煤矿机械工作状态监测系统研究*

2018-11-01张文栋薛晨阳

振动、测试与诊断 2018年5期

张文栋, 薛晨阳

(中北大学仪器与动态测试教育部重点实验室太原，030051)

引言

采煤机、掘进机、皮带机等大型设备是现代煤矿企业从事全自动化综采的核心装备，其良好的工作状态对提高煤矿生产效率、降低企业生产成本和减少煤炭开采百万吨死亡率具有重要的支撑作用[1-4]。如何确保煤机设备正常运转，关键在于捕捉煤机运行中的细微异常信号，及时对其进行预知判断和反馈，建立对煤机故障实时、准确、高效的监测、诊断和维修的数据管理架构和智能运行体系。根据不同的企业规模和运作方式，现有煤机故障诊断方式种类繁多，但归结为线上和线下两种方式，其共性问题为以人工为核心[5]。面向智能化装备升级和物联网应用背景，将传统的“人-机”交互监测模式提升为“机器-传感网络”大数据协同模式，将极大提升煤机监测效率、降低严重故障概率。本研究针对煤机状态监测现状及存在的技术瓶颈，梳理和分析不同状态监测方式的特点，旨在探讨该领域的发展趋势并提出其重点研究方向，对提升传统能源领域装备智能化升级改造具有普遍的现实意义和重要的研究价值。

1 煤机故障类型及成因分析

采煤机械设备主要由机械系统、电气系统和液压系统三部分组成[6-7]。面对空气环境潮湿、粉尘多以及煤炭和矿石的冲击等恶劣环境作用和长时间运转造成的磨损、疲劳等综合原因，采煤机械设备不可避免产生各种机械故障。

液压系统是采煤机械设备最容易出现故障的部分，液压油受到污染是其产生故障的主要因素。煤矿井下潮湿环境中的氧气、硫化物等气体会使液压系统的密封件逐渐被氧化、腐蚀，密封不良导致液压油泄露和压力降低。液压系统工作过程中矿井下的灰尘、煤炭微颗粒等杂质会经过液压缸活塞杆进入液压油中；接触且有相对运动的部件磨擦产生的颗粒也会直接进入液压油中；在正常的维护保养过程中，周围环境中的杂质也会进入液压油中；液压油在长时间的工作过程中由于高温、氧化等原因变成杂质。液压油中杂质的累积会造成管路的堵塞，会引起液压油压的升高，增加相对运动部件之间的摩擦力产生大量的热[8-10]。因此，液压系统的故障主要表现为液压油品质的降低、压力和温度的变化。

轴承、齿轮等旋转部件是煤机设备机械系统出现故障最多的部分，其出现故障主要由以下几方面原因。工作环境中的粉尘、运动部件上的磨屑等杂质进入润滑油中使轴承、齿轮等部件旋转不良，使系统产生异常的振动并会产生大量的热。温度的升高又会导致部件受到回火烧伤，其硬度与耐磨性受到严重影响。采煤机械设备在运行过程中，煤矿或岩石的冲击会使轴承、齿轮等旋转部件产生轴向位置偏离，使旋转部件受到很大的摩擦力，其表面受到严重的磨损、产生剧烈的振动和温度的升高。采煤机械设备在持续的工作过程，轴承、齿轮长时间高速运转、超负荷的工作等原因会受到过大的应力，当超过疲劳极限状态时会在表面出现裂纹甚至断裂[11-12]。因此，机械系统出现故障主要表现形式为振动异常和温度升高。

电气系统出现故障的主要原因是接触不良和电子元器件异常。电路板上的电子元器件长期处在煤矿井下潮湿、含有硫化物的酸性环境中其极易产生老化等问题。煤矿井下的粉尘、颗粒物等累积到电路表面会影响其散热能力导致元器件的寿命降低。电气连接部分长期受到旋转部分不平衡引起的振动、煤炭和矿石对设备的冲击的作用会产生接触不良问题[13]。因此，电气系统的故障主要表现为电信号缺失和增加发热。

煤矿机械设备的故障主要体现在温度的变化、振动信号的异常和液压油品质的变化，通过对这些量的监测可以判断其工作状态。

2 状态监测类型、特点及发展趋势

目前，典型的设备状态监测方式主要有3种：离线定期监测方式、在线监测离线分析方式和自动在线监测分析方式。

离线定期监测方式是最早得到应用的监测方式。它需要专业的测试人员定期到设备现场对各个监测点进行监测，这种方式测试设备简单、成本低，在小型煤矿企业和设备状态监测的初期得到了大量应用。但该方式存在需要专业的技术人员，监测不灵活；设备需要停机监测，影响企业生产效率；监测过程繁琐，时间长等缺点。该种监测方式在机械设备状态监测中已经很少使用。针对这种监测方式的不足，一种在线监测离线分析方式的得到发展。由于已在机械设备各监测点布放了相关传感器在设备现场进行信号采集，再由专业的技术人员对采集到的信号进行分析诊断，避免了设备停机，简化了监测过程，不会影响企业正常的生产活动。该种监测方式是现在状态监测的主要方式。上述这两种监测方式都需要专业的技术人员将采信到的信号进行离线分析，时效性、灵活性比较差，不能及时地发现设备存在故障，可能会导致设备产生“二次损伤”，造成设备的重大故障和安全隐患。随着物联网以及人工智能技术的发展，自动在线监测分析方式成为了可能。这种方式可以实现对设备工作状态监测并对设备的工作状态进行分析，可以及时发现设备存在的故障、不需要专业的技术人员[14-18]。这种检测方式需要建立无线传感器网络和智能诊断系统，将成为未来煤矿机械设备状态监测的重要方式。

3 监测系统技术特点及实现方式

采煤机械设备有大量的旋转部件，其监测信号用有线方式传输会产生导线缠绕的问题。线缆存在成本高、扩展性差和信号容易被干扰的问题。煤矿井下的复杂环境也容易使线缆老化和损坏。无线传感技术可以有效地解决上述问题，由于使用电池为无线传感器件供电需要定期更换电池，会影响企业的生产效率。因此，将无线传感技术与微能源技术集成应用是未来自动在线监测分析方式的发展方向[19-20]。

3.1 无线传输技术

无线电波在环境复杂的煤矿井下传输的质量与其频率密切相关。研究表明，频率低于30 MHz时其衰减与频率负相关；频率大于30 MHz时其衰减与频率正相关，频率高于300 MHz的无线电波在煤矿井中传输具有较好的效果[21-22]。

蓝牙技术是Ericsson在1994年发明的无线通讯技术，其工作频段为2.4 GHz。蓝牙具有传输损耗小、可穿透障碍物、可实现点对点或点对多点的数据传输和成本低等特点[23-24]。蓝牙4.0标准发射功率低，能够满足煤矿井下安全性的要求，是煤矿井下无线网络的一种重要技术[25-27]。WIFI技术是在802.11标准协议基础上定义的工作频段为2.4和2.5 GHz的局域网。WIFI具有传输速度快、带宽宽、业务可以集成、投资成本低以及相对健康安全等优点[28-29]。文献[30-32]证明了2.4 GHz频段在煤矿井下应用的可行性，目前，WIFI技术己在煤矿井下得到了应用。通用分组无线服务技术(general packet ratio service，简称GPRS)核心层使用网络之间互连的协议(internet protocol,简称IP)技术，可实现分组数据的高效、低成本传输。随着煤矿信息化升级改造，现有大型煤矿均采用3G网络进行井下和地面通信，煤矿井下沿岩壁布放有线线缆至工作面，是一种重要的井下信息传输手段[33-35]。紫蜂协议(Zigbee) 是一种新兴的近距离无线通信技术，具有强大的组网能力、广阔的适应面、良好的节能性以及高可靠性[36]。其无线通信技术具有成本低、功耗小、网络容量大、时延短和可靠性高的特点，在构建煤矿井下的无线网络中扮演重要的角色[37]。

紫蜂协议(Zigbee)与其他无线通信相比，最突出的优点在于其超低的功耗，两节5号干电池可使用6个多月。而GPRS技术已在煤矿井下得到了普及应用,可以将煤矿井下的信号传输到地面。因此，将煤机设备上的状态监测信息无线传送到一个中间节点，然后通过GPRS技术传送到地面是一种可行性高、成本低的方式。

3.2 微能源技术

微能源技术是收集转化环境中的风能、热能、太阳能、化学能和振动能等微能量的技术。单一的微能源技术都具有各自的优点，但也存在其固有的不足，单一形式的能量采集也存在效率低的问题。因此，复合式微能源收集方案成为当前研究的热点。

王中林等[38-42]在2012年首次提出了摩擦纳米发电机的概念，它利用静电感应和摩擦起电的耦合作用将机械能转化为电能。摩擦纳米发电机(triboelectric nanogenerators,简称TENG)是一种有效的能量收集方式，具有输出电压高(几百伏)，短路电流小(通常小于几毫安)，响应频率低的特点，在低频能量采集中具有特殊的应用优势。电磁发电机(electromagnetic generator，简称EMG)是一种经典而有效的能量收集方法，电磁能量采集方式具有输出功率高、能量密度大、电压稳定可调、电源性能好以及使用可靠等特点[43]。随着材料科学的发展，基于压电效应的压电发生器(piezoelectric nanogenerator,简称PNG)也越来越受到欢迎，压电发电机可以有效采集冲击振动能量[44]。热能是环境中随处可在的一种能源，根据贝克效应制作温差电池可以收集环境中的热能。该种发电方式具有可靠性高、维护简单和能够适合恶劣环境等优点。在煤矿井下虽然热能很高，但是温差不大，温差发电的热电转换效率低[45]。风能是由于环境中的空气流动产生的动能，具有清洁无污染的特点。由于风能不稳定，需要相应的转换电路以及转换效率较低等不足。

煤矿井下存在各种形式的微能量，考虑到能量的来源质量和转换的效率等因素，热能和风能很难广泛应用，以振动为微能量来源的采集方式具有很高可行性, 电磁-摩擦-压电复合式微能源采集方式是煤矿井下未来发展的趋势。笔者课题组设计的基于微能源技术的低功耗无线监测单元示意图如图1所示,结构如图2所示。

图1 基于微能源技术的低功耗无线监测单元示意图Fig.1 Schematic diagram of low power wireless monitoring unit based on micro energy technology

图2 基于微能源技术的低功耗无线监测单元结构图Fig.2 The structure of low power wireless monitoring unit based on micro energy technology

4 故障诊断分析方法及应用

机械故障诊断的方法可分为基于模型的方法、基于信号处理的方法和基于知识的方法(人工智能方法)三大类。基于模型的机械故障诊断方法主要有等价空间法、状态估计法和参数估计法三种。这种方法需要了解机械设备系统的工作机理过程，并依此建立精确数学模型。该种方法适用于简单的系统，对于多状态变量、产生大量数据的系统则不适用。基于信号处理的机械故障诊断方法主要包括信号模态估计法、自适应滑动窗格形滤波器法、绝对值检验和趋势检验法、信息融合法和小波变换法。该方法是当前比较成熟且得到了大量应用的一种方法，由于该方法在信号处理过程中某些参数只能人为事先设定，不能随信号特征自动适应，已不能满足采煤机械设备等智能化升级改造的需求。基于知识的机械故障诊断方法主要包括知识观测器法、定性观测器法、神经网络法、模式识别法、模糊推理法和专家系统等。这种方法将提取到的信号特征与机器事先学习的离线数据模型对比进行故障诊断，解决了故障诊断对技术人员依赖程度高、故障诊断数量大与专业技术人员相对不足的问题，可以对机械故障进行可靠、实时的预测性故障诊断。目前，某些智能诊断方法已经得到应用，但单一种类的智能诊断方法都具有各自的局限性，将不同的智能算法相融合形成一种适用性更强的算法是故障诊断方法的发展方向。

2006年，于波等[46]在旋转机械故障诊断中利用小波包函数将采集到的信号进行分解，将能量值作为故障特征提取，实现了故障的有效识别。李军等[47]在2018年研究一种将总体经验模态分解法(ensemble empirical mode decomposition,简称EEMD)与互信息法相结合的Hibert-Huang变换方法，仿真和实验结果证明了该种方法在机械故障诊断中有效性和可行性。

Lu等[48]在2016年提出了一种由经验模态分解 (empirical mode decomposition,简称EMD)、多重形谱和改进的反向传神经网络(back propagation neural network)组成的故障诊断模型，将其应用于水轮机的工作状态监测和故障诊断中。该方法的特点在于通过经验模态分解 (empirical mode decomposition,简称EMD)获得数据信号，利用EMD对振动信号进行识别得到故障信号的近似系数，多重分形谱提供了几何分布或者概率信息。

韦建波等[49]在2018年提出了一种基于改进的径向基函数(radial basis function,简称RB)神经网络通过梯度下降算法和进化数值混合法相结合的配电网故障诊断模型，在实际的应用结果中具有较高的诊断准确率。

Lü等[50]在2016年提出一种基于变分模态分解(variational mode decomposition,简称VMD)和经过免疫遗传算法(immune genetic algorithm,简称IGA)优化的多核支持向量机(multiple kernel support vector machine,简称MKSVM)的机械故障诊断方法。该方法首先将信号用变分模式分解成多个固有模态函数(intrinsic mode function,简称IMF)，然后在时频域从固有模态函数提出特征构建特征集，最后用半监督局部线性嵌入进行融合和降维。实验结果表明，该方法大大提高了机械故障诊断的精度，提高了机械故障诊断的通用性。

深度学习作为大数据处理的工具，具有极高的处理复杂识别任务的能力，在很多传统的识别任务上都具有较高的识别准确率。其在对特征提取和模式识别具有较高要求的机械故障诊断中具有良好的应用前景。深度学习主要运用在深度置信网络[51]、卷积神经网络[52]、堆叠自动编码机[53-54]和递归神经网络[55-57]四种模型中。

刘林凡[58]在2017年综述了深度学习在故障诊断中应用的研究现状和技术难点，并展望了深度学习在故障诊断中的应用前景。Pan等[59]提出了一种从复杂机械故障数据中进行分层特征学习的深度学习网络方法进行故障识别，该方法主要包括分离层、预测层、更新层、汇聚层和全连接层。