鄭磊

(國能信息技術有限公司，北京 100011)

0 引言

煤礦工作面設備(采煤機、液壓支架、刮板輸送機等)突發(fā)故障造成的非計劃性停機會影響煤礦正常生產，同時會縮短設備使用壽命，增加生產成本[1]。實現(xiàn)工作面設備故障預測及預防性檢修，提高設備的可靠性已成為熱點研究課題[2-3]。

時間序列(時序)分析是一種根據(jù)時序數(shù)據(jù)預測未來發(fā)展趨勢的方法。時序數(shù)據(jù)是同一指標按時間順序記錄的數(shù)據(jù)列，與設備運行相關的時序數(shù)據(jù)是在設備運行階段隨時間獲取的一系列觀測數(shù)據(jù)[4-5]。時序分析通常通過數(shù)據(jù)預處理、建模、預測3個步驟實現(xiàn)趨勢預測，在多個領域得到研究和應用。如E.Erdem等[6]基于時序數(shù)據(jù)，采用自回歸移動平均值預測風速和風向；藺茜等[7]采用長短期記憶(Long Short-Term Memory，LSTM)網絡，根據(jù)電力變壓器監(jiān)測時序數(shù)據(jù)，實現(xiàn)了電力變壓器運行狀態(tài)預測；王超等[8]通過分析與齒輪箱軸承溫度相關的特征時序數(shù)據(jù)，采用LSTM網絡對齒輪箱軸承溫度進行預測，并通過滑動窗口對預測殘差進行合理分析，實現(xiàn)了對齒輪箱軸承故障的有效預測。但鮮有時序分析在煤礦工作面設備故障預測中應用的報道。

本文提出基于時序數(shù)據(jù)對工作面設備進行故障預測。煤礦工作面設備通常由多個復雜系統(tǒng)模塊組成，各模塊間具有強耦合性，且設備故障機理復雜，因此在進行故障預測時需對設備的運行狀態(tài)、環(huán)境參數(shù)、操作數(shù)據(jù)等進行實時監(jiān)測，獲取電氣、機械、熱工類多參數(shù)時序數(shù)據(jù)。本文以國家能源集團神東煤炭集團公司上灣煤礦8.8 m大采高綜采工作面設備為研究對象，采集設備的多狀態(tài)時序數(shù)據(jù)，采用時序數(shù)據(jù)處理中常用的LSTM網絡建立故障預測模型，實現(xiàn)了設備故障的有效預測。

1 工作面設備時序數(shù)據(jù)預處理

上灣煤礦工作面設備各監(jiān)測點數(shù)據(jù)均為單序列變化時序數(shù)據(jù)，根據(jù)數(shù)據(jù)變化記錄時間戳，采樣時間無規(guī)則。以某采煤機4個監(jiān)測點數(shù)據(jù)為例，部分時序數(shù)據(jù)見表1?？煽闯龈鹘M數(shù)據(jù)對應的時間戳均不相同，形成獨特的時序。為便于采用LSTM網絡處理數(shù)據(jù)，需對原始數(shù)據(jù)進行預處理。

表1 采煤機部分時序數(shù)據(jù)

根據(jù)表1數(shù)據(jù)，基于時序對齊算法將時序數(shù)據(jù)對齊并進行前值填充，具體方法：對監(jiān)測數(shù)據(jù)的時間列重新排序，以時間列為關鍵值，各監(jiān)測數(shù)據(jù)作為標簽值填入，對某一時刻空缺值以前值進行填充。對齊后的時序數(shù)據(jù)見表2。

表2 對齊后的采煤機部分時序數(shù)據(jù)

2 故障預測因素集選取

煤礦工作面設備故障種類多，各故障發(fā)生機理不同；單一設備監(jiān)測點多(可達120個)，監(jiān)測數(shù)據(jù)量大[9-12]。針對某一故障選取最合理有效的相關因素是實現(xiàn)故障預測的關鍵環(huán)節(jié)。本文以采煤機過熱跳閘故障為例進行說明。

通過分析采煤機過熱跳閘故障表征現(xiàn)象和發(fā)生機理，得出引發(fā)過熱跳閘故障的相關因素集為{滾筒溫度，滾筒電流，滾筒啟停，變頻器跳閘狀態(tài)，牽引溫度，變頻器設定速度，變壓器溫度，搖臂溫度}。采用Pearson相關系數(shù)分析法[13]對相關因素集進行相關性分析。相關系數(shù)為

(1)

r取值范圍為[-1，1]，r>0表示存在正相關關系，r<0表示存在負相關關系，|r|≤0.3表示不存在線性相關關系，0.3<|r|≤0.5表示存在低度線性相關關系，0.5<|r|≤0.8表示存在顯著線性相關關系，0.8<|r|<1表示存在高度線性相關關系，|r|=1表示存在完全線性相關關系。

1.2.4 處置及改進階段:在培訓過程中,運用PDCA循環(huán)管理,定期總結,在對新入科的CSSD護士進行培訓過程中及時發(fā)現(xiàn)問題,提出改進措施,總結經驗并進行效果評價。消毒供應專業(yè)操作項目雜、設備設施多、工作量大,因此對消毒供應中心新入科護士的培訓是持續(xù)性的。對定期考核的成績應及時分析原因并進行改進。

根據(jù)監(jiān)測數(shù)據(jù)，采煤機過熱跳閘故障相關因素間相關系數(shù)如圖1所示?？煽闯鲎冾l器跳閘狀態(tài)和變頻器設定速度與其他因素間相關系數(shù)較小，因此將這2個因素舍棄，將{滾筒溫度，滾筒電流，滾筒啟停，牽引溫度，變壓器溫度，搖臂溫度}作為過熱跳閘故障預測因素集。

1-滾筒溫度；2-滾筒電流；3-滾筒啟停；4-變頻器跳閘狀態(tài)；5-牽引溫度；6-變頻器設定速度；7-變壓器溫度；8-搖臂溫度；9-過熱跳閘。

3 基于LSTM網絡的多狀態(tài)時序數(shù)據(jù)預測方法

采用LSTM網絡對采煤機過熱跳閘故障進行預測。以故障預測因素集作為LSTM網絡輸入，過熱跳閘故障作為LSTM網絡輸出。LSTM網絡由遞歸神經網絡發(fā)展而來，其細胞結構如圖2所示。

圖2 LSTM網絡細胞結構

細胞狀態(tài)為LSTM網絡的關鍵要素，是整個LSTM網絡的記憶空間。信息是否記憶由控制門控制，包括遺忘門、輸入門和輸出門。

遺忘門控制信息是否遺忘，即以一定的概率控制是否遺忘上一層的隱藏細胞狀態(tài)。圖2中LSTM網絡細胞單元輸入為上一層隱藏細胞狀態(tài)Ht-1(t為當前細胞層數(shù))和本層時序數(shù)據(jù)Xt，通過sigmoid激活函數(shù)(σ)得到遺忘門輸出ft。ft在[0,1]之間，其代表遺忘上一層隱藏細胞狀態(tài)的概率。

輸入門負責處理本層細胞的輸入，包括2個部分：第1部分使用sigmoid激活函數(shù)，輸出it；第2部分使用tanh激活函數(shù)，輸出at。

本層細胞狀態(tài)Ct由2個部分組成：第1部分為上一層細胞狀態(tài)Ct-1和本層細胞遺忘門輸出ft的乘積；第2部分為本層細胞輸入門的it和at乘積。

本層隱藏細胞狀態(tài)Ht的更新由2個部分組成：第1部分為由上一層隱藏細胞狀態(tài)Ht-1和本層時序數(shù)據(jù)Xt通過sigmoid激活函數(shù)得到的Ot；第2部分由本層細胞狀態(tài)Ct通過tanh激活函數(shù)得到的nt。二者相乘得到Ht。

(2)

在實際生產中，遲滯性故障與其相關因素間存在時間累積效應，即相關因素經過一段遲滯時間后才引發(fā)故障。因此故障數(shù)據(jù)與故障發(fā)生前一段時間的相關因素相關。在LSTM網絡訓練階段引入遲滯時間h，將輸入的故障預測因素集通過h與輸出故障數(shù)據(jù)建立聯(lián)系，即

(3)

式(3)表明，預測階段的輸出具有時間段h的滯后性，因此確定遲滯時間段h成為研究重點。

4 試驗及結果分析

根據(jù)采煤機過熱跳閘故障預測因素集，選取實際生產中的9 000組數(shù)據(jù)為訓練集，3 000組數(shù)據(jù)為測試集，正常數(shù)據(jù)與故障數(shù)據(jù)比為10∶1。

對數(shù)據(jù)進行歸一化處理，把數(shù)據(jù)轉換至[-1，1]區(qū)間，將各數(shù)據(jù)絕對值變成相對值，其實質是一種線性變換，不會導致數(shù)據(jù)失效，反而能提高數(shù)據(jù)表現(xiàn)。歸一化公式如下。

(4)

式中：x*為歸一化時序數(shù)據(jù)；x為原始時序數(shù)據(jù)；xmax，xmin分別為原始時序數(shù)據(jù)最大值、最小值。

部分歸一化時序數(shù)據(jù)見表3。滾筒啟停以1表示啟動，0表示停止；過熱跳閘故障以0表示正常，1表示故障。

表3 部分歸一化時序數(shù)據(jù)

設置LSTM網絡細胞層數(shù)為10，隱藏細胞數(shù)為10，學習率為0.001，一次讀取樣本個數(shù)為120。以均方根誤差為指標，確定遲滯時間為60 min。則不同迭代次數(shù)下LSTM網絡迭代損失如圖3所示。從圖3可看出，隨著迭代次數(shù)增加，LSTM網絡迭代損失表現(xiàn)出持續(xù)性遞減，1 500次迭代后損失減小速度較小，驗證了LSTM網絡在時序數(shù)據(jù)下表現(xiàn)出良好的計算性能。確定迭代次數(shù)為1 500，以遲滯時間為變量對LSTM網絡迭代損失進行計算，結果如圖4所示?？煽闯龅鷵p失最小時遲滯時間為30 min。

(a)迭代次數(shù)為1 000

圖4 不同遲滯時間下LSTM網絡迭代損失

根據(jù)上述結果確定LSTM網絡訓練的迭代次數(shù)為1 500，遲滯時間為30 min，采用測試集進行故障預測，結果如圖5所示。預測值為[0，1]，當預測值有明顯上升趨勢或達0.5以上時，表明實現(xiàn)了故障預測。從圖5可看出，實際值在72 min左右達到1(發(fā)生故障)，預測值從46 min開始持續(xù)上升至0.5，實現(xiàn)了故障超前26 min預測，與設定的故障遲滯時間相差4 min，驗證了模型具有良好的預測效果。

圖5 故障預測結果

5 結論

(1)提出采用時序對齊算法對采集的煤礦工作面設備原始時序數(shù)據(jù)進行對齊及前值填充，形成了完備的基礎數(shù)據(jù)集。

(2)采用相關性分析驗證了故障與其影響因素間的相關性，選取了故障預測因素集。

(3)建立了工作面設備故障的LSTM網絡預測模型，根據(jù)工作面遲滯性故障與其相關因素間存在時間累積效應的特點，將遲滯時間段引入預測模型，通過試驗確定了遲滯時間段，并驗證了采用時序數(shù)據(jù)進行工作面設備故障預測的有效性。