矿用电气传动故障诊断系统研究

摘 要：本文研究电气传动故障诊断系统，该系统可以监测传动装置的状态并识别新故障。为了实时确定在运行过程中无法测量的直流电机的电流参数和变量，利用人工神经网络的结构特点预测电机电枢和励磁绕组中的电流值。在预先训练的人工神经网络的基础上，根据1组属性对电驱动的技术状态进行分析。研究结果说明使用人工神经网络的估计方法以及创建主电机驱动采矿设备故障诊断系统的可能性。

关键词：电气传动；直流电机；人工神经网络；故障诊断

中图分类号：TM 33" " " " 文献标志码：A

随着我国经济快速发展，煤炭需求量不断增加，煤矿产业在国民经济中地位重要。矿用电气传动系统是煤矿生产中的关键设备，其安全、稳定运行影响煤矿生产。煤矿环境恶劣，设备负载大，运行时间长，因此矿用电气传动系统易发生故障，导致生产中断，甚至引发安全事故。研究矿用电气传动故障诊断系统可以提高故障检测的准确性，保障煤矿生产安全，并提高生产效率。矿用电气传动系统主要由电机、变频器、传动装置和负载等组成，其故障类型繁多，主要包括电机故障、变频器故障、传动装置故障和负载故障。针对这些故障，国内外学者进行了大量研究，提出了多种故障诊断[1-3]。本文基于人工神经网络系统，结合传感器等现代装置，对矿井设备电传动装置在运行过程中获得的电磁参数、机械参数以及电磁和机械变量的电流值进行分析，并进行故障诊断试验。试验验证了诊断系统的效果，系统可以监测电传动装置的状态并识别故障。

1 系统设计

1.1 电传动故障诊断系统

本文构建具有数据挖掘模块功能的电传动故障诊断系统，包括直流电机、电传动控制系统和机械子系统，监测设备分析电磁变量、机械变量以及技术状态。诊断系统适用于采矿设备的各个主电传动装置，其余传动器的结构相似。采用监测设备测量电流、电压、速度和角速度，实时估计电传动装置的电磁和机械变量。使用基于人工神经网络（ANN）的预测器，将估计值（βa，βb）、直流电机绕组的电流和电压以及神经预测器的输出信号与实际测量电流∆之间的误差输入技术状态分析器，该分析器处理接收的数据，利用多个特征识别运行电机驱动的技术状态，并显示结果。系统结构框如图1所示。

在直流电机中，电动机产生机械能并驱动采矿机移动[4-5]，其动态状态在很大程度上受到电传动机其他元件的影响，因此当开发故障诊断系统时，应进行分析。在构建电传动故障诊断的过程中，以从广义电机理论导出的方程作为直流电机的数学模型，如公式（1）～公式（4）所示。

Uf=ifRf+Lf" " " " " " "（1）

Ua=iaRa+La+pL1·ωif" " "（2）

J=Te-T1" " " " " " " "（3）

Te=p·L1·if·ia " " " " " " " " （4）

式中：L1为定子侧电感；t为时间；Ua为电枢电压；ia为电枢电流；Uf为励磁电压；if为励磁电流；La为电枢电感；Ra为电枢电阻；Lf为励磁电感；J为电机转动惯量；Rf为励磁电阻；Te为电磁转矩；T1为阻力转矩；ω为角速度；p为极对数。

使用目前运用较广泛的数学模型分析电机状态，模型包括最小二乘法和递归最小二乘法，根据均方根标准最小化识别积分平方误差；卡尔曼滤波器能够在数据不完整和有噪声的情况下利用其动态模型的已知结构动态识别对象参数。根据特定算法搜索直流电机模型的参数，以最小的误差值将结果写入存储器。以上方法均可用于直流电机的动态识别，采用这些方法实时估计直流电机的参数和状态，误差不超过15%。基于直流电机数学模型的估计法需要电枢和励磁绕组的电压和电流数据，在某些情况下还须测量直流电机的角速度。为确定直流电机的电磁参数与其技术状态有统计学意义，在正常以及故障模式下对运行的直流电机进行理论研究和试验。当设置故障时，使用动态识别检测直流电机电气参数的特定变化。

为监测矿用设备的电传动子系统的状态，本文设计了一个移动测量系统，该系统对驱动电机的电流、绞盘卷筒、臂架滑轮以及发动机的角位置进行同步测量。为了提高测量系统的组装和拆卸效率，采用永磁体安装位置传感器。测量系统包括位置测量单元、电流测量单元、基站、计算机和无线电模块，利用无线电信道对从传感器至基站的数据进行

传输。当从基站向位于电机电枢电路中的测量单元发射信号时，后者开始测量相关变量。在每个测量周期中，微控制器处理数据并将其写入存储器。

1.2 人工神经网络系统

人工神经网络是一种模拟人类神经系统结构和功能的计算模型。它由多个神经元相互连接而成，每个神经元根据权重和偏置接收来自其他神经元的输入，利用激活函数来生成输出。

在训练过程中，人工神经网络通常包括前向传播和反向传播2个关键步骤。在前向传播过程中，将输入数据传递至网络中的每个神经元，经过一系列加权求和与激活函数操作计算网络的输出结果。在反向传播过程中，比较网络的输出结果与实际标签之间的差异，计算误差值，根据链式法则将误差从输出层传递至输入层。使用梯度下降等优化算法来更新网络中每个连接的权重和偏置，减少误差。反复迭代前向传播和反向传播，不断优化网络的权重和偏置，直至网络性能较强，并能够对新的输入数据进行准确预测。训练人工神经网络，使其不仅能够对训练数据进行拟合，还能够对未知数据进行泛化。为了提高泛化能力，采用交叉验证、正则化等技术。深度学习的基础是对人工神经网络进行训练，其在图像识别、语音识别和自然语言处理等领域取得了许多重要突破。人工神经网络结构如图2所示。

1.3 基于人工神经网络的故障诊断系统设计

基于人工神经网络的矿用电气故障诊断系统是利用人工神经网络技术来诊断和预测矿用电气故障的系统。该系统训练神经网络模型，将传感器数据、工作条件等输入，提取并分析特征，输出对电气设备故障的诊断结果。当电气设备发生故障时，系统可以分析当前的传感器数据和工作条件，利用神经网络模型识别故障类型，快速定位故障点，提供准确的故障诊断结果。在对矿井设备的电传动装置进行移动测量的过程中，系统获得绞车卷筒、臂架滑轮和发动机的角速度状态、电机的电磁转矩和绳索中的应力的数据。系统能够监测电铲电气驱动装置的机械元件的动态状态，根据数据识别绳索中的应力，将结果传输至诊断系统。

为了执行诊断程序，本文开发了人工神经网络预测系统，如图3所示。系统是一个基于人工神经网络的计算机模型，利用提前历史数据来预测受试者状态，输出向量。因此，当在不同的动态模式中运行时，预测器必须根据当正常运行时电机接收的数据进行训练。当训练时，神经网络输入信号x和输出y信号之间存在函数关系。本文使用绕组中的电压、角速度和电阻转矩作为输入信号。输出信号为电枢电流值。预测的准确性与训练样本的参数、训练时间、体积和质量有统计学意义。

神经分析仪的输入信号为直流电机测量、机械子系统估计获得的数据，输出信号为电驱动技术状态的相关类别分析结果。为了创建训练样本，本文使用了来自矿用型直流电机实验室的测试数据，在电机内，神经网络以不同的动态模式运行，包括人为设置的典型故障电枢以及励磁绕组的连续性故障和锁定故障等。在试验过程中，训练样本量为35 000个，相当于100 000个训练周期。本文使用在矿井条件下、在移动测量系统测试期间获得的结果构建了机械子系统的相关训练样本。对采矿设备的实际电力传动系统来说，将采矿设备纳入神经网络训练过程前，必须在生产企业内部或矿井环境的专业工作台上对神经网络进行试验。因此，基于人工神经网络的诊断系统的一个重要特征是可以利用额外的专业训练来扩展紧急模式的诊断类别。因为该诊断系统可以使用额外的信号来扩展其功能特性，包括电机温度、电刷火花水平以及电流电压的波动等，所以对特定的技术需求应创建相对应的诊断系统。本文根据电力传动与自动化系统设计了用于交直流电机动态识别的算法，其作用是开发交直流传动故障诊断系统。

2 试验研究

基于神经网络的预测系统和电气传动的结构框图，对矿用电气传动故障诊断进行仿真分析。电机电流随时间变化的曲线如图4（a）所示。当电传动系统处于正常状态时，人工神经网络预测系统的无故障电机输出电流等于实际测量电流。电流误差随时间波动情况如图4（b）所示，电流误差的动态响应在1 s以后不再明显变化，在0附近波动，说明预测效果准确。当电传动系统发生故障时，电枢电流与预测电流值的波形如图5（a）所示，人工神经网络系统预测信号与电机电流不一致，导致误差较大。当电刷偏离几何中性点时，误差电流如图5（b）所示，与图4（b）相比，动态响应较为明显，幅值在0以下，说明预测电流小于电枢电流，根据误差电流可以对直流电机的技术状态进行诊断。试验结果表明，直流电机绕组的连续性导致预测输出信号和实际测量电机电流之间产生正误差，当出现故障时会导致负误差。误差比与故障程度有统计学意义，例如换向器条故障越多，误差越大。分析结果证明将人工神经网络预测误差用于诊断电传动系统故障，效果较好。人工神经网络预测系统不仅能够诊断直流电机电传动系统，还能够诊断其他类型的电传动系统。

3 结论

为保障矿山电气设备安全，本文对矿用电气传动故障诊断系统进行研究，减少故障停机造成的经济损失，保障矿工生命安全。应用多元信号融合技术能够提高故障诊断的准确性。利用传感器采集振动信号可以避免信号的局限性，使故障信息监测更全面。故障诊断系统基于人工神经网络等方法进行定性、定量分析，能够深入理解故障成因，为故障诊断提供理论依据。综上所述，智能化诊断系统能够在早期发现矿用设备电传动的故障，节约故障排除的时间和材料成本。对故障诊断系统进行优化与升级，能够降低维护成本，提高设备生产效率，保障矿山安全生产。随着信息融合技术进一步发展，未来矿用电气传动故障诊断系统将更加智能化、自动化，为矿山行业的可持续发展提供技术支撑。

参考文献

[1]黄立薇，吴洲.冶金电控设备在线状态监测及故障诊断系统技术[J].电子技术与软件工程，2018（4）：232.

[2]薛伟，司海涛.基于zigbee技术的设备状态监测数据与故障诊断系统研究[J].现代制造技术与装备，2016（3）：53-54.

[3]张晔. 发电厂电气设备状态监测和故障诊断的改进研究[D].北京：华北电力大学，2016.

[4]冯娟.数控机床电气控制系统的设计研究[J].科技与创新，2016（8）：87-89.

[5]安逸，江丹.RBF在冷轧在线监测与故障诊断中的应用[J].计算机与数字工程，2011，39（8）：156-159.