麻煩您能在百忙之中抽空點一下“關注”，友善與您讨論和分享，您的支援是我前進的最大動力，謝謝！
礦井提升機是礦産資源生産中的核心機械裝置，主要作用是完成對人員和裝置的運輸，其運作安全與否，直接關系到礦井能否正常工作和作業人員的生命、财産安全。是以，針對提升機關鍵系統和部位開展預警方法的研究對煤礦生産安全具有重大的意義。
在提升機故障預警領域，傳統的預警方法主要依賴于人的主觀性，無論是從準确性還是及時性上，都會受限于檢修人員的經驗水準以及其他的一些人為因素，是以從精度上很難得到穩定的保障。
此外，現有的提升機故障預警大多是将研究重點放在提升機參數的監測和信号特征提取上，在故障發生後再投入時間去分析故障原因，極大地降低了裝置的工作效率。為了充分貼合不同作業環境下提升機特征參數的獨特性，提高故障預警精确度。
本文以某礦多繩摩擦式礦井提升機為研究對象，開展了資料驅動的礦井提升裝置故障預警技術研究，旨在利用礦井提升機運作工況監測資料，通過分析提升機關鍵運作參數，建構有效的礦井提升機故障預警模型，為提升機潛在的故障隐患提供及時、準确、有效的預警。
提升機組成與關鍵參數
礦井提升機在煤礦生産作業中的至關重要。它的作用是扮演地下生産系統和地面工作之間的交通樞紐，其主要任務包括：提升煤炭和矸石；運送從業人員和器械裝置；運輸生産所需材料等。常見礦用提升裝置的組成部分包括：容器、鋼絲繩、提升機動力裝置及制動裝置、裝卸裝置、天輪和井架等。
本文以某礦多繩摩擦礦井提升機為研究對象，其實物圖如圖所示。根據其工作原理，也可将其劃分為制動系統、運作系統、主軸裝置、電控系統等多個系統。
提升機工作原理
本文以落地式多繩摩擦式提升機作為研究對象，其結構如圖所示。多繩摩擦式提升機可以分為井塔式和落地式兩種結構。兩者的差別在于提升機的安裝位置不同，前者是将提升機安裝在井塔之上，後者則是将提升機安裝在地面上。
落地式提升機減少了建設和投資的費用，同時抵抗地震的能力也大大提升，但是會縮短提升機鋼絲繩的使用壽命且更換鋼絲繩較麻煩。相對來說，井塔式提升機結構布置更為緊湊，所需空間更小，無需天輪，改善了鋼絲繩的工作條件，一定程度上有利于延長鋼絲繩的使用壽命，但是其建設費用和周期都高于前者。
資料采集現場硬體配置
現場資料采集的主要工作是利用各式傳感器進行資料采集，并通過A/D轉換器将采集到的實體信号換為電流或電壓信号供電腦識别。提升機實時監測資料的采集是在工控機平台完成的，而存儲和傳輸則是在資料庫伺服器上完成的。
現場實時監測進行資料采集的硬體設施主要包括：直流恒流源、信号采集卡、安裝導軌等。除此之外，在安裝時中還需要資料連接配接線、名牌、裝置櫃、接頭等輔助連接配接件和保護件。監測系統硬體連接配接方式如圖所示。
傳感器布置方案
根據提升機常見故障機理分析，提升機故障監測參數主要包含：閘力、閘間距、制動油壓、潤滑油壓、主電機電流、主軸軸承振動加速度、電機軸承振動加速度和減速器軸承振動加速度等主要監測參數。
硬體設計主要是根據以上監測資料的需要，在提升機及相關部件上安裝不同特性的傳感器。傳感器的選擇一方面是滿足監測參數的需求，另一方面則是考慮工作現場溫度、濕度、噪音和粉塵等環境影響因素對監測效果造成的影響，經過篩選，選擇傳感器類型如下。
不同算法模型精度對比
為了對比各算法模型在提升機預警模型中的優劣性，本文将LSTM模型中隐藏層，分别用RNN結構和GRU結構進行替換，在相同基礎參數的條件下，進行對比實驗。以主電機電流為例分别對基于不同算法的模型進行訓練，結果如圖所示，從圖中可以看出，GRU網絡模型在損失變化趨勢上與傳統的RNN網絡相似，兩者的損失都明顯高于LSTM網絡。
下圖展示了不同模型下，随着主電機電流預測點數的不斷增加，模型預測精度的變化情況。由圖可知，RNN模型精度相對較低。LSTM和GRU模型在1到12個預測點數時，損失值較為接近，随着測試點個數的增加，LSTM模型的損失值明顯小于其餘兩者，展現出了更好的模型的變化趨勢預測能力，且預測精度明顯高于其餘兩者。
模型訓練與參數調整
經資料标準化處理之後得到資料訓練集，搭建LSTM預測模型。減小損失值是整體網絡進行優化的目的，随着算法優化和權值的不斷更新，直覺地表征了算法的效果。下圖展示了以主電機電流為例，在相同的基礎參數下，對Adam優化器選取不同的學習率産生的訓練模型的損失變化。
分别選取學習率為0.001、0.01和0.0001，可以看出在疊代到第二次時，三種學習率都發生驟降，且後續呈現平穩下降趨勢。三種學習率的損失相差甚微，當學習率為0.001時，疊代次數到30次後達到，損失率達到最小值0.1186%。
預測結果分析
為了驗證預測結果的有效性，采用某礦提升機的實際運作資料，對提升機的參數進行預測，并将LSTM模型預測結果與提升機實際運作值進行拟合對比，如圖為主電機電流拟合情況，在提升機電流發生劇變時，預測資料的殘差較大。其中，虛線為真實值，實線為預測值，從圖中可以看出在油壓驟降的監測點預測誤差較大，但是整體上拟合效果較好。
總體上，提升機地參數存在明顯地周期性變化，在一些參數急劇變化的監測點存在預測誤差，但是從整體趨勢上針對主電機電流和制動油壓都很好地拟合了參數的變化趨勢，達到了比較理想的預測效果。
關鍵業務流程梳理
資料驅動的礦井提升機故障預警平台的作用是監測提升機關鍵運作參數運作趨勢，對運作情況進行分析給出故障預警資訊為運維人員提供參考。首先是針對提升機的運作系統、制動系統等關鍵部位特征參數進行監測，擷取到油壓、電流、振動、閘力等運作狀态模拟量。将資料庫與資料采集和實時監測系統進行動态連接配接，實作資料的實時展示和分類存儲。
在提升機運作過程中，通過資料預測模型預測提升機資料的變化趨勢，并根據預測結果進行殘差分析，判斷目前時刻故障情況。最後結合預警模型分析結果，檢索故障類型資料庫，确定提升機的故障類型，并将故障預警資訊回報到前端展示界面發出告警資訊為操作人員提供參考，同時将故障資料進行儲存友善維修人員查詢。
此外，系統需要定期自動對資料庫資料進行清理、采用最新曆史資料對模型進行訓練，保證模型充分掌握提升機運作特征。
平台硬體設計
平台的硬體設施分為兩部分：礦井提升機資料監測系統硬體配置和平台運作硬體環境。礦井提升機資料監測系統硬體配置包括：各式傳感器、資料采集闆卡、工控機、交換機、資料庫伺服器等完成資料采集和存儲的關鍵部件。
除此之外，還有在安裝和使用過程在起到輔助作用的硬體設施和保護件：直流恒流源、安裝導軌、連接配接線、名牌、裝置櫃和接頭等。監測現場照片如圖所示。
邏輯結構設計
在資料庫的設計過程中，需要考慮到對資料庫可能進行的操作，以及各實體的屬性和實體之間的聯系。既能友善代碼的編寫工作，也能使資料庫結構盡可能的滿足更高的範式。故障預警資料庫的邏輯設計應從提升機故障預警研究入手，預警資訊為一個實體類，它包含了預警時間、故障類型、故障資料、提升機資料等基本屬性。
其中提升機資料和故障類型也作為一個實體，包含自身屬性。例如，故障類型的屬性包括：故障現象、故障名稱、故障代碼等。故其提升機故障資料庫E-R圖，如圖所示。
故障預警
故障預警界面時本系統的核心所在。故障預警的主要功能通過監測裝置的運作參數，采用百度Echarts插件，将資料轉換為可視化圖表，更加直覺的展示提升機的運作狀況。故障預警界面如圖所示。
主要可以分為三個部分：首先是提升機運作速度的折線圖和在用裝置的運作情況，通過提升機的速度變化折線圖可以清晰的看出提升機的運作狀況，以及提升機的運作趨勢，便于對提升機運作狀況有一個直覺的了解。在用裝置運作情況可以看出裝置的使用情況，便于對提升機相關部件或裝置的工作狀況進行記錄。
其次是報警記錄，中間子產品為提升機的報警情況記錄，采用分系統，分子產品的展示方法，對預警模型所報預警資訊進行記錄，記錄同時會儲存到故障資料庫，便于維修人員提取資料對故障情況進行判斷和檢修。
總結
以JMK2.8*1.6(I)型多繩摩擦礦井提升機作為主要研究對象，分析了提升機系統組成，運作原理和安全運作規程等基本屬性。并通過剖析提升機各系統常見故障表現和故障原因機理等，為提升機故障預警技術的發展提供理論依據。
為友善提升機資料的存儲，本文利用Mysql資料庫建立了各系統關鍵參數資料庫，完成了提升機實時資料存儲、曆史資料查詢等功能。在充分介紹常見深度學習算法的基礎上，本文将LSTM算法應用到提升機的資料預測中，對提升機的系統關鍵參數做了充分的分析。
通過文章中介紹的預測模型算法和建立方法，完成了故障預警模型的建立。經過驗證，模型可以充分貼合提升機資料的趨勢，能夠對提升機的資料變化趨勢做出準确的預測。提出滑動比例平均值的方法對預測模型殘差進行分析，通過分析提升機預警模型殘差，計算出提升機正常狀況下的殘差範圍作為預警門檻值，通過對比實作故障預警。
搭建了完整的故障預警平台，在內建深度學習預警模型的基礎上，利用百度Echarts展示技術，直覺的将提升機運作資料和預警結果在HTML頁面中進行直覺的展示。