前言:想要写出一篇引人入胜的文章?我们特意为您整理了矿山特种设备下故障诊断浅析范文,希望能给你带来灵感和参考,敬请阅读。
摘要:设备全生命周期信息集成实现从设备的选型采购、组装调试到运维、保养直至报废的全信息集成、共享与增量更新,满足设备生产厂家、矿山设备使用者对矿山设备全生命周期集成与评价需求。构建了矿山特种设备全生命周期信息表达模型,并结合针对产品家族生命周期的信息集成建模架构(I2MAfPFL)模型,实现了矿山特种设备全生命周期信息集成。结合信息表达和信息集成模型,开发了全生命周期管理系统,并在霍尔辛赫煤矿进行了应用,为矿山生产设备智能协同管控与调度、矿山设备健康态势分析与预测预警等提供了基础。
关键词:矿山特种设备;全生命周期;信息表达模型;信息集成模型;信息集成与管理系统
0引言
矿山特种设备是指涉及生命安全、危险性较大的承压类(如空气压缩机、锅炉、压力管道)和机械类(如采掘设备、提升设备、运输设备)两大类型设备。矿山特种设备工作环境具有作业空间受限、潮湿阴暗和存在瓦斯等特点。通过研发特种设备全生命周期管理系统,可增强使用单位判识特种设备重特大事故及防范事故的能力,同时也可为矿山生产设备的智能管控与调度以及矿山设备态势分析服务,从而形成智慧化的矿山服务体系。结合十三五国家重点研发专项,本文研究了矿山特种设备全生命周期管理与故障诊断的信息表达模型、信息集成模型和故障诊断方法,开发了矿山特种设备全生命周期信息管理系统,解决了矿山物联网中多物态的信息集成与数据的有效利用问题,为矿山设备的智能管控与调度、事故防范打下了基础。本文研究内容在霍尔辛赫煤矿进行了示范应用。
1矿山特种设备全生命周期信息表达模型
矿山特种设备全生命周期信息表达模型用于解决设备、部件和监测传感器的信息表达和关联。为此,将设备从设计制造、安装调试、运维保养到报废再利用划分为4个阶段,定义各个阶段需要表达和集成的信息类型,构建相应数据表,再将每个阶段数据表以数据链表方式进行关联,从而可实现从设备到部件再到监测传感器的信息表达与耦合。以矿井提升机在设计制造阶段的信息构建为例。矿井提升机由工作机构、制动系统、机械传动装置、润滑系统、检测及操纵系统、保护系统以及辅助系统组成。首先建立设备设计制造信息表,然后根据设备的基础信息和所包含的子系统信息,依次向下划分为子系统信息表和传感器监测信息表,由此实现信息表达所需的属性关联。根据罗列的矿井提升机设计制造信息表数据成员名称和数据类型,按照系统-部件-传感器耦合方式,各信息表进行寻访与关联,如图1所示。
2矿山特种设备全生命周期信息集成模型
矿山特种设备全生命周期信息集成模型用于实现矿山特种设备的全信息集成、共享与增量更新,满足设备生产厂家、矿山设备使用者对矿山设备全生命周期集成与评价需求。信息集成是将监测信息批量集成到文件的方法。在工业领域,为了满足顾客大规模定制需求,提出了一种针对产品家族生命周期的信息集成建模架构(I2MAfPFL),该模型从产品家族的综合角度构建了信息集成体系。I2MAfPFL模型可适用于矿山特种设备全生命周期信息集成,但需结合矿山特种设备的特点和应用场景进行调整。矿山特种设备全生命周期信息集成模型来源于I2MAfPFL,由单元信息模型、状态空间模型和进化空间模型组成。(1)单元信息模型单元信息模型将信息表示为物理层、逻辑层、表示层和应用层。其中物理层以属性元数据、逻辑数据、应用数据等方式表示,实现了对特种设备原始数据的描述;逻辑层实现知识关系映射、设备结构与部件关系等;表示层为属性、数据、规则、应用关系表示方法;应用层为对外体现的静态数据、动态数据、文档、图片等。(2)状态空间模型状态空间模型基于多视图思想,采用设备类别维、结构部件维、生命周期维三维空间模型描述与耦合方法,构建矿山特种设备全生命周期信息集成模型,并实现模型的演化,如图2所示。图2中,M(i,j,k)为i设备的j部件在k阶段的状态。(3)进化空间模型进化空间模型根据设备生命周期演化特点,在设备的不同运行阶段,通过引入不同的数学分析模型,满足了设备定制化和评价分析的需求,如图3所示。信息表达模型通过建立数据链表实现了从设备到部件、监测传感器的信息表达与关联。信息集成模型主要实现信息的编码与描述,包括静态信息、动态信息等。其中,单元信息模型按照物理层到应用层顺序,对每一层信息进行了描述;状态空间模型通过多视图思想,将时间引入信息表达模型中;进化空间模型则通过引入数学分析模型,为模型重构服务。
3矿山特种设备全生命周期管理系统
矿山特种设备全生命周期管理系统实现了矿山特种设备的智能互联及信息集成,并统一到云服务平台当中,打通了设备、用户、生产者和管理者之间的联系,满足了矿山定制化的评价分析需求。系统功能主要包括:①信息采集管理主要负责按照特种设备的信息模型构建数据结构以及分布式信息采集设备的注册、分配、使用管理和新设备标识码的生成等;②前期管理包括采购、调试、入库、领用等环节,主要涉及设备基本信息登记、存储、采集、更新等;③库存管理包括设备的库存状态管理、技改需求管理以及通用或特种配件管理等;④运维管理包括日常巡检、维护、预防性维修等,可动态更新;⑤状态诊断包括故障诊断和剩余寿命预测。矿山特种设备全生命周期管理系统整体界面如图4所示,设备信息的大数据展示界面如图5所示。管理系统通过引入机器学习、深度学习、迁移学习等算法,可实现矿山特种设备全生命周期管理系统动态重构和智能化诊断分析要求。如引入分类算法、迁移学习,可实现设备预知故障感知;如引入卷积神经网络(CNN)、退化状态健康指示器、粒子滤波,可实现设备剩余寿命预测等,如图6所示。(1)设备故障感知为了实现设备故障感知,系统采用了一种将特征表示学习与机器预测学习相结合的端到端学习算法。算法基于特征选择的方法,首先利用基于分类网络的修正平均影响值(MIVs)和类内、类间判别分析(WBDA)的互补性,通过计算特征对分类网络的贡献来选择特征变量,从而实现面向分类网络的变量初选。然后,引入类间排序WBDA的概念,计算簇内和簇间样本的相似度,实现二次特征选择。最后,利用多核支持向量机(SVM)对设备故障状态进行分类,算法如图7所示。以动筛系统轴承监测数据为例,MIVs-WBDA算法与AutoEncoder、主成分分析(PCA)、MIVs、补偿距离评估技术(CDET)、WBDA、因子分析(FA)、局部保持投影(LPP)、邻域保持嵌入(NPE)、概率主成分分析(PPCA)在不同特征维度下的故障分类准确性如图8所示。由图8可见,在维度为3的情况下,MIVs-WBDA算法就可以达到99.2%的分类准确度。(2)设备剩余寿命预测为了实现设备剩余寿命预测,先构建基于卷积自编码网络的设备部件退化状态健康指示器,获得部件的退化曲线,这里采用面向回归的卷积自编码网络,如图9所示。再构建一种基于粒子滤波算法的双指数模型,实际监测部件的损耗值模型构建之后,利用粒子滤波算法进行参数的更新,从而获得监测设备的剩余寿命。粒子滤波的参数要通过前期测量数据进行训练和调整。在忽略工况评估模型基础上,利用测试数据可实现设备剩余周期预测。某一工况条件下设备预测结果如图10所示。结合全生命周期管理系统收集的数据,通过引入智能化诊断分析算法,可实现设备的不同诊断需求。
4结语
矿山特种设备的全生命周期管理系统实现了矿山特种设备的智能互联及信息集成,并统一到云服务平台当中。该系统基于多视图思想,采用设备类别维、结构部件维、生命周期维三维空间模型描述与耦合方法,构建矿山特种设备全生命周期信息集成模型;打通了设备、用户、生产者和管理者之间的联系,满足了矿山定制化的评价分析;基于可重构的柔性化技术,满足管理系统动态重构和智能化诊断分析要求。系统的实施为霍尔辛赫煤矿特种设备的安全管理提供了保障,为矿山生产设备智能协同管控与调度、矿山设备健康态势分析与预测预警等提供了基础,满足了日常业务操作要求和各级政府部门的管理监督要求。
参考文献:
[1]孟筠青,陈坤,汤皓扬,等.矿用特种设备安全管理[J].煤矿机械,2013,34(10):270-271.
[2]于嘉成,王刚,刘卫东,等.矿山设备全生命周期信息集成与工况判别算法研究[J].煤炭科学技术,2019,47(4):38-43.
[3]刘振华,徐绪堪.基于物联网的煤矿机电设备智能管理平台设计[J].工矿自动化,2019,45(4):101-104+108.
作者:张海军 王刚 单位:山煤国际能源集团煤业管理公司晋北分公司 中国矿业大学矿山互联网应用技术国家地方联合实验室