基于深度學(xué)習(xí)的煤礦機(jī)電設(shè)備檢測技術(shù)研究

王 靜

（山西省煤炭工業(yè)廳煤炭資源地質(zhì)局， 山西 太原 030045）

引言

煤礦機(jī)電設(shè)備是保證煤礦高效安全生產(chǎn)的重要工具。隨著我國對能源需求的不斷增大，對于煤炭的開采量也會加大，煤礦井下有大量的用于開采、輸送、通風(fēng)和排水的機(jī)械設(shè)備，數(shù)量相當(dāng)龐大。為了保證煤礦安全生產(chǎn)，需要對機(jī)電設(shè)備進(jìn)行定期檢查，以發(fā)現(xiàn)設(shè)備的故障并及時(shí)進(jìn)行維修，從而避免煤礦事故發(fā)生，保證煤礦的生產(chǎn)量[1]。近年來，煤礦事故頻頻發(fā)生，2020 年全國煤礦發(fā)生事故123 起，死亡人數(shù)達(dá)到228 人，其中大部分的煤礦事故是由于安全基礎(chǔ)工作薄弱、設(shè)備故障不能及時(shí)查明并排除最終釀成災(zāi)禍的。所以利用人工智能技術(shù)準(zhǔn)確識別托輥故障和煤礦井下局部高溫環(huán)境工況，將采集到的數(shù)據(jù)進(jìn)行融合分析判斷，及時(shí)發(fā)現(xiàn)潛在隱患報(bào)警并進(jìn)行排除，將會有效避免煤礦事故的發(fā)生。

傳統(tǒng)的煤礦機(jī)電設(shè)備的檢測主要是采用人工進(jìn)行，并且主要是依靠工人的經(jīng)驗(yàn)和簡單檢測裝置進(jìn)行測量，最終檢測結(jié)果的可信度不高，且容易導(dǎo)致檢測結(jié)果錯誤的問題，最終有可能引發(fā)煤礦事故[2]。隨著人工智能技術(shù)的不斷發(fā)展，傳統(tǒng)的利用人工進(jìn)行設(shè)備檢測的方式暴露出很多弊端，迫切要求對機(jī)電設(shè)備的檢測實(shí)現(xiàn)智能化和智慧化。為此，本文首次提出了利用人工智能技術(shù)搭建煤礦機(jī)電設(shè)備智能檢測系統(tǒng)方案，將人工智能技術(shù)融入煤礦機(jī)電設(shè)備的智能檢測，通過對煤礦機(jī)電設(shè)備常見故障進(jìn)行分析，提出利用人工智能技術(shù)進(jìn)行設(shè)備檢測的可能性和可行性，隨后分析了人工智能技術(shù)用于設(shè)備故障檢測的關(guān)鍵技術(shù)方案，通過現(xiàn)場應(yīng)用得出人工智能技術(shù)設(shè)備檢測的效果和結(jié)論。

1 煤礦機(jī)電設(shè)備常見故障類型

煤礦機(jī)電設(shè)備的故障需要根據(jù)設(shè)備自身結(jié)構(gòu)的構(gòu)造和實(shí)際的工作狀況進(jìn)行分析，常見的設(shè)備故障類型[3]分別是設(shè)備性能參數(shù)的下降，振動的異常、聲響異常，磨損殘留物的劇烈增加，排氣成分的變化，過熱現(xiàn)象，裂紋的形成與擴(kuò)展，電壓和電流的劇烈變化等。具體的故障類型和詳細(xì)的表現(xiàn)形式總結(jié)如下：首先是設(shè)備的損壞型故障，包括設(shè)備的斷裂、裂開、點(diǎn)蝕、燒蝕、變形、拉傷、龜裂、壓痕等。隨后是設(shè)備的退化型故障，包括設(shè)備的老化、變質(zhì)、剝落、異常磨損等，然后是設(shè)備的松脫型故障，包括松動和脫落等，還有設(shè)備的失調(diào)型故障，壓力過高或過低、行程失調(diào)、間隙過大或過小、干涉等；設(shè)備的堵塞與滲漏型的故障，堵塞、漏水、漏氣、滲油等；最后是性能衰退或功能失效型故障模式，如功能失效、性能衰退、過熱等[4]。

設(shè)備發(fā)生故障后需要對設(shè)備的故障進(jìn)行分析，傳統(tǒng)的人工分析方式主要是依靠經(jīng)驗(yàn)，憑借以往對于相同設(shè)備或類似設(shè)備出現(xiàn)運(yùn)行異常問題，首先分析故障的表現(xiàn)形式，隨后對故障可能的原因進(jìn)行羅列，并且對故障的原因逐個進(jìn)行檢查和分析，最終篩選出實(shí)際的故障并進(jìn)行維修。在設(shè)備檢測過程中該方式耗費(fèi)的時(shí)間較長，同時(shí)需要的勞動力成本較大，某個煤礦用于機(jī)電設(shè)備的檢測和故障診斷的工人數(shù)量超過幾百人，所以迫切要求采用先進(jìn)的智能化檢測技術(shù)取代傳統(tǒng)的人工檢測，以提高檢測準(zhǔn)確度和速度，有利于提高煤礦生產(chǎn)效率。

2 基于深度學(xué)習(xí)的煤礦機(jī)電設(shè)備檢測方案

2.1 基于神經(jīng)網(wǎng)絡(luò)的煤礦機(jī)電設(shè)備故障診斷原理

神經(jīng)網(wǎng)絡(luò)是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征進(jìn)行分布并進(jìn)行信息處理的算法數(shù)學(xué)模型，主要包括輸入層、中間層和輸出層三層布置，通過建立各個節(jié)點(diǎn)之間的聯(lián)系使得整個系統(tǒng)更加復(fù)雜，處理信息更加準(zhǔn)確。目前神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于機(jī)器學(xué)習(xí)領(lǐng)域，如對帶式輸送機(jī)托輥的故障檢測與診斷、帶式輸送機(jī)異物的識別與跑偏的識別等[5]。

對于常用的BP 神經(jīng)網(wǎng)絡(luò)算法，其本身并不需要分析兩種元素之間的對應(yīng)關(guān)系，只需要設(shè)置對應(yīng)的輸入層和隱藏層，通過自主學(xué)習(xí)自動識別大量的輸入和輸出的對應(yīng)關(guān)系，實(shí)現(xiàn)輸入-輸出的模式映射關(guān)系。如圖1 所示為BP 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖，包括三層結(jié)構(gòu)。

圖1 BP 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

BP 神經(jīng)網(wǎng)絡(luò)包括三層結(jié)構(gòu)，分別是輸入層、隱藏層和輸出層，是一種按誤差傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，學(xué)習(xí)的主要規(guī)格是使用最速下降法，通過不斷自動調(diào)整網(wǎng)絡(luò)的權(quán)重，使得網(wǎng)絡(luò)的誤差平方和最小，從而達(dá)到優(yōu)化。

圖2 所示為神經(jīng)網(wǎng)絡(luò)BP 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程與故障診斷機(jī)理示意圖。

采用如圖2 所示的BP 神經(jīng)網(wǎng)絡(luò)算法，首先需要獲取到足夠多的樣本參數(shù)，通過現(xiàn)場實(shí)際獲取到的大量樣本參數(shù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。只有數(shù)據(jù)足夠多，才能夠保證訓(xùn)練出的樣本更加符合實(shí)際工況，輸入模型中的外部測試數(shù)據(jù)與模型中已有的樣本特征進(jìn)行比對，最終輸出故障診斷的結(jié)果。

圖2 BP 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程與故障診斷機(jī)理

2.2 基于機(jī)器學(xué)習(xí)的故障庫和專家?guī)煜到y(tǒng)設(shè)計(jì)

針對傳統(tǒng)的利用BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行機(jī)電設(shè)備故障檢測需要大量的模型進(jìn)行訓(xùn)練，要求樣本具有足夠多的數(shù)據(jù)，為了得到最終合理的結(jié)果，工作量較大，為此提出了利用深度學(xué)習(xí)技術(shù)開發(fā)出故障專家系統(tǒng)識別煤礦機(jī)電設(shè)備故障，目前國內(nèi)利用專家系統(tǒng)的案例并不多，尤其是在煤礦井下機(jī)電設(shè)備檢測方面，通過搭建煤礦井下機(jī)電設(shè)備故障專家系統(tǒng)實(shí)現(xiàn)快速檢測和識別。

專家系統(tǒng)是作為一種“基于知識”的人工智能診斷系統(tǒng)，主要通過自身的知識和經(jīng)驗(yàn)，對所對應(yīng)的模擬人類專家的一些決策過程解決需要專家處理的復(fù)雜問題，進(jìn)行推理和判斷。如圖3 所示為專家系統(tǒng)流程圖。

圖3 專家系統(tǒng)故障診斷流程圖

專家系統(tǒng)主要由知識庫、推理機(jī)、綜合數(shù)據(jù)庫、解釋程序和知識獲取程序五部分組成，通過人機(jī)交互界面實(shí)現(xiàn)用戶、專家與整個專家系統(tǒng)的交互，包括對專家系統(tǒng)進(jìn)行輸入專業(yè)知識和解釋定義知識概念和功能等。從圖3 中可知，在故障診斷系統(tǒng)中引入了知識庫管理和維護(hù)模塊、測量模塊，通過傳感器采集故障信號，利用神經(jīng)網(wǎng)絡(luò)算法對故障信號進(jìn)行初步提取和過濾，并對某些關(guān)鍵特征信號進(jìn)行加強(qiáng)，最后收錄到數(shù)據(jù)庫中，通過推理機(jī)得到故障類型和診斷結(jié)果，作為知識庫管理和維護(hù)模塊的參考輸入，豐富完善故障知識庫，實(shí)現(xiàn)故障自學(xué)習(xí)、自動診斷。

3 現(xiàn)場應(yīng)用案例與效果

將本次設(shè)計(jì)的這套新型機(jī)電設(shè)備智能檢測系統(tǒng)布置在煤礦井下，利用傳感器將所有機(jī)電設(shè)備連接到中央控制器，通過現(xiàn)場接線和調(diào)試，建立煤礦井下機(jī)電設(shè)備智能檢測系統(tǒng)人機(jī)操作界面。利用該套系統(tǒng)可以實(shí)現(xiàn)對機(jī)電設(shè)備的智能實(shí)時(shí)在線監(jiān)控，并且當(dāng)設(shè)備發(fā)生故障時(shí)會及時(shí)進(jìn)行報(bào)警，事故發(fā)現(xiàn)率高達(dá)98.95%，報(bào)警響應(yīng)時(shí)間＜8 s，大大降低了傳統(tǒng)的設(shè)備檢測成本，提高了設(shè)備的檢測效率，從而有效避免煤礦事故的發(fā)生，保證煤礦安全高效生產(chǎn)。

4 結(jié)語

針對傳統(tǒng)的煤礦機(jī)電設(shè)備檢測存在工人勞動強(qiáng)度大、檢測技術(shù)落后、檢測誤報(bào)率較高等問題，本文通過對煤礦機(jī)電設(shè)備常見故障進(jìn)行分析，利用人工智能技術(shù)搭建了煤礦機(jī)電設(shè)備智能檢測系統(tǒng)方案，實(shí)現(xiàn)對煤礦機(jī)電設(shè)備的故障檢測和運(yùn)行檢測，提出了一種新的檢測方法和手段，通過現(xiàn)場應(yīng)用表明：該套智能檢測方案響應(yīng)速度快、設(shè)備檢測準(zhǔn)確度高、可在線進(jìn)行監(jiān)控、減少了人為參與，不再受工作人員經(jīng)驗(yàn)的限制，降低了傳統(tǒng)人工檢測的成本，有效避免煤礦事故發(fā)生，保證煤礦開采的安全運(yùn)行。