矿井主通风机振动故障分析及监测系统设计

许祥贇

（山西潞安郭庄煤业有限责任公司， 山西 长治 046100）

引言

矿井内由于存在很多有毒的气体，因而对通风系统有很高的要求，通风机作为通风系统中的关键设备，如果出现故障，不仅会造成整个设备的故障，而且可能会出现井下无法通风而导致气体排不出去，引发爆炸的危险。通风机在井下一直处于工作状态，面对非常复杂的工作环境，需要对矿井主通风机的振动故障进行监测，以确保井下安全作业[1]。

1 振动故障分析

通风机作为旋转的机械装置，主要是通过转轴来运动的，在运行过程中，通风机电机的转子高速旋转，这样会出现一些零部件的磨损，当磨损到一定程度时，会出现故障而导致通风机运行不平稳，产生振动，进而出现通风机的振动故障。

1.1 轴系不对中

通风机的核心是一个联通轴系统，联轴器的一端连接电机转轴，另一端连接风机转轴，在进行转子轴的安装时，由于相互配合之间存在误差，随着运行时间的增加，产生的误差也在不断增大，转子在承受压力的过程中出现变形，使转子轴和电机轴出现偏移而造成故障。轴系不对中故障就是由于转子轴在运行中出现平行、位移以及角度的不对称，这种故障还会使联轴器出现偏转、连轴出现变形等，造成通风机的破坏，影响整个通风系统的性能[2]。

1.2 转子不平衡

转子不平衡也是通风机振动故障的主要影响因素，在设计制造通风机过程中，会由于装配误差或材质的不均匀等而出现转子结构的不平衡，在运行过程中，受外部因素的影响，导致转子出现变形、错位、磨损、局部破坏、脱落等影响平衡的问题。

1.3 转子与零部件间发生碰磨故障

由于转子和静止的零部件之间存在摩擦，在长时间运行过程中会出现碰磨故障，主要有来自径向和轴向两个方向的摩擦，转子的外部接触到静止的零部件产生径向摩擦，转子的轴向接触到静止的零部件产生轴向摩擦，由于转子与静止的零部件之间由于间隙过大或过小、转子在安装时没有对准定子、转轴在长时间运行时受热不均匀造成壳体过大等原因影响，使得通风机的转子出现碰磨故障。

1.4 风机叶片变形

由于通风机在运行过程中受外部气体激烈的冲击，导致叶片出现裂缝、变形，甚至断裂的现象，这样会引发通风机运行的不平衡。叶片故障引发的风机振动主要表现为径向方向的振动，在受气流冲击较大造成叶片大面积故障时，风机也会出现轴向方向的振动。

1.5 轴承损坏

由于装配时零部件配合不当，不定期的润滑，局部出现腐蚀等问题，使轴承出现损坏而产生故障，轴承长时间不润滑会出现点蚀、胶合、磨损等故障，导致与轴承接触的其他元器件在表面也会产生一定周期的振动，影响通风系统稳定运行。

1.6 机体振动

机体振动故障是由于在安装时，地基或导轨本身不平或对轮的同心度过大而产生的振动，而且由于引风道不够长，不能降低风流对风机的冲击而产生的振动，还有叶片或轮毂上长时间积累的粉尘，使风机动平衡遭到破坏而产生的振动，这些都会引发机体故障。

2 BP神经网络算法

通风机的振动故障监测系统属于非线性系统[3]，而神经网络是输入对输出的非线性映射，因此采用BP神经网络来设计监测系统。

2.1 建立样本集

在通风机的振动故障中，运转过程中的不平稳随机信号中包含大量故障信息，采用小波分析技术，分析振动故障的频率范围，并将其信号分解到不同的频率通道中，对频率通道上的信号能量在统计后，对振动信号进行提取，得到故障的特征值，然后将特征值归一化处理后得到特征向量，得到常见6种故障的训练样本集，如表1所示。

表1 故障训练样本集

2.2 确定网络层数和节点

根据对通风机振动故障的分析，设计一个6输入6输出的神经网络，中间设1层隐含层，隐含层的节点数取值范围[4]为：

式中：N为输入层的节点数；M为输出层的节点数；a为整数 1～10。

2.3 选取参数

网络中学习的初始权值和阈值一般取（-1，1），学习效率根据不同阶段的训练误差而设置，防止过大出现系统震荡，过小出现训练时间和次数的增加。

2.4 训练神经网络

将6个输入节点与频带的能量值相对应，隐含层的节点数为8，6个输出节点与6种振动故障相对应，设置期望的误差为0.01。

3 故障监测系统总体方案

通风机振动故障监测系统包含软硬件设计，信号采集、处理、转换等功能通过硬件设施来实现，对采集的信号进行显示、分析和存储的功能通过软件来完成，软硬件结合，达到对振动故障的实时监测，及时采取措施，确保生产的持续进行。

3.1 硬件设计

系统的硬件设计如图1所示，振动传感器用于采集故障信号，在调理模块的作用下，对采集的数据进行处理，然后通过数据采集卡，将最终的输出信号传给工控机，供LabVIEW来采集。

图1 硬件设计图

3.2 软件设计

系统的软件设计如图2所示，将工控机与采集卡连接起来，利用LabVIEW平台开发相关程序，将采集的信号显示在工控机上，采用小波分析技术分解故障信号的特征值，在神经网络模块中进行训练，最后通过Matlab实现对信号的分析与处理，完成故障监测。

图2 软件设计图

4 实验验证

采用BP神经网络算法，在Matlab平台上对故障类型进行监测，得出监测的实际结果如表2所示，且经过学习算法训练后，得到监测的误差曲线，如下页图3所示。

表2 实际输出结果

5 结论

通过对矿井主通风机振动故障的分析，采用BP神经网络控制算法建立故障监测系统，结果表明：

1）轴系不对中、转子不平衡、碰磨、风机叶片、轴承、机体振动等故障都会对通风机产生影响，不仅造成机器故障，严重时会引发事故。

2）采用小波分析技术，对故障特征信号进行提取，并采用BP神经网络算法，以特征向量为输入，故障特征为输出，对样本进行学习训练，实验结果表明，在训练180次后基本就可达到期望值，说明此网络可以很好地实现监测。

图3 误差变化曲线图

3）设计监测系统的软硬件，在LabVIEW和Matlab平台上，实现对故障信号的采集、显示和存储。