深度学习在机械设备诊断中的应用

关志平 王照宏 赵伟军

摘要：经济在迅猛发展，社会在不断进步，传统的机械设备状态监测是根据经验通过提取现场采集的振动信号特征值构建特征空间，采用多种方法对特征值进行聚类、分类，从而实现对设备状态的分类。但这种方法严重依赖于专家经验，并且效果受到信号噪声等众多因素的影响。分别在经典一维和二维卷积神经网络的的基础上，提出两种机械设备智能故障诊断方法，并通过凯斯西储大学轴承数据中心发布的数据集比较两种模型的性能，实验结果表明，基于一维卷积神经网络的智能诊断方法更适用于一维振动信号。将基于一维卷积神经网络的智能诊断方法应用于石化厂的机泵设备，证明其能实现特征自适应提取，可取得较好诊断效果。

关键词：故障诊断；智能诊断；深度学习；状态监测

引言

在我国经济水平快速发展的驱动下，各行各业生产规模都在不断扩大。煤炭行业也不例外。煤矿开采工作较为复杂，需要借助大型机械设备来完成各个高难度的工作环节。但在实际的开采工作中因为工程的特殊性，煤矿机械设备常常出现故障，一方面耽误开采工作的正常进行，不能按时完成开采目标；另一方面，机械设备出现故障对操作人员的生命安全也会产生威胁。因此，利用高效先进的故障诊断技术对机械设备进行维护和保养，保证设备的稳定运行，对提高设备的工作效率和煤矿企业实现经济效益都具有重要的意义。

1煤矿机械设备的工作特点及故障诊断应用的必要性

(1)煤矿机械设备的工作特点。煤矿开采工作一般情况下都是在矿井中开展。矿井开采环境较小，且通透性能差，没有足够的氧气供给工人，并且矿井中的开采地势复杂，机器设施长时间在此环境下工作，很容易出现机械故障。高负荷、工作时长，使机器的磨损情况严重化，也给煤矿工作者安全产生带来了威胁，因此相关技术人员应对机器设施故障问题及时检测，并予以进行修复。(2)故障诊断技术在煤矿机械设备中应用的必要性。煤矿开采使用机器设备工作时，由于矿井环境的特殊，而且受开采难度大、空间小等因素影响，大大增加了机器设施出现故障的概率。如果不能及时发现机器设施出现的故障并解决，极有可能会影响工作人员的生命健康和安全。因此，相关工作人员应不定期地对设施进行检测及维护，及时掌握设备的运行情况，预防故障的出现，降低故障发生的可能性，确保机器安全运行，从而保障施工人员的人身安全。此外，我国对于煤炭的需求量持续加大，也加重了机器自身工作的极限，使其超负荷工作。机器设施长时间超负荷工作，加大了故障出现的概率，使人员的安全问题得不到保障。所以，要积极引进先进的诊断技术，对机器设施的使用情况进行及时检测，及时发现问题并解决，才能保障工程的顺利进行。

2深度学习在机械设备诊断中的应用

2.1工程机械维修过程中的质量管理

目前，虽然我国工程行业处于发展阶段，但工程机械维修却面临着严峻的质量问题。所以应该将质量管理结合到机械设备维修环节中，深入探究工程机械设备运行过程中出现质量问题的原因，并给予相应解决措施。第一，应该实行计划性质量管理，根据实际的工程机械运行状况，制定科学有针对性的管理方法，并合理应用到维修工作中，严格遵守计划对质量进行管理，也不能因为工程期限而忽视质量管理，只有这样才能解决机械设备超负荷运载问题。第二，大力推行保护措施，机械设备在运输与动作过程中极易引起质量问题，应该采用科学保护措施，防止设备受损，始终维持设备在高质量性能下运转。第三，机械设备的运行与使用应该符合行业的标准规范，使工程机械设备达到正常运行的状态，减少工程机械安全事故的发生。

2.2深度学习

深度学习是机器学习的一个分支，其各层级嵌套的结构可以灵活表达我们的世界，深度学习中的概念是由简单的概念互相串联而成的，这样可以从不太抽象的概念中提取出更加抽象的概念。神经网络是用于实现这类问题较常见的结构，它是一种高度非线性映射，可以将输入网络的数据映射到决策空间中。神经网络最早受到了生物大脑结构的启发，人们认为模拟大脑的活动机制可以让机器具有和人类似的智能，但是历史上早期的神经网络实际上是一种简单的线性组合，可以实现的能力极其有限。而后，更多的研究者提出了效率更高的神经网络模型，时至今日，深度学习是实现人工智能的重要工具。

2.3煤矿挖掘设备

煤矿挖掘机是用于煤矿开采的另外一台重要设备，对其故障诊断同样需要高度重视。通常情况下，该机器要比其他机器使用时间更长一些，使用频率与其他机器相比也较大，这些因素都增大了机器出现问题的概率。因挖掘机工作时对轴承磨损较大，轴轮相互摩擦时也会升高轴承的温度，所以煤矿挖掘机中最容易出现故障的部位是轴承。因此，煤矿挖掘机设备的检测方式是使用温度检测法对机器进行检测，根据温度的检测结果以及检测人员的分析结果，掌握机器的使用情况，并对其的工作强度作出判断。

2.4工程机械的维修方式不断完善

由于机械制造技术的不断提升与发展，增添了工程机械维修工作的难度，相关维修方式也发生了变化。传统的工程机械维修模式通常为事后维修，但随着科学技术与社会经济的不断发展，传统维修模式难以满足对工程机械的精准化维修。通常情况下，工程机械多超负荷工作，一旦工程机械出现故障，将会制约企业的发展。工程机械设备也会受环境因素所制约，导致工程机械出现损耗，会严重影响工程运行效率与质量，加剧机械发生故障。如果此类问题得不到妥善处理，会使工程机械无法使用。相关工作人员应该要对工程机械的运行状况进行定期检查与修复。工程机械设备在科学技术的支持下，应该尽可能采用状态检测维修法。此外，在工程机械的制造生产环节中，应该严格按照制度标准，实现技术状态监测维修模式。在信息技术不断创新变革的前提下，今后状态工程机械维修法将会广泛应用在社会各领域中，推动相关企业的发展。

2.5全连接层

全连接层一般位于卷积层和输出层之间，将由卷阶层提取到的特征转换为一维向量，通过与其相邻的全连接层之间的每一个节点相连反映学习样本特征到目标之间的映射关系。卷积神经网络中通常在全连接层之间加入线性整流函数（Rectifiedlinearunit，ReLU）等非线性元素增加其处理非线性问题的能力。综上所述，全连接层主要作用是将由卷积层和池化层提取的特征进行非线性组合，以完成特征到标记样本空间的映射，即全连接层本身不被期望具有特征提取能力，而是试图利用卷积层提取出的高阶特征实现学习目标。

结语

通过上文可知，故障诊断技术在煤矿机械设备中的应用具有必要性。针对煤矿机械设备中易出现的问题进行描述，可以将红外热成像检测、超声波检测、超声波检测、温度检测等多种故障诊断技术应用至煤矿挖掘设备、高压异步电动机、矿井提升机、故障现场初步诊断中，通过故障诊断技术对煤矿机械设备进行维护，可以保证设备的健康运行和煤矿企业的安全生产。

参考文献

[1]任浩，屈剑锋，柴毅，等.深度学习在故障诊断领域中的研究现状与挑战[J].控制与决策，2017，32(8)：1345-1358.

[2]周飞燕，金林鹏，董军.卷积神经网络研究综述[J].计算机学报，2017，40(6)：1229-1251.

[3]贾建明，李得保.基于EEMD自适应选取IMF的机泵滚动轴承故障诊断[J].净水技术，2018，37(S1)：164-167+174.

作者简介：关志平1968-05，男，内蒙古包头市白云鄂博矿区，内蒙古包钢钢联股份有限公司巴润矿业分公司，技师，从事露天采矿挖掘机司机。