关键词:
数字孪生
矿用设备
状态监测
故障预测
预测性维护
摘要:
传统的矿用设备维护一般是根据以往经验制定周期性巡检计划,维修方法依赖于经验丰富的技术人员现场勘查、检修。但随着矿山智能化程度和测控水平不断提高,对矿用设备有效检修提出了更高要求。采煤机作为综采工作面的核心设备,提高其检修效率尤为重要。因此,本文对采煤机液压系统的状态监测、故障预测以及预测性维护方案进行研究。分析采煤机液压系统常见故障特征,制定采煤机液压系统数字孪生体搭建方案,明确预测性维护系统机理与实现流程,提出基于液压状态信号的状态监测、故障预测方法,构建采煤机液压系统数字孪生体,实现预测性维护系统功能,保障采煤机安全稳定运行。针对传统状态监测方法存在图表复杂难懂的应用难点,综合考虑采煤机液压系统常见故障囊括范围,研究基于状态监测模型的设备动态数据直观获取方法,以较小的数据通道和通用的开发引擎,搭建三维可视化设备状态监测平台,在虚拟空间自主选择观察目标,对应展示采煤机液压系统组成结构与状态参数。针对故障预测过程中出现的数据集冗杂问题,研究基于灰色粗糙集的双向数据约简方法,建立—种适用于采煤机液压系统的优化人工神经网络预测模型,带入煤矿工作面实际数据进行网格训练,获得采煤机液压系统各关键部件预测故障率,并对比四种常见预测方法给出的预测结果准确度,验证了该方案适用于本系统。针对预测结果给出采煤机液压系统巡检、小修建议,在保证常态巡检的情况下,若将该系统应用于当前煤矿,可望在两年内减少43.6%巡检和27.1%停机小修。最后,根据采煤机液压系统实际维修流程,制定了基于混合现实(Mixed Reality,MR)的采煤机液压系统预测性维护策略。采用Matlab-MySQL-Unity3D联合编程方式,将预测结果推送至故障对策库,进而驱动辅助维修流程部署至HoloLens眼镜,操作人员佩戴眼镜进行预测性维护操作,实现虚拟空间与现实设备的维修交互。该系统已针对状态监测、故障预测与预测性维护功能进行实验验证,结果表明各模块均实现预期功能。