综采工作面“三机”状态监测及故障诊断系统开发＊

李建华 雷志鹏 李艳伟

（1.山西煤矿机械制造有限责任公司，山西省太原市，030031；2.太原理工大学电气与动力工程学院，山西省太原市，030024）

综采工作面“三机”状态监测及故障诊断系统开发＊

李建华1雷志鹏2李艳伟2

（1.山西煤矿机械制造有限责任公司，山西省太原市，030031；2.太原理工大学电气与动力工程学院，山西省太原市，030024）

针对年产千万吨级大采高综采工作面对输送设备的要求，设计开发了一种基于LabVIEW的综采工作面“三机”状态监测及故障诊断系统。介绍了该系统的整体结构，重点阐述了故障的诊断方法，采用频域分析和小波分析分别提取了电动机定子电流和振动特征量，结合BP神经网络设计了基于多参量的故障诊断程序。试验结果表明，该系统为在地面准确监测井下工作面输送设备的运行状态及诊断故障类型，提供了一种行之有效的方法。

输送设备 状态监测 故障诊断 综采工作面

高产高效矿井的主要特点是产量大、机械化程度高、效率高。伴随着煤矿产量的稳步增长，如何提高煤矿生产的安全性，减少人员伤亡和设备的损坏，延长设备的使用寿命，是当前煤炭领域研究的重点。为此而提出的煤矿自动化开采和少人或“无人”值守综采工作面，一直是国内外采煤行业追求的目标。

无人值守综采工作面主要包括负荷中心、泵站、采煤机、液压支架、刮板输送机、破碎机、转载机和带式输送机等配套设备，其中刮板输送机、破碎机和转载机统称为工作面输送设备，即工作面“三机”，为了加速“无人”值守综采工作面的建立，就需要工作面的配套设备满足更高的要求，有关工作面输送设备的电气要求大致可分为监测和诊断两部分。

因此，本文针对工作面输送设备的远程监测和诊断问题进行了研究，开发了基于LabVIEW的“三机”远程状态监测与故障诊断系统。该系统可以实现在地面监测“三机”配套减速器和电动机的运行状态，预测和诊断设备故障，实现了对监测数据的管理、查询和共享等功能。

1 “三机”监测及诊断系统简介

根据综采工作面输送系统的组成和布局，“三机”监测及诊断系统由综采工作面输送设备工况实时监测及故障诊断系统和基于LabVIEW的“三机”状态监测与故障诊断系统组成，系统结构如图1所示。其中，综采工作面输送设备工况实时监测及故障诊断系统已应用于山西焦煤集团西山煤电晋兴公司斜沟煤矿年产千万吨的18105综采工作面，并得到广泛认可。综采工作面输送设备工况实时监测及故障诊断系统安装于井下综采工作面，其主要功能是完成对工作面刮板输送机、转载机和破碎机工况数据的就地采集、处理、显示和上传等功能，系统中的分站既可以独立使用，又能相互协调工作，组成有机整体。

图1 综采工作面“三机”监测及诊断系统结构

基于LabVIEW的“三机”状态监测与故障诊断系统安装于地面调度室，它的功能是对井下各工作面“三机”的监测和诊断系统统一管理，监测“三机”运行状态，最终与其他设备的监测诊断系统联网构成全矿井灾害预警系统。图2所示为系统主界面，可实时显示监测和诊断信息，此外还包括频谱分析界面、参数设置页面和历史数据查询界面等。

图2 综采工作面“三机”监测及诊断系统主界面

原有“三机”监测及诊断系统的主要监测点包括刮板输送机、破碎机和转载机配套减速器的高速绕组温度、低速绕组温度、油温、油位、冷却水流量和压力、电动机绕组温度、转子前轴承温度、转子后轴承温度、冷却水流量和压力等。

考虑到工作面输送设备配套电动机作为动力源是高速旋转部件，其轴承承受较大的轴向压力，并且由于轴承是动静部件结合处，长期运行下容易产生疲劳，使轴承产生裂纹。裂纹最先出现在电机滚珠和轴承的接触面上。随着疲劳加重，裂纹范围扩大，产生振动和噪声，最后造成轴承磨损，甚至报废。轴承磨损会引起偏心，其在定子电流出现的特征频率ftz为：

式中：f——电源频率，Hz；

k——正整数；

养殖户反映患病牛发病较为突然，发病初期表现为精神萎靡不振，鼻镜干燥，采食量下降，随着病情的发展，患病牛食欲废绝，反刍减少，直至停止，从口腔中分泌出粘稠的唾液，存在明显的酸臭味。牛会出现间歇性鼓气，自主收缩能力减弱，瘤胃蠕动能力减弱，用手触摸瘤胃，内部充满粘腻感、呈粥状的内容物，触诊瘤胃内容物松软，患病牛胃部存在疼痛感，用手轻轻按压瘤胃存在指痕。患病牛排便量逐渐减少，粪便干硬呈现深褐色，排出的粪便呈现球状，有时在粪便表面附着大量粘液。

fr——转子转动频率，Hz。

另外根据轴承的结构，在不同的位置振动信号中产生的故障特征频率不同，其中轴承外圈故障特征频率为：

轴承内圈故障特征频率为：

滚动体故障特征频率为：

式中：Z——滚动体的数目，个；

d0——滚动体的平均直径，mm；

α——滚动体受力方向与内外轨道垂直线的夹角，（°）；

fB——轴的旋转频率，Hz。

通过以上分析可知，根据定子电流特征频率和轴承不同位置的振动特征频率可以诊断存在于轴承的故障，并给出故障位置。因此，在原有的“三机”监测及诊断系统中增加对电动机电压、电流、转速和振动信号（转子后轴水平和垂直方向、电机本体垂直方向）的采集。

2 “三机”电动机机械故障诊断方法

故障诊断是“三机”状态监测与故障诊断系统的核心，原系统采用BP神经网络和D－S证据理论相结合的方法诊断设备故障。本文开发的基于LabVIEW的“三机”状态监测与故障诊断系统对原有的故障诊断方法进行了改进。首先在频域分析了电动机的电流信号，得出相关的故障诊断特征参量；然后利用小波分析法，对振动信号进行分解和重构，提取特征量；最后结合BP神经网络进行多参数融合，诊断电动机故障。

2.1 基于频域的电流特征量提取

在故障诊断前，首先基于快速傅里叶变换对采集到的电动机定子电流进行频域分析，提取出电流中的工频f信号、特征频率f1（1±2s）信号（s为转差率）和转动频率fr信号（包括二倍频2fr和四倍频4fr信号等）。图3为电动机定子电流频域特征量提取程序，如果所要提取的信号频率在所设定的频率范围内，则输出该信号的幅值；如果不在，则置幅值为零。

图3 电动机定子电流频域特征量提取程序

2.2 基于小波包的振动特征量提取

由于振动信号为非稳定信号，为了在时域和频域同时表示出信号，利用小波包分析技术对振动信号进行分析，并提取了特征量，图4为小波包分解、重构和特征量提取流程图。小波包程序利用LabVIEW自带的小波包分析工具包编写。

2.2.1 LabVIEW下信号的分解和重构

小波包分解的基本思想是将尺度空间与小波空间通过分解和重构用新的子空间来表示。图5为小波包的分解和重构程序，程序首先利用Create WP session VI创建小波包结构；然后通过WP Decomposition VI设置需要分解的层数、小波函数和节点路径，进行分解；其次利用WP Read Node和WP Write Node将无关的节点系数循环置零；最后利用WP Reconstruction VI对所需节点系数进行信号重构，完成后关闭小波包结构，释放内存。

2.2.2 频段变换算法

由于小波包分解的节点顺序是自然顺序，如分解层数较少，可手动查找所需终端节点的路径，但是当分解层数较多时，查找所需终端节点的路径就很困难。因此，为了方便进行节点路径查询，需要将自然顺序转化为频率顺序，所以采用二进制转换算法对LabVIEW小波包分解程序中节点路径进行变换。具体方法为：将小波分解树上各节点的位置用0和1组合的二进制字符串表示，其中0代表低通滤波器，1代表高通滤波器。例如：路径101表示信号先后经过一次高通滤波，一次低通滤波和一次高通滤波。最后根据各个频带的信号能量，将小波包提取出的参数进行归一化，得出振动信号的特征量，即轴承外圈故障特征频率fo、轴承内圈故障特征频率fi、滚动体故障特征频率fb。

2.3 基于BP神经网络的故障诊断

利用频域分析和小波包分析分别提取的电流和振动特征量，结合电动机绕组温度、转子前轴承温度、转子后轴承温度等特征量，重新构建“三机”配套电动机的故障诊断BP神经网络。故障诊断BP网络仍然使用三层神经网络，其中：输入节点数增加为13，所增加节点为转动频率fr（包括二倍频、四倍频、五倍频、六倍频和十倍频）、轴承外圈故障特征频率fo、轴承内圈故障特征频率fi、滚动体故障特征频率fb。输出层节点数为3，分别为无故障、绕组故障和轴承故障。

系统采用LabVIEW作为BP神经网络的训练和应用平台，设计了BP神经网络故障诊断程序，包括神经网络初始化程序、样本打乱程序、BP网络训练程序和故障诊断程序，如图6所示。通过神经网络初始化程序，计算出神经网络隐含层每一神经元到输入层神经元的权值和输出层每一神经元到隐含层神经元的权值；样本打乱程序是为了防止程序陷入极小值死循环，减小训练程序因样本排列顺序不变带来的误差；对三层BP神经网络进行训练时，在保证学习率为0.4、误差上限为0.01、最大学习次数小于1000000的情况下，得到隐含层到输入层权值和输出层到隐含层权值；将所有监测得到的运行参数带入故障诊断程序，利用训练得到的权值得出故障类型。

图6 BP神经网络故障诊断程序

3 试验结果及分析

在实验室对三相异步电机进行了试验，分别模拟了以下几种情况：轴承完好；轻度滚珠故障；轻度内圈故障；轻度滚珠与轻度内圈组合故障；轻度滚珠与重度内圈组合故障；重度滚珠与轻度内圈故障；重度内圈故障；重度滚珠故障；重度滚珠与重度内圈组合故障。

采集非轴伸端水平方向和垂直方向的振动信号进行分析，比较信号振动最大振幅对应的频率与公式（2）～（4）计算出的电动机固有机械特征频率，即可得出故障轴承发生的位置。如图7所示为轴承完好、轻度内圈故障和重度滚珠故障的振动频谱图，可以看出轴承完好时，最大振动幅值对应频率为248Hz；轻度内圈故障和重度滚珠故障时，最大振动幅值对应频率分别为237Hz和260Hz。故障时最大振幅对应的频率与电动机特征频率基本相等，可以诊断出电机故障类型。

4 结论

基于LabVIEW的综采工作面“三机”状态监测及故障诊断系统弥补了原有“综采工作面输送设备工况实时监测及故障诊断系统”只能应用于井下的不足，实现在地面调度中心监测运行状态、诊断设备故障、记录历史数据。基于频域分析和小波分析的特征量提取，提高了故障类型识别的准确性和可靠性。试验表明，该系统提供了一种在地面监测和诊断井下工作面输送设备的运行状态和故障的方法，具有很高的实用性，为建立全矿井重大灾害预警系统奠定了基础。

［1］ 席庆祥，雷志鹏.综采面刮板输送机状态监测及故障诊断系统设计［J］.煤炭科学技术，2011（10）

［2］ 雷志鹏，宋建成.综采工作面输送设备工况实时监测及故障诊断系统的设计［J］.工矿自动化，2010（7）

［3］ 汪理全，杨真.长壁综合机械化采煤方法的发展趋势［J］.煤炭科学技术，2005（1）

［4］ 谢特列.矿井主通风机电动机状态监测及机械故障诊断预警软件开发［D］.太原理工大学，2012

［5］ 张春芝，冯海明，孟国营.煤矿井下工作面输送设备监控平台的研究［J］.中国煤炭，2010（1）

［6］ T.Nicolay1，M.Schmitt and A.Blum.Telemetric Chain Link Force Measurement in Coal Mining Armored Face Conveyors［J］.Proceedings of IEEE，2005（10）

［7］ 荆双喜，冷军发，李臻.基于小波－神经网络的矿用通风机故障诊断研究［J］.煤炭学报，2004（6）

Development of the condition monitoring and fault diagnostic system for Conveyors in the coal mining face

Li Jianhua1，Lei Zhipeng2，Li Yanwei2
（1.Shanxi Coal Mine Machinery Manufacturing Co.，Ltd.，Taiyuan，Shanxi 030031，China；2.College of Electrical and Power Engineering，Taiyuan University of Technology，Taiyuan，Shanxi 030024，China）

According to requirements of conveyors in the fully－mechanized coal face with annual production capacity of 10million tons，a condition monitoring and fault diagnostic system based on the LabVIEW was designed.The paper briefly introduced the whole structure of the system，and expounded diagnostic methods in details.Based on the frequency domain analysis and wavelet analysis，characteristic qualities were extracted from stator current signal and vibration signal，combined with Back Propagation neural network，a Multi－parameter fault diagnostic system was designed.The experiment results indicate that the system is an effective tool to monitor the operation condition and diagnose faults types.

conveyor，condition monitor，fault diagnosis，fully－mechanized coal face

TD634

A

国家“十一五”科技支撑计划重点项目（2007BAB13B01）

李建华（1964－），男，山西孝义人，高工、副总工程师，本科，长期从事煤矿机械设计与制造方面的科研工作。

（责任编辑 王雅琴）