Summary of fault diagnosis methods for belt conveyor systems
-
摘要: 输送带和驱动装置是带式输送机的主要组成部分且为故障高发部位，以输送带故障和驱动装置故障为切入点，分析了输送带跑偏、打滑、损伤、堆料撒料等故障及驱动装置滚筒、托辊、减速器等故障的机理，重点阐述了知识驱动和数据驱动的带式输送机故障诊断方法研究进展。知识驱动法以知识处理技术为基础，实现符号处理和数值处理的统一、推理过程和算法过程的统一，主要包括专家系统、故障树分析法。数据驱动法采用机器学习和数据挖掘等技术对历史数据进行分析处理，建立诊断模型，达到故障诊断目的，主要包括支持向量机（SVM）、比差法、基于声音和视觉的诊断方法。分析了带式输送机故障诊断方法目前存在的挑战和未来发展趋势：① 结合历史故障数据和实时数据推断设备健康状况，预测早期微小故障，提醒工作人员进行预测性维护。② 揭示带式输送机耦合故障的关联关系，利用人工智能等新兴技术研究耦合故障联合诊断方法。③ 利用多模态机器学习技术研究带式输送机多模态信息融合利用机制，开发带式输送机多模态信息融合故障诊断方法。④ 将故障知识图谱和带式输送机领域知识相结合，实现带式输送机设备故障追踪、故障超前预警，通过知识查询、知识推理和辅助决策功能，提高故障处理、精准挖掘设备潜在故障风险的能力。Abstract: The conveyor belt and driving device are the main components of the belt conveyor and are the high-risk areas for faults. Taking conveyor belt faults and driving device faults as the starting point, this paper analyzes the mechanisms of conveyor belt deviation, slipping, damage, stacking and scattering, as well as the faults of the driving device roller, idler and reducer. It focuses on the research progress of knowledge-driven and data-driven fault diagnosis methods for belt conveyors. Based on the knowledge processing technology, the knowledge-driven method realizes the unification of symbol processing and numerical processing, the unification of reasoning process and algorithm process. It mainly includes expert system and fault tree analysis. The data-driven method uses machine learning and data mining techniques to analyze and process historical data. It establishes diagnostic models, and achieves fault diagnosis purposes. It mainly includes support vector machines (SVM), comparison method, and diagnosis methods based on sound and vision. This paper analyzes the current challenges and future development trend of belt conveyor fault diagnosis methods. ① The historical fault data and real-time data should be combined to infer equipment health. The early minor faults should be predicted so as to remind the staff to carry out predictive maintenance. ② The correlation between coupling faults of belt conveyors should be revealed. The emerging technologies such as artificial intelligence should be used to study joint diagnosis methods for coupling faults. ③ The multimodal machine learning technology should be utilized to study the mechanism of multimodal information fusion and utilization of belt conveyors. Fault diagnosis methods for multimodal information fusion of belt conveyors needs to develop. ④ The fault knowledge graph and the belt conveyor domain knowledge should be combined to realize the belt conveyor equipment fault tracking and fault early warning. Through the knowledge query, knowledge reasoning and auxiliary decision-making functions, the capability of fault handling and precise mining of potential fault risks of equipment can be improved.
-
Keywords:
- belt conveyor /
- fault diagnosis /
- conveyor belt fault /
- driving device fault /
- knowledge-driven /
- data-driven
-
0. 引言
近年来虽然煤矿井下事故发生率逐年降低，但每年仍有较多的煤矿井下安全生产事故发生。据相关统计，由于工作人员的不安全行为导致的安全生产事故在中国煤矿井下安全生产事故中占比高达97.67%[1]。因此，研究井下工作人员的不安全行为对降低事故发生率、实现煤矿井下安全生产具有重要意义。
由于煤矿数据的复杂性，利用大数据安全管理系统难以实现结构化不安全行为知识的语义关联及知识推理。知识图谱拥有较好的知识结构性及较强的表达性，能更加直观地描述各类概念之间的关系，从而实现井下不安全行为数据挖掘。知识图谱按照构造方式的不同可分为基于规则的知识图谱构建方法、基于统计的知识图谱构建方法和基于深度学习的知识图谱构建方法3类。① 基于规则的知识图谱构建方法。N. Guarino等[2]提出基于本体学的知识表示和推理方法OntoClean，其通过定义本体的基本概念、属性和关系等方式来表示和推理知识，OntoClean已广泛应用于语义Web和知识图谱的构建。但OntoClean只能处理简单、单一的知识，难以应用于丰富、复杂的知识领域中。Horrocks等[3]提出SWRL（A Semantic Web rule language combining OWL and RuleML），该方法可与OWL（Web Ontology Language）等本体语言结合使用，以表示更加丰富和复杂的知识，可处理多层次和不对称的语义关系。但SWRL和OWL 这2种基于规则的方法需领域专家对知识进行抽象和分类，且需手动构建规则和逻辑表达式，知识图谱的构建过程较耗时和复杂，且缺乏自适应性。② 基于统计的知识图谱构建方法。A. Bordes等[4]提出了一种基于超平面转换的知识图谱嵌入方法，称为TransE，该方法使用向量空间中的超平面来表示实体和关系之间的转换，以便在低维空间中对知识图谱进行建模。但该方法只能处理单一类型的实体。 Wang Zhen等[5]对TransE进行了扩展，提出了一种适用于含有异质实体的知识图谱嵌入方法，称为TransH，该方法将实体投影到不同的超平面上，以处理不同类型的实体。但基于统计的知识图谱构建方法只能对语言表面的信息进行提取，难以理解语言中的隐含信息和语义，难以准确捕捉实体之间的关系。③ 基于深度学习的知识图谱构建方法。刘文聪等[6]采用双向长短时记忆（Bidirectional Long Short-Term Memory，BiLSTM）模型与条件随机场（Conditional Random Field，CRF）模型相结合的方式抽取中文地质时间信息，在一定程度上解决了传统方法特征提取不足的问题。吴闯等[7]利用BERT（Bidirectional Encoder Representations from Transformers）−BiLSTM−CRF模型对航空发动机设备润滑系统进行命名实体识别，先利用BERT模型进行词向量化，再进行实体识别，在一定程度上改善了实体识别的效果。然而，传统的BERT模型在进行词语向量化时易造成大量实体和语义丢失。
虽然知识图谱已广泛应用于各个领域，但在煤矿安全方面，尤其在煤矿井下不安全行为方面的研究较少。因此，本文提出了一种基于煤矿井下不安全行为知识图谱构建方法。首先，针对煤矿井下不安全行为的命名实体识别问题，结合现有的知识，用传统机器学习和深度学习算法相结合的方法进行命名实体识别，采用RoBERTa（Robustly Optimized BERT pretraining Approach）进行词语向量化后，通过BiLSTM对向量进行标注，提高网络模型对上下文特征的捕捉能力。其次，根据语句的结构特点，设计了基于知识三元组的依存句法树结构，并根据该数据结构对井下不安全行为领域的知识资源进行知识抽取与表示。最后，利用图数据库Neo4j存储煤矿井下不安全行为知识，形成井下不安全行为知识图谱。
1. 相关理论方法
知识图谱的主要任务是使用符号的方式去描述本体的概念及其相互之间的关系，其本身是具有属性的实体通过关系链接而成的网状知识库。其基本组成单位是“实体−关系−实体”及“实体−属性−属性值”三元组[8-10]。当前，知识图谱主要分为自顶向下及自底向上2种构建方式。
1.1 自顶向下的知识图谱构建方法
自顶向下的知识图谱构建方法是从较高质量的结构化数据源中获取数据资源，并根据结构化数据源中预先定义的实体关系来构建完整的知识图谱[11-12]。自顶向下的知识图谱构建分为以下3个步骤：① 通过大量结构化数据源完成本体知识库的构建，包括本体学习和相应规则制定。② 进行实体学习，主要包括实体链接和实体填充2项任务。③ 构建图谱。
1.2 自底向上的知识图谱构建方法
自底向上的知识图谱构建方法是从大量知识密度小且没有固定关系的半结构化[13-14]、非结构化数据源中获取知识资源，从而完成知识图谱的构建。自底向上的知识图谱构建主要包含知识抽取、知识融会及图谱构建3个步骤。其中知识抽取包含实体识别、关系抽取及属性抽取3个任务，知识融会的主要任务是进行实体消歧。
2. 知识图谱构建方法
由于本文采用的是开放数据源，其中包含大量半结构化、非结构化数据，故而采用自底向上的知识图谱构建方法。
2.1 数据的获取、预处理
本文采用的数据源主要为开放的文献知识资源及《煤矿安全规程》中的相关规定。其中文献知识资源是从知网中主题或关键词为“不安全行为 煤矿”检索得到的文献。经筛选，保留其中210篇作为实验数据。本文采用BIO（Beginning−Inside−Outside）标准标注策略对不安全行为实体进行标注。通过参考中国国家标准化管理委员会发布的煤矿科技术语汇总表，对文献[1]、文献[15]中关于不安全行为的研究内容进行分析，将井下不安全行为实体分为遗忘性行为、粗心性行为、错误性行为、违反性行为、关联因素影响行为及导致后果6种，见表1。将属于一个命名实体开始的token标记为B−label，对于属于命名实体类型但不是第1个字的token标记为I−label，其他不属于命名实体范围的统一用O进行标记。
表 1 实体待预测标签Table 1. Entity to be predicted labels实体类型 开始标签 中间或结尾标签 遗忘性行为 B−forget I−forget 粗心性行为 B−careless I−careless 错误性行为 B−error I−error 违反性行为 B−violate I−violate 关联因素影响性行为 B−factor I− factor 导致后果 B−cause I−cause 2.2 实体识别
针对井下不安全行为实体识别中实体数量庞大、交替频繁、语义复杂等问题，需选择合适的命名实体识别方法。基于监督的统计学习方法在实体识别过程中依赖大型标注语料库进行模型训练，不适合没有专业大型语料库的井下不安全行为，容易出现实体识别不准确的情况。因此，本文采用改进神经网络模型实现井下不安全行为实体识别。在BiLSTM−CRF基础上引入RoBERTa及多层感知机（Multilayer Perceptron，MLP）作为井下不安全行为命名实体识别模型（RoBERTa−BiLSTM−MLP−CRF）。将预处理后的数据分为训练集和测试集，训练集通过RoBERTa模型将输入的文本序列转换为具有丰富上下文语义的词向量，RoBERTa模型的输出向量作为BiLSTM模型的输入，以提取上下文的特征值。由于所获得的煤矿井下不安全行为语料数据量少，为了获得更好的模型训练效果，在BiLSTM 层与CRF层中间加入MLP，并将开源数据集的输出维度与煤矿数据集输出维度进行统一，达到迁移学习的目的。CRF模型用于标注输入注释序列的实体。具体实体识别流程如图1所示。
![]()
图 1 基于RoBERTa−BiLSTM−MLP−CRF实体识别过程Figure 1. RoBERTa-BiLSTM-MLP-CRF based entity recognition2.2.1 RoBERTa模型
RoBERTa模型是一种基于Transformer神经网络的预训练模型。当前，基于神经网络的预训练技术主要分为静态词向量与动态词向量2大类。① 静态词向量。Word2Vec[16]词向量模型能从大规模语料库中得到高精度的词向量。Glove[17]模型结合了Word2Vec及矩阵分解模型（Singular Value Decomposition，SVD）的优点，训练速度显著提高。静态词向量模型在一定程度上可得到较为精准的词向量，但无法解决一词多义的问题。② 动态词向量。ELMo模型[18]采用长短时记忆（Long Short-Term Memory，LSTM）模型，在一定程度上解决了一词多义的问题。但ELMo模型采用的双向拼接特征融合方式比一体化的融合方式要弱。BERT模型[19]采用双向语言模型、掩码语言模型（Masked Language Model，MLM）和NSP（Next Sentence Prediction）3种技术，在现阶段自然语言领域中被广泛应用，但BERT庞大的参数量使得实际应用面临困难。RoBERTa模型对 BERT模型的超参数进行改进，与 BERT模型相比，RoBERTa模型拥有更优越的模型性能。RoBERTa采用动态掩码的方式学习不同的特征，解决了传统BERT训练时大量短语和实体丢失的问题。由于煤矿井下不安全行为文本数据比较复杂，存在大量一词多义的现象，导致实体识别效果较差，因此，本文选择RoBERTa作为词向量抽取模型，其模型如图2所示，其中X1—X4为词的向量化特征，E1—E4为输入文本序列。
2.2.2 BiLSTM模型
LSTM模型在进行文本特征提取时，利用其复杂的网络结构可较好地捕获长距离依赖关系，但对于输入信息无法进行反方向解码，不能捕获双向语义依赖关系。煤矿井下不安全行为文本数据具有冗余特性，其数据文本语句通常较长且关系复杂。因此，提出BiLSTM模型，如图3所示，Xt为当前时刻t的词向量化特征，ht为当前时刻t的隐藏状态，表示BiLSTM模型的输出结果。BiLSTM模型在命名实体识别模型中的作用是捕获文本序列的上下文特征，对双向语义依赖关系进行捕捉。
2.2.3 MLP模型
由于煤炭领域数据的复杂性，能够收集到的煤矿井下不安全行为数据量较小，模型训练结果相对较差。为解决该问题，本文在BiLSTM层与CRF层中间加入MLP[20]，将开源数据集输出维度与煤矿数据输出维度进行统一，利用知识迁移的方式弥补数据量不足的问题。首先，通过RoBERTa、BiLSTM与清华大学的开源数据集THUCNews进行训练，得到1个初始模型，该模型已获得THUCNews数据集中包含的一些特征参数，将其作为煤矿数据集训练初始模型参数；其次，通过MLP将开源数据集THUCNews输出维度与煤矿数据集输出维度进行统一。MLP模型结构如图4所示。
2.2.4 CRF模型
虽然经过BiLSTM及MLP模型之后输出的信息是选择输出概率最高的标签，但没有考虑到不同单词之间的关系，输出的标签可能会混淆且缺乏逻辑。因此，引入CRF模型来解决单词关系不识别问题，并捕获全文信息和预测结果。该模型可表示为$P(x | y) $，其中，x为输入变量，表示输入的观测序列；y为输出序列，表示对应x的标签序列。假设给定一个输入序列$x=\left(x_1, x_2, \cdots, x_n\right) $和相应的标注序列$y=\left(y_1, y_2, \cdots, y_n\right) $，且每个（xi，yi）对是线性链中最大团，若同时满足式（1），则称$P(x | y) $为线性链的条件随机场。
$$ P({{y}}_{i}|x,{y}_{1},{y}_{2},\cdots,{y}_{n})=P({y}_{i}|x,{y}_{i-1},{y}_{i+1}) $$ (1) 式中：i为当前字符所在位置；n为输入句子长度；$ {y}_{i} $和$ {y}_{i-1} $分别为当前单词的标签及前一个单词的标签。
给定预设的观测序列x，CRF模型求解隐态序列y的公式为
$$ P(y|x) = \frac{1}{{{\textit{z}}(x)}}\left( {\sum\limits_{i,j} {{\lambda _j}} {t_j}({y_{i - 1}},{y_i},x,i) + \sum\limits_{i,l} {{\mu _l}{s_l}} ({y_i},x,i)} \right)\;\;\; $$ (2) $$ {\textit{z}}(x) = \exp \left( {\sum\limits_{i,j} {{\lambda _j}{t_j}({y_{i - 1}},{y_i},x,i) + \sum\limits_{i,l} {{\mu _l}{s_l}({y_i},x,i)} } } \right) $$ (3) 式中：$ {t}_{j} $为i处的传递特征；$ {\lambda }_{j} $为$ {t}_{j} $对应的权重；$ {s}_{l} $为i处的状态特征；$ {\mu _l} $为$ {s}_{l} $对应的权重；j和l为特征函数的数量；${\textit{z}}(x) $为归化因子。
线性链CRF模型（图5）对标签之间的约束关系进行预测，以此提高命名实体识别的准确性。
对每个单词进行评分，条件概率模型$P(x | y) $通过最大似然估计来计算。在实际预测过程中，对于给定的观测序列，计算其最大标签序列。评分公式为
$$ s(y|x) = \sum\limits_{j = 1}^m {\sum\limits_{i = 1}^n {{u_i}{f_j}(x,i,{y_i},{y_{i - 1}})} } $$ (4) 式中：ui为i处词向量的特征；fj为ui对应的权重；m为特征函数的总数量。
2.2.5 RoBERTa−BiLSTM−MLP−CRF模型
RoBERTa−BiLSTM−MLP−CRF模型如图6所示，其中xt为当前时刻的输入特征。模型从下往上依次是字向量层RoBERTa、融合层、Farward LSTM−Backward LSTM、输出层、MLP和CRF层。该模型输入的是序列化文本，如图中输入层输入的文本“井下打架”。在CRF层输出相应的注释序列，输出序列采用BIO标注方式进行标注。
2.2.6 模型评估标准
采用精确率P、召回率R和F1值3个标准来评价RoBERTa−BiLSTM−MLP−CRF模型对井下不安全行为实体识别的效果。
$$ P = \frac{{{N_{{\mathrm{TP}}}}}}{{{N_{{\mathrm{TP}}}} + {N_{{\mathrm{FP}}}}}} $$ (5) $$ R = \frac{{{N_{{\mathrm{TP}}}}}}{{{N_{{\mathrm{TP}}}} + {N_{{\mathrm{FN}}}}}} $$ (6) $$ {F_1} = \frac{{2PR}}{{P + R}} $$ (7) 式中：$ {N}_{{\mathrm{TP}}} $为被预测为正样本的正样本数量；$ {N}_{{\mathrm{FP}}} $为被预测为正样本的负样本数量；$ {N}_{{\mathrm{FN}}} $为被预测为负样本的正样本数量。
2.3 关系抽取
本文数据来源于开放的相关文献及《煤矿安全规程》，其中《煤矿安全规程》中的文本数据为一条条规章制度，满足依存句法的单句中只能存在一个核心成分、每一个词语仅有一个依存对象、核心词不可与其两边的词产生依存关系等条件，且开放的文献文本知识一般高度凝练，故采用依存句法进行关系抽取。王志广等[21]在进行地址领域实体关系抽取时提出联合抽取模型，该方法在一定程度上解决了并列句三元组抽取丰富的问题，但依然比较容易出现模式不匹配的现象，会造成大量知识不能被抽取。针对该问题， 本文将句子的依存关系转换为语法树，分析比对三元组知识的枝条结构，利用树的遍历去搜索整个句子的语法树结构；并将每个并列句视为单独存在的句子，分步对其进行三元组抽取，更深度地抽取语句知识。
2.4 知识融会
知识融会的主要任务是对知识信息进行有效融合统一，将上述流程中得到的一些缺乏层次性与逻辑性的冗余信息及错误概念剔除，从而提高知识图谱数据库的知识质量[22]。知识融会主要包含实体消歧[23]和共指消解2个任务。实体消歧的任务是解决相同表述指代不同实体的问题。例如，“煤炭运输”在本文中指的是“井下劳作中的煤炭运输”，有的描述则是指“运货火车的煤炭运输”，因此，要联系上下文的语义，明确命名实体的确切含义。共指消解的任务是处理多种描述指代同一实体的问题，例如，“个体因素”“个体原因”“单人因素”均对应的是“个体因素”这一单元实体，在人工撰写的安全报告、事故报告中，用语不规范现象普遍存在。为解决此问题，本文采用余弦距离和Jaccard相关系数相结合的方式计算井下不安全行为实体之间的相似度。通过相似度确定对齐实体是否匹配，从而实现知识融会，得到统一规范的井下不安全行为实体名称。
$$ {S_{{\mathrm{consine}}}}(A,Q) = \frac{{A Q}}{{||A|| ||Q||}} = \frac{{\displaystyle\sum\limits_{i = 1}^n {{A_i} {Q_i}} }}{{\sqrt {\displaystyle\sum\limits_{i = 1}^n {{A_i^2} \displaystyle\sum\limits_{i = 1}^n {{Q_i^2}} } } }} $$ (8) $$ {S_{{\mathrm{Jarccard}}}}(A,Q) = \frac{{|A \cap Q|}}{{|A \cup Q|}} $$ (9) 式中：Sconsine为余弦相似度；SJarccard为Jarccard相似度；A和Q为2个实体的属性字符串。
任意2个实体之间的语义相似度大小与余弦相似度和Jarccard相似度的大小成正比。井下不安全行为文本知识实体表述见表2，可看出对于“不安全动作”和“不安全行为”2个不同表述的实体，其Jarccard相似度SJarccard为0.43，余弦相似度Sconsine达到0.60，进而得到“不安全动作”和“不安全行为”2个实体实际上为同一概念，应该融合为同一实体。
表 2 实体相似度计算实例Table 2. Example of entity similarity calculation实体1 实体2 Sconsine SJarccard 粉尘瓦斯爆炸 粉尘瓦斯事故 0.67 0.50 违章指挥 违章命令 0.67 0.60 不安全动作 不安全行为 0.60 0.43 安全培训 安全训练 0.67 0.60 2.5 知识存储
井下不安全行为文本数据经过上述流程处理后，从多元异构状态转换为结构化状态。知识存储的任务就是将各类知识存储为“实体−关系−实体”或“实体−关系−属性”的三元组形式。
本文采用图数据库Neo4j来实现井下不安全行为知识的存储。考虑Neo4j只需插入节点与边就可实现数据的高效存储和查询[24]，利用带属性的图模型将实体存储为节点，实体属性存储为节点属性，边和边的属性表示关系与关系属性，标签表示描述知识的概念。基于Neo4j的知识存储方案见表3。
表 3 基于Neo4j的知识存储方案Table 3. Neo4j-based knowledge storage solutions类型 作用 对象范围 节点 描述知识实体 井下扒车、穿化纤衣入井等 标签 描述知识概念类 违章指挥、违规操作等 边 描述实体关系 包含关系、关联关系等 3. 实验结果与分析
3.1 模型参数设置
本次实验采用TensorFlow1.15.5框架进行模型的搭建，实验中批尺寸为32，学习率为0.001，迭代次数为50。
3.2 实体识别结果
实验采用预处理的井下不安全行为文本语料库进行训练。基于该文本数据集，本文预定义了遗忘性行为、粗心性行为、错误性行为、违反性行为、关联因素影响行为、导致后果6种实体类型，识别效果见表4。
表 4 实体类型识别效果Table 4. Entity type identification effect% 实体类别 P R F1 遗忘性行为 63.5 67.4 65.4 粗心性行为 77.4 84.1 80.6 错误性行为 80.7 83.1 81.9 违反性行为 80.3 83.7 82.0 关联因素影响性行为 73.0 76.0 74.5 导致后果 86.7 90.0 88.3 由表4可看出，本文模型对于导致结果、违反性行为、错误性行为及粗心性行为4类实体具有较好的识别效果，其准确率分别为86.7%，80.3%，80.7%，77.4%，对于遗忘性行为及关联因素影响性行为识别效果较差，其准确率分别为63.5%，73.0%。这是因为导致后果、违反性行为、错误性行为及粗心性行为包含的实体表达形式较为固定，而遗忘性行为及关联因素影响性行为包含的实体语义复杂且较长，从而导致识别效果较差。
为了验证本文模型的有效性，将本文模型与BiLSTM−CRF，BERT−BiLSTM−CRF，RoBERTa−BiLSTM−CRF 模型进行对比，结果见表5。
表 5 模型对比结果Table 5. Model contrast results% 模型 P R F1 BiLSTM−CRF 71.2 74.8 73.0 BERT−BiLSTM−CRF 74.9 79.1 77.0 RoBERTa−BiLSTM−CRF 75.6 79.1 77.3 RoBERTa−BiLSTM−MLP−CRF 77.2 80.6 78.9 由表5可看出，BERT−BiLSTM−CRF模型的准确率比 BiLSTM−CRF模型提高了3.7%，这表明进行实体识别之前进行词向量化是必要的；RoBERTa−BiLSTM−CRF模型的准确率较BERT−BiLSTM−CRF模型提高了0.7%，这表明RoBERTa模型比BERT模型更适合本次任务；RoBERTa−BiLSTM−MLP−CRF模型的准确率、召回率、F1较RoBERTa−BiLSTM−CRF模型分别提高了1.6%，1.5%，1.6%，这表明添加MLP后能够学习更多公共数据集的特征，用此模型对公共数据集进行训练，对于本次实验有正确的导向作用。
3.3 知识图谱构建结果
以井下不安全行为文本中的实体为节点，以实体之间的关系为边，将其存储在Neo4j图数据库中，从而构成煤矿井下不安全行为知识图谱。部分煤矿该图谱井下不安全行为知识图谱如图7所示。可看出该图谱通过“包含”“关联”等关系将不安全行为与影响因素及行为类别连接起来，通过“违规作业”等关系将行为实体与发生部门连接起来，构建了井下不安全行为不同实体间的相关关系，为煤矿井下进行员工管理提供了强有力的支持，进而提高了井下安全管理效率 。
![]()
图 7 部分煤矿井下不安全行为知识图谱Figure 7. Knowledge graph of underground unsafe behavior in some underground coal mines4. 结论
1） 提出将句子的依存关系转化为语法树，分析比对三元组知识的枝条结构，利用树的遍历去搜索整个句子的语法树结构，实现煤矿井下知识三元组抽取。
2） 构建了煤矿井下不安全行为知识图谱，为煤矿井下进行安全管理提供了强有力的支持，进而提高了煤矿井下安全管理效率。
3） 在构造煤矿井下不安全行为命名实体识别与知识三元组抽取时，由于收集文本数据集只包含部分煤矿井下不安全行为，使得命名实体识别与知识三元组抽取具有局限性且不可避免地会出现缺失和错误。因此，下一步将逐步补充和完善煤矿井下不安全行为知识体系。
-
![]()
图 9 基于PCA和SVM的跑偏故障诊断流程
Figure 9. Diagnosis process of deviation fault based on principal component analysis and support vector machine
![]()
图 12 故障树分析法与专家系统相结合的故障诊断方法
Figure 12. Fault diagnosis method combining fault tree analysis with expert system
表 1 各类故障诊断方法对比
Table 1 Comparison of fault diagnosis methods
类型 诊断方法 故障类型 优缺点 知识驱动 专家系统[50-51] 跑偏、打滑、损伤、堆料撒料、滚筒故障 不需要数学模型，但知识库建立较难 故障树[23,53,64] 跑偏、打滑、损伤、堆料撒料、滚筒故障 因果关系清晰明了，但复杂系统故障树异常复杂 数据驱动 时频域分
析法[5,66]减速器故障、滚筒故障、托辊故障 计算简单快速，不需要滤波处理，且精度较高，
但不能分析随时间变化的信号最小熵
理论[8,35]滚筒故障 数据波动情况下精度较高，但易受噪声影响 BP、卷积神经网络[65,68] 减速器故障、托辊故障 准确度较高，但样本量直接决定模型精度 小波包分解法[67,69] 托辊故障、滚筒故障、减速器故障 可观察信号的局部特性，但冗余度较大 SVM [55,68] 托辊故障、损伤故障 鲁棒性好，但对于大容量样本，难以实现，运算量大 比差法[56] 打滑故障 简单直接，但是应用场景较少，且误差较大 音频特征分
析法[57-58,66-68]托辊故障、损伤故障 计算量较小，但易受外界噪声影响 视觉信息
分析法[14-15]跑偏故障、损伤故障、托辊故障 具有无损检测的优势，但计算量较大，易受外界因素影响 
下载: 导出CSV
-
[1] 向秀华. 煤矿带式输送机智能故障诊断方法的研究[D]. 徐州: 中国矿业大学, 2017. XIANG Xiuhua. Research on intelligent fault diagnosis of coal mine belt conveyer[D]. Xuzhou: China University of Mining and Technology, 2017.
[2] ZHOU Donghua,ZHAO Yinghong,WANG Zidong,et al. Review on diagnosis techniques for intermittent faults in dynamic systems[J]. IEEE Transactions on Industrial Electronics,2020:2337-2347.
[3] 魏晓宾,马小平,李亚朋. 故障诊断技术综述[J]. 煤矿机电,2009,30(1):63-65. WEI Xiaobin,MA Xiaoping,LI Yapeng. Survey of fault diagnosis technology[J]. Colliery Mechanical & Electrical Technology,2009,30(1):63-65.
[4] 周东华,胡艳艳. 动态系统的故障诊断技术[J]. 自动化学报,2009,35(6):748-758. DOI: 10.3724/SP.J.1004.2009.00748 ZHOU Donghua,HU Yanyan. Fault diagnosis techniques for dynamic systems[J]. Acta Automatica Sinica,2009,35(6):748-758. DOI: 10.3724/SP.J.1004.2009.00748
[5] 孙振宇,王震坡,刘鹏,等. 新能源汽车动力电池系统故障诊断研究综述[J]. 机械工程学报,2021,57(14):87-104. DOI: 10.3901/JME.2021.14.087 SUN Zhenyu,WANG Zhenpo,LIU Peng,et al. Overview of fault diagnosis in new energy vehicle power battery system[J]. Journal of Mechanical Engineering,2021,57(14):87-104. DOI: 10.3901/JME.2021.14.087
[6] 薛光辉,张军,吉晓冬,等. 井下带式输送机减速器振动故障诊断研究[J]. 工矿自动化,2014,40(6):51-53. XUE Guanghui,ZHANG Jun,JI Xiaodong,et al. Research of vibration fault diagnosis of underground belt conveyor gear reducer[J]. Industry and Mine Automation,2014,40(6):51-53.
[7] DENG Xiaogang, ZHANG Zheng. Nonlinear chemical process fault diagnosis using ensemble deep support vector data description[J]. Sensors, 2020, 20（16）. DOI: 10.3390/s20164599.
[8] LI Xiangong, LI Yu, ZHANG Yuzhi, et al. Fault diagnosis of belt conveyor based on support vector machine and grey wolf optimization[J]. Mathematical Problems in Engineering, 2020. DOI: 10.1155/2020/1367078.
[9] 王怡恬. 基于谱峭度和最小熵反卷积的轴承故障增强检测[D]. 长沙: 国防科技大学, 2017. WANG Yitian. Bearing fault enhancement detection based on spectral kurtosis and minimum entropy deconvolution[D]. Changsha: National University of Defense Technology, 2017.
[10] 王荣杰. 带式输送机打滑事故原因及对策[J]. 矿山机械,2001,29(8):77. WANG Rongjie. Causes and countermeasures of belt conveyor slipping accident[J]. Mining & Processing Equipment,2001,29(8):77.
[11] YANG Yanli,MIAO Changyun,LI Xianguo,et al. On-line conveyor belts inspection based on machine vision[J]. Optik,2014,125(19):5803-5807. DOI: 10.1016/j.ijleo.2014.07.070
[12] YU Binchao,QIAO Tiezhu,ZHANG Haitao,et al. Dual band infrared detection method based on mid-infrared and long infrared vision for conveyor belts longitudinal tear[J]. Measurement,2018,120:140-149. DOI: 10.1016/j.measurement.2018.02.029
[13] QIAO Tiezhu,CHEN Lulu,PANG Yusong,et al. Integrative binocular vision detection method based on infrared and visible light fusion for conveyor belts longitudinal tear[J]. Measurement,2017,110:192-201. DOI: 10.1016/j.measurement.2017.06.032
[14] QIAO Tiezhu,LIU Weili,PANG Yusong,et al. Research on visible light and infrared vision real-time detection system for conveyor belt longitudinal tear[J]. Iet Science Measurement & Technology,2016,10(6):577-584.
[15] HOU Chengcheng,QIAO Tiezhu,ZHANG Haitao,et al. Multispectral visual detection method for conveyor belt longitudinal tear[J]. Measurement,2019,143:246-257. DOI: 10.1016/j.measurement.2019.05.010
[16] 付胜,刘毅. 带式输送机输送带纵向撕裂线激光辅助视觉检测方法[J]. 矿山机械,2016,44(6):31-35. FU Sheng,LIU Yi. Linear laser aided vision inspection method for longitudinal rip of conveyor belt[J]. Mining & Processing Equipment,2016,44(6):31-35.
[17] 潘学文,张福生,路超. 基于故障树的故障诊断专家系统设计[J]. 煤矿机械,2021,42(3):174-176. PAN Xuewen,ZHANG Fusheng,LU Chao. Design of fault diagnosis expert system based on fault tree[J]. Coal Mine Machinery,2021,42(3):174-176.
[18] 陈作炳,刘阳. 基于B/S架构及专家系统的带式输送机远程监控系统设计[J]. 煤矿机械,2021,42(5):202-205. CHEN Zuobing,LIU Yang. Design of remote monitoring system for belt conveyor based on B/S architecture and expert system[J]. Coal Mine Machinery,2021,42(5):202-205.
[19] 刘强,尹同舟,唐秀山,等. 掘进机截割系统的故障树-层次分析法诊断分析[J]. 煤炭科学技术,2017,45(3):123-127. LIU Qiang,YIN Tongzhou,TANG Xiushan,et al. Diagnosis analysis on fault tree-analytic hierarchy process of roadheader cutting system[J]. Coal Science and Technology,2017,45(3):123-127.
[20] 彭华亮,沈暑龙,李军,等. 基于故障树的故障诊断专家系统设计[J]. 控制工程,2019,26(3):584-588. PENG Hualiang,SHEN Shulong,LI Jun,et al. Design of diagnostic expert system for launch vehicles based on FTA[J]. Control Engineering of China,2019,26(3):584-588.
[21] JEINSCH T, SADER M, NOACK R, et al. A robust model-based information system for monitoring and fault detection of large scale belt conveyor systems[C]. The 4th world congress on intelligent control and automation, Shanghai, 2002: 3283-3287.
[22] RAVIKUMAR S,KANAGASABAPATHY H,MURALIDHARAN V. Fault diagnosis of self-aligning troughing rollers in belt conveyor system using k-star algorithm[J]. Measurement,2018,133:341-349.
[23] 汪列文. 基于故障树分析的输送带跑偏故障研究[D]. 秦皇岛: 燕山大学, 2019. WANG Liewen. Study on the deviation fault of conveyor belt based on fault tree analysis[D]. Qinhuangdao: Yanshan University, 2019.
[24] 武晓斌. 带式输送机跑偏故障治理技术研究[J]. 自动化应用,2020,61(6):153-154,156. WU Xiaobin. Research on treatment technology of belt conveyor deviation fault[J]. Automation Application,2020,61(6):153-154,156.
[25] 闫峰. 带式输送机跑偏故障综合治理措施研究[J]. 机械工程与自动化,2020(1):194-195,198. YAN Feng. Research on comprehensive treatment measures for belt conveyor deviation[J]. Mechanical Engineering & Automation,2020(1):194-195,198.
[26] 崔融融. 带式输送机故障自动巡检机器人系统设计[J]. 煤矿机械,2021,42(3):15-18. CUI Rongrong. Design of automatic fault inspection robot system for belt conveyor[J]. Coal Mine Machinery,2021,42(3):15-18.
[27] 胡雪. 带式输送机工作状态分析与故障预警方法研究[D]. 沈阳: 沈阳工业大学, 2021. HU Xue. Research on the working status analysis and fault early warning method of belt conveyor[D]. Shenyang: Shenyang University of Technology, 2021.
[28] 朱艳军,任晓迪,席冉. 煤矿主运输带式输送机故障监测和防治系统研究[J]. 中国煤炭,2014,40(4):73-75. ZHU Yanjun,REN Xiaodi,XI Ran. Research on fault monitoring and controlling system of main belt conveyor in coal mine[J]. China Coal,2014,40(4):73-75.
[29] 井坤. 基于红外图像处理的带式输送机故障诊断系统研究[D]. 曲阜: 曲阜师范大学, 2021. JING Kun. Research on fault diagnosis system of belt conveyor based on infrared image processing[D]. Qufu: Qufu Normal University, 2021.
[30] LI Jie,MIAO Changyun. The conveyor belt longitudinal tear on-line detection based on improved SSR algorithm[J]. Optik,2016,127(19):8002-8010. DOI: 10.1016/j.ijleo.2016.05.111
[31] ZHANG Chuanwei, ZHANG Junnan. Detection of longitudinal belt rip based on canny operator[C]. International Conference on Computer Technology, Electronics and Communication, Guangzhou, 2017: 939-941.
[32] 康宏. 矿井带式输送机故障的分析与处理[J]. 煤矿机械,2009,30(1):172-174. KANG Hong. Malfunction analysis and disposal of mine belt conveyer[J]. Coal Mine Machinery,2009,30(1):172-174.
[33] 冯全兴,于庆龙. 带式输送机常见故障分析与处理[J]. 科技创新导报,2011,8(20):60. FENG Quanxing,YU Qinglong. Analysis and treatment of common faults of belt conveyor[J]. Science and Technology Innovation Herald,2011,8(20):60.
[34] 李小元,周久华. 神东矿区带式输送机故障统计分析[J]. 矿山机械,2014,42(6):136-138. LI Xiaoyuan,ZHOU Jiuhua. Statistical analysis of belt conveyor faults in Shendong mining area[J]. Mining & Processing Equipment,2014,42(6):136-138.
[35] 冷军发,郭松涛,荆双喜,等. 基于最小熵解卷积的带式输送机传动滚筒轴承故障诊断[J]. 河南理工大学学报(自然科学版),2015,34(4):514-519. LENG Junfa,GUO Songtao,JING Shuangxi,et al. Rolling element bearing fault diagnosis of belt conveyor driving drum based on minimum entropy deconvolution[J]. Journal of Henan Polytechnic University(Natural Science),2015,34(4):514-519.
[36] 姚艳萍,孟文俊,王细平. 煤矿带式输送机改向滚筒故障分析[J]. 煤矿机械,2014,35(3):252-254. YAO Yanping,MENG Wenjun,WANG Xiping. Failure analysis of belt conveyor bend pulley in coal mine[J]. Coal Mine Machinery,2014,35(3):252-254.
[37] 张强. 基于新型检测方法的带式输送机滚筒故障诊断[J]. 机械管理开发,2022,37(6):144-145,151. ZHANG Qiang. Fault diagnosis of belt conveyor roller based on new detection method[J]. Mechanical Management and Development,2022,37(6):144-145,151.
[38] 任勇. 煤矿带式输送机的常见故障与原因分析[J]. 现代矿业,2019,35(4):147-148. REN Yong. Analysis of common faults and causes of coal mine belt conveyor[J]. Modern Mining,2019,35(4):147-148.
[39] LIU Xiangwei,PANG Yusong,LODEWIJKS G,et al. Experimental research on condition monitoring of belt conveyor idlers[J]. Measurement,2018,127:277-282. DOI: 10.1016/j.measurement.2018.04.066
[40] SHIRI H, WODECKI J, ZIETEK B, et al. Inspection robotic UGV platform and the procedure for an acoustic signal-based fault detection in belt conveyor idler[J]. Energies, 2021, 14（22）. DOI: 10.3390/en14227646.
[41] GŁADYSIEWICZ L,KRÓL R,KISIELEWSKI W. Measurements of loads on belt conveyor idlers operated in real conditions[J]. Measurement,2018,134:336-344.
[42] 韩龙. 煤矿皮带运输机的减速装置断轴分析及改进[J]. 机械管理开发,2018,33(8):285-287. HAN Long. Analysis and improvement of shaft breaking of deceleration device of belt conveyer in coal mine[J]. Mechanical Management and Development,2018,33(8):285-287.
[43] 姚少波. 矿用带式输送机减速机断轴原因分析与改进措施研究[J]. 机电工程技术,2020,49(6):199-200. DOI: 10.3969/j.issn.1009-9492.2020.06.080 YAO Shaobo. Analysis and improvement of shafts broken of mine belt conveyor reducer[J]. Mechanical & Electrical Engineering Technology,2020,49(6):199-200. DOI: 10.3969/j.issn.1009-9492.2020.06.080
[44] 陈志矿. 浅谈小煤矿皮带运输机常见故障的处理方法[J]. 科技信息,2011(14):697. CHEN Zhikuang. Brief discussion on the treatment of common faults of belt conveyor in small coal mines[J]. Science & Technology Information,2011(14):697.
[45] 何宝泉,王彬. 带式输送机减速器的轴承故障诊断[J]. 煤矿机械,2013,34(10):256-257. HE Baoquan,WANG Bin. Bearing fault diagnosis belt conveyor reducer[J]. Coal Mine Machinery,2013,34(10):256-257.
[46] 宋钦一. 基于故障树和贝叶斯网络的带式输送机故障诊断[J]. 矿山机械,2022,50(9):55-58. SONG Qinyi. Fault diagnosis on belt conveyor based on fault tree and Bayesian network[J]. Mining & Processing Equipment,2022,50(9):55-58.
[47] 宋康康. 带式输送机输送带故障智能监测保护系统的设计[J]. 机械管理开发,2020,35(5):193-195. SONG Kangkang. Design of intelligent monitoring and protection system for belt conveyor belt fault[J]. Mechanical Management and Development,2020,35(5):193-195.
[48] 周东华,纪洪泉,何潇. 高速列车信息控制系统的故障诊断技术[J]. 自动化学报,2018,44(7):1153-1164. ZHOU Donghua,JI Hongquan,HE Xiao. Fault diagnosis techniques for the information control system of high-speed trains[J]. Acta Automatica Sinica,2018,44(7):1153-1164.
[49] XIAO Yanjun,HAN Furong. Research on fault diagnosis method of rapier loom based on the fusion of expert system and fault tree[J]. Journal of Intelligent & Fuzzy Systems,2021,41(2):3429-3441.
[50] 宋新扩. 带式输送机故障分析及其诊断系统设计研究[D]. 徐州: 中国矿业大学, 2019. SONG Xinkuo. Fault analysis and diagnosis system design of belt conveyor[D]. Xuzhou: China University of Mining and Technology, 2019.
[51] 张学舜. 带式输送机监测监控及故障诊断专家系统的设计及应用[J]. 机械管理开发,2022,37(8):164-165,168. ZHANG Xueshun. Design and application of an expert system for monitoring and fault diagnosis of belt conveyors[J]. Mechanical Management and Development,2022,37(8):164-165,168.
[52] 金鑫,任献彬,周亮. 智能故障诊断技术研究综述[J]. 国外电子测量技术,2009,28(7):30-32. JIN Xin,REN Xianbin,ZHOU Liang. Overview on intelligent technology of fault diagnosis[J]. Foreign Electronic Measurement Technology,2009,28(7):30-32.
[53] 高文博. 静态故障树分析法在皮带机胶带故障检测中的应用[J]. 江西煤炭科技,2016(3):134-136,140. GAO Wenbo. Application of static fault tree method to belt fault detection in belt conveyor[J]. Jiangxi Coal Science & Technology,2016(3):134-136,140.
[54] 刘宏达,汉京勇,申乃军,等. 基于支持向量机的SCR整流电路故障诊断方法[J]. 船舶工程,2012,34(6):25-29. LIU Hongda,HAN Jingyong,SHEN Naijun,et al. Fault diagnosis method for SCR rectifier circuit based on support vector machines[J]. Ship Engineering,2012,34(6):25-29.
[55] 蒋权,甄晓阳,王晓辉,等. 输送带跑偏故障的原因及诊断[J]. 机械工程与自动化,2014(1):141-143. JIANG Quan,ZHEN Xiaoyang,WANG Xiaohui,et al. Reasons and fault diagnosis of conveyor belt running deviation[J]. Mechanical Engineering & Automation,2014(1):141-143.
[56] 马晶晶. 带式输送机运行状态综合监测研究[D]. 青岛: 青岛理工大学, 2013. MA Jingjing. Research on comprehensive monitoring of belt conveyor running state[D]. Qingdao: Qingdao University of Technology, 2013.
[57] 苗长云,邵琦. 基于声音的带式输送机输送带纵向撕裂检测方法[J]. 天津工业大学学报,2021,40(6):70-75,82. MIAO Changyun,SHAO Qi. Detection method of longitudinal tear of belt conveyor belt based on sound[J]. Journal of Tianjin Polytechnic University,2021,40(6):70-75,82.
[58] 祁隽燕,谭超,李浩. 基于数字图像处理的皮带纵向撕裂视觉识别[J]. 煤炭技术,2006,25(11):15-17. DOI: 10.3969/j.issn.1008-8725.2006.11.007 QI Junyan,TAN Chao,LI Hao. Vision identification for longitudinal rip of steel-cord belt based on digital image process[J]. Coal Technology,2006,25(11):15-17. DOI: 10.3969/j.issn.1008-8725.2006.11.007
[59] 祁隽燕,闫海峰,谭超,等. 基于LabVIEW的胶带撕裂机器视觉检测系统研究[J]. 煤炭工程,2009,41(9):123-125. QI Junyan,YAN Haifeng,TAN Chao,et al. Machine vision inspection system of belt tearing base on LabVIEW[J]. Coal Engineering,2009,41(9):123-125.
[60] PENG Xiaoming. A novel image-based method for conveyor belt rip detection[C]. IEEE International Conference on Signal Processing, Communication and Computing, Kunming, 2013: 1-4.
[61] HOMIŠIN J,GREGA R,KAŠŠAY P,et al. Removal of systematic failure of belt conveyor drive by reducing vibrations[J]. Engineering Failure Analysis,2019,99:192-202. DOI: 10.1016/j.engfailanal.2019.02.028
[62] 陈劭康. 带式输送机故障预测与健康状态评估技术研究[D]. 徐州: 中国矿业大学, 2021. CHEN Shaokang. Research on fault prediction and health assessment technology of belt conveyor[D]. Xuzhou: China University of Mining and Technology, 2021.
[63] 崔扬扬. 可伸缩带式输送机故障诊断与对策[D]. 邯郸: 河北工程大学, 2013. CUI Yangyang. Fault diagnosis and countermeasure of telescopic belt conveyor[D]. Handan: Hebei University of Engineering, 2013.
[64] 于淑政,崔扬扬,曹艳芳. 带式输送机故障分析与处理[J]. 煤矿机械,2012,33(10):282-284. YU Shuzheng,CUI Yangyang,CAO Yanfang. Analysis and treatment of belt type conveyor fault[J]. Coal Mine Machinery,2012,33(10):282-284.
[65] 闫来清. 矿用带式输送机减速器故障诊断方法研究[J]. 电气应用,2014,33(23):82-85. YAN Laiqing. Research on fault diagnosis method for reducer of mining belt conveyor[J]. Electrotechnical Application,2014,33(23):82-85.
[66] LIU Yi, MIAO Changyun, LI Xianguo, et al. Research on the fault analysis method of belt conveyor idlers based on sound and thermal infrared image features[J]. Measurement, 2021, 186. DOI: 10.1016/j.measurement.2021.110177.
[67] LI Wei, WANG Zewen, ZHU Zhencai, et al. Design of online monitoring and fault diagnosis system for belt conveyors based on wavelet packet decomposition and support vector machine[J]. Advance in Mechanical Engineering, 2013. DOI: 10.1155/2013/797183.
[68] YANG Mingjin,ZHOU Wenju,SONG Tianxiang. Audio-based fault diagnosis for belt conveyor rollers[J]. Neurocompting,2020,397:47-56.
[69] 曹贯强. 带式输送机托辊故障检测方法[J]. 工矿自动化,2020,46(6):81-86. CAO Guanqiang. Fault detection method for belt conveyor roller[J]. Industry and Mine Automation,2020,46(6):81-86.
-
期刊类型引用(2)
1. 江耀森，杨超宇，刘晓蕾. 基于ChatGLM3-6B的煤矿事故知识图谱构建及应用研究. 中国安全生产科学技术. 2024(10): 12-21 . 
百度学术
2. 罗睿. 高速公路交通事故领域知识图谱构建方法. 交通建设与管理. 2024(04): 93-97 . 百度学术
其他类型引用(4)
计量
- 文章访问数: 1144
- HTML全文浏览量: 531
- PDF下载量: 133
- 被引次数: 6
