煤礦機械設備故障分析與診斷技術及發展趨勢

王曉蕾,姬治崗

(呂梁學院礦業工程系,煤礦機械裝備維護與檢測試驗呂梁市重點實驗室,呂梁 033000)

煤炭是中國的主要能源，在一次性能源結構中占有重要地位，對中國經濟發展起到了重要的促進作用。隨著科學技術的發展，煤礦機械化程度不斷提高，截至2018年，中國煤礦機械化程度已達到75%以上，煤礦化機械水平直接影響煤礦高產高效發展，設備運行狀態決定了煤礦經濟效益[1-2]。

煤礦機械處于深部潮濕環境，其故障發生頻繁，特別是齒輪和軸承更易發生故障[3-4]，因此，對于煤礦機械進行故障診斷，能夠有效地避免事故發生，降低維修時間，減少維修成本，對于煤礦高產高效發展具有重要意義[5]。

基于煤礦機械故障診斷，總結煤礦大型機械故障診斷技術現狀，同時分析了煤礦機械故障診斷的不足，針對目前存在的問題，提出了未來故障診斷技術的發展趨勢。

1 機械故障診斷

機械故障診斷是對機械上傳感器獲取的數據進行系統分析，結合機械自身的特點，分析出故障發生的原因，并對機械在故障狀態下繼續運行發生的情況進行預測，當機械系統運行發生了偏移，則發生機械故障，整個機械系統部分或者全部失去作用，故障診斷就是利用傳感器獲取的數據進行系統的分析，得出故障發生的部位并且進行報警。依據故障診斷方式可將故障診斷方法分為三大類，如圖1所示。

圖1 故障診斷方法Fig.1 Fault diagnosis method

2 機械模型法

2.1 狀態估計法

狀態估計法是根據獲得的數據估算出機械內部狀態的一種方法,對于了解和控制系統具有重要意義[6]。

狀態估計法主要分為構造矩陣、預測估計值、殘差分析三部分。

采集機械運行狀態得出其向量：

X=[x1,x2,…,xn]T

(1)

式(1)中：x1為機械某一時刻該點運行狀態數據；X代表該時間點形成的工況向量。

采用m個工況的向量，綜合形成構造矩陣:

(2)

式(2)中：x11為1行1列正常工況的時間序列；M代表m個工況構成的記憶矩陣。

根據機械運行得出的新向量，并做歐式計算，得出一個權值向量：

(3)

式(3)中：Q代表權值向量；MT為記憶矩陣的轉置；*代表歐式距離計算；Xobs某一時刻新的觀測向量。

對式(1)～式(3)進行輸出計算得出式(4)：

(4)

式(4)中：Xest代表輸出向量。

最后進行殘差分析，得出式(5)：

ε=|Xobs-Xest|

(5)

式(5)中：ε代表殘差。

沈晨暉等[7]采用系統狀態估計方法對電液伺服系統進行了研究，結合狀態空間模型分析容積卡爾曼濾波產生的殘差實現故障診斷，并進行了可行性分析；史曉雪等[8]采用粒子濾波狀態估計對滾動軸承故障進行了研究，提出了一種基于粒子的故障診斷方法，同時進行了應用分析，證明了該方法的可行性；黃佳林等[9]采用多維時間序列狀態估計方法對壓氣機故障進行了預測研究，建立了仿真預測模型，設置了動態閥值，實現了壓氣機的預警監測報警；宋昌舉等[10]采用狀態估計方法對風機傳動系統進行了研究，設計了一種殘差信號分析運算法，通過數字仿真證實了該運算法則的適用性；任夢祎等[11]采用改進型的狀態估計法對制粉系統進行了研究，提出了新的構造過程記憶方法，通過應用分析，證實了該方法對于提高故障診斷效率的作用；劉濤等[12]采用多元狀態估計方法對電廠風機故障進行預警，提出了一種新的預警模型，并進行了應用研究，證實了該預警模型的適用性；趙洪山等[13]采用狀態估計法對風電機組液壓伺服系統故障進行了研究，提出了殘差估計函數，提出了自適用閥值。通過仿真證實了該函數的適用性；王儉臣等[14]采用狀態估計法對飛控系統傳感器故障進行了研究，提出了一種迭代學習法，通過仿真證實了該方法的有效性；尹詩等[15]采用狀態估計對風電機組變槳系統故障進行了研究，提出了基于非線性方法的故障診斷模型，指導了維修人員檢修順序。

2.2 參數估計法

參數估計法是從總體參數中隨機抽取樣本進行分析，通過抽取的樣本整體估計全部未知參數的過程。該發放分為點估計與區間估計兩種。

假設x1，x2，…，xn為總體隨機抽取的樣本。

得出樣本平均值為

(6)

式(6)中：x1為樣本；xp為樣本平均值;n為樣本個數。

得出樣本的n階矩陣為

(7)

式(7)中：Ak為樣本形成的矩陣。

得出樣本中心階：

(8)

根據大數定理公式：

(9)

張科等[16]為解決配電線的故障問題，提出了基于參數估計的模型，該模型能夠快速得出故障位置，具有較好的可行性；黃睿等[17]采用參數估計法對配電網故障進行了分析，建立了不平衡參數估計模型，能夠準確獲得路線參數；程永亮等[18]采用參數估計方法對相位信號進行了分析，得出相位信號參數估計模型，具有很好的適用性；符吉祥等[19]采用參數估計方法對雷達機械振動進行分析，修正了極坐標格式運算方式，通過仿真證實了模型的有效性；葛超等[20]采用參數估計法求解可靠度函數，進行建立決策模型，為地鐵列車檢修提供了幫助；王嘉琦等[21]采用參數估計方法對繼電保護裝置進行了分析，建立了可靠性分析模型，通過實例仿真證實了模型的適用性；葛云龍等[22]采用參數估計法對鋰電子電池進行了研究，根據擴散規則建立的診斷模型，該方法具有精度高，可靠性強的優點；侯翔昊等[23]采用參數估計對多通道魯棒故障衛星故障進行了分析，建立了仿真模型，仿真結果驗證其具有較高的預測性；張智威等[24]采用參數估計對電氣設備故障進行分析，建立電氣設備故障診斷模型，對電氣設備進行了有效的故障診斷。

2.3 一致性檢驗法

一致性檢驗其實質就是要數據保持一致性。屬于層次分析中成對比矩陣的一種檢驗方式。其故障診斷分為排定秩位、計算一致性系數、進行檢驗三部分。

首先對給出矩陣進行排定秩位，根據得出的總秩位數進行一致性系數計算，其計算公式為

(10)

(11)

W=12S/n2(k3-k)

(12)

隨后對一致性系數進行x2檢驗。

(13)

馮濤等[25]采用一致性檢驗對艦載參考站的移動特性進行了研究，提出了相關模型，通過實測證實了該方法具有較好的適應性；黃亮等[26]采用一致性檢驗對航空發動機剩余壽命進行了預測，提出了基于正態總體均值和變異系數的預測模型，通過預測誤差對比證實了所建立的模型的有效性；許丹等[27]基于空間相似性和波動閾值理論建立了預測模型，并且退化模型通過一致性檢驗，通過建模分析證實了模型的有效性；周亞寧[28]采用一致性檢驗對機械和人工挑選煤炭精度進行了分析，證實了設備具有更高的精度；牛清娜[29]采用一致性檢建立了機械設備維修決策結構模型，利用數學方法判斷一致性檢驗，通過實例分析證實了方法的有效性；張根保等[30]采用一致性技術對數控機床可靠性技術進行了研究，闡述了相關控制方法及技術，提出一致性影響因素措施；周紅星等[31]采用一致性檢驗對帶鋼機械性能進行了研究，從三個方面進行分析，應用效果較好；孫敏等[32]采用一致性檢驗對液壓泵進行研究，總結出最優裝配尺寸，使得產品性能更優；林小進等[33]采用一致性檢驗對逆變器進行了評估，提出了逆變器一致性檢驗模型，通過仿真證實了該方法的適用性；韓強等[34]采用一致性檢驗對聯邦濾波器兩級故障給了檢驗，針對一致性檢驗的缺點，提出了改進的一致性聯邦濾波器檢測法，通過實例分析證實了該方法的合理性。

3 信號處理法

3.1 頻譜分析法

頻譜分析法是將復雜的噪音信號轉變為簡單的信號，找出一個信號在不同頻率下的信息進行處理。其故障診斷流程如圖2所示。

圖2 頻譜分析法流程圖Fig.2 Spectrum analysis flow chart

李文等[35]采用頻譜分析法對直流配電網進行了分析，提出了混合儲能方案，通過實例分析證實了該方法的適用性；咸曉雨[36]采用頻譜分析對列車關鍵部位動應力參數進行了研究，提出了實序列及旋轉查詢的預測模型，通過仿真驗證了該模型的高效性；閆曉宏[37]采用頻譜分析技術對船載供電線路防雷保護裝置進行了研究，提出了預測模型并進行了優化，通過實例驗證了該方法的有效性；姚夢茹等[38]采用頻譜分析對音頻設備進行了研究，建立了基于傅里葉變化算法的診斷模型，采用實例分析證實了模型的有效性；康鵬[39]采用頻譜分析法對礦用轉運減速器滿載進行了研究，通過實驗室搭建的模型，證實了減速器優化設計的適用性；馬驪溟等[40]采用小波變換與頻譜分析對機械表面加工精度進行了分析，建立了精度預測模型；逯玉宏等[41]采用頻譜分析對單片機進行了研究，編寫了軟件主控計算方程，試驗結果表明，該模型具有較高的準確定；楊君等[42]采用頻譜分析方法分析了80～100 MHz的單片機控制源輸出，得出預測模型，通過調試得出滿足指標要求；孫迎雪等[43]采用頻譜分析技術對輸電線路的典型故障原因進行了分析，建立故障診斷預測模型，達到了有效預測的目的；張鈞[44]采用頻譜分析技術對25 MW發電機組故障診斷進行了研究，保證了發電機故障診斷的合理性，保證正常工作。

3.2 相關分析法

相關分析法是兩個或者多個處于同等位置的隨機變量之間的關系的一種統計分析法。在機械故障診斷中能夠多采用積差相關系數進行分析。

假設積差相關系數為Rxy，得出其計算公式為

(14)

(15)

對式(15)進行協方差處理得出最終計算公式為

(16)

最終通過關系將兩個單位不同的變量建立相關關系。

羅嬋純[45]采用參數相關分析對火電設備故障進行了研究，建立了基于參數相關分析分預測診斷模型，實例結果表明設備出現異常時，其相關關系發生了偏離；楊東等[46]采用特征相關分析法對柴油機故障進行了分析，提出了一種特征提取與相關關系的故障診斷方法，通過實例分析證實了方法的有效性；王培良等[47]采用獨立成分的相關分析法對自適應故障進行了研究，提出了一種基于HMM的檢測模型，通過仿真證實了該模型的有效性；范正天等[48]采用振動信號的相關分析法對柴油機故障診斷進行了預警分析，提出了預警分析模型，為故障預警提供了技術支撐；周長勇[49]基于相關分析法對機械故障進行了分析，提高了自身的維修技術；李勛等[50]采用相關分析法對波桿塔故障進行了定位研究，得出了初始行波與故障點之間的關系差，通過仿真證實了該方法的有效性；王建國等[51]采用自相關降噪方法對故障信號進行處理，得出自相關降噪故障診斷模型，通過試驗結果證實該方法的有效性；吳新光[52]采用相關分析法對礦山機械故障診斷進行了研究，闡述了相關原理方法，總結了故障診斷的具體應用技術；李靜雅等[53]采用相關差分分析法對提升機驅動電機振動信號故障進行了分析，提出了新的故障預測模型，通過實例分析證實了該方法的有效性。

4 人工智能法

4.1 專家系統法

專家系統法是借助于計算機的一種方法，其內部程序包含大量的領域專家的經驗與知識水平，通過計算機最終得出領域的答案。專家系統法流程如圖3所示。

圖3 專家系統結構圖Fig.3 Expert system structure diagram

張躍東等[54]采用專家系統對焊接機器人的故障進行了診斷，建立了基于樹狀分層關系的預測模型，該模型實現了搜索流程；何偉等[55]采用專家系統對軌道故障進行了檢測，建立了專家系統的監測管理模型，該系統能夠實時監測，保護生命和財產安全；李國平等[56]采用全矢模糊專家系統對混流泵故障診斷進行了研究，提出了新的故障診斷模型，能夠有效進行故障診斷；李猛等[57]采用專家系統對離合器制動器故障診斷進行了研究，建立了故障診斷專家模型，通過實例證實了該方法的可行性；馬俊杰等[58]采用專家系統對煤機裝備的油液系統故障進行了研究，提出了一種基于ASP.NET的故障診斷模型，避免了油液損耗；郭亨經[59]采用專家系統對采煤機故障診斷進行了分析，提出了一種基于搜索算法的故障診斷模型，該模型具有高效，準確的優勢；郭文斌[60]針對煤礦提升機故障診斷提出了基于模糊數學的故障診斷模型，該模型達到了預期效果；劉志海等[61]針對采煤機故障診斷提出了一種基于模糊專家系統的預測模型，該模型能夠大大降低故障定位時間，具有較高的適應性；杜文遼等[62]采用專家系統對大型立磨機故障診斷進行了研究，提出了基于最小二乘法的專家故障診斷模型，通過實例驗證該模型的適用性。

4.2 故障樹分析法

故障樹分析法是自上而下的演繹式失效分析法，利用布林邏輯組合低階事件，分析系統中不希望出現的狀態。其流程如圖4所示。

圖4 事故樹分布流程圖Fig.4 Fault tree distribution flow chart

王琨[63]采用故障樹分析法對采煤機牽引機構故障診斷進行了研究，建立了六個采煤機牽引部故障征兆以及二十二個牽引故障因素，確定了故障征兆的重要度；薄一龍[64]基于故障樹技術對煤礦排水泵故障進行了分析，針對故障原因幾何故障樹進行了定量、定性相結合的方法進行了探討；宋盼[65]采用故障樹技術對煤礦提升機設備進行了研究，提出了故障診斷模型，為煤礦工人提供了安全保障；楊曉奕[66]采用故障樹技術對煤礦懸臂式掘進機截割系統故障診斷進行了研究，對導致因素進行了定性分析，為快速診斷提供了基礎；周廣林等[67]采用故障樹技術對提升機盤式制動系統的可靠性進行了研究，提出了基于模糊動態的診斷模型；陳以壯[68]采用故障樹技術對刮板輸送機中的易損部件進行了研究，找出了影響刮板輸送機可靠性的因素，建立了故障診斷模型，保證了煤礦安全生產；吳立杰[69]采用動態故障樹技術對煤礦設備故障進行了研究，掌握了設備發生故障頻率高的部位，為重點監測提供了保證；李忠華[70]采用故障樹技術對提升機滑動故障進行了研究，提出了故障的故障樹診斷計算方法，為日常巡檢提供了基礎。

4.3 神經網絡法

神經網絡法是基于誤差反向計算的一種計算方法，其由輸入、輸入、隱含層三層組成，其過程主要由正向傳播和誤差反向傳播兩部分組成。

4.3.1 正向傳播

隱含層神經元輸出為

(17)

式(17)中：ω1ij、a1i均為函數輸入參數；f1為函數關系。

輸出層神經元輸出為

(18)

式(18)中：f2為計算關系式；y2k為神經元輸出。

正向傳播誤差函數表達式為

(19)

式(19)中：E為誤差函數；ω為權值參數；μ為輸入變量；tk為輸出節點。

4.3.2 反向傳播

得出第i輸入第k輸出權值為

a2ki=ηδki

(20)

式(20)中：a2ki為第i輸入第k輸出權值；η輸出權值系數；δki為第i輸入第k輸入權值。

得出第j輸入第i輸出權值為

Δω1ij=ηδkixj

(21)

式(21)中：Δω1ij第j輸入第i輸出權值；xj為權值后參數。

王勇等[71]采用神經網絡法對采煤機齒輪箱早期故障進行了診斷，采用五種指標建立了預測模型，通過仿真證實了該方法的有效性；任君蘭[72]采用神經網絡對滾動軸承故障信號進行了診斷分析，建立了神經網絡故障診斷模型，實驗結果表明該方法的有效性；唐旭等[73]采用神經網絡對數控機床滾珠故障進行了研究，提出了新型的故障診斷模型；曹智軍[74]采用故障樹技術對滾動軸承故障診斷進行了研究，以三種影響因素作為輸入量，實現不同工作狀態的故障診斷；楊清翔等[75]采用神經網絡法對煤礦帶式輸送機故障診斷進行了研究，建立了故障診斷模型，仿真結果表明該方法具有較高的速度；王驥文[76]采用神經網絡技術對刮板輸送機故障診斷進行了研究，設計了故障診斷流程，實現了實時在線監測；賈嶸等[77]采用神經網絡技術對光伏陣列傳感器故障診斷進行了分析，建立了特征值與故障位置之間的關系，通過仿真證實了該方法的有效性；唐立力[78]基于神經網絡對滾動軸承故障診斷進行了分析，建立了故障診斷模型，通過仿真證實了該方法的適用性；陳爾奎等[79]基于神經網絡對礦用變壓器故障診斷進行了研究，建立了診斷模型，提高了診斷速度。

5 展望

煤礦大型機械故障診斷是為了提高機械的監測的準確定位性，其研究方法一直處于故障診斷的熱點方向，未來故障診斷將結合人工智能以及大數據的發展主要集中在以下幾個方面[17,37,58,80]。

(1)大數據可靠性評價。機械在運行過程中產生大量的數據，數據形式呈現多樣化，信號源分散等特點，其監測技術需要進一步改善。其未來發展建立大數據質量評價指標與標準體系，分析多源信號的數據規整算法，合理準確高效地利用大數據技術。

(2)可視化技術。通過可視化技術，將大數據轉化為可視化的內涵，使得機械故障能夠通過直觀表現出來。實現有效可靠的決策，推動煤礦機械故障智能新技術的發現。其未來發展研究交互與一體化的智能分析、預測以及最終的識別。

(3)深度學習與數學方法綜合機械故障識別。深度學習是處理大數據的一種有效技術，能夠解決一些未解決的問題，同時兼顧數學方法，進行有效融合能夠將豐富的大數據消息進行準確有效的識別。其未來發展是通過數學方法建立深度學習網絡，建立煤礦機械多源不同構大數據的平臺。

(4)故障動態識別技術故障診斷是一個動態的、復雜的問題，特別是在井下復雜的地質條件下，其非線性問題必須得以解決，同時，故障準確分離，將是未來需要克服的一個關鍵問題。