液壓支架電液控制系統(tǒng)故障診斷系統(tǒng)設(shè)計研究

劉康 劉卓然 劉瑭

第一作者簡介：劉康（1992-），男，工程師。研究方向為井工煤礦綜采綜掘設(shè)備。

DOI：10.19981/j.CN23-1581/G3.2024.15.012

摘? 要：針對以往液壓支架電液控制系統(tǒng)采用人工排查故障存在隨機及個別故障無法準確定位、故障排查效率低下等問題，設(shè)計一種基于大數(shù)據(jù)的新型液壓支架電液控制系統(tǒng)故障診斷系統(tǒng)，建設(shè)大數(shù)據(jù)決策分析服務平臺，設(shè)計基于MapReduce的C4.5決策樹分類故障診斷預測引擎，對硬件設(shè)備進行技術(shù)改造升級。研究結(jié)果表明，該故障診斷系統(tǒng)能對電液控制系統(tǒng)的各類故障進行有效識別和診斷，實踐應用效果顯著。

關(guān)鍵詞：液壓支架；電液控制系統(tǒng)；大數(shù)據(jù)技術(shù)；故障診斷；技術(shù)改造

中圖分類號：TD355? ? ? 文獻標志碼：A? ? ? ? ? 文章編號：2095-2945（2024）15-0055-04

Abstract： Aiming at the problems existing in the previous manual troubleshooting of hydraulic support electro-hydraulic control system， such as random and individual faults can not be located accurately， and low efficiency of fault troubleshooting， a fault diagnosis system based on big data's new hydraulic support electro-hydraulic control system is designed. Big data decision analysis service platform is built， and the C4.5 decision tree classification fault diagnosis and prediction engine based on MapReduce is designed to upgrade the hardware equipment. The research results show that the fault diagnosis system can effectively identify and diagnose all kinds of faults of electro-hydraulic control system， and the practical application effect is remarkable.

Keywords： hydraulic support; electro-hydraulic control system; big data technology; fault diagnosis; technical transformation

傳統(tǒng)的液壓支架電液控制系統(tǒng)故障診斷方法通常依賴于人工經(jīng)驗[1]，這種方法存在局限性，不能及時捕捉系統(tǒng)中的隱藏故障，也不能有效預防事故的發(fā)生。因此，基于大數(shù)據(jù)的智能故障診斷系統(tǒng)變得越來越受歡迎。本文旨在設(shè)計和研究一種基于大數(shù)據(jù)的新型液壓支架電液控制系統(tǒng)故障診斷系統(tǒng)，以提高系統(tǒng)的可靠性和安全性[2]。

1? 液壓支架電液控制系統(tǒng)

1.1? 電液控制系統(tǒng)

液壓支架的升降和穩(wěn)定性通常由電液控制系統(tǒng)來控制。電液控制系統(tǒng)由液壓泵、液壓閥、傳感器和控制器等組成?？刂破魍ǔＪ秦撠煴O(jiān)測系統(tǒng)狀態(tài)并作出相應控制決策的核心部件[3]。

1.2? 電液控制系統(tǒng)的故障

由于煤礦井下環(huán)境的特殊性質(zhì)，電液控制系統(tǒng)容易受到各種故障的影響，這包括但不限于液壓油溫升高、液壓泵故障、液壓閥堵塞等。這些故障可能導致液壓支架無法正常工作，從而危及礦工的安全[4]。

1.3? 故障診斷的重要性

為了確保液壓支架的可靠性和安全性，故障診斷變得至關(guān)重要。傳統(tǒng)的故障診斷方法通常依賴于人工經(jīng)驗，這種方法存在局限性，因為其不能及時捕捉系統(tǒng)中的隱藏故障，也不能有效預防事故的發(fā)生。因此，基于大數(shù)據(jù)的智能故障診斷系統(tǒng)成為了一種重要的解決方案。

2? 大數(shù)據(jù)及其在電液控制系統(tǒng)故障診斷系統(tǒng)中的應用

2.1? 大數(shù)據(jù)的概念及其在故障診斷中的應用

大數(shù)據(jù)是指規(guī)模巨大、多樣化、高速產(chǎn)生的數(shù)據(jù)集合。大數(shù)據(jù)通常具有3V特點，即體積大、速度快、多樣性。這些數(shù)據(jù)通常來自各種來源，包括傳感器、日志文件、社交媒體等[5]。

大數(shù)據(jù)在故障診斷中的應用有助于提高系統(tǒng)的可靠性和安全性。通過分析大數(shù)據(jù)，可以及時發(fā)現(xiàn)系統(tǒng)中的異常情況，從而采取相應的措施來避免事故的發(fā)生。大數(shù)據(jù)還可以用于預測故障的發(fā)生，幫助維護人員采取預防措施。

2.2? 大數(shù)據(jù)在電液控制系統(tǒng)故障診斷系統(tǒng)中的應用

大數(shù)據(jù)采集：通過各種傳感器和監(jiān)測設(shè)備，可以實時采集液壓支架電液控制系統(tǒng)的運行數(shù)據(jù)，包括液壓壓力、流量和溫度等信息[6]。

大數(shù)據(jù)傳輸：采集到的數(shù)據(jù)可以通過網(wǎng)絡(luò)傳輸?shù)綌?shù)據(jù)中心，以便進一步地處理和分析。

大數(shù)據(jù)處理：數(shù)據(jù)中心可以使用大數(shù)據(jù)處理技術(shù)，對采集到的數(shù)據(jù)進行存儲、清洗、轉(zhuǎn)換和分析，以發(fā)現(xiàn)潛在的故障模式和趨勢。

大數(shù)據(jù)故障診斷引擎的設(shè)計：基于大數(shù)據(jù)分析的故障診斷引擎可以幫助快速準確地識別液壓支架電液控制系統(tǒng)中的故障。

3? 基于大數(shù)據(jù)的電液控制系統(tǒng)故障診斷系統(tǒng)設(shè)計

3.1? 大數(shù)據(jù)決策分析服務平臺的構(gòu)建

3.1.1? 大數(shù)據(jù)的收集

大數(shù)據(jù)的收集通常涉及多個傳感器和數(shù)據(jù)采集設(shè)備。在液壓支架電液控制系統(tǒng)中，可以使用各種傳感器來監(jiān)測系統(tǒng)的狀態(tài)，包括液壓油溫、液壓壓力、液壓泵的運行狀態(tài)等。這些傳感器將數(shù)據(jù)傳輸?shù)綌?shù)據(jù)采集設(shè)備，然后將其發(fā)送到數(shù)據(jù)處理中心。

3.1.2? 大數(shù)據(jù)的傳輸

大數(shù)據(jù)的傳輸通常涉及數(shù)據(jù)通信網(wǎng)絡(luò)。在采礦環(huán)境中，通信網(wǎng)絡(luò)可能會受到干擾，因此需要采取相應的措施來確保數(shù)據(jù)的可靠傳輸。數(shù)據(jù)傳輸需要考慮數(shù)據(jù)的安全性和實時性。結(jié)合當前煤礦行業(yè)智能化信息系統(tǒng)的建設(shè)情況，設(shè)計了通過3層架構(gòu)采集故障診斷數(shù)據(jù)并進行上傳的方式。

對支架電液控制系統(tǒng)中的系統(tǒng)運行狀態(tài)數(shù)據(jù)、系統(tǒng)電氣參數(shù)、系統(tǒng)自檢數(shù)據(jù)、系統(tǒng)積累工作數(shù)據(jù)上傳至液壓支架電液控制系統(tǒng)監(jiān)控軟件，液壓支架電液控制系統(tǒng)監(jiān)控軟件相應數(shù)據(jù)上傳至煤礦集控中心數(shù)據(jù)轉(zhuǎn)發(fā)中間件，煤礦集控中心數(shù)據(jù)轉(zhuǎn)發(fā)中間件最后上傳至大數(shù)據(jù)決策分析服務平臺[7]。

3.1.3? 大數(shù)據(jù)的處理

大數(shù)據(jù)的處理通常包括數(shù)據(jù)清洗、數(shù)據(jù)存儲和數(shù)據(jù)分析。數(shù)據(jù)清洗用于去除數(shù)據(jù)中的噪音和異常值，以確保數(shù)據(jù)的質(zhì)量。數(shù)據(jù)存儲涉及選擇合適的數(shù)據(jù)庫系統(tǒng)來存儲數(shù)據(jù)。數(shù)據(jù)分析包括對數(shù)據(jù)進行統(tǒng)計分析和機器學習算法的應用，以識別系統(tǒng)中的異常情況。該診斷系統(tǒng)設(shè)計基于Hadoop的大數(shù)據(jù)決策分析服務平臺，如圖1所示，主要由數(shù)據(jù)庫、數(shù)據(jù)預處理、C4.5分類預測三大部分組成。

圖1? 基于Hadoop的大數(shù)據(jù)決策分析服務平臺示意圖

分布式存儲Hadoop作為一個分布式計算平臺，其核心組件之一是HDFS/HBase，通過HDFS可以實現(xiàn)大規(guī)模數(shù)據(jù)的分布式存儲和訪問。在搭建大數(shù)據(jù)決策分析服務平臺時，可以利用Hadoop的HDFS組件為海量數(shù)據(jù)提供存儲空間。Hadoop提供了MapReduce編程模型，用于處理大規(guī)模數(shù)據(jù)集。通過編寫Map和Reduce函數(shù)，用戶可以對數(shù)據(jù)進行處理、分析和計算。

3.2? 大數(shù)據(jù)故障診斷引擎設(shè)計

大數(shù)據(jù)故障診斷系統(tǒng)的核心是故障診斷引擎。這個引擎負責分析大數(shù)據(jù)，識別系統(tǒng)中的異常情況，并提供相應的決策。引擎的設(shè)計需要考慮系統(tǒng)的復雜性和多樣性，以確保能夠捕捉不同類型的故障。

基于MapReduce的C4.5決策樹分類故障診斷預測引擎的設(shè)計包括以下步驟：數(shù)據(jù)預處理，對數(shù)據(jù)進行進一步的預處理，包括特征選擇和數(shù)據(jù)歸一化。模型訓練，使用歷史數(shù)據(jù)對C4.5決策樹模型進行訓練，以建立故障診斷模型。故障診斷，將實時數(shù)據(jù)輸入到訓練好的模型中，以進行故障診斷。故障診斷結(jié)果輸出，根據(jù)模型的輸出，確定系統(tǒng)中是否存在故障，并提供故障的類型和可能原因。

3.2.1? MapReduce技術(shù)

MapReduce是一種用于處理大規(guī)模數(shù)據(jù)的分布式計算框架，其通過將任務分為2個階段來并行處理數(shù)據(jù)：Map階段和Reduce階段。

Map階段：數(shù)據(jù)被劃分成多個小塊，每個小塊由一個Map任務處理。Map任務將輸入數(shù)據(jù)映射為鍵值對，并對每個鍵值對執(zhí)行特定的操作。這個階段的目標是將數(shù)據(jù)分散到不同的節(jié)點上，以便并行處理。

Reduce階段：每個Reduce任務獲取來自Map階段的輸出數(shù)據(jù)，并將其合并和處理，以生成最終的結(jié)果。這個階段的目標是將分布在不同節(jié)點上的數(shù)據(jù)整合在一起，以得到全局結(jié)果。

MapReduce的主要優(yōu)點包括：可以處理大規(guī)模數(shù)據(jù)，適用于分布式環(huán)境；易于編程和擴展，開發(fā)人員可以專注于Map和Reduce函數(shù)的編寫；可以自動處理任務分配和故障恢復；支持并行計算，提高了數(shù)據(jù)處理效率。

3.2.2? C4.5決策樹分類算法

C4.5決策樹分類算法是一種常用數(shù)據(jù)分類的機器學習算法，用于分類和預測任務，其是由Ross Quinlan于1993年提出的，是ID3算法的擴展和改進版本。C4.5算法基于樹狀結(jié)構(gòu)，通過遞歸地將數(shù)據(jù)集分割成更小的子集，最終構(gòu)建出一棵決策樹。該決策樹可用于分類新的數(shù)據(jù)樣本，并預測其所屬的類別。

C4.5算法的關(guān)鍵特點和步驟如下。第一，特征選擇，C4.5算法通過計算每個特征的信息增益來選擇最佳的特征作為分裂屬性。信息增益是一個衡量特征對分類的貢獻度的指標。第二，決策樹構(gòu)建，C4.5算法通過遞歸地選擇最佳的特征作為分裂屬性，將數(shù)據(jù)集分割成更小的子集，然后構(gòu)建決策樹。每個節(jié)點表示一個特征，每個分支表示一個特征取值，葉子節(jié)點表示最終的分類結(jié)果。第三，剪枝，為了防止過擬合，C4.5算法可以對構(gòu)建好的決策樹進行剪枝。剪枝是通過刪除一些不必要的分支來簡化決策樹，以提高泛化能力。第四，預測，利用構(gòu)建好的決策樹，可以對新的數(shù)據(jù)樣本進行分類預測。從根節(jié)點開始，根據(jù)特征的取值逐步遍歷決策樹，最終到達葉子節(jié)點，得到分類結(jié)果。

C4.5算法具有以下優(yōu)點：適用于分類和預測任務；能夠處理離散和連續(xù)特征；生成易于理解的決策樹，可解釋性較強；能夠處理缺失值；自動特征選擇，避免了手動特征工程的復雜性。

3.2.3? 基于MapReduce的C4.5決策樹分類預測引擎

基于MapReduce的C4.5決策樹分類預測引擎是液壓支架電液控制系統(tǒng)故障診斷功能的核心，包括數(shù)據(jù)加載模塊、分類預測模塊和結(jié)果存儲模塊。

數(shù)據(jù)加載模塊：數(shù)據(jù)加載模塊負責從液壓支架電液控制系統(tǒng)中獲取傳感器數(shù)據(jù)和其他相關(guān)數(shù)據(jù)。這些數(shù)據(jù)將作為訓練集用于構(gòu)建C4.5決策樹模型。數(shù)據(jù)加載模塊需要處理大量的數(shù)據(jù)，因此使用MapReduce框架來分布式地加載數(shù)據(jù)。數(shù)據(jù)加載模塊的主要任務包括數(shù)據(jù)采集、數(shù)據(jù)清洗和數(shù)據(jù)轉(zhuǎn)換。數(shù)據(jù)采集從傳感器和其他數(shù)據(jù)源中獲取原始數(shù)據(jù)。數(shù)據(jù)清洗用于處理數(shù)據(jù)中的異常值和噪音，確保數(shù)據(jù)的質(zhì)量。數(shù)據(jù)轉(zhuǎn)換將數(shù)據(jù)轉(zhuǎn)換為C4.5決策樹算法所需的格式。

分類預測模塊：分類預測模塊是系統(tǒng)的核心部分，其負責構(gòu)建C4.5決策樹模型并使用該模型進行故障診斷。該模塊首先使用訓練數(shù)據(jù)來構(gòu)建決策樹模型，然后使用該模型對新的數(shù)據(jù)進行分類和預測。在構(gòu)建決策樹模型時，分類預測模塊使用C4.5算法，該算法能夠根據(jù)特征的信息熵來選擇最佳的劃分方式。決策樹模型的構(gòu)建過程是一個迭代的過程，直到達到停止條件為止。一旦模型構(gòu)建完成，分類預測模塊可以將新的數(shù)據(jù)輸入到模型中，進行分類和預測。這將幫助確定液壓支架電液控制系統(tǒng)是否存在故障及故障的類型。

結(jié)果存儲模塊：結(jié)果存儲模塊用于存儲系統(tǒng)的輸出結(jié)果，包括故障診斷結(jié)果和相關(guān)的統(tǒng)計信息。這些結(jié)果可以供系統(tǒng)維護人員參考，以進行必要的維護和修復。結(jié)果存儲模塊將故障診斷結(jié)果保存在數(shù)據(jù)庫中，以便進一步分析和查詢。此外，其還可以生成報告和可視化圖表，以便用戶更容易理解和分析故障情況。

3.3? 硬件設(shè)備的技術(shù)改造

3.3.1? 硬件設(shè)備的技術(shù)改造需求

為了適應大數(shù)據(jù)故障診斷系統(tǒng)的需求，液壓支架電液控制系統(tǒng)的硬件設(shè)備需要進行技術(shù)改造。這包括升級傳感器、控制器和通信設(shè)備，以確保能夠收集和傳輸大數(shù)據(jù)。

3.3.2? 傳感器的升級

傳感器是液壓支架電液控制系統(tǒng)中的重要組成部分，用于監(jiān)測系統(tǒng)的狀態(tài)。為了適應大數(shù)據(jù)故障診斷系統(tǒng)，傳感器需要具備更高的精度和實時性。此外，傳感器還需要能夠與數(shù)據(jù)采集設(shè)備無縫連接。

3.3.3? 控制器的升級

控制器是電液控制系統(tǒng)的核心部件，負責監(jiān)測系統(tǒng)狀態(tài)和作出相應的決策。為了適應大數(shù)據(jù)故障診斷系統(tǒng)，控制器需要具備更強的計算能力和數(shù)據(jù)處理能力。此外，控制器還需要具備通信功能，以便與數(shù)據(jù)處理中心進行數(shù)據(jù)交換。

3.3.4? 改造方案

升級改造后，在支架控制器部分增加有交換機硬件，并采用以太網(wǎng)控制器，可以起到減輕控制器（MCU）對數(shù)據(jù)轉(zhuǎn)發(fā)處理任務的效果，能大幅度提高系統(tǒng)數(shù)據(jù)的通信效率。

電氣參數(shù)采集電路的升級改造，在控制器硬件電路中設(shè)計加入專用精確測量電路。測量電路的設(shè)計可以實時采集傳感器、電磁先導閥驅(qū)動器、控制器等供電單元的電氣參數(shù)，實現(xiàn)系統(tǒng)核心關(guān)鍵部件實時運行電氣參數(shù)采集，提高預測系統(tǒng)故障的準確性。

4? 故障診斷實現(xiàn)和測試分析

4.1? 故障診斷系統(tǒng)的實現(xiàn)

故障診斷系統(tǒng)的實現(xiàn)包括安裝和配置硬件設(shè)備、部署故障診斷引擎和建立數(shù)據(jù)傳輸通道。在實施過程中，需要確保系統(tǒng)能夠正常運行，數(shù)據(jù)能夠準確傳輸和處理。

大數(shù)據(jù)決策分析服務平臺運行時，通過Hadoop導入故障診斷樣本數(shù)據(jù)訓練C4.5決策樹分類預測引擎，生成分類規(guī)則提取各類故障特征曲線。當液壓支架電液控制系統(tǒng)工作后，將產(chǎn)生的海量故障診斷數(shù)據(jù)導入C4.5決策樹分類預測引擎進行處理，將提取的實時運行特征與已提取故障特征曲線進行特征比較，在對故障特征曲線修正基礎(chǔ)上識別故障類型，并輸出故障預測結(jié)果輸出，同時不斷對故障特征曲線進行修正。大數(shù)據(jù)故障診斷流程如圖2所示。

圖2? 大數(shù)據(jù)故障診斷流程

4.2? 測試分析

在實施故障診斷系統(tǒng)后，需要進行測試和分析，以驗證系統(tǒng)的性能和準確性。測試分析包括模擬故障場景、對系統(tǒng)的響應時間進行測試、評估系統(tǒng)的準確性等。測試分析的結(jié)果將有助于進一步優(yōu)化系統(tǒng)。

通過C4.5決策樹分類預測引擎提取得到電磁先導閥、控制器、壓力傳感器和行程傳感器故障特征曲線，發(fā)現(xiàn)液壓支架電液控制系統(tǒng)正常工作時電磁先導閥、控制器及各類傳感器的驅(qū)動電流運行特征曲線相對較為平滑，能夠通過不同故障特征曲線來有效識別電液控制系統(tǒng)產(chǎn)生的各類故障。

5? 結(jié)束語

設(shè)計了一種基于大數(shù)據(jù)的新型液壓支架電液控制系統(tǒng)故障診斷系統(tǒng)。通過大數(shù)據(jù)采集、傳輸、處理的大數(shù)據(jù)決策分析服務平臺及大數(shù)據(jù)故障診斷引擎的設(shè)計，可以實現(xiàn)對系統(tǒng)故障的自動識別和診斷。這將提高液壓支架電液控制系統(tǒng)的可靠性和性能，有助于確保煤礦井下作業(yè)的安全和高效。通過硬件設(shè)備的技術(shù)改進和實施測試分析，可以進一步提高系統(tǒng)的穩(wěn)定性和可靠性。總之，基于大數(shù)據(jù)的故障診斷系統(tǒng)將為液壓支架電液控制系統(tǒng)的智能化改造提供有力支持。

參考文獻：

[1] 王培恩，霍鵬飛，田慕琴，等.液壓支架電液控制系統(tǒng)通信調(diào)度策略研究[J].煤炭工程，2023，55（2）：146-151.

[2] 張輝.液壓支架智能化系統(tǒng)在億欣煤業(yè)的應用[J].機械工程與自動化，2022（4）：193-194，197.

[3] 鄭璐.礦井工作面液壓支架電液自動化控制系統(tǒng)的研究[J].機械管理開發(fā)，2022，37（6）：297-298，305.

[4] 梁凱.煤礦綜采面液壓支架電液控制系統(tǒng)設(shè)計[J].機械工程與自動化，2022（3）：179-180，183.

[5] 崔建勇.智能型液壓支架電液控制系統(tǒng)方案研究[J].自動化應用，2021（6）：130-133.

[6] 張雪梅.基于大數(shù)據(jù)的液壓支架電液控制系統(tǒng)故障診斷[J].工礦自動化，2018，44（12）：34-38.

[7] 王棟，肖磊，高黨尋，等.智能開采液壓支架電液控制系統(tǒng)檢修工藝[J].設(shè)備管理與維修，2023（11）：148-151.