電氣自動化系統中狀態監測與故障診斷的實現方法研究

羅 毅 黃毅文

（贛州金環磁選科技裝備股份有限公司，江西 贛州 341000）

隨著工業技術的不斷發展，電氣自動化系統在各領域中的應用越來越廣泛。然而，隨著系統復雜性提升，設備異常運行的情況日益突出。因此，監測電氣自動化系統的狀態并及時診斷故障成為亟待解決的問題[1]。本文結合煤礦電氣設備自動化系統狀態監控[2-3]、異常運行狀態辨識[4]與故障診斷方法[5]的實例，探討了在電氣自動化系統中狀態監測與故障診斷的實現方法。

1 系統概述

1.1 井下現場監控層

井下現場監控層是預警監控平臺體系中的第一層，由分布式子站、主配設備系統和傳感器組成。

設i為不同的傳感器，PLC下位機傳感器采集的溫度數據為Ti，壓力數據為Pi，電流數據為Ii。當這些數據通過CAN總線傳輸至井上中心分站時，數學模型如圖1所示。

圖1 井下現場監控層數學模型

在傳輸過程中，考慮可能的干擾和誤差，使用數字信號處理方法，例如濾波算法，如公式（1）所示。

式中：Xi為輸入變量；Yi為輸出變量；Xi（n-k）構成基于序號n的原始數據錄入；n為時間序列中的當前位置；Yi（n）為經濾波后的數據，為指定數據的相應輸出結果；k為元素所在的特定索引位置；H（k）為濾波器的沖激響應；N為濾波器的長度。

分布式子站能夠有效執行中心分站中上位機和遠程集控中心發來的命令信息，完成對井下設備的遠程監控作業。設傳感器采集的數據為Di，經過PLC處理后得到的結果為Ri。在處理階段，可以使用數學模型進行數據補償和校正。例如，校正溫度傳感器的數據，可以使用線性插值，如公式（2）所示。

式中：ai和bi為插值系數，通過事先標定和校準得到。

1.2 井上礦井監控層

井上礦井監控層是預警監控平臺體系中的第二層，主要由中心分站組成。井上中心分站中的工控計算機通過CAN總線與各分布式子站中的PLC進行通信。設各分布式子站中傳感器采集到的數據為Sij，其中j為不同子站。井下現場監控層數據傳輸如圖2所示。

圖2 井下現場監控層數據傳輸

在數據傳輸過程中，考慮可能的通信噪聲和干擾，可以使用差分信號傳輸模型，如公式（3）所示。

式中：Vij（t）為傳感器數據的差分信號；Pij為實際傳感器信號；Nij（t）為噪聲。對差分信號進行解調和濾波，可以提高數據傳輸的可靠性。

1.3 遠程礦區監控層

遠程礦區監控層是預警監控平臺體系中的第三層，主要由礦區外集團集控中心總站的大型工業計算機組成。

在遠程礦區監控層中采用光纖傳輸技術接收來自井下分布式子站和井上中心分站上傳的數據。設井下分布式子站和井上中心分站的綜合監測數據為Mij。光纖傳輸過程用矩陣表示，如公式（4）所示。

在數據傳輸過程中，引入矩陣運算，將傳感器數據矩陣M與傳輸矩陣T相乘，得到傳輸后的數據矩陣，如公式（5）所示。

式中：T為描述光纖傳輸特性的矩陣。這個數學模型能夠更準確地描述數據在傳輸過程中的變化。

2 礦山設備的狀態監測與故障診斷

2.1 數據采集與傳輸

數據采集是實時監測設備運行狀態的關鍵環節，因此需要選擇性能高、可靠性強的裝置。同時，考慮不同設備的結構和運行特點，需要設計多種不同的數據采集方式，以滿足不同設備的監測需求。

與此同時，通過應用網絡化進行遠程監控和診斷?？梢詫⒈O測數據和診斷結果通過企業內部的網絡傳輸至服務器端，以便管理和查詢。同時還可以將結果發布至動態Web主頁中，通過接入外部故障診斷系統和專業人員以及數據云端化等方式支持用戶訪問和數據導出。

2.2 監測數據特征提取

提取采集的數據特征，可以有效地識別設備的狀態和故障類型。根據特征提取結果，系統通過建立數學模型或使用機器學習算法來識別和分析故障模式。本文分析系統數據使用的各類預測模型包括BP神經網絡、粒子群算法（PSO）、長短期記憶網絡（LSTM）和門控循環單元（GRU）。

BP神經網絡是一種多層前饋神經網絡，包括輸入層、隱藏層和輸出層。其通過反向傳播算法來調整網絡權重W和偏置項b，最小化損失函數L。在訓練過程中，梯度下降法用于優化神經網絡的預測結果，如公式（6）所示。

前向傳播

式中：H為中間層。輸入層輸入中間層，然后進入輸出層，加入系數影響構成神經系統；Y為神經網絡輸出的預測值；X為輸入數據；σ為激活函數以引進非線性特征；Win和Wout分別為輸入層到隱藏層、隱藏層到輸出層的權重矩陣；bin和bout分別為輸入層到隱藏層、隱藏層到輸出層的偏置項。

當訓練神經網絡時，需要計算損失函數來衡量模型預測值與真實標簽之間的差異。通過比較差異，可以評估模型在當前參數下的表現，并利用該信息來調整參數以減少損失函數，使模型更好地擬合訓練數據。因此，當訓練神經網絡時，前向傳播需要計算損失函數來評估模型性能，并為反向傳播提供梯度信息以更新參數。損失計算過程如公式（7）所示。

式中：L為loss損失函數；Yture為真實標簽。

反向傳播算法用于計算損失函數對網絡參數的梯度，進而更新網絡參數以最小化損失函數。PSO是一種群體智能算法，通過模擬鳥群覓食行為來搜索問題的最優解。每個個體（粒子）的位置為解空間中的1個解，速度為在解空間中搜索的方向和速率。更新其速度如公式（8）所示。

式中：為粒子i更新后速度；為更新前速度；為粒子i的個體最佳位置；為指定粒子瞬時位置；c1、c2為學習因子；r1、r2為隨機數。

更新其位置，如公式（9）所示。

首先，擴展平時成績的考核范圍，涵蓋作業及出勤、課堂講評互動、章節測驗及任務型考核等4種。作業及出勤作為基本考核內容，因為按時到課聽講，獨立認真完成作業仍然是學生掌握知識的重要環節，也是學習態度是否端正的主要表現。因此，該項考核有其重要性，約占平時成績的40%；課堂講評考核約占20%，該項成績主要是體現學生在課堂上參與教學互動的積極性及效果，例如分組學習時是否積極參與講課和評課，課堂提問及回答問題情況等，都能反映學生學習狀況；章節測驗考核占20%；任務型考核主要指學生在課后對知識的鞏固、應用及延伸擴展，比如就專題講座的內容寫綜述小論文，登錄網絡課程平臺聽指定章節的課程等等，該項考核也占20%。

式中：為粒子i在維度j上的位置；為更新后粒子i在維度j上的位置；為更新后的指定粒子瞬時速度。

LSTM是一種特殊的循環神經網絡（RNN），通過引入記憶單元來解決傳統RNN存在的梯度消失問題。LSTM包括輸入門、遺忘門和輸出門等關鍵部分。

3 各子系統的狀態監測與故障診斷

3.1 井下通風機

井下通風機配備了多種傳感器和監測系統，其中包括設備內部的傳感器、監測系統以及依托通風系統的外部傳感器。設備內部的傳感器實時監測通風機的運行參數，例如風量Q、風壓P、溫度T和振動等[6]，如公式（10）所示。

式中：Qinternal為內部風量；Pinternal為內部風壓；Tinternal為內部溫度；V為振動參數。同時，外部傳感器監測空氣中的有害氣體濃度（例如CO、CO2和CH4）、溫度T以及濕度H的變化，如公式（11）所示。

式中：g為整體函數；Concentrationharmful,gas為瓦斯有害濃度水平；Concentrationexternal為外部氣體濃度；Texternal為外部溫度；Hexternal為外部濕度。

根據這些傳感器采集的數據，形成通風機的狀態向量Sfan，包括內部和外部監測參數[7]，如公式（12）所示。

假設有一個故障指示向量Ffan，其中每個元素都表示通風機可能的故障類型，例如軸承磨損、葉片損壞等。監測數據與故障指示向量之間的關系如公式（13）所示。

式中：h為一個構建監測數據與故障之間映射關系的分類機函數；h（Sfan）為對現有高維數據降維成為單一故障指示的分類機函數，根據監測數據Sfan判斷可能的故障類型。

式中 ：Diagnosisbearing為面向軸承的診斷定位；k（V）為搶修路徑；k為一個構建故障與排除方法之間映射關系的推理機函數；根據振動參數V判斷軸承磨損的程度和位置，將低維故障向量結合設備參數進一步匹配至相應的診斷結果。根據具體診斷結果，系統可以給出維修建議和預防措施。

分析監測數據，可以及時發現通風機存在的故障和異常情況。例如，當監測到風量不足或風壓異常時，通風機的機械部件可能會出現故障，例如軸承磨損或葉片損壞等。維修人員可以根據系統提供的信息有針對性地進行維修，保證通風機正常運轉。通風機子系統模型預測結果對比如圖3所示。

圖3 通風機子系統模型預測結果對比

圖4 提升機子系統模型預測結果對比

由于數據特征較為復雜，BP神經網絡的模型復雜度不夠或訓練時間不足，無法充分捕捉數據特征，因此BP神經網絡在該子系統中表現較差。PSO算法可以找到更優化的模型參數，表現比BP神經網絡稍好，但是無法完全應對通風機數據特征的復雜性。LSTM和GRU都可以處理時序數據，具有記憶能力，能夠捕捉數據中的長期依賴關系和周期性變化，更準確地預測通風機的運行狀態，因此這2種算法在該子系統中表現最好。綜上所述，通風機子系統的LSTM預測效果最好，其RMSE為1.956 962 397，說明其在預測通風機子系統的工作狀態方面準確性較高。

3.2 井下提升機

提升機能夠實時監測的運行狀態，狀態參數包括速度（V）、載荷（L）、行程（D）以及機械部件，例如軸承溫度（Tb）、減速器油溫（To）等[8]。這些參數的計算過程如公式（15）所示。

式中：Vinternal為提升機內部傳感器速度；Linternal為提升機內部傳感器載荷；Dinternal為為提升機內部傳感器行程，Tbinternal為軸承內部溫度；Tointernal為減速器內部油溫。

為了形成提升機的狀態向量Shoist，將上述參數整合為一個向量，如公式（16）所示。

井上監控系統將實時采集和記錄狀態向量Shoist。

接下來，引入故障指示向量Fhoist，其中的元素表示提升機可能的故障類型，例如軸承磨損或鋼絲繩斷裂等。監測數據和故障指示向量之間的關系如公式（17）所示。

式中：h（Shoist）為井下提升機故障指示向量，根據提升機監測數據Shoist判斷可能的故障類型。這個函數可以使用機器學習方法，例如神經網絡、決策樹等，也可以基于專家經驗構建。

一旦發現可能的故障類型，系統就會發出警報，同時提供相應的解決方案。具體診斷方法如公式（18）所示。

根據速度參數V判斷軸承磨損的可能性和程度，分析監測數據，可以及時發現提升機存在的故障和異常情況。提升機子系統模型預測結果對比如圖 4 所示。

由于數據中存在較強的非線性關系，而BP神經網絡通常對非線性問題的處理能力較弱，因此BP神經網絡在該子系統中表現較差。PSO可以找到更優化的模型參數，因此其表現優于BP神經網絡，但是無法完全應對提升機數據中的非線性特征。LSTM和GRU都可以處理時序數據，具有記憶能力，能夠捕捉數據中的非線性變化和長期依賴關系，更準確地預測提升機的運行狀態，因此這2種算法在該子系統中表現較好。其中，LSTM的預測效果最好，其RMSE為2.116 594 768，說明其在預測提升機子系統的工作狀態方面具有較高的準確性。

3.3 空壓機

分析監測數據，可以及時發現空壓機存在的故障和異常情況。空壓機子系統模型預測結果對比如圖5所示。

圖5 空壓機子系統模型預測結果對比

圖6 瓦斯監測子系統模型預測結果對比

由于數據特征較為復雜，BP神經網絡的模型復雜度不夠或訓練時間不足，無法充分捕捉數據的特征，因此BP神經網絡在該子系統中表現較差。PSO可以找到更優化的模型參數，因此其表現優于BP神經網絡，但是無法完全應對空壓機數據特征的復雜性。LSTM和GRU都可以處理時序數據，具有記憶能力，能夠捕捉數據中的長期依賴關系和周期性變化，更準確地預測空壓機的運行狀態，因此這2種算法在該子系統中表現最好。對空壓機子系統來說，LSTM的預測效果同樣最好，其RMSE為1.171 235 294，說明其在預測空壓機子系統的工作狀態方面也具有較高的準確性。

3.4 瓦斯監測

瓦斯子系統是礦井中至關重要的一部分，通常配備各種傳感器，能夠實時收集和傳輸數據，反映礦井中的瓦斯情況。這些數據不僅包括氣體濃度，還有關于機械部件狀態的信息，例如軸承溫度、活塞磨損情況等。分析這些數據，可以及時發現瓦斯子系統存在的問題和異常情況。例如，當監測到瓦斯氣體濃度異?；驕囟冗^高時，可能是瓦斯子系統的機械部件出現了故障，例如軸承或活塞磨損等。當瓦斯濃度異常上升時會觸發警報，須優先疏散井下人員。瓦斯監測子系統模型預測結果對比如圖 6 所示。

預測結果顯示，BP神經網絡在該子系統中表現較差，PSO可以找到更優化的模型參數，因此其表現稍好于BP神經網絡。LSTM和GRU都對噪聲具有一定魯棒性，因此這2種算法能夠更準確地預測瓦斯監測系統的運行狀態，在該子系統中表現較好。對瓦斯監測子系統來說，LSTM預測效果最好，其RMSE為2.145 882 353，說明其在預測瓦斯監測子系統的工作狀態方面也具有一定的準確性。

4 結論

本文探討了電氣自動化系統狀態監測與故障診斷的實現方法，整理了一些常用的軟硬件系統。本文分別探討了每個子系統的特點、常見的故障模式以及適用的監測和診斷方法，并分析其應用現有算法進行數據識別和分析的能力。

在各子系統中，LSTM和GRU在處理時序數據、捕捉長期依賴關系和周期性變化方面具有優勢，能夠更準確地預測設備的運行狀態。BP神經網絡在處理非線性問題時可能存在一定局限性。