摘 " "要：隨著科學(xué)技術(shù)的快速發(fā)展，近年來我國煤礦領(lǐng)域發(fā)展迅速，煤礦機電設(shè)備的大量應(yīng)用便能夠證明這一認(rèn)知，基于此，本文介紹了常見的煤礦機電設(shè)備故障檢測診斷技術(shù)，并結(jié)合實例詳細(xì)論述了故障檢測診斷技術(shù)的具體應(yīng)用，希望由此能夠為相關(guān)業(yè)內(nèi)人士帶來一定啟發(fā)。

關(guān)鍵詞：煤礦機電設(shè)備;故障檢測診斷技術(shù);通風(fēng)機

中圖分類號：TD63 " " " " " "文獻(xiàn)標(biāo)識碼：A " " " " " " " 文章編號：1004-7344（2019）03-0173-02

前 言

機電設(shè)備在煤礦生產(chǎn)中的應(yīng)用具有提高煤礦生產(chǎn)效率、保障作業(yè)安全的優(yōu)勢，但在優(yōu)勢的背后，煤礦機電設(shè)備頻繁出現(xiàn)的機械故障也會直接影響正常的煤礦生產(chǎn)作業(yè)，如采煤機故障、通風(fēng)機故障，而為了盡可能降低這類故障帶來的負(fù)面影響，正是本文圍繞煤礦機電設(shè)備中的故障檢測診斷技術(shù)開展具體研究的原因所在。

1 "常用的故障檢測診斷技術(shù)

在煤礦機電設(shè)備中的故障檢測診斷中，振動檢測、溫度檢測、鐵譜檢測、外觀診斷、專家診斷系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)診斷、模糊數(shù)學(xué)診斷等均屬于較為常見的故障檢測診斷技術(shù)。

1.1 "振動檢測

作為一種常用的故障檢測診斷技術(shù)，振動檢測需要使用專業(yè)設(shè)備放大振動信號，并通過檢波器顯示振動峰值和有效值，以此進行煤礦機電設(shè)備的故障分析，故障診斷目標(biāo)可由此順利實現(xiàn)。振動檢測使用的設(shè)備主要包括簡易診斷儀與精密診斷系統(tǒng)，前者主要負(fù)責(zé)故障設(shè)備的初步檢測，后者則需要錄入初步檢測數(shù)據(jù)和振動信號，以此形成更為精準(zhǔn)的振動信號，最終通過計算機的分析和整合處理，即可完成高水準(zhǔn)的煤礦機電設(shè)備故障檢測診斷。

1.2 "溫度檢測

煤礦機電設(shè)備發(fā)生故障時往往會出現(xiàn)一定的溫度變化，如故障部位溫度偏高，這一原理同樣可用于煤礦機電設(shè)備故障檢測診斷。溫度檢測需要應(yīng)用溫度檢測設(shè)備收集處理檢測到的溫度數(shù)據(jù)，并通過曲線繪制分析設(shè)備的溫度變化，以此找出溫度突變部位，該部位便很可能為故障位置，故障排除的針對性、精確性可由此得到較好保障。煤礦生產(chǎn)對溫度存在極高的要求，因此溫度檢測可較好地服務(wù)于煤礦機電設(shè)備溫度威脅的排除。以煤礦主通風(fēng)機的電動機軸承溫度檢測為例，該檢測一般應(yīng)用熱電偶，主通風(fēng)機電動機軸承都會有伸出主通風(fēng)機機殼外的軸承加油孔，可以將熱電偶插入加油孔，以檢測電動機軸承的溫度。此外，電阻法、專業(yè)的溫度檢測儀器也能夠較好用于溫度檢測。

1.3 "鐵譜檢測

旋轉(zhuǎn)式鐵譜儀、顆粒定量儀均屬于鐵譜檢測常用設(shè)備，基于鐵磁屑和潤滑油在高磁場中相互作用開展的故障檢測診斷屬于鐵譜檢測的主要方式。在高磁場環(huán)境下，潤滑油與鐵磁屑可實現(xiàn)相互分離，且基片上會沉淀分離物，由此即可參考沉淀密度、沉淀顆粒的外形和大小進行故障診斷。在具體的鐵譜檢測中，可基于沉淀顆粒的外形和大小判斷故障的類型和原因，磨屑成分檢測則能夠明確設(shè)備磨損程度及故障的具體位置。

1.4 "其他檢測方法

除上述檢測診斷技術(shù)外，外觀診斷、專家診斷系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)診斷、模糊數(shù)學(xué)診斷同樣可較好服務(wù)于煤礦機電設(shè)備故障檢測診斷。以人工神經(jīng)網(wǎng)絡(luò)為例，人工神經(jīng)網(wǎng)絡(luò)具備一定推理和計算能力，配合實時監(jiān)測、物理結(jié)構(gòu)模擬，人工神經(jīng)網(wǎng)絡(luò)便能夠快速確定煤礦機電設(shè)備的故障位置及原因，由此實現(xiàn)的自動化故障診斷檢測必須得到業(yè)內(nèi)人士重視。

2 "故障檢測診斷技術(shù)在煤礦機電設(shè)備中的具體應(yīng)用

為提高研究的實踐價值，本文圍繞基于人工神經(jīng)網(wǎng)絡(luò)的煤礦主要通風(fēng)機故障檢測診斷、基于狀態(tài)監(jiān)測系統(tǒng)的采煤機自動化故障檢測診斷開展了深入分析。

2.1 "基于人工神經(jīng)網(wǎng)絡(luò)的煤礦主要通風(fēng)機故障檢測診斷

應(yīng)用人工神經(jīng)網(wǎng)絡(luò)的煤礦主要通風(fēng)機故障檢測診斷，需要首先建立人工神經(jīng)網(wǎng)絡(luò)故障模型，這一模型的建立需結(jié)合煤礦主要通風(fēng)機實際情況。這里以某煤礦的軸流式通風(fēng)機為例，由于通風(fēng)機在運行過程中時常出現(xiàn)振動超限故障，因此人工神經(jīng)網(wǎng)絡(luò)故障模型的建立需要深入分析振動特性、了解故障機理、提取故障特征。軸流式通風(fēng)機的結(jié)構(gòu)相對復(fù)雜，為精確判斷故障發(fā)生的時間，需首先開展小波分析以此分解通風(fēng)機的振動信號，并選擇八維向量作為特征向量。重構(gòu)小波分解系數(shù)，并從不同頻帶范圍進行信號的提取，即可開展針對性較高的分析工作。量化處理需要結(jié)合各層能量構(gòu)造向量，由此即可最終獲得特征向量。

一般情況下，煤礦主要通風(fēng)機的運行速度、采樣頻率會分別控制為3000r/min以內(nèi)、1000Hz，而結(jié)合Nyquist定理，可明確500Hz的頻率上限值，通過3層小波包分解，可最終得到表1所示的不同頻段代表頻率范圍。

將得到的8個頻帶能量（小波包3層分解）作為人工神經(jīng)網(wǎng)絡(luò)的輸入向量，即可構(gòu)建圖1所示的3層人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。多次迭代后，如輸出總體誤差小于系統(tǒng)允許誤差，則訓(xùn)練結(jié)束。輸入故障信號至訓(xùn)練好的3層人工神經(jīng)網(wǎng)絡(luò)，即可自動分析故障信息。在實際的應(yīng)用中，檢修人員可通過通風(fēng)機的振動信號開展故障檢測診斷，通過分解故障特征信號、傳輸至對應(yīng)頻段、獲得小波頻帶分解能量，即可為人工神經(jīng)網(wǎng)絡(luò)的故障診斷、狀態(tài)自識別工作的開展提供有力支持。圖2為人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中誤差變化曲線圖，結(jié)合該圖可更深入了解人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用價值，煤礦通風(fēng)機的維修也能夠獲得指導(dǎo)依據(jù)。

2.2 "基于狀態(tài)監(jiān)測系統(tǒng)的采煤機自動化故障檢測診斷

作為綜采工作面的重要機電設(shè)備，采煤機很容易因大量粉塵、潮濕的工作環(huán)境出現(xiàn)故障。為了能夠第一時間發(fā)現(xiàn)故障、解決故障，近年來我國煤礦生產(chǎn)領(lǐng)域的采煤機設(shè)備狀態(tài)監(jiān)測系統(tǒng)普及率不斷升高，這便為采煤機自動化故障檢測診斷奠定了堅實基礎(chǔ)。系統(tǒng)一般由遠(yuǎn)程監(jiān)測系統(tǒng)和機載監(jiān)測系統(tǒng)組成，圖3為典型采煤機設(shè)備狀態(tài)監(jiān)測系統(tǒng)整體架構(gòu)，該系統(tǒng)具備狀態(tài)監(jiān)測、故障診斷、信息管理、可靠性評價等功能。

以某煤礦采煤機出現(xiàn)的齒輪故障為例，該故障屬于采煤機的主要故障，占整機故障30%左右，因此本文圍繞這一故障探討了基于狀態(tài)監(jiān)測系統(tǒng)的采煤機自動化故障檢測診斷。在具體的故障檢測診斷中，需應(yīng)用時域平均分析方法，以此分析系統(tǒng)收集的齒輪箱信號等參數(shù)，由此即可自動分析齒輪箱故障。時域平均分析的要點在于從復(fù)雜信號（攜帶噪聲）中提取特定周期分量，并以此判斷設(shè)備故障，而在同一周期內(nèi)，時域平均分析的開展需保證信號按照相應(yīng)周期截取，信號起始點相同相位的保障也需要得到重視。在齒輪箱故障的診斷中，齒輪所在軸旋轉(zhuǎn)周期一般取整數(shù)倍，且齒輪箱裝置振動信息的收集過程還需要同時對轉(zhuǎn)速脈沖信號進行記錄，由此開展時域平均，觸發(fā)信號平均相加（利用同步脈沖信號整數(shù)倍），隨著平均次數(shù)的不斷增多，嚙合頻率信息、齒輪回轉(zhuǎn)頻率信息均會較好保留，這一過程需保證噪聲信號得到有效消減。通過上述措施，即可獲得振動信號中的周期性成分，配合對所得時域波的觀察分析，即可準(zhǔn)確判斷故障。

圖4為不同狀態(tài)下的齒輪時域平均信號，其中圖4（a）的出現(xiàn)代表齒輪處于正常運行狀態(tài);圖4（b）的出現(xiàn)代表幅值調(diào)制作用對時域平均信號造成了影響，且調(diào)制頻率相對較低;圖4（c）的出現(xiàn)代表齒輪存在嚴(yán)重磨損，且時域統(tǒng)計特征幅值存在顯著增大;圖4（d）的出現(xiàn)代表齒輪出現(xiàn)了較為嚴(yán)重的故障，且現(xiàn)場一般會聽到異常的噪聲，發(fā)現(xiàn)該故障后檢修人員必須第一時間進行修理。

3 "結(jié) 論

綜上所述，煤礦機電設(shè)備中的故障檢測診斷技術(shù)具備較高實用性，在此基礎(chǔ)上，本文涉及的基于人工神經(jīng)網(wǎng)絡(luò)的煤礦通風(fēng)機故障檢測診斷、基于狀態(tài)監(jiān)測系統(tǒng)的采煤機自動化故障檢測診斷等內(nèi)容，則提供了可行性較高的故障檢測診斷技術(shù)應(yīng)用路徑，而為了進一步提高故障檢測診斷水平，結(jié)合實際情況的故障檢測診斷技術(shù)選擇、故障類型與故障特征的非線性關(guān)系明確必須得到重視。

參考文獻(xiàn)

[1]崔東偉.煤礦機電設(shè)備管理中機械故障檢測診斷技術(shù)的應(yīng)用分析[J].山東工業(yè)技術(shù)，2018（21）：87.

[2]王 芳.關(guān)于故障診斷技術(shù)在礦山機電設(shè)備中的實踐運用探索[J].科技視界，2017（03）：102+100.

[3]霍東東.煤礦機電設(shè)備管理中機械故障檢測診斷技術(shù)的應(yīng)用分析[J].科技創(chuàng)新與應(yīng)用，2014（05）：100.

收稿日期：2018-12-7

作者簡介：王洪波（1983-），男，機電工程師、一級建造師，大學(xué)本科，主要從事煤礦機械設(shè)備選型及供配電設(shè)計工作。