基于深度学习的煤矿机电设备故障诊断方法.pdf

陕西蒲白矿业科技41基于深度学习的煤矿机电设备故障诊断方法基于深度学习的煤矿机电设备故障诊断方法陕西煤业集团黄陵建庄矿业有限公司李春林摘要为提高煤矿机电设备故障的检测效率，提高检修效率，本文提出了基于深度学习的煤矿机电设备故障诊断方法，采用加速传感器获取能量算子，获取振动信号后根据信号的能量变化与标准情况进行对比，对煤矿机电设备故障进行诊断和分析，实现对煤矿机电设备的故障检测。试验结果显示，本文设计方法具有较高的准确性，能够有效降低诊断误差，节省大量的人力、物力、财力，通过对不同类型的能量算子进行深度学习计算，得出正确的数据，从而有效地诊断出故障，提高工作效率，降低安全隐患。关键词深度学习机电设备能量算子故障诊断前 言选用大型复杂的煤矿机械装备可以极大地提高煤矿生产效率，而煤矿机电设备的失效形式也远比单纯的机械更为复杂，煤矿机电设备经常出现故障，会导致矿井的生产效率下降，若设备出现较大问题很可能会导致整个矿井的停产，从而影响煤矿企业的经济效益。因此需要对煤矿机电设备进行故障诊断。科学技术的飞速发展，为矿井的机电设备故障诊断、检修、监测带来了许多便利之处。为了有效的对煤矿机电设备故障进行检测，准确找到煤矿机电设备故障原因，提高煤矿机电设备故障的检测效率，本文提出了基于深度学习的煤矿机电设备故障诊断方法。深度学习的概念源自神经网络，是一种包含多个隐藏层的多层次感知器，它可以将底层的多个特征结合起来，因此产生了更高级的抽象性质，收集到分布的属性特征。通过深度学习来采集能量算子获取振动信号，得到振动信号后，根据信号的波形与标准情况进行比对，结合基于深度学习的共振解调故障诊断方法即可预测出机电设备的故障类型。因此在矿井机械设备故障诊断中引入深度学习，通过对其故障进行诊断和分析，能够及时地发现问题，提高生产效率，提高资源利用率。1采集能量算子用深度学习的方法进行能量算子采陕西蒲白矿业科技42样，对采样数据的内部规则和深度学习内容进行深入地探究。在对矿井机电设备进行能量计算与诊断时，须先对设备电力系统中的连续信号进行能量运算，通常使用获取振动信号位移量的方法来确定具体能量算子数值。另外，不同的环境、不同的设备以及不同的产品，受到振动后的位移距离存在一定的偏差。基于深度学习的振动信号位移量如式（1）所示：?coscxtAt?（1）式中，A是物体在平衡位置上的最大振动位移量，c?代表物体在工作期间来回摆动的次数，t代表振荡一个来回所耗费的时间，?为基于深度学习的拟合值参数。计算出机电装置从位移量获取的连续振动信号中的能量算符?cx t?，其具体计算公式如式（2）所示：式中，为振动信号的位移量权值，?x t?为的一阶导数平方，?x t?为的二阶导数。由上述式子可以计算出具体设备的连续振动信号能量算子，基于深度学习法判断振子质量，分析得到振动信号的能量变化情况。2获取振动信号通过对煤矿机械设备振动信号的能量变化与规范状态进行对比，分析矿井机电设备存在的问题和故障，并判断出具体的故障点。所述振动传感器的质量为 m，传感器探测到的振荡信号能量常数为 E，其具体的计算方法如式（3）所示：?2E/2m a?（3）式中，a表示煤矿机电设备振幅，?表示煤矿机电设备振动频率，综合以上分析，得到了能量算符和振能常数之间的差异为2m，因此，由能量算符可以观察出振动信号的变化情况。假设采集到的煤矿机电设备振动调幅调频信号为?AMFMxt，具体计算公式如式（4）所示：?cosAMFMxta tt?（4）式中，?t?为频率的总变化率，?a t为带限信号。当最高频率与传感器检测到的振动频率不一致时，能量算子与振幅相结合，得到了能量算子解调后的幅度和瞬时频率，并将其分解为一组单组分 AMFM信号，从而提取出幅度和频率信息。从而获取基于深度学习的振动实时信号，结合共振解调预测出矿用机电设备的具体故障类型。3基于深度学习的共振解调基于深度学习，建立合适的神经元运算结点和多层运算层次，并选择合适的输入与输出层级，并利用谐振解调法提出了一种基于输入和输出的函数关系。在获取?2()()cxtx txtx t?x t?x t?x t陕西蒲白矿业科技43振动信号的振动测量中，当煤矿设备在负载状态下工作且出现失效情况时，则会出现多个部件接触，引起一系列的共振，从而导致轴承在工作时受到的冲击振动被放大，为了获得更好的信号，必须进行共振解调。为了更有效地应对共振信号调制类型的变化，并从接收的信号中准确地解调出故障特征流，建立基于深度学习的共振解调对信号进行处理。多网络架构共振解调设计框图如图 1 所示。图-1 基于深度学习的共振解调流程假定发射端发射的是MPSK/MQAM 调制振动信号，接收端将其分成两部分，一部分送至调制识别模块进行类型识别，另一部分则送至解调模块。调制识别模块判定电力算子解调频谱存在峰值，其峰值表示矿井机电设备的故障。当故障频度峰值较高时，则矿井机电设备存在故障问题。共振解调基于深度学习中的 SAE 技术，采用SAE 网络进行基带信号的识别，并由识别模块确定调制方式，再由分类器将所得到的信息位流进行输出。根据式（4）计算振动信号，当最高频率出现振动频率不一致时，能量算子与振幅相结合，求出由能量算子解调后的振幅和暂态频率。将信号分解成一系列的单分量 AMFM 信号，以此来提取SAE网络中的振动信号幅值，具体计算如式（5）所示：?ccxtatxt?（5）频率信息?it?的计算公式如式（6）所示：?cicxttxt?（6）获取振动信号的实时波形，按照基于深度学习的共振解调对信号进行处理，多网络架构共振解调设计判别故障诊断，分析频率特征，判定存在的设备故障。?a t?a t陕西蒲白矿业科技444测试实验4.1 实验准备以煤矿机电设备中的滚动轴承为例，电机驱动风扇，转速在 1800r/min 左右。电动机的传动端采用 620522 RSJEM SKF深沟球轴承，其外环和内环分别安装了一个加速度传感器对其进行测量，当电机转速 达 到 890r/min 时，转 子 工 作 频f=30.15Hz，内环特征频率 f=157Hz，外环特征频率 f=98.5Hz，滚动体特性频率f=132.9Hz，保 持 器 的 特 性 频 率f=10.8Hz。在测量资料之前，在滚子轴承的外环上设置一个单点失效：在外环中选择一个位置，置刻一个直径为 0.1778 毫米的故障点，在此位置获得振动信号的波形，结合共振解调即可预测出机电设备的故障类型。4.2 实验结果在此基础上，利用深度学习进行共振解调，所获得的频谱包络是一条由不同频率幅度的最高点相连的曲线。频谱是由许多不同的频率组成，它的幅度在在不同的频段上存在细微的差别。当煤矿设备的滚动轴承个别零件出现损坏故障时，其振动特性均反映在轴承检测出的振动信号中，而用常规的方法来识别早期故障，尤其是在信号中仍有解调现象的情况下，利用能量算子的解调原理，可以清晰地根据其最大波谱频率与滚动支承元件的特性频率之间的对应关系找出故障根源。图 2 为煤矿机电设备在深度学习中的故障诊断和共振解调后的包络光谱。图-2 共振解调后的包络谱图由图-2 可知，共振解调后的包络光谱中可以清楚地看到，最大的幅度是 587Hz，刚好对应滚动轴承的外环失效频率f 的外部，其余是 202，254，343，452 的峰值，分别对应于外环失效频率的第 2，3，4，5阶段。因此，通过对信号的包络频谱特征提取，可以判断出煤矿设备是否有严重的故障，诊断结果可以准确（下转第 11 页）陕西蒲白矿业科技11有所增大，沿空掘巷开挖巷道受到采空区侧边缘应力影响和区段煤柱侧向水平挤压作用，在增加锚杆直径、增加巷肩锚杆长度、应用注浆锚索后，巷道变形得到有效控制。3）注浆锚索在加固煤柱，提升煤柱、巷道顶板整体性，从而控制采空区积水、瓦斯涌出等方面有着显著效果，在沿空掘巷灾害治理方面起到了关键作用。参考文献：1建庄煤矿4-2307小煤柱护巷支护设计.陕西惠天煤矿技术有限公司2耿耀强，索永录，赵腾飞等.基于复合注浆材料的断层破碎区巷道锚注支护.西安科技大学学报.2021-43孟祥军，赵鹏翔，王绪友，林海飞等.倾斜厚煤层沿空掘巷窄煤柱留设尺寸及围岩控制技术研究.西安科技大学学报.2022-5（上接第 44 页）反映煤矿机电设备的故障情况。由此可知，本文设计的方法不仅能够反映设备故障，并且可以对大部分带有特征频率的机械设备故障进行判定。通过对矿井机电设备的故障状态和类型进行预测，保障煤矿机电设备的安全运行，实现预防为主、防修结合的安全生产，能在最短时间内发现并及时解决问题，从而提高生产效率，减少安全风险。5结论本文基于深度学习算法采集能量算子，分析振动信号，结合 SAE 网络进行共振解调，对煤矿机电的故障问题进行检测。由测试实验可知，该方法对其故障状态和类型进行了较为精确地诊断，在煤矿机械设备的故障分析与故障诊断中，采用深度学习方法有效地提高故障诊断率，提高煤矿的生产效率，保障矿井安全生产。参考文献1陈金.农业水利泵站机电设备故障诊断与处理J.新农业,2022(13):84-85.2薛志勇.钻井现场电气设备常见故障诊断与排除方法J.中国设备工程,2022(12):162-164.3崔旭东.煤矿机电设备常见故障以及维修技术J.能源与节能,2022(06):139-140.4王瑞冬.人工智能技术在矿山机电设备检测中的应用研究J.煤炭科技,2022,43(03):120-124.