深度学习下煤矿机电设备检测技术探究

前言：本站为你精心整理了深度学习下煤矿机电设备检测技术探究范文，希望能为你的创作提供参考价值，我们的客服老师可以帮助你提供个性化的参考范文，欢迎咨询。

摘要：针对传统煤矿机电设备检测存在工人劳动强度大、检测误差较大、检测技术手段落后等问题，通过将当前的人工智能技术与机电设备检测应用相融合，提出了基于深度学习的煤矿机电设备检测新技术和新方法，利用深度学习技术建立机电设备检测专家库和故障库，有效提高了煤矿机电设备检测的准确度和结果的可信度，将这套系统应用于矿井提升机领域，结果表明，该套系统实现了对设备故障的自动识别、快速反应和及时报警，实现了机电设备检测过程的无人化、智能化，最终提高了煤矿企业的安全管理水平，推动了智慧矿山建设。

关键词：深度学习人工智能机电设备矿山智能化

引言

煤矿机电设备是保证煤矿高效安全生产的重要工具。随着我国对能源需求的不断增大，对于煤炭的开采量也会加大，煤矿井下有大量的用于开采、输送、通风和排水的机械设备，数量相当庞大。为了保证煤矿安全生产，需要对机电设备进行定期检查，以发现设备的故障并及时进行维修，从而避免煤矿事故发生，保证煤矿的生产量[1]。近年来，煤矿事故频频发生，2020年全国煤矿发生事故123起，死亡人数达到228人，其中大部分的煤矿事故是由于安全基础工作薄弱、设备故障不能及时查明并排除最终酿成灾祸的。所以利用人工智能技术准确识别托辊故障和煤矿井下局部高温环境工况，将采集到的数据进行融合分析判断，及时发现潜在隐患报警并进行排除，将会有效避免煤矿事故的发生。传统的煤矿机电设备的检测主要是采用人工进行，并且主要是依靠工人的经验和简单检测装置进行测量，最终检测结果的可信度不高，且容易导致检测结果错误的问题，最终有可能引发煤矿事故[2]。随着人工智能技术的不断发展，传统的利用人工进行设备检测的方式暴露出很多弊端，迫切要求对机电设备的检测实现智能化和智慧化。为此，本文首次提出了利用人工智能技术搭建煤矿机电设备智能检测系统方案，将人工智能技术融入煤矿机电设备的智能检测，通过对煤矿机电设备常见故障进行分析，提出利用人工智能技术进行设备检测的可能性和可行性，随后分析了人工智能技术用于设备故障检测的关键技术方案，通过现场应用得出人工智能技术设备检测的效果和结论。

1煤矿机电设备常见故障类型

煤矿机电设备的故障需要根据设备自身结构的构造和实际的工作状况进行分析，常见的设备故障类型[3]分别是设备性能参数的下降，振动的异常、声响异常，磨损残留物的剧烈增加，排气成分的变化，过热现象，裂纹的形成与扩展，电压和电流的剧烈变化等。具体的故障类型和详细的表现形式总结如下：首先是设备的损坏型故障，包括设备的断裂、裂开、点蚀、烧蚀、变形、拉伤、龟裂、压痕等。随后是设备的退化型故障，包括设备的老化、变质、剥落、异常磨损等，然后是设备的松脱型故障，包括松动和脱落等，还有设备的失调型故障，压力过高或过低、行程失调、间隙过大或过小、干涉等；设备的堵塞与渗漏型的故障，堵塞、漏水、漏气、渗油等；最后是性能衰退或功能失效型故障模式，如功能失效、性能衰退、过热等[4]。设备发生故障后需要对设备的故障进行分析，传统的人工分析方式主要是依靠经验，凭借以往对于相同设备或类似设备出现运行异常问题，首先分析故障的表现形式，随后对故障可能的原因进行罗列，并且对故障的原因逐个进行检查和分析，最终筛选出实际的故障并进行维修。在设备检测过程中该方式耗费的时间较长，同时需要的劳动力成本较大，某个煤矿用于机电设备的检测和故障诊断的工人数量超过几百人，所以迫切要求采用先进的智能化检测技术取代传统的人工检测，以提高检测准确度和速度，有利于提高煤矿生产效率。

2基于深度学习的煤矿机电设备检测方案

2.1基于神经网络的煤矿机电设备故障诊断原理

神经网络是一种模仿动物神经网络行为特征进行分布并进行信息处理的算法数学模型，主要包括输入层、中间层和输出层三层布置，通过建立各个节点之间的联系使得整个系统更加复杂，处理信息更加准确。目前神经网络广泛应用于机器学习领域，如对带式输送机托辊的故障检测与诊断、带式输送机异物的识别与跑偏的识别等[5]。对于常用的BP神经网络算法，其本身并不需要分析两种元素之间的对应关系，只需要设置对应的输入层和隐藏层，通过自主学习自动识别大量的输入和输出的对应关系，实现输入-输出的模式映射关系。如图1所示为BP神经网络拓扑结构图，包括三层结构。BP神经网络包括三层结构，分别是输入层、隐藏层和输出层，是一种按误差传播算法训练的多层前馈网络，学习的主要规格是使用最速下降法，通过不断自动调整网络的权重，使得网络的误差平方和最小，从而达到优化。图2所示为神经网络BP神经网络的学习过程与故障诊断机理示意图。采用如图2所示的BP神经网络算法，首先需要获取到足够多的样本参数，通过现场实际获取到的大量样本参数作为神经网络的训练样本。只有数据足够多，才能够保证训练出的样本更加符合实际工况，输入模型中的外部测试数据与模型中已有的样本特征进行比对，最终输出故障诊断的结果。

2.2基于机器学习的故障库和专家库系统设计

针对传统的利用BP神经网络进行机电设备故障检测需要大量的模型进行训练，要求样本具有足够多的数据，为了得到最终合理的结果，工作量较大，为此提出了利用深度学习技术开发出故障专家系统识别煤矿机电设备故障，目前国内利用专家系统的案例并不多，尤其是在煤矿井下机电设备检测方面，通过搭建煤矿井下机电设备故障专家系统实现快速检测和识别。专家系统是作为一种“基于知识”的人工智能诊断系统，主要通过自身的知识和经验，对所对应的模拟人类专家的一些决策过程解决需要专家处理的复杂问题，进行推理和判断。如图3所示为专家系统流程图。专家系统主要由知识库、推理机、综合数据库、解释程序和知识获取程序五部分组成，通过人机交互界面实现用户、专家与整个专家系统的交互，包括对专家系统进行输入专业知识和解释定义知识概念和功能等。从图3中可知，在故障诊断系统中引入了知识库管理和维护模块、测量模块，通过传感器采集故障信号，利用神经网络算法对故障信号进行初步提取和过滤，并对某些关键特征信号进行加强，最后收录到数据库中，通过推理机得到故障类型和诊断结果，作为知识库管理和维护模块的参考输入，丰富完善故障知识库，实现故障自学习、自动诊断。

3现场应用案例与效果

将本次设计的这套新型机电设备智能检测系统布置在煤矿井下，利用传感器将所有机电设备连接到中央控制器，通过现场接线和调试，建立煤矿井下机电设备智能检测系统人机操作界面。利用该套系统可以实现对机电设备的智能实时在线监控，并且当设备发生故障时会及时进行报警，事故发现率高达98.95%，报警响应时间＜8s，大大降低了传统的设备检测成本，提高了设备的检测效率，从而有效避免煤矿事故的发生，保证煤矿安全高效生产。

4结语

针对传统的煤矿机电设备检测存在工人劳动强度大、检测技术落后、检测误报率较高等问题，本文通过对煤矿机电设备常见故障进行分析，利用人工智能技术搭建了煤矿机电设备智能检测系统方案，实现对煤矿机电设备的故障检测和运行检测，提出了一种新的检测方法和手段，通过现场应用表明：该套智能检测方案响应速度快、设备检测准确度高、可在线进行监控、减少了人为参与，不再受工作人员经验的限制，降低了传统人工检测的成本，有效避免煤矿事故发生，保证煤矿开采的安全运行。

参考文献

[1]姜亮.人工智能技术在矿山智能化建设中的应用初探[J].信息记录材料，2020，21（9）：204-205.

[2]王利欣.人工智能技术在煤炭行业的应用与探讨[J].电子世界，2021（9）：12-13.

[3]徐平安.人工智能技术在煤矿中的应用[J].内蒙古煤炭经济，2014（4）：109-111.

[4]吴喆峰.“煤矿大脑”人工智能技术在煤炭行业生产中的应用研究[J].数字技术与应用，2020，38（10）：39-42.

[5]李保飞，文泽钰.人工智能在煤矿机电设备中的应用[J].中国新通信，2021，23（14）：40-41.

[6]张成.5G技术在煤矿智能化中的应用展望[J].数字化用户，2019，25（39）：43-44.

作者:王静 单位:山西省煤炭工业厅煤炭资源地质局