基于小波变换的煤矿机电设备故障识别方法

张少帅

（陕煤集团神木柠条塔矿业有限公司，陕西 榆林 719300）

随着科技的发展，我国煤矿机电设备逐渐趋于信息化、智能化，应用效率也得到了明显的提升，为日常的煤矿挖掘工作提供了极大的便利条件[1]。但近几年来，由于煤矿工程规模的扩大以及挖掘面积的增加，部分设备常常出现失灵、短路等故障问题，对于工作的执行会形成消极影响。为缓解这一情况，有研究人员通过三相分区块自动搜寻及温度对比的过热区域判定方法，对设备的热图像进行分离并调整，判断是否出现异常升温，以此实现设备的故障识别[2]。还有研究人员使用核函数估计对设备红外图像温度概率密度函数进行提取，基于温度概率密度对故障进行分类，采用K均值聚类方法实现对设备故障的识别[3]。虽然上述方法可以完成预期的故障识别任务，但在实际应用过程中，极容易受到外部因素的影响，增加故障识别的误差，影响故障检测效率。

小波变换技术是一种新的多维变换分析形式，与傅里叶变换局部化的思想相似，应用于机械设备的故障识别中，可以对机电设备日常运行的频率进行监测与分析，结合时频的波动状态，实现异常区域定位，最大程度降低识别过程中存在的误差，从根源上降低设备的损坏概率[4]。

为解决现有方法存在的不足，将结合小波变换技术，针对煤矿机电设备故障识别方法进行设计和分析。

1.1 异常信号预处理

在对煤矿机电设备小波变换故障识别方法进行设计之前，需要先进行异常信号的预处理。通常情况下，煤矿机电设备的日常应用较为频繁，一旦发生异常，便极可能对其他运行的装置形成干扰，形成设备损坏。可以利用监测系统，对机电设备的异常信号进行收集，通过电弧的波动，分析设备的实际运行情况，并计算出时频值为

式中：D表示时频值；
φ表示异常范围；
κ表示监测距离；
ϑ表示异常过滤电弧；
i表示过滤次数；
v表示设备标定电压。通过上述计算，最终可以得出实际的时频值。根据时频值的变化状态，可以采集到动态化的异常信号，将信号进行归类分层，消除异常信号中的繁杂数据，确保异常信号的真实可靠[5]。随后，将信号转换为特定的格式，传输至对应的处理平台之中，实现多维过滤，完成对异常信号的预处理[6]。

1.2 提取设备频段故障特征

在完成对异常信号的预处理之后，接下来，结合小波变换技术，进行设备频段故障特征的提取与分析。故障频段实际指的是机电设备的故障特征区域，可以采用小波信号分解方法，测算出小波包分解系数为

式中：K表示小波包分解系数；
ℜ表示分解范围；
ψ1表示小波覆盖区域；
ψ1表示小波变换重叠区域；
ψ1表示转换差值；
δ表示特征值。通过上述计算，最终可以得出实际的小波包分解系数。结合得出的数值，分析机电设备的运行状态，并对异常位置进行标记，结合小波解析，缩小设备中异常点频段的实际位置，对故障特征规律进行总结，具体如图1所示。

图1 故障特征异常频段分析图示

根据图1，可以完成对故障特征异常频段的分析与研究。针对于异常频段的波动情况，测定出相应的故障数据、信息，完成对设备频段故障特征的提取[7]。

1.3 机电设备小波变换故障识别模型构建

在完成对设备频段故障特征的提取之后，接下来，结合小波变换技术，构建机电设备故障识别模型。以传统的故障识别模型作为基础，利用增强现实（Augmentecl Realrty，AR）技术进行故障识别空间的构建，并将煤矿机电设备进行定向关联，模型中设定设备信息查询功能、远程指导功能、故障自动识别程序等，针对机电设备异常区域，作出动态化识别，在范围之内，测定出可识别范围为

式中：B表示可识别故障范围；
h表示描述标准值，g表示小波过滤次数；
d表示定向识别差值；
μ表示实时故障范围。通过上述计算，最终可以得出实际的可识别故障范围。在标定的范围之内，结合AR技术，设定模型的基础故障识别指标参数，具体如表1所示。

表1 小波变换故障识别模型指标设定表

根据表1，可以完成对小波变换故障识别模型指标的设定与调整，随后，根据基础故障识别程序，搭配小波变换技术，对机电设备的故障类型进行分类，将模型所采集的数据、信息进行标定转换，实现深度故障巡检，与此同时，构建出小波变换故障识别模型结构，具体如图2所示。

图2 小波变换故障识别模型结构

根据图2，可以完成对小波变换故障识别模型结构的设计与分析。采用上述测定，结合深度神经网络（Deep Neual Network，DNN）训练程序，进一步完善故障识别程序，再加上多目标隐藏层堆叠而成的神经网络技术，在小波变换的结构下获取实际的故障识别结果，为后续机电设备的识别维护提供参考依据。

1.4 DNN训练处理实现故障识别

在成对机电设备小波变换故障识别模型的构建之后，需要采用DNN训练法，有针对性地实现故障的识别与处理。可以先利用模型，获取基础的识别数据、信息，构建多层级的DNN训练结构，测定出故障点的实际位置，结合故障识别节点，与标准值相对比，计算出故障识别差，即

式中：N表示故障识别差；
ℵ表示识别训练距离；
η1表示预设识别范围；
η2表示实际识别范围；
e表示定向识别次数。通过测定，可以得出实际的故障识别差，完成对机电设备后续故障的控制与维修。

本次主要是对小波变换小煤矿机电设备故障识别方法的实际应用效果进行分析与研究。考虑到最终测试结果的真实可靠，选择D工程作为测试的主要目标对象，以对比的形式展开分析，并将文献[2]提出的故障识别方法、文献[3]提出的故障识别方法与本文所设计的小波变换故障识别方法共同进行故障检测的测试。测试得出的结果以比照的方式展开研究，接下来，搭建相应的测试环境。

2.1 测试准备

在对小波变换小煤矿机电设备故障识别方法的实际应用效果进行分析与研究之前，需要先搭建相应的测试环境。D煤矿工程的应用机电设备种类较多，在实际应用的过程中，需要进行关联，确保应用的速度和效率。调整关联过度的变压器，结合AR技术，设定CPU的主频为3.55 GHz，内存为32 GB，将机电设备分为3组，每一个组的识别范围均是相同的，以TensorFlow应用框架为基础，设定故障识别训练基础值，具体如表2所示。

表2 D煤矿工程故障识别训练基础值设定表

根据表2，可以完成对D煤矿工程故障识别训练基础值的设定，针对机电设备的应用状态，进行对应调节，完成对测试环境的搭建，进行具体的测定分析。

2.2 测试过程及结果分析

在完成对测试环境的搭建之后，结合小波变换技术，进行具体的测验分析。在机电设备运行的过程中，调整其内部的电弧状态，促使其处于逆向波动的状态，具体如图3所示。

图3 机电设备电弧逆向波动情况

结合上述图3，可以完成对机电设备电弧逆向波动情况的测定和分析，结合小波变换技术，对电弧的波动规律进行解析，测算出最终的故障识别比照差值，并对测试结果分析研究，如表3所示。

表3 测试结果对比分析表

根据表3，可以完成对测试结果的分析：对比于文献[2]故障识别方法与文献[3]故障识别方法，本文所设计的小波变换故障识别测试组最终得出的故障识别差值相对较小，表明在实际识别的过程中，结合小波变换技术，对于设备的识别精度较高，具有实际的应用价值。

综上所述，便是对基于小波变换的煤矿机电设备故障识别方法的设计和分析。与传统的故障识别方法相对比，本次结合小波变换技术，一定程度上扩大了实际的识别范围，同时针对设备中的细小位置，小波变化可以快速感知到异常信号，进行双向定位识别，并将相应的数据信息转换为特定的格式，依据数据包的形式传输至控制平台之中，为管理人员后续的维修提供参考数据。

猜你喜欢 小波频段机电设备 我可以重置吗十几岁(2022年17期)2022-11-20基于Haar小波变换重构开关序列的MMC子模块电容值在线监测方法电工技术学报(2022年20期)2022-10-29智能建筑机电设备自动化技术建材发展导向(2022年5期)2022-04-18构造Daubechies小波的一些注记科技风(2021年19期)2021-09-07论机电设备安装工程接地的重要性建材发展导向(2021年13期)2021-07-28机电设备的电气自动化改造及维护分析建材发展导向(2021年7期)2021-07-165G高新视频的双频段协同传输中国传媒大学学报(自然科学版)(2021年1期)2021-06-09gPhone重力仪的面波频段响应实测研究地震研究(2021年1期)2021-04-13雷声公司交付首套中频段下一代干扰机航天电子对抗(2019年4期)2019-12-04烟台优利机电设备制造有限公司汽车维修与保养(2019年4期)2019-09-11

推荐访问:机电设备 变换 煤矿