基于露天采矿设备的变频装置故障检测研究

赵慧广

（中铁十九局集团矿业投资有限公司，北京 100071）

现阶段我国露天煤矿采矿设备中变频装置主要应用在设备的电铲和牙轮钻等部件中，其部件与提升、加压及回转等功能模块形成一套体系。当设备中的变频装置出现问题后，在短时间内无法精准确定故障发生的原因与机理，极大影响矿山采矿效率与经济利益。为此，针对采矿设备变频装置故障问题，本文以应用在露天矿中的采矿设备为例，从检测方式入手探究变频装置出现故障的原因。

应用在露天采矿设备中的变频装置一般都设有欠压与过压保护装置，若工作电压超出变频器设置的额定区间后便会导致变频装置停机报警。采矿设备正常工作情况下，其变频装置的整流出直流侧电压额定允许偏差区间在4%～10%，如果超出该范围采矿设备变频装置的过压保护就会启动[1]。此类故障出现的主要原因在于采矿设备整条功能链条的供电网线路过长，且线路线径相对较小，导致线路起始端的设备与末端设备之间存在较大的电压差，进而在整条线路及其元器件中会形成一定强度的势能，造成变频装置故障。

2.1 密度峰值聚类算法

对于收集露天采矿设备变频装置的数据收集技术而言，密度峰值聚类算法（Density Peak Clustering Algorithm，DPCA）可以不通过迭代数据更替即可实现数据的精确化收集，十分贴合露天采矿设备变频装置数据收集工作[2]。该方法的实现机理在于可以寻找被低密度数据区域分割的高密度数据产生区域。假设：①聚类中心点下的数据密度高于其他点的密度；
②随机聚类中心点与更高聚类点间的距离相距较远。数据集“S”，S==1，Is={1，2，…，N}表示相应索引序号集，“Xi”表示在中的一个样本点。

2.2 密度峰值聚类步骤

首先需要进行数据的预处理。

（1）利用z-score 对采集数据进行归一化，则：

（2）得出中心点xi与目标点xj的距离dij，则：

（3）设阶段距离为dc并根据截断距离计算出两点之间的局部密度ρi，按降序进行排列则：

（4）得出每个数据点对应的最小距离δi。

式（4）表示当i 点属于局部密度的最大点时求出与i 点最远目标点的距离。反之求出比i 点密度大且距i 点距离最小的目标点。

其次需要明确聚类中心。依据决策图设计出DPCA 的密度阈值ρth与距离阈值δth。当xi存在最小距离δi＞ρth且ρi＞ρth时，xi可表示聚类中心并添加类别标签。参照对所有数据点进行过滤搜寻所有的聚类中心。

2.3 密度峰值聚类方法优化

综上所述，DPCA 中超参数dc对故障数据的聚类结果影响较大。若dc过大则会造成数据点的局部密度值差别过小，降低数据之间的聚类差异性；
若dc过小则会使类簇的结果变多，缩小聚类的内聚性。因此，为准确获取露天采矿设备下变频装置的故障问题，应当获得一个最适截断距离，以此为密度峰值聚类法的数据聚类区间进行划定。引入K 近邻的思想设计dc的获取方法[3]。

μk表示的所有均值，即：

2.4 时序变化过程

通过DPCA 获得类簇时序数据S={S1，S2，…，St，…，Sn}，其中St表代表t 时刻下变频装置运行数据所属类簇编号，S∈{1，2，…，Q}。在该设计下露天采矿设备的运行过程便可视为不同类簇间转移的过程，利用类簇的时序转移概率Pij分析找到采矿设备下变频装置正常运行时的变化规律。Pij代表从i 类簇向j 类簇转移的概率。

若设共有Q 簇聚类结果，那么所有类簇转移的概率分布见表1。

根据表1 类簇转移概率分布计算获得概率转移的时序P={PS1S2，PS2S3，…，PSn-1Sn}，因该时序的概率值是在露天采矿设备变频装置正常运行下得到，那么此概率值越高便证明两种类簇之间的相互转移越频繁，侧映出这种状态数据下的采矿设备是正常运行的。但是这种情况下的运行数据随时都可以会受到噪声的影响，导致正常数据会在噪声数据影响下出现一定程度的非正常转移（该转移概率较低）影响异常故障的检测。本文运用滑动时间窗口的方式在时序中获取均等的正常数据转移概率，即转移的大概率，以此来补偿因噪声数据影响故障诊断误差的小概率问题，提高故障判别的准确率。滑动时间窗口模型，如图1 所示。其中一次转移为一个窗口，W表示时间滑动窗口步长。判断每个滑动时间窗口下类簇点的平均转移概率：

图1 时间滑动窗口模型

表1 所有类簇转移概率分布

3.1 检测设计与数据

以南昌凯马的KY-250 为验证对象提前设备参数，在变频器长期工作工况不变的情况下，设计变频装置的数据采样周期为1 s，其中数据标签设有时间、母线电压、输出（电压、电流、转矩）以及运行频率[4-6]。实验训练环境：python3.6，Linux 操作系统，训练天数为150 d，采集数据见表2。

表2 变频器运行数据

3.2 数据分析

K 取15，计算得到dc=0.27。通过DPCA 得到9 个正常类簇，见图2。设滑动时间窗口步长为30，则上述数据可以如图3 所示的方式进行展示。

图2 类簇转移概率分布矩阵

由图3 中可以看出，滑动窗口的平均转移率集中在0.47～0.56 之间，而该信号设备的正常平均移动率应当集中在0.4～0.5之间[7]，因此可证明本文研究的露天采矿设备变频装置故障检测方法，能够通过采集时间、母线电压、输出（电压、电流、转矩）以及运行频率的方式准确检测出故障。

图3 正常模式下平均转移概率

本文通过PDCA 实现对露天采矿设备变频装置故障信息的精准采集，并可以通过时间、母线电压、输出电压、输出电流、输出转矩及运行频率的方式精准获取故障产生的参数。该方法主要利用变频器监测采集数据量大的特点，以类簇的方式寻找故障，并通过滑动窗口的方式进一步精确数据类簇的转移情况，以此得到变频装置真实的运行数据。