基于小波分析的煤礦機電設備故障檢測關(guān)鍵技術(shù)應用研究

張尚星

山東能源新汶礦業(yè)集團有限責任公司華豐煤礦 山東 泰安 271413

引言：我們已經(jīng)進入到智能化時代，通過智能網(wǎng)絡分析，對于煤礦機電設備的故障進行問題探討，不僅可以通過網(wǎng)絡故障診斷的方式降低故障診斷的成本，還可以提高診斷的靈活性，管好、用好煤礦大型關(guān)鍵設備，提高生產(chǎn)的安全性穩(wěn)定性以及連續(xù)性，降低生產(chǎn)成本，減少生產(chǎn)資源浪費。

1 煤礦機電設備故障檢測關(guān)鍵技術(shù)應用的重要性

煤礦機電設備故障主要類型包含通風機故障、皮帶輸送機故障、提升機故障等等，大部分的故障主要都是由于齒輪箱磨損、軸瓦損傷、軸承損傷等原因造成。這些故障會造成設備意外停電，影響煤礦運行的安全性。通過關(guān)鍵技術(shù)，對于核心故障的微弱特征信號進行準確的把握，可以對于故障的演化流程、演化路徑，進行整合與還原，從而站在壽命預測的角度，為維修進行相關(guān)的數(shù)據(jù)支撐，顯著提高整體運行的安全性，推動整個煤礦故障查找，從事后修補的維度，發(fā)展為事前預防的方向，盡可能避免惡性事故的發(fā)生，提高人員運行的安全性。

但是，從目前的技術(shù)發(fā)展角度來看，軸承和齒輪等核心部位的故障信號非常微弱、不穩(wěn)，會受到周圍的電磁信號干擾，信噪比較低，因而，應用智能檢測技術(shù)以及模糊控制技術(shù)，對于這些信號進行優(yōu)化把握，可以顯著提高故障分析的準確程度。

2 故障檢測關(guān)鍵技術(shù)的應用

2.1 智能診斷技術(shù)

智能診斷技術(shù)主要基于現(xiàn)代控制理論，在數(shù)學建模的基礎(chǔ)之上，對于提升機齒輪斷裂、齒輪箱磨損、軸彎損傷等故障進行嚴格的分析，并通過數(shù)學公式判斷，將這些機械劃分為不同的工作模塊對象。

2.1.1 數(shù)學分析模型

智能診斷技術(shù)按照數(shù)字化的精確監(jiān)測，建立相關(guān)的數(shù)學分析模型，并應用對象演變的相關(guān)關(guān)系分析法則，對于深層次故障進行靈活的查找。隨著人工智能技術(shù)的學習能力越來越強，通過這種智能診斷的方式，利用模糊數(shù)據(jù)作為相關(guān)的數(shù)學模型建立基礎(chǔ)，通過推理分析，可以將智能診斷的精準性不斷提高。

智能診斷主要基于綜合數(shù)據(jù)庫技術(shù)、知識庫技術(shù)、解釋器技術(shù)、知識獲取子系統(tǒng)、人機交互子系統(tǒng)等等，通過基本演示，無需輸入大量的細節(jié)知識，就可以對于提升機故障等相關(guān)機械磨損情況，進行組合爆炸分析。這種自學習以及自適應系統(tǒng)，非常適合以煤炭機械故障診斷。

2.1.2 模糊分析方法

模糊診斷方法可以建立集中函數(shù)集合，利用模糊關(guān)系矩陣，來對不同機械故障之間的相關(guān)征兆進行不確定關(guān)系分析。在進行模糊診斷的過程當中：（1）構(gòu)造一個隸屬函數(shù)是基礎(chǔ)性工作。（2）可以根據(jù)模糊變量，對于連續(xù)性可讀集合進行優(yōu)化把控。（3）并根據(jù)比較難確定的模糊數(shù)和隸屬度進行轉(zhuǎn)化分析，探討不同機械故障存在的穩(wěn)定性聯(lián)系。

2.1.3 人工神經(jīng)網(wǎng)絡

人工神經(jīng)網(wǎng)絡也是一種比較有效的智能分析模型之一，應用這種網(wǎng)絡分析，可以對大量復雜的故障節(jié)點，進行相互連接的信息處理，針對故障診斷的模糊識別，進行自學習、自適應、自主聯(lián)想等等，良好的解決傳統(tǒng)模糊識別過程當中都不準確問題，并且對于模糊矩陣當中的相關(guān)數(shù)據(jù)節(jié)點，進行優(yōu)化組合與判斷。

2.1.4 綜合智能診斷思想

除此之外，目前廣泛應用的智能診斷系統(tǒng)，還包含專家系統(tǒng)神經(jīng)網(wǎng)絡組合系統(tǒng)集合而成的綜合智能診斷思想，這種思想綜合了多層次、多角度的集成判斷，可以更加靈活的演示目前的煤礦體系生產(chǎn)過程，對于各個模塊的故障點進行靈活分析，并應用遺傳算法等等，對于故障點的位置進行優(yōu)化探討，從而在集合當中最快速的找到故障點，整合信息，進行智能判斷。并通過多傳感器上傳的相關(guān)數(shù)據(jù)，進行自動分析以及關(guān)聯(lián)優(yōu)化。

2.2 基于小波變換的智能診斷

小波變換主要是在短時傅立葉變換理論的基礎(chǔ)之上發(fā)展而來的一種變化算法，基于這種算法，可以對各個平穩(wěn)信號的辨別進行精準分析，從而處理原有模糊智能矩陣判斷當中，一些由于窗口大小帶來的相關(guān)固定改變問題。在小波理論之下，時間窗和頻率窗都可以通過頻局部化分析的方式，進行優(yōu)化判斷，從而探測正常信號當中夾帶的一些順序反映。也就是說，應用小波判斷等方式，可以更加靈活、自適應的進行微弱信號的捕捉，因而，在煤礦機電故障診斷當中，小波變換具有自適應性，可以對一些故障的微弱信號進行連續(xù)檢測以及自動融合，大大提高智能檢測的精準性以及可信度。

例如，山東某煤礦企業(yè)采用的小波變換智能檢測設備，就針對煤礦提升機以及傳送機的不平衡、不對中、磨損、剝落、裂紋、斷裂、松動、齒輪軸承損壞等多種故障問題，進行自動參數(shù)設置。這種檢測可以通過智能預設的模式，對于報振動傳感器進行相關(guān)的數(shù)據(jù)研制，并且利用智能傳感神經(jīng)網(wǎng)絡分析的信息采集以及處理系統(tǒng)，對于不同的狀態(tài)進行優(yōu)化評估。整個診斷流程包含信息獲取——模型定義——數(shù)據(jù)分析——狀態(tài)評估——儀器開發(fā)系統(tǒng)，可以進一步提高振動傳感器的靈敏度，在現(xiàn)有的控制頻率范圍之內(nèi)，滿足數(shù)據(jù)采集的需求。

在未來，進行小波變換的優(yōu)化，提高整個故障分析的連續(xù)性，還要對信號賦值進行優(yōu)化分析，加入正弦信號等等進行檢測連續(xù)性的提升，對于一些微分突變情況進行系統(tǒng)分析，從而找尋故障檢測當中的一些不確定以及不聯(lián)系的點。對于轉(zhuǎn)速問題故障處理問題進行優(yōu)化控制，提高機器學習的能力，進行知識庫以及數(shù)據(jù)庫的相關(guān)信息交互。

3 結(jié)論

綜上所述，大型故障的處理是一個多層次、多角度的處理系統(tǒng)。從本文的分析可知，基于小波理論，對于煤礦機電設備故障進行智能診斷，有利于我們從發(fā)展的角度，對于目前的智能診斷技術(shù)進行探討。因而，我們要加強邏輯分析以及數(shù)理集成，利用現(xiàn)有的數(shù)學模型進行技術(shù)推演與升級。