煤礦機(jī)電設(shè)備遠(yuǎn)程監(jiān)測(cè)與故障診斷技術(shù)研究

張美玲 陳興翔 湯家府

（兗礦能源集團(tuán)股份有限公司東灘煤礦）

0 引言

煤礦機(jī)電設(shè)備是煤礦生產(chǎn)過程中不可或缺的重要設(shè)備，然而隨著煤礦開采深度的增加和礦井規(guī)模的擴(kuò)大，煤礦機(jī)電設(shè)備的故障診斷和監(jiān)測(cè)變得越來越復(fù)雜和困難。這對(duì)煤礦安全生產(chǎn)和礦工的生命安全都提出了嚴(yán)峻的挑戰(zhàn)。因此，遠(yuǎn)程監(jiān)測(cè)與故障診斷技術(shù)的研究成為提高煤礦機(jī)電設(shè)備運(yùn)行安全性和可靠性的熱點(diǎn)領(lǐng)域。為了解決煤礦機(jī)電設(shè)備故障診斷與監(jiān)測(cè)的問題，提出了一種基于對(duì)遠(yuǎn)程監(jiān)測(cè)與故障診斷技術(shù)的煤礦機(jī)電設(shè)備遠(yuǎn)程監(jiān)測(cè)系統(tǒng)。

該系統(tǒng)利用無(wú)線傳感器網(wǎng)絡(luò)對(duì)機(jī)電設(shè)備進(jìn)行實(shí)時(shí)監(jiān)測(cè)，并通過對(duì)傳感器采集的數(shù)據(jù)進(jìn)行分析和處理，實(shí)現(xiàn)對(duì)機(jī)電設(shè)備運(yùn)行狀態(tài)和參數(shù)的實(shí)時(shí)監(jiān)測(cè)和預(yù)警。同時(shí)，該系統(tǒng)具有數(shù)據(jù)傳輸?shù)膶?shí)時(shí)性和可靠性，為遠(yuǎn)程監(jiān)測(cè)提供了可靠的數(shù)據(jù)支持。此外，通過收集和分析煤礦機(jī)電設(shè)備故障數(shù)據(jù)，建立了基于機(jī)器學(xué)習(xí)的故障診斷模型。該模型能夠通過對(duì)機(jī)電設(shè)備運(yùn)行數(shù)據(jù)的學(xué)習(xí)和訓(xùn)練，自動(dòng)診斷和預(yù)測(cè)機(jī)電設(shè)備的故障。實(shí)驗(yàn)結(jié)果表明，該模型具有較高的準(zhǔn)確性和可靠性，能夠有效地提高煤礦機(jī)電設(shè)備的故障診斷效率。

1 煤礦機(jī)電設(shè)備故障分析

1.1 截割部故障

截割部包括搖臂和滾筒兩部分，其中機(jī)械故障主要來源于搖臂，故障多樣，原因復(fù)雜。搖臂齒輪箱的故障表現(xiàn)為齒輪和軸承故障、齒輪箱高溫、潤(rùn)滑失效和密封失效等。搖臂齒輪箱齒輪故障最為常見，通常齒輪會(huì)出現(xiàn)齒面磨損、齒面膠合、齒根斷裂、齒面點(diǎn)蝕等故障。軸承故障也較多，有表面破損、裂紋、膠合、點(diǎn)蝕等。產(chǎn)生此類故障的原因有：

（1）在采煤機(jī)的齒輪箱中，齒輪會(huì)受到工作環(huán)境的影響。例如，在生產(chǎn)強(qiáng)度較高、煤壁較堅(jiān)硬、采煤區(qū)域有煤矸石等情況下，會(huì)導(dǎo)致軸承和齒輪的壽命縮短，影響采煤效率和安全性。

（2）軸承在連續(xù)工作一段時(shí)間后，如果潤(rùn)滑油不能及時(shí)加注或更換，就會(huì)導(dǎo)致軸承的摩擦力增大，軸承安裝處出現(xiàn)縫隙和位移等問題，從而引起軸承故障。這種故障通常會(huì)伴隨著軸承溫度異常升高。

（3）搖臂齒輪箱的高速區(qū)長(zhǎng)期處于高溫狀態(tài)，那么潤(rùn)滑油就很容易變質(zhì)并發(fā)生乳化，這會(huì)降低潤(rùn)滑效果，甚至加劇磨損，同時(shí)會(huì)導(dǎo)致齒輪和軸承的磨損加劇，進(jìn)一步提高齒輪箱的溫度，形成惡性循環(huán)。

（4）低速區(qū)是行星減速系統(tǒng)中的關(guān)鍵部分，長(zhǎng)時(shí)間超負(fù)荷運(yùn)行會(huì)導(dǎo)致系統(tǒng)的密封損壞，潤(rùn)滑液減少，從而增加齒輪磨損。這會(huì)導(dǎo)致行星減速系統(tǒng)的疲勞磨損、齒輪斷裂，甚至引起整個(gè)齒輪箱的損壞。低速區(qū)還容易出現(xiàn)噪聲異常和漏油等問題，這些問題也會(huì)加劇齒輪的磨損和損壞。

1.2 輔助裝置故障

輔助裝置的故障主要包括液壓系統(tǒng)故障和噴霧冷卻裝置故障。液壓系統(tǒng)主要負(fù)責(zé)搖臂的調(diào)高、采煤機(jī)的制動(dòng)等，常見故障有無(wú)法調(diào)高或調(diào)高動(dòng)作緩慢、搖臂自動(dòng)下沉、液壓系統(tǒng)壓力不足等。造成故障的原因有：

（1）調(diào)高泵損壞，泄漏量太大；安全閥損壞，壓力調(diào)整不到設(shè)定值；油缸或油管密封失效，大量漏油造成壓力不足；液壓油受到污染，雜質(zhì)過多堵塞管路等原因會(huì)造成調(diào)高系統(tǒng)故障；

（2）搖臂下沉的原因有單向閥損壞；液壓油缸不密封；調(diào)高油缸漏油；安全閥泄漏；管路破損等；

（3）液壓泵損壞，液壓油流量不足；液壓泵電機(jī)轉(zhuǎn)向錯(cuò)誤，不吸油；溢流閥泄漏，壓力達(dá)不到設(shè)定值；油池油量過少；密封失效或管路破損等會(huì)造成液壓系統(tǒng)壓力不足。噴霧冷卻系統(tǒng)常見故障有不噴霧或噴霧效果不佳、回路溫度過高、管道破損、冷卻水混雜等。

1.3 電氣系統(tǒng)故障

采煤機(jī)的電氣系統(tǒng)故障主要分為電控箱故障和電纜故障兩種類型。電控箱故障常常表現(xiàn)為變頻器、變壓器、回路控制模塊等設(shè)備出現(xiàn)故障，而電纜故障則主要表現(xiàn)為采煤機(jī)拖拽電纜和截割電機(jī)電纜故障。故障原因有：

（1）電纜控制芯線故障、控制器組件故障、接線松動(dòng)、電氣設(shè)備絕緣層老化失效、變頻器自身故障等都可能造成電控箱出現(xiàn)故障；

（2）電纜在使用過程中出現(xiàn)磨損、受潮等缺陷，造成絕緣層失效，進(jìn)而導(dǎo)致漏電或短路故障。

2 數(shù)據(jù)采集方法設(shè)計(jì)

2.1 信號(hào)采集需求分析

根據(jù)對(duì)采煤機(jī)常見故障進(jìn)行分析，發(fā)現(xiàn)主要故障類型有機(jī)械故障、電氣故障、液壓水壓故障三大類。機(jī)械故障和水壓不足的出現(xiàn)常常伴隨著溫度異常，電氣故障的出現(xiàn)則伴隨著電流數(shù)據(jù)異常，液壓系統(tǒng)故障帶來的是液壓系統(tǒng)的壓力異常。想要準(zhǔn)確監(jiān)測(cè)采煤機(jī)運(yùn)行狀態(tài)，就需要對(duì)上述信息進(jìn)行采集。同時(shí)，進(jìn)行數(shù)據(jù)采集時(shí)還要滿足以下原則：

（1）采集成本低，通過現(xiàn)有的傳感器就可以較容易地獲得大量所需信息，可操作性強(qiáng)；

（2）能夠準(zhǔn)確反映采煤機(jī)各部分的運(yùn)行狀態(tài)；

（3）對(duì)采煤機(jī)負(fù)載變化敏感。

對(duì)于故障診斷來說，信號(hào)的采集是針對(duì)振動(dòng)信號(hào)的，需要在采煤機(jī)搖臂上確定測(cè)點(diǎn)，應(yīng)遵循配置盡可能少的傳感器數(shù)量測(cè)量盡可能多的振動(dòng)信號(hào)的原則。

2.2 運(yùn)行狀態(tài)數(shù)據(jù)采集

根據(jù)狀態(tài)監(jiān)測(cè)對(duì)數(shù)據(jù)的需求，運(yùn)行狀態(tài)的數(shù)據(jù)采集內(nèi)容包括各處溫度信息的采集、各電機(jī)電流和液壓水壓信息的采集。

（1）傳感器的選擇

溫度傳感器技術(shù)穩(wěn)定，應(yīng)用領(lǐng)域廣泛。礦用溫度傳感器按照與被測(cè)介質(zhì)的接觸方式分為兩類：接觸式和非接觸式。非接觸式溫度傳感器通過熱輻射或熱對(duì)流的方法測(cè)溫，主要有紅外測(cè)溫傳感器，鑒于井下惡劣的工作環(huán)境，此類傳感器不適用。接觸式溫度傳感器通過與被測(cè)介質(zhì)的直接接觸來測(cè)量溫度，包括電阻式、熱電偶、PN結(jié)等類型，可用于采煤機(jī)的溫度測(cè)量。用于電機(jī)繞組的溫度傳感器采用Cu50，用于機(jī)械傳動(dòng)位置的傳感器采用DS18B20數(shù)字化溫度傳感器。

壓力傳感器的工作原理是基于壓力敏感元件受到外部壓力作用時(shí)產(chǎn)生形變，并將形變轉(zhuǎn)化為電信號(hào)輸出測(cè)量結(jié)果。常用的壓力敏感元件包括金屬薄膜、應(yīng)變片、電容微型傳感器等，這些元件均能在受到外部壓力作用時(shí)，產(chǎn)生相應(yīng)的形變。為適應(yīng)井下環(huán)境，選用RPT8100型壓力傳感器

（2）采集數(shù)據(jù)的種類

從采煤機(jī)的四個(gè)關(guān)鍵部件對(duì)需要的監(jiān)測(cè)數(shù)據(jù)進(jìn)行采集，有：截割部截割電機(jī)溫度、截割電機(jī)電流；牽引部電機(jī)的溫度、電流和轉(zhuǎn)速；電氣系統(tǒng)的控制箱電流、高壓箱電流；輔助裝置液壓調(diào)高系統(tǒng)工作壓力、調(diào)高泵電機(jī)轉(zhuǎn)速、冷卻水流量。

3 基于CNN的監(jiān)測(cè)和故障診斷模型

3.1 卷積神經(jīng)網(wǎng)絡(luò)原理

卷積神經(jīng)網(wǎng)絡(luò)是一種深層前饋神經(jīng)網(wǎng)絡(luò)，用不同的卷積核對(duì)同一個(gè)圖像進(jìn)行卷積就是用卷積核對(duì)圖像進(jìn)行濾波以提取其內(nèi)部不同的特。卷積神經(jīng)網(wǎng)絡(luò)由一個(gè)或多個(gè)卷積層、池化層以及全連接層組成，相比較其他淺層或深層神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)需要考慮的參數(shù)更少，降低了網(wǎng)絡(luò)模型的計(jì)算量和復(fù)雜性，既保證了數(shù)據(jù)處理速度，又保證了所提取特征的質(zhì)量，結(jié)構(gòu)如圖1所示。

圖1 CNN結(jié)構(gòu)示意圖

3.2 CBAM注意力機(jī)制

CBAM（Convolutionаl Block Attеntion Modulе）注意力機(jī)制模塊是一種能對(duì)特征圖像局部信息聚焦的模塊，分別從通道和空間維度順序提供注意力圖。通過通道注意力模塊對(duì)輸入的特征圖在通道維度上進(jìn)行注意力加權(quán)，以提高模型對(duì)重要通道的關(guān)注度；再通過空間注意力模塊在空間維度上進(jìn)行注意力加權(quán)，以提高模型對(duì)重要空間位置的關(guān)注度；最后，將經(jīng)過通道注意力模塊和空間注意力模塊重標(biāo)定的特征圖相乘，得到最終的特征表示。

3.3 模型參數(shù)優(yōu)化

卷積神經(jīng)網(wǎng)絡(luò)的大小和深度影響著其處理復(fù)雜問題的能力。一般來說，處理問題的復(fù)雜程度和網(wǎng)絡(luò)深度正相關(guān)，隨著網(wǎng)絡(luò)深度的增加，神經(jīng)元的數(shù)量和計(jì)算復(fù)雜度都會(huì)增加，使得網(wǎng)絡(luò)可以學(xué)習(xí)到更復(fù)雜的特征和函數(shù)，從而提高了模型的處理能力。但是，網(wǎng)絡(luò)深度增加也會(huì)帶來一些問題，如梯度消失、梯度爆炸和過擬合等。因此在提出故障診斷與監(jiān)測(cè)網(wǎng)絡(luò)模型之后，還需要對(duì)參數(shù)進(jìn)行調(diào)整以獲得最優(yōu)效果。超參數(shù)除了網(wǎng)絡(luò)模型中已經(jīng)包括的核的大小、神經(jīng)網(wǎng)絡(luò)層數(shù)、激活函數(shù)、優(yōu)化器等，還有學(xué)習(xí)率、批大小、訓(xùn)練迭代次數(shù)。

4 實(shí)驗(yàn)結(jié)果與分析

模型驗(yàn)證平臺(tái)配置如下：Windows10 64位操作系統(tǒng)，CPU為AMD Ryzеn 7 4800H@2.90GHz，GPU為NVⅠDⅠA GеForcе GTX 1650Ti 4G，內(nèi)存為16GB，集成開發(fā)環(huán)境為PyChаrm Community Edition 2021.2.3，рython版本為3.9。

使用齒輪測(cè)試數(shù)據(jù)集中共5種狀態(tài)的訓(xùn)練樣本圖像及測(cè)試樣本圖像，來確定合適的全局參數(shù)。輸入圖像的大小應(yīng)為，在圖像變換時(shí)已經(jīng)設(shè)置好；訓(xùn)練迭代次數(shù)暫時(shí)設(shè)置為10，可以在探究其他參數(shù)時(shí)節(jié)約運(yùn)算時(shí)間和計(jì)算資源，最后確定迭代次數(shù)的值；學(xué)習(xí)率設(shè)置為0.01，0.001，0.0001，0.00001；批大小設(shè)置為416；分類數(shù)量為5類。在設(shè)置不同的批大小和 學(xué)習(xí)率的情況下，網(wǎng)絡(luò)訓(xùn)練損失值如圖2所示，正確率如圖3所示。

圖2 不同學(xué)習(xí)率下模型訓(xùn)練損失值

圖3 不同批大小下的模型訓(xùn)練準(zhǔn)確率

從神經(jīng)網(wǎng)絡(luò)的訓(xùn)練損失值曲線可以觀察到，在初始階段，損失值下降幅度較大，這表明學(xué)習(xí)率已經(jīng)較為適當(dāng)，并且網(wǎng)絡(luò)處于梯度下降的狀態(tài)。隨著訓(xùn)練的進(jìn)行，損失值逐漸趨于平穩(wěn)，不再出現(xiàn)明顯的波動(dòng)，這表明學(xué)習(xí)率大小的選擇是合適的。

如圖2所示，在神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程中，學(xué)習(xí)率的選擇對(duì)模型的性能影響非常大。如果學(xué)習(xí)率過大，損失值曲線會(huì)在短時(shí)間內(nèi)迅速下降后趨于平緩，達(dá)到局部最小值，而學(xué)習(xí)率過小則會(huì)導(dǎo)致?lián)p失值曲線緩慢下降，不能快速有效地提高分類精度。因此，在選擇學(xué)習(xí)率時(shí)，需要找到一個(gè)合適的值，使得損失值曲線能夠平穩(wěn)下降，而不至于過度下降或過度平緩。同時(shí)，如果損失值曲線的上下寬度過大，說明批大小過小，需要適當(dāng)增批大小的值。綜合不同學(xué)習(xí)率下模型訓(xùn)練損失值，學(xué)習(xí)率為0.001和0.0001較為合適；批大小為4 時(shí)，損失曲線上下寬度大，同時(shí)損失值波動(dòng)較大，因此應(yīng)選擇批大小的值為16；增大迭代的值可以更加深入進(jìn)行網(wǎng)絡(luò)模型的訓(xùn)練，提高網(wǎng)絡(luò)的準(zhǔn)確率。

通過圖3可以看出，批大小為4時(shí)，準(zhǔn)確率波動(dòng)較大，不夠平穩(wěn)，而批大小為16時(shí)，準(zhǔn)確率曲線波動(dòng)較小，同時(shí)準(zhǔn)確率更高。不同學(xué)習(xí)率情況下，從兩子圖中均可看出學(xué)習(xí)率為0.0001 時(shí)準(zhǔn)確率更高并且曲線更加平滑。訓(xùn)練10輪時(shí)準(zhǔn)確率已經(jīng)較高，因此迭代次數(shù)選20即可。最終選擇學(xué)習(xí)率為0.0001，迭代次數(shù)為16，迭代次數(shù)為20的模型，可以有效解決狀態(tài)分類問題。

5 結(jié)束語(yǔ)

本文圍繞煤礦機(jī)電設(shè)備遠(yuǎn)程監(jiān)測(cè)與故障診斷技術(shù)展開了一系列的研究，提出了基于無(wú)線傳感器網(wǎng)絡(luò)的遠(yuǎn)程監(jiān)測(cè)系統(tǒng)，并利用機(jī)器學(xué)習(xí)算法進(jìn)行故障診斷。實(shí)驗(yàn)證明，該系統(tǒng)和方法能夠有效地提高機(jī)電設(shè)備的運(yùn)行安全性和可靠性，具有很高的實(shí)際應(yīng)用價(jià)值和推廣潛力。未來的研究工作需要進(jìn)一步完善和優(yōu)化相關(guān)技術(shù)和方法，以滿足煤礦機(jī)電設(shè)備遠(yuǎn)程監(jiān)測(cè)與故障診斷的需求。