基于深度学习的煤矿机电设备状态监测方法

摘要： 为降低煤矿机电设备检测的漏警率，提出了基于深度学习的煤矿机电设备状态监测方法。获取煤矿机电设备状态信息，利用深度学习提取煤矿机电设备状态监测特征向量集合，拟合设备状态信息，煤矿机电设备状态分组式监测，从而实现煤矿机电设备状态监测。实验结果证明，该方法的漏警率在0.2%以内，且多数漏警率的数值为 0，可及时、准确地预警异常状态。

关键词：深度学习 煤矿机电设备 状态监测方法 漏警率

中图分类号： 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

在煤矿行业中，机电设备的安全运行对于生产效率和人员安全至关重要。然而，传统的监测方法往往存在一定的局限性，无法满足现代煤矿生产的复杂需求[1]。为了解决这一问题，提出基于深度学习的煤矿机电设备状态监测方法。深度学习技术能够从海量的传感器数据中提取有价值的信息，准确判断设备的运行状态和预测潜在的故障。相较于传统方法，基于深度学习的监测方法具有更高的准确性和实时性，能够为煤矿生产提供更加可靠的支持。

1设计基于深度学习的煤矿机电设备状态监测方法

1.1获取煤矿机电设备状态信息

为实现煤矿机电设备实时监控，需收集状态信息，结合分类分析法以更有效收集。挖掘状态信息，包括设备参数和环境因素[2]。采集不同时刻下的设备数据，以分布函数表示样本分布，建立模糊分类集，表达式为：

式（2）中：表示煤矿机电设备样本数据的初始聚类中心；表示煤矿机电设备信息采样节点分布距离；表示设备样本的特征值；表示设备数据的聚类系数。通过计算设备状态检测数据模糊分类集，结合参数辨识理论，获取设备故障的聚簇分类[3]。在此基础上，当对设备进行干扰时，设备会受到影响并出现一定的振荡现象。这种外部振荡数据的表达式为：

：式（3）、式（4）中，表示煤矿机电设备外部振荡函数；表示煤矿机电设备模糊分类系数； 表示煤矿机电设备初始分类系数；表示设备分类系数的变化值；表示设备状态的检测模糊分类集[4]。利用上述内容，计算煤矿机电设备状态的量化传感跟踪识别结果，其公式为：

式（5）中：表示为实测值；表示为分布密度。

1.2基于深度学习提取煤矿机电设备状态监测特征向量集合

在完成对煤矿机电设备状态信息的获取后，为了进一步分析设备的运行状态，采用了深度学习技术中的深度神经网络模型来提取煤矿机电设备的状态监测特征向量集合[5]。假设输入信号为X，权重为C，偏置为b，激活函数为f，则其输出可以表示为：

根据上述内容，采用了深层神经网络作为特征抽取器。训练深度神经网络模型，其过程可以表示为：

式（7）中：表示损耗函数，用来测量模型预报和实际数值的差值；表示使用参数进行预测的模型输出；表示正则化系数，用于防止过拟合[6]；表示模型的权重和偏置参数。通过对深度神经网络模型的训练，最终可以得到一组最优的特征向量集合，其表示为：

1.3拟合设备状态信息

在完成煤矿机电设备状态监测特征向量集合的提取后，为了更好地理解和预测设备的状态变化，采用了支持向量机（Support Vector Machine，SVM）来进行拟合[7]。SVM 是一种监督学习算法，非常适合处理煤矿机电设备状态监测中的小样本、非线性问题。将之前提取出的特征向量集合作为输入，输入到 SVM中。对每一个特征矢量，都有对应的设备状态信息，如正常状态，异常状态，失效状态等。支持向量机通过使预测值和真实值的方差最小，从而实现对模型参数的学习。这一过程涉及到对特征向量集合的训练，通过不断调整模型参数，使 SVM 能够逐渐逼近真实的状态信息。其基本公式为：

式（9）中：表示实际的目标值或输出值；表示 SVM 的预测值；是一个正则化参数[8]，控制对训练误差的惩罚程度； 、 分别表示松弛变量，用于处理训练数据中的噪声和不完美匹配。

通过调整值和其他参数，可以找到最佳的拟合效果，从而更好地反映设备的真实状态信息。

1.4煤矿机电设备状态分组式监测

在获得设备状态信息的拟合结果后，可以进行煤矿机电设备的分组式监测。这种监测方法的核心思想是根据设备状态的特征差异[9]，将设备分为不同的组别，然后对各组设备进行有针对性的监测和管理。假设将设备分为正常组、异常组和故障组。正常组的设备运行状态稳定，性能良好；异常组的设备存在一定的问题或隐患，需要密切关注其变化趋势；故障组的设备已经发生故障，需要及时检修和维护。

为了实现分组式监测[10]，可以采用聚类分析的方法。聚类分析是一种无监督学习的算法，可以根据设备的状态特征将相似的设备归为同一组。具体的聚类分析公式如下：

式（10）中：表示聚类结果的评价函数；和分别表示第i组和第j组的中心点；表示组数；表示样本数；表示距离或相似度。通过优化J（C），可以找到最优的设备状态分组结果。

分组式监测的优势在于可以提高监测的针对性和效率。对于正常组的设备，可以适当减少监测频次，节省资源；对于异常组和故障组的设备，需要增加监测频次，这样才能及时发现问题，并有针对性地采取行动。综上所述，实现基于深度学习的煤矿机电设备状态监测方法的设计。

2实验论证

本论文以矿井机电装备为对象，对其在矿井机电设备中的应用进行了研究。在考虑到试验结果的真实性和可靠性的前提下，选择了一个矿井中的一台机电设备。分别设置传统煤矿机电设备状态监测方法1、传统煤矿机电设备状态监测方法2以及本文设计的煤矿机电设备状态监测方法进行测试，对试验结果进行比较和分析。

2.1实验准备

根据以上内容，进行了矿井机电设备状态监控方法的设计，通过比较试验，对所提出的方法进行比较试验，以检验所提方法的正确性与可行性，从而使其能够在煤矿企业中推广应用。本文以 HHFUJI-C5100型装置为研究对象，进行了试验研究。这台机器是在2019年制造的，并且是在那一年底由煤炭公司购买的，随即投入生产线。然而，在生产过程中，由于对这台设备的监控没有达到要求，致使这台设备在使用过程中出现了许多故障，给企业造成了巨大的经济损失。现在，这台机器还留在公司的仓库里。本装置由供电线路，电动机档位控制器，继电器，电磁阀等组成，工作原理如图1所示。

根据图1的内容，再加上该装置是在制造单元中引入的，所以在有关的装置部件和线路操作参数的资料上有差距。另外，由于本装置持续使用时间比较久，一些元器件已经老化，所以整个电路的容差很大。若单纯依据其历史监控和操作反馈来描述，不仅困难，而且不能准确地构建出设备的电路模型。所以，本课题选择这一装置进行试验是可行的。

通过控制试验参数，保证试验结果的准确度。为了防止不同设备运行状态导致监测难度系数不同，或是使用不同的系统工具造成工作完成效率的不同，为了避免影响试验结果的准确度，有必要对检测方法之外的其他可变因子进行控制。在表1中列出了试验的变量控制设定。

根据上述内容，同一时间触发3种监测方法，并记录监测结果，建立数据分析的基础，对试验数据进行分析，得出试验的结论。

2.2实验结果分析与结论

据上述实验准备进行测试，在同一试验条件下，比较3种监控方式的漏报率，计算方法如下：

式（11）中：表示为判断为异常的异常数；表示为异常数。具体的对比结果如表2所示。

通过细致分析表2的数据，可以清晰地看到本文所提出的基于深度学习的煤矿机电设备状态监测方法在漏警率方面的优越性。与其他两种传统方法相比，本文方法的漏警率始终维持在一个极低的水平，稳定在0.2%以内。这一数值不仅远低于传统监测方法1的0.4%～0.8%的漏警率范围，也低于传统监测方法2的0.3%～0.5%的漏警率范围。更为引人注目的是，在表2中，本文方法的漏警率多数都达到了0，这意味着在实际监测中，几乎没有出现任何遗漏或误判的情况。这DZprNgl9bmkt6SAvd94xjQ==种高度的准确性对于煤矿机电设备的正常运行至关重要，因为它能够及时、准确地预警潜在的故障或异常状态，从而确保生产作业的连续性和安全性。通过以上分析，可以明确得出结论：与传统的煤矿机电设备状态监测方法相比，本文所提出的基于深度学习的方法能够更加准确地监测设备的运行状态。

3结语

基于深度学习的煤矿机电设备状态监测方法，是一种利用人工智能技术对煤矿机电设备的运行状态进行实时监测和故障预警的方法。通过深度学习算法，可以实现对机电设备运行状态的准确识别和预测，及时发现潜在的故障并进行预警，有效避免设备故障对煤矿生产的影响。这种监测方法具有许多优点，例如能够提高煤矿生产的安全性和效率，降低设备的维护成本和维修时间等。此外，深度学习算法具有较强的自适应性和泛化能力，能够适应不同设备和不同工况下的监测需求，具有广泛的应用前景。矿井机电装备的深度学习技术仍然有很大发展潜力。随着科技的发展与研究的深入，相信这种监测方法将得到更加广泛的应用和推广。同时，也希望通过不断的实践和创新，能够为煤矿安全生产提供更加可靠和高效的保障。

参考文献

[1] 李畅.基于Apriori算法的城市轨道交通运行设备动态监测方法[J].交通世界，2023（24）： 1-3.

[2] 张莉.基于大数据技术的造纸车间设备运行指标实时监测方法[J].造纸科学与技术，2023，42（3）：15-20.

[3] 崔宇辉.基于红外测温的电气设备异常温升监测方法[J].信息与电脑（理论版），2023，35（8）：18-20.

[4] 贺新.基于红外传感的电气设备运行实时自动监测方法[J].自动化应用，2023，64（7）：218-221.

[5] 李朝瑞，郭龙，戚永青等. 基于RBF的电网大型设备运行状态实时监测方法[J].电子设计工程，2022，30 （22）：108-111，116.

[6] 张富魁.基于模糊支持向量机的煤矿机电设备运行故障监测方法[J].内蒙古科技与经济，2022（13）：114-115.

[7] 翟建丽.基于虚拟现实技术的通信设备实时监测方法[J].长江信息通信，2022，35（4）：67-69.

[8] 聂林，席丽娜，梁红等.基于小波包能量特征的移动护理静脉输液设备故障监测方法[J].自动化与仪器仪表， 2021（5）：36-39.

[9] 沈江飞，李怀洲，黄立军等.基于局部离群因子和神经网络模型的设备状态在线监测方法研究[J].核动力工程，2021，42（3）：160-165.

[10] 孙敏.反冲式舰艇机械设备运行状态远程监测方法[J].舰船科学技术，2018，40（20）：187-189.