煤矿机电设备远程监测与故障诊断技术研究

张美玲 陈兴翔 汤家府

（兖矿能源集团股份有限公司东滩煤矿）

0 引言

煤矿机电设备是煤矿生产过程中不可或缺的重要设备，然而随着煤矿开采深度的增加和矿井规模的扩大，煤矿机电设备的故障诊断和监测变得越来越复杂和困难。这对煤矿安全生产和矿工的生命安全都提出了严峻的挑战。因此，远程监测与故障诊断技术的研究成为提高煤矿机电设备运行安全性和可靠性的热点领域。为了解决煤矿机电设备故障诊断与监测的问题，提出了一种基于对远程监测与故障诊断技术的煤矿机电设备远程监测系统。

该系统利用无线传感器网络对机电设备进行实时监测，并通过对传感器采集的数据进行分析和处理，实现对机电设备运行状态和参数的实时监测和预警。同时，该系统具有数据传输的实时性和可靠性，为远程监测提供了可靠的数据支持。此外，通过收集和分析煤矿机电设备故障数据，建立了基于机器学习的故障诊断模型。该模型能够通过对机电设备运行数据的学习和训练，自动诊断和预测机电设备的故障。实验结果表明，该模型具有较高的准确性和可靠性，能够有效地提高煤矿机电设备的故障诊断效率。

1 煤矿机电设备故障分析

1.1 截割部故障

截割部包括摇臂和滚筒两部分，其中机械故障主要来源于摇臂，故障多样，原因复杂。摇臂齿轮箱的故障表现为齿轮和轴承故障、齿轮箱高温、润滑失效和密封失效等。摇臂齿轮箱齿轮故障最为常见，通常齿轮会出现齿面磨损、齿面胶合、齿根断裂、齿面点蚀等故障。轴承故障也较多，有表面破损、裂纹、胶合、点蚀等。产生此类故障的原因有：

（1）在采煤机的齿轮箱中，齿轮会受到工作环境的影响。例如，在生产强度较高、煤壁较坚硬、采煤区域有煤矸石等情况下，会导致轴承和齿轮的寿命缩短，影响采煤效率和安全性。

（2）轴承在连续工作一段时间后，如果润滑油不能及时加注或更换，就会导致轴承的摩擦力增大，轴承安装处出现缝隙和位移等问题，从而引起轴承故障。这种故障通常会伴随着轴承温度异常升高。

（3）摇臂齿轮箱的高速区长期处于高温状态，那么润滑油就很容易变质并发生乳化，这会降低润滑效果，甚至加剧磨损，同时会导致齿轮和轴承的磨损加剧，进一步提高齿轮箱的温度，形成恶性循环。

（4）低速区是行星减速系统中的关键部分，长时间超负荷运行会导致系统的密封损坏，润滑液减少，从而增加齿轮磨损。这会导致行星减速系统的疲劳磨损、齿轮断裂，甚至引起整个齿轮箱的损坏。低速区还容易出现噪声异常和漏油等问题，这些问题也会加剧齿轮的磨损和损坏。

1.2 辅助装置故障

辅助装置的故障主要包括液压系统故障和喷雾冷却装置故障。液压系统主要负责摇臂的调高、采煤机的制动等，常见故障有无法调高或调高动作缓慢、摇臂自动下沉、液压系统压力不足等。造成故障的原因有：

（1）调高泵损坏，泄漏量太大；安全阀损坏，压力调整不到设定值；油缸或油管密封失效，大量漏油造成压力不足；液压油受到污染，杂质过多堵塞管路等原因会造成调高系统故障；

（2）摇臂下沉的原因有单向阀损坏；液压油缸不密封；调高油缸漏油；安全阀泄漏；管路破损等；

（3）液压泵损坏，液压油流量不足；液压泵电机转向错误，不吸油；溢流阀泄漏，压力达不到设定值；油池油量过少；密封失效或管路破损等会造成液压系统压力不足。喷雾冷却系统常见故障有不喷雾或喷雾效果不佳、回路温度过高、管道破损、冷却水混杂等。

1.3 电气系统故障

采煤机的电气系统故障主要分为电控箱故障和电缆故障两种类型。电控箱故障常常表现为变频器、变压器、回路控制模块等设备出现故障，而电缆故障则主要表现为采煤机拖拽电缆和截割电机电缆故障。故障原因有：

（1）电缆控制芯线故障、控制器组件故障、接线松动、电气设备绝缘层老化失效、变频器自身故障等都可能造成电控箱出现故障；

（2）电缆在使用过程中出现磨损、受潮等缺陷，造成绝缘层失效，进而导致漏电或短路故障。

2 数据采集方法设计

2.1 信号采集需求分析

根据对采煤机常见故障进行分析，发现主要故障类型有机械故障、电气故障、液压水压故障三大类。机械故障和水压不足的出现常常伴随着温度异常，电气故障的出现则伴随着电流数据异常，液压系统故障带来的是液压系统的压力异常。想要准确监测采煤机运行状态，就需要对上述信息进行采集。同时，进行数据采集时还要满足以下原则：

（1）采集成本低，通过现有的传感器就可以较容易地获得大量所需信息，可操作性强；

（2）能够准确反映采煤机各部分的运行状态；

（3）对采煤机负载变化敏感。

对于故障诊断来说，信号的采集是针对振动信号的，需要在采煤机摇臂上确定测点，应遵循配置尽可能少的传感器数量测量尽可能多的振动信号的原则。

2.2 运行状态数据采集

根据状态监测对数据的需求，运行状态的数据采集内容包括各处温度信息的采集、各电机电流和液压水压信息的采集。

（1）传感器的选择

温度传感器技术稳定，应用领域广泛。矿用温度传感器按照与被测介质的接触方式分为两类：接触式和非接触式。非接触式温度传感器通过热辐射或热对流的方法测温，主要有红外测温传感器，鉴于井下恶劣的工作环境，此类传感器不适用。接触式温度传感器通过与被测介质的直接接触来测量温度，包括电阻式、热电偶、PN结等类型，可用于采煤机的温度测量。用于电机绕组的温度传感器采用Cu50，用于机械传动位置的传感器采用DS18B20数字化温度传感器。

压力传感器的工作原理是基于压力敏感元件受到外部压力作用时产生形变，并将形变转化为电信号输出测量结果。常用的压力敏感元件包括金属薄膜、应变片、电容微型传感器等，这些元件均能在受到外部压力作用时，产生相应的形变。为适应井下环境，选用RPT8100型压力传感器

（2）采集数据的种类

从采煤机的四个关键部件对需要的监测数据进行采集，有：截割部截割电机温度、截割电机电流；牵引部电机的温度、电流和转速；电气系统的控制箱电流、高压箱电流；辅助装置液压调高系统工作压力、调高泵电机转速、冷却水流量。

3 基于CNN的监测和故障诊断模型

3.1 卷积神经网络原理

卷积神经网络是一种深层前馈神经网络，用不同的卷积核对同一个图像进行卷积就是用卷积核对图像进行滤波以提取其内部不同的特。卷积神经网络由一个或多个卷积层、池化层以及全连接层组成，相比较其他浅层或深层神经网络，卷积神经网络需要考虑的参数更少，降低了网络模型的计算量和复杂性，既保证了数据处理速度，又保证了所提取特征的质量，结构如图1所示。

图1 CNN结构示意图

3.2 CBAM注意力机制

CBAM（Convolutionаl Block Attеntion Modulе）注意力机制模块是一种能对特征图像局部信息聚焦的模块，分别从通道和空间维度顺序提供注意力图。通过通道注意力模块对输入的特征图在通道维度上进行注意力加权，以提高模型对重要通道的关注度；再通过空间注意力模块在空间维度上进行注意力加权，以提高模型对重要空间位置的关注度；最后，将经过通道注意力模块和空间注意力模块重标定的特征图相乘，得到最终的特征表示。

3.3 模型参数优化

卷积神经网络的大小和深度影响着其处理复杂问题的能力。一般来说，处理问题的复杂程度和网络深度正相关，随着网络深度的增加，神经元的数量和计算复杂度都会增加，使得网络可以学习到更复杂的特征和函数，从而提高了模型的处理能力。但是，网络深度增加也会带来一些问题，如梯度消失、梯度爆炸和过拟合等。因此在提出故障诊断与监测网络模型之后，还需要对参数进行调整以获得最优效果。超参数除了网络模型中已经包括的核的大小、神经网络层数、激活函数、优化器等，还有学习率、批大小、训练迭代次数。

4 实验结果与分析

模型验证平台配置如下：Windows10 64位操作系统，CPU为AMD Ryzеn 7 4800H@2.90GHz，GPU为NVⅠDⅠA GеForcе GTX 1650Ti 4G，内存为16GB，集成开发环境为PyChаrm Community Edition 2021.2.3，рython版本为3.9。

使用齿轮测试数据集中共5种状态的训练样本图像及测试样本图像，来确定合适的全局参数。输入图像的大小应为，在图像变换时已经设置好；训练迭代次数暂时设置为10，可以在探究其他参数时节约运算时间和计算资源，最后确定迭代次数的值；学习率设置为0.01，0.001，0.0001，0.00001；批大小设置为416；分类数量为5类。在设置不同的批大小和 学习率的情况下，网络训练损失值如图2所示，正确率如图3所示。

图2 不同学习率下模型训练损失值

图3 不同批大小下的模型训练准确率

从神经网络的训练损失值曲线可以观察到，在初始阶段，损失值下降幅度较大，这表明学习率已经较为适当，并且网络处于梯度下降的状态。随着训练的进行，损失值逐渐趋于平稳，不再出现明显的波动，这表明学习率大小的选择是合适的。

如图2所示，在神经网络模型的训练过程中，学习率的选择对模型的性能影响非常大。如果学习率过大，损失值曲线会在短时间内迅速下降后趋于平缓，达到局部最小值，而学习率过小则会导致损失值曲线缓慢下降，不能快速有效地提高分类精度。因此，在选择学习率时，需要找到一个合适的值，使得损失值曲线能够平稳下降，而不至于过度下降或过度平缓。同时，如果损失值曲线的上下宽度过大，说明批大小过小，需要适当增批大小的值。综合不同学习率下模型训练损失值，学习率为0.001和0.0001较为合适；批大小为4 时，损失曲线上下宽度大，同时损失值波动较大，因此应选择批大小的值为16；增大迭代的值可以更加深入进行网络模型的训练，提高网络的准确率。

通过图3可以看出，批大小为4时，准确率波动较大，不够平稳，而批大小为16时，准确率曲线波动较小，同时准确率更高。不同学习率情况下，从两子图中均可看出学习率为0.0001 时准确率更高并且曲线更加平滑。训练10轮时准确率已经较高，因此迭代次数选20即可。最终选择学习率为0.0001，迭代次数为16，迭代次数为20的模型，可以有效解决状态分类问题。

5 结束语

本文围绕煤矿机电设备远程监测与故障诊断技术展开了一系列的研究，提出了基于无线传感器网络的远程监测系统，并利用机器学习算法进行故障诊断。实验证明，该系统和方法能够有效地提高机电设备的运行安全性和可靠性，具有很高的实际应用价值和推广潜力。未来的研究工作需要进一步完善和优化相关技术和方法，以满足煤矿机电设备远程监测与故障诊断的需求。