智慧煤礦下的設(shè)備故障診斷

程璐

（安徽理工大學(xué)計(jì)算機(jī)科學(xué)與工程院 安徽省淮南市 232001）

隨著智能社會的來臨，以及我國的制造業(yè)技術(shù)水平的提高，世界上對煤炭資源的需量正在不斷擴(kuò)大，因此越來越智能化的煤炭機(jī)器人技術(shù)將被應(yīng)用到煤炭的發(fā)掘領(lǐng)域，以大大地提高對煤炭資源的發(fā)掘效果。由于外部環(huán)境的復(fù)雜導(dǎo)致煤礦機(jī)械設(shè)備經(jīng)常發(fā)生一些故障，設(shè)備發(fā)生故障會導(dǎo)致煤礦的開采效率，同時設(shè)備的維護(hù)也會產(chǎn)生高額的費(fèi)用，因此通過故障診斷技術(shù)對設(shè)備進(jìn)行故障診斷以及后續(xù)的設(shè)備維護(hù)，保證設(shè)備的正常運(yùn)行顯得十分重要。

1 煤炭設(shè)備常見故障類型

如果按故障損壞度來區(qū)分故障的種類，可以將煤礦機(jī)械設(shè)備的故障整體分為以下三大類：分別是初期故障期、間接性故障期和耗損故障期[1]。第一類是早期故障期，這個階段處在機(jī)械設(shè)備的磨合期，這時所產(chǎn)生的故障多數(shù)是因?yàn)樵跈C(jī)械設(shè)備在生產(chǎn)制造的時候存在偏差導(dǎo)致的。第二類是間接性故障期，主要是由于外部環(huán)境以及個人操作失誤導(dǎo)致的，這種偶然性故障是無法避免的;第三類是損耗故障期，這個階段主要是設(shè)備經(jīng)常使用導(dǎo)致長期處于高負(fù)荷狀態(tài)，從而導(dǎo)致故障發(fā)生。

2 故障診斷技術(shù)構(gòu)成

2.1 故障特征檢測

特征檢測主要是通過相應(yīng)傳感器收集故障信號，因?yàn)樾盘栆欢ǔ潭壬戏从吃O(shè)備的運(yùn)行狀態(tài)，例如承軸故障振動信號會發(fā)生改變，電機(jī)故障電壓信號會發(fā)生改變，油路壓力信號等。

2.2 故障特征提取

特征提取是指將能真實(shí)反映設(shè)備狀態(tài)的信號特征提取出來，常用的特征提取的方法可分為圖像特征提取，信號特征提取，文本特征提取等，圖像特征提取方法包括傅里葉變換，窗口傅里葉變換，小波變換，最小二乘法，基于Tamura 紋理變換等，信號特征提取方法包括傅里葉變換，時頻分布，希爾伯特黃變換等，文本特征提取方法包括主成分分析法，線性判別分析法，稀疏自編碼器，受限玻爾茲曼機(jī)。

2.3 故障狀態(tài)識別

通過傳統(tǒng)機(jī)器學(xué)習(xí)，深度學(xué)習(xí)等方法[2]，如圖1所示，分析異常的機(jī)械設(shè)備信號，從而判斷出設(shè)備故障原因和設(shè)備狀態(tài)，并且找出故障出現(xiàn)的地方以及出現(xiàn)的原因和發(fā)生故障的程度。常用的機(jī)器學(xué)習(xí)算法有KNN 算法，支持向量機(jī)（SVM），奇異值分解（SVD）等，深度學(xué)習(xí)包括卷積神經(jīng)網(wǎng)絡(luò)（CNN），深度置信網(wǎng)絡(luò)（DBN）以及堆棧自編碼網(wǎng)絡(luò)。

圖1：故障診斷方法

2.4 故障預(yù)測和決策

煤礦機(jī)械設(shè)備事故的預(yù)防是根據(jù)傳感器接收到的信息加以分析，通過根據(jù)信息狀態(tài)判斷出機(jī)械設(shè)備可能發(fā)生的事故和后續(xù)可能發(fā)生的程度，以便及時做出相應(yīng)的防預(yù)對策；決策是指通過故障診斷算法分析得出的結(jié)果加以分析探討，進(jìn)而提出處理問題的相應(yīng)對策與方案，為事故檢修、系統(tǒng)維護(hù)和設(shè)備的有效操作提供基本方法。

3 人工智能相關(guān)技術(shù)

3.1 機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)[3]利用特定算法對已知數(shù)據(jù)進(jìn)行建模，從而在新情境下進(jìn)行判斷。傳統(tǒng)的機(jī)器學(xué)習(xí)方法有支持向量機(jī)、KNN、隨機(jī)森林、人工神經(jīng)網(wǎng)絡(luò)和線性回歸等方面。機(jī)器學(xué)習(xí)的思想很簡單，它只是對人類學(xué)習(xí)過程的一種模擬。在這個過程中，數(shù)據(jù)是一大關(guān)鍵點(diǎn)。機(jī)器學(xué)習(xí)可以根據(jù)學(xué)習(xí)方式進(jìn)行分類，包括有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。有監(jiān)督學(xué)習(xí)通過讓模型學(xué)習(xí)大量帶有標(biāo)簽的數(shù)據(jù)樣本，并且利用對輸入數(shù)據(jù)中的初始信號樣本不斷的學(xué)習(xí)，將模型學(xué)習(xí)結(jié)果為以函數(shù)的形式輸出。無監(jiān)督學(xué)習(xí)則采用聚類方法，將類別作為學(xué)習(xí)結(jié)果，強(qiáng)化學(xué)習(xí)即是一種典型的無監(jiān)督學(xué)習(xí)，以環(huán)境反饋信號作為輸入，并以統(tǒng)計(jì)和動態(tài)規(guī)劃技術(shù)為指導(dǎo)，依據(jù)獎勵進(jìn)行反饋的一種學(xué)習(xí)方法。機(jī)器學(xué)習(xí)常用的算法主要包括：

（1）決策樹算法；

（2）樸素貝葉斯；

（3）支持向量機(jī)；

（4）隨機(jī)森林算法；

（5）Boosting 和Bagging 算法；

（6）關(guān)聯(lián)規(guī)則算法。

3.2 深度學(xué)習(xí)

通過構(gòu)建多層的神經(jīng)元網(wǎng)絡(luò)，將處于初始層的樣本特征表達(dá)逐漸轉(zhuǎn)變?yōu)?高級層的特征表達(dá)，然后通過神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練并進(jìn)行問題的分類等學(xué)習(xí)任務(wù)[4]。深度學(xué)習(xí)的相關(guān)模型：

（1）卷積神經(jīng)網(wǎng)絡(luò)：是一種基于卷積運(yùn)算的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，在無監(jiān)督預(yù)訓(xùn)練出來之前，卷積神經(jīng)網(wǎng)絡(luò)是唯一能夠進(jìn)行深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練的特例。

（2）深度置信網(wǎng)絡(luò)：神經(jīng)網(wǎng)絡(luò)模型由多個自編碼器組成，模型預(yù)訓(xùn)練后結(jié)合損失函數(shù)進(jìn)一步優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值。

（3）堆疊自編碼網(wǎng)絡(luò)模型：是一種基于多層神經(jīng)元的自編碼網(wǎng)絡(luò)結(jié)構(gòu)，主要有稀疏自編碼器和降噪自編碼器以及棧式自編碼器，堆疊自編碼網(wǎng)絡(luò)的結(jié)構(gòu)與DBN（深度置信網(wǎng)絡(luò)）相似，由幾組神經(jīng)元堆疊而成，每一組神經(jīng)元稱之為自編碼模型(autoencoder)，不同于DBN 的受限玻爾茲曼機(jī)。自編碼模型共有三層，分別是輸出層、隱藏層和輸出層。

3.3 邊緣計(jì)算

邊緣計(jì)算[4]是指在網(wǎng)絡(luò)邊緣服務(wù)器進(jìn)行數(shù)據(jù)分析和處理，這些邊緣服務(wù)器指的是在數(shù)據(jù)收集端和云中心之間任意一個具備計(jì)算和網(wǎng)絡(luò)資源的節(jié)點(diǎn)服務(wù)器，如圖2所示。邊緣計(jì)算具有以下的優(yōu)點(diǎn)：第一是對于圖像處理等領(lǐng)域具有優(yōu)勢，例如人臉識別，響應(yīng)時間可以大幅減少。第二是能耗方面具有優(yōu)勢，將部分計(jì)算任務(wù)從云端卸載到邊緣節(jié)點(diǎn)之后，整個系統(tǒng)能源消耗可以減少30%～40%。第三是在數(shù)據(jù)整合和遷移方面具有優(yōu)勢，時間可以縮短將近20 倍。

圖2：邊緣計(jì)算結(jié)構(gòu)

3.4 技術(shù)應(yīng)用

3.4.1 SVM 在故障診斷中的應(yīng)用

支持向量機(jī)(SVM)是一種監(jiān)督學(xué)習(xí)技術(shù)，其中多個核用于不同的應(yīng)用。這些算法是由不同的研究人員在文獻(xiàn)中開發(fā)的。SVM 是一個二進(jìn)制分類器，通常提供輸入，擁有兩類數(shù)據(jù)集。在多項(xiàng)研究中，SVM 算法被認(rèn)為是最大似然方法中的一種有效算法。機(jī)器學(xué)習(xí)領(lǐng)域進(jìn)行了多種研究[5]，其中，R.C.等人的研究[6]提出了通過支持向量機(jī)識別離心式水泵中感應(yīng)電機(jī)定子和轉(zhuǎn)子故障的不同方法，對獲取的數(shù)據(jù)集進(jìn)行分析，使電機(jī)中故障分類率得到很大的提高。

由于處理這些泵的方式，會出現(xiàn)各種故障，如供應(yīng)不平衡、電能質(zhì)量低、機(jī)械故障和電氣故障。為了有效地識別這些故障，提出了一種多樣化的算法。Al 等人[7]等人利用最大似然算法對數(shù)據(jù)集進(jìn)行進(jìn)一步分類，提高故障準(zhǔn)確率。由于故障檢測分類中的SVM 概念是基于諧波運(yùn)動中定子電流的變化。K.A 等人[8]從頻譜中提取感興趣的區(qū)域，然后進(jìn)行尺度邊緣積分，通過使用尺度邊緣積分，可以更好地提取系統(tǒng)的響應(yīng)。然后將提取的值輸入到訓(xùn)練算法中。然后從系統(tǒng)參數(shù)優(yōu)化模塊中微調(diào)這些值。優(yōu)化塊從訓(xùn)練算法的輸出中獲取值。所以使用SVM 算法提高故障精度是成功的。

3.4.2 神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)[9]是神經(jīng)系統(tǒng)的計(jì)算機(jī)復(fù)制品。人工神經(jīng)網(wǎng)絡(luò)有多種類型，即徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)作為一種簡單的神經(jīng)網(wǎng)絡(luò)，其預(yù)測精度低于其他深度學(xué)習(xí)網(wǎng)絡(luò)。然而，它需要較少的計(jì)算時間和內(nèi)存，并且會影響預(yù)測精度，所以在故障診斷中有著廣泛的應(yīng)用。劉等人[10]建立了基于新型極限學(xué)習(xí)機(jī)的故障檢測方法來檢測齒輪故障。將振動信號用于訓(xùn)練和測試ELM，以檢測從動齒輪和主動齒輪中的斷裂、開裂和剝落的齒。在不同的齒輪故障下，得出的故障結(jié)果在85%～92.5%的范圍內(nèi)，同時所提出的模型可以連接實(shí)時應(yīng)用和故障分類。Lo 等人[11]建立了一種基于神經(jīng)網(wǎng)絡(luò)的預(yù)測方法，通過混合損失函數(shù)檢測軸承和齒輪的磨損。用正常和故障數(shù)據(jù)訓(xùn)練模型。該模型對給定數(shù)據(jù)集的預(yù)測準(zhǔn)確率為90%，在連續(xù)監(jiān)測中非常有效。SVM和人工神經(jīng)網(wǎng)絡(luò)在不同方面有著不同的優(yōu)勢，將SVM算法和神經(jīng)網(wǎng)絡(luò)算法用于故障分類，并對其準(zhǔn)確性進(jìn)行了評價。斷層分類精度SVM 為93.44%，人工神經(jīng)網(wǎng)絡(luò)為95.65%。使用改進(jìn)的SVM 體系結(jié)構(gòu)，可以觀察到其性能遠(yuǎn)優(yōu)于人工神經(jīng)網(wǎng)絡(luò)。

3.4.3 深度學(xué)習(xí)在故障診斷中的應(yīng)用

近年來，深度學(xué)習(xí)已經(jīng)控制了健康、工程等多個領(lǐng)域。使用深度學(xué)習(xí)的主要優(yōu)勢是圖像識別[12]。當(dāng)數(shù)據(jù)特征數(shù)量增加時，深度學(xué)習(xí)的優(yōu)于其他方式。最近，許多研究人員在故障診斷領(lǐng)域利用了這種數(shù)字邏輯技術(shù)。Qi等人[13]使用系綜經(jīng)驗(yàn)?zāi)Ｊ椒纸夂妥曰貧w表示來去除信號中的噪音，提高特征提取效果。許等人[14]為了解決在礦井復(fù)雜環(huán)境下提取的數(shù)據(jù)會出現(xiàn)過擬合的現(xiàn)象，提出在自編碼器隱含層中加入稀疏性限制神經(jīng)元的數(shù)量,通過實(shí)驗(yàn)對比分析，稀疏性的加入提高了礦用變壓器故障診斷的準(zhǔn)確率。

與SVM 不同，大多數(shù)深度學(xué)習(xí)方案的準(zhǔn)確率都超過了90%，有些方案的準(zhǔn)確率更高，達(dá)到了97%以上。與SVM 框架相比，這證明了深度學(xué)習(xí)方案在故障診斷中的有效性能。齒輪故障診斷準(zhǔn)確率約為94.05%～97.68%，軸承故障診斷準(zhǔn)確率幾乎高于99%。對于基于深度學(xué)習(xí)的框架，故障診斷的準(zhǔn)確性更高，因?yàn)樗鼈兛梢砸蕴崛√卣鞯男问教幚泶罅繑?shù)據(jù)集。問題是所有組件的特征提取不能相同。深度學(xué)習(xí)在故障診斷中的性能很大程度上取決于提取的特征。

3.4.4 邊緣計(jì)算在故障診斷中的應(yīng)用

邊緣計(jì)算在設(shè)備故障診斷中也有著十分廣泛的應(yīng)用。Si 等人[15]提出了一種基于振動信號邊緣計(jì)算的智能故障診斷系統(tǒng)，并對系統(tǒng)需求分析、系統(tǒng)結(jié)構(gòu)和功能進(jìn)行了詳細(xì)研究，通過邊緣節(jié)點(diǎn)。Kun 等人[16]提出了一種基于邊緣和云協(xié)同的列車故障診斷模型。首先利用SAES-DNN(堆疊式自動編碼器深度神經(jīng)網(wǎng)絡(luò))故障識別方法，將特征提取和類型識別相結(jié)合，對高維數(shù)據(jù)中的深層隱藏特征完成故障分類，通過遷移學(xué)習(xí)的方法將模型移植到邊緣節(jié)點(diǎn)中，提高了準(zhǔn)確率和實(shí)時性，從而快速定位故障。

4 展望與總結(jié)

（1）深度學(xué)習(xí)的應(yīng)用：深度學(xué)習(xí)提出了一種讓神經(jīng)網(wǎng)絡(luò)模型自動提取樣本特征的方法，在完善網(wǎng)絡(luò)模型的過程中不斷地進(jìn)行特征學(xué)習(xí)，從而降低不確定因素的影響。深度學(xué)習(xí)相對于傳統(tǒng)的機(jī)器學(xué)習(xí)，在識別和分類上具有較高的準(zhǔn)確率和魯棒性，從而得到廣泛的應(yīng)用。

（2）邊緣計(jì)算的應(yīng)用：隨著智慧煤礦的發(fā)展，數(shù)據(jù)呈指數(shù)式增長，邊緣計(jì)算框架的特點(diǎn)是將簡單且計(jì)算量低的任務(wù)分配到離終端較近的邊緣服務(wù)器，復(fù)雜度高的任務(wù)交給云端去處理。

（3）遷移學(xué)習(xí)的應(yīng)用：將源域訓(xùn)練好的模型遷移到目標(biāo)域。