煤礦機電設備智能診斷技術研究與應用

山東能源西北礦業平涼五舉煤業有限公司 趙仁漁

煤礦是我國重要的能源原材料基地，煤礦機電設備是煤礦生產的重要保障。然而，由于煤礦環境的惡劣、設備的復雜、運行的高強度等，導致煤礦機電設備經常發生故障，給煤礦生產帶來嚴重的安全隱患和經濟損失。因此，及時、準確、有效地診斷煤礦機電設備的故障狀態，對于保障煤礦安全生產、提高設備利用率、降低維修成本都具有重要的意義。

目前，對于煤礦機電設備的故障診斷，主要采用的方法有基于模型的方法、基于信號處理的方法、基于人工智能的方法等。這些方法各有優缺點，但也存在一些共同的局限性，如對設備選型和故障機理要求較高，難以適應復雜多變的故障情況；對信號采集和處理要求較高，易受噪聲和干擾的影響；對數據量和質量要求較高，需要大量的先驗知識和經驗等。因此，如何克服這些局限，提出一種更加魯棒的故障診斷技術，是當前研究的一個重要課題。

鑒于此，本文提出了一種基于諧波信號監測與分析的智能診斷技術。該技術具有以下優點：一是不依賴于設備模型和故障機理，能夠適應多種類型和不同程度的故障。二是不受噪聲和干擾的影響，能夠在復雜環境中穩定運行。三是不需要大量的數據和知識，能夠自主學習和適應新故障情況。

1 煤礦機電設備故障特點及診斷方法

1.1 煤礦機電設備的常見故障類型和原因

煤礦機電設備是指在煤礦生產過程中使用的各種電氣、機械、液壓、氣動等設備。這些設備長期在惡劣的環境中運行，受到高溫、高壓、高腐蝕等多種因素的影響，容易發生各種故障，影響煤礦的安全生產和經濟效益[1]。

現階段，根據故障的發生原因，煤礦機電設備的故障可以分為以下兩類。

第一，損壞性故障。這類故障是指設備或部件在運行過程中出現變形、裂紋、斷裂、燒損等物理性損壞，導致設備不能正常工作。原因主要有材料質量不合格或選用不當；加工或裝配質量不良；設計或制造缺陷；外力或內應力過大；環境溫度或濕度過高或過低等。

第二，松脫型故障。這類故障是指設備或部件在運行過程中出現松動、脫落、滑移等連接性失效，導致設備不能正常工作。原因主要有連接件質量不合格或選用不當；連接件安裝不牢固或緊固力不足；連接件受到振動、沖擊或溫差等影響而松動；連接件受到腐蝕或磨損而失效等。

1.2 煤礦機電設備的故障診斷方法及其局限性

煤礦機電設備的故障診斷方法是指在不拆卸設備的情況下，通過對設備的運行信號進行采集、分析和處理，判斷設備的運行狀態和故障類型的技術。根據不同的信號處理方法。

第一，基于解析模型的檢測和診斷方法。這類方法是根據設備的物理原理和數學模型，建立設備的正常運行狀態和故障狀態下的解析模型，然后通過對比實測信號和模型輸出信號，判斷設備是否存在故障以及故障位置。該方法優點是具有較強的可解釋性，但缺點是需要準確的模型參數，而且很難考慮到復雜環境和非線性因素的影響[2]。

第二，基于人工智能的方法。這類方法是利用如神經網絡、支持向量機、模糊邏輯、專家系統等人工智能技術，對設備的運行信號進行分類、識別和推理，實現故障檢測與診斷。方法優點是能夠處理非線性、非平穩和不確定性等復雜問題，而且能夠利用先驗知識和經驗規則，但缺點是需要大量的訓練數據和合適的網絡結構，而且很難保證系統的魯棒性。

1.3 基于諧波信號監測與分析的智能診斷方法

基于諧波信號監測與分析的智能診斷方法是一種新型的煤礦機電設備故障診斷方法，利用設備運行時產生的諧波信號作為故障特征，通過對諧波信號進行采集、濾波、變換、提取和識別等，實現對設備故障的智能診斷。方法優點是能夠有效地克服傳統方法中存在的模型不準確、參數不確定、信號特征不明顯等問題，提高故障診斷的準確性和可靠性。

基于諧波信號監測與分析的智能診斷方法主要包括以下五個步驟。一是諧波信號采集。二是諧波信號濾波。三是諧波信號變換。四是諧波信號提取。五是諧波信號識別。

2 諧波信號監測與分析技術

諧波信號是指頻率為基波頻率的整數倍的正弦信號，其是一種常見的非正弦信號，可以用傅里葉級數展開為基波和各次諧波的疊加。諧波信號的原理和特征如下。

一是諧波信號的原理。當一個周期性信號不是正弦波時，可以看作是由多個不同頻率、幅值和相位的正弦波疊加而成的，這些正弦波稱為諧波[3]。

二是諧波信號的特征。諧波信號的特征主要包括幅值譜、相位譜和功率譜等。幅值譜是指各次諧波的幅值隨頻率的變化曲線，反映信號中各次諧波的能量分布情況。相位譜是指各次諧波的相位角隨頻率的變化曲線，代表信號中各次諧波的相位關系。功率譜是指各次諧波的功率隨頻率的變化曲線，反映信號中各次諧波對總功率的貢獻程度[4]。

諧波信號監測與分析技術是指利用各種儀器和方法對產生或含有諧波信號的電氣系統進行檢測。對諧波信號進行監測與分析階段，需要進行信號采集和處理。采集方法有模擬采集和數字采集兩種，模擬采集是利用模擬電路對信號進行放大、濾波、調制等處理，然后通過示波器或頻譜儀等儀器進行顯示；數字采集是利用模數轉換器（ADC）對信號進行采樣、量化和編碼，然后通過計算機或數字存儲示波器等儀器進行存儲。

3 基于人工神經網絡的智能診斷算法

3.1 人工神經網絡的結構

人工神經網絡是一種模擬生物神經系統的結構和功能的計算模型，其由大量的簡單處理單元（神經元）通過連接閾值（突觸）相互連接而成。人工神經網絡具有自學習、非線性、并行處理等特點，可以處理復雜的模式識別問題[5]。

人工神經網絡的結構一般分為輸入層、隱藏層和輸出層，其中輸入層接收外部輸入信號，隱藏層和輸出層的神經元都是由前一層的神經元傳遞信息得到，如圖1所示。根據不同的連接方式，人工神經網絡可以分為前饋網絡、反饋網絡和自組織網絡等類型。常用的人工神經網絡有BP 網絡、RBF 網絡、Hopfield 網絡、SOM 網絡等。

圖1 人工神經網絡的結構

訓練和測試方法包括五個步驟：一是確定網絡的結構和參數，如神經元的個數、激活函數的類型、連接權值的初始值等。二是選擇合適的學習算法，如梯度下降法、遺傳算法、模擬退火法等，來調整連接權值，使得網絡的輸出與期望輸出之間的誤差最小化。三是利用一部分已知輸入輸出對（訓練集）來訓練網絡，直到達到預設的收斂條件或者最大訓練次數。四是利用另一部分已知輸入輸出對（測試集）來測試網絡的泛化能力，即對未知輸入信號的處理能力，評估網絡的性能指標。五是根據測試結果，對網絡進行調整或優化，如增加或減少隱藏層節點數、改變學習率、改變激活函數等，以提高網絡的性能。

3.2 人工神經網絡在故障診斷中的應用方式

一是利用人工神經網絡作為故障分類器，根據故障特征向量來判斷故障類型和位置。例如，利用BP網絡對電機故障進行分類。二是利用人工神經網絡作為故障檢測器，根據正常運行狀態下系統輸出值與實際輸出值之間的偏差來判斷是否發生故障。例如，利用RBF 網絡對光伏逆變器故障進行檢測。三是利用人工神經網絡作為故障辨識器，根據系統輸出值或殘差來估計故障參數或大小。例如，利用Hopfield 網絡對航空發動機傳感器故障進行辨識。四是利用人工神經網絡與其他方法相結合進行故障診斷，如與專家系統、模糊邏輯、小波分析等方法相結合，提高診斷效率。

4 設備健康狀態監測與預警系統

4.1 設備健康狀態監測與預警系統的架構

設備健康狀態監測與預警是指通過對設備運行狀態的實時采集、存儲、分析和評價，實現對設備的狀態識別，并對設備的異常情況進行自動報警、早期診斷，保障設備的安全運行。設備健康狀態監測與預警的目的是提高設備的可靠性，減少運維成本，提高生產效率和經濟效益。

設備健康狀態監測與預警系統的架構一般包括數據采集層、數據傳輸層、數據處理層和數據展示層，如圖2所示。數據采集層負責通過各種傳感器采集設備的振動、電流、聲音、溫度等多種信號；數據傳輸層負責通過有線或無線網絡將采集到的數據傳輸到數據處理層；數據處理層負責通過特征工程、時頻感知、深度學習等方法對數據進行分析和挖掘，構建設備健康模型，實現對設備狀態的評估和預測，并生成報警信息和診斷結果；數據展示層負責通過可視化界面或移動端將數據處理層的輸出展示給用戶，實現對設備健康狀態的實時監控。

圖2 設備健康狀態監測與預警系統的架構

4.2 設備健康狀態監測與預警系統的實現

設備健康狀態監測與預警系統的實現和效果可以根據不同的應用領域和場景進行定制化開發。例如，在制造業中，可以利用PreMaint 設備健康管理平臺，全面采集、監測、記錄和分析生產線上的各類設備數據，通過先進的算法模型進行綜合評估和預測分析，實現對設備運行狀態的智能化管理。在能源領域，可以借助設備在線監測與故障診斷系統，對風力發電機組等新能源設備進行實時監測，對設備的故障、損傷等進行快速診斷，提出解決方案，保證風力發電機組的安全運行和電力發電效率。

本文以煤礦機電設備為研究對象，探討了人工神經網絡在故障診斷中的應用。主要成果和創新點有建立基于諧波診斷技術的設備智能診斷系統，實現對設備運行過程中的振動、溫度等狀態信息參數的實時采集和分析；采用人工神經網絡算法對機電設備異常狀態進行智能診斷，提高診斷的準確性；實現設備全生命周期的健康狀態監測，對故障演變趨勢進行分析，為設備的預知性維修提供依據。

由于煤礦機電設備種類繁多、工作環境復雜、故障模式多樣，本文所采用的人工神經網絡算法可能無法適應所有情況，需要進一步優化。同樣，本文采用的諧波診斷技術只能監測設備的振動信號，而忽略了其他可能影響設備運行狀態的因素，如電流、聲音等，需要結合其他信號分析技術，提高診斷的全面性。

隨著煤礦安全生產的要求不斷提高，機電設備的運行狀態監測與故障診斷技術的需求也越來越多。同時，隨著人工智能技術的不斷發展和創新，人工神經網絡算法也需不斷完善和優化，提高智能化水平，為機電設備故障診斷提供更強大的支持；物聯網、云計算、大數據等技術的廣泛應用，設備智能診斷系統可以實現與其他業務系統的數據共享，提高其智能化管理和優化能力，為煤礦生產效率和經濟效益的提升提供保障。