基于时序数据的工作面设备故障预测研究
郑磊
国能信息技术有限公司,北京 100011
摘要：煤矿工作面设备通常由多个复杂系统模块组成,各模块间具有强耦合性,且设备故障机理复杂,在进行设备故障预测时需对设备的运行状态、环境数据、操作数据等进行实时监测,从而获取电气、机械、热工类多参数时序数据.提出一种基于时序数据对工作面设备进行故障预测的方法:首先,采用时序对齐算法将采集的设备监测数据对齐,即对监测数据的时间列重新排序,以时间列为关键值,各监测数据作为标签值填入,空缺值以前值填充;然后,根据故障表征现象和发生机理选取故障相关因素,通过Pearson相关系数分析法计算相关因素间的相关性,由此确定故障预测因素集;最后,采用长短期记忆(LSTM)网络建立工作面设备故障预测模型,以归一化的故障预测因素集作为LSTM预测模型的输入、故障作为输出,将迟滞时间段引入LSTM预测模型,实现了迟滞性故障的超前预测.以采煤机过热跳闸故障为例进行试验,通过分析得出故障预测因素集为{滚筒温度,滚筒电流,滚筒启停,牵引温度,变压器温度,摇臂温度},当LSTM网络细胞层数为10、隐藏细胞数为10、学习率为0.001、迭代次数为1500、1次读取样本个数为120时,采煤机过热跳闸故障的迟滞时间为30 min,采用测试集进行故障预测时可实现超前26min预测,与迟滞时间相差4min,表明采用LSTM网络可基于时序数据有效实现工作面设备故障的超前预测.
关键词：工作面设备故障预测迟滞性故障时序数据时序对齐相关系数分析长短期记忆网络
分类号：TD67(矿山电工)
资助基金：国家重点研发计划(2017YFC0804307)
论文发表日期：2021-08-10
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：6( 90-95 )
英文信息