Research on the health evaluation and prediction system for mine hoists
-
摘要: 针对目前对矿井提升机整个系统进行健康状态评估与预测的相关研究相对较少的问题，建立了矿井提升机健康状态评估指标体系和评语集，设计了矿井提升机健康状态评估与预测系统。针对矿井提升机各组成系统的监测数据无法充分利用、健康状态评估结果不能满足实际生产需求的问题，提出了一种提升机健康状态模糊综合评估方法：引入相对劣化度表征提升机不同类型指标的健康度，并利用健康度对矿井提升机的健康状态进行量化；采用模糊综合评估法计算矿井提升机的健康状态，使用指数标度代替1—9标度对层次分析法（AHP）进行改进，以降低计算复杂度；采用CRITIC客观赋权法，结合主客观权重计算各子系统和指标的综合权重；根据模糊综合评估计算过程和最大隶属原则，得到矿井提升机的健康状态评估结果和故障原因。在提升机健康状态评估结果基础上，利用哈里斯鹰优化（HHO）算法优化支持向量回归（SVR）模型的重要参数，构建HHO−SVR模型对矿井提升机的健康状态进行预测，提高健康预测结果的准确性。实验结果表明：模糊综合评估方法能够准确实现提升机健康状态评估；与粒子群优化支持向量回归（PSO−SVR）、遗传算法优化支持向量回归（GA−SVR）、灰狼算法优化支持向量回归（GWO−SVR）模型相比，HHO−SVR模型的预测结果更接近实际值，具有更好的预测效果。Abstract: In response to the relatively limited research on health evaluation and prediction of the entire system of mine hoists, a health evaluation index system and comment set for mine hoists have been established. The health evaluation and prediction system for mine hoists has been designed. A fuzzy comprehensive evaluation method for the health of mine hoists is proposed to address the issues of insufficient utilization of monitoring data from various components of mine hoists, and the inability of health evaluation results to meet actual production needs. The method introduces relative degradation degree to characterize the health of different types of indicators of the hoist. The method uses health degree to quantify the health of mine hoists. The fuzzy comprehensive evaluation method is used to calculate the health of mine hoists. The analytic hierarchy process (AHP) is improved by replacing the 1-9 scale with an exponential scale to reduce computational complexity. The method uses CRITIC objective weighting method and combines subjective and objective weights to calculate the comprehensive weights of each subsystem and indicator. Based on the fuzzy comprehensive evaluation calculation process and the maximum membership principle, the health evaluation results and fault causes of the mine hoist are obtained. On the basis of the health evaluation results of the mine hoist, the Harris hawks (HHO) algorithm is used to optimize the important parameters of the support vector regression (SVR) model. The HHO-SVR model is constructed to predict the health of the mine hoist, improving the accuracy of the health prediction results. The experimental results show that the fuzzy comprehensive evaluation method can accurately evaluate the health of the hoist. Compared with particle swarm optimization support vector regression (PSO-SVR), genetic algorithm optimization support vector regression (GA-SVR), and grey wolf algorithm optimization support vector regression (GWO-SVR) models, the prediction results of the HHO-SVR model are closer to the actual values and have better prediction performance.
-
0. 引言
2021年全国发生非煤矿山事故265起，死亡325人，其中较大以上事故8起，死亡55人，事故起数是煤矿的近3倍，死亡人数是煤矿的近2倍。整体来看，非煤矿山呈现“事故基数大，人员伤亡多”的现象。2021年国家矿山安全监察局在非煤矿山明查暗访和督导检查工作中发现，非煤矿山存在办矿意识淡薄、边建边采、以采代建、擅自改动生产系统、采矿工艺与设计不符、风险隐患排查处理不及时、互抢资源、超层越界开采等违法违规行为[1]。现阶段对非煤矿山的地方监管监察手段依靠基层执法人员通过管理平台审查或现场走访检查，主要是查看非煤矿山安全标准化及“双控”等资料，巡查生产现场、生产设备是否存在隐患和风险[2]。该方式存在以下问题：① 受时空限制，监管监察效率不高，信息获取不及时，应急响应不充分[3]。采用基于人工填报信息的管理模式，无法实时监测，地方政府难以全面系统地掌握非煤矿山企业动态变化的安全生产状况。② 缺少风险监测预警功能。目前，非煤矿山监测内容、监测技术还不明晰，其风险监测预警系统尚未建设。③ 各级安全监察单位与其监管地区非煤矿山数量不匹配。
从国家政策、地方政府、非煤矿山企业三方主体的要求出发[4-8]，有必要建立以风险为核心的安全监管监察模式。但我国非煤矿山呈现多、散、贫、小的基本特征[9]，不同类别的非煤矿山风险不同，且信息化管控程度不同。为了实现对不同类别非煤矿山风险的一致化管控，提高非煤矿山安全监管监察效率，本文采用互联网
$＋ $ 监测技术，将风险对象化处理，抽取以风险为维度的监测数据，以风险点和风险面的方式，分别进行单一风险预警分析和综合风险报警分析，构建基于风险监测预警的非煤矿山监管监察模式。1. 非煤矿山安全监管监察模式
1.1 当前非煤矿山监管监察模式
非煤矿山主要分为金属非金属地下矿山、金属非金属露天矿山及尾矿库。此外，考虑岩盐矿特殊的钻井水溶开采岩盐技术及其钻井涌卤污染周围环境问题，需区别于地下矿山，独立设置监测采卤参数的传感器和地面沉降专题。现阶段主要通过安全管理检查和现场安全监管检查2种模式进行非煤矿山监管监察[10]。安全管理检查内容主要包括证照信息、双重预防机制、外包工程管理、安全生产管理机构及人员配备、安全投入、应急管理、管理制度、教育培训、安全设施设计及其重大变更情况，以及设计、现状评价及资质验收。
对于不同类型的非煤矿山，现场安全监管检查内容存在较大差异。对于地下矿山，重点检查内容包括：矿井安全出口，采矿方法，矿(岩)柱留设；提升设备检测检验报告及证书有效期；各种制动、过卷防护保护装置，联锁闭锁装置；阻车器，防跑车装置；主要通风机运行及备用电动机完备情况；“三专两探一撤”措施执行情况；排水系统证书及运行情况，防治水专业技术人员配备情况，排水泵及管道数量、型号，防水门设置；变压器设备证书、检查维保记录、是否双独立线路设计，变电硐室出口、标高合规性；废弃巷道、采空区储水排查情况；便携式气体检测仪器和自救装备，通信设备，出入管理制度执行情况。对于露天矿山，重点检查内容包括：开采方式，台阶参数，交叉作业、同一平台铲装作业、上下台阶同时铲装作业情况；边坡在线监测系统，边坡稳定性分析报告；运输路段坡度、急转弯度合理性，防护栏、警示牌、卸货场所挡车设施设置；电线、电缆裸露情况；排土场堆积参数及稳定性分析报告；小型露天矿开采合规性。对于尾矿库，重点检查内容包括：库底平均纵坡、标准化等级、抗震设防烈度、设计等别、坝体参数、排洪设施形式等参数是否符合安全要求；尾矿库安全风险评估报告，“一库一策”执行情况；尾矿库在线监测系统建设及运行情况；井、斜槽、隧洞等排洪设施运行情况；排洪构筑物质量检测报告；值班制度管理、汛期安全防护与物资准备等报告。对于岩盐矿，重点检查内容包括：岩盐开采地面沉降年度监测报告；地下溶腔记录（地下溶腔底板和腔顶的深度、位置及不同深度的溶腔直径等监测数据）；PLC，DCS（Distributed Control System，分布式控制系统)运行情况及其流量、压力等监测数据异常情况；注水井及卤水井储量情况等。
安全管理检查、现场安全监管检查这2种监管监察模式分别依托安全信息化管理平台和安全监察人员现场检查。基于非煤矿山多而散的特性，只通过平台材料审查和人员现场检查难以实现动态全面监管，亟需构建基于风险监测预警的非煤矿山监管监察模式，由“人员检查、静态监察”的现场监管转变成“系统监测、动态预警”的远程监管。
1.2 基于风险监测预警的非煤矿山监管监察模式
基于风险监测预警的非煤矿山监管监察模式是以非煤矿山风险监测预警系统为依托，抽取人员、环境、设备设施、管理及监测专题5个方面的风险监测指标数据，以风险点、风险面2种方式分别对数据进行单一风险预警分析和综合风险报警分析，以实现单一风险预警分级推送和综合风险报警分级管控，如图1所示。
![]()
图 1 基于风险监测预警的非煤矿山安全监管监察模式流程Figure 1. Flow of non-coal mine safety supervision mode based on risk monitoring and early warning风险点监测对象是人工填报数据及传感器监测数据。人工填报数据包括矿山基础信息及安全生产管理过程中产生的文件；传感器监测数据包括环境气体、人员及视频等数据。若数据未填报或填报数据字段无效，会触发低风险预警，若长时间未处置，预警等级会随时间按低风险→一般风险→较大风险→重大风险顺序逐步增大；若传感器监测数据超过设定的单一预警阈值，会触发单一风险预警，即时通知矿端管理人员，若长时间未采取有效管控措施，风险会进一步升级，当触发较大风险预警时，预警信息自动上传至政府端监测预警平台，如一氧化碳体积分数超过24×10−6，触发单一风险预警，若时长超过2 min，则预警信息上传至政府端监测预警平台。
单一风险预警处置见表1，流程如图2所示。非煤矿山风险监测预警系统产生的预警信息通过系统消息、APP消息、手机短信3种方式进行推送，按照预警等级推送至不同范围内的相关人员，经核查后，由矿端落实处置措施，并逐级上报相关部门和领导。以重大风险预警处置流程为例，系统出现“重大风险”预警消息时，利用系统消息、APP消息、手机短信推送至省应急管理厅，省应急管理厅、市应急管理局组织相关人员开展远程监察或现场核查，协调矿端进行详情核查、风险处理，处理完毕后由调度员在系统内填报预警处理情况说明，同时由矿端上报市应急管理局、省应急管理厅，市应急管理局相关人员填报预警处置情况说明，消除预警状态，形成问题闭环。
表 1 单一风险预警处置Table 1. Early warning and disposal of single risk预警等级 推送对象 信息推送方式 参与主体 上报流程 时间要求 低风险 矿领导 系统消息 矿领导、调度中心 调度中心→矿领导 响应时间≤8 h，
处理时间≤12 h一般风险 矿领导 系统消息、APP消息 矿领导、调度中心 调度中心→矿领导 响应时间≤4 h，
处理时间≤8 h较大风险 市应急管理局 系统消息、APP消息、
手机短信市应急管理局、集团领导、
矿领导、调度中心调度中心→矿领导→集团领导→
市应急管理局响应时间≤1 h，
处理时间≤4 h重大风险 省应急管理厅 系统消息、APP消息、
手机短信省应急管理厅、市应急管理局、
集团领导、矿领导、调度中心调度中心→矿领导→集团领导→
市应急管理局→省应急管理厅响应时间≤0.5 h，
处理时间≤4 h风险面监测对象是人员、环境、设备设施、管理及监测专题5个方面的风险监测指标。风险面监测的目的是实现非煤矿山风险综合研判，按照确定指标体系→熵权法赋权→评价各指标得分情况→计算综合风险得分→将综合风险得分由高到低排序并划分综合风险等级→根据综合风险等级确定监管等级→采取对应监管周期和措施的评价流程，实现非煤矿山综合风险分级管控。
2. 非煤矿山监测数据及专题
2.1 监测数据
非煤矿山监测数据包括风险基本数据、风险管理数据、传感器监测数据3类。不同类型非煤矿山的风险基本数据和风险管理数据基本相同，但传感器监测数据差别较大。
风险基本数据主要是矿山基本信息，包括矿山简介、证照信息、图纸专项信息、从业人员信息、安全技术管理体系信息、主要生产系统档案信息、工艺及设备信息。
风险管理数据主要是安全生产管理中产生的一系列文件信息，包括企业年度、专项风险辨识评估后形成的风险清单，企业在隐患排查治理、应急管理、事故管理、教育培训、特种设备管理过程中形成的台账记录。
传感器监测数据包括环境监测数据、人员监测数据、视频监控数据。各类非煤矿山传感器监测数据见表2。
表 2 非煤矿山传感器监测数据Table 2. Sensor monitoring data of non-coal mine非煤矿山类型 环境监测数据 人员监测数据 视频监控数据 金属非金属
地下矿山① 井下环境中的氧气、温度、一氧化碳、二氧化碳、二氧化氮、烟雾监测数据，高含硫地下矿山中硫化氢、二氧化硫浓度，存在铀、钍等放射性元素的地下矿山中氡(钍射气)及其子体浓度；② 风压、风速、通风机开停状态等；③ 井下地压、顶底板变形数据等 携卡人员基本信息，携卡人员出/入井时刻、出/入重点区域时刻、出/入限制区域时刻等，出/入井的携卡人员总数，携卡人员下井活动路线信息，领导带班信息，工作异常的携卡人员基本信息、分布等报警数据 提升人员的井口信号房、提升机房，井口、调车场等人员进出场所，紧急避险设施及井下爆破器材库、油库、中央变电所等主要硐室的视频监控数据 金属非金属
露天矿山① 露天矿山（排土场）中温度、粉尘、噪声、氧气、一氧化碳、二氧化氮等监测数据；② 露天矿山（排土场）中表面位移、内部位移、应力、质点速度、渗透压力、地下水位、降雨量、裂隙等 露天矿山（排土场）人员进/离场时间 露天矿山（排土场）采场主要边坡、出入口、主要作业区域、爆破器材库、采场高点等位置的视频监控数据 尾矿库 干滩、库水位、表面位移、浸润线、降雨量、内部位移等 — 滩顶放矿处、排尾管道、坝体下游坡、排洪设施进出口、库水位尺、干滩标杆等位置的视频监控数据 岩盐矿 采输卤设备流量、压力等 — 钻井口、运输干线交叉口、重点设备和关键部位等位置的视频监控数据 2.2 监测专题
非煤矿山不仅要建设视频监控和安全信息化管理系统[11]，还要对各类非煤矿山易发生的重大事故建设监测专题，见表3。
表 3 非煤矿山重大事故监测专题Table 3. Monitoring topics of serious accidents in non-coal mine重大事故 专题 内容描述 金属非金属
地下矿山冒顶、片帮、
透水冲击
地压监测监测工作面矿压、巷道矿压、微震等，系统自动生成报表、曲线图等 水害治理 通过各种传感器检测风速、雨量、水温、水流速度、水位、风向、水质、水量数据及其视频、图像等，实现在线监测与预警 金属非金属
露天矿山滑坡边坡监测 根据露天矿山采场边坡高度、边坡角、地质条件、稳定性等指标确定不同的监测等级，结合边坡分区的安全监测等级要求，对爆破震动、边坡变形、水文气象、采动应力进行监测 尾矿库溃坝 位移监测 监测坝体表面位移、内部位移、坝体渗流压力、绕坝渗流、渗流量、渗流水浑浊度、干滩、库水位、降水量、排洪设施运行数据、库区地质滑坡体数据等 岩盐矿地表
塌陷地面
沉降监测根据DZ/T 0283—2015《地面沉降调查与监测规范》，对地面沉降及其伴生地裂缝进行调查与监测，并将调查记录资料和成果报告电子化归档，形成岩盐开采地面沉降监测报告[12] 3. 综合风险研判分级监管模型
3.1 模型构建
非煤矿山风险面监测通过建立综合风险研判分级监管模型（以下简称分级监管模型）实现综合风险报警分级管控。该模型可通过划分企业风险级别来建立[13]。
基于非煤矿山风险监测预警系统数据构建分级监管模型，并将该模型应用于风险监测预警系统是实现风险实时预警、分级推送、响应处置的前提[14]。基于现有数据提取风险监测指标，构建风险监测指标体系；利用熵权法进行数据分析，对风险监测指标赋权，进而制定评分标准，对本地下辖非煤矿山企业各指标进行打分；基于指标权重和得分确定企业综合风险等级。
（1） 指标体系。考虑各类非煤矿山监测专题内容，从人员、设备设施、环境、管理、监测专题5类风险监测内容中选取较为全面合理的风险监测指标，见表4。指标选取遵循应用尽用原则，即指标应最大限度地覆盖人员、设备设施、环境、管理多方面信息，并考虑非煤矿山不同类别，对可能导致重大事故的事件建立监测专题，尽可能地使用非煤矿山风险监测预警系统现存的数据字段，以便将分级监管模型应用到风险监测预警系统中，实现指标得分及排名自动输出。
表 4 非煤矿山风险监测指标体系及权重Table 4. Risk monitoring index system and weight of non-coal mine一级指标 二级指标 三级指标 人员（0.29） 人员定位（0.154） 井下超时人员（0.036） 当前带班领导（0.024） 重点区域人员（0.015） 非法进入人员（0.030） 区域超员信息（0.018） 当前网络状态（0.009） 平均下井时长（0.022） 人为作业（0.136） 人员经验（0.050） 人员专业技术能力（0.025） 按规程操作（0.040） 作业监督（0.021） 设备设施（0.214） 大型设备
(0.08)大型设备检验（0.045） 大型设备故障（0.035） 传感器(0.134) 传感器分布地点（0.038） 传感器安装数量（0.034） 传感器故障情况（0.033） 传感器标校情况（0.029） 环境（0.158） 视频监控(0.046) 监控报警（0.046） 参数监测
(0.112)实时监控（0.044） 实时报警（0.068） 管理（0.134） 基础信息管理
（0.021）证照信息（0.003） 组织架构（0.003） 安全管理制度（0.003） 生产系统档案（0.003） 从业人员信息（0.003） 工艺设备管理（0.003） 矿井图纸（0.003） 隐患管理（0.02） 隐患台账（0.020） 风险管理
（0.027）风险清单（0.015） 风险提醒（0.012） 事故管理（0.028） 伤亡事故统计与分析（0.017） 非伤亡事故统计与分析（0.011） 应急管理（0.038） 物资信息（0.007） 现场救援物资分布（0.009） 物资库管理（0.009） 应急培训计划（0.002） 应急演练计划（0.002） 应急预案（0.009） 监测专题（0.204） 金属非金属地下矿山 冲击地压监测（0.106） 水害治理（0.098） 金属非金属露天矿山 边坡监测（0.204） 尾矿库 位移监测（0.204） 岩盐矿 地面沉降监测（0.204） （2） 评价方法。为避免专家打分评价指标权重时主观性过强的问题，采用熵权法对指标赋权[15]。
首先进行数据标准化。由于不同指标的量化单位不同，无法直接计算，所以需要对指标进行无量纲化处理。
$$ {{r}}_{ij} = \frac{{x_{ij} - \min {x_{ij}} }}{{\max {x_{ij}} - \min {x_{ij}} }} $$ (1) 式中：
$ {{r}}_{ij} $ 为第i（i=1，2，$ \cdots ， $ m，m为当地待评价对象即非煤矿山数量）个评价对象第j（j=1，2，$\cdots ， $ n，n为三级指标个数）个三级指标的标准值，${{r}}_{ij}$ ∈（0，1）；$ x_{ij} $ 为第i个评价对象第j个三级指标的原始值。其次，计算第i个评价对象第j个三级指标的权重：
$$ p_{ij} = \frac{{r_{ij}}}{{ \displaystyle \sum\limits_{i = 1}^m {r_{ij}} }} $$ (2) 然后，计算各三级指标的信息熵：
$$ E_{j} = - \frac{1}{{{\rm{ln}}m}}\sum\limits_{i = 1}^m {p_{ij}}{\rm{ ln }}p_{ij} $$ (3) 最后，计算三级指标的熵权：
$$ W_{j} = \frac{{1 - E_{j}}}{{n -\displaystyle \sum\limits_{j = 1}^n {E_{j}} }} $$ (4) 二级指标和一级指标的熵权分别由相应的三级指标和二级指标的熵权相加得到。基于熵权法所得的各评价指标权重见表4。
根据GB 16423—2020《金属非金属矿山安全规程》、AQ 2032—2011《金属非金属地下矿山人员定位系统建设规范》、AQ/T 2051—2016《金属非金属地下矿山人员定位系统通用技术要求》、AQ/T 2050.1—2016《金属非金属地下矿山 安全标准化规范导则》、AQ/T 2053—2016《金属非金属地下矿山监测监控系统 通用技术要求》、AQ/T 2050.4—2016《金属非金属矿山安全标准化规范 尾矿库实施指南》、AQ 2031—2011《金属非金属地下矿山监测监控系统建设规范》《矿山安全生产风险监测预警系统查看、上报及问题处置工作办法（暂行）》等制定各评价指标的评价方式及评分标准，计算各三级指标得分
$ {S _{j}} $ 。则非煤矿山综合风险得分为$$ Q = \sum\limits_{j = 1}^n {{W_j}} {S_{ j}} $$ (5) （3） 分级标准。依据帕累托法则[16]，高风险企业占比20%。将各非煤矿山综合风险得分由高到低排序，以2∶3∶3∶2的比例划分风险等级，即得分前20%为低风险，得分前20%~50%为一般风险，得分前50%~80%为较大风险，得分后20%为重大风险。若矿山企业存在死亡事故，则直接评定为高风险（期限为3个月）。监管部门可通过下辖非煤矿山动态风险等级进行分级管控。考虑得分排名的局限性，必然存在高风险矿山，引入风险阈值Rmax，该值为当地所有非煤矿山综合风险得分平均值的85%（经过数据分析测算得到）。若矿山企业风险排名位于后20%，但其综合风险得分大于Rmax，则风险等级降低为较大风险。
3.2 分级监管等级及措施
政府差异化分级监管是划分风险等级的根本目的[13,17]。根据企业综合风险等级确定监管等级，根据监管等级确定抽查范围及频率，具体见表5。
表 5 分级监管等级及措施Table 5. Graded supervision levels and measures企业综合风险等级 监管等级 抽查范
围/%抽查频率 监管措施 重大风险 一级 100 每月
抽查1次针对扣分严重指标（扣分分值超过总分的75%）的限期整改治理情况进行监管 较大风险 二级 50 每季度
抽查1次针对扣分较重指标（扣分分值超过总分的50%）的限期整改治理情况进行监管 一般风险 三级 20 每半年
抽查1次针对扣分一般指标（扣分分值超过总分的25%）的限期整改治理情况进行监管 低风险 四级 10 每年
抽查1次针对扣分指标的限期整改治理情况进行监管 当地非煤矿山年度平均抽查次数为
$$ N = \sum\limits_{k = 1}^4 {{\eta _k}} {s_k}{N_k} $$ (6) 式中：ηk（k=1，2，3，4，分别表示监管等级为一、二、三、四级）为监管等级为k的非煤矿山占比；sk为监管等级为k的非煤矿山抽查范围；Nk为监管等级为k的非煤矿山年度抽查次数。
将表5中数据代入式（6），得N=3.14。 若当地非煤矿山数量为m，则年度抽查次数为3.14m，较年度普查次数（12m）减少74%，监管效率提高2.82倍。
4. 结论
（1） 目前非煤矿山监管监察模式主要包括安全管理检查和现场安全监管检查2种， 监测手段落后，信息获取不及时，无法实时监测，且监察效率低，监管监察部门难以全面系统地掌握非煤矿山企业动态变化的安全生产状况。
（2） 基于风险监测预警的非煤矿山监管监察模式从非煤矿山风险监测预警系统中获取人员、环境、设备设施、管理及监测专题5个方面的风险监测数据，构建风险监测指标体系，分别以风险点、风险面2种方式对数据进行单一风险预警分析和综合风险报警分析，以实现单一风险预警分级推送和综合风险报警分级管控。
（3） 与现有非煤矿山监管监察模式相比，基于风险监测预警的非煤矿山监管监察模式具有以下特点：① 基于互联网
$＋ $ 监察技术，依托非煤矿山风险监测预警系统实现了远程监视和智能巡检，提高了监管监察效率，降低了监察人员现场执法检查频率。② 实现了风险分级预警处置。基于单一风险分级预警触发条件，构建了矿端−集团端−政府端（市应急管理局、省应急管理厅）的风险处置闭环流程，可优化配置及合理利用政府端监察资源。③ 实现了综合风险智能研判。根据综合风险等级（得分），指导矿山企业有针对性地加强安全管理薄弱项建设，实现限期整改项跟踪查询，进一步提高企业安全生产管理水平。 -
![]()
图 1 矿井提升机健康状态评估与预测系统结构
Figure 1. Structure of the health evaluation and prediction system for mine hoists
![]()
图 5 HHO−SVR模型建立流程
Figure 5. The process of Harris hawks optimization- support vector regression model
表 1 提升机主要故障位置及其原因
Table 1 Main fault positions and causes of hoists
故障位置 主要原因 拖动部分 电动机超速；电动机电流过大；电动机温度过高；电动机轴承过热；电动机停转；变速器轴承变形；齿轮磨损严重；减速器轴承磨损 制动部分 制动转矩过大；制动转矩过小；制动失效；制动油温过高；制动油压过小；制动闸片温度过高；制动闸片间隙过大等 滑动控制部分 油温过高；油压过高；油压过低；油量过少；油中杂质太多 钢丝绳部分 钢丝绳磨损；钢丝绳腐蚀；钢丝绳变形 
下载: 导出CSV
表 2 矿井提升机健康状态描述和检修决策
Table 2 Health status description and maintenance decision of mine hoists
健康等级 描述 维修决策 健康 所有子系统和指标值都很健康，指标值接近预期 矿井提升机处于健康状态，不需要维修 亚健康 子系统处于健康和警告的状态之间，指标值接近阈值 不影响正常运行，但要注意定期检测 警告 一些子系统处于亚健康状态，一些指标值在故障阈值附近波动 短时间内仍能正常运行，但要提高监测频率 故障 至少有1个子系统处于故障状态，传感器值大幅超过故障阈值 建议立即停车进行维修
下载: 导出CSV
表 3 矿井提升机健康等级与健康度之间的关系
Table 3 The relationship between the health level and health degree of mine hoists
健康状态 健康等级 健康度 健康（HS） V1 0.75≤d≤1.0 亚健康（SH） V2 0.4≤d＜0.75 警告（CS） V3 0.15≤d＜0.4 故障（FS） V4 0≤d＜0.15
下载: 导出CSV
表 4 1—9标度与指数标度的关系
Table 4 The relationship between 1-9 scale and exponential scale
1—9 标度 相对重要性 指数标度 1 同等重要 q0 3 前者比后者稍微重要一些 q2 5 前者明显比后者更重要 q4 7 前者比后者非常重要 q6 9 前者绝对比后者更重要 q8 2，4，6，8 2个指标的中间值之间的逆向比较 q1，q3，q5，q7
下载: 导出CSV
表 5 实验平台主要参数
Table 5 Main parameters of the experimental platform
参数 值 提升高度/m 750 电动机功率/kW 5300 转速/（r·min−1） 49.7 钢丝绳直径/cm 10 提升速度/（m·s−1） 11 载质量/t 15 刹车数 5
下载: 导出CSV
表 6 不同指标在不同运行阶段的数值
Table 6 Values of different indicators at different operating stages
指标 类型 加速 匀速 减速 X11 成本型 2.7 2.38 2.57 X12 成本型 187.16 114.16 113.28 X13 成本型 38 36 37 X14 区间型 4.28 3.23 3.75 X21 区间型 0.73 0.63 0.66 X22 区间型 4.07 3.18 3.66 X23 成本型 36 35 35 X31 区间型 28 27 27 X32 区间型 30 28 28 X33 成本型 1.1 1.1 1.1 X34 成本型 2.0 1.8 1.9 X41 区间型 0.4 0.4 0.4 X42 成本型 4 2 3 X51 区间型 0.56 0.56 0.56 X52 区间型 20 20 23 X53 成本型 0.2 0.2 0.2
下载: 导出CSV
表 7 指标层和子系统层的综合权重
Table 7 Comprehensive weights of indicator layer and subsystem layer
子系统层 子系统层
综合权重指标层 指标层
综合权重X1 0.2572 X11 0.2982 X12 0.3055 X13 0.1702 X14 0.2261 X2 0.2334 X21 0.3573 X22 0.3605 X23 0.2822 X3 0.1853 X31 0.3276 X32 0.3021 X33 0.1780 X34 0.1923 X4 0.1570 X41 0.6873 X42 0.3127 X5 0.1671 X51 0.3534 X52 0.3150 X53 0.3316
下载: 导出CSV
-
[1] WANG Feng,HE Fengyou. Study of hoist perception system based on IOT technology[C]. International Conference on Web Information Systems and Mining,Sanya,2010:357-360.
[2] ZHAO Huadong,WANG Hezheng,LIU Guoning,et al. The application of Internet of things (IOT) technology in the safety monitoring system for hoisting machines[J].Applied Mechanics and Materials,2012, 1976(209/210/211):2142-2145.
[3] LI Juanli,XIE Jiacheng,YANG Zhaojian,et al. Fault diagnosis method for a mine hoist in the Internet of things environment[J]. Sensors,2018,18(6). DOI: 10.3390/s18061920.
[4] LEI Yaguo,LI Naipeng,GUO Liang,et al. Machinery health prognostics:a systematic review from data acquisition to RUL prediction[J]. Mechanical Systems and Signal Processing,2018,104(1):799-834.
[5] PENG Ying,DONG Ming. A prognosis method using age-dependent hidden semi-Markov model for equipment health prediction[J]. Signal Process,2011,25(1):237-252.
[6] LI Hong,PAN Donghui,CHEN C L P. Intelligent prognostics for battery health monitoring using the mean entropy and relevance vector machine[J]. IEEE Transactions on Systems,Man,and Cybernetics:Systems,2014,44(7):851-862.
[7] MA Meng,CHEN Xuefeng,WANG Shibin,et al. Bearing degradation assessment based on weibull distribution and deep belief network[C]. International Symposium on Flexible Automation,Cleveland,2016:382-385.
[8] FUSTER-PARRA P,TAULER P,BENNASAR-VENY M,et al. Bayesian network modeling:a case study of an epidemiologic system analysis of cardiovascular risk[J]. Computer Methods & Programs in Biomedicine,2016,126(12):128-142.
[9] WANG Lanjing,ALI Y,NAZIR S,et al. ISA evaluation framework for security of Internet of health things system using AHP-TOPSIS methods[J]. IEEE Access,2020,8:152316-152332. DOI: 10.1109/ACCESS.2020.3017221
[10] MU Tongna,YU Hongmin,ZHANG Xueyan. Research on equipment health assessment based on grey system theory[C]. IEEE Prognostics and System Health Management Conference,Beijing,2012:1-4.
[11] WEI Xiao,LUO Xiangfeng,LI Qing,et al. Online comment-based hotel quality automatic assessment using improved fuzzy comprehensive evaluation and fuzzy cognitive map[J]. IEEE Transactions on Fuzzy Systems,2015,23(1):72-84. DOI: 10.1109/TFUZZ.2015.2390226
[12] LI Juanjuan,MENG Guoying,XIE Guangming,et al. Study on health assessment method of a braking system of a mine hoist[J]. Sensors,2019,19(4). DOI: 10.3390/s19040769.
[13] DE SANTO A,GALLI A,GRAVINA M,et al. Deep learning for HDD health assessment:an application based on LSTM[J]. IEEE Transactions on Computers,2022,71(1):69-80. DOI: 10.1109/TC.2020.3042053
[14] VATANI M,SZEREPKO M,PREBEN VIE J S. State of health prediction of li-ion batteries using incremental capacity analysis and support vector regression[C]. IEEE Milan PowerTech,Milan,2019:1-6. DOI: 10.1109/PTC.2019.8810665.
[15] DEY P,CHAULYA S K,KUMAR S. Hybrid CNN-LSTM and IoT-based coal mine hazards monitoring and prediction system[J]. Process Safety and Environmental Protection,2021,152:249-263. DOI: 10.1016/j.psep.2021.06.005
[16] CHENG Hongju,XIE Zhe,SHI Yushi,et al. Multi-step data prediction in wireless sensor networks based on one-dimensional CNN and bidirectional LSTM[J]. IEEE Access,2019,7:117883-117896. DOI: 10.1109/ACCESS.2019.2937098
[17] REN Lei,DONG Jiabao,WANG Xiaokang,et al. A data-driven Auto-CNN-LSTM prediction model for lithium-ion battery remaining useful life[J]. IEEE Transactions on Industrial Informatics,2021,17(5):3478-3487. DOI: 10.1109/TII.2020.3008223
[18] QIN Taichun,ZENG Shengkui,GUO Jianbin. Robust prognostics for state of health estimation of lithium-ion batteries based on an improved PSO-SVR model[J]. Microelectronics Reliability,2015,55(9/10):1280-1284.
[19] MA Jun,TENG Zhaosheng,TANG Qiu,et al. Measurement error prediction of power metering equipment using improved local outlier factor and kernel support vector regression[J]. IEEE Transactions on Industrial Electronics,2022,69(9):9575-9585. DOI: 10.1109/TIE.2021.3114740
[20] SAIDI L,ALI J B,BECHHOEFER E,et al. Wind turbine high-speed shaft bearings health prognosis through a spectral Kurtosis-derived indices and SVR[J]. Applied Acoustics,2017,120:1-8. DOI: 10.1016/j.apacoust.2017.01.005
[21] FU Wenlong,SHAO Kaixuan,TAN Jiawen,et al. Fault diagnosis for rolling bearings based on composite multiscale fine-sorted dispersion entropy and SVM with hybrid mutation SCA-HHO algorithm optimization[J]. IEEE Access,2020,8:13086-13104. DOI: 10.1109/ACCESS.2020.2966582
[22] AHMED R,ZAYED T,NASIRI F. A hybrid genetic algorithm-based fuzzy Markovian model for the deterioration modeling of healthcare facilities[J]. Algorithms,2020,13(9):210-230. DOI: 10.3390/a13090210
[23] HUANG Zhi'an,LE Tian,GAO Yukun,et al. Safety assessment of emergency training for industrial accident scenarios based on analytic hierarchy process and gray-fuzzy comprehensive assessment[J]. IEEE Access,2020,8:144767-144777. DOI: 10.1109/ACCESS.2020.3013671
[24] YU Xueyi,MU Chi,ZHANG Dongdong. Assessment of land reclamation benefits in mining areas using fuzzy comprehensive evaluation[J]. Sustainability,2020,12(5):1-20.
[25] VAN HOUDT B. Randomized work stealing versus sharing in large-scale systems with nonexponential job sizes[J]. IEEE/ACM Transactions on Networking,2019,27(5):2137-2149. DOI: 10.1109/TNET.2019.2939040
[26] CHITSAZAN M A,FADALI M S,TRZYNADLOWSKI A M. State estimation for large-scale power systems and FACTS devices based on spanning tree maximum exponential absolute value[J]. IEEE Transactions on Power Systems,2020,35(1):238-248. DOI: 10.1109/TPWRS.2019.2934705
[27] LIN Zhenzhi,WEN Fushuan,WANG Huifang,et al. CRITIC-based node importance evaluation in skeleton-network reconfiguration of power grids[J]. IEEE Transactions on Circuits and Systems II:Express Briefs,2018,65(2):206-210.
[28] YANG Tingfang,LIU Haifeng,ZENG Xiangjun,et al. Application of a combined decision model based on optimal weights in incipient faults diagnosis for power transformer[J]. IEEJ Transactions on Electrical and Electronic Engineering,2017,12(2):169-175. DOI: 10.1002/tee.22363
[29] GUO Yanhui,HAN Siming,SHEN Chuanhe,et al. An adaptive SVR for high-frequency stock price forecasting[J]. IEEE Access,2018,6:11397-11404. DOI: 10.1109/ACCESS.2018.2806180
[30] ZHANG Pengcheng,ZHOU Xuewu,PELLICCIONE P,et al. RBF-MLMR:a multi-label metamorphic relation prediction approach using RBF neural network[J]. IEEE Access,2017,5:21791-21805. DOI: 10.1109/ACCESS.2017.2758790
-
期刊类型引用(1)
1. 于永政，陈虹燕，张宝林，王浩. 矿山安全“再监督”监管平台设计与应用研究. 工业安全与环保. 2024(07): 79-82+89 . 
百度学术
其他类型引用(4)
计量
- 文章访问数: 971
- HTML全文浏览量: 90
- PDF下载量: 49
- 被引次数: 5
