CN116142726A - 刮板运输机链传动系统的故障监测预警系统 - Google Patents

Abstract

本发明涉及一种刮板运输机链传动系统的故障监测预警系统，属于刮板运输机故障监测技术领域。包括数据采集单元、深度学习单元、数据处理单元、警报单元和显示单元；数据采集单元包括增量编码器、电流互感器、加速度传感器、张力传感器和无线数据采集设备，增量编码器、电流互感器、加速度传感器和张力传感器均与无线数据采集设备的信号输入端连接，无线数据采集设备的信号输出端与深度学习单元的信号输入端连接，深度学习单元的第一信号输出端与数据处理单元的信号输入端连接，数据处理单元的信号输出端与警报单元信号输入端和显示单元的第一信号输入端均连接。本发明不仅监测预警结果更加可靠，而且能够节省人力成本，智能化程度高。

Description

刮板运输机链传动系统的故障监测预警系统

技术领域

本发明涉及刮板运输机故障监测技术领域，尤其涉及一种刮板运输机链传动系统的故障监测预警系统。

背景技术

刮板运输机作为一种有效的牵引装置，长期以来在矿井生产中有着十分广泛的应用，是确保井下综采作业和掘进作业有效高质开展的重要保障。一旦出现设备故障，将会对矿井生产的持续高效开展造成极大的负面影响。据统计，刮板运输机的故障中有50％以上故障是由于其链传动系统故障造成的。常见的刮板运输机链传动系统故障主要有刮板链卡顿和刮板链断裂两种。考虑到不良工作条件，影响链传动系统可靠性的主要因素包括以下方面：溜槽上的不平坦载荷，过长的传送带以及之间的复杂相互作用传输系统。由于张力特征可以有效地反映传输系统的工作状态，因此可以通过研究刮板链的张力变化，实现链动传输系统的状态监测和异常工况识别。

目前关于刮板运输机故障检测装置的设计已有很多种，专利CN102491067B使用刮板带动托辊运动，从而带动传感器运动，该设计中传感器为接触式且数据类型单一，装置可靠性较低。专利CN103434816B使用感应测力传感器、测速传感器、电流互感器、压力传感器和行程传感器，分别测量五种变量，虽然变量丰富，但是测量结果需要人为进行判断，人力成本高，智能化程度低。在先前关于刮板链张力的研究中，多集中于对张力参数的直接测量与分析，但是由于张力传感器需要安装在刮板链上并在刮板运输机工作过程中一直随刮板链运行，使得刮板运输机的工作环境对测量结果影响较大，导致监测结果不准确。

发明内容

为解决上述技术问题，本发明提供一种刮板运输机链传动系统的故障监测预警系统。本发明的技术方案如下：

一种刮板运输机链传动系统的故障监测预警系统，其包括数据采集单元、深度学习单元、数据处理单元、警报单元和显示单元；所述数据采集单元包括增量编码器、电流互感器、加速度传感器、张力传感器和无线数据采集设备，增量编码器、电流互感器、加速度传感器和张力传感器均与无线数据采集设备的信号输入端连接，无线数据采集设备的信号输出端与深度学习单元的信号输入端连接，深度学习单元的第一信号输出端与数据处理单元的信号输入端连接，数据处理单元的信号输出端与警报单元信号输入端和显示单元的第一信号输入端均连接；

所述增量编码器用于检测刮板运输机的驱动电机工作时的旋转速度信号，电流互感器用于检测所述驱动电机的工作电流信号，加速度传感器用于检测刮板运输机的水平振动信号，张力传感器用于在刮板运输机开机工作的初始阶段检测刮板运输机沿运行方向的刮板链张力信号；

所述无线数据采集设备用于在接收旋转速度信号、工作电流信号、水平振动信号和刮板链张力信号后，传输至深度学习单元；

所述深度学习单元用于根据旋转速度信号、工作电流信号和水平振动信号预测刮板链张力，得到三组张力预测量，并将三组张力预测量和刮板链张力信号传输至数据处理单元；

所述数据处理单元用于根据三组张力预测量确定张力预测值，并根据张力预测值和刮板链张力信号确定刮板运输机的刮板链是否出现故障，并在确定刮板链出现故障时将故障类型发送至报警单元进行报警，以及将故障类型发送至显示单元进行显示。

可选地，所述深度学习单元的第二信号输出端还与显示单元的第二信号输入端连接；

所述深度学习单元用于根据无线数据采集设备各采样周期发送的旋转速度信号、工作电流信号、水平振动信号和刮板链张力信号绘制对应的变化曲线；

所述显示单元还用于显示旋转速度信号、工作电流信号、水平振动信号和刮板链张力信号对应的变化曲线。

可选地，所述增量编码器安装在刮板运输机驱动电机的旋转轴末端；所述电流互感器安装在刮板运输机的机尾电机进线处；所述加速度传感器安装在刮板运输机刮板的上表面；所述张力传感器固定在刮板运输机的垂直链上；所述无线数据采集设备通过基座安装在刮板运输机的溜槽上。

可选地，所述深度学习单元在根据旋转速度信号、工作电流信号和水平振动信号预测刮板链张力时，先对旋转速度信号、工作电流信号、水平振动信号和刮板链张力信号进行归一化处理，然后将归一化处理后的旋转速度信号、工作电流信号和水平振动信号分别输入预先训练好的卷积神经网络，根据卷积神经网络的输出结果确定旋转速度信号、工作电流信号、水平振动信号分别对应的张力预测量。

可选地，所述数据处理单元在根据三组张力预测量确定张力预测值时，通过如下步骤来实现：

首先，计算各组张力预测量与刮板链张力信号之间的绝对误差R_i＝abs(T_i-T₀)，(i＝1，2，3)，T_i表示旋转速度信号、工作电流信号和水平振动信号对应的张力预测量，T₀表示刮板链张力信号；

然后，定义各组张力预测量的权重系数0＜δ_i＜1，(i＝1，2，3)，根据总体方差

D(R_i)表示各组绝对误差的方差，由下述方程组计算使D(R)最小时各组张力预测量的权重系数δ_i

最后，通过公式T＝δ₁T₁+δ₂T₂+δ₃T₃确定张力预测值T。

可选地，所述数据处理单元在根据张力预测值和刮板链张力信号确定刮板运输机的刮板链是否出现故障时，将张力预测值和刮板链张力信号进行比较，并根据比较结果确定刮板链是否受到大载荷冲击、发生卡链故障或发生断链故障。

上述所有可选地技术方案均可任意组合，本发明不对一一组合后的结构进行详细说明。

借由上述方案，本发明的有益效果如下：

通过设置数据采集单元、深度学习单元、数据处理单元、警报单元和显示单元，数据采集单元包括增量编码器、电流互感器、加速度传感器、张力传感器和无线数据采集设备，以驱动电机工作时的旋转速度信号、工作电流信号、刮板的水平振动信号为参考，共同判断刮板运输机刮板链的运行状态，不仅监测预警结果更加可靠，而且能够节省人力成本，智能化程度高。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。

附图说明

图1是本发明的系统组成结构示意图。

图2是本发明实施例中大载荷冲击时张力预测值的变化曲线示意图。

图3是本发明实施例中卡链故障时张力预测值的变化曲线示意图。

图4是本发明实施例中断链故障时张力预测值的变化曲线示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

如图1所示，本发明提供的刮板运输机链传动系统的故障监测预警系统，包括数据采集单元、深度学习单元、数据处理单元、警报单元和显示单元；所述数据采集单元包括增量编码器、电流互感器、加速度传感器、张力传感器和无线数据采集设备，增量编码器、电流互感器、加速度传感器和张力传感器均与无线数据采集设备的信号输入端连接，无线数据采集设备的信号输出端与深度学习单元的信号输入端连接，深度学习单元的第一信号输出端与数据处理单元的信号输入端连接，数据处理单元的信号输出端与警报单元信号输入端和显示单元的第一信号输入端均连接；

所述增量编码器用于检测刮板运输机的驱动电机工作时的旋转速度信号，电流互感器用于检测所述驱动电机的工作电流信号，加速度传感器用于检测刮板运输机的水平振动信号，张力传感器用于在刮板运输机开机工作的初始阶段检测刮板运输机沿运行方向的刮板链张力信号；

所述无线数据采集设备用于在接收旋转速度信号、工作电流信号、水平振动信号和刮板链张力信号后，传输至深度学习单元；

所述深度学习单元用于根据旋转速度信号、工作电流信号和水平振动信号预测刮板链张力，得到三组张力预测量，并将三组张力预测量和刮板链张力信号传输至数据处理单元；

所述数据处理单元用于根据三组张力预测量确定张力预测值，并根据张力预测值和刮板链张力信号确定刮板运输机的刮板链是否出现故障，并在确定刮板链出现故障时将故障类型发送至报警单元进行报警以提醒现场人员进行设备维护，以及将故障类型发送至显示单元进行显示。

具体地，本发明实施例可以采用双CPU设计，深度学习单元和数据处理单元分别设置微处理器一和微处理器二，以此提高数据运算的速度，进而保障故障监测预警系统的实时性。

其中，深度学习单元和数据处理单元之间可以通过SPI电路进行通信；深度学习单元与数据采集单元的各传感器之间使用RS-485方式通信，数据处理单元与显示单元和报警单元之间可以使用RS-485方式通信。

可选地，所述深度学习单元的第二信号输出端还与显示单元的第二信号输入端连接；所述深度学习单元用于根据无线数据采集设备各采样周期发送的旋转速度信号、工作电流信号、水平振动信号和刮板链张力信号绘制对应的变化曲线；所述显示单元还用于显示旋转速度信号、工作电流信号、水平振动信号和刮板链张力信号对应的变化曲线。其中，增量编码器、电流互感器、加速度传感器和张力传感器的采样频率均设置为1kHz。

具体地，所述增量编码器安装在刮板运输机驱动电机的旋转轴末端。所述电流互感器安装在刮板运输机的机尾电机进线处，通过检测电源线的电流获得驱动电机的工作电流。所述加速度传感器安装在刮板运输机刮板的上表面。所述张力传感器固定在刮板运输机的垂直链上。所述无线数据采集设备通过基座安装在刮板运输机的溜槽上。

可选地，所述深度学习单元在根据旋转速度信号、工作电流信号和水平振动信号预测刮板链张力时，先对旋转速度信号、工作电流信号、水平振动信号和刮板链张力信号进行归一化处理，然后将归一化处理后的旋转速度信号、工作电流信号和水平振动信号分别输入预先训练好的卷积神经网络，根据卷积神经网络的输出结果确定旋转速度信号、工作电流信号、水平振动信号分别对应的张力预测量。

由于张力特征可以有效地反映链传动系统的工作状态，因此本发明实施例通过研究刮板链的张力变化，实现链传动系统的状态监测和异常工况识别。具体地，本发明实施例中卷积神经网络可以选择的模型为一维卷积神经网络(1DCNN)。由于不同的信号可以从不同方面反应刮板链的张力信息，为实现不同信号的统一，本发明实施例中深度学习单元先将四种传感器采集到的四种不同信号统一进行归一化处理。然后将归一化处理后的旋转速度信号、工作电流信号和水平振动信号作为卷积神经网络的输入向量，张力预测量作为卷积神经网络的输出向量。对于输入向量，其中前600个数据作为训练集，后400个数据作为测试集用于验证卷积神经网络的预测结果。

所采用的1DCNN共有三层，包括全连接层和Softmax层，三层卷积层和池化层，池化层选择最大池化，卷积层和池化层的参数设置如表1所示。归一化处理后的旋转速度信号、工作电流信号和水平振动信号经过卷积神经网络处理后得到三组张力预测量，记为T₁、T₂、T₃，分别表示根据旋转速度信号、工作电流信号和水平振动信号预测的刮板链的张力预测量。此外，将刮板链张力信号记为T₀，将T₀，T₁、T₂、T₃一同输入到数据处理单元。

表1

进一步地，根据多传感器信息融合理论，可以构建合适的BPA来整合不同数据源的信息，以消除数据冗余并且获得准确的结果。本发明实施例中数据处理单元使用经过卷积神经网络处理过的数据来构建BPA。由于不同类型的数据与刮板链张力的关系不同，因此，引入权重系数以表示不同类型数据对张力的影响程度。具体地，所述数据处理单元在根据三组张力预测量确定张力预测值时，通过如下步骤来实现：

首先，计算各组张力预测量与刮板链张力信号之间的绝对误差R_i＝abs(T_i-T₀)，(i＝1，2，3)，T_i表示旋转速度信号、工作电流信号和水平振动信号对应的张力预测量，T₀表示刮板链张力信号；

然后，定义各组张力预测量的权重系数0＜δ_i＜1，(i＝1，2，3)，根据张力总体方差

D(R_i)表示各组绝对误差的方差，由下述方程组计算使D(R)最小时各组张力预测量的权重系数δ_i

最后，通过公式T＝δ₁T₁+δ₂T₂+δ₃T₃确定张力预测值T。

进一步地，深度学习单元还可以组合不同采样周期的张力预测值得到张力预测值曲线并发送至显示单元，由显示单元显示张力预测值曲线。

可选地，所述数据处理单元在根据张力预测值和刮板链张力信号确定刮板运输机的刮板链是否出现故障时，将张力预测值T和刮板链张力信号T0进行比较，并根据比较结果确定刮板链是否受到大载荷冲击、发生卡链故障或发生断链故障。

具体地，当刮板链受到大载荷冲击时，T迅速增大并且伴随着高频振荡特征，其峰值最多可达5.4倍T₀，如图2所示。当发生卡链故障时，T发生突变并且稳定在很高水平，其峰值可达7.2倍T₀，如图3所示。当发生断链故障时，张力瞬间消失，T变为0，如图4所示。除此异常工况识别之外，本发明实施例还可以预设刮板链的张力阈值，当张力预测值超过张力阈值，可确定当前输送煤量较多，此时也可以将诊断结果发送至显示单元进行显示和报警单元进行报警，以提醒现场工人适当降低采煤机的采煤速度。

综上，本发明实施例提出的刮板运输机链传动系统的故障监测预警系统，具有如下特点：

1、本发明以驱动电机工作时的旋转速度信号、工作电流信号、刮板的水平振动信号为参考，共同判断刮板运输机刮板链的运行状态，弥补了现有刮板运输机监测系统指标单一而造成的可靠性不高的问题。另外，实际工况中最难获取的刮板链张力信号仅在刮板运输机开机工作的初始阶段测量，工作一段时间后即可拆除，减小了工作环境对测量结果的影响，监测预警结果更加准确可靠。

2、本发明采用深度学习技术，利用卷积神经网络在参数预测中的优势，特别是在非线性和随时间变化的数据中的预测优势确定张力预测量，预测结果精确，具有可靠性，智能化程度高。

3、本发明根据多传感器数据融合理论，考虑到不同类型数据对张力预测量的影响大小，引入权重系数δ_i，使得获得的张力预测值更加准确，监测预警结果更加准确可靠。

4、本发明选取的传感器易于安装，监测预警所需数据容易获取。

以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (6)

1.一种刮板运输机链传动系统的故障监测预警系统，其特征在于，包括数据采集单元、深度学习单元、数据处理单元、警报单元和显示单元；所述数据采集单元包括增量编码器、电流互感器、加速度传感器、张力传感器和无线数据采集设备，增量编码器、电流互感器、加速度传感器和张力传感器均与无线数据采集设备的信号输入端连接，无线数据采集设备的信号输出端与深度学习单元的信号输入端连接，深度学习单元的第一信号输出端与数据处理单元的信号输入端连接，数据处理单元的信号输出端与警报单元信号输入端和显示单元的第一信号输入端均连接；

所述增量编码器用于检测刮板运输机的驱动电机工作时的旋转速度信号，电流互感器用于检测所述驱动电机的工作电流信号，加速度传感器用于检测刮板运输机的水平振动信号，张力传感器用于在刮板运输机开机工作的初始阶段检测刮板运输机沿运行方向的刮板链张力信号；

所述无线数据采集设备用于在接收旋转速度信号、工作电流信号、水平振动信号和刮板链张力信号后，传输至深度学习单元；

所述深度学习单元用于根据旋转速度信号、工作电流信号和水平振动信号预测刮板链张力，得到三组张力预测量，并将三组张力预测量和刮板链张力信号传输至数据处理单元；

所述数据处理单元用于根据三组张力预测量确定张力预测值，并根据张力预测值和刮板链张力信号确定刮板运输机的刮板链是否出现故障，并在确定刮板链出现故障时将故障类型发送至报警单元进行报警，以及将故障类型发送至显示单元进行显示。

2.根据权利要求1所述的刮板运输机链传动系统的故障监测预警系统，其特征在于，所述深度学习单元的第二信号输出端还与显示单元的第二信号输入端连接；

所述深度学习单元用于根据无线数据采集设备各采样周期发送的旋转速度信号、工作电流信号、水平振动信号和刮板链张力信号绘制对应的变化曲线；

所述显示单元还用于显示旋转速度信号、工作电流信号、水平振动信号和刮板链张力信号对应的变化曲线。

3.根据权利要求1所述的刮板运输机链传动系统的故障监测预警系统，其特征在于，所述增量编码器安装在刮板运输机驱动电机的旋转轴末端；所述电流互感器安装在刮板运输机的机尾电机进线处；所述加速度传感器安装在刮板运输机刮板的上表面；所述张力传感器固定在刮板运输机的垂直链上；所述无线数据采集设备通过基座安装在刮板运输机的溜槽上。

4.根据权利要求1所述的刮板运输机链传动系统的故障监测预警系统，其特征在于，所述深度学习单元在根据旋转速度信号、工作电流信号和水平振动信号预测刮板链张力时，先对旋转速度信号、工作电流信号、水平振动信号和刮板链张力信号进行归一化处理，然后将归一化处理后的旋转速度信号、工作电流信号和水平振动信号分别输入预先训练好的卷积神经网络，根据卷积神经网络的输出结果确定旋转速度信号、工作电流信号、水平振动信号分别对应的张力预测量。

5.根据权利要求1或4所述的刮板运输机链传动系统的故障监测预警系统，其特征在于，所述数据处理单元在根据三组张力预测量确定张力预测值时，通过如下步骤来实现：

首先，计算各组张力预测量与刮板链张力信号之间的绝对误差R_i＝abs(T_i-T₀)，(i＝1，2，3)，T_i表示旋转速度信号、工作电流信号和水平振动信号对应的张力预测量，T₀表示刮板链张力信号；

然后，定义各组张力预测量的权重系数0＜δ_i＜1，(i＝1，2，3)，根据总体方差

D(R_i)表示各组绝对误差的方差，由下述方程组计算使D(R)最小时各组张力预测量的权重系数δ_i

最后，通过公式T＝δ₁T₁+δ₂T₂+δ₃T₃确定张力预测值T。

6.根据权利要求1所述的刮板运输机链传动系统的故障监测预警系统，其特征在于，所述数据处理单元在根据张力预测值和刮板链张力信号确定刮板运输机的刮板链是否出现故障时，将张力预测值和刮板链张力信号进行比较，并根据比较结果确定刮板链是否受到大载荷冲击、发生卡链故障或发生断链故障。

Images