采煤機性能退化評估方法及應用研究

翟文睿，李賢功，王佳奇，丁煒凱

(1.中國礦業(yè)大學 礦業(yè)工程學院， 江蘇 徐州 221008；2.南京財經大學 管理科學與工程學院， 江蘇 南京 212413)

0 引言

采煤機作為綜采工作面“三機”之一，主要承擔煤礦生產中的落煤和裝煤工作[1]。隨著煤礦開采技術高速發(fā)展，采煤機的結構復雜度與功能多樣性顯著提高，隨之而來的采煤機故障及失效問題也更加多樣，如滾筒截齒斷裂、調高機構油箱泄漏、行走齒輪及滑靴斷裂等[2]。一旦采煤機發(fā)生故障，還可能誘發(fā)各類礦井事故。然而，造成采煤機各機械部件故障或失效的原因卻難以快速判斷，加上井下工作面空間狹小，查找問題和更換部件過程復雜耗時。準確判別采煤機各部件的磨損和失效情況，可為實現(xiàn)采煤機故障及相關事故的預防、預警提供必要支撐。采煤機性能退化評估是判別采煤機磨損和失效情況的一種有效途徑。

機電設備在使用過程中通?？煞譃檎?、性能退化、維護和故障(失效)4種狀態(tài)[3]。性能退化評估是針對于設備性能退化這一狀態(tài)，最終目的是通過識別和追蹤設備性能退化狀態(tài)，為制定設備維護決策提供可靠依據, 避免不當維修和過度維修的情況發(fā)生[4]。利用設備性能退化評估技術指導企業(yè)生產，能夠在一定程度上縮短設備的停機維修時間，提高設備利用率，避免因設備故障而引起的災難性事故，從而提高企業(yè)的經濟效益和社會效益。

現(xiàn)階段針對采煤機性能退化評估的研究較少，文獻[5]通過仿真對采煤機搖臂系統(tǒng)的齒輪進行了性能退化評估研究，但仿真方式對模型精度要求高且適用性差。目前常見的設備性能退化評估研究方法主要有基于物理模型的方法和基于數據驅動的方法兩大類。基于物理模型的方法[6]雖能夠深入貼近對象本質，但其對研究對象數學模型的精度有較高要求，尤其是針對復雜機電設備，很難建立完備而精確的模型?；跀祿寗拥姆椒òńy(tǒng)計理論方法(隱馬爾科夫模型[7]、貝葉斯動態(tài)模型[8]等)和人工智能方法(專家系統(tǒng)[9]、人工神經網絡[10]等)。其中，基于統(tǒng)計理論的方法需用一定數量的歷史數據來訓練模型，且評估結果對原始數據的依賴程度高。人工智能方法則不需要建立系統(tǒng)的定量數學模型，在處理非線性系統(tǒng)的評估問題上有一定優(yōu)勢。采煤機的退化過程是非線性的，因此，本文采用人工智能方法，結合極限學習機與高斯混合模型等理論，實現(xiàn)采煤機性能退化評估。

1 采煤機性能退化評估建模

1.1 采煤機性能退化評估流程

采煤機性能退化評估流程如圖1所示，主要包括原始數據采集、工況識別、特征降維和性能退化評估4個部分。原始數據采集主要是通過礦山物聯(lián)網來獲取采煤機的各種數據；工況識別主要是運用極限學習機對多種不同工況進行判別；特征降維主要是通過主成分分析方法對特征參數進行降維；性能退化評估是通過建立不同的高斯混合模型，利用相對熵來實現(xiàn)對采煤機性能退化的度量。

圖1 采煤機性能退化評估流程Fig.1 Performance degradation evaluation process of shearer

1.2 基于極限學習機的運行工況識別模型

采煤機性能退化通常呈現(xiàn)出非線性變化趨勢，而工況可以準確反映采煤機性能退化的過程。工況是指設備在和其動作有直接關系的條件下的工作狀態(tài)，或者設備在作業(yè)過程中所處的環(huán)境。不同工況模式下采煤機的工作狀態(tài)和各部件的載荷都有所不同，使得各部件的性能退化或失效模式也存在一定差異。因此，需要對采煤機運行工況進行識別。

利用極限學習機[11]進行工況識別的步驟如下：

圖2 采煤機運行工況識別模型Fig.2 Recognition model of shearer operating conditions

(2) 模型訓練。通過已知工況數據來訓練各工況下的模型，得到一個基準模型。需找出基準模型的一組最優(yōu)估計值，得到最小化損失函數。

(3) 工況識別。在獲得基準模型的基礎上，將實時監(jiān)測的工況參數輸入訓練好的模型中，得到該工況數據所屬的工況。

1.3 高斯混合模型

在工況識別的基礎上，利用多維數據樣本建立不同工況下的基準高斯混合模型[12]，具體步驟如下：

(1) 性能參數降維。運用主成分分析進行數據特征提取[13]。主成分分析是對原來的變量進行刪除精簡的過程，通過盡可能少的新變量最大程度反映原有變量的信息。

(2) 基準高斯混合模型的構建。首先，選擇一部分健康狀態(tài)下的數據作為訓練集樣本，其余作為測試集樣本；然后，確定訓練集數據對應的模型，采用最大期望值算法和極大似然估計方法，利用訓練集樣本數據得到初始不同工況下的基準高斯混合模型[14]；最后，用測試集樣本數據檢驗基準高斯混合模型，并根據檢驗情況進行適當調整，得到不同運行工況下的基準高斯混合模型。

(3) 高斯混合模型更新?；鶞矢咚够旌夏Ｐ捅硎镜氖遣擅簷C初始健康狀態(tài)，采煤機各部件的性能退化通過高斯混合模型的更新來反映。當一條新的性能監(jiān)測數據輸入模型時，首先進行工況識別，然后調用該工況下的高斯混合模型并更新，得到更新后的高斯混合模型，即該狀態(tài)下的高斯混合模型。

1.4 性能退化趨勢的度量

某個時刻更新的高斯混合模型僅能夠反映采煤機各部件當前時刻的狀態(tài)，并不能直觀反映采煤機部件性能退化的趨勢或程度。相對熵可度量2個概率分布之間的差異，本文選取相對熵來度量某時刻的高斯混合模型與基準高斯混合模型的差異，從而度量采煤機各部件性能退化趨勢[15]。

設p(r)，q(r)是變量r上的2個概率分布，其相對熵為

(1)

當待比較的2個模型都服從高斯分布時，相對熵有閉式解。初始時刻基準高斯混合模型G0與t時刻的高斯混合模型Gt的相對熵為

(2)

式中：ΣG0為初始基準高斯混合模型，即健康狀態(tài)下的協(xié)方差矩陣，|ΣG0|表示其行列式；ΣGt為t時刻的高斯混合模型協(xié)方差矩陣；tr()表示求矩陣的跡；μG0和μGt分別為初始時刻和t時刻高斯混合模型的均值矩陣；d為特征向量的維度。

通過式(2)可得到數據集中任意時刻的相對熵，將各時刻的相對熵按照時間順序繪制成折線，通過折線圖的變化趨勢可判斷采煤機各部件的性能退化趨勢。

2 采煤機監(jiān)測參數選取

2.1 工況監(jiān)測參數選取

對于采煤機來說，地質條件、振動、工作負荷及部分環(huán)境因素均會導致其工況有所差異。

(1) 地質條件。不同煤層的巖石含量、物理機械性質、形狀都有所差異，而煤層是采煤機的截割對象，其特性直接影響采煤機的機器負載損耗、截割電動機及牽引電動機功率、滾筒受力、機器壽命等。

(2) 環(huán)境因素。井下綜采工作面環(huán)境惡劣，許多環(huán)境因素可能影響采煤機各部件性能，如高溫、潮濕、粉塵等均會加速采煤機截割部、牽引部、電控箱等部件的性能退化，縮短其使用壽命。

(3) 振動及載荷。在不同的振動及載荷下，采煤機各部件的性能退化也有所差異，一般振動或者載荷越大，采煤機的磨損越大。

(4) 機身傾斜。采煤機機身傾斜程度在一定程度上會影響采煤機性能。機身傾斜包括工作面方向的傾斜和俯仰方向的傾斜2種。一般來說，采煤機在工作面方向有傾角，會使其截割部面臨更大的載荷，從而加劇其性能退化；俯仰角越大，其搖臂、滾筒及行走部等性能退化程度也越大。

在實際應用中，需根據數據的可獲得性、數據的變動情況等確定合理的監(jiān)測參數。

2.2 性能監(jiān)測參數選取

采煤機性能監(jiān)測參數選取原則：① 性能退化參數必須與所觀察的產品性能密切相關。② 具有可監(jiān)測性。③ 應隨著工作時間變化，能客觀反映設備工作狀態(tài)。

采煤機機身內部安裝有20 多個傳感器，傳感數據超過 30 種，每個部件的性能都可以通過幾個性能監(jiān)測參數來反映。常見的機電設備監(jiān)測參數大致可分為電氣類、溫度類、效率類、速度類、壓力類、振動類6個類別。在上述分類的基礎上，結合實際采煤機傳感器的裝配情況，選定采煤機各部件的性能監(jiān)測參數。

3 采煤機性能退化評估案例分析

3.1 案例背景

以某煤礦的MG300/720-AWD型采煤機為研究對象，其主要技術參數見表1。

表1 MG300/720-AWD型采煤機主要技術參數Table 1 Main technical parameters of MG300/720-AWD shearer

采煤機結構復雜，典型故障主要發(fā)生在截割部、電控箱、牽引部、液壓調高系統(tǒng)、電纜等，無法直接對采煤機進行整機故障分析。此外，采煤機各部件的故障機理相似，可通過對某部件的故障分析預測采煤機故障。統(tǒng)計2005—2014年采煤機典型故障發(fā)生部位的數據，發(fā)現(xiàn)截割部的故障頻率最高，因此，選取截割部作為分析對象。

3.2 截割部工況識別

3.2.1 監(jiān)測參數的選取及其驗證

采煤機截割部運行過程中有直切和斜切2種行走姿態(tài)，直切指采煤機完全進入巷道后沿著平直煤壁作業(yè)時的姿態(tài)，斜切指采煤機在進入巷道或者傾斜作業(yè)時的姿態(tài)。采煤機的截割牽引速度也會在一定程度上影響或反映截割部的性能退化情況。定義MG300/720-AWD型采煤機的牽引速度為10～15 m/min時為低速，牽引速度為15～20 m/min時為高速。將采煤機截割部的工況分為高速直切、高速斜切、低速直切和低速斜切4種。4種工況需要通過具體的工況監(jiān)測參數來進行區(qū)分。

考慮實際獲取的數據及其變動情況(如溫度等環(huán)境因素基本無變動，不作為區(qū)分工況的監(jiān)測參數)，選取牽引速度、機身傾斜(工作面方向、俯仰方向)、煤巖堅固性系數作為工況監(jiān)測參數。選取左截割電流、右截割電流、截割功率、左截割溫度、右截割溫度、泵機電流作為性能監(jiān)測參數。

為驗證所選工況監(jiān)測參數和性能監(jiān)測參數的合理性，利用相關性分析來判別各性能監(jiān)測參數與工況監(jiān)測參數數據之間是否有關聯(lián)關系。若相關性分析顯示兩者關聯(lián)性較低或幾乎無關聯(lián)，則考慮刪除或更換性能監(jiān)測參數。MG300/720-AWD型采煤機運行過程中性能監(jiān)測參數和工況監(jiān)測參數的相關性見表2。

從表2可看出，牽引速度與右截割電流、左截割電流、右截割溫度、左截割溫度等相關性顯著，這一方面說明牽引速度會對所選取的性能監(jiān)測參數產生影響，另一方面也表示所選性能監(jiān)測參數能夠反映牽引速度的變動情況。同理，其他工況監(jiān)測參數與性能監(jiān)測參數中的一個或幾個有相關關系，驗證了所選性能監(jiān)測參數與工況監(jiān)測參數的合理性。

表2 工況監(jiān)測參數與性能監(jiān)測參數相關性分析Table 2 Correlation analysis of working condition parameters and performance monitoring parameters

3.2.2 監(jiān)測數據采集和預處理

截割部是磨損及故障頻率較高的部件，因此，選取時間跨度相對較小的截割部數據，就可以找出其性能退化規(guī)律。煤礦監(jiān)測數據每5 s更新1次，更新頻率高。為提高模型的運行效率，在咨詢專家意見的基礎上，從采煤機投入穩(wěn)定正常工作狀態(tài)開始，每10 min抽取1組數據，連續(xù)3個月左右，得到工況監(jiān)測數據和性能監(jiān)測數據共計7 560組。選取其中已知工況的500組數據訓練基準模型，其中400組為訓練集(每種工況100組)，100組為測試集，剩余的7 060組作為數據樣本集，用于評估截割部的性能退化情況。

由于選取的性能監(jiān)測參數的量綱存在一定差異，在訓練模型之前需進行標準化處理，標準化公式為

(3)

3.2.3 截割部工況識別

利用處理后的數據建立極限學習機模型，進行不同工況的識別。確定輸入、輸出神經元個數均為4，令a=7，得到隱含層神經元個數為10。在Python中編程，設置迭代次數和學習率分別為1 000和0.001，經模型訓練和測試，得到輸入層與隱含層、隱含層與輸出層之間的權重和偏置，見表3，其中b1，b2分別為輸入層與隱含層、輸出層與隱含層的偏置。

將7 560組監(jiān)測數據按照時間順序分別輸入訓練模型中，得到各時刻下的工況，如圖3所示?？梢钥闯?，截割部工況變動曲線類似分段函數，隨著監(jiān)測時間的變化，工況在4種類型之間波動，在每個長度不同的小區(qū)間內呈現(xiàn)穩(wěn)定于一個工況的情況，這與實際狀況基本一致。

圖3 采煤機截割部工況變動曲線Fig.3 Working condition variation curve of shearer cutting part

3.3 截割部性能退化評估

3.3.1 性能監(jiān)測參數降維

為提高性能退化模型的更新效率，在模型訓練之前，利用主成分分析對性能監(jiān)測參數進行降維。主成分分析結果見表4。

表4 主成分分析結果Table 4 Results of principal component analysis

從表4可看出，降維后的2個成分可以涵蓋原來6個成分88.864%的信息，大于85%，因此，可用降維后的2個新成分替代原先的6個成分。2個新的主成分的載荷見表5。

表5 主成分載荷Table 5 Loads of principal components

從表5可發(fā)現(xiàn)，右截割溫度、左截割電流、截割功率、泵機電流、右截割電流在成分1上有較高載荷，說明成分1基本能夠反映這些性能監(jiān)測參數的信息；左截割溫度在成分2上有較高載荷，說明成分2可以反映這一性能監(jiān)測參數的信息?；谥鞒煞州d荷矩陣，對各時刻數據進行降維處理，得到各時刻降維后的數據。

3.3.2 不同工況下的基準高斯混合模型構建

利用降維后的性能監(jiān)測數據建立各工況下的基準高斯混合模型。在采煤機截割部性能良好的情況下，對于每種工況，隨機選取300組數據作為模型訓練集，用降維后的數據訓練該工況下的高斯混合模型，訓練完成后作為基準高斯混合模型，并用200組數據進行測試。

按照高斯混合模型的求解步驟，設置高斯混合模型中的高斯單元數量為4，算法迭代次數為1 000，分別得到高速直切、高速斜切、低速直切、低速斜切4種工況下的基準高斯混合模型，如圖4所示。圖4中，4種顏色的點分別表示4個高斯單元，后續(xù)模型更新在該基準模型基礎上進行，4個高斯單元的分布及形狀也會發(fā)生相應變化。

(a) 高速直切

(b) 低速直切

(c) 高速斜切

(d) 低速斜切

3.3.3 高斯混合模型更新及性能退化分析

按照時間順序依次輸入數據，根據輸入數據的時間段調用該時刻工況下的高斯混合模型。以基準高斯混合模型構建后第1個時間狀態(tài)為例，該時間段所屬工況為高速直切工況，調用該高速直切工況下的基準高斯混合模型，該模型以最近時刻的點替換最初時刻的點來完成模型更新。每輸入一組新的監(jiān)測數據，模型完成一次更新。

高速直切工況下高斯混合模型的更新如圖5所示。從圖5可看出，模型更新后的形態(tài)與基準高斯混合模型的形態(tài)相比發(fā)生了變化。基準高斯混合模型是在截割部健康時的狀態(tài)，隨著時間的推移，截割部的性能只會有2種情況，一種是維持健康狀態(tài)，另一種是發(fā)生退化。更新后的模型與基準模型明顯不同，說明截割部性能發(fā)生了退化。

通過比較2個時刻的高斯混合模型，可以發(fā)現(xiàn)模型之間存在差異，但無法確定差異的大小。采用相對熵來衡量2個高斯混合模型的距離，根據高斯混合模型與基準高斯混合模型的距離，得到每個監(jiān)測點采煤機截割部的性能退化趨勢，如圖6所示。由于監(jiān)測點較多，圖6中橫坐標以歸一化的形式表示。性能退化指數是性能退化趨勢的量化度量，即相對熵。

(a) 基準高斯混合模型

(b) 第100次更新模型

(c) 第500次更新模型

(d) 第2 000次更新模型

圖6 采煤機截割部的性能退化趨勢Fig.6 The performance degradation trend of shearer cutting part

從圖6可看出，在初始階段，采煤機截割部的性退化指數處于平穩(wěn)波動的狀態(tài)；隨著時間增加，采煤機的性能退化指數出現(xiàn)了增長的趨勢，最后在退化指數較大的狀態(tài)趨于平穩(wěn)。

4 結論

(1) 給出了采煤機性能退化評估流程，建立了基于極限學習機的運行工況識別模型、高斯混合模型，選取相對熵來度量采煤機各部件性能退化趨勢。

(2) 提出可從地質條件、環(huán)境因素、振動及載荷、機身傾斜等方面來選取工況監(jiān)測參數，并根據實際應用中數據的可獲得性和變動情況等來確定。提出了采煤機性能監(jiān)測參數選取原則，可在常見的機電設備監(jiān)測參數分類基礎上，結合實際采煤機傳感器的裝配情況選定性能監(jiān)測參數。

(3) 選擇采煤機故障發(fā)生率最高的截割部進行案例分析，對其進行性能退化評估。選取出區(qū)分截割部的4種工況監(jiān)測參數和6種有代表性的性能監(jiān)測參數；經過數據標準化、工況模型訓練、性能數據降維、工況識別、不同工況高斯模型訓練和比較等步驟，得到了采煤機截割部的性能退化趨勢。分析結果表明，通過對比高斯混合模型能夠判斷采煤機性能退化狀況，通過相對熵實現(xiàn)了對每個監(jiān)測點采煤機截割部性能退化趨勢的度量。