矿井通风机故障预警系统的设计研究

张威

摘 要：本文对矿用通风机预警系统的硬件和软件进行了研究，在小波神经网络及遗传算法的基础上，实现了对通风机振动信号的分频统计，通过构造的特征向量作为故障预警的参考。通过实际应用，证實了通风故障预警系统的可行性，为通风机故障预警系统的改进提供了参考。

关键词：通风机;故障预警系统;波神经网络;遗传算法

矿井通风机对于工作面顺利掘进、巷道供风有重要作用，一旦通风机发生故障，对于矿井生产以及工作人员的生命安全都构成一定程度的威胁。为此，大量学者对通风机运行过程中的系统状态进行了研究，这些研究主要集中在通风机故障在线诊断检测，借助分析方法，实现了对故障的初步诊断，但是矿井工作环境复杂，不同类型故障之间相互作用，很难实现对故障的准确诊断，加上已有诊断系统智能化水平较低，实现通风机故障的预警功能更是难上加难[1]。为此，本文对故障预警系统进行了研究，通过优化算法，成功实现了通风机故障诊断及预警功能，研究思路及结果供后续研究参考。

1 矿井通风机故障预警系统研究

通风机是矿井重要的通风设备，是矿井安全生产的重要保障。在井下恶劣的开采条件下，通风机经常发生故障，给生产带来了极大的不便。目前，矿井通风机故障主要有机械故障和电气故障两种，机械故障居多，且对生产影响较小，在合理的数据监测和计划检修上，基本上都能排查;电气故障虽发生次数少，但是对于通风机的运行影响较大，甚至可能造成工作面的停产。为了解决通风机故障，矿井多采用监测系统对通风机的运行状态进行监测，本文以通风机监测系统为基础，通过故障诊断方法实现对通风机故障的预警。

1.1 预警系统硬件设计

通风机故障信息主要通过机械参数和电气参数显示，无论是机械故障参数还是电气故障参数，都通过振动信号显示。对于预警系统的硬件设计，依赖于传感器采集的振动信号，经过小波理论的特征提取，便可得到通风机运行过程中的状态。本文研究中，利用多个传感器对通风机运行过程中风速、风压、电压、功率等振动信号进行测量，通过对采集信号的处理，判断出故障类别，在原有监测系统的基础上，实现了对通风机的预警功能。

对于故障信息而言，主要通过设备机械参数表现出来，因此主要对通风机运行过程中的机械参数进行测量。对于硬件系统的设计，主要依赖于硬件设备，主通风机主要负责动态数据的提供，传感器负责对振动信号进行采集，并进行信号的转化，本文中采用YD-35型传感器，该传感器具有良好的扩展性能，且电路可将电流转化为电压，横向灵敏度小于5%，确保了传感器具有较好较强的灵敏性，受噪音影响较小。数据采集卡主要作用是进行信号的转化，本文选用PCI-6259数据采集卡，转换速率为1.25MS/s。

1.2 预警系统软件设计

预警系统软件的设计，主要是对故障类型识别，将传感器采集的数据直接进行故障诊断显然不合适，往往需要对采集数据进行预处理。数据的预处理通过小波分析得到，在此只做简单的阐述，下文会对小波分解技术做详细的介绍。小波分析的原理是将采集到的振动信号进行能量分解，根据频带的不同，将分解的能量进行分类统计，构造出特征向量作为故障预警的参考。

2 小波神经网络与矿用通风机故障预警

小波分析法因为对频段有较高的识别能力且具有良好的数据处理能力，被广泛应用于机械故障的诊断中。为了提高故障识别的准确性和智能化，将神经网络与小波分析结合，通过松散型结合的方式，实现了对不同频带下能量值的统计和特征向量构造。

图1为小波神经网络模型图，图中振动器采集到的信号为s1（t）、s2（t）、…Si（t），振动信号通过特征提取后，得到不同频段的振动信号分量，通过归一化处理，构造出0-1的特征向量，随后通过以下方法进行神经元函数选择：

①根据输入层Sigmoid神经元函数，得到节点输出公式为Qi=Pi;

②用对数型Sigmoid激活神经元隐含层函数，得到j点的输出公式为;则j点的能量总输入值为nj= ∑iQiWji+bj;

③同样用Sigmoid函数激活神经元输出函数，得到k点的输出公式为;则k点的能量总输入值为nk=∑iQiWki+bk。

将能量输入值中的权值Wji、Wki和阈值bj、bk进行初始数值确定，便可得到能量输出值和预期值之间的差值，差值关系式表达如下：

（1）

因此得到权值公式如下：

σk=f（nk）（1-f（nk））（dk-f（nk））（2）

对权值公式进行修正，得到以下公式：

Wji（t+1）=Wji（t）+ησjOi（3）

公式（3）中，效率值会影响数据处理速度，即使值不大，但是因为造成的矢量变化使得数据处理过程忽略了值较小的点，针对此现象，结合遗传算法进行数据的处理，在这种算法下，即使会出现偏导数的误差，但是依旧可以迭代回之前的点，这种情况下不会出现漏掉极小值点的状况。

3 预警系统应用效果分析

在上述通风机故障预警系统的研究基础上，对通风机运行状态进行监测，得到表1所示的结果。

从表1中可以看出，此次故障振动数据的监测主要通过对转子不对中、转子不平衡、油膜涡动、喘振、动静碰摩擦和基座松动进行了分析。其中，转子不对中是通风机最常见的故障，造成转子不对中的原因是设备制造或安装时断面与轴中心不对中造成，导致设备运行过程中出现周期性弯矩，根据这个特征对故障进行判断。转子不对中故障发生时，振动信号会出现高频信号，当频率中有2倍甚至3倍振动信号时，故障现象严重，随着通风机负载的波动，振动信号波动越大。转子不平衡故障也是通风机的常见故障之一，主要是制造和安装不当造成。当风机转子不平衡时，检测到的振动信号会出现正弦波形，且故障频率与风机基频保持一致。

当油膜涡动出现故障时，振动信号会出现突增现象，此时转子速度增加明显，当转子速度下降至较为稳定值时，监测到的振动信号为零。动静碰摩擦是转子突然不对中造成，当发生故障时，振动信号会出现高低频叠加的现象，且振动信号频率范围较大，常伴频的出现伴随着基频和2倍频。基座松动主要是设备使用年限过长造成，当机座松动故障发生时，振动信号会出现1X频和分数倍频叠加的现象，同时还会伴随高倍频的发生，基座松动时的振动信号检测是最为复杂的一种。在故障诊断系统和预警系统的结合下，实现了矿井通风机运行状态的预警功能，缩短的故障诊断的同时，实现了智能化监测预警的功能，具有极大的应用价值。

4 结论

本文提出了一套完整的矿井通风机硬件以及软件设计系统，通过小波神经网络以及遗传算法，实现实时、高精度故障诊断的同时，实现了故障预警功能，通过实际应用，得到了转子不对中、转子不平衡、油膜涡动、喘振、动静碰摩擦和基座松动故障频率值，供后续研究参考。

参考文献：

[1]孙丽萍.转子故障的小波尺度谱数字特征提取与诊断技术研究[D].南京：南京航空航天大学，2010.