左右，因此本文圍繞這一故障探討了基于狀態監測系統的采煤機自動化故障檢測診斷。在具體的故障檢測診斷中，需應用時域平均分析方法，以此分析系統收集的齒輪箱信號等參數，由此即可自動分析齒輪箱故障。時域平均分析的要點在于從復雜信號（攜帶噪聲）中提取特定周期分量，并以此判斷設備故障，而在同一周期內，時域平均分析的開展需保證信號按照相應周期截取，信號起始點相同相位的保障也需要得到重視。在齒輪箱故障的診斷中，齒輪所在軸旋轉周期一般取整數倍，且齒輪箱裝置振動信息的收集過程還需要同時對轉速脈沖信號進行記錄，由此開展時域平均，觸發信號平均相加（利用同步脈沖信號整數倍），隨著平均次數的不斷增多，嚙合頻率信息、齒輪回轉頻率信息均會較好保留，這一過程需保證噪聲信號得到有效消減。通過上述措施，即可獲得振動信號中的周期性成分，配合對所得時域波的觀察分析，即可準確判斷故障。

圖4為不同狀態下的齒輪時域平均信號，其中圖4（a）的出現代表齒輪處于正常運行狀態;圖4（b）的出現代表幅值調制作用對時域平均信號造成了影響，且調制頻率相對較低;圖4（c）的出現代表齒輪存在嚴重磨損，且時域統計特征幅值存在顯著增大;圖4（d）的出現代表齒輪出現了較為嚴重的故障，且現場一般會聽到異常的噪聲，發現該故障后檢修人員必須第一時間進行修理。

3 "結 論

綜上所述，煤礦機電設備中的故障檢測診斷技術具備較高實用性，在此基礎上，本文涉及的基于人工神經網絡的煤礦通風機故障檢測診斷、基于狀態監測系統的采煤機自動化故障檢測診斷等內容，則提供了可行性較高的故障檢測診斷技術應用路徑，而為了進一步提高故障檢測診斷水平，結合實際情況的故障檢測診斷技術選擇、故障類型與故障特征的非線性關系明確必須得到重視。

參考文獻

[1]崔東偉.煤礦機電設備管理中機械故障檢測診斷技術的應用分析[J].山東工業技術，2018（21）：87.

[2]王 芳.關于故障診斷技術在礦山機電設備中的實踐運用探索[J].科技視界，2017（03）：102+100.

[3]霍東東.煤礦機電設備管理中機械故障檢測診斷技術的應用分析[J].科技創新與應用，2014（05）：100.

收稿日期：2018-12-7

作者簡介：王洪波（1983-），男，機電工程師、一級建造師，大學本科，主要從事煤礦機械設備選型及供配電設計工作。