桑建偉,劉 赟,郜 彤

(1.山西天地王坡煤業(yè)有限公司,山西 晉城 048021;2.中煤信息技術(shù)(北京)有限公司,北京 100120)

目前,煤礦綜采工作面裝備日趨大型化、自動化,國家不斷加大綜采工作面智能化的建設(shè)力度,采煤機作為綜采工作面的關(guān)鍵機電裝備之一,在煤炭生產(chǎn)中占有非常重要的地位。但在實際生產(chǎn)中,采煤機不僅受到煤塊的沖擊,還受到水、瓦斯、煤塵等的侵蝕[1],經(jīng)常出現(xiàn)故障停機的情況[2],所以對采煤機進(jìn)行在線監(jiān)測與預(yù)測性故障診斷,使采煤機工作在最佳狀態(tài),減少突發(fā)事故的次數(shù),提高采煤機工作的可靠性,是煤礦安全、高產(chǎn)、高效的重要保障[3]。在“中國制造2025”戰(zhàn)略背景下,采煤機在線監(jiān)測與故障診斷作為智慧礦山的組成部分,具有重要的現(xiàn)實意義[4]。

1 采煤機檢測故障診斷的挑戰(zhàn)

1.1 數(shù)字化程度低

采煤機缺少采集關(guān)鍵部位運行狀態(tài)的傳感器,數(shù)字化程度較低。設(shè)備運行狀態(tài)僅僅局限于簡單的煤礦工人敲擊觸摸監(jiān)測,單純憑借工人的經(jīng)驗來判定故障,可靠性較低。

1.2 數(shù)據(jù)缺失

設(shè)備運行數(shù)據(jù)沒有存儲和上傳,無法實現(xiàn)科學(xué)的監(jiān)測和診斷。調(diào)研發(fā)現(xiàn),由于礦井環(huán)網(wǎng)建設(shè)落后,很多礦井采煤工作面數(shù)據(jù)無法實時上傳;部分礦井雖然安裝了設(shè)備監(jiān)測系統(tǒng),但僅實時顯示數(shù)值,并沒有存儲長期運行的歷史數(shù)據(jù)。

1.3 采煤機故障診斷模型落后

數(shù)據(jù)驅(qū)動的采煤機在線監(jiān)測和故障診斷是一項新技術(shù),相關(guān)理論和技術(shù)研究較落后?，F(xiàn)場主要憑經(jīng)驗對采煤機進(jìn)行診斷分析,根據(jù)經(jīng)驗設(shè)定單指標(biāo)的報警限值,當(dāng)設(shè)備達(dá)到警限值時,發(fā)出預(yù)警信號。此方法局限大、科學(xué)性差。

隨著物聯(lián)網(wǎng)[5]和云計算[6]等技術(shù)的發(fā)展,獲取數(shù)據(jù)、傳輸數(shù)據(jù)、存儲數(shù)據(jù)的成本和難度大大降低,采煤機運行過程中產(chǎn)生的大量狀態(tài)信息、位置信息、傳感器信息都可以通過工業(yè)互聯(lián)網(wǎng)實時傳送到調(diào)度室。將數(shù)據(jù)存儲在InfluxDB等數(shù)據(jù)庫中,為采煤機在線監(jiān)測與故障診斷研究奠定了重要的數(shù)據(jù)基礎(chǔ)[7]。

2 系統(tǒng)構(gòu)建

采煤機結(jié)構(gòu)復(fù)雜,采煤工作面環(huán)境惡劣,對其運行狀態(tài)在線監(jiān)測和故障診斷是一個非常復(fù)雜的過程。本研究基于礦井工業(yè)環(huán)網(wǎng)和物聯(lián)網(wǎng)技術(shù),構(gòu)建了采煤機在線監(jiān)測和故障診斷系統(tǒng),系統(tǒng)從下到上分為設(shè)備層、采集層、傳輸層、數(shù)據(jù)層、服務(wù)層和應(yīng)用層,采煤機在線監(jiān)測和故障診斷系統(tǒng)結(jié)構(gòu)見圖1。

圖1 采煤機在線監(jiān)測和故障診斷系統(tǒng)結(jié)構(gòu)Fig.1 Shearer online monitoring and fault diagnosis system structure

設(shè)備層,重點關(guān)注采煤機的重要機械結(jié)構(gòu)。主要包括:采煤機總體狀態(tài)、主泵、左右牽引部、左右滾筒、左右搖臂、變壓器、變頻器和破碎機等其他輔助部件。各部分密切配合,完成采煤機移動、落煤、裝煤、降塵等主要生產(chǎn)工作,任何一個機械結(jié)構(gòu)產(chǎn)生故障,都會影響生產(chǎn),需要實時關(guān)注。

采集層,通過傳感器采集采煤機和工作面主要參數(shù)。包括各機械結(jié)構(gòu)的運行狀態(tài),電子元件的開關(guān)狀態(tài),電氣設(shè)備的電流、電壓、功率等參數(shù),工作面風(fēng)速、瓦斯?jié)舛鹊刃畔ⅰ?/p>

傳輸層,主要負(fù)責(zé)將采集的信息實時傳送到地面處理中心。數(shù)據(jù)從數(shù)據(jù)采集設(shè)備通過無線通信接入工作面環(huán)網(wǎng)交換機,經(jīng)井下環(huán)網(wǎng)接入地面環(huán)網(wǎng),接入各個終端設(shè)備,實時展示采煤機健康狀態(tài),為調(diào)度和檢修決策提供直接參考。

數(shù)據(jù)層,主要作用是數(shù)據(jù)的分發(fā)和存儲。InfluxDB著力于高性能地查詢與存儲時序性數(shù)據(jù),主要用于傳感器等設(shè)備的監(jiān)控數(shù)據(jù)、物聯(lián)網(wǎng)行業(yè)實時數(shù)據(jù)等場景。SQL Server關(guān)系數(shù)據(jù)庫,主要存儲設(shè)備屬性數(shù)據(jù),模型參數(shù)等信息。數(shù)據(jù)層負(fù)責(zé)將存儲的數(shù)據(jù)上傳到云平臺,進(jìn)行綜合分析。

服務(wù)層,業(yè)務(wù)核心邏輯實現(xiàn)功能。包括狀態(tài)監(jiān)測預(yù)警模型、故障診斷預(yù)測模型和負(fù)載預(yù)測預(yù)警模型。該層接受數(shù)據(jù)庫實時數(shù)據(jù),模型分析結(jié)果對應(yīng)用層提供訪問接口,并與云平臺交互,不斷更新云平臺對模型參數(shù)的優(yōu)化。

應(yīng)用層,可視化展示功能。實時展示采煤工作面環(huán)境和采煤機運行狀態(tài)信息,通過訪問接口,展示服務(wù)層分析結(jié)果和統(tǒng)計信息。移動端方便隨時隨地掌握采煤機的健康、維修狀態(tài)信息。

3 監(jiān)控指標(biāo)體系

構(gòu)建一個合理的采煤機健康管理指標(biāo)體系是在線監(jiān)測和故障診斷的基礎(chǔ)。采煤機本身是一個非常復(fù)雜的系統(tǒng),長期在惡劣的環(huán)境中工作,各個核心部件的各項歷史數(shù)據(jù)、實時數(shù)據(jù)一定程度上反應(yīng)了采煤機各個部件以及整體的健康狀態(tài)。根據(jù)各項數(shù)據(jù)的突變情況,也可以快速定位采煤機的故障位置和類型,方便對這個復(fù)雜系統(tǒng)進(jìn)行預(yù)測性維護(hù)。本研究遵循指標(biāo)構(gòu)建體系構(gòu)建基本原則,結(jié)合眾多專家學(xué)者的建議和煤礦采煤機采集、上報數(shù)據(jù)現(xiàn)狀,構(gòu)建采煤機健康管理評估指標(biāo),如表1所示。

表1 采煤機健康管理指標(biāo)體系Table 1 Health management index system of shearers

4 監(jiān)測診斷模型

4.1 波動率監(jiān)測預(yù)警

波動率反應(yīng)了單個指標(biāo)的穩(wěn)定狀態(tài),波動率變化越小,表示設(shè)備越穩(wěn)定,目前性能較好;若波動率變化劇烈且頻繁,則可能是出現(xiàn)故障的前兆。波動率計算公式是為:

V=ln(Yt/Yt-1) .

(1)

式中:V表示采煤機指標(biāo)的波動率；Yt表示t時刻監(jiān)測指標(biāo)的值；Yt-1表示t-1時刻指標(biāo)值。

基于歷史數(shù)據(jù),計算各個指標(biāo)波動率值的均值和方差,利用正太分布3σ法則或者分位數(shù)法確定指標(biāo)的正常波動區(qū)間,變化過程中超過正常波動區(qū)間的視為超限異常。在穩(wěn)定工況下,監(jiān)測的輸入(或者監(jiān)測值波動率)落在正常控制限外,則表明采煤機的健康出現(xiàn)了較大的異常波。

4.2 基于波動率的層次聚類故障診斷模型

層次聚類屬于無監(jiān)督機器學(xué)習(xí)方法。本研究采用AGglomerative NESting層次聚類算法構(gòu)建采煤機故障診斷模型(見圖2)。

圖2 故障診斷模型Fig.2 Fault diagnosis model

AGNES故障診斷模型構(gòu)建:

1)獲取表1中采煤機健康管理指標(biāo)歷史數(shù)據(jù)。對缺失數(shù)據(jù)、異常值等進(jìn)行適當(dāng)?shù)臄?shù)據(jù)預(yù)處理。

2)計算各指標(biāo)的波動率。將各指標(biāo)歷史數(shù)據(jù)代入公式(1),得到各指標(biāo)的波動率數(shù)據(jù)。

3)確定樣本距離度量函數(shù)d和聚類簇數(shù)k。聚類簇數(shù)一般設(shè)為1,之后結(jié)合聚類譜系圖確定。

(2)

(3)

6)運用分位數(shù)法確定故障預(yù)警區(qū)間[8]。選擇2.5%,97.5%分位點作為其預(yù)警閾值點。

以每班生產(chǎn)時間為單位,對每個指標(biāo)異常情況進(jìn)行統(tǒng)計分析,基于每班異常情況的平均值和波動情況進(jìn)行故障分析。若采煤機的各部件都出現(xiàn)異常,則可能地質(zhì)環(huán)境變化較大,或者采煤機整體性能下降,通常不是采煤機自身故障引起的。各部件異常情況進(jìn)行橫向?qū)Ρ?若只有少數(shù)部件指標(biāo)異常,例如:采煤機左滾筒電機軸承溫度指標(biāo)在某班生產(chǎn)中出現(xiàn)較大異常,其他部件均無異?；虍惓］^小,則可以預(yù)測采煤機左滾筒出現(xiàn)故障的可能性較大,建議檢修班重點檢查維修。如果出現(xiàn)某部件每班異常數(shù)量增多,維修頻率提高,該部件可能進(jìn)入損傷階段,對其壽命進(jìn)行預(yù)警。

5 結(jié)束語

在數(shù)字礦山、智慧礦山及無人工作面的行業(yè)發(fā)展背景下,采煤機在線監(jiān)測與故障診斷系統(tǒng)以工業(yè)互聯(lián)網(wǎng)和物聯(lián)網(wǎng)技術(shù)為基礎(chǔ),在礦井重要設(shè)備安全監(jiān)測和故障診斷預(yù)警方面做出了積極探索。本研究提出了采煤機在線監(jiān)測和故障診斷系統(tǒng)架構(gòu),構(gòu)建了健康管理指標(biāo)體系,研究了單指標(biāo)波動率異常預(yù)警模型和基于波動率的層次聚類故障診斷模型,能夠?qū)崟r發(fā)現(xiàn)采煤機異常情況,掌控采煤機的健康狀態(tài)。為采煤機合理工況條件的設(shè)定、預(yù)測性維修、快速故障診斷等提供重要參考。