基于露天采礦設(shè)備的變頻裝置故障檢測研究

趙慧廣

（中鐵十九局集團(tuán)礦業(yè)投資有限公司，北京 100071）

0 引言

現(xiàn)階段我國露天煤礦采礦設(shè)備中變頻裝置主要應(yīng)用在設(shè)備的電鏟和牙輪鉆等部件中，其部件與提升、加壓及回轉(zhuǎn)等功能模塊形成一套體系。當(dāng)設(shè)備中的變頻裝置出現(xiàn)問題后，在短時(shí)間內(nèi)無法精準(zhǔn)確定故障發(fā)生的原因與機(jī)理，極大影響礦山采礦效率與經(jīng)濟(jì)利益。為此，針對采礦設(shè)備變頻裝置故障問題，本文以應(yīng)用在露天礦中的采礦設(shè)備為例，從檢測方式入手探究變頻裝置出現(xiàn)故障的原因。

1 露天采礦設(shè)備變頻裝置故障的主要原因

應(yīng)用在露天采礦設(shè)備中的變頻裝置一般都設(shè)有欠壓與過壓保護(hù)裝置，若工作電壓超出變頻器設(shè)置的額定區(qū)間后便會導(dǎo)致變頻裝置停機(jī)報(bào)警。采礦設(shè)備正常工作情況下，其變頻裝置的整流出直流側(cè)電壓額定允許偏差區(qū)間在4%～10%，如果超出該范圍采礦設(shè)備變頻裝置的過壓保護(hù)就會啟動(dòng)[1]。此類故障出現(xiàn)的主要原因在于采礦設(shè)備整條功能鏈條的供電網(wǎng)線路過長，且線路線徑相對較小，導(dǎo)致線路起始端的設(shè)備與末端設(shè)備之間存在較大的電壓差，進(jìn)而在整條線路及其元器件中會形成一定強(qiáng)度的勢能，造成變頻裝置故障。

2 檢測設(shè)計(jì)

2.1 密度峰值聚類算法

對于收集露天采礦設(shè)備變頻裝置的數(shù)據(jù)收集技術(shù)而言，密度峰值聚類算法（Density Peak Clustering Algorithm，DPCA）可以不通過迭代數(shù)據(jù)更替即可實(shí)現(xiàn)數(shù)據(jù)的精確化收集，十分貼合露天采礦設(shè)備變頻裝置數(shù)據(jù)收集工作[2]。該方法的實(shí)現(xiàn)機(jī)理在于可以尋找被低密度數(shù)據(jù)區(qū)域分割的高密度數(shù)據(jù)產(chǎn)生區(qū)域。假設(shè)：①聚類中心點(diǎn)下的數(shù)據(jù)密度高于其他點(diǎn)的密度；②隨機(jī)聚類中心點(diǎn)與更高聚類點(diǎn)間的距離相距較遠(yuǎn)。數(shù)據(jù)集“S”，S==1，Is={1，2，…，N}表示相應(yīng)索引序號集，“Xi”表示在中的一個(gè)樣本點(diǎn)。

2.2 密度峰值聚類步驟

首先需要進(jìn)行數(shù)據(jù)的預(yù)處理。

（1）利用z-score 對采集數(shù)據(jù)進(jìn)行歸一化，則：

（2）得出中心點(diǎn)xi與目標(biāo)點(diǎn)xj的距離dij，則：

（3）設(shè)階段距離為dc并根據(jù)截?cái)嗑嚯x計(jì)算出兩點(diǎn)之間的局部密度ρi，按降序進(jìn)行排列則：

（4）得出每個(gè)數(shù)據(jù)點(diǎn)對應(yīng)的最小距離δi。

式（4）表示當(dāng)i 點(diǎn)屬于局部密度的最大點(diǎn)時(shí)求出與i 點(diǎn)最遠(yuǎn)目標(biāo)點(diǎn)的距離。反之求出比i 點(diǎn)密度大且距i 點(diǎn)距離最小的目標(biāo)點(diǎn)。

其次需要明確聚類中心。依據(jù)決策圖設(shè)計(jì)出DPCA 的密度閾值ρth與距離閾值δth。當(dāng)xi存在最小距離δi＞ρth且ρi＞ρth時(shí)，xi可表示聚類中心并添加類別標(biāo)簽。參照對所有數(shù)據(jù)點(diǎn)進(jìn)行過濾搜尋所有的聚類中心。

2.3 密度峰值聚類方法優(yōu)化

綜上所述，DPCA 中超參數(shù)dc對故障數(shù)據(jù)的聚類結(jié)果影響較大。若dc過大則會造成數(shù)據(jù)點(diǎn)的局部密度值差別過小，降低數(shù)據(jù)之間的聚類差異性；若dc過小則會使類簇的結(jié)果變多，縮小聚類的內(nèi)聚性。因此，為準(zhǔn)確獲取露天采礦設(shè)備下變頻裝置的故障問題，應(yīng)當(dāng)獲得一個(gè)最適截?cái)嗑嚯x，以此為密度峰值聚類法的數(shù)據(jù)聚類區(qū)間進(jìn)行劃定。引入K 近鄰的思想設(shè)計(jì)dc的獲取方法[3]。

μk表示的所有均值，即：

2.4 時(shí)序變化過程

通過DPCA 獲得類簇時(shí)序數(shù)據(jù)S={S1，S2，…，St，…，Sn}，其中St表代表t 時(shí)刻下變頻裝置運(yùn)行數(shù)據(jù)所屬類簇編號，S∈{1，2，…，Q}。在該設(shè)計(jì)下露天采礦設(shè)備的運(yùn)行過程便可視為不同類簇間轉(zhuǎn)移的過程，利用類簇的時(shí)序轉(zhuǎn)移概率Pij分析找到采礦設(shè)備下變頻裝置正常運(yùn)行時(shí)的變化規(guī)律。Pij代表從i 類簇向j 類簇轉(zhuǎn)移的概率。

若設(shè)共有Q 簇聚類結(jié)果，那么所有類簇轉(zhuǎn)移的概率分布見表1。

根據(jù)表1 類簇轉(zhuǎn)移概率分布計(jì)算獲得概率轉(zhuǎn)移的時(shí)序P={PS1S2，PS2S3，…，PSn-1Sn}，因該時(shí)序的概率值是在露天采礦設(shè)備變頻裝置正常運(yùn)行下得到，那么此概率值越高便證明兩種類簇之間的相互轉(zhuǎn)移越頻繁，側(cè)映出這種狀態(tài)數(shù)據(jù)下的采礦設(shè)備是正常運(yùn)行的。但是這種情況下的運(yùn)行數(shù)據(jù)隨時(shí)都可以會受到噪聲的影響，導(dǎo)致正常數(shù)據(jù)會在噪聲數(shù)據(jù)影響下出現(xiàn)一定程度的非正常轉(zhuǎn)移（該轉(zhuǎn)移概率較低）影響異常故障的檢測。本文運(yùn)用滑動(dòng)時(shí)間窗口的方式在時(shí)序中獲取均等的正常數(shù)據(jù)轉(zhuǎn)移概率，即轉(zhuǎn)移的大概率，以此來補(bǔ)償因噪聲數(shù)據(jù)影響故障診斷誤差的小概率問題，提高故障判別的準(zhǔn)確率?；瑒?dòng)時(shí)間窗口模型，如圖1 所示。其中一次轉(zhuǎn)移為一個(gè)窗口，W表示時(shí)間滑動(dòng)窗口步長。判斷每個(gè)滑動(dòng)時(shí)間窗口下類簇點(diǎn)的平均轉(zhuǎn)移概率：

圖1 時(shí)間滑動(dòng)窗口模型

表1 所有類簇轉(zhuǎn)移概率分布

3 驗(yàn)證與分析

3.1 檢測設(shè)計(jì)與數(shù)據(jù)

以南昌凱馬的KY-250 為驗(yàn)證對象提前設(shè)備參數(shù)，在變頻器長期工作工況不變的情況下，設(shè)計(jì)變頻裝置的數(shù)據(jù)采樣周期為1 s，其中數(shù)據(jù)標(biāo)簽設(shè)有時(shí)間、母線電壓、輸出（電壓、電流、轉(zhuǎn)矩）以及運(yùn)行頻率[4-6]。實(shí)驗(yàn)訓(xùn)練環(huán)境：python3.6，Linux 操作系統(tǒng)，訓(xùn)練天數(shù)為150 d，采集數(shù)據(jù)見表2。

表2 變頻器運(yùn)行數(shù)據(jù)

3.2 數(shù)據(jù)分析

K 取15，計(jì)算得到dc=0.27。通過DPCA 得到9 個(gè)正常類簇，見圖2。設(shè)滑動(dòng)時(shí)間窗口步長為30，則上述數(shù)據(jù)可以如圖3 所示的方式進(jìn)行展示。

圖2 類簇轉(zhuǎn)移概率分布矩陣

由圖3 中可以看出，滑動(dòng)窗口的平均轉(zhuǎn)移率集中在0.47～0.56 之間，而該信號設(shè)備的正常平均移動(dòng)率應(yīng)當(dāng)集中在0.4～0.5之間[7]，因此可證明本文研究的露天采礦設(shè)備變頻裝置故障檢測方法，能夠通過采集時(shí)間、母線電壓、輸出（電壓、電流、轉(zhuǎn)矩）以及運(yùn)行頻率的方式準(zhǔn)確檢測出故障。

圖3 正常模式下平均轉(zhuǎn)移概率

4 結(jié)語

本文通過PDCA 實(shí)現(xiàn)對露天采礦設(shè)備變頻裝置故障信息的精準(zhǔn)采集，并可以通過時(shí)間、母線電壓、輸出電壓、輸出電流、輸出轉(zhuǎn)矩及運(yùn)行頻率的方式精準(zhǔn)獲取故障產(chǎn)生的參數(shù)。該方法主要利用變頻器監(jiān)測采集數(shù)據(jù)量大的特點(diǎn)，以類簇的方式尋找故障，并通過滑動(dòng)窗口的方式進(jìn)一步精確數(shù)據(jù)類簇的轉(zhuǎn)移情況，以此得到變頻裝置真實(shí)的運(yùn)行數(shù)據(jù)。