CN116241306A - 一种基于电液控系统的支架常见各类故障判断方法 - Google Patents
一种基于电液控系统的支架常见各类故障判断方法 Download PDFInfo
- Publication number
- CN116241306A CN116241306A CN202310098136.XA CN202310098136A CN116241306A CN 116241306 A CN116241306 A CN 116241306A CN 202310098136 A CN202310098136 A CN 202310098136A CN 116241306 A CN116241306 A CN 116241306A
- Authority
- CN
- China
- Prior art keywords
- pressure
- sensor
- faults
- judging
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims abstract description 14
- 230000000903 blocking effect Effects 0.000 claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims description 25
- 238000012544 monitoring process Methods 0.000 claims description 15
- 230000009471 action Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000005065 mining Methods 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 description 8
- 238000013024 troubleshooting Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000003245 coal Substances 0.000 description 3
- 238000011835 investigation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D23/00—Mine roof supports for step- by- step movement, e.g. in combination with provisions for shifting of conveyors, mining machines, or guides therefor
- E21D23/12—Control, e.g. using remote control
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Geochemistry & Mineralogy (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Geology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于电液控系统的支架常见各类故障判断方法,所述电液控系统包括顶梁倾角传感器、安装板、前连杆倾角传感器、后立柱压力传感器、底座倾角传感器、前立柱压力传感器、前溜行程传感器、数据库服务器,所述顶梁倾角传感器、安装板、前连杆倾角传感器、后立柱压力传感器、底座倾角传感器、前立柱压力传感器、前溜行程传感器的信号输出端均与数据库服务器的信号输入端相连接;所述支架常见各类故障判断包括对于安全阀失效故障的判断、对于安全阀设定值变更的判断、对于立柱漏液故障的判断、对于支架传感器失真故障的判断、对于支架承载高度异常故障的判断、对于管路阻塞故障的判断。
Description
技术领域
本发明涉及煤矿领域,尤其涉及一种基于电液控系统的支架常见各类故障判断方法。
背景技术
液压支架在承载过程中,液压阀经常会出现故障,目前多是在液压支架无法进行支撑工作或液压支架进行支撑工作会影响到煤矿作业时,才会对液压支架的故障进行排查,并且排查方式也多为人工排查,由于受到液压支架数量多、排查难度大、故障种类繁多等因素影响,进行液压支架故障排查时存在排查效率低、排查准确率低等问题,给煤矿液压支架的使用带来了一定的不便。
发明内容
本发明目的是针对上述问题,提供一种可以快速进行故障判断的基于电液控系统的支架常见各类故障判断方法。
为了实现上述目的,本发明的技术方案是:
一种基于电液控系统的支架常见各类故障判断方法,所述电液控系统包括顶梁倾角传感器、安装板、前连杆倾角传感器、后立柱压力传感器、底座倾角传感器、前立柱压力传感器、前溜行程传感器、数据库服务器,顶梁倾角传感器安装在液压支架的顶梁上,安装板安装在液压支架的前连杆上,前连杆倾角传感器安装在安装板上,后立柱压力传感器安装在液压支架的后立柱上,底座倾角传感器安装在液压支架的底座上,前立柱压力传感器安装在液压支架的前立柱上,前溜行程传感器安装在液压支架的底座与地面之间;所述顶梁倾角传感器、安装板、前连杆倾角传感器、后立柱压力传感器、底座倾角传感器、前立柱压力传感器、前溜行程传感器的信号输出端均与数据库服务器的信号输入端相连接;所述支架常见各类故障判断包括对于安全阀失效故障的判断、对于安全阀设定值变更的判断、对于立柱漏液故障的判断、对于支架传感器失真故障的判断、对于支架承载高度异常故障的判断、对于管路阻塞故障的判断。
进一步的,对于安全阀失效故障的判断包括以下步骤:
S11、获取厂家出产设定的安全阀开启压力P额定,实时采集前立柱压力传感器、后立柱压力传感器的压力信息,当前立柱压力或后立柱压力Pn满足Pn≥P额定时,在对应立柱的压力信息数据库内获取5分钟内的压力数据,分别为P1、P2、P3、P4、P5…Pn;
S12、若5分钟内的压力数据全部满足Px≥P额定时,其中x=1,2,3,…n;则判断液压支架出现安全阀失效故障。
进一步的,对于安全阀设定值变更的判断包括以下步骤:
S21、获取厂家出产设定的安全阀开启压力P额定,实时采集前立柱压力传感器、后立柱压力传感器的压力信息,当前立柱压力或后立柱压力Pn满足Pn≥0.8P额定时,在对应立柱的压力信息数据库内倒序顺次获取Pm≥0.8P额定的压力数据,在遇到压力数据小于0.8P额定时,停止数据采集,其中n=1,2,3,…m;
S22、按照生成时间对压力数据进行排序,计算全部压力数据产生的峰值点与谷值点,判断峰值点与谷值点数量之和是否大于3个;若大于3个,则进入步骤23,若未大于3个,则等待下次计算;
S23、分别求取全部峰值点的均值与全部谷值点的均值,将全部峰值点的均值与全部谷值点的均值再次求取平均值,并将该平均值作为安全阀设定值。
进一步的,对于立柱漏液故障的判断包括以下步骤:
S31、获取设定阈值压力P阈值,实时采集前立柱压力传感器、后立柱压力传感器的压力信息,当前立柱压力或后立柱压力Pn满足Pn≥P阈值时,在对应立柱的压力信息数据库内获取10分钟内的压力数据,分别为P1、P2、P3、P4、P5…Pn;
S32、若10分钟内的压力数据满足P1≥P2≥P3≥P4≥P5…≥Pn,则判断液压支架出现立柱漏液故障。
进一步的,对于支架传感器失真故障进行判断时,
S41、实时采集前立柱压力传感器、后立柱压力传感器的压力信息;
S42、若前立柱压力或后立柱压力连续三条监测压力数据均为0或60,则判断液压支架出现支架传感器失真故障。
进一步的,对于支架承载高度异常故障的判断包括以下步骤:
S51、采集顶梁倾角传感器、前连杆倾角传感器、底座倾角传感器的监测数据以及液压支架的部件尺寸数据;
S52、将顶梁倾角传感器的监测数据记为α,将前连杆倾角传感器的监测数据记为β,将底座倾角传感器的监测数据记为γ,安装板倾斜角度为固定值δ;
S53、计算得到液压支架的采高h;
S54、跟据各个液压支架的采高h进行对比分析;当液压支架的采高h不在设定区间内,则判断液压支架出现支架承载高度异常故障;计算工作面全部液压支架的实时支架高度,并求解全部液压支架实时高度的均值,将工作面各个液压支架的实时高度与全部液压支架实时高度的均值对比,若存在高于或低于85%的全部液压支架实时高度均值,则判断该液压支架出现支架承载高度异常故障。
进一步的,对于管路阻塞故障的判断包括以下步骤:
S61、采集液压支架动作时产生的数据信息;
S62、采用大数据散点拟合的方式拟合降柱、升柱动作时间与前立柱、后立柱压力变化量的函数关系,同时拟合移架、推溜动作时间与前溜行程变化量的函数关系,得到散点拟合图像;
S63、根据散点拟合图像确定函数拟合曲线有效范围半径,将不处于函数拟合曲线有效范围内的数据判断为管路阻塞故障;
S64、将降柱、升柱动作时间,前立柱、后立柱压力变化量,移架、推溜动作时间,前溜行程变化量作为BP神经网络模型的输入层,并进行定量化处理;
S65、将管路阻塞故障作为BP神经网络模型的输出层;
S66、利用步骤S63确定BP神经网络模型的模型参数,得到初始BP神经网络模型;
S67、将历史数据信息分成训练集和测试集,用训练集对初始BP神经网络模型进行训练,用测试集对训练后的初始BP神经网络模型进行测试并修正模型参数,最终得到BP神经网络模型;通过BP神经网络模型即可对管路阻塞故障作出判断。
与现有技术相比,本发明具有的优点和积极效果是:
本发明依据液压支架的现场实际承载情况,由专业技术人员针对现场各类液压支架动作分析与设备大数据故障诊断自学习相结合的方式,搭建液压支架常见各类故障模型,通过设定设备自主关键参数提取、分析程序与支架常见各类故障模型对比,可以有效代替人工进行液压支架故障排查操作,在发现故障设备及异常现象后可自动进行故障预警与故障诊断,实现故障诊断、故障预警以及给出解决建议方案;其保障了工作面设备安全有效运行的同时降低了工人的作业强度,提升了液压支架故障排查的排查效率,并且有效提高了液压支架的故障排查准确率,给液压支架的使用操作带来了便利。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为电液控系统的结构示意图;
图2为支架承载高度的计算示意图;
图3为散点拟合示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
本发明公开了一种基于电液控系统的支架常见各类故障判断方法,所述支架常见各类故障判断包括对于“安全阀失效故障”的判断、对于“安全阀设定值变更”的判断、对于“立柱漏液故障的判断”、对于“支架传感器失真故障”的判断、对于“支架承载高度异常故障”的判断、对于“管路阻塞故障”的判断;
如图1所示,电液控系统包括顶梁倾角传感器1、固定螺栓2、安装板3、前连杆倾角传感器4、后立柱压力传感器5、底座倾角传感器6、前立柱压力传感器7、前溜行程传感器8、电控操作平台9、数据库服务器10、应用服务器11、顺槽显示器12、交换机13、工作站14、打印机15、大屏展示16;
顶梁倾角传感器1安装在液压支架的顶梁上,安装板3通过固定螺栓2安装在液压支架的前连杆上,前连杆倾角传感器4安装在安装板3上,后立柱压力传感器5安装在液压支架的后立柱上,底座倾角传感器6安装在液压支架的底座上,前立柱压力传感器7安装在液压支架的前立柱上,前溜行程传感器8安装在液压支架的底座与地面之间;
电液控系统可进行井下支架顶梁倾角、前连杆倾角、底座倾角、支架前立柱压力、支架后立柱压力、支架前溜行程、支架动作信号等数据进行实时采集,并可利用井下光纤与工业环网将数据进行地面传输。
安全阀用于保护液压支架的缸体压力安全,在达到设定安全压力时,起到自动泄压,以保证支架缸体内介质压力保持在预设压力之下,这样可起到保障支架的正常运行,预防炸缸意外事故的发生。
“安全阀失效故障”判断步骤如下:
S31、支架安全阀失效故障实时预警,获取厂家出产设定安全阀开启压力P额定,实时采集支架压力信息,在新产生支架前立柱压力、支架后立柱压力Pn满足Pn≥P额定时,在对应立柱数据库内获取最近5分钟内的压力数据,分别为P1、P2、P3、P4、P5…Pn;
S32、若最近5分钟内的压力数据,全部满足Px≥P额定时,其中x=1,2,3,…n;
S33、应在井下顺槽顺槽显示器,预警“安全阀失效故障”,预警说明为:安全阀失效,在达到设定预警力未开启。
“安全阀设定值变更”步骤如下:
S41、获取厂家出产设定安全阀开启压力P额定,实时采集支架压力信息,在新产生支架前立柱压力、支架后立柱压力Pn满足Pn≥0.8P额定时,在对应立柱数据库内获取最近倒序顺次获取压力Pm满足Pm≥0.8P额定压力数据,在遇到不满足时,停止数据采集,其中n=1,2,3,…m;
S42、按照生成时间对压力排序,计算全部压力数据产生的峰值点与谷值点,判断计算产生的峰值点与谷值点数量之和是否大于3个;
若大于3个,进入步骤S43;
若不大于3个,舍弃,等待下次计算;
S43、分别求取全部峰值点的均值与全部谷值点均值,将全部峰值点的均值与全部谷值点均值再次求取均值,并定义为“安全阀程序判断值”。
“立柱漏液故障”判断步骤如下:
S51、获取设定阈值压力P阈值,实时采集支架压力信息,在新产生支架前立柱压力、支架后立柱压力Pn满足Pn≥P阈值时,在对应立柱数据库内获取最近10分钟内的压力数据,分别为P1、P2、P3、P4、P5…Pn;
S52、若满足P1≥P2≥P3≥P4≥P5…≥Pn,支架压力为负增长与矿压理论不符,因此将此现象判断为“立柱漏液故障”。
“支架传感器失真”故障判断步骤如下:
S61、支架传感器失真是指支架传感器显示数据异常,长时间出现“0(最小量程)”值,“60(满量程)”值,传感器已无法反馈真实现场信息;
S62、实时采集支架压力信息,若支架前立柱压力或支架后立柱连续三条监测数据均为“0(最小量程)”值或“60(满量程)”值,预警“支架传感器失真”故障。
“支架承载高度异常”故障判断步骤如下:
S71、基于顶梁倾角传感器、前连杆倾角传感器、底座倾角传感器的监测数据,根据支架各结构件几何尺寸,计算各支架实时承载高度;
S72、如图2所示,令顶梁倾角传感器监测数据记为α,前连杆倾角传感监测数据记为β,底座倾角传感器监测数据记为γ,其中α、β、γ均满足仰采为正,俯采为负。其中安装板角度为固定值δ;
S73、则AC的倾角为ε=180-δ-β;
S74、由余弦定理可知:BC=(AB2+AC2-cos(ε+γ+∠EAB)*2AB*AC)1/2,在△BDC中,∠CBD=arccos((CB2+BD2-CD2)/(2BC*BD)),∠ABC= arccos((AB2+BC2-AC2)/(2AB*BC));
S75、定义B’点为坐标原点(0,0),水平往左为x正方向,垂直向上为y正方向;
S76、求A、B、C、D点坐标为:
A(AB’*cos(∠AB’K’),AB’*sin(∠AB’K’));
B(0,BB’);
C(AB’*cos(∠AB’K’)-AC*cos(ε+γ),AB’*sin(∠AB’K’)+AC*sin(β+γ));
D(0 -BD*cos(180 º-∠EAB-∠ABC-∠CBD),BB’ + BD*sin(180 º-∠EAB-∠ABC-∠CBD));
S77、求∠DCJ;
∠DCJ=arctan((AB’*sin(∠AB’K’)+AC*sin(ε+γ)- BB’ - BD*sin(180 º-∠EAB-∠ABC-∠CBD))/((AB’*cos(∠AB’K’)-AC*cos(ε+γ)+0 +BD*cos(180 º-∠EAB-∠ABC-∠CBD)));
S78、做DI⊥CG,在△CID中,IC=|DH-CG|,所以∠ICD=arccos(IC/CD)
S79、掩护梁倾角为θ=∠ICD -∠DCJ;
S710、采高h=A’B’*sin(γ)+AA’+AC*sin(ε+γ) +CG*sin(90-θ)+GU*sin(θ)+VU*sin(α+∠U’UV);
S711、跟据各支架采高,进行对比分析;其存在两种情况,情况一:出现采高不在设定区间内,预警“支架承载高度异常”故障;情况二:计算工作面全部支架的实时支架高度,并求解全部支架实时高度均值,工作面各支架实时高度与全部支架实时高度均值对比,若存在高于、低于85%的全部支架实时高度均值,应预警该支架“支架承载高度异常”故障。
“管路阻塞”故障判断步骤如下:
S81、实时采集支架动作产生的控制信号(包括降柱、移架、升柱、推溜)、支架前后立柱压力、前溜行程等数据;
S82、采用BP神经网络模型与学习算法,进行故障判断的自学习。按照顶底板倾角、顶底板岩性作为基础特征,采用大数据散点拟合的形式,拟合降柱、升柱动作时间与前后立柱压力变化量的函数关系,拟合移架、推溜动作时间与前溜行程变化量的函数关系,得到散点拟合图像,如图3所示;
S83、根据散点拟合图像,判断函数拟合曲线有效范围半径,保障大多数据可以有效落于区间内,根据拟合函数与有效半径,认为不处于有效区间的数据定义为“管路阻塞”故障;
S84、将降柱、升柱动作时间,前后立柱压力变化量,移架、推溜动作时间,前溜行程变化量作为BP神经网络模型的输入层,并进行定量化处理;
S85、将“管路阻塞”故障作为BP神经网络模型的输出层;
S86、利用步骤S83预先确定BP神经网络模型的模型参数,得到初始BP神经网络模型;
S87、将历史数据分成训练集和测试集,用训练集对初始BP神经网络模型进行训练,用测试集对训练好的初始BP神经网络模型进行测试,并修正模型参数,即得到BP神经网络模型,通过BP神经网络模型即可对管路阻塞故障作出判断。
本发明依据液压支架的现场实际承载情况,由专业技术人员针对现场各类液压支架动作分析与设备大数据故障诊断自学习相结合的方式,搭建液压支架常见各类故障模型,通过设定设备自主关键参数提取、分析程序与支架常见各类故障模型对比,可以有效代替人工进行液压支架故障排查操作,在发现故障设备及异常现象后可自动进行故障预警与故障诊断,实现故障诊断、故障预警以及给出解决建议方案;其保障了工作面设备安全有效运行的同时降低了工人的作业强度,提升了液压支架故障排查的排查效率,并且有效提高了液压支架的故障排查准确率,给液压支架的使用操作带来了便利。
Claims (7)
1.一种基于电液控系统的支架常见各类故障判断方法,其特征在于:所述电液控系统包括顶梁倾角传感器、安装板、前连杆倾角传感器、后立柱压力传感器、底座倾角传感器、前立柱压力传感器、前溜行程传感器、数据库服务器,所述顶梁倾角传感器、安装板、前连杆倾角传感器、后立柱压力传感器、底座倾角传感器、前立柱压力传感器、前溜行程传感器的信号输出端均与数据库服务器的信号输入端相连接;所述支架常见各类故障判断包括对于安全阀失效故障的判断、对于安全阀设定值变更的判断、对于立柱漏液故障的判断、对于支架传感器失真故障的判断、对于支架承载高度异常故障的判断、对于管路阻塞故障的判断。
2.如权利要求1所述的基于电液控系统的支架常见各类故障判断方法,其特征在于:对于安全阀失效故障的判断包括以下步骤:
S11、获取厂家出产设定的安全阀开启压力P额定,实时采集前立柱压力传感器、后立柱压力传感器的压力信息,当前立柱压力或后立柱压力Pn满足Pn≥P额定时,在对应立柱的压力信息数据库内获取5分钟内的压力数据,分别为P1、P2、P3、P4、P5…Pn;
S12、若5分钟内的压力数据全部满足Px≥P额定时,其中x=1,2,3,…n;则判断液压支架出现安全阀失效故障。
3.如权利要求2所述的基于电液控系统的支架常见各类故障判断方法,其特征在于:对于安全阀设定值变更的判断包括以下步骤:
S21、获取厂家出产设定的安全阀开启压力P额定,实时采集前立柱压力传感器、后立柱压力传感器的压力信息,当前立柱压力或后立柱压力Pn满足Pn≥0.8P额定时,在对应立柱的压力信息数据库内倒序顺次获取Pm≥0.8P额定的压力数据,在遇到压力数据小于0.8P额定时,停止数据采集,其中n=1,2,3,…m;
S22、按照生成时间对压力数据进行排序,计算全部压力数据产生的峰值点与谷值点,判断峰值点与谷值点数量之和是否大于3个;若大于3个,则进入步骤23,若未大于3个,则等待下次计算;
S23、分别求取全部峰值点的均值与全部谷值点的均值,将全部峰值点的均值与全部谷值点的均值再次求取平均值,并将该平均值作为安全阀设定值。
4.如权利要求3所述的基于电液控系统的支架常见各类故障判断方法,其特征在于:对于立柱漏液故障的判断包括以下步骤:
S31、获取设定阈值压力P阈值,实时采集前立柱压力传感器、后立柱压力传感器的压力信息,当前立柱压力或后立柱压力Pn满足Pn≥P阈值时,在对应立柱的压力信息数据库内获取10分钟内的压力数据,分别为P1、P2、P3、P4、P5…Pn;
S32、若10分钟内的压力数据满足P1≥P2≥P3≥P4≥P5…≥Pn,则判断液压支架出现立柱漏液故障。
5.如权利要求4所述的基于电液控系统的支架常见各类故障判断方法,其特征在于:对于支架传感器失真故障进行判断时,
S41、实时采集前立柱压力传感器、后立柱压力传感器的压力信息;
S42、若前立柱压力或后立柱压力连续三条监测压力数据均为0或60,则判断液压支架出现支架传感器失真故障。
6.如权利要求5所述的基于电液控系统的支架常见各类故障判断方法,其特征在于:对于支架承载高度异常故障的判断包括以下步骤:
S51、采集顶梁倾角传感器、前连杆倾角传感器、底座倾角传感器的监测数据以及液压支架的部件尺寸数据;
S52、将顶梁倾角传感器的监测数据记为α,将前连杆倾角传感器的监测数据记为β,将底座倾角传感器的监测数据记为γ,安装板倾斜角度为固定值δ;
S53、计算得到液压支架的采高h;
S54、跟据各个液压支架的采高h进行对比分析;当液压支架的采高h不在设定区间内,则判断液压支架出现支架承载高度异常故障;计算工作面全部液压支架的实时支架高度,并求解全部液压支架实时高度的均值,将工作面各个液压支架的实时高度与全部液压支架实时高度的均值对比,若存在高于或低于85%的全部液压支架实时高度均值,则判断该液压支架出现支架承载高度异常故障。
7.如权利要求6所述的基于电液控系统的支架常见各类故障判断方法,其特征在于:对于管路阻塞故障的判断包括以下步骤:
S61、采集液压支架动作时产生的数据信息;
S62、采用大数据散点拟合的方式拟合降柱、升柱动作时间与前立柱、后立柱压力变化量的函数关系,同时拟合移架、推溜动作时间与前溜行程变化量的函数关系,得到散点拟合图像;
S63、根据散点拟合图像确定函数拟合曲线有效范围半径,将不处于函数拟合曲线有效范围内的数据判断为管路阻塞故障;
S64、将降柱、升柱动作时间,前立柱、后立柱压力变化量,移架、推溜动作时间,前溜行程变化量作为BP神经网络模型的输入层,并进行定量化处理;
S65、将管路阻塞故障作为BP神经网络模型的输出层;
S66、利用步骤S63确定BP神经网络模型的模型参数,得到初始BP神经网络模型;
S67、将历史数据信息分成训练集和测试集,用训练集对初始BP神经网络模型进行训练,用测试集对训练后的初始BP神经网络模型进行测试并修正模型参数,最终得到BP神经网络模型;通过BP神经网络模型即可对管路阻塞故障作出判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310098136.XA CN116241306A (zh) | 2023-02-10 | 2023-02-10 | 一种基于电液控系统的支架常见各类故障判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310098136.XA CN116241306A (zh) | 2023-02-10 | 2023-02-10 | 一种基于电液控系统的支架常见各类故障判断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116241306A true CN116241306A (zh) | 2023-06-09 |
Family
ID=86627185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310098136.XA Pending CN116241306A (zh) | 2023-02-10 | 2023-02-10 | 一种基于电液控系统的支架常见各类故障判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116241306A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117646754A (zh) * | 2024-01-30 | 2024-03-05 | 太原理工大学 | 液压支架集群支护状态智能识别方法 |
-
2023
- 2023-02-10 CN CN202310098136.XA patent/CN116241306A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117646754A (zh) * | 2024-01-30 | 2024-03-05 | 太原理工大学 | 液压支架集群支护状态智能识别方法 |
CN117646754B (zh) * | 2024-01-30 | 2024-04-12 | 太原理工大学 | 液压支架集群支护状态智能识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114111918A (zh) | 液压支架工作状态与支护质量的智能诊断方法 | |
CN111256754A (zh) | 一种混凝土坝长期运行安全预警方法 | |
CN111678683B (zh) | 煤矿智能化综采工作面顶板来压预测方法和装置 | |
CN116241306A (zh) | 一种基于电液控系统的支架常见各类故障判断方法 | |
CN110334728B (zh) | 一种面向工业互联网的故障预警方法及装置 | |
CN112253110B (zh) | 基于视觉的综采工作面智能自主跟机控制方法以及装置 | |
CN105065057A (zh) | 一种矿井瓦斯抽采参数自动调控系统及方法 | |
CN114254457A (zh) | 一种基于数字孪生的矿山液压支架疲劳寿命预测方法 | |
CN104405365A (zh) | 抽油机功图法产液量计量技术 | |
CN116658492B (zh) | 智能动力猫道及其方法 | |
CN111222189A (zh) | 一种高效的桥梁结构健康预警控制系统、方法 | |
CN111797533B (zh) | 一种核动力装置运行参数异常检测方法及系统 | |
CN115638833A (zh) | 一种监控数据处理方法及系统 | |
CN101726230B (zh) | 一种液压支架及其支护高度的检测装置和检测方法 | |
CN114991225B (zh) | 一种深基坑变形监测方法、装置和服务器 | |
CN109947064B (zh) | 智能通水温度控制专家系统及硬件检测和数据监测方法 | |
CN113624201A (zh) | 城市隧道多线叠交施工沉降监测预警系统及方法 | |
CN116777085B (zh) | 基于数据分析和机器学习技术的煤矿水害预测系统 | |
CN104598970A (zh) | 一种爬架组的工作状态检测方法 | |
CN110288899B (zh) | 均质堤坝三维动物洞穴致灾机理模拟的装置和方法 | |
CN114991844B (zh) | 一种煤矿智能化综采工作面矿压数据采集及统计方法 | |
CN113816097A (zh) | 一种自移机尾液压系统状态监测及故障诊断系统和方法 | |
CN206767410U (zh) | 自动扶梯 | |
CN217174956U (zh) | 一种软土地基坑水平位移监测结构 | |
CN113863918B (zh) | 一种基于电能法的游梁式抽油机平衡率监测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |