煤矿机电设备智能化维护研究现状与发展趋势

刘媛媛

(煤炭科学技术研究院有限公司， 北京 100013)

0 引言

矿山建设经历了人力矿山、机械矿山、数字矿山等阶段，正逐步向智慧矿山迈进。智慧矿山将工业物联网、大数据、人工智能、5G等技术与煤炭开发利用深度融合，从而实现煤矿采掘、运输、洗选、通风、设备安全管理等全过程智能化运行[1]。

煤矿机电设备包括综采设备、洗选设备、提升设备、通风设备、供排水设备等，这些设备长时间在恶劣的煤矿生产环境下运转，易出现不同程度的磨损或故障，不仅影响煤矿开采工作的正常开展，降低企业经济效益，且故障如不能及时处理，还会降低设备的使用寿命，提高企业运行成本。因此，及时准确掌握煤矿机电设备当前的运行状态，判断当前故障并对故障发展趋势进行预测，对于保障煤矿安全生产具有重要意义。

煤矿机电设备大数据具有大容量、多样性和实时性的特点，从煤矿机电设备大数据中挖掘信息，高效、准确地识别设备故障，成为煤矿机电设备维护管理面临的新问题。传统的诊断识别方法无法满足大量监测数据的分析处理要求，智能故障诊断与预测方法通过深层挖掘监测数据中所包含的多传感器故障信息，利用专家系统及各类智能算法识别出设备当前存在的故障隐患，并对其发展趋势进行评判，从而智能化地提出维护管理意见，大大提高了设备维护管理的可靠性和效率。笔者对煤矿机电设备的智能故障诊断与预测性维护研究现状进行了总结，对煤矿机电设备智能化维护研究存在的问题进行了分析，展望了煤矿机电设备智能化维护研究的发展趋势。

1 研究现状

1.1 故障机理研究

故障机理研究本质上是通过理论或大量的试验方法，得到能够反映设备故障状态下信号特征与设备自身系统参数之间规律的过程[2]。李占芳[3]建立了矿井提升机刚性罐道故障激励下提升容器的水平、垂直振动模型，并进行了仿真分析，得到了不同罐道故障大小、提升速度和提升载荷对提升容器振动影响的关系曲线，为罐道故障的振动法检测提供了理论依据。崔国梁等[4]建立了煤矿主要通风机转子不平衡故障下的动力学模型，并在频谱图显示基频处较大的频谱峰值，以此作为主要通风机故障诊断的依据。Liu Yue等[5]建立了弹簧故障下选煤厂振动筛的动力学模型，通过数值模拟得到不同弹簧故障下系统振幅与频率的相关关系，可用于振动筛的弹簧故障诊断。张延超等[6]对煤矿井下采煤机摇臂传动系统中齿轮断齿和点蚀、轴承磨损等问题进行了失效分析，对润滑油的物理特性进行了试验和测试分析，揭示其故障机理，为传动系统设计、使用和维护提供了十分有价值的参考。李伟[7]采用集中参数法建立了较全面的矿用重载带式输送机减速器斜齿轮动力学模型，并采用虚拟样机方法模拟得到不同类型、不同程度故障下的齿轮动力学特征，可用于齿轮故障的快速识别。赵军[8]根据煤矿通风机的运行特点，建立了喘振边界线的数学模型，以此为基础揭示了通风机喘振发生时入口风压和流量的变化，从而作为诊断故障发生的依据。

从以上研究可看出，对于故障机理的研究主要是针对不同设备，采用不同方法(如动力学方法、有限元方法等)建立设备故障的分析模型，并对模型施加激励以获得设备故障动态响应，从而为后续的故障诊断提供评判依据。

1.2 设备状态监测研究

及时准确地获取设备当前运行状态的数据是对设备进行故障诊断和预测性维护的基础。完整的设备状态监测系统一般包括传感器、数据采集装置、数据传输网络、数据存储显示等部分。张旭等[9]设计了双滚筒采煤机实时监测系统，对采煤机采高状态、牵引速度、工作面倾角及运行位置进行实时监测，并将相关信息通过CAN总线传输至井下分站，再通过工业以太网将数据传输到井上监控室，在可视化平台模拟井下采煤机工作的动态画面并显示监测数据。赵端等[10]针对井下工作面的环境及液压支架分布特点，设计了基于ZigBee技术的井下液压支架压力监测系统，实现了液压支架前柱、后柱和前伸梁压力值的实时监测与周期性监测，为井上人员分析煤层初次来压和周期来压提供了数据。黄丹群[11]采用WaveMesh无线自组网技术设计了井下液压支架压力在线监测系统，可实时精确地监测井下液压支架的压力变化。毛清华等[12]针对煤矿悬臂式掘进机空间位姿的监测需求，提出了一种多传感器信息的煤矿悬臂式掘进机空间位姿监测系统方案，该方案利用油缸行程传感器检测截割臂姿态角，利用超声、激光和惯导与地磁融合的组合惯导检测掘进机机身空间位姿，实现了煤矿悬臂式掘进机位姿实时精确监测。李宏伟等[13]基于RS485和CAN总线，设计了一套煤矿带式输送机监控系统，该系统具有监控功能完备、故障定位准确、通信实时可靠等优点。周李兵[14]设计了一种基于STM32F4主控芯片的煤矿机电设备预测性维护用采集计算平台，该平台可并行高速采集煤矿机电设备振动、温度、压力等数据并实时进行快速傅里叶变换、包络谱分析等处理，准确判断机电设备不同部件的运行状况和故障，满足现场实时计算、就地分析、灵活布置的需求。

从以上文献可看出，设备状态监测的相关研究取得了丰硕成果，针对煤矿机电设备建立了较为完备的状态监测系统，能够准确及时地获取设备参数(如振动、温度、压力、电参数、位置、速度等)，并实现了数据显示、存储、传输等功能，为设备的故障诊断提供了数据支持。

1.3 信号分析与处理研究

对采集得到的信号进行分析和处理是获取设备故障特征的重要一环，将直接决定诊断的准确性和可靠性。段蛟龙等[15]建立了采煤机摇臂直齿轮局部故障振动信号模型，在此基础上，分析了行星齿轮结构特征及振动信号产生和变化规律，并进行了试验，对采集的试验振动信号进行了频谱分析，应用频谱分析法实现了摇臂齿轮局部故障诊断。杨祥等[16]针对振动信号降噪方法中经验模态分解存在模态混叠等问题，提出了一种基于集合经验模态分解 (EEMD) 和快速独立分量分析 (FastICA) 的矿用带式输送机驱动滚筒轴承振动信号降噪方法，该方法有效滤除了原始振动信号中包含的噪声，使得驱动滚筒轴承运行状态特征信息更加明显，提高了故障诊断的准确性。朱敏等[17]为解决在复杂信号中提取有用故障信号的问题，提出了一种基于EEMD和小波包的优良降噪算法，用该算法处理振动筛轴承仿真信号，可保留故障信号，滤除其他信号；用该算法分析实测振动筛轴承信号，降噪效果良好。郭文琪等[18]对矿井离心泵振动信号进行小波包分解，提取特征频段，比较各频段能量值，缩小频率分析范围，并在此基础上对原动机接线端的电信号进行频谱分析，将故障特征频率与3次谐波频率分离，从而精确提取到故障特征频率。华伟等[19]针对矿用机电设备齿轮箱故障特征难以提取的问题，提出采用平移不变多小波相邻系数的降噪方法，提取出齿轮箱的故障特征频率，为故障诊断提供了准确依据。

从以上文献可看出，在信号分析与处理研究方面，除了采用传统的时域、频域和时频域分析方法外，还将多种方法结合的手段用于信号处理与特征提取，提高了信号处理效率和处理结果的可靠性。

1.4 诊断与预测算法研究

掌握设备运行状态后，判定设备当前是否存在故障，并对设备未来的发展趋势进行预测。王浩宇等[20]基于极限学习机训练的神经网络搭建了主要通风机故障诊断模型，设计了一种矿井主要通风机的故障诊断系统，该系统中极限学习机算法运行时间短、故障诊断准确率高，能够实现主要通风机故障的实时、准确诊断。张梅等[21]基于模糊故障树和贝叶斯网络，提出了一种矿井提升机快速故障诊断方法，以矿井提升机液压制动部分故障为例进行分析，该方法可快速、准确诊断提升机故障类型和故障点。孟宪刚等[22]提出了一种基于模糊Petri网的矿井提升机减速系统故障诊断方法，通过建立提升机故障的模糊Petri网模型，利用与其对应的递推状态方程，结合矩阵运算，找出系统中的故障可能性模糊值排序，并依次进行故障排查，还可同时兼顾故障的传递性和模糊性，且模型清晰，结构直观，可以有效提高矿井提升机减速系统故障诊断的效率。曹现刚等[23]提出了基于振动图像和动态卷积神经网络(DCNN)的采煤机滚动轴承故障诊断模型，该方法不但识别准确率高且诊断时间短，对复杂高噪声工况下的滚动轴承故障诊断具有较好的诊断性能。杨健健等[24]提出了变异自适应粒子群优化(VSAPSO)算法，构建VSAPSO-BP神经网络对掘进机回转台不同故障进行监测，可准确有效地监测掘进机回转台的异常情况。林广旭[25]提出了一种基于BP神经网络的带式输送机张紧力预测方法，该方法根据负载与张紧力的函数关系，通过BP神经网络对带式输送机的负载进行预测，根据负载实时预测张紧力，再根据预测的张紧力对带式输送机进行自适应调控，该方法的预测精度较高，满足带式输送机张紧力预测的需求。高正中等[26]将Petri网理论应用于井下水泵的故障诊断中，建立了基于模糊Petri网和状态监测的井下水泵故障诊断模型，该模型以处理后的振动信号作为模糊化的特征向量输入，并引入神经网络中的BP算法对网络参数进行优化训练，能较准确地找到水泵故障原因，具有较好的准确性和自适应性。

从智能算法的研究现状来看，主要采用人工神经网络及机器学习、深度学习等智能算法建立设备故障诊断与预测模型，从而实现故障的智能诊断和预测。

2 存在的问题

(1) 设备的故障机理研究不足。煤矿机电设备往往体积庞大，结构复杂，对于该类型设备进行故障机理研究时，往往需要对研究对象进行一定程度的简化，才可以建立相应的数学和力学模型，通过仿真等手段验证模型是否有效，再结合试验修正模型。过度简化的数学模型不能完整反映设备本身全部的状态信息，甚至可能会丢失反映设备故障状态的重要特征，这会给诊断工作增加难度。因此，在机理研究方面需要进一步深入研究，建立能够尽可能反映设备状态的简化模型(包括数学模型和试验模型)，合理地添加典型故障。目前对于设备故障机理的研究多集中于设备某种单一故障的机理研究，缺少多故障复合状态下的故障机理研究，今后需要更多地对设备某部分故障带来的连锁反应进行研究。

(2) 煤矿现场的故障数据不足。随着煤矿信息化程度的不断提高，获取设备实时运行状态的数据已不再困难。但由于监测时间有限，目前获取的设备运行过程中含有故障的数据较少，而故障数据是对设备故障诊断与预测性维护具有重要意义的数据。目前诸多研究中普遍采用搭建试验台或计算机仿真的方法来模拟故障，但是模拟环境下所获得的故障数据往往比较理想，不能完全真实反映设备实际的运行状况。因此，仍需长时间不断采集现场监测数据，最好是设备全生命周期数据，这对于设备的诊断和预测具有重要意义。

(3) 诊断和预测的智能化程度不高。在目前的诊断与预测算法研究中，往往是人为设定或修改相应参数以实现设备正常工作或故障状态的切换，算法的推广程度和普适性有待进一步验证。因此，需进一步研究基于人工智能算法的智能诊断与预测方法。目前研究中的诊断与预测算法大多采用某种单一算法，采用组合式的算法研究较少，同时研究对象更多局限在设备某个部分或零部件，借助海量数据对整个大型设备进行诊断和预测算法的研究较少。因此若能采用多种有效算法组合对设备整体进行诊断与预测，将对设备的智能化维护具有更重要的意义。

3 发展趋势

(1) 设备早期故障的识别。对煤矿机电设备未来运行状态进行预判，是设备故障诊断与预知性维护研究的终极目标。要实现该目标，就需要在设备出现故障的早期及时发现故障并采取相应的维护手段。研究应用灵敏度更高的智能传感器来监测设备，结合随机共振、盲源分离等方法从强噪声中提取微弱的特征信号，使得设备早期故障被及时地识别出，从而实现预测性维护。

(2) 复杂机电设备的多故障耦合的诊断与预测。在实际工况环境下，设备故障复杂多变，一个故障源可能引起链式反应，导致更大故障发生。采用独立的诊断方法，已经不能适应实际设备的诊断需求。基于多传感器信息融合技术的诊断和预测可准确有效地识别出设备存在的所有故障，这对故障诊断与预测性维护的研究具有重要意义。

(3) 仿真与试验数据对现场设备诊断与预测的指导。仿真与试验手段仍是获取典型故障特征的重要手段。深度学习中迁移学习的应用，可有效解决不同数据集之间数据分布差异性的问题，将迁移学习算法作为“桥梁”，建立仿真、试验数据与现场数据的相关性，为解决仿真与试验条件和现场条件差异的问题提供数据支持和保障。

4 结语

在智慧矿山建设的背景下，煤矿机电设备的故障诊断与预测性维护必将迈入新阶段。随着人工智能、大数据、物联网等技术的飞速发展，智能传感技术结合随机共振、盲源分离等方法，可及时识别设备早期故障；借助多传感器信息融合技术可准确有效地识别出设备存在的耦合故障；利用迁移学习算法可以建立仿真、试验数据与现场数据的相关性，对现场设备进行诊断与预测。今后应从这3个方面展开深入研究，将智能化故障诊断与预测更好地应用于煤矿机电设备的维护管理中，保障设备安全可靠运行。