煤矿机电设备智能诊断技术研究与应用

山东能源西北矿业平凉五举煤业有限公司 赵仁渔

煤矿是我国重要的能源原材料基地，煤矿机电设备是煤矿生产的重要保障。然而，由于煤矿环境的恶劣、设备的复杂、运行的高强度等，导致煤矿机电设备经常发生故障，给煤矿生产带来严重的安全隐患和经济损失。因此，及时、准确、有效地诊断煤矿机电设备的故障状态，对于保障煤矿安全生产、提高设备利用率、降低维修成本都具有重要的意义。

目前，对于煤矿机电设备的故障诊断，主要采用的方法有基于模型的方法、基于信号处理的方法、基于人工智能的方法等。这些方法各有优缺点，但也存在一些共同的局限性，如对设备选型和故障机理要求较高，难以适应复杂多变的故障情况；对信号采集和处理要求较高，易受噪声和干扰的影响；对数据量和质量要求较高，需要大量的先验知识和经验等。因此，如何克服这些局限，提出一种更加鲁棒的故障诊断技术，是当前研究的一个重要课题。

鉴于此，本文提出了一种基于谐波信号监测与分析的智能诊断技术。该技术具有以下优点：一是不依赖于设备模型和故障机理，能够适应多种类型和不同程度的故障。二是不受噪声和干扰的影响，能够在复杂环境中稳定运行。三是不需要大量的数据和知识，能够自主学习和适应新故障情况。

1 煤矿机电设备故障特点及诊断方法

1.1 煤矿机电设备的常见故障类型和原因

煤矿机电设备是指在煤矿生产过程中使用的各种电气、机械、液压、气动等设备。这些设备长期在恶劣的环境中运行，受到高温、高压、高腐蚀等多种因素的影响，容易发生各种故障，影响煤矿的安全生产和经济效益[1]。

现阶段，根据故障的发生原因，煤矿机电设备的故障可以分为以下两类。

第一，损坏性故障。这类故障是指设备或部件在运行过程中出现变形、裂纹、断裂、烧损等物理性损坏，导致设备不能正常工作。原因主要有材料质量不合格或选用不当；加工或装配质量不良；设计或制造缺陷；外力或内应力过大；环境温度或湿度过高或过低等。

第二，松脱型故障。这类故障是指设备或部件在运行过程中出现松动、脱落、滑移等连接性失效，导致设备不能正常工作。原因主要有连接件质量不合格或选用不当；连接件安装不牢固或紧固力不足；连接件受到振动、冲击或温差等影响而松动；连接件受到腐蚀或磨损而失效等。

1.2 煤矿机电设备的故障诊断方法及其局限性

煤矿机电设备的故障诊断方法是指在不拆卸设备的情况下，通过对设备的运行信号进行采集、分析和处理，判断设备的运行状态和故障类型的技术。根据不同的信号处理方法。

第一，基于解析模型的检测和诊断方法。这类方法是根据设备的物理原理和数学模型，建立设备的正常运行状态和故障状态下的解析模型，然后通过对比实测信号和模型输出信号，判断设备是否存在故障以及故障位置。该方法优点是具有较强的可解释性，但缺点是需要准确的模型参数，而且很难考虑到复杂环境和非线性因素的影响[2]。

第二，基于人工智能的方法。这类方法是利用如神经网络、支持向量机、模糊逻辑、专家系统等人工智能技术，对设备的运行信号进行分类、识别和推理，实现故障检测与诊断。方法优点是能够处理非线性、非平稳和不确定性等复杂问题，而且能够利用先验知识和经验规则，但缺点是需要大量的训练数据和合适的网络结构，而且很难保证系统的鲁棒性。

1.3 基于谐波信号监测与分析的智能诊断方法

基于谐波信号监测与分析的智能诊断方法是一种新型的煤矿机电设备故障诊断方法，利用设备运行时产生的谐波信号作为故障特征，通过对谐波信号进行采集、滤波、变换、提取和识别等，实现对设备故障的智能诊断。方法优点是能够有效地克服传统方法中存在的模型不准确、参数不确定、信号特征不明显等问题，提高故障诊断的准确性和可靠性。

基于谐波信号监测与分析的智能诊断方法主要包括以下五个步骤。一是谐波信号采集。二是谐波信号滤波。三是谐波信号变换。四是谐波信号提取。五是谐波信号识别。

2 谐波信号监测与分析技术

谐波信号是指频率为基波频率的整数倍的正弦信号，其是一种常见的非正弦信号，可以用傅里叶级数展开为基波和各次谐波的叠加。谐波信号的原理和特征如下。

一是谐波信号的原理。当一个周期性信号不是正弦波时，可以看作是由多个不同频率、幅值和相位的正弦波叠加而成的，这些正弦波称为谐波[3]。

二是谐波信号的特征。谐波信号的特征主要包括幅值谱、相位谱和功率谱等。幅值谱是指各次谐波的幅值随频率的变化曲线，反映信号中各次谐波的能量分布情况。相位谱是指各次谐波的相位角随频率的变化曲线，代表信号中各次谐波的相位关系。功率谱是指各次谐波的功率随频率的变化曲线，反映信号中各次谐波对总功率的贡献程度[4]。

谐波信号监测与分析技术是指利用各种仪器和方法对产生或含有谐波信号的电气系统进行检测。对谐波信号进行监测与分析阶段，需要进行信号采集和处理。采集方法有模拟采集和数字采集两种，模拟采集是利用模拟电路对信号进行放大、滤波、调制等处理，然后通过示波器或频谱仪等仪器进行显示；数字采集是利用模数转换器（ADC）对信号进行采样、量化和编码，然后通过计算机或数字存储示波器等仪器进行存储。

3 基于人工神经网络的智能诊断算法

3.1 人工神经网络的结构

人工神经网络是一种模拟生物神经系统的结构和功能的计算模型，其由大量的简单处理单元（神经元）通过连接阈值（突触）相互连接而成。人工神经网络具有自学习、非线性、并行处理等特点，可以处理复杂的模式识别问题[5]。

人工神经网络的结构一般分为输入层、隐藏层和输出层，其中输入层接收外部输入信号，隐藏层和输出层的神经元都是由前一层的神经元传递信息得到，如图1所示。根据不同的连接方式，人工神经网络可以分为前馈网络、反馈网络和自组织网络等类型。常用的人工神经网络有BP 网络、RBF 网络、Hopfield 网络、SOM 网络等。

图1 人工神经网络的结构

训练和测试方法包括五个步骤：一是确定网络的结构和参数，如神经元的个数、激活函数的类型、连接权值的初始值等。二是选择合适的学习算法，如梯度下降法、遗传算法、模拟退火法等，来调整连接权值，使得网络的输出与期望输出之间的误差最小化。三是利用一部分已知输入输出对（训练集）来训练网络，直到达到预设的收敛条件或者最大训练次数。四是利用另一部分已知输入输出对（测试集）来测试网络的泛化能力，即对未知输入信号的处理能力，评估网络的性能指标。五是根据测试结果，对网络进行调整或优化，如增加或减少隐藏层节点数、改变学习率、改变激活函数等，以提高网络的性能。

3.2 人工神经网络在故障诊断中的应用方式

一是利用人工神经网络作为故障分类器，根据故障特征向量来判断故障类型和位置。例如，利用BP网络对电机故障进行分类。二是利用人工神经网络作为故障检测器，根据正常运行状态下系统输出值与实际输出值之间的偏差来判断是否发生故障。例如，利用RBF 网络对光伏逆变器故障进行检测。三是利用人工神经网络作为故障辨识器，根据系统输出值或残差来估计故障参数或大小。例如，利用Hopfield 网络对航空发动机传感器故障进行辨识。四是利用人工神经网络与其他方法相结合进行故障诊断，如与专家系统、模糊逻辑、小波分析等方法相结合，提高诊断效率。

4 设备健康状态监测与预警系统

4.1 设备健康状态监测与预警系统的架构

设备健康状态监测与预警是指通过对设备运行状态的实时采集、存储、分析和评价，实现对设备的状态识别，并对设备的异常情况进行自动报警、早期诊断，保障设备的安全运行。设备健康状态监测与预警的目的是提高设备的可靠性，减少运维成本，提高生产效率和经济效益。

设备健康状态监测与预警系统的架构一般包括数据采集层、数据传输层、数据处理层和数据展示层，如图2所示。数据采集层负责通过各种传感器采集设备的振动、电流、声音、温度等多种信号；数据传输层负责通过有线或无线网络将采集到的数据传输到数据处理层；数据处理层负责通过特征工程、时频感知、深度学习等方法对数据进行分析和挖掘，构建设备健康模型，实现对设备状态的评估和预测，并生成报警信息和诊断结果；数据展示层负责通过可视化界面或移动端将数据处理层的输出展示给用户，实现对设备健康状态的实时监控。

图2 设备健康状态监测与预警系统的架构

4.2 设备健康状态监测与预警系统的实现

设备健康状态监测与预警系统的实现和效果可以根据不同的应用领域和场景进行定制化开发。例如，在制造业中，可以利用PreMaint 设备健康管理平台，全面采集、监测、记录和分析生产线上的各类设备数据，通过先进的算法模型进行综合评估和预测分析，实现对设备运行状态的智能化管理。在能源领域，可以借助设备在线监测与故障诊断系统，对风力发电机组等新能源设备进行实时监测，对设备的故障、损伤等进行快速诊断，提出解决方案，保证风力发电机组的安全运行和电力发电效率。

本文以煤矿机电设备为研究对象，探讨了人工神经网络在故障诊断中的应用。主要成果和创新点有建立基于谐波诊断技术的设备智能诊断系统，实现对设备运行过程中的振动、温度等状态信息参数的实时采集和分析；采用人工神经网络算法对机电设备异常状态进行智能诊断，提高诊断的准确性；实现设备全生命周期的健康状态监测，对故障演变趋势进行分析，为设备的预知性维修提供依据。

由于煤矿机电设备种类繁多、工作环境复杂、故障模式多样，本文所采用的人工神经网络算法可能无法适应所有情况，需要进一步优化。同样，本文采用的谐波诊断技术只能监测设备的振动信号，而忽略了其他可能影响设备运行状态的因素，如电流、声音等，需要结合其他信号分析技术，提高诊断的全面性。

随着煤矿安全生产的要求不断提高，机电设备的运行状态监测与故障诊断技术的需求也越来越多。同时，随着人工智能技术的不断发展和创新，人工神经网络算法也需不断完善和优化，提高智能化水平，为机电设备故障诊断提供更强大的支持；物联网、云计算、大数据等技术的广泛应用，设备智能诊断系统可以实现与其他业务系统的数据共享，提高其智能化管理和优化能力，为煤矿生产效率和经济效益的提升提供保障。