矿山机械电气设备故障分析与检修论文

　　摘要：正确检测和诊断故障系统部件对高效采矿作业至关重要，然而，恶劣的采矿环境给这类作业带来了特殊的挑战。空气潮湿、肮脏且有潜在危害性，设备位于远离车间设施的密闭区域。加上停工成本的增加和采矿设备的复杂性，促进研究人员和操作员研究出了提高设备可维护性的替代方案。本文对采矿设备的可能故障进行了分析并且提出一系列设备维护工作的可行性。在故障检测和诊断的背景下讨论专家系统、基于模型的方法和神经网络。同时讨论了电气设备状态监测的最新技术，以便读者了解该领域的趋势和挑战。

 

　　关键词：矿山；电气设备；故障监测检修

 

　　电气设备的状态监测和故障诊断越来越受关注。这是因为电气设备在矿山机械中的重要作用日益增加。电气设备容易出现故障，因为与之相关的机械运动部件、恶劣的工业环境等等都会影响设备的使用寿命，带来极高的故障发生的概率。常规维护技术可大致分为两类：反应性维护和预防性维护。预防性维护主要与系统的定期检修以及是否需要维护有关，而反应性维护则在故障已经发生时发挥作用。然而，这两种方法都不适合矿山工业环境，因为它们带来重大的经济影响，属于被动维护，机器损坏会使生产过程使中断。

 

 

　　设备故障造成的延误被认为是采矿业生产损失和生产率降低的重要原因。设备故障导致的停机时间在不同的操作中差异很大，据估计，设备维护消耗的时间占总操作时间的5%~15%。此外，由于采矿的性质，一台设备的故障可能会导致矿山的大部分环节停工。例如，连续采矿机的故障将导致作业区的生产停止，主要运输电气设备的故障可能导致整个矿井闲置。这类停工会造成成本的增加，并可能给矿山运营收入带来损失。系统故障原因识别的困难归因于以下几个因素：科技的日新月异也带来了设备的升级与更新换代，设备的更替也被认为是监控和诊断背后的核心困难，随着在采矿作业中越来越多地使用复杂设备和自动化程序，这将成为一个更大的问题。采矿环境也有一些独特的因素阻碍了设备故障的检测和诊断。首先，设备通常分布在一个大区域，这使得检验人员很难随时采取行动，而且耗费大量时间。第二，许多电气部件都安装在防爆外壳内。取下盖子进行测量、检查连接等都很耗时，检查完毕还需要重新进行安装，大幅降低了工作效率。第三，采矿环境通常潮湿肮脏，执行诊断行动的空间受到严重限制。

 

　　由于这些条件，基于传感器的故障检测和诊断系统相对需要手动测量的系统具有某些优势，无需手动进行耗时且潜在危险的测量，即可快速收集信息。然而，刚才描述的许多问题也成为监控系统的重要考虑因素。使用的传感器必须坚固耐用，能够承受采矿作业的冲击和振动。大多数设备体积庞大占用了大量的存放空间，这也使得添加大量专用传感器显得不切实际。

 

 

　　故障检测和诊断的重要性促使人们在数字电路、制造系统和大型工业过程等领域采取了各种各样的方法，一个系统的成功与它可用的信息、使用信息的特征以及评估这些特征的技术有着根本的关系。由于许多领域出现了各种各样的术语，本文定义了以下术语以供使用。故障定义为系统无法以可接受的方式运行。故障表现为观察到的系统行为与一组可接受的行为之间的偏差。故障检测是对不可接受行为的识别，故障诊断是对系统中导致故障的一个或一组部件的识别。在本节的其余部分中，检测和诊断任务是分开的。这种区别在实践中并不总是明确的，因为检测和诊断过程可能紧密交织在一起。

 

　　故障检测包括：①收集数据。②从数据中提取相关特征。③将这些提取的特征与正确或错误数据的规格进行比较。来自系统的初始数据构成了观测结果。根据数据特征的比较结果，可以宣布故障(可能程度不同)。这种检测模式提出了几种比较技术的方法。首先，检测技术在可用的系统信息方面有所不同。第二，可以根据检测技术使用的信息类型，即，由滤波器提取的特征，对检测技术进行分类。最后，可以根据满意和不满意操作之间的区分标准的定义，对检测技术进行分类。以下为各故障区分方法。

 

　　观察时间是可用于检测方案的一组观察值。对于自动故障检测技术，观察框架通常是系统传感器或系统通信。观察框架在故障检测中很重要，因为它决定了可用于检测故障的信息。如果故障没有通过观察框架表现出来，那么无论检测技术的复杂程度如何，都无法检测到故障。当前系统检测无法获得诊断所需的信息时，某些故障的重要性可能会证明使用特殊传感器是合理的。采矿设备中额外传感的成本必须以快速检测或诊断的预期效益为依据。在某些情况下，额外的感应可能会产生负面后果。如果传感器不够坚固，无法在恶劣环境和采矿振动中生存，传感器的频繁故障可能会导致系统频繁出现故障报警。

 

　　检测技术也可以根据所用观察的特征进行分类。检测中使用的信息通过过滤器从观测值中提取。提取用于检测的特征的示例包括传感器的瞬时值、传感器样本的时间平均值、频率特征、序列、定时、统计特征，以及观测的许多其他简单或复杂特征。正如观察框架可以确定可检测的故障类型一样，用于检测的特征类型也可以确定，过滤器不必总是提取相同的特征。最近研究学者解决了切换信息过滤器的问题，以便将探测器的注意力集中在给定时间内关键的特征上。尤其是在复杂的过程中，当可用信息无法在时间限制内处理时，检测器的重点必须仅限于监测信息的一个子集。然而，随着情况的变化，观察的不同特征变得更加重要，需要进行不同的过滤。

 

　　基于模型的检测方法依赖于符合可接受和不可接受操作规范的系统模型。这些方法只适用于充分理解模型的系统。该模型可以使用系统输入和输出数据来估计有关系统的各种信息，包括输出、状态或内部参数。基于模型的技术可以使用各种不同的模型，包括传统的线性系统模型或因果和图形模型。

 

　　可以使用与比较检测方案的特征相似特征来比较诊断技术。特别是可以根据观察框架、观察特征和诊断方法来区分诊断方案。在下面的讨论中假设在检测到故障后进行诊断。然而，对于某些检测技术，故障检测意味着故障诊断，即诊断是检测中固有的。例如，通常情况下，故障字典中的故障模式也会与可能生成该模式的可能故障列表相关联，因此，当模式匹配检测到故障时，会立即进行相应的诊断。

 

　　与检测一样，诊断任务也受到系统信息的限制。观测框架可能包括各种不同的专用和非专用传感器。然而，与检测不同，诊断时的观察框架往往是可变的。例如，许多技术使用主动探测来提供额外的诊断信息。类似地，许多诊断专家系统依靠人类观察来提供额外信息。对于这两个例子，诊断系统都在积极参与重新定义观察框架。

 

　　如检测部分所述，必须过滤系统观测中的可用信息，以产生用于诊断的观测特征。一般来说，诊断技术使用的特征越多，诊断效果越好。一个重要的特征，尤其是对于动态系统，是在检测到故障后，系统立即后退的信息。对于管道系统，使用这些信息显著改善了诊断效果。

 

 

　　专家系统是一种以可用形式表示知识的通用技术，因此能够使用几乎任何预先指定的观察特征进行诊断。专家系统通常使用静态特征，例如将传感器读数和人类观察的样本进行比较。一些专家系统包含计时特征和数学函数特征。目前，工程师已经开发了几个专家系统来诊断采矿设备的故障，这些系统包括连续采煤机电气和液压系统、梭车电气系统和采煤机机械、电气和液压系统的故障诊断等等，下面将对这些系统的示例进行讨论。

 

　　美国矿业局开发了一个专家系统，用于诊断连续采矿机控制电路的故障。通过决策树实现。决策树代表了广泛用于数据预测和分析的监督机器学习。在这种情况下，该算法专注于创建一个模型，该模型可以基于多个输入预测所需的输出。决策树是决策算法中最简单的一种，只需要非常少量的数据即可获得结果。为了获得更准确的结果，决策树经常与其他算法并行使用。然而，决策树被认为是不稳定的算法；输入数据的微小变化会导致决策树结构的严重变化，从而导致结果不准确。

 

 

　　决策树在矿山电气设备中的应用是根据从机器维护手册、电气打印件和人类专家收集的信息开发的。然后，决策树中的信息被用于开发表示知识库的规则。该系统有几个便于使用的功能。在诊断过程中只有在检查了所有相关的外部开关设置和可用的诊断读数信息后，才能拆卸防爆盖。找到故障部件后，将生成适当的示意图，以帮助定位部件。与此同时，还提供了一个数据库，其中包括部件的制造商、零件号、备件的可用性和位置。从知识库的规则中提供对数据库的访问。

 

　　采矿业诊断专家系统的另一个例子是SCAR系统，用于解决穿梭车的电气故障，因果推理方法用于建立症状层次和后续规则，形成知识库。结论直接来自电路知识及其在正常和故障运行期间的行为。诊断中使用的观察检测法包括电压测量、连续性检查、目视检查、音频检查。专家系统通过与检测人员进行交互以获得所需的观察结果。美国矿业局目前正在开发一个连续采矿机液压专家系统。这项工作由两个独立的阶段组成。已完成的第一阶段是开发包含液压诊断信息的知识库。第二阶段是确定一组传感器，以获取有助于指示问题或故障的重要参数信息。这一阶段的研究目前正在完成阶段，并计划进行运行测试，以获得液压系统的完整特征。长期计划包括预测性维护能力，通过允许在非生产性班次期间安排维护行动，进一步减少机器停机时间。该项目的目标是开发一个基于实时传感器的专家系统，用于连续采煤机液压系统的预测和诊断维护。

 

　　同时，研究人员还开发了一个专家系统，用于诊断采煤机的机械、液压和电气故障。该系统目前已在12台机器上使用，未来还有待大面积投入使用。

 

　　然而，传统的基于规则的专家系统有几个缺点。首先，专家系统在不正确的感知下难以推理，据估计，四分之三的工业专家系统规则专门用于验证传感器精度。第二，基于规则的专家系统在知识库中没有表示的情况下使用时，例如当传感器发生故障时，不会缓慢退化。第三，大多数专家系统都是针对特定故障的，只能诊断知识库中表示的故障。在一个复杂的系统中，一般不可能或不实际地表示所有故障。最后，虽然规则可以很容易地添加到知识库中，但专家系统在某些情况下可能很难修改和维护。即使有可能在知识库中表示所有可能的故障，知识库也需要在系统修改或传感器更换后大量返工。

 

 

　　对所有机器进行大修，无论是运转良好的设备还是故障的设备，都不是预防性维护的最好解决方案。相比之下，预测性维护是更好的选择，可以持续监控机器的健康状况，只选择有故障的机器进行维护。此外，由于可以及早发现故障，可以在任何故障情况发生之前完成机器的修复与升级，然而，预测技术相当复杂，具体取决于机器类型、驱动控制机制和负载行为。这就是为什么许多研究领域都涉及电气设备的预测性维护。这些领域可能包括信号处理、统计数据分析、人工智能、数学建模以及传感器和处理板的设计和优化等等。

 

　　经典模式识别技术也被用于设备故障监测。对于经典模式识别技术和人工神经网络，故障检测和诊断都是通过根据一组先前分类的观测值对系统观测值进行分类来完成的，因此，既不需要模型也不需要专家知识。然而，主要的缺点是，故障检测和诊断的成功与否在很大程度上取决于初始训练数据，所需的训练数据量可能非常大，仅训练数据集中训练出的数据可以被很好地诊断出，与训练数据显著不同的观察结果可能会被错误诊断。

 

　　其他基于模式的检测和诊断方法使用系统有关的信息来生成正确和错误行为的模式。该领域的一个研究实例包括研究基于传感器的采矿机械电气诊断系统的一般设计和实施程序。在这种方法中，仅选择特定部件进行故障检测，以限制诊断系统所需的传感器数量。部件的选择基于部件故障的频率和执行手动诊断程序的难度。并编制出一个表格，列出了该模式的输入和输出信号水平的组成部分。设备诊断是通过将传感器信号观测值与表中的模式匹配完成的。该方法是基于传感器的方法，无需操作员进行干预，并允许在部件出现故障后立即进行诊断操作。用于采矿设备其他基于模式的方法示例还包括用于对电缆连接采矿设备的劣化以及电缆的早期故障模式进行分类的决策理论方法，以及三相感应电动机早期故障模式的表征等等。

 

 

　　选择最合适的故障检测和诊断技术很少是一项简单或直接的任务，必须完成对特定应用的详细评估，以确定最佳技术。然而，每种技术都有某些特征，可以识别并用于帮助确定适合特定应用的合适技术。当一个令人满意的过程模型可用时，基于模型的技术有许多优点。一个优点是，它们不需要开发明确的故障模型来检测故障。任何不符合建模行为的行为都会被检测为故障，因此有人认为，在新情况或故障数据出现时，基于模型的诊断技术会相对优雅地退化。第二，基于模型的技术可以从设计信息发展而来，不需要积累经验知识；因此，检测系统可以与设备修改同时更新。这在有详细设计文件(如电路图)的领域最为方便。基于模型的技术的一个附带好处是，该模型也可以用于其他目的，例如，确定最佳传感器位置。

 

　　基于模型的技术的主要缺点是，它们需要一个足够精确的系统模型才能正常工作。对于许多系统来说，模型可能不存在，创建模型的努力可能是不合理的。此外为了正确地表示组件之间可能的交互，模型可能需要多个详细级别。然而无论使用多少级别的细节来表示系统，模型仍然会有其局限性，在实践中可能会出现模型中没有考虑到的情况。

 

　　人工神经网络非常吸引人的原因有两个。首先，不需要开发模型；其次，也不需要获得专家知识。总而言之，这些原因使得神经网络在某些情况下非常有吸引力，可以很好地用于矿山机械电气设备的故障监测与检修。例如，如果一件设备可用，并且可以生成(或模拟)部件故障，则可以在没有模型或专家知识的情况下对系统进行自主训练。神经网络在某些应用中确实有缺点。它们需要大量的训练样本，在许多情况下，这可能很难实现，也很耗时。其次，为了使神经网络能够正常运行，训练集中必须包含足够多的历史故障统计以及未来可能出现的故障预测。在某些情况下，这可能是不太现实的。例如，在关键组件上，启动故障的成本太高，并且不可能对其进行模拟。第三神经网络目前无法提供基于规则的专家系统所能提供的解释工具等等。最后，神经网络的训练非常容易，可能存在隐藏的缺陷。开发模型或知识库有助于更好地理解被监控的系统，而在使用神经网络时，不需要或不需要增加对系统的理解。

 

 

　　提高采矿设备的可用性需要结合快速检测和诊断故障的技术，并且在当今科技飞速发展的时代，人工智能技术应用于矿山机械电气设备可大幅提高工作效率。本文讨论了故障检测、诊断以及人工智能在采矿应用中的应用，描述了各种技术的相对优点和缺点，以期对开发设备监测方法的行业和研究人员有所帮助.