前言：尋找寫作靈感？中文期刊網用心挑選的采煤機搖臂壽命預測系統設計探析，希望能為您的閱讀和創作帶來靈感，歡迎大家閱讀并分享。

摘要：為了預測采煤機搖臂的剩余壽命并將預測過程和結果集成于系統進行動態可視化顯示，設計并開發了基于ASP.NET框架的采煤機搖臂剩余壽命預測系統。利用MicrosoftVisualStudio2010系統開發軟件，采用C#語言中Process類進程調用方法驅動Python語言編寫的深度學習壽命預測模型運行，結合相關控件對生成的圖像和數據結果進行調用、解析和輸出，完成壽命預測模型與Web系統的嵌套和交互，實現采煤機搖臂關鍵零部件剩余壽命預測值的可視化和數字化。最后，通過采煤機搖臂低速區惰輪機構與高速區軸承數據集驗證了所開發系統的可行性與有效性。

關鍵詞：采煤機搖臂；剩余壽命預測；深度機器學習；剩余壽命預測模型

0引言

采煤機是煤炭開采的主要設備之一，搖臂作為采煤機實現截割動作的關鍵部件，也是采煤機較為薄弱的部位，其能否正常作業直接影響煤礦企業的經濟利益，因此對搖臂進行及時有效的壽命預測十分重要。目前對于機械零部件剩余壽命預測的研究，部分學者提出了如基于連續小波變換和卷積神經網絡的剩余壽命預測方法、基于卷積神經網絡與門控遞歸單元的壽命預測方法等，但這些研究致力于預測方法的探索，未將構建的剩余壽命預測模型嵌入系統中進行系統性和完整性的預測。對于剩余壽命預測系統的研究，部分學者提出了一些較為合理的方法，如以VisualStudio.NET為軟件設計平臺開發貨車車體疲勞壽命預測系統、基于BP神經網絡算法并采用BorlandC++Builder系統開發平臺和MATLAB后臺服務程序開發礦井提升機壽命預測系統等。但這些系統大多基于專家經驗和知識庫等，未實現實際數據動態驅動的預測。為準確掌握采煤機搖臂剩余壽命情況并將壽命預測結果及時反映給企業技術人員，本文采用基于深度卷積神經網絡（DeepConvolutionalNeuralNetwork，DCNN）和自動編碼器雙向門控遞歸單元（Auto-encoderbidi-rectionalGatedRecurrentUnit，AEbi-GRU）構建的壽命預測模型和.NETFramework的Web開發平臺設計開發采煤機搖臂剩余壽命預測系統，實現采煤機搖臂關鍵零部件剩余壽命的可視化和數字化。

1采煤機搖臂剩余壽命預測系統框架及理論模型

（1）系統框架。采煤機搖臂壽命預測系統主要由系統主頁面和多個零部件頁面組成。系統主頁面具有3個功能模塊：系統簡介模塊、使用幫助模塊和現場實時視頻模塊。各個零部件頁面均含有4個子菜單：部件簡介、監測動態、壽命預測和歷史記錄。其中，部件簡介頁面包含部件圖片集模塊、文字簡介模塊和規格與參數模塊；監測動態頁面包含信號時頻圖模塊、狀態參數模塊和參數變化曲線圖模塊；壽命預測頁面包含壽命預測曲線圖模塊、壽命預測餅狀圖模塊和分析結論模塊；歷史記錄頁面包含監測數據報表模塊和報警記錄表模塊。系統的功能框架如圖1所示。（2）核心功能模塊。采煤機搖臂壽命預測系統的核心頁面即每個零部件頁面下的壽命預測頁面，該頁面中的模塊即本系統的核心功能模塊。其中，壽命預測曲線圖模塊展示壽命預測系統驅動神經網絡模型進行壽命預測得到的曲線圖，便于用戶了解到在已有數據下零件的剩余壽命變化趨勢、預測值與真實理論值的趨近程度及二者誤差大小變化等信息；壽命預測餅狀圖模塊是根據神經網絡模型運行所得的值繪制的零件壽命值餅狀圖，用戶可從該部分得到目前零件的剩余壽命預測值在整個生命周期中的占比；分析結論模塊是零件的剩余壽命值和真實理論值的數字化顯示，用戶可以從該部分獲取零件的剩余壽命值以及是否需要采取維護措施的提示信息。（3）剩余壽命預測模型。采煤機搖臂剩余壽命預測系統采用2種模型進行剩余壽命預測。第1種是基于分類思想構建的DCNN模型，用來預測擁有全壽命周期數據零部件的剩余壽命，如搖臂低速區惰輪機構中的齒輪；第2種是基于數據時間序列關系構建的AEbi-GRU模型，用來預測擁有非全壽命周期數據零部件的剩余壽命，如搖臂高速區的軸承擋圈、高速區的直齒輪及軸承、截三軸、低速區的行星齒輪和軸承等。每個模型均采用Python編程語言實現。

2采煤機搖臂剩余壽命預測系統開發

（1）交互技術。為了實現C#語言環境下的Web系統驅動Python語言環境下的壽命預測模型運行交互，采用調用進程的方式在C#的代碼中直接調用Python的解釋器，解釋執行相應的Python代碼文件，通過標準輸入輸出的重新定向或者外部文件的形式，讓主C#代碼取得Python腳本運行的結果。具體操作過程：先將Python代碼打包為可執行文件（exe文件和bat文件），在C#環境中采用Process類調用進程語句驅動可執行文件運行，生成的圖片文件和數據文件存儲于指定位置等待下一步的調用和解析輸出，最后利用相關控件的調用語句完成零部件的剩余壽命圖像化與數字化顯示，調用進程方法的關鍵過程和代碼如圖2所示。（2）模塊功能實現技術。壽命預測頁面中3個核心模塊功能的實現均以MicrosoftVisualStudio2010軟件中的圖形控件、Charts控件、文本控件、標簽控件等為基礎，以MicrosoftSQLServer2008R2數據庫為輔助，結合C#語言與Python語言交互的方法完成。交互過程中，通過pyinstaller指令打包的可執行文件將所需的圖像格式文件和文本格式文件輸出到指定位置是各個模塊功能實現的基礎。在3個模塊中，壽命預測曲線圖模塊主要用到的是Image控件，將其調用路徑設置為圖像文件的存儲路徑來實現零部件壽命預測曲線圖的顯示。壽命預測餅狀圖模塊主要用到的是Chart控件，首先調用Python代碼生成的txt文本文件，再對文本中的數據進行解析，最后輸出生成的零部件壽命預測餅狀圖。分析結論模塊主要用到的是TextBox控件和Label控件，該模塊也是通過調用和解析輸出的txt文件實現零部件壽命預測值的數字化顯示，并通過if判斷語句來提醒用戶是否需要采取維修措施。模塊功能實現過程的流程圖如圖3所示。

3系統實例

以采煤機搖臂為主要對象，以搖臂低速區惰輪機構和高速區軸承為例進行系統展示。搖臂低速區惰輪機構的剩余壽命預測頁面如圖4所示，搖臂高速區軸承的剩余壽命預測頁面如圖5所示所示。在壽命預測曲線圖模塊中，紅色線代表真實壽命曲線，藍色線代表預測的壽命曲線，紫色部分為95%的置信區間，綠色部分為誤差區間。壽命預測餅狀圖模塊展示的是惰輪機構和高速區軸承此刻的預測剩余壽命值在各自全部生命周期的占比，紅色部分是預測剩余壽命占比，藍色部分是已損耗壽命的占比。分析結論模塊展示了惰輪機構和高速區軸承各自的當前預測剩余壽命值和真實理論值的確切百分比及剩余可運行時間，可以看出，采用DCNN模型預測的惰輪機構的剩余壽命預測值與理論值的誤差較小，此時的惰輪機構尚未到達壽命終點，還可以穩定運行。采用AEbi-GRU模型預測的高速區軸承的剩余壽命預測值與理論值的誤差也在誤差允許范圍內，此時的高速區軸承已基本到達其壽命終點，應及時采取維修更換等措施。

4結語

以采煤機搖臂為研究對象，基于DCNN構建的壽命預測模型和.NETFramework的Web開發平臺，使用MicrosoftVisualStudio2010為系統開發軟件，利用C#語言和MicrosoftSQLServer數據庫語言為編程工具，設計和開發了采煤機搖臂壽命預測系統。采用C#語言環境下Process類進程調用的方法實現了Web系統與Python語言環境下深度學習壽命預測模型的交互，結合相關控件完成了剩余壽命預測結果的圖像可視化和數字化顯示，最終實現了采煤機搖臂關鍵零部件剩余壽命的動態化與系統化預測。

作者:程澤銀 丁華 楊亮亮 單位:太原理工大學機械與運載工程學院 煤礦綜采裝備山西省重點實驗室 大連理工大學機械工程學院