基于模糊支持向量機的煤礦機電設備運行故障監測方法

張富魁

(陜西澄合山陽煤礦有限公司，陜西 渭南 715300)

煤礦機電設備是保證煤礦行業生產作業的關鍵設備，該設備在運行中出現故障，嚴重影響煤礦企業生產線與作業線。為了保證煤礦生產加工作業的連續性，工程研究領域投入了大量人力與物力進行設備運行的監測研究。但隨著現代化技術的持續優化，煤礦機電設備的結構呈現復雜化趨勢，設備的功能多樣化、構件越來越先進，盡管技術的更新優化了設備的功能，但設備的故障表現形式越來越多，故障診斷工作的難度隨之增加。為了解決該方面的問題，我國科研單位與技術單位在開展此方面工作的研究時，提出了針對其運行故障監測的專家系統、模糊技術、神經網絡和支持向量機等[1]。在對現有技術的研究中發現，支持向量機理論可以較好地處理機電設備故障分類工作，保證在樣本數量有限的前提下，實現精準地識別與診斷故障。但在設計成果的推廣研究中發現，支持向量機技術在處理模糊信息時存在不足，而煤礦機電設備運行信息中又存在大量的模糊信息[2]。因此，筆者將在早期研究內容的基礎上，引進模糊支持向量機技術，設計一種針對煤礦機電設備運行故障的全新監測方法。以期通過該方法解決上述問題，實現對機電設備運行的全面優化，保障煤礦企業生產、加工等作業的連續性。

1 機電設備運行故障監測方法

1.1 異常信號提取

為實現對煤礦機電設備在運行中故障的精準監測，應在開展相關研究前，提取設備運行的異常信號。在設備運行終端設置傳感器，獲取設備運行中的連續信號，確定設備的故障發生時刻。將對應時刻的信號按照EMD模式進行分解，按照信號的自適應分布模式，將信號采集頻率通過由高到低的方式排列，得到信號的故障模態函數分量[3]。將分量信號進行空間分布解析，得到信號的空間分布波數，匹配信號的波數與頻數，獲取信號短路故障的分量。在設備發生故障的瞬時階段，信號將發生跳變，對此刻的信號進行HHT轉換，將得到的信號分量作為異常信號特征量。按照上述方式，進行煤礦機電設備運行異常信號的提取，將此過程表示為下述計算公式：

(1)

公式(1)中：Y表示煤礦機電設備運行異常信號；N表示信號列數；y表示信號中的隨機變量；n表示異常信號特征分量；k表示信號編號。按照上述公式，進行異常信號瞬時特征的提取。

1.2 模糊支持向量機異常值訓練、監測與診斷

完成上述設計后，引進模糊支持向量機，結合神經網絡算法，進行瞬時異常信號的特征值訓練和識別[4]。在此過程中，需要進行信號的反復迭代處理，得到一個訓練后的測試集合，將集合表示為M，則M={m1，m2，…，mi}，計算集合中每個樣本的隸屬度。隸屬度計算公式如下：

(2)

公式(2)中：δ表示分類決策系數；si表示mi樣本的隸屬度；xi表示訓練子集的模糊參數；r表示有效訓練次數。在完成對樣本隸屬度的計算后，測試且訓練樣本集合，得到一個針對機電設備運行的模糊網絡，將得到的信號按照時序導入模糊神經網絡，輸出呈現連續狀態的信號，分析輸出結果，實現煤礦機電設備運行故障的監測。在監測過程中，在神經網絡中導入FSVM模糊分類規則，匹配監測網絡節點，通過對網絡節點的模糊化處理，識別異常節點，將異常節點對應的設備運行線路進行匹配，實現對故障的診斷。

2 對比實驗

以上完成了對煤礦機電設備運行故障監測方法的設計，為了將此方法正式投入使用，保證煤礦企業生產作業的連續性，通過對比實驗的方式，驗證設計成果的可行性和有效性。完成對煤礦企業的選定后，對該企業中現用的煤礦電機設備進行質量抽檢，選擇HHFUJI-C5100型號的設備作為此次實驗的主要研究對象。實驗前，調取此設備的回執報告單，明確此設備在2019年生產，并在當年年底被煤礦企業購進，購進后的設備直接被投入生產線。盡管在使用過程中實現了為企業發展創造效益的目的，但由于生產線監測該設備的運行狀態不到位，導致該設備在使用中多次發生故障，每次故障均對企業的生產造成了經濟損失。目前，該設備已被閑置在企業倉庫中。該設備主要由供電線路、電機檔位控制器和繼電器和電磁閥等基本元件構成，其運行原理如圖1所示。

圖1 HHFUJI-C5100型號煤礦機電設備運行原理

根據圖1內容，并且考慮到此設備在生產單位中屬于引進設備，相關設備元件與電路運行參數方面的信息存在空白。同時，由于該設備的連續使用年限較長，部分元件已經老化，電路整體的容差大。僅按照其歷史監測數據與運行反饋情況對其進行故障描述，難度較高，也無法建立起精準的設備電路模型。因此，此次實驗以該設備作為研究對象具備可行性。

在掌握此設備的相關信息后，將設備與企業生產線進行連接，在其運行前端與終端接入傳感器設備，監測設備運行過程中反饋的信號。將傳感器反饋的設備運行信號與該設備歷史運行信號進行匹配，提取煤礦機電設備運行異常信號，根據信號的模糊表達，使用神經網絡，在模糊支持向量機的支撐下，對異常信號與異常信息進行訓練。通過對煤礦機電設備運行故障的綜合監測，實現設備故障的診斷。為了檢驗設計方法的可行性，在設備試運行過程中，隨機截取一段從設備運行終端反饋的監測信號，并且與該設備的歷史運行數據進行比對，將比對結果以折線圖的方式呈現在監測界面，如圖2所示。

圖2 煤礦機電設備運行故障綜合監測結果

從圖2可以看出，截取的監測信號大部分與采集的歷史數據重合，在5 min～6 min時間段內，監測到異常信息，其他時間基本一致，存在部分較為突出的異常信號，可以認為明顯的異常信號代表該設備在運行中存在故障。因此，證明本文設計的方法可以實現對煤礦機電設備運行故障的綜合監測，反饋信號與歷史監測信號基本一致。

在證明了設計方法可行性的基礎上，選擇基于ZigBee網絡的煤礦機電設備運行故障監測方法作為傳統方法，選擇該企業內存在故障或運行異常的煤礦機電設備作為監測對象，分別使用本文方法與傳統方法監測設備的運行。對比兩種方法的監測結果與實際結果的匹配度，在設計方法實現對設備故障的精準識別且識別的結果與設備實測故障一致時，說明方法具有應用性和可行性。按照上文提出的內容部署實驗過程中的傳感器，根據傳感器反饋的信號診斷設備是否存在故障。統計實驗結果，如表1所示。

表1 煤礦機電設備運行故障診斷結果 單位：個

從表1的實驗結果可以看出，本文設計的監測方法在實際應用中，準確地監測出煤礦機電設備的運行故障，診斷結果與實際故障一致。而傳統監測方法的故障診斷數量略少于實際故障數量，其中SPJKL-L2000設備監測的故障數誤差達到了2個，說明傳統方法具有監測能力，但對故障診斷的效果欠佳。因此，相比基于ZigBee網絡的監測方法，本文設計的基于模糊支持向量機的煤礦機電設備運行故障監測方法，不僅可以實現對設備運行的有效監測，也提高了監測的準確性，綜合使用價值更高。

3 結束語

筆者從煤礦機電設備運行異常信號提取、異常值訓練、監測與診斷等方面，開展了基于模糊支持向量機的煤礦機電設備運行故障監測方法的設計研究。該方法引入了模糊支持向量機，以此為基礎監測機電設備的運行故障。在完成設計后，選擇某煤礦生產企業作為實驗參與單位，開展對比實驗，進行本文設計方法可行性的檢驗。通過實驗證明了，本文設計的方法在實際應用中不僅可以實現對機電設備運行的有效監測，也可以實現對故障的精準診斷。因此，可將本文設計的方法應用到實踐，并在市場內進行推廣，希望提高煤礦機電設備的運行效率，保證煤礦生產作業的連續性與可靠性。