[發明專利]一種礦用鉆機故障智能識別方法

無效

• 申請號: 201310272937.X
• 申請日: 2013-07-02
• 公開（公告）號: CN103323228A
• 公開（公告）日: 2013-09-25
• 發明（設計）人: 董洪波;姚亞峰;申中杰;李曉鵬;宋昱播;杜小山
• 申請（專利權）人: 中煤科工集團西安研究院
• 主分類號: G01M13/00
• 分類號: G01M13/00;E21B44/00
• 代理公司: 北京天奇智新知識產權代理有限公司 11340
• 代理人: 朱海江

技術領域

本發明屬智能診斷領域，具體涉及一種礦用鉆機故障智能識別方法。

背景技術

礦用鉆機結構復雜、工作環境惡劣，且需要頻繁搬運，容易出現各種故障。礦用鉆機故障后果一般比較嚴重，直接影響煤炭的開采效率，甚至井下的生產安全。現有的常規鉆機故障診斷方法只是靜態排查鉆機故障，進而采取相應的維護措施，而不監測鉆機的工作狀態。這些方法已不能滿足礦用鉆機現代生產的需要。為此，本發明擬采用鉆機運行過程的多種狀態參數為輸入，運用時域和頻域統計分析、小波包分析、經驗模式分解等多種信號處理方法進行特征提取，以多種特征進行初級診斷；將多種特征輸入支持向量機、專家系統、故障樹分析等多種智能診斷方法中，綜合各種因素進行二次診斷，識別鉆機故障，給出應對措施。

發明內容

本發明的目的在于，提供一種礦用鉆機故障智能識別方法，運用多種信號處理方法進行初級故障診斷，運用多種智能技術對鉆機故障進行混合智能診斷。

為了實現上述目的，本發明采取的技術方案是：

一種礦用鉆機故障智能識別方法，它主要包括基于信號處理的初級診斷和基于混合智能的二級診斷兩部分。

其中，基于信號處理的初級診斷運用時域和頻域統計分析、小波包分析、經驗模式分解等信號處方法提取鉆機故障特征，計算統計特征值，初步判斷鉆機故障。

小波包分析方法是運用規范正交基將監測信號從低頻到高頻劃分為多個頻段，對監測信號進行無冗余、無泄漏的分解，從而對包含大量中、高頻成分的信號進行最好的時頻局部化分析。

經驗模式分解方法建立以瞬時頻率表征信號交變的基本量，以監測信號的局部特征為依據，自適應地將信號分解為多個基本模式分量的形式，排除監測信號中噪聲干擾頻率，提取微弱故障特征。

其中，基于混合智能的二級判斷是以初級判斷的特征為輸入，以支持向量機、專家系統、故障樹分析同時對鉆機故障進行診斷，最后利用投票決策確定最終診斷結果。

支持向量機以結構風險最小化原則為基礎進行展開，訓練少量的已知鉆機狀態的監測數據，構造最優分類面分析實時采集的未知鉆機狀態的監測數據，判斷鉆機運行狀態，診斷鉆機故障。

專家系統是通過神經網絡來建立，學習經驗樣本，獲取專家知識，并將知識以權值和閾值的形式存儲在知識庫中，輸入鉆機監測信息，運用推理機制識別鉆機故障，給出應對措施。

故障樹分析方法的具體操作為對系統中發生的故障事件由總體至部分按樹枝狀逐級細化地分析，判明系統故障原因，確定故障發生的概率，給出故障發生可能的優先級。

投票決策是對各種智能方法的診斷結果綜合考慮，對不同診斷結果進行投票，確定其發生的可能性，將最有可能的結果定為最終診斷結論。

有益效果

1）本發明實時監測鉆機運行狀態，對運行監測數據運用多種信號處理方法提取特征，進行初級診斷，可實時判斷鉆機運行狀態

2）本發明運用初級診斷的特征為輸入，運用多種智能診斷技術對鉆機故障進行二次診斷，運用投票決策判斷最有可能的故障類型，診斷全面，診斷精度高。

3）本發明普適性、實時性均較好，便于工程實際中使用。

附圖說明

圖1所示為礦用鉆機故障智能識別方法框架圖

圖2所示為小波包分析方法

圖3所示為經驗模式分解方法

圖4所示為支持向量機框架圖

圖5所示為專家系統框架圖

圖6所示為故障樹流程圖

具體實施方式

下面結合附圖對本發明進一步說明。

如圖1所示，一種礦用鉆機故障智能識別方法，主要包括基于信號處理的初級診斷和基于混合智能的二級診斷兩部分。在基于信號處理的初級診斷中，首先采集鉆機狀態數據作為輸入，然后利用小波包分析和經驗模式分解消除狀態數據中的噪聲信號，提取故障信息，計算原始信號和分解后信號的時域統計特征和頻域統計特征，根據特征值初步判斷鉆機是否故障。在基于混合智能的二級診斷中，利用初級診斷的所有特征構造特征庫，輸入專家系統、支持向量機、故障樹分析中分別判斷故障類型，針對不同的診斷結果，運用投票決策法則給出各種結果出現的概率，依據概率大小確定最有可能的診斷結果。