礦山工程施工的機械設備狀態監測系統應用

衣袖帥

摘要：目前礦山工程施工中對關鍵的大型機組都擁有完備的狀態監測和診斷系統，然而對于現場的一些中小型關鍵運轉設備（如機泵、壓縮機、小型風機、小型電機等）由于其工作的特殊性：轉速較低，設備維修更換費用低等，仍然沒有理想的在線監測方案和設備，多數企業還停留在離線監測或人工巡檢和定期維修的設備維護階段。但是這些設備運轉的好壞直接關系企業的生產，有可能影響到大型機組的運行，對企業經濟效益產生直接的影響。提出了基于嵌入式系統和網絡信息化平臺的分布式在線監測系統，該系統針對中小型關鍵機械設備監測的特點，綜合了先進的現場總線網絡、Ethernet局域網絡和Internet互聯網絡等技術，開創性的利用無線現場采集模塊，實現了分布式的數據采集。

關鍵詞：機械設備;故障診斷;狀態監測

引言：在礦山機械設備的工作狀況管理過程中，常常由于無法準確獲知設備的位置和實時運行狀況，使得業務開展時效率低下。由于不能實時收集礦山機械設備的工作狀況，進行運營成本的數據分析，使得企業無法實現精益管理。機械設備狀態監測與故障診斷在工業生產中的地位舉足輕重，越來越復雜的測試條件、高度自動化的工業化大生產迫切需要功能更強大、成本更低廉、系統更靈活的新一代測試儀器。網絡化、虛擬儀器是未來測試與儀器技術發展的主要標志，這一切都離不開先進的測試與儀器軟件開發平臺，本論文研究了設備狀態監測與故障診斷中振動信號的測量方法以及振動信號故障特征提取時應用的信號處理方法，并最終設計出一套軟件硬件結合設備狀態監測與故障診斷系統。

1.中小型關鍵機械設備的實時在線監測實施方案

將嵌入式系統和無線通訊技術應用于中小型關鍵機械設備的實時在線監測，有效的解決了中小型關鍵機械設備監測難的問題，極大的提高了設備的管理和維護效率。

電路原理圖：

如圖所示，采用文氏電橋、儀表運算放大器、帶通濾波電路、交直流變換電路、濾波電路、低通濾波電路、第一放大電路、第一積分電路、第二放大電路、第二積分電路、第三放大電路、單片機、編碼電路，單片機分別與濾波電路、第一放大電路、第二放大電路、第三放大電路、儀表運算放大器、編碼電路相連，儀表運算放大器與文氏電橋相連，濾波電路、交直流變換電路、帶通濾波電路、低通濾波電路、第一放大電路、第一積分電路、第二放大電路、第二積分電路、第三放大電路依次相連。采用PIC單片機與Hac-up模塊相連，無線現場采集系統主要由三部分組成：模擬電路部分、數字電路部分及無線數據發送接收模塊。模擬電路由四個相同的信號處理卡組成，可以同時處理8路有效信號。模擬電路主要負責現場信號的采集和處理，其中包括差分處理及放大，濾波性放大，積分等過程。數字電路由可編程微型處理芯片組成，又稱為MCU控制模塊，主要負責A/D采樣，電路控制及數據壓縮。本系統設計4塊信號處理卡，每張卡可同時處理單路振動傳感器和溫度傳感器信號，由MCU控制其開關工作。

2.一種工程機械設備工作狀況監測記錄儀

通過實時的GPS定位信息，有效提升工程機械設備的防盜安全性能;通過對收集數據的分析能準確掌握工程機械設備的工作狀況，計算出精確的運行成本數據，為管理者的精益管理奠定基礎，提高管理效益;能與管理者的業務管理軟件配合，使對工程機械設備的管理和監測更加智能化，并能實現對重點設備的管理。

工程機械設備工作狀況監測記錄儀示意圖：

如圖2所示，該工程機械設備工作狀況監測記錄儀包括MCU模塊、GPS模塊、移動通訊模塊、AD采集模塊，存儲模塊[1]，電源管理模塊、I/O模塊，其特征在于：所述GPS模塊、AD采集模塊、存儲模塊、電源管理模塊，均與MCU模塊相連接，由MCU模塊控制采集數據的間隔時間、數據文件的存儲管理以及數據傳輸的控制，用以控制和管理整個儀器的運轉，所述存儲模塊連接有移動通訊模塊和I/O模塊，存儲模塊可將各模塊收集的數據信息按照指定格式進行形成文件并存儲。

3.智能故障診斷

智能故障診斷依靠機器學習方法能夠自動識別機械裝備的健康狀態，減少了傳統故障診斷過程中對診斷經驗與專業知識的過分依賴。傳統的智能故障診斷過程主要由兩部分組成。（1）故障特征提取及優選。基于信號處理方法或數據統計手段，提取機械設備監測信號的故障特征，再結合距離估計、主分量分析等技術從多特征集中優選故障敏感特征。（2）故障類型識別。以優選的故障敏感特征訓練人工神經網絡、支持向量機或決策樹等數據分類模型，實現故障類型的自動識別。盡管傳統智能故障診斷方法能夠實現機械裝備健康狀態的自動識別，但其故障特征提取及優選階段仍需依靠人為先驗知識，制約了機械裝備智能故障診斷方法的推廣與應用。基于稀疏自編碼網絡的智能故障診斷方法通過樣本訓練模型，可建立機械監測信號與健康狀態之間的非線性映射，達到自動提取機械故障特征、識別健康狀態的目的。選擇傳統智能故障診斷方法-支持向量機與本發明的診斷效果進行對比。人為提取每個健康狀態樣本的診斷特征[2]，包括：FM0、FM4、能量比、Sidebandindex、Sidebandlevelfactor、方均根值、能量算子、偏度、峭度和峰值等10種常用的齒輪箱診斷特征及4種小波能量比，再以這種診斷特征所組成的訓練集為輸入，利用支持向量機識別兩級行星齒輪箱的健康狀態。該方法的訓練精度達到97.14%，測試精度達到95.54%，低于的測試精度，說明避免了智能診斷過程中的人為干預，且提高了行星齒輪箱的健康狀態識別精度。

結論：

簡而言之，隨著社會經濟發展和裝備科技含量提高，礦山工程施工機械設備的狀態監測作為預測維修的科學方法得到廣泛推廣，但在設備在運行中，受到許多不利因素的影響，使設備電路不可避免地出現各種各樣的故障。本文提出可提高設備維護管理效率的在線監測系統，對機械設備狀態實施科學的管理和及時的維護。

參考文獻：

[1]李愛厚.狀態監測在設備預測維修中的應用[J].中國礦山工程，2018，37（1）：32-34.

[2]胡順發.礦山工程機械電器系統故障診斷與維修[J].黑龍江科技信息，2019，（32）：6-6.