基于模糊算法的煤礦皮帶運輸機故障診斷方法

董玉靜，鄭 雷

（山東能源龍礦集團，山東 龍口 265700）

引言

在煤礦作業生產中，皮帶運輸機是其綜采環節不可或缺的設備，將該設備安裝在轉載破碎機之后，主要負責對煤礦資源的運輸[1]。由于當前煤礦作業環境復雜因素逐漸增加，工作環境惡劣，加之煤礦生產企業對煤礦開采效率提出了更高的要求，使得當前皮帶運輸機的運行條件逐漸復雜，且運行負擔逐漸增加，造成其停轉、轉速過快、轉速過慢等問題逐漸產生，嚴重影響著煤礦生產的質量和效率，同時也會在一定程度上影響到煤礦作業的安全[2]。為了解決這一問題，國內學者提出關于煤礦皮帶運輸機故障的診斷方法。采用分布式光纖測溫的方式對煤礦皮帶運輸機的運行情況進行實時監測，出現故障之后及時進行維修，能夠減少由于運輸機故障而帶來的經濟損失[2]。但是該方法容易受到周圍復雜環境因素的影響，對于煤礦皮帶運輸機的故障診斷結果與實際故障情況存在誤差，診斷精度較低，影響煤礦皮帶運輸機的運行安全。針對這一問題，為了能夠提升皮帶運輸機運行穩定性，確保煤礦開采的安裝，在皮帶運輸機出現故障問題時應當作出更加快速的響應，本文嘗試引入模糊算法，開展對煤礦皮帶運輸機故障診斷方法的設計研究。以期提高煤礦開采的工作效率和安全。

1 基于模糊算法的煤礦皮帶運輸機故障診斷方法

1.1 煤礦皮帶運輸機故障分析與類型劃分

煤礦皮帶運輸機是煤礦行業中必不可少的一種散裝物體的運輸工具，這種運輸機的主要部件包括輸送帶、托輥、滾筒、電機、減速器與張緊裝置等各類連接部件。煤礦皮帶運輸機在長期高負荷運轉下，多種器件進行摩擦、嚙合，容易產生器件故障，此時煤礦皮帶運輸機會出現異響、停運等故障狀態，需要及時更換器件，或增加檢修次數即可解決。

在煤礦生產作業中，皮帶運輸機常見的故障發生在油泵電機以及運輸電機當中，例如油溫過高、油位過低等屬于油泵電機故障；過載、過熱、過流等屬于運輸電機故障[3]。當煤礦皮帶運輸機的油泵電機出現故障問題時，輸入點會處于閉合狀態，此時定時器開始計時，根據計時結果能夠實現對過載具體倍數的確定。除此之外，煤礦皮帶運輸機在運行過程中還會出現傳感器組故障，當這種故障問題產生時，則通過對液壓油溫度參數、壓力參數、油位參數等變化可以實現對其具體傳感器故障類型的判斷。

1.2 基于模糊算法構建皮帶運輸機故障診斷模型

由于獲取煤礦皮帶運輸機運行參數時會受到周圍復雜環境因素的影響，造成參數當中含有大量的噪聲，并且屬性值參數分布較為分散。針對這一問題，為了提高煤礦皮帶運輸機故障診斷結果的準確性和精度，引入模糊算法，針對煤礦皮帶運輸機運行過程中離散化的屬性值進行分析和處理[4]。利用煤礦皮帶運輸機監控裝置獲取到需要進行故障診斷設備的運行參數，并以此建立原始連續故障特征屬性集合，假設為D。針對結合D 當中所有連續故障征兆屬性值進行離散化處理，并利用模糊算法對離散屬性值約簡，使原始連續故障征兆信號當中含有大量連續性的屬性參數。針對離散化處理后得到的粗糙集屬性約簡，并利用離散后的條件屬性構建決策表，計算求解出最小條件屬性以及核[5]。將生成的各函數帶入到BP 神經網絡模型當中進行訓練，迭代滿足條件后，按照上述論述內容，得到皮帶運輸機故障診斷模型為：

公式（1）中：d 為原始連續故障特征屬性集合中的某一屬性數值；sc、co、d0均為煤礦皮帶運輸機運行過程中獲取到的初始化參數；Vd0、Vsc、Vco為獲取參數與標準運行參數相差均值。按照公式（1）所示，以構建皮帶運輸機故障診斷模型的方式確定設備運行參數與其故障類型之間的模糊線性關系。在實際應用中，在掌握皮帶運輸機初始化運行參數的模糊變量集合后，針對實際獲取到的運行參數，使用偏差量減的方式得出偏差變化率，為后續診斷步驟提供數值依據。

1.3 輸出模糊診斷規則

在完成對皮帶運輸機故障診斷模型的構建后，為了確保故障診斷的規范性，還需要完成對模糊診斷規則的輸出，在診斷規則的基礎上，也能夠進一步確保故障診斷結果的正確性。利用語言歸納故障診斷策略，建立模糊診斷規則，生成一組條件語句：IF e（p）is Ei and ec（p）is ECj THEN u（p）is U（i+j）。在上述條件語句當中，結合不同皮帶運輸機的故障類型確定p 的取值。p 表示為所有偏差數值模糊集合，EC 表示為所有偏差的具體變化數值構成的集合，這些規則的構造可以充分表示皮帶運輸機的故障特征。當偏差數值更大或偏差變化量為正數時，此時輸出量的數值較大；當偏差數值較小或為零時，此時輸出量的數值也較小或為零，以此根據輸出的一個結果即可實現對皮帶運輸機故障具體類型的判斷。

2 對比實驗

在上述論述基礎上，為了驗證引入模糊算法后的故障診斷方法實際應用效果，選擇將該方法作為實驗組，將傳統基于PLC 控制技術的診斷方法作為對照組，將兩種診斷方法應用到相同的煤礦皮帶運輸機上，針對其運行過程中出現的故障問題進行診斷。已知在該皮帶運輸機運行過程中可能出現的故障問題包括油溫過高、油位過低、運輸電機兩側粘連、油泵電機過載故障、油泵電機過熱故障，針對上述存在的五種故障問題，分別編號為A、B、C、D 和E。在實驗過程中，皮帶運輸機在運行T1～T5時刻中，對皮帶運輸機的油溫、油位、壓力以及傾角等參數進行測定，并通過測定得出的結果對皮帶運輸機的故障類型進行判斷，將得到的故障結果與兩種診斷方法給出的故障類型劃分結果進行對比。

在T1時刻和T2時刻，兩種診斷方法得出的結果均與實際煤礦皮帶運輸機故障類型相同。而在T3與T4時刻時，本文方法診斷結果為油溫過高，對照組診斷結果為油位過低，實際故障為油溫過高，油溫分別為94 ℃和93 ℃，本文診斷結果與實際故障一致；在T5時刻時，本文方法診斷結果為油位過低，而對照組未能對故障進行診斷，實際故障為油位過低，油位分別為19 mm 和9 mm，本文診斷結果與實際故障一致。

因此，通過上述得出的實驗結果證明，本文引入模糊算法后提出的故障診斷方法能夠實現對煤礦皮帶運輸機運行過程中故障類型更準確的判斷。

3 結語

在結合模糊算法的基礎上，提出了一種針對煤礦皮帶運輸機故障的診斷方法，同時通過實驗的方式證明了該診斷方法的可行性以及應用優勢。將本文提出的診斷方法應用到實際煤礦作業生產當中，能夠更加快速、及時地判斷出煤礦皮帶運輸機故障的具體類型，并進行報警和保護，從而避免更大事故的發生，不僅能夠減輕煤礦開采現場的工作負擔，同時也能夠節省更多對相關市設備維修的資金，為煤礦企業帶來經濟效益和社會效益。