智能煤矿矿用水泵状态检测的研究

2022-10-20谢正卿邱磊杨丽晴袁志浩崔钰豪

现代信息科技 2022年13期

谢正卿，邱磊，杨丽晴，袁志浩，崔钰豪

（中国矿业大学（北京），北京 100083）

0 引言

智慧矿山是以透彻感知矿井状况、深度互联以及智能应用矿井设备为主要特征的信息化、智能化矿山建设工程。矿山设备的监测与故障预测是达成智能采矿必不可少的一部分，因此生产环境中设备的状态监测技术受到工业界的重点关注。

煤矿井下生产过程中，由于自然或人为因素，导致地下径流或地下含水层的水与井巷贯通，造成矿井涌水。通常使用排水泵将涌水抽排至其他区域或经井下泵房抽排至地表，确保井巷中正常的生产秩序和人员设备安全。煤矿作业环境恶劣，地质结构复杂，水泵作为井下作业的重要一环，一旦出现故障就会带来巨大的经济损失和严重的社会影响。如果依靠施工人员对水泵实现全天候的监测，需要大量的人力物力，随着“煤炭工业2025”的提出，以及“机械化换人、自动化减人”的推广，对矿井下水泵的状态实现智能检测具有重要价值。

基于对矿山内水泵真实状况的考虑，由于MD580-70×9型水泵承担着矿井的排水任务，运转频繁，磨损和锈蚀速度很快，需要定期对其进行生井检修。故本课题组选定这一型号的水泵作为主要研究对象实现对水泵状态的检测，包括发生故障与否判断，故障诊断，以及故障预测等功能。

1 理论依据与方案设计

1.1 理论依据

1.1.1 判断依据

查阅不同规格和型号的水泵说明书，在众多水泵状态参数中，选择出少数特征参数，导致水泵故障的因素有很多，由线性动力学理论得知设备结构的变化（比如结构损伤）会引起结构动力学参数（如固有频率）发生变化。几乎大部分水泵内部零件如转子、滚动轴承、联轴器等部件的损坏都会引起振动的异常，也就是几乎75%水泵的损坏都将体现在振动上。根据调研，大部分评估模型都以振动烈度作为考察状态的参数，故我们以此作为评估方法中的特征参数。

MD580-70×9 为第二类水泵，其振动烈度其中正常工作的振动程度应小于等于2.8 mm/s。振动幅值小于1.12 mm/s 为优良状态，大于1.12 mm/s 小于2.80 mm/s 为合格状态，大于2.80 mm/s 小于11.20 mm/s 为不合格状态，大于11.20 mm/s 将不允许运作。在编程时若信号幅值大于2.8 mm/s 将被记录，记录下来的值将作为参考为我们时域判断提供基础。

1.1.2 判别依据

频域可以监测到的典型故障有两种：转子故障以及电机故障。有关频域判决水泵异常的标准如表1所示。

表1 典型水泵故障的频域表现[1]

水泵时域判别出现故障后，进行时频转换，记录幅值超过2.8 mm/s 的倍频点，结合表1即可进行判断。

1.1.3 预测原理

长短期记忆神经网络（LSTM）具有记忆前向时间节点并适时弱化前向节点对后向节点影响的能力，其模型最顶层定义了一条传送带，用来描述细胞状态并记忆当前网络的信息情况。传送带通过3个控制门对信息进行选择记忆，分别是输入门（Input Gate）、输出门（Output Gate）和遗忘门（Forget Gate）。门的开关状态受到输入层信息和前一时刻隐层信息的影响。本课题实验将模型看成黑箱，通过输入信号进入训练好的模型得到输出信号，结合国标判断，给出在未来多久之内会发生故障。

1.2 总体设计

1.2.1 故障判断

对所获得的水泵信号与国标进行比较，若1/3 的总采样时长内的信号均大于国标值则判定水泵出现故障。

1.2.2 故障判别

通过傅里叶变换将已有振动烈度数据从时域转化至频域，利用调研选出水泵的转速计算出基频，并通过高斯低通滤波器过滤其中的噪音，通过FFT 变换的出对应频点上的幅值，再基于国家水泵故障评判标准以及已有的故障类型的判别水泵发生何种故障。

1.2.3 水泵状态预测

将采集到的水泵数据的90%作为训练集并利用其均值和方差将其标准化后交替一个时间步作为未来LSTM 模型的输入，构建一个拥有200 个隐藏单元的神经网络，设置求解器为“adam”且学习率为0.05，通过LSTM 模型训练网络训练后得到预测值，再将剩余的10%作为测试集作为标准值与预测值求解均方根（RMES），其值越小则模型越精确。

2 软件编程实现

2.1 编程工具语言选取

通过对比多种编程软件，结合该项目所要实现的功能，最终我们选择MATLAB 作为编程工具，其自带编程语言且与C 语言类似。MATLAB 是一套高性能的数值计算和可视化软件，集数值计算、信号处理和图形分析等功能于一体，对振动测试方面也集成了丰富的信号处理和分析功能专用函数库，在信号处理方向有着广泛应用。