煤礦井下機電設備故障檢測技術研究

摘要：本文針對煤礦井下作業的安全問題，提出了機電設備的故障檢測方法。以掘進機為研究對象，構建了基于循環深度網絡的檢測框架，并對其內部層次結構和注意力機制進行重點設計，同時對電氣故障、機械故障和液壓故障進行檢測。檢測試驗的結果證實，本文提出的方法比其他方法檢測效果更好，可以提升煤礦井下機電設備的作業安全性。

關鍵詞：煤礦井下；機電設備；掘進機；故障檢測

中圖分類號：TD40""""""""" 文獻標志碼：A

煤炭是國家經濟發展的重要能源，其附屬產品也是許多領域的必需品，給經濟生產和人民生活帶來了極大便利。隨著我國經濟持續高速增長，煤炭需求量一直維持在高位。為了提升煤炭產量，我國一直大力度發展煤炭開采技術，尤其是煤礦井下機電設備的引進和研發[1]。掘進機械是煤礦井下的重要設備，也是典型的機電一體化設備，包括機械部分、電氣部分、控制部分和輔助部分等[2]。為了確保掘進機械能夠平穩高效運行，必須對其可能發生的故障進行有效檢測，以便及時發現問題并進行有針對性的處理[3]。包括掘進機在內的煤礦井下機電設備可能發生的故障種類繁多，對各種可能故障進行準確分型，采用合理的檢測方法，可以實現煤礦井下機電設備的有效故障檢測。

1煤礦井下機電設備的故障分類

煤礦井下的機電設備種類較多，可適用于不同場景并完成不同任務。其中應用最多的設備就是掘進機。根據結構設計的差異，掘進機又可劃分為多個種類，如框架式掘進機就是比較典型的一種。掘進機工作效率高，適合于煤礦井下作業，可以快速掘進并完成煤炭開采。從結構上看，掘進機是一種典型的繼電設備，包括機械部分、電氣部分和液壓控制部分。但是連續的高負荷運轉會使掘進機經常出現各種故障。為了確定故障具體情況，可以將故障原因進行逐級細分，如圖1所示。

掘進機的常見故障被劃分為3類，電氣故障、機械故障和液壓控制故障。其中電氣故障常見于電纜斷裂、電機故障和電路短路等。持續作業下，電纜線路會被反復磨損，甚至在某些情況下直接損傷，導致電纜斷裂。持續的掘進作業也會加大掘進機的復合，導致電機過熱而無法正常工作。點電纜外皮損壞后，就可能引發電路短路。電氣故障不僅會導致掘進機無法正常工作，甚至會引發煤礦井下的火災事故。

掘進機的機械故障常見于切割頭故障、傳動系統故障和結構故障等。切割頭在持續作業過程中可能出現卡死或破損，導致無法破壁和采掘煤炭。傳動系統出現故障會導致掘進機停機，電機轉動無法帶動執行機構動作。承載結構故障可能會導致掘進機在采掘過程中發生變形。機械故障也會直接導致掘進機停機，影響煤礦井下的工作效率。

掘進機的液壓控制故障常見于液壓油泄露、液壓油溫度升高或異常以及液壓缸失效等。液壓控制是掘進機的主要控制方式，決定了掘進機的作業效率。如果出現液壓故障，就會影響煤礦井下的作業效率。

2煤礦井下機電設備的故障檢測方法

2.1故障檢測方法總體構思

根據上述分析可知，在煤礦井下作業過程中，掘進機負荷大、連續工作時間長，經常會面臨多種可能出現的故障。為了提升掘進機的安全性，需要對掘進機進行故障檢測。常見的故障檢測方式是人工檢測，但是井下條件有限且檢測人員可能受身體狀況、主觀情緒等的影響，檢測效果不佳，因此本文采用循環卷積深度網絡進行故障的智能檢測。

智能檢測是將各種可能故障的經驗數據放在數據庫中，通過傳感器獲得現場的故障信息，將二者進行比對，比對的過程由深度網絡的深度學習來完成。因為整個過程都不需要人的參與，所以深度學習算法可以自動運行并完成掘進機故障判斷，從而體現出明顯的自動化、智能化屬性特征。

與普通的卷積網絡相比，循環卷積網絡的學習和逼近能力更強，這也是本文以此為核心算法的原因。本文基于深度學習的故障檢測方法框圖如圖2所示。

從圖2可以看出，將掘進機的故障實時檢測數據作為輸入，送入BERT模型中進行處理。處理后的輸入數據劃分成新的子類，送入循環卷積網絡的輸入層，進而送入循環卷積網絡的隱含層，再經過多頭注意力機制進行篩選并去除冗余數據，最終經循環卷積網絡的輸出層得到故障檢測的識別結果。

2.2循環深度網絡的處理過程

循環深度網絡比一般的卷積深度網絡具有更強大的功能，學習性能更強、逼近效果更好，其根本原因是其結構的特殊性。對大多數神經網絡和深度學習網絡來說，都具有典型的三層結構，包括輸入層、中間層和輸出層。其中的中間層也稱之為隱含層，具有數量豐富的卷積、池化層次結構。

當掘進機各種故障類型數據作為輸入送入輸入層后，會經過隱含層的各卷積層和池化層進行迭代訓練以完成學習，反復迭代訓練的結果最終形成輸出，從而形成故障類型的區分和判斷機制。這是一種自動化的學習和遞進機制，隨著數據訓練豐富程度的提高和訓練次數的增加，循環深度網絡學習的準確率會不斷提高，直至達到理想水平。

對煤礦井下掘進機設備故障檢測來說，循環深度網絡的層次結構形態（Hm）、輸入輸出關系（ym）可以刻畫為公式（1）、公式（2）所示的數學模型。

Hm=f（wxxm+whHm-1）（1）

ym=g（wyHm）（2）

式中：f（）為煤礦井下掘進機設備故障檢測的非線性激活函數；g（）為煤礦井下掘進機設備故障檢測的激活函數；wx為煤礦井下掘進機設備故障檢測的輸入層到隱含層的權重；wh為煤礦井下掘進機設備故障檢測的隱含層內部的權重；wy為煤礦井下掘進機設備故障檢測的隱含層到輸出層的權重。

2.3多頭注意力機制的引入

在很多情況下，輸入-隱含-輸出的數據流傳遞會帶有大量冗余，這些冗余數據及其關系對建立準確機制是不利的。因此，聚焦于核心問題是深度學習的關鍵所在。為了達到該目的，需要設計注意力機制，幫助深度學習網絡始終將注意力作為核心問題。當同時采取多種屬性的注意力機制進行處理時，就形成了多頭注意力機制。

在煤礦井下掘進機設備故障檢測中，本文引入了多頭注意力機制對循環深度網絡進行改進，整個改進處理過程包括4個關鍵點。

第一個關鍵點，根據煤礦井下掘進機設備故障特征向量，生成3個獨立矩陣，具體描述如公式（3）所示。

（3）

式中：T為煤礦井下掘進機設備故障的特征向量；QT為煤礦井下掘進機設備故障的查詢矩陣；KT為煤礦井下掘進機設備故障的鍵矩陣；VT為煤礦井下掘進機設備故障的值矩陣；wQ為煤礦井下掘進機設備故障的查詢權重；wK為煤礦井下掘進機設備故障的鍵權重；wV為煤礦井下掘進機設備故障的值權重。

第二個關鍵點，根據多頭注意力機制的處理原則，根據

公式（4）計算出每一個頭，即headi。

式中：Attention（）為煤礦井下掘進機設備故障檢測中注意力機制函數；Same（）為煤礦井下掘進機設備故障檢測中的歸一化函數；DK為煤礦井下掘進機設備故障檢測鍵矩陣KT的維度。

第三個關鍵點，進行反復多次的注意力機制處理，得到煤礦井下掘進機設備故障檢測中的多個headi。

第四個關鍵點，將多個自注意力處理后的頭進行融合處理，形成煤礦井下掘進機設備故障檢測中特征語義向量。融合處理的操作如公式（5）所示。

式中：Multihead_Y為煤礦井下掘進機設備故障檢測中特征語義向量；Fusion（）為煤礦井下掘進機設備故障檢測中融合函數；w0為煤礦井下掘進機設備故障檢測中線性變換矩陣。

3煤礦井下機電設備故障檢測試驗

上述研究以掘進機為煤礦井下機電設備代表進行設備故障分類，包括電氣故障、機械故障和液壓故障3類。在此基礎上，本文進一步提出了基于循環深度網絡的深度學習檢測方法，并對其中的關鍵環節進行了詳細設計，然后通過試驗驗證本文工作的有效性。以EBZ260掘進機為具體研究對象，對其可能出現的故障進行重點監測設計，監測流程如圖3所示。

本文對EBZ260掘進機設置了5個監測點，包括油泵電機、截割高速、截割低速、二運電機和噴霧電機。在監測過程中，大部分監測點顯示電流正常，但PT100節點出現了漏電現象，表現為電流過流，表示油泵電機存在問題。其他重點參數的監測流程如圖4所示。

因為在油泵電機的PT100節點出現了漏電現象，所以本文給出其重點保護的提示，此時要進一步監測油溫、油位和進線電壓等參數。

將本文方法完成掘進機故障檢測的綜合效果和其他3種方法進行比較，比較結果見表1。

表1數據對應的柱狀圖如圖5所示。

表1和圖5的結果進一步證實了本文方法的故障檢測準確率明顯高于其他3種方法，對煤礦井下機電設備的保護具有重要意義。

4結論

煤礦井下作業效率關系到煤炭產量，是煤炭能源供給保障的關鍵。掘進機等機電設備對煤礦井下作業十分關鍵，

可短時掘進并開采大量煤炭，如何保障掘進機持續高速、高負荷作業過程中的安全和穩定是一項重要課題。本文先對掘進機的常見故障進行分類，即分為電氣故障、機械故障和液壓故障，進而構建基于循環深度網絡的自動檢測方法。試驗結果表明，本文方法可同時對多種故障類型進行檢測和區分，準確率較高。

參考文獻

[1]安國斌，閔文. 煤礦井下掘進機設備故障診斷與維護措施分析[J]. 設備管理與維修，2023（12）：120-122.

[2]薛紅波，李福振，蔡先杭.EBQ315巖巷掘進機在陜蒙地區煤礦大斷面巖巷掘進中的應用[J]. 工程技術研究，2022，4（2）：12-16.

[3]孟帥堯，李東利，王付利，等. 基于云平臺的隧道掘進機故障診斷與處理技術研究[J]. 建筑機械（上半月），2022，32（8）：111-119.