基于大数据技术综采工作面故障判定方法

摘要

本发明公开一种基于大数据技术综采工作面故障判定方法，通过建立故障字典，监测实时运行数据的指标值得到异常数据，故障诊断处理系统对异常数据进行处理和判断，确认异常数据无误后与故障字典自动匹配，得到故障工单，若异常数据与故障字典匹配上则按照故障工单进行处理，如匹配不上则引入专家对故障工单中的故障进行判断，并对故障进行处理，对处理操作进行记录得到操作日志，故障字典通过操作日志进行深度学习，更新故障字典，避免依赖先验条件和人工参与，可根据设备故障状况进行实时诊断，自主选择故障判定方法，提前发现设备早期故障，以减缓、减少、避免大型事故的发生，降低非计划停机的次数。

说明书

技术领域

本发明属于工作面故障判定技术领域，具体属于基于大数据技术综采工作面故障判定方法。

背景技术

基于大数据平台的故障诊断，即根据设备的运行特性配置相应的诊断策略，抓取设备故障有效的振动、温度数据，进行运行状态报警。

在故障诊断现有技术中，主要以人工诊断为主，采用人工巡检，生产班报备，检修班维修的方式，工作效率低，无法高效生产。当设备出现故障后，人工干预通过机房操作按钮控制设备停止运行，保障工作面安全。此时通过地面控制中心发布故障指令，调集维修专家对故障点进行检查，实现故障的有效巡检，该技术主要依赖先验条件和人工参与，在工作面推进过程中，无法根据设备状况进行实时故障诊断和判定。

发明内容

为了解决现有技术中存在的问题，本发明提供一种基于大数据技术综采工作面故障判定方法，该方法不依赖先验条件和人工参与，可自主选择故障判定方法，提前发现设备早期故障，以减缓、减少、避免大型事故的发生，降低非计划停机的次数。

为实现上述目的，本发明提供如下技术方案：一种基于大数据技术综采工作面故障判定方法，具体包括以下步骤：

S1建立故障字典：依据实际使用需求建立故障字典，对故障字典内数据进行分类并确定统一故障告警码；

S2故障监测：监测系统抓取设备实时运行数据，设备实时运行数据包括指标值和波形数据，若指标值超出设备正常运行范围则进行故障报警，并将此指标值标记为异常数据；

S3故障诊断：将异常数据输入故障诊断处理系统中对进行监测诊断，异常数据与故障字典进行匹配，得到对应故障描述和故障处理意见形成故障工单，若匹配上则按照故障工单进行处理，若未匹配上则进行步骤S4；

S4故障分析及专家干预建立：故障工单存入预处理故障字典，专家对故障工单中的故障进行处理，记录专家处理操作形成操作日志，完成故障字典、故障库和干预库的更新。

进一步的，步骤S1中，所述故障字典建立机制为：按照设备的厂家、型号进行一次分类，一次分类后按照各设备的零部件参数、参数阈值进行二次分类，二次分类后按照设备的故障类型、故障级别、故障名称进行三次分类；所述故障字典内数据进行分独立维护，并对故障字典内的数据字段进行了冗余处理。

进一步的，步骤S1中，所述故障告警码唯一且有效，通过APP、web界面实时按照故障告警码进行查询。

进一步的，步骤S2中，监测系统采集指标值的时间间隔为5min，此间隔内指标值无时域波形、频谱，振动值、温度值和时域指标。

进一步的，步骤S2中，所述监测系统采集波形数据的时间间隔为0.5h-2h，此间隔内波形数据包括时域波形、频谱、包络解调谱多种数据分析结果。

进一步的，步骤S3中，所述故障诊断处理系统采用高维度数据模型，所述故障诊断处理系统包括瞬时数据监测或数据区域监测两类监测任务。

进一步的，步骤S3中，所述瞬时故障监测将异常数据与故障诊断处理系统内所配置的参数对象进行轮询匹配，匹配成功，则判定所述故障有效，将异常数据引入故障诊断处理系统内所配置监测策略中进行计算，计算结果与故障字典进行匹配，得到对应故障描述及故障处理意见，并生成故障工单。

进一步的，步骤S3中，数据区域监测通过故障诊断处理系统内的所配置的参数对象将异常数据按照数据块的形式进行区域划分，并以数据帧的方式打包成数据包，将数据包引入故障诊断处理系统所配置的干预监测策略算法中进行计算，若计算结果出现异常则引入监测策略对数据包做整体过滤，将过滤后的数据包中的数据节点与故障字典进行映射匹配，得到对应故障描述及故障处理意见，并生成故障工单。

进一步的，故障字典根据操作日志进行深度模型学习，完成故障字典的更新；专家在确认故障工单有效后，故障工单同步更新到故障库内，完成故障库的更新，在故障库内进行阈值检查及监测算法迭代，计算结果同步更新至故障诊断处理系统中完成干预库的更新。

进一步的，所述故障库包括矿务局、工作面、设备、零部件、参数、MQ参数、故障区域值、上下限值、该故障的故障类型、故障的优先级。

与现有技术相比，本发明至少具有以下有益效果：

本发明提供一种基于大数据技术综采工作面故障判定方法，通过建立故障字典，监测实时运行数据的指标值得到异常数据，故障诊断处理系统对异常数据进行处理和判断，确认异常数据无误后与故障字典自动匹配，得到故障工单，若异常数据与故障字典匹配上则按照故障工单进行处理，如匹配不上则引入专家对故障工单中的故障进行判断，并对故障进行处理，对处理操作进行记录得到操作日志，故障字典通过操作日志进行深度学习，更新故障字典，避免依赖先验条件和人工参与，可根据设备故障状况进行实时诊断，自主选择故障判定方法，提前发现设备早期故障，以减缓、减少、避免大型事故的发生，降低非计划停机的次数，针对矿井生产来说，该方法具有实时性、高效性，能够保证智能化矿井的实时生产。

本发明中监测系统可以自动记录设备故障生成过程中的全部数据、信息，这就为揭示事故产生的原因、程度、部位，及后期的维修、同类错误的产生提供了最直接依据基础；可以针对监测的结果，针对性制定维护措施，减缓大部件劣化速度，延长设备使用寿命；

本发明中对设备状态监测及故障诊断还可充分了解设备性能，为改进设计、制造与维修水平提供有力证据，也为设备的在线调理、停机检修提供科学依据，可延长运行周期，降低人员点检强度，降低维护和维修费用；

本发明对设备进行故障诊断可以确定故障根源，并进行损伤部件使用寿命的预测，可以帮助企业合理制定检维修计划，统筹安排人力以及备件准备，针对性检修、维护，避免非计划停机，缩短备件采购与检修周期，同时也可避免因局部部件损伤导致的大部件整体故障；

附图说明

图1为本发明故障判定方法流程图；

具体实施方式

下面结合附图和具体实施方式对本发明作进一步的说明。

根据图1所示的故障判定方法流程图，本发明故障判定的具体流程如下：

1、故障字典的建立

系统内置一套依照项目内的实际使用需求所独立开发的故障字典。该字典内的数据均进行独立维护，数据内部的数据字段均进行了冗余处理，屏蔽其它业务所带来的影响。

故障字典的建立机制按照：设备的厂家、型号进行一次分类，一次分类后按照各设备的零部件参数、参数阈值进行二次分类、二次分类后按照设备的故障类型、故障级别、故障名称进行三次分类，并指定统一故障告警码。

优选的，故障告警码是为了方便维修人员及时查找到对应故障处理方案，保证设备检修及维护的高效性，该故障告警唯一且有效，可通过APP、web界面实时按照故障告警码进行查询。

优选的，故障字典中可人工录入单个故障的故障描述和处理意见。

2、故障监测

各个设备正常运转时，其运行数据的指标是在一定范围内波动的，当设备发生故障时，设备的运行数据会发生突变，因此，设置合理的监测系统有助于故障的快速解决。

监测系统根据设备的运行特性配置相应的诊断策略，诊断策略抓取设备实时运行数据如有效的振动、温度数据，当指标值超出设备正常运行范围则进行故障报警，并将此实时运行数据标记为异常数据，设备正常运行范围按照各设备厂家不同有所区别。

优选的，监测系统中的诊断策略每5分钟采集一次指标值，此间隔时间内指标值无时域波形、频谱，振动值、温度值和时域指标；每0.5h-2h采集一次波形数据，此间隔时间内波形数据可以看到时域波形、频谱、包络解调谱等多种数据分析结果。

如果设备出现故障导致了监测系统指标值报警，监测系统会在5分钟内将监测得到的异常数据不间断上传，形成波形上传到现场服务器软件里，确保设备负责人能够第一时间收到设备故障信息，可满足现场设备管理与运行维护人员的设备监测与故障分析需求，通过故障诊断处理系统提供的分析工具，该分析工具是系统提供，主要是实现设备监测，可判断传动设备的工作状态，定位故障部位、故障原因以及故障劣化的模式。

优选的，波形数据的采样时间间隔可以灵活设置。

3、故障诊断

故障诊断处理系统作为数据诊断的前置系统，其原理是通过故障诊断处理系统所配置的干预监测模型进行设备实时运行数据的监测诊断，故障诊断处理系统会自启动设备故障预警分析，实时监测当前设备运行数据流，依据专家提供的模型，快速依据模型匹配分析，抓取可能存在故障点数据进行分析处理，异步调用主流程，抓取故障点生命周期内的数据流，统一做关联分析处理得到分析结果后将结果推送至服务中心，由专家进行二次判断；同时与故障点实际矿点企业进行联系确认。

在原始实时运行数据处理后，干预监测任务开始介入，故障数据处理系统监测任务分为两类，包括：

瞬时数据监测：

瞬时故障监测是通过干预故障诊断处理系统，在EMQ平台接收数据后，将异常数据与故障诊断处理系统内所配置的参数对象做数据的轮询匹配。该方式不会对数据的传输效率和速度产生影响。发现匹配成功时，依照故障诊断处理系统内所配置监测策略中进行带入计算，计算结果与故障字典进行匹配，当前状态下，若计算结果与故障字典相匹配，则判定该故障有效，并根据字典内的策略和计算规则自动生成对应故障描述及故障处理意见，对异常数据进行打包，并推送至服务管控系统生成工单告警信息。

数据区域监测：

区域监测，来源于累积监测故障。通过故障诊断处理系统内所配置的参数对象，对异常数据按照数据块的形式进行区域划分，以数据帧的方式将异常数据暂存并保存在内存中，进行计算处理。该监测方式时效性相对于瞬时数据监测来说并不高。处理过程更为繁琐和复杂。其原理是将随着时间推移所传输的异常数据以帧的方式进行打包，包与包之间为队列关系采用先进先出原则执行。故障诊断处理系统所配置的干预监测策略算法将逐一都每一个数据进行带入计算，如果当前计算的数据包未发生异常，则不对该数据包处理；当监测到某数据包发生异常时，干预算法将引入监测策略，监测策略对该数据包做整体过滤，过滤的目的是去除计算结果中相差较大的结果值，保证之后数据匹配的高效性。计算结果由干预算法判定，确认判定是否发生故障，发生故障时引入故障字典对数据包内数据节点做数据的映射匹配，匹配成功后，依照字典内的策略和计算规则自动生成对应故障描述及故障处理意见后，对数据集进行打包，并推送至服务管控系统生成工单告警信息。

以上2类监测方式在监测机制和原理上有着很大区别，第一个在从发现、处理、诊断、匹配、推送过程中效率极高。缺点在于只能够对单一节点进行单一阈值判断。更多应用于设备在工作状态下的实时可能存在异常的告警信息生成。

第二个，对与执行的速率、发现的过程更加缓慢一些，优点在于能够通过不间断的数据包进行单一设备、联动设备的整体分析诊断，可通过对多个数据包的监测，发现联动设备故障存在的隐患问题。并能够很精准的判断出故障源、级联设备的相互影响等全方面的数据诊断分析。

若上述两种监测任务中异常数据与故障字典相匹配，工作人员则按照故障字典上的故障处理意见对故障进行处理，若异常数据与故障字典不匹配上则引入专家进行干预。

4、故障分析及专家干预建立

本地数据中心通过订阅云Mqtt数据发布服务器，将任意工作面数据进行订阅，通过建立数据管道，对数据进行算法加密，本地数据中心将订阅到的数据进行解密后，对工况数据进行二次预处理，校验数据在传输过程中的完整性及有效性。

当监测系统检测到工况数据出现异常数据时，进行标记。并对数据源进行分析，调用对应异常数据的设备信息，携带异常数据及对应设备信息主动向干预库发起请求，在同步监测下，干预库介入。

干预库通过分析异常数据及对应设备信息，调用预设定干预算法、故障库历史故障数据进行多维度分析异常数据。计算该异常数据是否有效。在确认有效的状况下，异常数据标记有效。读取干预库内对应阈值，对标记数据进行记录。同步开始执行抓取当前设备历史30分钟内数据实时数据集进行打包存储，并形成元数据清单记录在Redis(日志管理服务器)内。当异常数据通过干预后高度与干预库内故障模型匹配，则判定为设备出现异常。

故障诊断处理系统判定设备出现异常后，提取异常数据内容形成数据报表，并结合故障类型、故障设备、故障位置、元数据清单形成概要故障描述及故障处理意见形成故障工单，工单内携带元数据存储位置，推送至服务中心。

故障工单推送至服务中心，当前故障工单则被无差别存入预处理故障字典内，等待专家处理意见，并记录专家操作，形成操作日志。故障字典通过预处理故障字典内操作日志进行深度模型学习，迭代更新已知故障模型，建立未知新故障模型，完成故障字典内各设备各故障类型的数据模型。

专家在确认工单的有效行后，该工单会同步被更新到故障字典内，并在故障库内进行阈值检查及监测算法迭代，完成计算后，将结果同步更新至干预库故障诊断处理系统内，更新故障诊断处理系统干预库内干预监测策略算法及故障诊断处理系统内高维度数据模型的参数阈值，完成干预库的更新。

5、故障字典的建立及反馈学习

故障字典在系统内从数据设计角度来说，处于独立状态。屏蔽了其它业务功能的影响，设置了全冗余字段，无外键关联。原因在于故障字典的高频数据请求，由于存在多工作面、设备、参数的关系，所以将故障字典进行了独立的设计。

故障库内信息包含了，矿务局、工作面、设备、零部件、参数、MQ参数、故障区域值、上下限值、该故障的故障类型、故障的优先级等主要数据。干预监测任务将经由干预策略所计算出的结果，存入故障库内，并打入临时状态标记，同时推送至服务管控系统中，由专家进行人工诊断，专家诊断完成后结果反馈至大数据诊断模块内，数据通过WebSocket进行传输，结果回传至故障诊断处理系统内，在故障库内匹配该数据，并根据结果对该数据只进行完善和补充，不进行修改和更新。确定为有效故障时，删除临时标记并更新入库。在故障工单经流转完成后，故障库内该数据会同步更新时间、具体故障信息、描述、处理解决办法。对于无效故障，该数据将转移至无效故障库内。

根据故障诊断处理系统内部所配置的参数，系统会定期调用大数据诊断模块内的反馈学习模块，该参数不固定，根据系统监测累计数据量自动决定是否启用周期反馈学习模块。其原理是通过机器学习的监督算法对数据进行学习，让反馈学习模块通过故障库及无效故障库内的数据进行自主学习，并自动识别某一故障源是否为高频但无效的故障，或是低频但有效的故障。

机器学习的监督算法需要通过人为的干预，也就是说，需要借助故障诊断处理分析系统中的各参数阈值，完成计算。周期性的计算完成后，根据结果匹配系统内所配置的每一条干预监测任务所以对应的干预策略算法参数阈值，该部分由业务逻辑代码完成，非机器学习内容，通过匹配、对比是否决定对故障诊断处理系统内所配置的参数阈值做调整，每次调整完成后，将会根据日期按照每天计算以7天为一个周期，将日故障进行日志埋点处理，非工作时间将抓取日志进行数据迁移至机器学习数据库内，在下次系统监测数据积累量达到要求时，将启动反馈学习模块，进行数据的学习及反馈。依此进行周期循环，期间会进行人为的干预来进行参数阈值的调整，进行测试，记录每次结果，不中断的人为辅助修正机器学习模型中参数。