液压支架常见故障分析及故障诊断研究

朱家宏

（晋能控股煤业集团四台矿， 山西 大同 037000）

引言

液压支架作为综采工作面顶板支护，工作空间维护的主要支护设备，对于企业的安全高效生产至关重要。在日常生产中，由于液压支架使用环境恶劣、支架负载较高且结构复杂，液压支架故障发生频率较为频繁。作为煤炭开采的重要设备，其故障的发生对企业安全生产影响巨大，严重威胁着企业人身财产安全。针对这一现象，本文提出了基于贝叶斯网络和支持向量机的方法进行液压支架故障诊断分析，以期及时发现液压支架故障信息，保障煤炭企业的人身财产安全。

1 液压支架常见故障分析

现阶段，液压支架的类型有上百种，结构多样，但常用的液压支架可分为支撑式、掩护式和支撑掩护式三种[1]。液压支架工作原理大致相同，主要包括升、推、降、移四个部分，运用阀门控制立柱与千斤顶，乳化液泵站用于提供动力。其具体原理示意图如图1 所示。

图1 液压支架工作原理示意图

由于千斤顶、立柱、操作阀以及乳化液泵站在液压支架工作过程中使用最为频繁。故该四个部位的故障也为液压支架故障较为常见的类型。其中，千斤顶的常见故障又包括变形、管路故障、漏液等[2]。具体表现为千斤顶工作动作缓慢，甚至发生无法动作的现象；管路堵塞或者液体泄漏现象。立柱常见故障包括升降故障、安全阀故障、部件变形等。其具体表现为立柱运行时升降缓慢，甚至无法运行；立柱无法承载或者不受控制。操作阀常见故障为阀杆或手把故障。具体表现为手把断裂或不灵活；操作阀有漏液现象；阀杆变形。乳化液泵的常见故障有泵站压力过低、容积效率低、动作缓慢、振动与噪声较大。

2 液压支架故障诊断研究

本文提出采用因子分析的方法对指标进行降维研究，运用支持向量机的方法进行故障研究分类，使用贝叶斯落网概率的方法进行故障原因推理，以期提高故障诊断效率，减少因液压支架故障造成的停工停产维修。

2.1 因子分析法

因子分析法是探究变量内部关系的一种方法，主要通过变量的协方差矩阵或系数矩阵将原始变量归纳为综合变量[3]。因子分析法的具体分析步骤如下：

1）通过标准预处理消除数据的量纲差异，然后通过KMO 与Bartlett 检验变量是否有关联，是否有做因子分析的条件。

2）通过矩阵的构建得出特征值、累计方差贡献率、方差贡献率以及特征向量，通过各指标确定综合变量。

3）通过方差最大化旋转降低综合变量的相关程度。

4）对旋转后的矩阵进行Kaiser 标准化正交旋转分析，明确综合变量意义，确定得分系数。

2.2 基于贝叶斯网络和支持向量机的液压支架故障诊断方法

贝叶斯网络法在故障诊断领域中应用已较为广泛，主要是通过对数据进行分析与推理从而表达变量的不确定关系[4]。支持向量机主要是对数据样本进行分类，是统计学习理论的具体应用方法。本文拟采用基于贝叶斯网络和支持向量机的液压支架故障诊断方法进行故障诊断分析，具体诊断流程如下页图2 所示。

图2 故障诊断流程示意图

2.3 训练样本建立

本数据来源于某企业的ZZ7800/22/45 型液压支架，共建立两个训练样本，分别选取300 条数据记录进行训练样本的建立分析。其中，训练样本1 用于贝叶斯网络结构与参数学习，对故障原因进行记录分析；训练样本2 用于支持向量故障分类，对故障指标数据进行记录分析。训练样本1 中，以1 代表事件发生，以0 代表事件未发生，以a、b、c、d 代表千斤顶、立柱、操作阀以及乳化液泵站故障，a1～d3 代表相应的故障原因，储存于Excel 表格中后并保存为CSV 格式，并应用CeNIe 2.0 软件进行读取。

训练样本2 需运用因子分析法进行降维处理，以便提高模型精度，方便数据观察。将收集的数据导入SPSS 23 软件后，可得到KMO 与Bartlett 数据分别为0.908 与0.000，适于做因子分析。其中，公因子方差普遍大于0.8，最小值为0.785，可较好地描述变量。经分析，最终可确定2 个综合变量，方差贡献率分别为74.048%与10.477%，累计方差贡献率为84.521%。最后，通过方差旋转与Kaiser 标准化正交旋转分析可得得分系数矩阵，其如表1 所示。其中，A～K 为训练样本监测指标，分别为底板比压、管路压力损失、立柱下腔压力、润滑油温度、乳化液浓度、移架位移偏差、乳化油油位、顶梁倾角、泵站压力、乳化液泵流量、电磁阀驱动端电流[5]。

表1 训练样本2 成分得分系数矩阵

2.4 模型建立

液压支架故障诊断模型需进行BN 与SVM 模型建立。其中，BN 模型主要将按故障原因分类后的故障作为证据输入进行BN 推理，然后按发生概率的大小进行诊断。模型主要通过GeNIe 2.0 软件进行贝叶斯网络诊断分析。本文以千斤顶故障为例进行BN 模型构建分析。首先与千斤顶相关数据共有7 个节点，55条记录，可作为结构学习依据。其次，运用K2 算法进行结构学习。由于K2 算法结构学习所得结构较为复杂，且存在内容不相关现象，故需进行结构优化。最后，依据BN 的结构与训练样本1 进行参数学习，使变量关系得以量化。

SVM 故障模型主要是对液压支架运行时故障发生的数据进行分类与识别。模型主要通过MATLAB中的libsvm-3.23 工具包进行模型构建。将训练样本2中的数据按1∶1 的比例划分为测试集与训练集，通过对比两集的数据进行准确率判断。采用高斯径向基核函数进行分析，函数主要参数为惩罚系数c 与核参数g。依据过往经验，对c、g 进行赋值分析后发现，c=1.5 与g=0.2 时，准确率最高，故按上述参数进行SVM 模型构建。

3 实验对比

按上述方法进行模型建立并应用于实际应用中可以发现：SVM 模型在对130 个测试样本进行故障诊断时，其准确率为100%，诊断准确率高，其分类结果如图3 所示。其中，四类类别标签分别表示千斤顶故障、立柱故障、操作阀故障以及乳化液泵故障。由上页图3 可知，实际与预测测试集分类重合，故障诊断准确。对BN 模型进行故障原因分析实验，最大概率的原因皆为故障发生处，对相应部位检修可使液压支架恢复正常，达到故障诊断研究目的。

图3 模型故障分类结果示意图

4 结论

1）常见的液压支架故障主要包括千斤顶故障、立柱故障、操作阀故障以及乳化液泵站故障四大类。

2）采用因子分析的方法对指标进行降维研究，运用支持向量机的方法进行故障研究分类，使用贝叶斯落网概率的方法进行故障原因推理，可完成液压支架故障诊断研究，SVM 与BN 故障诊断准确，准确率可达100%。