基于时序数据的工作面设备故障预测研究

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.