论文部分内容阅读
摘 要：随着科学技术的快速发展，近年来我国煤矿领域发展迅速，煤矿机电设备的大量应用便能够证明这一认知，基于此，本文介绍了常见的煤矿机电设备故障检测诊断技术，并结合实例详细论述了故障检测诊断技术的具体应用，希望由此能够为相关业内人士带来一定启发。
关键词：煤矿机电设备;故障检测诊断技术;通风机
中图分类号：TD63 文献标识码：A 文章编号：1004-7344（2019）03-0173-02
前 言
机电设备在煤矿生产中的应用具有提高煤矿生产效率、保障作业安全的优势，但在优势的背后，煤矿机电设备频繁出现的机械故障也会直接影响正常的煤矿生产作业，如采煤机故障、通风机故障，而为了尽可能降低这类故障带来的负面影响，正是本文围绕煤矿机电设备中的故障检测诊断技术开展具体研究的原因所在。
1 常用的故障检测诊断技术
在煤矿机电设备中的故障检测诊断中，振动检测、温度检测、铁谱检测、外观诊断、专家诊断系统、人工神经网络诊断、模糊数学诊断等均属于较为常见的故障检测诊断技术。
1.1 振动检测
作为一种常用的故障检测诊断技术，振动检测需要使用专业设备放大振动信号，并通过检波器显示振动峰值和有效值，以此进行煤矿机电设备的故障分析，故障诊断目标可由此顺利实现。振动检测使用的设备主要包括简易诊断仪与精密诊断系统，前者主要负责故障设备的初步检测，后者则需要录入初步检测数据和振动信号，以此形成更为精准的振动信号，最终通过计算机的分析和整合处理，即可完成高水准的煤矿机电设备故障检测诊断。
1.2 温度检测
煤矿机电设备发生故障时往往会出现一定的温度变化，如故障部位温度偏高，这一原理同样可用于煤矿机电设备故障检测诊断。温度检测需要应用温度检测设备收集处理检测到的温度数据，并通过曲线绘制分析设备的温度变化，以此找出温度突变部位，该部位便很可能为故障位置，故障排除的针对性、精确性可由此得到较好保障。煤矿生产对温度存在极高的要求，因此温度检测可较好地服务于煤矿机电设备温度威胁的排除。以煤矿主通风机的电动机轴承温度检测为例，该检测一般应用热电偶，主通风机电动机轴承都会有伸出主通风机机壳外的轴承加油孔，可以将热电偶插入加油孔，以检测电动机轴承的温度。此外，电阻法、专业的温度检测仪器也能够较好用于温度检测。
1.3 铁谱检测
旋转式铁谱仪、颗粒定量仪均属于铁谱检测常用设备，基于铁磁屑和润滑油在高磁场中相互作用开展的故障检测诊断属于铁谱检测的主要方式。在高磁场环境下，润滑油与铁磁屑可实现相互分离，且基片上会沉淀分离物，由此即可参考沉淀密度、沉淀颗粒的外形和大小进行故障诊断。在具体的铁谱检测中，可基于沉淀颗粒的外形和大小判断故障的类型和原因，磨屑成分检测则能够明确设备磨损程度及故障的具体位置。
1.4 其他检测方法
除上述检测诊断技术外，外观诊断、专家诊断系统、人工神经网络诊断、模糊数学诊断同样可较好服务于煤矿机电设备故障检测诊断。以人工神经网络为例，人工神经网络具备一定推理和计算能力，配合实时监测、物理结构模拟，人工神经网络便能够快速确定煤矿机电设备的故障位置及原因，由此实现的自动化故障诊断检测必须得到业内人士重视。
2 故障检测诊断技术在煤矿机电设备中的具体应用
为提高研究的实践价值，本文围绕基于人工神经网络的煤矿主要通风机故障检测诊断、基于状态监测系统的采煤机自动化故障检测诊断开展了深入分析。
2.1 基于人工神经网络的煤矿主要通风机故障检测诊断
应用人工神经网络的煤矿主要通风机故障检测诊断，需要首先建立人工神经网络故障模型，这一模型的建立需结合煤矿主要通风机实际情况。这里以某煤矿的轴流式通风机为例，由于通风机在运行过程中时常出现振动超限故障，因此人工神经网络故障模型的建立需要深入分析振动特性、了解故障机理、提取故障特征。轴流式通风机的结构相对复杂，为精确判断故障发生的时间，需首先开展小波分析以此分解通风机的振动信号，并选择八维向量作为特征向量。重构小波分解系数，并从不同频带范围进行信号的提取，即可开展针对性较高的分析工作。量化处理需要结合各层能量构造向量，由此即可最终获得特征向量。
一般情况下，煤矿主要通风机的运行速度、采样频率会分别控制为3000r/min以内、1000Hz，而结合Nyquist定理，可明确500Hz的頻率上限值，通过3层小波包分解，可最终得到表1所示的不同频段代表频率范围。
将得到的8个频带能量（小波包3层分解）作为人工神经网络的输入向量，即可构建图1所示的3层人工神经网络结构。多次迭代后，如输出总体误差小于系统允许误差，则训练结束。输入故障信号至训练好的3层人工神经网络，即可自动分析故障信息。在实际的应用中，检修人员可通过通风机的振动信号开展故障检测诊断，通过分解故障特征信号、传输至对应频段、获得小波频带分解能量，即可为人工神经网络的故障诊断、状态自识别工作的开展提供有力支持。图2为人工神经网络训练过程中误差变化曲线图，结合该图可更深入了解人工神经网络的应用价值，煤矿通风机的维修也能够获得指导依据。
2.2 基于状态监测系统的采煤机自动化故障检测诊断
作为综采工作面的重要机电设备，采煤机很容易因大量粉尘、潮湿的工作环境出现故障。为了能够第一时间发现故障、解决故障，近年来我国煤矿生产领域的采煤机设备状态监测系统普及率不断升高，这便为采煤机自动化故障检测诊断奠定了坚实基础。系统一般由远程监测系统和机载监测系统组成，图3为典型采煤机设备状态监测系统整体架构，该系统具备状态监测、故障诊断、信息管理、可靠性评价等功能。 以某煤矿采煤机出现的齿轮故障为例，该故障属于采煤机的主要故障，占整机故障30%左右，因此本文围绕这一故障探讨了基于状态监测系统的采煤机自动化故障检测诊断。在具体的故障检测诊断中，需应用时域平均分析方法，以此分析系统收集的齿轮箱信号等参数，由此即可自动分析齿轮箱故障。时域平均分析的要点在于从复杂信号（携带噪声）中提取特定周期分量，并以此判断设备故障，而在同一周期内，时域平均分析的开展需保证信号按照相应周期截取，信号起始点相同相位的保障也需要得到重视。在齿轮箱故障的诊断中，齿轮所在轴旋转周期一般取整数倍，且齿轮箱装置振动信息的收集过程还需要同时对转速脉冲信号进行记录，由此开展时域平均，触发信号平均相加（利用同步脉冲信号整数倍），随着平均次数的不断增多，啮合频率信息、齿轮回转频率信息均会较好保留，这一过程需保证噪声信号得到有效消减。通过上述措施，即可获得振动信号中的周期性成分，配合对所得时域波的观察分析，即可准确判断故障。
图4为不同状态下的齿轮时域平均信号，其中图4（a）的出现代表齿轮处于正常运行状态;图4（b）的出现代表幅值调制作用对时域平均信号造成了影响，且调制频率相对较低;图4（c）的出现代表齿轮存在严重磨损，且时域统计特征幅值存在显著增大;图4（d）的出现代表齿轮出现了较为严重的故障，且现场一般会听到异常的噪声，发现该故障后检修人员必须第一时间进行修理。
3 结 论
综上所述，煤矿机电设备中的故障检测诊断技术具备较高实用性，在此基础上，本文涉及的基于人工神经网络的煤矿通风机故障检測诊断、基于状态监测系统的采煤机自动化故障检测诊断等内容，则提供了可行性较高的故障检测诊断技术应用路径，而为了进一步提高故障检测诊断水平，结合实际情况的故障检测诊断技术选择、故障类型与故障特征的非线性关系明确必须得到重视。
参考文献
[1]崔东伟.煤矿机电设备管理中机械故障检测诊断技术的应用分析[J].山东工业技术，2018（21）：87.
[2]王 芳.关于故障诊断技术在矿山机电设备中的实践运用探索[J].科技视界，2017（03）：102+100.
[3]霍东东.煤矿机电设备管理中机械故障检测诊断技术的应用分析[J].科技创新与应用，2014（05）：100.
收稿日期：2018-12-7
作者简介：王洪波（1983-），男，机电工程师、一级建造师，大学本科，主要从事煤矿机械设备选型及供配电设计工作。
关键词：煤矿机电设备;故障检测诊断技术;通风机
中图分类号：TD63 文献标识码：A 文章编号：1004-7344（2019）03-0173-02
前 言
机电设备在煤矿生产中的应用具有提高煤矿生产效率、保障作业安全的优势，但在优势的背后，煤矿机电设备频繁出现的机械故障也会直接影响正常的煤矿生产作业，如采煤机故障、通风机故障，而为了尽可能降低这类故障带来的负面影响，正是本文围绕煤矿机电设备中的故障检测诊断技术开展具体研究的原因所在。
1 常用的故障检测诊断技术
在煤矿机电设备中的故障检测诊断中，振动检测、温度检测、铁谱检测、外观诊断、专家诊断系统、人工神经网络诊断、模糊数学诊断等均属于较为常见的故障检测诊断技术。
1.1 振动检测
作为一种常用的故障检测诊断技术，振动检测需要使用专业设备放大振动信号，并通过检波器显示振动峰值和有效值，以此进行煤矿机电设备的故障分析，故障诊断目标可由此顺利实现。振动检测使用的设备主要包括简易诊断仪与精密诊断系统，前者主要负责故障设备的初步检测，后者则需要录入初步检测数据和振动信号，以此形成更为精准的振动信号，最终通过计算机的分析和整合处理，即可完成高水准的煤矿机电设备故障检测诊断。
1.2 温度检测
煤矿机电设备发生故障时往往会出现一定的温度变化，如故障部位温度偏高，这一原理同样可用于煤矿机电设备故障检测诊断。温度检测需要应用温度检测设备收集处理检测到的温度数据，并通过曲线绘制分析设备的温度变化，以此找出温度突变部位，该部位便很可能为故障位置，故障排除的针对性、精确性可由此得到较好保障。煤矿生产对温度存在极高的要求，因此温度检测可较好地服务于煤矿机电设备温度威胁的排除。以煤矿主通风机的电动机轴承温度检测为例，该检测一般应用热电偶，主通风机电动机轴承都会有伸出主通风机机壳外的轴承加油孔，可以将热电偶插入加油孔，以检测电动机轴承的温度。此外，电阻法、专业的温度检测仪器也能够较好用于温度检测。
1.3 铁谱检测
旋转式铁谱仪、颗粒定量仪均属于铁谱检测常用设备，基于铁磁屑和润滑油在高磁场中相互作用开展的故障检测诊断属于铁谱检测的主要方式。在高磁场环境下，润滑油与铁磁屑可实现相互分离，且基片上会沉淀分离物，由此即可参考沉淀密度、沉淀颗粒的外形和大小进行故障诊断。在具体的铁谱检测中，可基于沉淀颗粒的外形和大小判断故障的类型和原因，磨屑成分检测则能够明确设备磨损程度及故障的具体位置。
1.4 其他检测方法
除上述检测诊断技术外，外观诊断、专家诊断系统、人工神经网络诊断、模糊数学诊断同样可较好服务于煤矿机电设备故障检测诊断。以人工神经网络为例，人工神经网络具备一定推理和计算能力，配合实时监测、物理结构模拟，人工神经网络便能够快速确定煤矿机电设备的故障位置及原因，由此实现的自动化故障诊断检测必须得到业内人士重视。
2 故障检测诊断技术在煤矿机电设备中的具体应用
为提高研究的实践价值，本文围绕基于人工神经网络的煤矿主要通风机故障检测诊断、基于状态监测系统的采煤机自动化故障检测诊断开展了深入分析。
2.1 基于人工神经网络的煤矿主要通风机故障检测诊断
应用人工神经网络的煤矿主要通风机故障检测诊断，需要首先建立人工神经网络故障模型，这一模型的建立需结合煤矿主要通风机实际情况。这里以某煤矿的轴流式通风机为例，由于通风机在运行过程中时常出现振动超限故障，因此人工神经网络故障模型的建立需要深入分析振动特性、了解故障机理、提取故障特征。轴流式通风机的结构相对复杂，为精确判断故障发生的时间，需首先开展小波分析以此分解通风机的振动信号，并选择八维向量作为特征向量。重构小波分解系数，并从不同频带范围进行信号的提取，即可开展针对性较高的分析工作。量化处理需要结合各层能量构造向量，由此即可最终获得特征向量。
一般情况下，煤矿主要通风机的运行速度、采样频率会分别控制为3000r/min以内、1000Hz，而结合Nyquist定理，可明确500Hz的頻率上限值，通过3层小波包分解，可最终得到表1所示的不同频段代表频率范围。
将得到的8个频带能量（小波包3层分解）作为人工神经网络的输入向量，即可构建图1所示的3层人工神经网络结构。多次迭代后，如输出总体误差小于系统允许误差，则训练结束。输入故障信号至训练好的3层人工神经网络，即可自动分析故障信息。在实际的应用中，检修人员可通过通风机的振动信号开展故障检测诊断，通过分解故障特征信号、传输至对应频段、获得小波频带分解能量，即可为人工神经网络的故障诊断、状态自识别工作的开展提供有力支持。图2为人工神经网络训练过程中误差变化曲线图，结合该图可更深入了解人工神经网络的应用价值，煤矿通风机的维修也能够获得指导依据。
2.2 基于状态监测系统的采煤机自动化故障检测诊断
作为综采工作面的重要机电设备，采煤机很容易因大量粉尘、潮湿的工作环境出现故障。为了能够第一时间发现故障、解决故障，近年来我国煤矿生产领域的采煤机设备状态监测系统普及率不断升高，这便为采煤机自动化故障检测诊断奠定了坚实基础。系统一般由远程监测系统和机载监测系统组成，图3为典型采煤机设备状态监测系统整体架构，该系统具备状态监测、故障诊断、信息管理、可靠性评价等功能。 以某煤矿采煤机出现的齿轮故障为例，该故障属于采煤机的主要故障，占整机故障30%左右，因此本文围绕这一故障探讨了基于状态监测系统的采煤机自动化故障检测诊断。在具体的故障检测诊断中，需应用时域平均分析方法，以此分析系统收集的齿轮箱信号等参数，由此即可自动分析齿轮箱故障。时域平均分析的要点在于从复杂信号（携带噪声）中提取特定周期分量，并以此判断设备故障，而在同一周期内，时域平均分析的开展需保证信号按照相应周期截取，信号起始点相同相位的保障也需要得到重视。在齿轮箱故障的诊断中，齿轮所在轴旋转周期一般取整数倍，且齿轮箱装置振动信息的收集过程还需要同时对转速脉冲信号进行记录，由此开展时域平均，触发信号平均相加（利用同步脉冲信号整数倍），随着平均次数的不断增多，啮合频率信息、齿轮回转频率信息均会较好保留，这一过程需保证噪声信号得到有效消减。通过上述措施，即可获得振动信号中的周期性成分，配合对所得时域波的观察分析，即可准确判断故障。
图4为不同状态下的齿轮时域平均信号，其中图4（a）的出现代表齿轮处于正常运行状态;图4（b）的出现代表幅值调制作用对时域平均信号造成了影响，且调制频率相对较低;图4（c）的出现代表齿轮存在严重磨损，且时域统计特征幅值存在显著增大;图4（d）的出现代表齿轮出现了较为严重的故障，且现场一般会听到异常的噪声，发现该故障后检修人员必须第一时间进行修理。
3 结 论
综上所述，煤矿机电设备中的故障检测诊断技术具备较高实用性，在此基础上，本文涉及的基于人工神经网络的煤矿通风机故障检測诊断、基于状态监测系统的采煤机自动化故障检测诊断等内容，则提供了可行性较高的故障检测诊断技术应用路径，而为了进一步提高故障检测诊断水平，结合实际情况的故障检测诊断技术选择、故障类型与故障特征的非线性关系明确必须得到重视。
参考文献
[1]崔东伟.煤矿机电设备管理中机械故障检测诊断技术的应用分析[J].山东工业技术，2018（21）：87.
[2]王 芳.关于故障诊断技术在矿山机电设备中的实践运用探索[J].科技视界，2017（03）：102+100.
[3]霍东东.煤矿机电设备管理中机械故障检测诊断技术的应用分析[J].科技创新与应用，2014（05）：100.
收稿日期：2018-12-7
作者简介：王洪波（1983-），男，机电工程师、一级建造师，大学本科，主要从事煤矿机械设备选型及供配电设计工作。