摘要：隨著煤礦智能化設(shè)備需求不斷增加，傳統(tǒng)設(shè)備故障診斷技術(shù)不足以滿足現(xiàn)代煤炭全生命周期設(shè)備故障診斷的準(zhǔn)確性和實(shí)時(shí)性要求。因此本研究采用薄膜電阻溫度檢測(cè)器，實(shí)現(xiàn)對(duì)故障數(shù)據(jù)采集，同時(shí)運(yùn)用數(shù)據(jù)模型和非線性貢獻(xiàn)圖，對(duì)全生命周期設(shè)備的故障數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理與分析。實(shí)驗(yàn)結(jié)果表明，基于數(shù)據(jù)模型設(shè)備故障診斷技術(shù)對(duì)聚氨酯膠墊溫度異常故障的識(shí)別靈敏度為95.3%，特異性為97.6%，識(shí)別準(zhǔn)確率為92.1%。而神經(jīng)網(wǎng)絡(luò)模型的聚氨酯膠墊溫度異常故障的識(shí)別靈敏度僅為70.6%。當(dāng)誤報(bào)次數(shù)不大于3次時(shí)，數(shù)據(jù)模型方法仍具有較高的診斷精度，最小精度達(dá)到92.1%。且當(dāng)系統(tǒng)CPU處理信號(hào)并開始故障診斷時(shí)，總功耗約為240 W。因此利用數(shù)據(jù)模型可以有效提高煤礦全生命周期設(shè)備的故障診斷準(zhǔn)確率。

關(guān)鍵詞：數(shù)據(jù)模型；全生命周期；聚氨酯膠墊；設(shè)備故障診斷；貢獻(xiàn)圖法

中圖分類號(hào)：TQ536.9；TP311.13文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1001-5922（2025）04-0130-04

Research on the application of equipment fault diagnosis based on the whole life cycle of data model

CUI Jie1，TENG Yunlong1，SONG Guodong2，HU Eryi2，WU Benliang1

（1.Shanghai Da Tun Energy Holding Co.，Ltd.，Shanghai 201306，China；

2.Information Research Institute of the Ministry of Emergency Management，Beijing 100029，China）

Abstract：With the increasing demand for intelligent equipment in coal mines，the traditional equipment fault diag?nosis techniques are insufficient to meet the accuracy and real-time requirements of modern coal life cycle equip?ment fault diagnosis.Therefore，this study uses a thin film resistance temperature detector to collect fault data.At the sametime，the data model and nonlinear contribution diagram are used to standardize and analyze the fault data of the whole life cycle equipment.The experimental results show that the recognition sensitivity of the equipment fault diagnosis technology based on data model to the abnormal temperature fault of polyurethane pad is 95.3%，the specificity is 97.6%，and the recognition accuracy is 92.1%.The recognition sensitivity of the neural network model for the abnormal temperature fault of the polyurethane pad is only 70.6%.When the number of 1 positives is not more than 3 times，the data model method still has high diagnostic accuracy，and the minimum accuracy reaches 92.1%.And when the system CPU processes the signal and starts the fault diagnosis，the total power consumption is about 240 W.Therefore，the use of data models can effectively improve the accuracy of fault diagnosis for coal mine equipment throughout its lifecycle.

Keywords：data model；full lifecycle；polyurethane rubber pad；equipment fault diagnosis；contribution graph method

傳統(tǒng)的煤炭工業(yè)控制系統(tǒng)安全故障診斷主要針對(duì)煤炭設(shè)備的機(jī)械故障[1]。而隨著智能制造業(yè)的迅速發(fā)展，工業(yè)智能控制設(shè)備之間的數(shù)據(jù)連接日益緊密，操作環(huán)境也日益復(fù)雜，使全生命周期設(shè)備控制和保護(hù)的難度進(jìn)一步增大。當(dāng)前基于專家知識(shí)的傳統(tǒng)安全故障診斷技術(shù)存在成本高、效率低的問題，難以滿足現(xiàn)代煤炭全生命周期設(shè)備故障診斷的準(zhǔn)確性和實(shí)時(shí)性要求[2-3]，因此本研究從設(shè)備全生命周期管理的運(yùn)行狀態(tài)數(shù)據(jù)，探究基于數(shù)據(jù)驅(qū)動(dòng)的煤炭設(shè)備安全故障診斷技術(shù)。其中，路東興[4]學(xué)者等人利用數(shù)字孿生模型對(duì)發(fā)電機(jī)組進(jìn)行狀態(tài)監(jiān)測(cè)和故障檢測(cè)。盡管數(shù)字孿生模型方法具有良好的適應(yīng)性，可以提高故障檢測(cè)時(shí)間，但很難準(zhǔn)確確定信號(hào)之間的關(guān)系。李國(guó)維學(xué)者[5]等人提出知識(shí)圖譜的故障診斷系統(tǒng)，該方法可以反向跟蹤設(shè)備故障，但該方法需要大量數(shù)據(jù)，且建模過程復(fù)雜，精度較低。上述算法均具有一定的代表性，但存在故障檢測(cè)耗時(shí)長(zhǎng)的問題，很少應(yīng)用于全生命周期的煤炭設(shè)備故障檢測(cè)。基于此，本研究引入數(shù)據(jù)模型，對(duì)煤炭設(shè)備全生命周期內(nèi)產(chǎn)生的故障數(shù)據(jù)進(jìn)行系統(tǒng)性處理。同時(shí)，選用具備高靈敏度和快速熱響應(yīng)特性的薄膜電阻溫度檢測(cè)器，負(fù)責(zé)故障數(shù)據(jù)的采集工作，加快數(shù)據(jù)采集速度。此外，運(yùn)用非線性貢獻(xiàn)圖對(duì)煤炭設(shè)備各個(gè)測(cè)點(diǎn)的關(guān)鍵故障參數(shù)進(jìn)行計(jì)算與分析，從而精準(zhǔn)實(shí)現(xiàn)設(shè)備的異常檢測(cè)。

1基于數(shù)據(jù)模型的設(shè)備故障檢測(cè)診斷模型

1.1煤礦智能化設(shè)備故障分析

煤礦智能化設(shè)備在運(yùn)行過程中，因長(zhǎng)期處于高溫環(huán)境中，設(shè)備中的聚氨酯膠墊易發(fā)生老化。而聚氨酯膠墊老化會(huì)進(jìn)一步影響設(shè)備的正常運(yùn)行，造成設(shè)備零部件松動(dòng)，從而導(dǎo)致設(shè)備發(fā)生漏電、溫度異常等故障。而聚氨酯膠墊會(huì)出現(xiàn)老化現(xiàn)象，主要是由于在聚氨酯膠墊的生產(chǎn)制造過程中，原材料的選擇和配方設(shè)計(jì)不合理，比如膠料配方中添加的化學(xué)助劑（如增塑劑、防老劑等）用量過大，或者膠料配方中使用的交聯(lián)劑量過大，導(dǎo)致橡膠在生產(chǎn)過程中無(wú)法正常固化和交聯(lián)，使聚氨酯膠墊在使用過程中發(fā)生交聯(lián)反應(yīng)而導(dǎo)致產(chǎn)品老化[6-9]。此外當(dāng)煤礦智能化設(shè)備溫度超過65℃時(shí)，聚氨酯膠墊發(fā)生脆化現(xiàn)象，且出現(xiàn)熱老化現(xiàn)象，如橡膠的軟化、龜裂等。聚氨酯膠墊受熱后出現(xiàn)熱老化現(xiàn)象主要是由于硫化過程中產(chǎn)生的副反應(yīng)造成，如二硫化四乙烯基酚（4 DVB）和二硫化二苯基甲烷（2 DVB）等副反應(yīng)。聚氨酯膠墊老化對(duì)煤礦智能化設(shè)備的正常運(yùn)行影響較大，若不及時(shí)更換聚氨酯膠墊或利用膠水修復(fù)聚氨酯膠墊裂縫，會(huì)進(jìn)一步加大煤礦智能化設(shè)備故障率，因此需要利用傳感器監(jiān)測(cè)聚氨酯膠墊溫度變化情況。

1.2薄膜電阻溫度檢測(cè)器制備

為監(jiān)測(cè)聚氨酯膠墊溫度及設(shè)備電阻變化，制備薄膜電阻溫度檢測(cè)器：選用氧化鋁作為基底，采用直流磁控濺射技術(shù)沉積鎳薄膜。在沉積薄膜之前，先用丙酮、酒精和去離子水對(duì)基片進(jìn)行超聲波清洗，用氮?dú)膺M(jìn)行干燥，去除表面的雜質(zhì)；濺射靶材為直徑為4 mm、純度為99.99%的鎳盤；真空室的基本真空度為8×10-4 Pa，通入氬氣（Ar）作為濺射氣體；氣體的流速由質(zhì)量流量控制器控制；為進(jìn)一步清潔靶材表面，先預(yù)濺射10 min；濺射過程中，調(diào)整基片溫度、濺射壓力和功率等關(guān)鍵參數(shù)；最后通過金屬掩膜，把沉積好的鎳薄膜加工成薄膜電阻溫度檢測(cè)器[10-13]。

1.3設(shè)備故障在線監(jiān)測(cè)和診斷

將薄膜電阻溫度檢測(cè)器粘貼在煤炭設(shè)備及聚氨酯膠墊表面，檢測(cè)器的輸入和輸出端分別與負(fù)載和數(shù)據(jù)采集系統(tǒng)的電源端相連，運(yùn)用數(shù)字轉(zhuǎn)換器采集高速數(shù)據(jù)，采樣率設(shè)置為125 MS/s。經(jīng)過訓(xùn)練，數(shù)據(jù)模型可用于在線監(jiān)測(cè)診斷煤礦設(shè)備故障。對(duì)于新輸入的變量樣本xnew eRl根m，數(shù)據(jù)標(biāo)準(zhǔn)化處理應(yīng)與訓(xùn)練模型統(tǒng)一[14-16]。采用數(shù)據(jù)模型進(jìn)行監(jiān)測(cè)時(shí)，數(shù)據(jù)矩陣X的投射方向矩陣必須以訓(xùn)練模式為基礎(chǔ)，R（R=[r1，r2，?，rA]），即T=XR。因此，可以直接求出主成分矩陣。測(cè)量樣本得分和殘差：

〈（tnew=xnew R T（1）

用T2和SPE統(tǒng)計(jì)（Q統(tǒng)計(jì)量）描述系統(tǒng)和殘差的波動(dòng)：

〈x?2（ew）Λ-1tnew（2）

式中：Λ為訓(xùn)練模型樣本分?jǐn)?shù)的協(xié)方差矩陣，即

2種統(tǒng)計(jì)量的控制限計(jì)算如下：

〈Tuc（2）l（α）=FA n-Aα

SPEu（2）cl（α）=?χh（2）α

式中：?=h=，μ為統(tǒng)計(jì)量的均值；S為方差。將數(shù)據(jù)模型用于在線監(jiān)測(cè)。首先構(gòu)建樣本的核矩陣如下：

Knew=[k（x1 xnew）k（x2 xnew）…k（xn xnew）]e Rl根n

式中：IN=[1…1]e Rl根n。待測(cè)樣本的得分矩陣計(jì)算如下：

tnew=Knew U（TT KU）-1（5）

T2統(tǒng)計(jì)量、在線監(jiān)測(cè)模型控制限和SPE控制限的計(jì)算與偏最小二乘法相同。則SPE統(tǒng)計(jì)量的計(jì)算方法如下：

SPE=ti2-ti2（6）

在實(shí)際煤炭設(shè)備故障應(yīng)用中，當(dāng)T2與SPE 2項(xiàng)指標(biāo)都在允許范圍內(nèi)時(shí)，設(shè)備運(yùn)行正常。當(dāng)兩個(gè)指標(biāo)都超出標(biāo)準(zhǔn)時(shí)，則判定設(shè)備發(fā)生故障。

2實(shí)驗(yàn)結(jié)果分析

2.1設(shè)備故障診斷性能變化

鎳薄膜是低溫環(huán)境下的理想傳感材料。它熱響應(yīng)快、電阻溫度依賴性高，相比鉑，對(duì)設(shè)備基底附著力更強(qiáng)，利于低溫薄膜沉積，而且鎳表面能形成致密氧化層，具備良好的耐腐蝕性與抗氧化性。因此，本研究選擇薄膜電阻溫度檢測(cè)器對(duì)煤炭設(shè)備進(jìn)行故障數(shù)據(jù)采集，并將采集到的故障數(shù)據(jù)進(jìn)行預(yù)處理。研究選取90例煤炭設(shè)備故障作為訓(xùn)練集，通過訓(xùn)練集訓(xùn)練數(shù)據(jù)模型[17-19]。訓(xùn)練集中有41例煤炭設(shè)備聚氨酯膠墊溫度異常故障、22例電壓異常故障和27例主回路漏電異常故障。同時(shí)，數(shù)據(jù)模型訓(xùn)練迭代次數(shù)設(shè)置為1000次。數(shù)據(jù)模型訓(xùn)練完成后，利用靈敏度、特異性和準(zhǔn)確率等參數(shù)，比較數(shù)據(jù)模型和神經(jīng)網(wǎng)絡(luò)模型的全生命周期設(shè)備故障診斷效果。本研究所使用的計(jì)算機(jī)配置為；Intel i7-11700K處理器、128GB內(nèi)存和NVIDIA GeForce RTX 3080Ti顯卡，Windows 10操作系統(tǒng)，并在Python 3.7實(shí)現(xiàn)所提出的模型框架。

如圖1（a）、（b）所示，經(jīng)過訓(xùn)練后，所提出的基于數(shù)據(jù)模型設(shè)備故障診斷技術(shù)對(duì)聚氨酯膠墊溫度異常故障的識(shí)別靈敏度為95.3%，相應(yīng)的特異性為97.6%，識(shí)別準(zhǔn)確率為92.1%。而神經(jīng)網(wǎng)絡(luò)模型的聚氨酯膠墊溫度異常故障的識(shí)別靈敏度僅為70.6%，較數(shù)據(jù)模型降低34.98%。在煤炭設(shè)備電壓故障異常診斷中，神經(jīng)網(wǎng)絡(luò)模型的特異性及準(zhǔn)確率均得到較好的檢測(cè)診斷結(jié)果，數(shù)值均大于89%，僅靈敏度數(shù)值較?。?8.2%）。而數(shù)據(jù)模型的在線檢測(cè)診斷結(jié)果中，準(zhǔn)確率高達(dá)96.3%，特異性為97.3%，且特異性越高，故障診斷效果較好，進(jìn)一步表明電壓異常故障較宜被診斷識(shí)別。當(dāng)主回路漏電異常故障時(shí)，基于數(shù)據(jù)模型技術(shù)的全生命周期設(shè)備故障識(shí)別靈敏度、特異性和準(zhǔn)確率分別為96.8%、98.2%和94.3%。而神經(jīng)網(wǎng)絡(luò)模型的靈敏度、特異性和準(zhǔn)確率分別為89%、87.6%、88.4%，數(shù)據(jù)模型的診斷結(jié)果遠(yuǎn)高于神經(jīng)網(wǎng)絡(luò)模型的診斷結(jié)果，主要原因?yàn)閿?shù)據(jù)模型利用過程變量和質(zhì)量變量對(duì)設(shè)備故障數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，并利用非線性貢獻(xiàn)圖法對(duì)設(shè)備異常點(diǎn)采樣，進(jìn)一步提高全生命周期的煤炭設(shè)備故障診斷效率。

2.2故障診斷誤報(bào)精度變化

在實(shí)際全生命周期的設(shè)備故障診斷中，煤礦故障診斷的故障特征信息可能會(huì)發(fā)生誤報(bào)或漏報(bào)。因此為了驗(yàn)證所提方法在故障數(shù)據(jù)信息誤報(bào)情況下是否具有較高的診斷精度，對(duì)不同數(shù)據(jù)大小及誤報(bào)次數(shù)條件下的診斷精度進(jìn)行測(cè)試，測(cè)試結(jié)果如圖2所示。

由圖2可知，當(dāng)設(shè)備故障特征信息被誤報(bào)時(shí)，數(shù)據(jù)模型具有非常強(qiáng)的抗過擬合能力。當(dāng)故障特征信息中存在1次和2次誤報(bào)時(shí)，診斷精度仍較高，數(shù)據(jù)量為10 MB時(shí)，精度分別為97%和92%。當(dāng)誤報(bào)信息達(dá)到3時(shí)，診斷精度最大為92.1%，最小為88.7%。而當(dāng)誤報(bào)次數(shù)為4次時(shí)，診斷精度明顯下降，最小診斷精度為78.4%。因此，當(dāng)誤報(bào)次數(shù)小于等于3次時(shí)，數(shù)據(jù)模型方法仍具有較高的診斷精度。隨著誤報(bào)數(shù)量的增加，設(shè)備故障特征信息的誤報(bào)將嚴(yán)重影響數(shù)據(jù)模型對(duì)全生命周期的設(shè)備故障的診斷。通過觀察可知，隨著數(shù)據(jù)量增加，診斷精度呈下降趨勢(shì)，主要原因?yàn)閿?shù)據(jù)量越大，故障診斷監(jiān)測(cè)模型在線訓(xùn)練的核函數(shù)越難趨于收斂，會(huì)進(jìn)一步影響模型的收斂速度，且當(dāng)設(shè)備故障特征信息被誤報(bào)時(shí)，會(huì)進(jìn)一步增加數(shù)據(jù)量，從而導(dǎo)致診斷精度下降。當(dāng)誤報(bào)次數(shù)為1時(shí)，數(shù)據(jù)量為10 MB時(shí)，診斷精度為98.5%，數(shù)據(jù)量為30 MB時(shí)，診斷精度為94.9%，較數(shù)據(jù)量10 MB下降3.79%。

2.3故障檢測(cè)時(shí)間及功耗消耗

為進(jìn)一步檢驗(yàn)數(shù)據(jù)模型的時(shí)間消耗性能及故障檢測(cè)過程中CPU功耗消耗，對(duì)故障檢測(cè)時(shí)間及功耗消耗進(jìn)行測(cè)試分析如圖3所示。

實(shí)驗(yàn)結(jié)果表明，CPU空閑時(shí)，功耗約為30 W。當(dāng)CPU獲取信號(hào)時(shí)，功耗約為35 W。當(dāng)CPU處理信號(hào)并開始故障診斷時(shí)，總功耗約為240 W。故障開始檢測(cè)診斷時(shí)間為16.5 ms，隨著時(shí)間增加及數(shù)據(jù)模型開始診斷故障，CPU功耗消耗變化趨勢(shì)較小，平均功耗為245.6 W。

基于數(shù)據(jù)模型的故障發(fā)現(xiàn)時(shí)間到故障開始診斷時(shí)間僅為8.5 ms，為了保證算法本身的收斂性和計(jì)算結(jié)果的準(zhǔn)確性，數(shù)據(jù)模型需要大規(guī)模的隨機(jī)仿真，計(jì)算時(shí)間較短。因此，數(shù)據(jù)模型方法在全生命周期的煤礦設(shè)備診斷過程中，可以節(jié)省計(jì)算時(shí)間，模型算法具有較高效率，且CPU功耗消耗較低。

3結(jié)語(yǔ)

數(shù)據(jù)模型可以有效識(shí)別診斷聚氨酯膠墊溫度異常故障、電壓異常故障和主回路漏電異常故障，電壓異常故障較宜被診斷識(shí)別，靈敏度、特異性和準(zhǔn)確率均大于90%，且數(shù)據(jù)模型的診斷效果遠(yuǎn)高于神經(jīng)網(wǎng)絡(luò)模型。

當(dāng)設(shè)備故障特征信息被誤報(bào)時(shí)，數(shù)據(jù)模型具有非常強(qiáng)的抗過擬合能力。當(dāng)誤報(bào)信息達(dá)到3時(shí)，診斷精度最大為92.1%，最小為88.7%。而當(dāng)誤報(bào)次數(shù)為4次時(shí)，診斷精度明顯下降，最小診斷精度為78.4%。

基于數(shù)據(jù)模型的故障發(fā)現(xiàn)時(shí)間到故障開始診斷時(shí)間僅為8.5 ms，當(dāng)CPU處理信號(hào)并開始故障診斷時(shí)，總功耗約為240 W，數(shù)據(jù)模型方法在全生命周期的煤礦設(shè)備診斷過程中，可以節(jié)省計(jì)算時(shí)間，模型算法具有較高效率。

【參考文獻(xiàn)】

[1]唐承娥，朱冬冬，明鑫.基于卷積神經(jīng)網(wǎng)絡(luò)的電氣設(shè)備故障診斷研究[J].中阿科技論壇（中英文），2024（2）：103-107.

[2]鄒一方.基于機(jī)器學(xué)習(xí)的CT設(shè)備故障自動(dòng)化識(shí)別系統(tǒng)[J].自動(dòng)化技術(shù)與應(yīng)用，2024，43（1）：134-138.

[3]胡延偉，何文飛，任龍飛，等.基于灰色模型的電極鍋爐設(shè)備故障檢測(cè)分析[J].機(jī)械制造與自動(dòng)化，2023，52（6）：229-232.

[4]路東興.基于數(shù)字孿生模型的設(shè)備設(shè)計(jì)中故障診斷技術(shù)研究[J].科技資訊，2023，21（23）：116-119.

[5]李國(guó)維，袁小龍，姜小賓，等.面向電廠關(guān)鍵設(shè)備故障知識(shí)圖譜構(gòu)建的關(guān)系抽取方法研究[J].電力大數(shù)據(jù)，2023，26（11）：41-50.

[6]王思遠(yuǎn)，宋鑫.基于大數(shù)據(jù)算法模型的電力運(yùn)維故障診斷方法研究[J].信息與電腦（理論版），2023，35（19）：43-45.

[7]王保軍，呂玉蘭.基于螢火蟲算法和LabCVI的煤礦機(jī)械液壓系統(tǒng)故障診斷研究[J].煤炭技術(shù)，2023，42（10）：224-227.

[8]韋偉，鄭楊，袁嘉梁，等.軌道交通設(shè)備故障知識(shí)圖譜構(gòu)建與應(yīng)用研究[J].中國(guó)新技術(shù)新產(chǎn)品，2023（17）：53-55.

[9]馮昭凱，白華，喬運(yùn)華，等.基于云平臺(tái)的動(dòng)態(tài)化設(shè)備智能診斷算法模型構(gòu)建方案[J].制造業(yè)自動(dòng)化，2023，45（8）：183-187.

[10]尹響.深度學(xué)習(xí)算法在垃圾焚燒發(fā)電廠電氣設(shè)備故障診斷中的應(yīng)用研究[J].中國(guó)機(jī)械，2023（22）：77-80.

[11]陳人教.基于聚類算法的水處理機(jī)設(shè)備故障診斷方法設(shè)計(jì)[J].自動(dòng)化應(yīng)用，2023，64（9）：140-142.

[12]鄒澤華，王代春，韓媛媛.基于大數(shù)據(jù)挖掘的集控設(shè)備故障處置輔助決策方法[J].測(cè)試技術(shù)學(xué)報(bào)，2023，37（3）：235-242.

[13]王寧，王恩路，韓則胤，等.基于BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電設(shè)備故障檢測(cè)方法研究[J].自動(dòng)化儀表，2023，44（3）：88-90.

[14]齊鵬，程力涵，彭寧賓.基于關(guān)聯(lián)規(guī)則的配網(wǎng)設(shè)備故障自動(dòng)檢測(cè)研究[J].微型電腦應(yīng)用，2023，39（2）：115-118.

[15]孫玉泰，謝占蘭.基于粒子濾波狀態(tài)估計(jì)的HGIS設(shè)備SF6氣體故障診斷[J].粘接，2023，50（7）：145-149.

[16]趙君，查園園.基于改進(jìn)貝葉斯網(wǎng)絡(luò)的車載設(shè)備故障診斷研究[J].信息與電腦（理論版），2022，34（24）：87-91.

[17]金海勇，吳其樂，劉騰澤.基于模糊控制和大數(shù)據(jù)算法模型的電力運(yùn)維故障診斷設(shè)備方法[J].計(jì)算機(jī)測(cè)量與控制，2022，30（11）：71-76.

[18]楊帆，張文娟，孫劍偉，等.通過振動(dòng)信號(hào)判斷機(jī)械設(shè)備故障方法研究[J].粘接，2020，41（4）：171-175.

[19]楊廷勝，盧志鵬，苗厚利.基于PMS的設(shè)備故障數(shù)據(jù)分析模型構(gòu)建及仿真[J].粘接，2022，49（7）：165-169.

（責(zé)任編輯：李睿）