选煤设备远程故障预测系统设计.pdf

工矿自动化 I n d u st r y a n d Min e Au t o ma t io n 第45卷第7期 2019年7月 Vo l, 45 No . 7 Ju l. 2019 文章编号1671-251X201907-0048-05DOI 10.13272/j. issn . 1671-251x . 17460 选煤设备远程故障预测系统设计 付翔1,王然风1,庞亮2 1 太原理工大学矿业工程学院，山西太原030024；2・西山煤电集团 有限责任公司马兰矿选煤厂，山西太原030024 扫码移动阅读 摘要针对目前选煤设备故障预测存在设备监测数据转换方法不统一、单一的故障分类模型难以满足多 种故障类型预测要求、故障分类模型无法在线更新和修正等问题，基于远程运维模式，设计了 一种选煤设备 远程故障预测系统。通过对选煤设备传感器数据进行预处理，生成规范的全信息并输入至多种故障分类模 型，通过加权计算总体故障指标，并利用综合决策获得故障预测结果，可为智能化选煤厂设备全生命周期管 理提供技术支撑。应用结果验证了该系统的有效性。 关键词智能化选煤厂；选煤设备；故障预测；全信息；远程运维；故障分类模型 中图分类号TD948 文献标志码A Design of remote fault prediction system for coal preparation equipments FU Xia n g1, WANG Ra n f en g1, PANG Lia n g2 1. Co lleg e o f Min in g En g in eer in g , Ta iyu a n Un iv er sit y o f Tec h n o lo g y, Ta iyu a n 030024, Ch in a; 2. Ma la n Co a l Pr epa r a t io n Pla n t , Xish a n Co a l Elec t r ic it y Gr o u p Co . , Lt d . , Ta iyu a n 030024, Ch in a AbstractI n v iew o f pr o blems ex ist in g in c u r r en t c o a l pr epa r a t io n eq u ipmen t s f a u lt pr ed ic t io n , su c h a s eq u ipmen t s mo n it o r in g d a t a c o n v er sio n met h o d w a s n o t u n if ied , sin g le f a u lt c la ssif ic a t io n mo d el c a n n o t meet r eq u ir emen t s o f mu lt iple f a u lt t ypes pr ed ic t io n , a n d t h e f a u lt c la ssif ic a t io n mo d el c a n n o t be u pd a t ed a n d mo d if ied o n lin e. Ba sed o n r emo t e o per a t io n a n d ma in t en a n c e mo d e, a r emo t e f a u lt pr ed ic t io n syst em f o r c o a l pr epa r a t io n eq u ipmen t w a s d esig n ed . By pr epr o c essin g sen so r d a t a o f c o a l pr epa r a t io n eq u ipmen t , f u ll in f o r ma t io n is g en er a t ed a n d in pu t t o v a r io u s f a u lt c la ssif ic a t io n mo d els. Ov er a ll f a u lt in d ex is w eig h t ed a n d f a u lt pr ed ic t io n r esu lt is o bt a in ed t h r o u g h c o mpr eh en siv e d ec isio n . I t c a n pr o v id e t ec h n ic a l su ppo r t f o r t h e w h o le lif e c yc le ma n a g emen t o f in t ellig en t c o a l pr epa r a t io n pla n t eq u ipmen t s. Th e a pplic a t io n r esu lt s v er if y ef f ec t iv en ess o f t h e syst em. Key words in t ellig en t c o a l pr epa r a t io n pla n t ; c o a l pr epa r a t io n eq u ipmen t; f a u lt pr ed ic t io n ; f u ll in f o r ma t io n ; r emo t e o per a t io n a n d ma in t en a n c e f a u lt c la ssif ic a t io n mo d el 0引言 选煤设备全生命周期健康管理是智能化选煤厂 建设的重要内容口切，而设备故障预测是实现选煤设 备全生命周期健康管理的核心环节4］。运用有效 的故障预测方法，及时预测设备故障的发展态势，有 利于把握设备的退化趋势，了解设备发生故障的大 致时机，便于在故障发生前及时制定并实施预防性 维护策略，以预防故障产生，降低由于设备故障带来 的巨大经济损失闪。 故障预测方法因复杂程度、适用范围和预测能 力不同，主要分为基于传统可靠性的故障预测W 基于失效物理模型的故障预测闪、基于统计的故障 预测卩诃、基于数据驱动的故障预测“⑷。其中，基 收稿日期2019-06-11；修回日期2019-06-30；责任编辑盛男。 基金项目山西省科技计划研究项目201801D221358。 作者简介付翔1986-,男，山西太原人，讲师，博士，主要研究方向为智能化开采与分选,E-ma il 14632235q q .c o m. 引用格式付翔，王然风，庞亮.选煤设备远程故障预测系统设计[J].工矿自动化，2019,45748-52. FU Xia n g , WANG Ra n f en g, PANG Lia n g . Desig n o f r emo t e f a u lt pr ed ic t io n syst em f o r c o a l pr epa r a t io n eq u ipmen t s [J]. I n d u st r y a n d Min e Au t o ma t io n,2019,45748-52. 2019年第7期付翔等选煤设备远程故障预测系统设计 49 于数据驱动的故障预测较为常用，其原理采用决策 树、神经网络、支持向量机等人工智能算法，通过对 设备状态历史监测数据进行机器学习，建立故障分 类模型，并通过输入设备状态实时监测数据,决策输 出设备故障预测结果。 目前选煤厂主要通过布置传感器监测设备运行 过程中的振动、温度数据，根据现场数据可视化分 析，利用人工经验或单一故障分类模型进行选煤设 备故障预测阂，但存在以下问题数据量巨大，数据 转换方法不统一;选煤设备可能存在多种故障类型， 单一的故障分类模型难以满足多种故障类型预测的 要求;故障分类模型无法在线更新和修正，故障预测 准确率难以保证;仅依靠选煤厂单方面技术力量，难 以胜任复杂的数据分析与处理。鉴此，本文在分析 选煤设备故障预测原理的基础上，设计了选煤设备 远程故障预测系统，可将海量数据高效、准确地转换 成全信息，同时融合多种故障分类模型，实现设备远 程故障精确预测，为智能化选煤厂设备全生命周期 管理提供技术支撑。 1选煤设备故障预测原理 依据基于数据驱动的故障预测原理，结合选煤 设备多样性特点，提出选煤设备故障预测原理，如 图1所示。根据全信息原理「闰，对选煤设备监测数 据进行预处理传感器信号通过A/D或D/A转换 为具体的振动加速度、速度、温度等物理量，得到语 法信息，以表征外部对象的具体物理含义;振动数据 通过傅里叶变换、小波变换、H ilber t -Hu a n g、时频分 析等方法，温度数据通过阈值判断、趋势分析、统计 处理等方法,得到语义信息，以表征具体物理量所描 述的外部对象状态及性质；通过计算语义信息与目 标故障的相关性,得到语用信息，以表征语义信息对 于达到目标的相关性程度。将选煤设备全信息作为 多种故障分类模型的输入，经模型计算输出多种故 障分类结果，通过综合决策实现故障预测结果输出。 选煤设备监测数据预处理选煤设备多故障模型融合预测 ；|传号器| ；陀J_ |数据集成| 目标单障G |-------； 故障G 分类模型1 XC 故障G 分类模型2 g22 GZ ；|聚集 | G“Df GyA“A ； 数据 泛化 属性 构造 故障G 分类模型n 总体故障指标计算 k 综合决策 GX/Q 图1选煤设备故障预测原理 Fig .l 1.1 选煤设备监测数据预处理 1 数据集成。将传感器数据WE转换成离 散时间点的语法信息XC WEXC 1 式中W为传感器信号的时间序列集合;E为考虑 误差传感器本身误差、取样间隔误差等影响的传 感器测量精确度的时间序列集合;X为转换后语法 信息的时间序列集合;C为考虑转换前后误差除传 感器误差外，转换过程中的转换器本身误差、数学约 简误差等影响的语法信息肯定度的时间序列集合。 2 数据选择。通过判断信息类型与目标故障 G的相关性程度语用信息，将集成的语法信息进 行选择、分类，为各类语法信息附上目标故障G的 标签。语法信息XC以G类型分类定义为 XC GXC 2 式中GXC为所有目标故障G的语法信息集合。 3 聚集。通过预先定义的时间长度标准，将 Fa u lt pr ed ic t io n pr in c iple o f c o a l pr epa r a t io n eq u ipmen t s GXC聚集成时间段语法信息GXZC GXCf XC 3 式中X为与目标故障G相关、时间长度为/的时间 段语法信息，其中I的取值与目标故障G和语法信 息类型有关，可根据经验和现场实际情况预先定义。 4 数据泛化。数据泛化实质上是通过阈值判 断、变化趋势判断等常规的特征识别方法，将一段时 间的工程量转换成该时间段的数据变化特征，本质 上是一种数据归纳、总结的方法。使用概念分层，用 高层概念替换低层概念，将GXC转换成表征泛 化特征的语义信息GYd GX,C 一 Yd妙 4 式中Yd为表征泛化特征的语义信息的实际含义; 如为表征泛化特征的语义信息的综合逻辑真实度。 5 属性构造。属性构造实质上是通过数据主 元分析法、傅里叶变换、小波变换、模式识别等数据 变换方法,根据主体目标的需要，自定义构造合理的 ・50・工矿自动化2019年第45卷 新属性。根据已有信息构造新的信息属性，将 Gxg转换成表征构造属性的语义信息gYa切a GX』C f Ya切A 5 式中Ya为表征构造属性的语义信息的实际含义; 处为表征构造属性的语义信息的综合逻辑真实度。 通过数据泛化和属性构造可将语法信息XC 转换成语义信息丫切 X‘C7“呼严打 6 LYa“a」 6相关性计算。通过目标故障G与语义信息 Y切之间的相关性计算，生成语义信息对于目标故 障G的语用信息 GZ Co r Yq ,G 7 式中Z为语义信息YQ对于目标的语用信息集 合;Co r为相关性运算符。 选煤设备监测数据预处理中语义信息生成语用 信息可描述为 ［雷B Yiy “D -“A- 8 式中N为目标故障G的语用信息;如,宀分别为 语义信息Yd 妙，Ya 对目标故障G的综合效 用度。 根据语用信息合理分配不同目标故障G分类 模型的语义信息输入。 通过选煤设备监测数据预处理,可将传感器数 据转换成目标故障G的全信息KG 状态。 2选煤设备远程故障预测系统 选煤设备故障预测的远程运维模式如图2所 示。选煤厂通过在现场选煤设备上安装状态信息监 测传感器，将采集的数据通过通信技术上传至选煤 厂本地数据中心，实现现场数据处理、存储;选煤厂 本地数据中心通过互联网与科研院校实现数据的实 时交互，科研院校利用自身专业知识,远程对现场实 时数据和历史数据进行挖掘，不断构建、验证、修正 故障预测的数据预处理方法和故障分类模型。 图2选煤设备故障预测的远程运维模式 Fig . 2 Remo t e o per a t io n a n d ma in t en a n c e mo d e o f c o a l pr epa r a t io n eq u ipmen t s f a u lt pr ed ic t io n 基于该远程运维模式，结合云平台、大数据、人 工智能等技术，设计选煤设备远程故障预测系统架 构，如图3所示。 针对选煤设备目标故障G建立”个分类模型, ■xzc_ Yd如 WE 一 /GYa 切 a “D -4 - 1.2 选煤设备多故障模型融合预测 一龜址应用 .0.0 |散锯备册| |甑据港沈| |散据检袞| 収务黯代码綁署 | Spr in g Bo o t鉤秦配起 | ［冃标故障分娄楼艷阳枸述I 全佶息转抉预赴理 远程客户踹 ］悯 b畀而| I乎机人卩卩］ ］平骰鬲I应圧 将全信息1G输入模型 2,，九，可获得目 标故障G分类模型的预测结果g“ g； l时表示故 障;gi 0时表示正常。 由于分类模型建模方法不同，根据分类模型的 预测精度，为每个模型设置权重因子。设模型。的 ... 匹胃数堀中心一 A A 地数堀中心 - _ _ I _ _ - _ _ I _ _ r r _ _ _ _ _ _ _ _ _ _ 幷粧式驚穹云平性 Ijjj 1 一 一 4」一一一一一. 网络 陆加本地初描滯 黠务常冗余 网烙葡丸堪 网淸I j IKIK 客通怕足 权重因子为伽且满足工妙1 ,根据模型权重，结 1 1 合模型预测结果，加权计算”个目标故障G分类模 型的总体故障指标 k 工 s g； 10 ii 通过设定正常限Gn、故障限Gf,对总体故障指 标怡进行综合决策，输出设备故障预测结果若 0 k 回卜 000 ・-3［叶 Jtl SJ V RUCK I0Q I5D 200 25II 5W Pl fit/ms jil 蝎fl分析 s M * e -T 器旦 测山賂轻中首煤視分圾聚辰怙制博旧.13加总律餓秒32HHP|W.蚊建-m .◎竹2jW5 m 时冊201915-211 懈也-1561 m-V 口 詡闸肝”丁帰何饲 J.W3 W硬 JtH*O5-3ri6fH 卅H 91 茨. rJ X75 W 頤 I JOl W-l iTiOHd 22朗训绍 rf 2■血 9J5S c i1 j l W-24n eiHI 2.W Vl Ji ■记汞MT 图4选煤设备远程故障预测系统运行界面 测也齬徑-怖了煤昵分隨柔1张眠低｝｛囂卄门乩加世淒皱秋JHHHM臭戦匮2.fiir -v 逢打辂速 0 r.min 耀样応时2DI05-24Tl feiW 苛看 4 WKi JIzJ-UZl blis 斤’ n ____ _________________ ________________ _ ___________________________________ _ Im r u v r -i] 111 1 1 1中丄］ 怦h，4 [____________ _ w耕 rOoc n 卜侧 30 務率加 HHI Fig . 4 Oper a t io n in t er f a c e o f r emo t e f a u lt pr ed ic t io n syst em f o r c o a l pr epa r a t io n eq u ipmen t s 1止F 反 a 近近 a 述诉 该系统在马兰矿选煤厂应用以来，每月定期生 成1份设备体检报告，包括设备运行状态维护优先 级定义、设备运行状态及描述,并在设备劣化时随时 通过手机APP、微信、电话等手段及时联系选煤厂 管理人员，形成多起设备故障预测成功案例。以 967煤泥分级泵故障预测为例，泵联轴器侧加速度 数据经预处理后，得到故障前后频谱分析对比，如 图5所示。可看出故障前泵联轴器侧加速度整体幅 值很低，尖峰不到0.5 m/s h故障后泵联轴器侧加 速度整体幅值急剧变大,尖峰在1 m/s 左右；故障 前后尖峰能量均集中在2 000 Hz以下。系统得出 Fig . 5 亠 2 直产树一国剧 I uhfc 2;2; 壮 图5煤泥分级泵故障前后频谱分析对比 Co mpa r iso n o f spec t r u m a n a lysis bef o r e a n d a f t er slime g r a d in g pu mp f a ilu r e 52 工矿自动化2019年第45卷 故障预测结论967煤泥分级泵联轴器松动。现场 检查结果与预测结论一致。 4结语 选煤设备远程故障预测系统通过对选煤设备传 感器数据进行预处理，生成规范的全信息并输入至 多种故障分类模型,通过加权计算总体故障指标，并 利用综合决策获得故障预测结果。该系统已在马兰 矿选煤厂进行了工业性应用，应用效果验证了该系 统的有效性。 参考文 献References E1]王国法，赵国瑞,任怀伟智慧煤矿与智能化开采关键 核心技术分析[J] 煤炭学报,2019,44134-41. WANG Gu o f a , ZHAO Gu o r u i, REN Hu a iw ei. An a lysis o n k ey t ec h n o lo g ies o f in t ellig en t c o a l min e a n d in t ellig en t min in g [J]. Jo u r n a l o f Ch in a Co a l So c iet y,2019,441 34-41. [2] 荣东■全生命周期设备管理系统在选煤厂的应用[J]. 煤炭加工与综合利用,2019130-32. RONG Do n g. Applic a t io n o f eq u ipmen t ma n a g emen t syst em f o r t h e w h o le lif e c yc le in t h e c o a l pr epa r a t io n pla n t [ J ]. Co a l Pr o c essin g Co mpr eh en siv e Ut iliza t io n ,20191 30-32. [3] 唐德修.设备机械故障预测技术[M].成都西南交通 大学出版社,2007. [4] 郭宇■基于故障预测的设备预防性维护策略研究及应 用[D].重庆重庆大学,2017. [5] 李素婷设备状态维修决策及其优化研究[D].重庆 重庆大学,2010. [6] 孙亮,徐廷学，代莹基于定期检测的导弹贮存可靠性 预测模型[J].战术导弹技术,2004416-19. SUN Lia n g, XU Tin g x u e, DAI Yin g . Mo d els o st o r a g e r elia bilit y pr ed ic t io n ba sed o n per io d ic a l t est f o r missiles [J]. Ta c t ic a l Missile Tec h n o lo g y, 2004 416-19. [7] 贾占强，蔡金燕,梁玉英，等.基于综合环境加速寿命 试验的电子装备故障预测研究[J].电子学报，2009, 3761277-1282. JI A Zh a n q ia n g, CAI Jin ya n , LI ANG Yu yin g , et a l. Fa u lt pr ed ic t io n r esea r c h o f elec t r o n ic eq u ipmen t ba sed o n c o mpo sit io n en v ir o n men t a l a lt [J]・ Ac t a Elec t r o n ic a Sin ic a ,2009,376 1277-1282. [8 ] ADAMS D E. No n lin ea r d a ma g e mo d els f o r d ia g n o sis a n d pr o g n o sis in st r u c t u r a l d yn a mic syst ems [ J ]. Pr o c eed in g s o f SPI E-Th e I n t er n a t io n a l So c iet y f o r Opt ic a l En g in eer in g, 2002,4733 180-191, [9 ]王宁，孙树栋,李淑敏，等.基于DD-HSMM的设备运 行状态识别与故障预测方法[J].计算机集成制造系 统,2012,188.1861-186 WANG Nin g , SUN Sh u d o n g, LI Sh u min, et a l. Eq u ipmen t st a t e r ec o g n it io n a n d f a u lt pr o g n o st ic s met h o d ba sed o n DD-HSMM mo d el [J]. Co mpu t er I n t eg r a t ed Ma n u f a c t u r in g Syst ems, 2012, 18 8 1861-186 [10]马春茂，邵延君,潘宏侠，等基于灰色马尔可夫模型 的装备故障间隔期预测研究[J1兵工学报,2013,34 91193-1196. MA Ch u n ma o, SHAO Ya n ju n , PAN Ho n g x ia , et a l. TBF pr ed ic t io n o f eq u ipmen t ba sed o n t h e g r a y Ma r k o v mo d el[J]. Ac t a Ar ma men t a r ii, 2013,349 1193-1196. [I ll胡泽文，肖明清.基于时间序列模型的故障预测研究 □].计算机测量与控制,2013,2161421-1423. HU Zew en , XI AO Min g q in g . Resea r c h o f a u lt pr ed ic t io n ba sed o n t ime seq u en c e mo d el [ J Co mpu t er Mea su r emen t Co n t r o l, 2013, 21 6 1421-1423. [12] WANG Yin g min , ZHANG Fu ju n , CUI Ta o , et a l. Fa u lt d ia g n o sis f o r ma n if o ld a bso lu t e pr essu r e sen so r MAP o f d iesel en g in e ba sed o n Elma n n eu r a l n et w o r k o bser v er [J]. Ch in ese Jo u r n a l o f Mec h a n ic a l En g in eer in g ,2016,292 386-395. [13] 徐贵斌，周东华.基于在线学习神经网络的状态依赖 型故障预测口 1浙江大学学报工学版，2010,44 71251-1254. XU Gu ibin , ZHOU Do n g h u a . Fa u lt pr ed ic t io n f o r st a t e-d epen d en t f a u lt ba sed o n o n lin e lea r n in g n eu r a l n et w o r k [ J ]・ Jo u r n a l o f Zh ejia n g Un iv er sit y En g in eer in g Sc ien c e ,2010,447 1251-1254, [14] 郭宪臻，陈先利，关志民，等.炼铁设备故障预测模型 的建立与应用[J1东北大学学报自然科学版， 2011,329.1265-1268. GUO Xia n zh en ,CHEN Xia n li,GUAN Zh imin , et a l. Dev elo pmen t a n d a pplic a t io n o f eq u ipmen t ma lf u n c t io n pr ed ic t io n mo d els f o r ir o n ma k in g pr o c ess [J ]. Jo u r n a l o f No r t h ea st er n Un iv er sit y Na t u r a l Sc ien c e ,2011,3291265-126 [15] 刘松基于全信息的问答系统研究[DI北京北京邮 电大学,2014.