大数据应用已成为煤矿智能化发展的前沿方向，但由于煤矿安全生产条件限制，煤炭领域成缺乏成熟的大数据分析应用模型和场景，目前主要偏重煤矿设备的故障诊断分析。主要技术路径是对各机电设备部署温度、振动等监测传感器，通过工况实时感知，并基于大量的故障历史数据，利用模式识别和匹配等算法，实现设备故障类型诊断并及时预警。基于大数据的设备故障诊断分析存在以下2 个方面的缺陷。

（1） 为提高设备故障识别的准确性，须保证大量故障历史数据，在此基础上进行识别和匹配报警存在滞后性，以趋势分析和预警报警为主，无法用于设备的实时控制。

（2） 此类技术路径和算法流程有利于隐形故障判别，但对于相对具有明显特征的故障，存在对传输资源、存储资源及计算资源的浪费。

针对以上问题，基于边缘端装置的部署，划分设备故障类别，对于具有简单特征的故障，可直接在边缘端处理，如设备振动信号进行处理的无线边缘处理装置以及AI 摄像头，而对于隐性、复杂的故障类型数据上传至地面，由大数据后台进行分析诊断。

FPGA 简介

现场可编程门阵列（Field Programmable GateArra：FPGA） 是一种半定制化的数字电路，最大的特点具有专用集成电路高性能、大容量及并行运算能力，又具备灵活性等特点。FPGA 可反复进行代码优化升级，特别适合在研发期不断测试验证的应用场景，符合煤矿智能化建设初期应用场景的探索需求。

FPGA 具备不同程序的并行运行，逻辑上可同时操控多路信号，仅存在接口数量限制；同时由于采用ns 级时钟分辨率，控制实时性良好。FPGA 具有功耗低、适应各类接口协议。FPGA 由纯硬件技术，发展为结合ARM内核的“软+硬”技术，扩展了FPGA应用范围。

新一代开发平台融合AI、机器学习等先进算法，以适应新技术条件下的开发应用。FPGA 在煤矿领域的研究应用不多，但基于FPGA 特点，部分高校学者对FPGA 在煤矿井下通信方面的应用场景和方向展开过相关的研究和探讨，拓展了FPGA 在煤矿行业的应用空间。

带式输送机边缘装置设计

带式输送机监控现状

带式输送机是煤矿煤流运输系统的重要组成部分，构成煤炭生产的重要环节，其运行的稳定性和可靠性，直接关系到煤矿整体安全生产运行。

目前，大多数煤矿已建成了煤流运输系统的自动化监控系统，该系统以带式输送机控制保护装置为基础，实现设备运行参数在线监测和超限预警，同时也可对整个煤流运输系统进行远程控制。

在带式输送机故障诊断方面，近几年部分煤矿在积极推进矿井设备故障诊断分析系统的应用，基于故障历史数据对包括带式输送机在内的重要机电设备进行故障识别和报警，提高设备运维管理水平，同时结合红外、视频等手段扩展监控维度，为故障的识别诊断提供更多依据。除此之外，仍有部分煤矿在实现状态监测的基础上，主要依靠技术人员的经验进行故障判断。

边缘诊断装置设计

设计基于FPGA 带式输送机边缘装置，可与带式输送机保护装置一体化部署，共用空间及供电等资源。带式输送机边缘装置逻辑结构如图1 所示，分为电源模块、CPU模块、信号输入模块、存储模块以及通信模块。

图1　带式输送机边缘装置逻辑结构

（1） 电源模块接收外部电源，并经过装置内部电源电路输出DC1.2 /3.3 /5.0 /12 V电压等级，供各功能模块使用，外部供电为本安DC24 V。

（2） CPU 模块为装置的核心，设计选用Xilinx公司Spartan6-XC6LX45T型号FPGA，最大支持296个引脚，支持DDR3 以及DSP运算单元。

（3） 信号输入模块支持不同协议数字量信号接入。在各类监测信号已接入保护控制装置的条件下，设计2 路RJ45 接口（一用一备），利用TCP/IP 协议读取全部数据；同时设计10 个RS485 输入通道，对未接入保护控制装置的监测信号实现信号接入。

（4） 输出模块设计2 路TCP/IP 协议的光模块接口（一用一备） 和2 路RJ45 接口（一用一备），实现数据至地面平台端的传输；同时设计2 路RS485输出接口（一用一备） 与保护控制装置实现通信。

（5） 存储模块主要设计RAM模块，存储数据并完成分析处理。每个数据设定为16 位，每条输送带设计最大采集128 个数据，采样间隔最小为10 s，1天数据量不超过18 Mbit。设计RAM 容量为128Mbit，最大可存储7 天数据量。

装置主要功能

基本功能

边缘装置使用的理想条件是与带式输送机控制保护装置以及地面设备故障诊断系统配合使用。控制保护装置作为带式输送机保护和控制的核心设备，边缘装置以控制保护装置输出信号作为输入，接收带式输送机的工况监测数据，在边缘端利用比大数据分析简单的算法，分析带式输送机运行工况，并根据分析结果发出报警和预警信息。边缘装置支持报警信息和报警数据上传，接入设备故障诊断系统，作为故障历史数据，为设备故障诊断系统进行大数据分析提供数据支撑。

边缘装置具有数据缓冲作用，以10 s 采样率收集原始数据，若一段时间内设备运行正常，可降低上传数据频率，减少地面数据中心的数据存储量，仅在出现异常时以原有频率进行数据上传。边缘装置输出模块支持与控制保护装置通信，在特定条件下根据分析结果输出控制指令，再由控制保护装置进行相关操作控制，如闭锁、急停等。

针对某带式输送机历史运行数据的统计分析，形成动态超限预警和规律判别预警2 种边缘端分析功能。边缘装置故障诊断分析功能，可随着对历史数据的持续挖掘，逐步完善边缘装置功能。

动态超限预警

传统设备超限预警方法中，阈值是按设备额定参数并考虑安全裕度来设定，更多依靠运维人员经验。此种超限预警相对简单，不能完整反映出设备运行状态。边缘装置中设计了动态超限预警方法，可根据历史运行数据动态进行超限阈值调整，使超限预警更加准确、更能真实反映设备的运行状况。

煤矿生产由于其特殊性，在特定时段内煤炭生产量相对稳定，各类设备运行工况相对平稳。考虑气候变化、生产计划及边缘装置的数据存储容量等因素，各参量的预警值可按照前7 个生产班次的历史数据进行统计分析得出，并依次循环计算该参数动态预警值。

以中煤集团某煤矿为例，该煤矿2 号煤中央大巷输送带全长5 260 m，带宽1.6 m，带速4 m/s，带强3 150 N/mm，运输能力3 500 t/h，采用头三中三的变频驱动方式，变频器额定功率900 kW，额定电压660 V。

如图2 所示为1 号变频器在1 个生产班内的功率监测数据，图3 所示为其前7 个生产班次的功率监测数据。

图2　变频器1 个工作日内功率监测数据

图3　前7 个生产班次功率监测数据

分析上述数据可知，变频器额定功率为900kW，但在上述时间段内功率未超过500 kW，说明煤流运输量总体不大，而且功率值随着煤量的变化而发生波动，另外也可以看出在近7 个生产班次内，变频器功率的变化趋势大体一致。

统计分析前7 个生产班次中变频器正常启动后的数据，表明该变频器功率不超过500 kW的概率为99.63%，变频器功率概率分布结果如图4 所示。

图4　变频器功率概率分布

取前7 个生产班次内概率为99%所对应的监测值（约为500 kW） 为计算基准值，再取20%裕量，动态阈值则设置为600 kW，比传统模式的预警更加准确。

基于以上趋势数据，利用verilog 语言在边缘装置内开发动态超限预警算法，以各参数采集值为输入，前7 个生产班次单个参数的总计采集量为60 480 个，排序数据得出99%概率分布值所对应值为第59 875 个数据对应监测值，以此值为基准，再取20%裕量，即得到动态阈值。随数据不断更新，边缘装置不断循环计算动态阈值，同时对实时监测值进行超限预警，并通过输出接口输出报警信息。

规律判别预警

分析统计带式输送机历史数据，发现6 台变频器功率值之间存在一定规律。头部3 台变频器功率值变化趋势保持一致，且功率值递减；中部3 台变频器功率值基本相同，和头部相比减小了12～ 23 倍，6 台变频器之间的比率约为2.9∶2.5∶2.2∶1.0∶1.0∶1.0。截取部分时间段内监测数据，6 台变频器功率值变化趋势如图5所示。

图5　6 台变频器功率值变化趋势

综上所述，对于变频器功率除超限预警外，还需考虑与其他关联监测点间现有的特定关系保持在一定范围内。若特定关系明显出现异常，虽然单个监测点依然在阈值范围内，仍可以认为该带式输送机出现异常，需要输出预警信号及信息。

用此预警方法的前提条件是已通过设备运行历史数据，得出了相关监测数据与其关联参数之间的统计规律。基于以上条件，利用verilog 语言在边缘装置内开发预警算法，以各参数及关联相关参数采集值为输入，构成参数集合，对参数集合内元素之间的比例同时进行计算，并与已存在的比例分布规律进行比对，以±10%为对比上下限，若超限则认为不符合运行规律，通过输出接口输出报警信息。

以上是针对变频器功率的分析功能，其他监测量也采用相同算法。

结 语

基于FPGA 的带式输送机边缘装置具备的故障分析功能，需对大量历史数据进行挖掘后发现潜在规律，不断丰富边缘装置功能。该边缘装置侧重于监测分析与预警，支持与控制保护装置通信已实现设备的实时控制，但由于煤矿安全生产要求，暂不具备控制方面的研究应用，在后期随着煤矿智能化的不断完善，继续进行相关应用场景研究。

策划：李金松 编辑：李雅楠