掘进机故障诊断和技术支持系统的应用研究

李 涛

（中国煤炭科工集团太原研究院有限公司，山西 太原 030006）

引言

随着煤炭工业的快速发展，功能强大的采煤机应用越来越多，然而其机械结构、控制系统组成相对复杂，且掘进机长期在井下作业，工作环境及其恶劣，故障发生率较高，且故障出现后，巷道内空间狭小，采煤工作中断的同时，井下维修作业难度非常大，造成了间接经济损失[1]。近几年，故障诊断技术在信息技术和网络技术的支持下应用越来越广泛，研究故障诊断技术在掘进机中的应用具有重要意义。

1 掘进机故障诊断的发展模式

掘进机是综合机电液技术一体化产品，整体结构复杂，体积庞大，控制系统形式多样。常见的悬臂式掘进机组成为8个部分，分别完成煤炭的截割、装载、转运输等任务[2]。传统掘进机故障诊断的排查依靠专家经验和理论，该方法存在一定技术困难，尤其是人为排查故障耗时较长，导致维修停产时间也会增加，因此采用新的故障诊断模式将直接提高经济效益。有专业技术统计表明，技术人员排除掘进机故障时，高达70%以上的时间详细确定故障原因及其部位，维修时间不足30%，从维修成本的角度来看，预测维修成本只占事后维修成本的40%左右[3]。目前掘进机维护模式分为三种：事后维修、预防性维修和实时维修。三种维修模式中事后维修成本最低，但容易造成长时间停机，而实时维修模式可有效减少故障发生，但检测成本和对人员要求较高[4]。近50年中三种维修模式变化可以从图1中看出，其中掘进机实时监控维修模式逐年提升。

图1 掘进机维修模式的变化

2 故障诊断技术的模型

在传统的掘进机的设计与制造过程中，往往只注重设备的概念设计、方案论证、制造验证、设计验证和实验测试，尤其是产品样机的验证试验是破坏性的，将实验数据和结果作为设计的二次输入，再次修改设计结构，但是很少有企业注重对掘进机故障的预测，尤其是测试过程各种失效的数据记录，不仅导致设计过程冗长，也会增加设备结构的复杂性，直接增加了掘进机的设计成本和制造周期，也大大制约了产品的更新速度，制约了产品的市场占有率，因此参数监测应该从设计源头开始进行。

人工神经网络可以作为故障诊断模型，人工神经网络模型采用神经元作为网络系统的基本单元，大量的简单的神经元形成了神经网络的总体特性，通过相互连结组成了神经网络。典型的神经元模型主要由神经元输入、络权值和阈值、求和单元、传递函数和输出五部分组成，工作过程如图2所示，设备状态特征参数采用灰色预测和神经网络预测相结合进行故障发展趋势的预判。

图2 神经元模型计算过程

3 掘进机故障诊断推理方法

故障诊断模型是掘进机诊断系统的核心，采用合理案例推理和规则推理集成的诊断决策模型是系统准确度的关键。案例推理方法将故障数据归纳为三类：定量数据，如电机扭矩和转速、轴承温度，原始数据标准化处理并聚类分析；定量逻辑型数据，如电机相位、阀门开关逻辑；定性数据，如振动频率和幅值，用0、1、2等级模糊表示强度。案例推理处理流程如图3所示。

图3 案例推理检索流程

规则推理是利用行业内专家知识实施推理的一种机制，按照某些规则建立了问题与答案的对照关系，并通过软件形成专家系统和数据库，系统运行模式如图4所示。本文将案例推理和规则推理两种规则建立故障诊断系统，系统可利用历史诊断经验，集成了行业专业领域知识库，极大提高了系统故障分辨能力和故障诊断准确性。

图4 规则推理诊断模块

4 掘进机故障诊断和技术服务效果分析

设备工作期间的运行状态有一定差距，采集的掘进机状态特征参数也会有差异，诊断系统会将不同运行模式产生特征参数的变化趋势进行分析，以获得其规律性。在计算机技术和网络技术的快速普及推动下，实现了诊断系统对掘进机定性和定量判断，也可将数据返回到虚拟模型对掘进机的承载状态、零部件间的动态作用力进行分析，高效完成故障诊断，且不易受到环境干扰，并可以远程对使用单位进行技术服务和支持，不仅降低了掘进机厂家的售后成本，也减少了煤炭生产厂家的停车时间。根据经验计算，采用事后维策略的平均故障排除时间为3.5个工作日，其中检查寻找故障约为2个工作日，维修及调试时间为1.5个工作日，实时维修策略实施后，可以将故障排除时间缩短至2个工作日，可以提升约40%的工作效率。

掘进机诊断系统通过传感器将运行状态实时显示在控制面板和监控中心，操作人员依靠设备运行参数作出判断，对掘进机发出正确的工作指令；故障诊断系统将数据保存到服务中数据库硬盘中，掘进机发生故障报警时，数据可成为故障诊断判断依据；故障诊断系统集成了掘进机故障查询、选择、帮助等功能，并设置了详细的功能列表，设备厂家和控制中心均可远程通信，协调处理掘进机设备的故障，技术人员也可对以往案例明细查询，进而了解故障部件的类型、现象、原因和排除措施等。掘进机诊断系统的应用减少了50%的维修人员，既降低了维修工作的难度和强度，也节约了人工成本。