0 引言

液压支架是煤矿开采的主要装备，其电液控制系统融合了液压、控制、传感器检测、通信、计算机技术等内容，目前在我国煤矿综采工作面广泛应用[1-2]。由于技术条件限制和工况环境复杂，当前液压支架电液控制系统故障诊断功能还比较薄弱，当液压支架电液控制系统在使用过程中出现故障时，需要操作维修人员逐架排查，对于某些随机故障或个别系统故障，操作维修人员无法准确定位故障点，从而导致液压支架电液控制系统功能得不到充分发挥，影响了工作面自动化系统的应用效果[3]。

本文对传统电液控制系统硬件设备进行智能化技术改造，除完成液压支架工作状态监测及控制功能外，增加了对系统核心关键部件电气参数的采集传输功能；同时构建大数据决策分析服务平台，实现液压支架电液控制系统的远程在线故障诊断，从而提高液压支架电液控制系统的可维护性和可用性，降低煤矿企业液压支架电液控制系统的运维成本。在线故障诊断功能的实现为液压支架电液控制系统设备制造厂家产品售后服务和产品质量跟踪提供了数据依据，推动了传统制造业向智能制造的发展[4]。

1 系统硬件设备技术改造

1.1 现场数据传输总线技术升级

由于实时采集传输的液压支架电液控制系统故障诊断数据量大，传统的CAN总线结构已不能满足应用需求，本文采用基于以太网物理层的工业实时以太网协议Ethernet/IP CIP(Control and Information Protoco1)作为现场通信总线协议[5]。Ethernet/IP CIP物理层和数据链路层主要用以太网控制器芯片实现，网络层和传输层采用标准的TCP/IP技术，应用层采用CIP协议[6]。CIP根据所传输数据对传输服务质量要求的不同，把报文分为显式报文和隐式报文。显式报文用于传输对时间没有苛求的数据，隐式报文用于传输对时间有苛求的数据。在网络底层协议的支持下，CIP使用TCP来发送显式报文，用UDP来发送隐式报文[7]。

为了使数据信息能够实现自动转发传输[8]，在支架控制器硬件电路中加入交换机硬件，减轻了控制器(MCU)对数据转发的处理负担，提高了数据通信效率。支架控制器数据通信如图1所示，MCU负责电液控制系统逻辑运算处理，以太网控制器负责通信链路建立，交换机硬件负责各支架控制器的互连，实现数据的自动转发功能。

图1 支架控制器数据通信
Fig.1 Data communication of hydraulic support controller

1.2 电气参数采集电路

传统电液控制系统只实现了液压支架的工作状态监测及逻辑控制功能，未实现系统核心关键部件实时运行电气参数采集，因此，很难准确判断或预测系统故障。本文在控制器硬件电路中加入专用精确测量电路，实时采集传感器、电磁先导阀驱动器、控制器等的供电单元的电气参数。各供电单元均采用独立隔离恒压恒流电源供电[9]，将恒压恒流基准电压和对应供电单元电源监测反馈信号同时输入到高精度差分AD转换器，实时监测各供电单元电气参数的微弱变化。电气参数采集电路结构如图2所示。

图2 电气参数采集电路结构
Fig.2 Structure of electrical parameters acquisition circuit

在系统电气参数采集中，电磁先导阀驱动电流的精确监测是一个重要环节。电磁先导阀是集机、电、液于一体的控制模块，也是电液控制系统中电控与液控的转换枢纽。电磁先导阀的工作状态直接影响了整个电液控制系统的运行状态。由于电磁先导阀的精密程度较高，在整个电液控制系统中电磁先导阀的故障率比较高[10]。

2 大数据决策分析服务平台构建

2.1 大数据采集

大数据是指通过不同方式获得的各种类型的结构化、半结构化(或称弱结构化)及非结构化的海量数据，是大数据知识服务模型的根本[11]。用于液压支架电液控制系统故障诊断的数据包括系统运行状态数据、系统电气参数、系统自检数据和系统累计工作数据。

系统运行状态数据是指电液控制系统实时工作状态、动作状态、通信状态数据以及液压支架立柱压力、推移油缸行程等数据。系统电气参数是指液压支架电液控制系统硬件升级改造后，增加采集的控制器、传感器、电磁先导阀等完整的电气参数。系统自检数据是指系统启动以及运行过程中出现故障时系统的自诊断数据。系统累计工作数据是指系统各关键部件全生命周期累计工作时间及累计发生故障次数等数据。

2.2 大数据传输

结合当前煤矿行业综采自动化及信息化系统建设现状，通过3层架构采集故障诊断数据并逐级上传到大数据决策分析服务平台。数据采集传输链路如图3所示。

图3 数据采集传输链路
Fig.3 Data acquisition and transmission link

通过电液控制系统硬件设备采集故障诊断数据，并通过井下环网将数据推送到煤矿集控中心，由集控中心数据转发中间件软件通过互联网将故障诊断数据推送到大数据决策分析服务平台。

2.3 大数据处理

基于Hadoop的大数据决策分析服务平台如图4所示。利用Hadoop分布式环境来实现集群的存储和计算，通过HDFS分布式文件系统对数据文件进行存储和管理[12-13]，通过MapReduce运行机制实现并行化[14]。利用Hadoop导入海量故障诊断多源异构数据，数据经预处理后存放到HDFS分布式文件系统中。Hadoop平台作为一个数据源服务器，为分类预测引擎提供数据输入及相应的结果输出。

3 大数据故障诊断引擎设计

基于MapReduce的C4.5决策树分类预测引擎是实现液压支架电液控制系统故障诊断功能的核心，包括数据加载模块、分类预测模块和结果存储模块。数据加载模块读取HDFS中的数据并进行降维处理，删除冗余或关联性不大的属性，最大化地利用领域知识缩减算法的时间复杂度，使得预测结果更加准确有效[15]。分类预测模块对不同故障数据进行归类筛选，提取每类故障的特征曲线并进行特征比较输出。结果存储模块负责将并行处理的中间结果数据及分类预测后的结果存储到HDFS中。

图4 基于Hadoop的大数据决策分析服务平台
Fig.4 Big data decision analysis service platform based on Hadoop

液压支架电液控制系统中维度最高的数据是电气参数，以一个部署有150个液压支架的综采工作面为例，其属性值有3 000个左右，其中包含了150个液压支架电液控制系统的信息。在离群点挖掘时可以对每个液压支架电液控制系统分别进行分类预测，同时删除一些意义不大的属性或冗余属性，这样既保证了分类预测算法的正确率，又避免了传统降维方法会引入误差，从而影响分类预测效果的问题。

分类技术是数据挖掘中的重要技术，其基于对训练样本集的分析，找出描述和区分类别的模型，以便能够使用模型预测待分类样本的类别[16]。C4.5决策树分类算法对于数据类型的选择没有过高要求，同时可以处理连续属性数据集和分类属性数据集，产生的分类规则易于理解，没有复杂参数估计问题，分类的准确度较为理想，在分类预测领域有着诸多应用[17]。本文选用C4.5决策树分类算法对故障样本数据进行分类。

传统C4.5决策树分类算法是在串行模式下设计的，必须将数据样本全部调入内存后再进行训练、分类，在处理海量数据时内存容量和服务器处理速度都会受到制约。因此，本文基于MapReduce对C4.5决策树分类算法进行改进，依据并行算法作为核心对各类故障进行识别和诊断[18]，并通过后剪枝技术解决C4.5决策树分类算法容易过度拟合且不稳定的问题，通过多分类器融合技术提高C4.5决策树分类算法的准确性[19]。

4 故障诊断实现及测试分析

大数据决策分析服务平台运行时，首先通过Hadoop导入故障诊断样本数据训练C4.5决策树分类预测引擎，生成分类规则并提取各类故障特征曲线。液压支架电液控制系统启动后，C4.5决策树分类预测引擎通过实时导入的海量故障诊断数据提取实时运行特征，并与已提取的故障特征曲线进行动态比较匹配，依据故障特征曲线的变化规律识别故障类型，依据波动是否存在及波动程度进行故障预测结果输出，同时不断对故障特征曲线进行修正。大数据故障诊断流程如图5所示。

图5 大数据故障诊断流程
Fig.5 Fault diagnosis flow based on big data

通过C4.5决策树分类预测引擎提取的电磁先导阀、控制器、压力传感器及行程传感器故障特征曲线，如图6—图9所示。

图6 电磁先导阀故障特征曲线
Fig.6 Fault characteristic curve of electromagnetic pilot operated valve

大量实践可知，液压支架电液控制系统工作时，电磁先导阀、控制器及各类传感器的驱动电流几乎恒定不变，其正常运行特征曲线相对平滑。从图6可看出，电磁先导阀故障时驱动电流出现大幅跌落波动。从图7可看出，控制器出现故障时会间或出现峰值冲击电流。从图8和图9可看出，压力传感器和行程传感器故障时驱动电流均出现严重紊乱。由于不同故障特征曲线存在较大差异性，所以可通过故障曲线有效识别各类故障。

图7 控制器故障特征曲线
Fig.7 Fault characteristic curve of controller

图8 压力传感器故障特征曲线
Fig.8 Fault characteristic curve of pressure sensor

图9 行程传感器故障特征曲线
Fig.9 Fault characteristic curve of stroke sensor

5 结语

将大数据技术与煤炭工业深度融合，详细阐述了传统液压支架电液控制系统硬件设备技术改造方案、大数据决策分析服务平台的构建及大数据故障诊断引擎的设计。通过大数据决策分析服务平台可实现对液压支架电液控制系统各类故障的准确预测和识别，提高煤矿液压支架电液控制系统运维效率，降低运维成本。

参考文献( References) :

[1] 李好管. “十三五”规划关于中国能源、煤炭工业、煤炭深加工产业发展的政策导向(上)[J]. 煤化工, 2017,45(3):1-6.

LI Haoguan. Policy orientation about development of China's energy, coal industry and deep coal processing industry in the thirteenth five-year plan[J]. Coal Chemical Industry, 2017,45(3):1-6.

[2] 唐鲁. 煤矿液压支架电液控制系统分析[J]. 煤炭科技, 2017(2):119-121.

TANG Lu. Analysis of electro-hydraulic control system for coal mine hydraulic support[J]. Coal Science & Technology Magazine, 2017(2): 119-121.

[3] 王书明,牛剑峰. 液压支架电液控制系统故障诊断技术研究[J]. 煤炭科学技术, 2018,46(2): 225-231.

WANG Shuming, NIU Jianfeng. Study on fault diagnosis technology of electro-hydraulic control system applied in hydraulic powered support[J]. Coal Science and Technology, 2018,46(2): 225-231.

[4] 王燕山,胡飞,张梅菊,等. 智能制造中的状态在线监测技术[J]. 测控技术, 2018,37(5):3-8.

WANG Yanshan, HU Fei, ZHANG Meiju, et al. Status online monitoring technology for intelligent manufacturing[J]. Measurement & Control Technology, 2018,37(5):3-8.

[5] 张学辉. 基于以太网和现场总线的工业控制网络实训系统设计[J]. 自动化仪表, 2017,38(3):41-43.

ZHANG Xuehui. Design of the industrial control network training system based on Ethernet and fieldbus[J]. Process Automation Instrumentation, 2017,38(3):41-43.

[6] 孙溪. CIP Safety网络协议通信层协议关键技术的分析[J]. 仪器仪表标准化与计量, 2014(4):28-30.

SUN Xi. Analysis of the key technology for communication layer protocol in CIP safety network protocol[J]. Instrument Standardization and Metrology, 2014(4):28-30.

[7] 张立众. EtherNet/IP节点的设计[J]. 化工自动化及仪表, 2010,37(3):100-102.

ZHANG Lizhong. Design of EtherNet/IP node[J]. Control and Instruments in Chemical Industry, 2010,37(3):100-102.

[8] 王凯. 多转发级别的向量网硬件交换机设计与实现[D]. 北京:北京交通大学, 2017.

[9] 林明威. 恒压恒流开关电源设计[D]. 厦门:厦门大学, 2016.

[10] 范祯科. 电液控制液压支架大通径电磁先导阀关键技术研究[D]. 徐州:中国矿业大学, 2016.

[11] 马小平,代伟. 大数据技术在煤炭工业中的研究现状与应用展望[J]. 工矿自动化, 2018,44(1):50-54.

MA Xiaoping, DAI Wei. Research status and application prospect of big data technology in coal industry[J]. Industry and Mine Automation, 2018,44(1):50-54.

[12] 郝树魁. Hadoop HDFS和MapReduce架构浅析[J]. 邮电设计技术, 2012(7):37-42.

HAO Shukui. Brief analysis of the architecture of Hadoop HDFS and MapReduce[J]. Designing Techniques of Posts and Telecommunications, 2012

(7):37-42.

[13] 杨李娜. 以Hadoop为核心的海量数据全流程处理框架解析[J]. 数字通信世界, 2015(10):341-342.

YANG Lina. The framework of whole massive data stream processing using Hadoop as the core technique[J]. Digital communication World, 2015(10):341-342.

[14] 肖文,胡娟,周晓峰. 基于MapReduce计算模型的并行关联规则挖掘算法研究综述[J]. 计算机应用研究, 2018,35(1):13-23.

XIAO Wen, HU Juan, ZHOU Xiaofeng. Parallel association rules mining algorithm based on MapReduce: a survey[J]. Application Research of Computers, 2018,35(1):13-23.

[15] 张博洋. 基于Hadoop的动车组故障诊断关键技术的研究与实现[D]. 北京:北京交通大学, 2016.

[16] 葛朋,彭梦晶. 决策树算法在分类预测中的应用与优化[J]. 山东农业大学学报(自然科学版), 2016,47(6):936-939.

GE Peng, PENG Mengjing. The optimization and application of the decision tree algorithm in the classification prediction[J]. Journal of Shandong Agricultural University(Natural Science Edition), 2016,47(6): 936-939.

[17] 王文霞. 数据挖掘中改进的C4.5决策树分类算法[J]. 吉林大学学报(理学版), 2017,55(5): 1274-1277.

WANG Wenxia. Improved C4.5 decision tree classification algorithm in data mining[J]. Journal of Jilin University(Science Edition), 2017,55(5):1274-1277.

[18] 张元鸣,陈苗,陆佳炜,等. 基于MapReduce的Bagging决策树优化算法[J]. 计算机工程与科学, 2017,39(5):841-848.

ZHANG Yuanming, CHEN Miao, LU Jiawei, et al. An optimized bagging decision tree algorithm based on MapReduce[J]. Computer Engineering and Science,2017,39(5):841-848.

[19] 张晶星,李石君. 基于Hadoop的改进决策树剪枝算法[J]. 计算机工程与设计,2016,37(7):1942-1946.

ZHANG Jingxing, LI Shijun. Decision tree pruning algorithm based on Hadoop[J]. Computer Engineering & Design,2016,37(7):1942-1946.