（平顶山中选自控系统有限公司 河南平顶山 467000）
摘要：中国作为煤炭消费大国，对煤炭的需求呈现与日俱增，同时对煤炭质量的要求也变得越来越高。选煤厂作为目前决定煤炭质量的重要场所，其重要性不言而喻。本文通过对选煤厂工艺流程及机电设备的分析，来探讨选煤厂几点设备智能故障的诊断方法。
关键词：选煤厂；智能诊断；诊断方法
前言：在计算机技术的发展之下，选煤厂也进入了信息化的时代。智能设备的引入大大提高了选煤厂生产效率，提升了煤炭产品质量，增加了优质煤炭的产出。但目前在智能设备发展和使用过程中还存在一些问题，因为我们需要通过开展设备智能故障诊断的方式，保证整个煤矿的正常的产出。
一、选煤厂装备的智能诊断
（一）设备智能诊断的发展历程
随着计算机等技术的发展，人工智能技术逐渐的走入人们的生活。关于人工智能与物联网的结合，新一代的选煤厂的智能设备不断发展最终受到各个煤矿企业的青睐。
伴随着现代设备的自动化的发展趋势，机械设备之间的联系逐渐的紧密起来，一台设备的故障带来的是许多设备的连锁反应。因此对于机械设备的故障的监测就显得十分的重要了，选煤厂作为煤矿企业生产的重要的环节，它的智能设备的故障监测直接关系到整个煤矿企业的发展。因此我们要不断的完善故障的监测系统，提高整个机器运行的效率[1]。
（二）选煤厂装备的智能诊断
所谓的故障监测就是对机器进行检查，看它是否可以正常的运行，从本质上来看就是对于模式的识别。在智能设备的故障诊断中主要包括以下几个方面：信号的采集、提取、状态的分析、诊断以及给出应对的措施。故障诊断的目的是找出故障发生的对象，进一步确定位置以及造成故障的原因并给出参考意见，保证设备的正常的运行。
智能诊断是近几年发展起来的一门新的科学，它是在适应工业发展实际需要而形成的一门涉及内容设备广泛的的学科。在现代化的机械设备中，人工智能诊断设备故障已经发展成为一种大势。在取得不少的成果的同时许多的问题也暴露了出来，因为机械设备本身的复杂性不同的智能诊断的方法在同一设备上会产生不同的诊断的结果，难以将故障发生的原因一目了然的在人们面前展开，这无疑是当前智能诊断方法的局限。
二、选煤厂设备故障诊断研究
（一）基于振动信号的故障诊断
利用振动信号的监测和分析进行故障诊断，它的取值的范围广大便于决策和识别。它的整体的运行如图1所示：被检测的设备的振动信号通过检测设备进行振动信息的采集而后进行数据的变化和压缩，按照振动信息的特征进行分类。进一步的进行分析与判断，将数据信息上报故障诊断系统，或进行维修或继续审核[2]。
（二）双齿辊破碎机故障诊断
双齿辊破碎机的结构复杂，相互之间联系紧密，为了更好的进行故障的检测我们将其拆分为几个小的模块进行检测。首先是电机故障诊断技术，电机与其他的旋转机械并没有什么不同，因此电机的故障大都是转子的故障。电机故障时可能出现的现象有转子的不平衡、不中对、机械松动等，针对转子不平衡的问题则要通过转子在工作中的旋转的频率来进行判断；针对转子不中对则要从轴向振动的频率来看是否出现故障；而机械松动大部分是由于机械长时间的运转造成的过度磨损。然后我们来看看破碎机齿轮箱故障的诊断，齿轮箱是应用比较广泛的一个部件，起着变速转动的作用，在它遇到故障时对于整个时域的波形会发生很大的变化，在检测中可以很容易的发展它的故障[3]。
（三）沉降式离心机故障诊断
当前的沉降式离心机主要用于尾煤的脱水，没有过多的附属设备整体操作简单。但是在进行沉降式脱水的过程中离心液的损耗较大，相对于其他它的检修的要求比较高。这种机电设备故障的自动化智能诊断需要通过如下流程来完成：第一，机电设备外圈、内圈特征频率公转频等基础参数的智能计算；第二，机电设备轴承外滚道损伤分析。在这一步骤中，智能诊断系统能够通过滚动体在外滚道裂纹、点蚀等损伤状态下产生冲击振动参数的自动化计算，确定机电设备轴承外滚道是否存在损伤以及损伤类型；第三，滚动体损伤分析。针对这类损伤故障，选煤厂机电设备的自动智能分析将通过滚动轴承径向间隙的计算分析，判断滚动体是否存在损伤。第四，轴承偏心分析。在这项分析工作中，智能诊断系统会利用机电设备轴心是否存在摆动（绕外圈中心进行）现象，作出轴承是否偏心的合理判断。
三、智能诊断方法
智能诊断作为当下发展较为快速的机械故障的诊断方法，在选煤厂的机械故障的诊断中作用也是十分的强大的。下面我们根据选煤厂自身的特点选择以下几种智能诊断的方法进行阐述：
（一）专家系统
专家系统是以专家的经验和知识为基础的，通过计算机来模拟专家的思维以实现人机之间的交互。在这这个系统内，一般包括有储备知识数据的知识库、进行下一步推测的推理部还有实现人机交互的互动平台。在进行故障诊断时，专家系统如图2所示的展开工作，可以更加专业的处理部分困难的问题进一步的实现选煤厂的科学合理的运行。故障的诊断是专家系统中众多功能中的一项，关于此项诊断方法适合于大部分的机械故障，尤其是通过人力难以解决的故障的诊断。
图 2 专家系统示意图
（二） 人工神经网络
人类进行快速的识别和分析需要经过千千万万个相互连接的神经元，受此影响在对于故障的检测中同样可以通过人类的神经网络进行检测。人工的神经网络系统是建立在各个部件之间相互连接的基础上的，其中一个部件出现故障通过网络的传输会影响到其他部件的运行。如同人的大脑一样只要在进行故障检测时找到那个最初的发生故障的部件就可以有效地解决整个设备的运行中的故障，这样的检测方法适合与大型的结构较为复杂的机械的故障检测。这种智能诊断方法对选煤厂机电设备故障的诊断主要是基于权值（突触）、非线性函数以及求和这三种不同的要素完成的。当获取选煤厂待诊断机电设备的基本信息后，人工神经网络智能诊断方法可以利用上述元素获得相应的反馈结果，对机电设备是否存在故障做出高效化、自动化的诊断。
（三）故障树分析
故障树分析法是由上而下逐层展开的分析演绎的方法。它将系统中备注的最不会发生的故障作为顶层，由此向下逐层分析可能会导致这一事件发生的原因，按照一种特殊的逻辑关系将这些原因进行一一罗列，将事件可能发生的原因全部进行安全性的分析，是一种较为常见的故障诊断的方法。因为其并不涉及到任何机器设备的运行，完全是通过推算进行的，主要适用于简单对象的离线诊断[4]。这种方法对于专业技能的要求比较低，同时得出的结论也比较的片面化，在选煤厂的故障检测中要求的是得到精准的分析，因此此种方法应用的是比较稀少的。
（四）灰色诊断
灰色诊断理论是根据机器人的失控而研发出来的一种智能化的诊断方式。所谓的灰色系统就是因为受到干扰而无法进行正常工作的机械系统。灰色诊断则是在此基础上对整个系统的故障进行研究，它是站在系统的角度上去分析问题。即通过对于已知信息的研究来解决未知信息带来麻烦。一个正在运行的设备实际上就是一个大型的工作系统，在这个系统的运行中总会有一些不可识别的信息，故障的诊断就是通过对未知信息的分析研究，来预测其未来的发展方向，并进一步产生应对的预案。这样的智能诊断的方法同样适用于大多数的机械故障的检测，但值得一提的是诊断办法本身的复杂性会致使故障的诊断陷入无限的循环当中，因此并不提倡大范围的使用。
四、系统诊断的整体方案设计
整个诊断系统主要分为现场监测和企业中心监测，在其运行中大体流程如图3所示。现场监测主要是通过对于在故障发生时的观察，通过对整个故障发生时的现象的分析将可能造成故障的原因传达给企业中心监测，由企业的中心监测进行分析，并进一步的找出故障发生的原因，进行修正。
图3选煤厂机电设备智能诊断流程
这里以选煤厂某机电设备为例，对该机电设备故障智能诊断的流程进行分析：第一，辨别机电设备部件类型，根据辨别结果提取相应的频谱变化特征。第二，在对该机电设备的信号特征进行预处理后，将其导入选煤厂机电设备故障诊断系统的数据采集模块。获得故障分析所需有效数据后，该模块能够将有效数据全部自动传输至选煤厂机电设备的数据分析模块。第三，数据分析模块得出该机电设备是否存在故障的诊断结果：若无故障，则整个自动化智能诊断过程完成；若诊断出该机电设备某位置存在故障问题，数据分析模块将会将故障信息自动传输至报警模块，通过发出警报的方式，提示选煤厂工作人员及时对诊断机电设备进行详细检修，保障选煤厂的正常运行。
在对选煤厂机器的智能故障诊断中，首先要完善网络通信，保证在故障发生的第一时间内系统会进行分析和诊断。为提升机电设备诊断的准确性，选煤厂可通过增加资金投入的方式提升自身机电设备诊断系统的自动化水平和智能化水平。其次要加强对专业人才的培养，专业对口的技术人员进行操作才能在最大程度上保证智能诊断系统的正常的运行。最后企业要制定相应的发展战略，将选煤厂的设备智能化诊断列入到发展的计划当中，更好地实现煤炭企业新的发展。
总结：关于保证选煤厂设备的正常运行方面，在当前技术已经发展的比较的完美。对于煤炭企业的发展来说选煤厂的正常运行是整个行业顺利发展的基础，因此对于选煤厂的机械故障的智能诊断就显得尤为重要。当前智能诊断技术的应用已经发展的较为成熟，这就要求我们更多地将智能诊断技术应用到煤炭产业的运营中去，以此来推动我国煤炭企业的发展。综上所述对于选煤厂机械的智能诊断在当前看来是十分重要的，它可以有效的带动煤炭企业的发展，最终促进国民经济的发展。
参考文献：
[1]田向勤. 动力煤选煤厂设计及建设中的问题分析[J]. 煤炭加工与综合利用,2017,(03):13-15.
[2]张毅涵. 离心式压缩机状态监测及故障诊断与系统应用[D].湖北工业大学,2016.
[3]刘朦月. 基于振动信号的电机轴承故障诊断方法研究[D].哈尔滨工业大学,2016.
[4]房志超. 基于振动与定子电流的风力发电机齿轮箱故障诊断研究[D].燕山大学,2016.
论文作者:张旭可
论文发表刊物:《电力设备》2017年第11期
论文发表时间:2017/8/8
标签：故障论文; 智能论文; 机电设备论文; 选煤厂论文; 设备论文; 故障诊断论文; 系统论文; 《电力设备》2017年第11期论文;