深井多绳摩擦提升钢丝绳研究

韩瑞军， 王会来， 张 伟

(中国恩菲工程技术有限公司， 北京 100038)

0 概述

提升钢丝绳用于悬挂提升容器，并通过提升机带动提升容器上升或下降，提升钢丝绳的安全可靠直接关系到提升系统的正常使用，对矿山正常生产、人员安全也有非常重要的影响。提升钢丝绳受力比较复杂，主要有静拉力、惯性力、弯曲力、接触力、扭转力，经循环反复作用[1]，引起钢丝绳弯曲疲劳和扭转疲劳破坏以及由其它因素引起磨损和锈蚀等破坏[2]，这些都影响到钢丝绳的使用寿命，对矿井提升中的安全可靠性有重要影响。深井提升钢丝绳的合理正确选择，对于矿井提升系统的安全可靠运行至关重要。

随着矿产资源开发向地下不断发展，矿山开采深度逐渐加深，深井提升遇到的问题也逐渐出现。提升钢丝绳使用寿命随着深度的提高加速下降。提升高度在800 m以后的竖井提升系统，提升钢丝绳使用寿命一般在两年左右；提升高度提高到1 000 m左右时，提升钢丝绳刚开始装备时，由于矿山没有达产，初期提升矿石量不多，提升钢丝绳寿命一般也在两年左右，钢丝绳断丝数量也不多。但随着矿山产量增加，提升钢丝绳断丝数量增加较快，钢丝绳寿命急剧下降，一般在1年左右，有的甚至只有6个月左右[3]。提升钢丝绳寿命的急剧下降，对整个提升系统产生了很大影响，不仅增加了换绳次数，也增加了运营成本，对矿山的生产也产生了较大影响。因此，解决深井提升钢丝绳的问题非常紧迫，对保障深井提升系统的安全至关重要。

1 深井提升钢丝绳的受力特点

由于井深增加、规模增大，提升系统参数相应增大。深井提升系统的基本特点为提升高度大，提升速度高，载重量大，提升钢丝绳直径大、质量重、抗拉强度高，提升机卷筒直径大[4]。深井提升系统的特点表现如下：

(1)提升容器载重占提升钢丝绳终端负荷的比例减小；

(2)提升钢丝绳负载变化率加大；

(3)提升钢丝绳承载能力变低。

2 深井提升钢丝绳失效的形式

提升钢丝绳的受载复杂，磨损、腐蚀和疲劳为提升钢丝绳失效的主要形式，这三类因素同时发生，最终引起提升钢丝绳的失效[5]。

提升钢丝绳的高速往复运动，使钢丝绳受交变荷载，导致钢丝绳的疲劳断裂。疲劳断裂是提升钢丝绳的主要失效形式。

提升钢丝绳失效形式按交变载荷的形式不同，可分为拉压疲劳、接触疲劳、扭转疲劳、弯曲疲劳等形式。深井提升系统由于提升高度大，提升速度高，载重量大，导致提升钢丝绳张力变化更大。随着提升高度的增加，扭转应力对钢丝绳寿命的影响随之增大[6]。提升高度超过1 000 m后，扭转疲劳成为影响提升钢丝绳寿命的主要因素。

3 深井提升钢丝绳失效规律研究

3.1 提升钢丝绳使用寿命影响因素分析

提升钢丝绳使用寿命和很多因素有关，一般认为与提升高度、提升速度、钢丝绳直径参数等有关。提升高度增加，钢丝绳的张力变化加大；提升速度增加，钢丝绳加减速段冲力更大；钢丝绳直径增加，由于提升的物料重量增加，钢丝绳的张力也变大，另外，钢丝绳随着直径增加弹性变差。由于钢丝绳寿命与各因素间的函数关系比较复杂，用线性模型很难描述函数关系特征，一般认为非线性模型可以近似描述这种函数关系特征。BP神经网络适于非线性函数能力，经过多次训练可以找到输入输出参数之间的映射关系函数[7]。

3.2 BP神经网络参数设计

BP神经网络是利用非线性函数进行权值训练的多层神经网络。BP神经网络一般由输入层、输出层和隐含层组成。

(1)输入参数的选择确定

根据经验数据，选取提升高度(m)、提升速度(m/s)、钢丝绳直径(mm)作为为输入参数。

(2)输出参数的选择确定

考虑到研究提升系统参数的目的，选取提升钢丝绳使用寿命(月)为输出参数。

(3)神经网络模型

3层BP神经网络可以进行复杂非线性函数的映射模拟，达到曲线拟合的目的。基于Kolmogorov3层神经网络映射定理，根据分析问题需要，神经网络模型设计中，输入层单元个数为3个，隐含层单元个数为7个，输出层单元个数为1个，隐函数选用Sigmoid型函数，输出层函数选用Purelin型函数[7]。神经网络拓扑结构如图1所示。

图1 神经网络拓扑结构

(4)神经网络模型的应用

根据收集的钢丝绳使用寿命数据，以及其他矿山收集的钢丝绳使用数据作为神经网络训练的样本数据。

将上述样本数据中前22组数据输入模型进行训练，最后4组数据作为模型验证数据。由于样本数据间数值差别比较大，并且各指标不同，为了方便计算，对样本的输入参数进行归一化处理。

3.3 分析结果

训练完毕后，选取最后4组样本数据，分析测试验证网络模型。输入参数的数据如表1所示，输入参数归一化处理后输入神经网络后进行预测计算，输出的结果及预测误差如表2所示。模型输出预测值与实际值数据对比图如图2所示。

表1 模型检验输入数据表

表2 模型输出预测值与实际值数据对比

图2 模型输出预测值与实际值数据对比图

由表2可知，预测误差偏大，分析原因主要有两个，一是训练样本数据较少，神经网络模型不完善，不能很好的反映实际情况；二是样本数据有些不准确，需要剔除部分偏差较大的数据。后续工作会继续收集钢丝绳现场使用数据，完善样本数据库，建立比较接近的神经网络模型。

根据建立的神经网络模型，预测竖井提升系统提升高度和钢丝绳使用寿命的关系，提升高度为800～1 500 m，提升速度12 m/s，钢丝绳直径44 mm。模型计算后输出结果,提升高度与钢丝绳寿命关系如图3所示。

图3 提升高度与钢丝绳寿命关系图

由图3所知，提升钢丝绳的寿命随提升高度的提高而逐渐降低，总体趋势比较明显，验证了深井提升钢丝绳的特点。此模型的建立是在现有的提升竖井数据基础上测算的，钢丝绳采用常规的三角股钢丝绳或者单层圆股钢丝绳。通过图3，初步表明在

现有技术水平基础之上建设多绳摩擦式超深矿井，钢丝绳的结构和性能需要进行改进。

4 结论

多绳摩擦提升系统随着提升深度的增加，提升钢丝绳的承载能力下降。现有的三角股钢丝绳和单层圆股钢丝绳不适合深井大载重提升。深井提升钢丝绳选用具有抗旋转结构对深井大载重提升具有重要意义。提升系统根据不同深度、不同载重需求选择合适钢丝绳来适应深井提升的特点，以保障提升系统安全运行需要。