摘要： 為降低煤礦機(jī)電設(shè)備檢測(cè)的漏警率，提出了基于深度學(xué)習(xí)的煤礦機(jī)電設(shè)備狀態(tài)監(jiān)測(cè)方法。獲取煤礦機(jī)電設(shè)備狀態(tài)信息，利用深度學(xué)習(xí)提取煤礦機(jī)電設(shè)備狀態(tài)監(jiān)測(cè)特征向量集合，擬合設(shè)備狀態(tài)信息，煤礦機(jī)電設(shè)備狀態(tài)分組式監(jiān)測(cè)，從而實(shí)現(xiàn)煤礦機(jī)電設(shè)備狀態(tài)監(jiān)測(cè)。實(shí)驗(yàn)結(jié)果證明，該方法的漏警率在0.2%以內(nèi)，且多數(shù)漏警率的數(shù)值為 0，可及時(shí)、準(zhǔn)確地預(yù)警異常狀態(tài)。

關(guān)鍵詞：深度學(xué)習(xí) 煤礦機(jī)電設(shè)備 狀態(tài)監(jiān)測(cè)方法 漏警率

中圖分類號(hào)： TD40

Methods of Electromechanical Equipment Status Monitoring in Coal Mines Based on Deep Learning

QI Guangping ZHANG Zhenping HOU Xiangfang

（Jining No. 3 Coal Mine， Yankuang Energy Group Co.， Ltd.， Jining， Shandong Province， 272169 China）

Abstract： In order to reduce the false dismissal rate of electromechanical equipment detection in coal mines， a method for electromechanical equipment status monitoring in coal mines based on deep learning is proposed. It obtains the information of electromechanical equipment status in coal mines， uses deep learning to extract the feature vector set of electromechanical equipment status monitoring in coal mines， fits the information of equipment status， carries out the group-based monitoring of electromechanical equipment status in coal mines， so as to achieve electromechanical equipment status monitoring in coal mines. Experimental results demonstrate that the false dismissal rate of this method is within 0.2%， and most of them have a value of 0， which can timely and accurately alert abnormal states.

Key Words： Deep learning; Mechanical and electrical equipment in coal mines; Condition monitoring method; False dismissal rate

在煤礦行業(yè)中，機(jī)電設(shè)備的安全運(yùn)行對(duì)于生產(chǎn)效率和人員安全至關(guān)重要。然而，傳統(tǒng)的監(jiān)測(cè)方法往往存在一定的局限性，無(wú)法滿足現(xiàn)代煤礦生產(chǎn)的復(fù)雜需求[1]。為了解決這一問(wèn)題，提出基于深度學(xué)習(xí)的煤礦機(jī)電設(shè)備狀態(tài)監(jiān)測(cè)方法。深度學(xué)習(xí)技術(shù)能夠從海量的傳感器數(shù)據(jù)中提取有價(jià)值的信息，準(zhǔn)確判斷設(shè)備的運(yùn)行狀態(tài)和預(yù)測(cè)潛在的故障。相較于傳統(tǒng)方法，基于深度學(xué)習(xí)的監(jiān)測(cè)方法具有更高的準(zhǔn)確性和實(shí)時(shí)性，能夠?yàn)槊旱V生產(chǎn)提供更加可靠的支持。

1設(shè)計(jì)基于深度學(xué)習(xí)的煤礦機(jī)電設(shè)備狀態(tài)監(jiān)測(cè)方法

1.1獲取煤礦機(jī)電設(shè)備狀態(tài)信息

為實(shí)現(xiàn)煤礦機(jī)電設(shè)備實(shí)時(shí)監(jiān)控，需收集狀態(tài)信息，結(jié)合分類分析法以更有效收集。挖掘狀態(tài)信息，包括設(shè)備參數(shù)和環(huán)境因素[2]。采集不同時(shí)刻下的設(shè)備數(shù)據(jù)，以分布函數(shù)表示樣本分布，建立模糊分類集，表達(dá)式為：

式（2）中：表示煤礦機(jī)電設(shè)備樣本數(shù)據(jù)的初始聚類中心；表示煤礦機(jī)電設(shè)備信息采樣節(jié)點(diǎn)分布距離；表示設(shè)備樣本的特征值；表示設(shè)備數(shù)據(jù)的聚類系數(shù)。通過(guò)計(jì)算設(shè)備狀態(tài)檢測(cè)數(shù)據(jù)模糊分類集，結(jié)合參數(shù)辨識(shí)理論，獲取設(shè)備故障的聚簇分類[3]。在此基礎(chǔ)上，當(dāng)對(duì)設(shè)備進(jìn)行干擾時(shí)，設(shè)備會(huì)受到影響并出現(xiàn)一定的振蕩現(xiàn)象。這種外部振蕩數(shù)據(jù)的表達(dá)式為：

：式（3）、式（4）中，表示煤礦機(jī)電設(shè)備外部振蕩函數(shù)；表示煤礦機(jī)電設(shè)備模糊分類系數(shù)； 表示煤礦機(jī)電設(shè)備初始分類系數(shù)；表示設(shè)備分類系數(shù)的變化值；表示設(shè)備狀態(tài)的檢測(cè)模糊分類集[4]。利用上述內(nèi)容，計(jì)算煤礦機(jī)電設(shè)備狀態(tài)的量化傳感跟蹤識(shí)別結(jié)果，其公式為：

式（5）中：表示為實(shí)測(cè)值；表示為分布密度。

1.2基于深度學(xué)習(xí)提取煤礦機(jī)電設(shè)備狀態(tài)監(jiān)測(cè)特征向量集合

在完成對(duì)煤礦機(jī)電設(shè)備狀態(tài)信息的獲取后，為了進(jìn)一步分析設(shè)備的運(yùn)行狀態(tài)，采用了深度學(xué)習(xí)技術(shù)中的深度神經(jīng)網(wǎng)絡(luò)模型來(lái)提取煤礦機(jī)電設(shè)備的狀態(tài)監(jiān)測(cè)特征向量集合[5]。假設(shè)輸入信號(hào)為X，權(quán)重為C，偏置為b，激活函數(shù)為f，則其輸出可以表示為：

根據(jù)上述內(nèi)容，采用了深層神經(jīng)網(wǎng)絡(luò)作為特征抽取器。訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型，其過(guò)程可以表示為：

式（7）中：表示損耗函數(shù)，用來(lái)測(cè)量模型預(yù)報(bào)和實(shí)際數(shù)值的差值；表示使用參數(shù)進(jìn)行預(yù)測(cè)的模型輸出；表示正則化系數(shù)，用于防止過(guò)擬合[6]；表示模型的權(quán)重和偏置參數(shù)。通過(guò)對(duì)深度神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，最終可以得到一組最優(yōu)的特征向量集合，其表示為：

1.3擬合設(shè)備狀態(tài)信息

在完成煤礦機(jī)電設(shè)備狀態(tài)監(jiān)測(cè)特征向量集合的提取后，為了更好地理解和預(yù)測(cè)設(shè)備的狀態(tài)變化，采用了支持向量機(jī)（Support Vector Machine，SVM）來(lái)進(jìn)行擬合[7]。SVM 是一種監(jiān)督學(xué)習(xí)算法，非常適合處理煤礦機(jī)電設(shè)備狀態(tài)監(jiān)測(cè)中的小樣本、非線性問(wèn)題。將之前提取出的特征向量集合作為輸入，輸入到 SVM中。對(duì)每一個(gè)特征矢量，都有對(duì)應(yīng)的設(shè)備狀態(tài)信息，如正常狀態(tài)，異常狀態(tài)，失效狀態(tài)等。支持向量機(jī)通過(guò)使預(yù)測(cè)值和真實(shí)值的方差最小，從而實(shí)現(xiàn)對(duì)模型參數(shù)的學(xué)習(xí)。這一過(guò)程涉及到對(duì)特征向量集合的訓(xùn)練，通過(guò)不斷調(diào)整模型參數(shù)，使 SVM 能夠逐漸逼近真實(shí)的狀態(tài)信息。其基本公式為：

式（9）中：表示實(shí)際的目標(biāo)值或輸出值；表示 SVM 的預(yù)測(cè)值；是一個(gè)正則化參數(shù)[8]，控制對(duì)訓(xùn)練誤差的懲罰程度； 、 分別表示松弛變量，用于處理訓(xùn)練數(shù)據(jù)中的噪聲和不完美匹配。

通過(guò)調(diào)整值和其他參數(shù)，可以找到最佳的擬合效果，從而更好地反映設(shè)備的真實(shí)狀態(tài)信息。

1.4煤礦機(jī)電設(shè)備狀態(tài)分組式監(jiān)測(cè)

在獲得設(shè)備狀態(tài)信息的擬合結(jié)果后，可以進(jìn)行煤礦機(jī)電設(shè)備的分組式監(jiān)測(cè)。這種監(jiān)測(cè)方法的核心思想是根據(jù)設(shè)備狀態(tài)的特征差異[9]，將設(shè)備分為不同的組別，然后對(duì)各組設(shè)備進(jìn)行有針對(duì)性的監(jiān)測(cè)和管理。假設(shè)將設(shè)備分為正常組、異常組和故障組。正常組的設(shè)備運(yùn)行狀態(tài)穩(wěn)定，性能良好；異常組的設(shè)備存在一定的問(wèn)題或隱患，需要密切關(guān)注其變化趨勢(shì)；故障組的設(shè)備已經(jīng)發(fā)生故障，需要及時(shí)檢修和維護(hù)。

為了實(shí)現(xiàn)分組式監(jiān)測(cè)[10]，可以采用聚類分析的方法。聚類分析是一種無(wú)監(jiān)督學(xué)習(xí)的算法，可以根據(jù)設(shè)備的狀態(tài)特征將相似的設(shè)備歸為同一組。具體的聚類分析公式如下：

式（10）中：表示聚類結(jié)果的評(píng)價(jià)函數(shù)；和分別表示第i組和第j組的中心點(diǎn)；表示組數(shù)；表示樣本數(shù)；表示距離或相似度。通過(guò)優(yōu)化J（C），可以找到最優(yōu)的設(shè)備狀態(tài)分組結(jié)果。

分組式監(jiān)測(cè)的優(yōu)勢(shì)在于可以提高監(jiān)測(cè)的針對(duì)性和效率。對(duì)于正常組的設(shè)備，可以適當(dāng)減少監(jiān)測(cè)頻次，節(jié)省資源；對(duì)于異常組和故障組的設(shè)備，需要增加監(jiān)測(cè)頻次，這樣才能及時(shí)發(fā)現(xiàn)問(wèn)題，并有針對(duì)性地采取行動(dòng)。綜上所述，實(shí)現(xiàn)基于深度學(xué)習(xí)的煤礦機(jī)電設(shè)備狀態(tài)監(jiān)測(cè)方法的設(shè)計(jì)。

2實(shí)驗(yàn)論證

本論文以礦井機(jī)電裝備為對(duì)象，對(duì)其在礦井機(jī)電設(shè)備中的應(yīng)用進(jìn)行了研究。在考慮到試驗(yàn)結(jié)果的真實(shí)性和可靠性的前提下，選擇了一個(gè)礦井中的一臺(tái)機(jī)電設(shè)備。分別設(shè)置傳統(tǒng)煤礦機(jī)電設(shè)備狀態(tài)監(jiān)測(cè)方法1、傳統(tǒng)煤礦機(jī)電設(shè)備狀態(tài)監(jiān)測(cè)方法2以及本文設(shè)計(jì)的煤礦機(jī)電設(shè)備狀態(tài)監(jiān)測(cè)方法進(jìn)行測(cè)試，對(duì)試驗(yàn)結(jié)果進(jìn)行比較和分析。

2.1實(shí)驗(yàn)準(zhǔn)備

根據(jù)以上內(nèi)容，進(jìn)行了礦井機(jī)電設(shè)備狀態(tài)監(jiān)控方法的設(shè)計(jì)，通過(guò)比較試驗(yàn)，對(duì)所提出的方法進(jìn)行比較試驗(yàn)，以檢驗(yàn)所提方法的正確性與可行性，從而使其能夠在煤礦企業(yè)中推廣應(yīng)用。本文以 HHFUJI-C5100型裝置為研究對(duì)象，進(jìn)行了試驗(yàn)研究。這臺(tái)機(jī)器是在2019年制造的，并且是在那一年底由煤炭公司購(gòu)買的，隨即投入生產(chǎn)線。然而，在生產(chǎn)過(guò)程中，由于對(duì)這臺(tái)設(shè)備的監(jiān)控沒(méi)有達(dá)到要求，致使這臺(tái)設(shè)備在使用過(guò)程中出現(xiàn)了許多故障，給企業(yè)造成了巨大的經(jīng)濟(jì)損失?，F(xiàn)在，這臺(tái)機(jī)器還留在公司的倉(cāng)庫(kù)里。本裝置由供電線路，電動(dòng)機(jī)檔位控制器，繼電器，電磁閥等組成，工作原理如圖1所示。

根據(jù)圖1的內(nèi)容，再加上該裝置是在制造單元中引入的，所以在有關(guān)的裝置部件和線路操作參數(shù)的資料上有差距。另外，由于本裝置持續(xù)使用時(shí)間比較久，一些元器件已經(jīng)老化，所以整個(gè)電路的容差很大。若單純依據(jù)其歷史監(jiān)控和操作反饋來(lái)描述，不僅困難，而且不能準(zhǔn)確地構(gòu)建出設(shè)備的電路模型。所以，本課題選擇這一裝置進(jìn)行試驗(yàn)是可行的。

通過(guò)控制試驗(yàn)參數(shù)，保證試驗(yàn)結(jié)果的準(zhǔn)確度。為了防止不同設(shè)備運(yùn)行狀態(tài)導(dǎo)致監(jiān)測(cè)難度系數(shù)不同，或是使用不同的系統(tǒng)工具造成工作完成效率的不同，為了避免影響試驗(yàn)結(jié)果的準(zhǔn)確度，有必要對(duì)檢測(cè)方法之外的其他可變因子進(jìn)行控制。在表1中列出了試驗(yàn)的變量控制設(shè)定。

根據(jù)上述內(nèi)容，同一時(shí)間觸發(fā)3種監(jiān)測(cè)方法，并記錄監(jiān)測(cè)結(jié)果，建立數(shù)據(jù)分析的基礎(chǔ)，對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行分析，得出試驗(yàn)的結(jié)論。

2.2實(shí)驗(yàn)結(jié)果分析與結(jié)論

據(jù)上述實(shí)驗(yàn)準(zhǔn)備進(jìn)行測(cè)試，在同一試驗(yàn)條件下，比較3種監(jiān)控方式的漏報(bào)率，計(jì)算方法如下：

式（11）中：表示為判斷為異常的異常數(shù)；表示為異常數(shù)。具體的對(duì)比結(jié)果如表2所示。

通過(guò)細(xì)致分析表2的數(shù)據(jù)，可以清晰地看到本文所提出的基于深度學(xué)習(xí)的煤礦機(jī)電設(shè)備狀態(tài)監(jiān)測(cè)方法在漏警率方面的優(yōu)越性。與其他兩種傳統(tǒng)方法相比，本文方法的漏警率始終維持在一個(gè)極低的水平，穩(wěn)定在0.2%以內(nèi)。這一數(shù)值不僅遠(yuǎn)低于傳統(tǒng)監(jiān)測(cè)方法1的0.4%～0.8%的漏警率范圍，也低于傳統(tǒng)監(jiān)測(cè)方法2的0.3%～0.5%的漏警率范圍。更為引人注目的是，在表2中，本文方法的漏警率多數(shù)都達(dá)到了0，這意味著在實(shí)際監(jiān)測(cè)中，幾乎沒(méi)有出現(xiàn)任何遺漏或誤判的情況。這DZprNgl9bmkt6SAvd94xjQ==種高度的準(zhǔn)確性對(duì)于煤礦機(jī)電設(shè)備的正常運(yùn)行至關(guān)重要，因?yàn)樗軌蚣皶r(shí)、準(zhǔn)確地預(yù)警潛在的故障或異常狀態(tài)，從而確保生產(chǎn)作業(yè)的連續(xù)性和安全性。通過(guò)以上分析，可以明確得出結(jié)論：與傳統(tǒng)的煤礦機(jī)電設(shè)備狀態(tài)監(jiān)測(cè)方法相比，本文所提出的基于深度學(xué)習(xí)的方法能夠更加準(zhǔn)確地監(jiān)測(cè)設(shè)備的運(yùn)行狀態(tài)。

3結(jié)語(yǔ)

基于深度學(xué)習(xí)的煤礦機(jī)電設(shè)備狀態(tài)監(jiān)測(cè)方法，是一種利用人工智能技術(shù)對(duì)煤礦機(jī)電設(shè)備的運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)和故障預(yù)警的方法。通過(guò)深度學(xué)習(xí)算法，可以實(shí)現(xiàn)對(duì)機(jī)電設(shè)備運(yùn)行狀態(tài)的準(zhǔn)確識(shí)別和預(yù)測(cè)，及時(shí)發(fā)現(xiàn)潛在的故障并進(jìn)行預(yù)警，有效避免設(shè)備故障對(duì)煤礦生產(chǎn)的影響。這種監(jiān)測(cè)方法具有許多優(yōu)點(diǎn)，例如能夠提高煤礦生產(chǎn)的安全性和效率，降低設(shè)備的維護(hù)成本和維修時(shí)間等。此外，深度學(xué)習(xí)算法具有較強(qiáng)的自適應(yīng)性和泛化能力，能夠適應(yīng)不同設(shè)備和不同工況下的監(jiān)測(cè)需求，具有廣泛的應(yīng)用前景。礦井機(jī)電裝備的深度學(xué)習(xí)技術(shù)仍然有很大發(fā)展?jié)摿?。隨著科技的發(fā)展與研究的深入，相信這種監(jiān)測(cè)方法將得到更加廣泛的應(yīng)用和推廣。同時(shí)，也希望通過(guò)不斷的實(shí)踐和創(chuàng)新，能夠?yàn)槊旱V安全生產(chǎn)提供更加可靠和高效的保障。

參考文獻(xiàn)

[1] 李暢.基于Apriori算法的城市軌道交通運(yùn)行設(shè)備動(dòng)態(tài)監(jiān)測(cè)方法[J].交通世界，2023（24）： 1-3.

[2] 張莉.基于大數(shù)據(jù)技術(shù)的造紙車間設(shè)備運(yùn)行指標(biāo)實(shí)時(shí)監(jiān)測(cè)方法[J].造紙科學(xué)與技術(shù)，2023，42（3）：15-20.

[3] 崔宇輝.基于紅外測(cè)溫的電氣設(shè)備異常溫升監(jiān)測(cè)方法[J].信息與電腦（理論版），2023，35（8）：18-20.

[4] 賀新.基于紅外傳感的電氣設(shè)備運(yùn)行實(shí)時(shí)自動(dòng)監(jiān)測(cè)方法[J].自動(dòng)化應(yīng)用，2023，64（7）：218-221.

[5] 李朝瑞，郭龍，戚永青等. 基于RBF的電網(wǎng)大型設(shè)備運(yùn)行狀態(tài)實(shí)時(shí)監(jiān)測(cè)方法[J].電子設(shè)計(jì)工程，2022，30 （22）：108-111，116.

[6] 張富魁.基于模糊支持向量機(jī)的煤礦機(jī)電設(shè)備運(yùn)行故障監(jiān)測(cè)方法[J].內(nèi)蒙古科技與經(jīng)濟(jì)，2022（13）：114-115.

[7] 翟建麗.基于虛擬現(xiàn)實(shí)技術(shù)的通信設(shè)備實(shí)時(shí)監(jiān)測(cè)方法[J].長(zhǎng)江信息通信，2022，35（4）：67-69.

[8] 聶林，席麗娜，梁紅等.基于小波包能量特征的移動(dòng)護(hù)理靜脈輸液設(shè)備故障監(jiān)測(cè)方法[J].自動(dòng)化與儀器儀表， 2021（5）：36-39.

[9] 沈江飛，李懷洲，黃立軍等.基于局部離群因子和神經(jīng)網(wǎng)絡(luò)模型的設(shè)備狀態(tài)在線監(jiān)測(cè)方法研究[J].核動(dòng)力工程，2021，42（3）：160-165.

[10] 孫敏.反沖式艦艇機(jī)械設(shè)備運(yùn)行狀態(tài)遠(yuǎn)程監(jiān)測(cè)方法[J].艦船科學(xué)技術(shù)，2018，40（20）：187-189.