一种采煤机煤岩截割介质高效识别和机械故障精确诊断方法

技术领域

本发明涉及煤炭智能安全开采技术领域，特别涉及一种采煤机煤岩截割介质高效识别和机械故障精确诊断方法。

背景技术

采煤机作为综合机械化采煤工作面的关键设备之一，实现其智能化、无人化开采是采煤机研发的重要趋势。同时，其连续、安全、可靠地运行是实现煤炭高产高效的重要保障。煤岩截割介质识别技术是实现采煤机智能化和无人化开采的基础，与此同时，对采煤机进行机械故障预测诊断能有效减少采煤机故障停机率。

采煤机工作过程中因为传动系统转动、煤岩截割介质改变、机械故障等原因会形成多源的振动信号。其中，传动系统转动引起的振动为正常工作振动，截割介质变化和机械故障引起的振动是超出许用振动范围的异常振动。现有研究表明，截割不同的煤岩介质对应着不同的振动特性，采煤机的故障类别和振动信号特征存在一定的规律性，通过对采煤机振动信号进行处理和溯源分析能够得到采煤机的工作状态和设备健康状态，是实现煤岩截割介质识别和机械故障诊断的重要手段。然而，目前针对采煤机多源振动信号煤岩截割识别和机械故障诊断的过程存在相互干扰，使分析过程变得复杂，增加了计算处理的难度。此外，采煤机振动信号体量大、有效特征信号分散、信息冗余，降低了截割介质识别和机械故障诊断算法的效率和准确率。与此同时，现有对采煤机振动信号的研究多为单源性研究，较少综合考虑采煤机工作过程中截割介质识别过程和机械故障诊断过程的相互干扰。因此，如何实现对截割介质型振动信号和机械故障型振动信号进行判别区分，再分别进行煤岩截割介质高效识别和机械故障精确诊断是一个亟需解决的重要问题。

因此，亟需开发一种适用于煤矿复杂开采条件下的考虑振动信号相互干扰和数据降维的采煤机煤岩截割介质高效识别和机械故障精确诊断的综合方法具有重大的工程价值。

发明内容

本发明的目的是提供一种采煤机煤岩截割介质高效识别和机械故障精确诊断方法，以解决现有技术中存在的问题。

为实现本发明目的而采用的技术方案是这样的，一种采煤机煤岩截割介质高效识别和机械故障精确诊断方法，包括以下步骤：

1)在调试阶段，采集采煤机在当前综采工作面不同截割速度和不同截割位置所对应的空载振动信号分布，并进行滤波和时频域特征提取。其中，提取的时频域特征指标包括通频幅值X

2)截割煤岩作业阶段，实时采集负载振动信号并进行滤波和时频域特征提取。进行标记，构建当前工况负载振动信号判别特征向量

3)构建异常振动信号高维特征集U。当振动信号确定为异常振动信号后，通过对异常振动信号进行进一步地时频域分析，得到16个时域特征指标和13个频域特征指标。提取当前工况负载状态三个方向异常振动信号29个特征指标(p

4)构建当前工况空载振动信号判别特征向量

5)调用E中与

α+β+δ+μ+θ＝1

式中，分子A

6)根据步骤)中的判别结果，选择相应的识别诊断程序。若异常振动信号高维特征集U为截割介质型振动信号高维特征集U

7)基于分类诊断结果进行决策响应。根据煤岩截割种类采取不同的采掘方案。根据故障类型进行声光报警和维护管理。

进一步，步骤1)和步骤2)中，利用多通道振动信号采集模块进行采煤机振动信号分布采集、时频域分析和信号传输。

进一步，步骤1)、步骤)和步骤4)中，通过对综采工作面进行数字化空间建模来确定采煤机滚筒的空间截割位置。选取工作面底板中点为坐标原点，采宽方向为X轴方向，采高方向是Y方向，构建综采工作面X-Y数字化模型。采煤机截割位置定义为(x,y)。初始空载振动信号判别特征矩阵E、初始空载振动信号判别特征向量

式中，x，y代表采煤机滚筒的截割位置。上标中v

进一步，步骤2)中，所述分析阈值P根据实际情况、历史数据和专家经验获取。

进一步，步骤3)中，所述16个时域特征指标包括通频幅值、最大值、最小值、均值、方差、偏斜度、均方值、有效值、方根幅值、绝对平均幅值、峭度指标、偏斜度指标、裕度指标、脉冲指标、峰值指标和波形指标。所述13个频域特征指标包括一倍频、二倍频、半频、高倍频、平均频率、E

进一步，步骤6)中，所述采煤机振动信号图嵌入模型构建方法包括如下子步骤：

6.1)将介质型振动信号高维特征集U

6.2)将训练样本集X

6.3)用A对X

进一步，步骤7)中，采掘方案通过分析历史采煤工作数据和专家评估得到。

进一步，步骤7)中，声光报警以声音和LED的形式显示故障类别，第一时间提醒运维人员进行维修。

进一步，步骤7)之后，还具有更新采煤机振动信息管理数据库的相关步骤。

进一步，将单次监测分析的数据更新至振动信息管理数据库。所述振动信息管理数据库包括采煤机基本信息库、采煤机截割工况数据库、采煤机截割故障数据库、初始空载振动信息数据库和振动历史信息数据库。

本发明的技术效果是毋庸置疑的：

A.构建了采煤机振动信号判别函数模型。本发明针对采煤机振动信号多源复杂难以进一步分析利用的问题，构建了振动信号判别函数模型，定义了截割介质型因子和机械故障型因子，并对截割介质型振动信号高维特征集和机械故障型振动信号高维特征集进行了区分，能够解决振动监测技术在煤矿监测应用中信息复杂难分离的问题；

B.构建了综采工作X-Y面数字化模型，从截割面位置和截割速度两个维度为振动信息进行标记，定义多种采煤机振动信号矩阵，为采煤工作数字化发展提供了一种新的思路；

C.创建了采煤机振动信号图嵌入模型，实现对采煤机振动信号高效快速降维，有效解决采煤机振动信号体量大、特征分散、数据冗余等问题，提高了煤岩介质识别和故障诊断的效率和准确率。

附图说明

图1为采煤机煤岩截割介质高效识别和机械故障精确诊断方法流程图；

图2为综采工作面X-Y数字化模型的构建方法示意图；

图3为图嵌入模型中边界Fisher分析算法的原理示意图；

图4为滚筒式采煤机截割部示意图。

具体实施方式

下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。

实施例1：

采煤机滚筒在截割煤岩的过程当中，随着截割介质的变化，由截割力激励所产生的摇臂振动响应也会随之发生变化，即不同煤岩截割工况对应着不同的振动特性，监测采煤过程中的振动参数能够实现截割过程中的煤岩界面识别。采煤机截割部机械故障会引起工作过程中的振动信号发生变化，研究表明，采煤机的故障类别和振动信号特征存在一定的规律性，利用采煤过程中的振动信号，能够实现采煤机截割部故障的诊断。

本实施例提供一种采煤机煤岩截割介质高效识别和机械故障精确诊断方法，包括以下步骤：

1)调试阶段。在调试阶段，构建采煤机基本信息库，确定分析阈值P，确定判别阈值M，利用多通道振动信号采集模块采集采煤机摇臂在当前综采工作面不同速度和不同空间位置所对应的空载振动信号分布，根据不同速度和不同空间位置对振动信号进行标记，构建初始空载振动信号判别特征矩阵E。所述采煤机基本信息库用于存储采煤机型号、煤矿、煤层、综采工作面等基本信息。所述分析阈值P根据实际情况、历史数据和专家经验来获取。比如，在以往历史数据中，截割介质变化或者机械故障所对应的振动信号特征指标的最小值集合为P

式中，x，y代表采煤机滚筒的截割位置，上标中v

本实施例中定义了

2)实时采集负载振动信号并进行预处理，判断振动信号是否异常。截割煤岩作业阶段，多通道振动信号采集模块实时采集振动信号并进行如1)中所述的时频域特征指标提取，进行标记，构建当前工况负载振动信号判别特征向量

3)构建异常振动信号高维特征集U。当振动信号确定为异常振动信号后，通过对异常振动信号进行进一步地时频域分析，得到16个时域特征指标和13个频域特征指标。提取当前工况负载状态三个方向异常振动信号29个特征指标(p

表1

4)构建当前工况空载振动信号判别特征向量

5)调用E中与

α+β+δ+μ+θ＝1

其中，分子A

6)根据步骤5)中的判别结果，选择相应的识别诊断程序。若异常振动信号高维特征集U为截割介质型振动信号高维特征集U

7)基于分类诊断结果进行决策响应。根据煤岩截割种类采取不同的采掘方案，实现采煤机安全高效采煤。根据故障类型进行声光报警和维护管理。

8)更新采煤机振动信息管理数据库。所述振动信息管理数据库包括采煤机基本信息库、采煤机截割工况数据库、采煤机截割故障数据库、初始空载振动信息数据库和振动历史信息数据库。采煤机基本信息库主要用于收集储存煤层深度、煤层厚度、采煤机型号等基本信息。采煤机截割工况数据库用于储存采煤机截割过程中的不同煤岩工况模式以及每种工况所对应的合理作业方案。其中煤岩工况模式主要包括空载工况、割煤工况、割岩石工况、割夹矸煤工况。合理作业方案包括根据相关研究得出的协调高效的截割速度和截割高度等数据。采煤机截割故障数据库用于储存采煤机不同的故障类别以及其所对应的应对措施。采煤机振动信息系统的构建，有利于加强采煤机工作的管理，为进一步研究提供数据基础。

本实施例综合考虑基于振动信号的相互干扰的煤岩截割介质识别过程和机械故障诊断过程，将多源性的采煤机振动信号先进行两个过程的判别区分，再分别利用图嵌入模型对高维采煤机振动信号进行降维，分别进行煤岩截割介质识别和机械故障诊断，为采煤机作业安全监测提供新的思路。

实施例2：

本实施例主要步骤同实施例1)，其中，步骤6)中，所述采煤机振动信号图嵌入模型定义如下：

步骤1：将上述3)中所述介质型振动信号高维特征集U

步骤2：将训练样本集X

步骤3：用A对X

所述边界Fisher分析(MFA)算法定义如下：

对训练样本中的每个样本点构造其同类本征图G

其中

Φ(a)＝a

Ψ(a)＝a

其中X(D

计算式可以转换为：

目标函数式通过拉格朗日乘子法转化为广义特征值问题求解。

X(D

MFA是寻找一个投影矩阵A∈R

实施例3：

本实施例主要步骤同实施例1)，其中，步骤7)中，采掘方案通过分析历史采煤工作数据和专家评估得到。

实施例4：

本实施例主要步骤同实施例1)，其中，步骤7)中，声光报警以声音和LED的形式显示故障类别，第一时间提醒运维人员进行维修。