关于矿用通风机故障预警系统的设计与应用分析

孙嘉龙

(潞安化工集团 能源事业部通风部，山西 长治 046204)

煤矿开采通常在井下进行，需要矿工进入深井内部作业。开采过程中不可避免地会产生大量粉尘，涌现有毒、有害气体，对井下作业人员的身体健康甚至生命安全构成严重威胁[1]。为了确保矿井工作人员的安全，需要利用通风机不断向井内注入新鲜空气，及时排出井内有毒有害气体，改善矿井工作环境，保障井下人员身体健康和生命安全[2]。一旦通风机运行时出现故障，必然会威胁矿井工作人员的生命安全[3]。由此可见，通风机对于矿井安全具有非常重要的意义。本文结合煤矿通风机具体情况，设计了故障预警系统并在煤矿成功应用，有效保证了矿井工作人员的安全。

1 故障预警系统整体方案设计

1.1 故障预警系统模型

系统基于小波神经网络模型对通风机系统运行中检测得到的振动信号进行处理分析[4]。基于小波神经网络的故障预警系统工作原理见图1。由图1可知，首先需要利用振动传感器对通风机系统关键位置的振动信息进行检测，获得X、Y、Z3个方向的振动信息。利用小波神经网络模型对3个方向的振动数据进行信号调理和小波分析，获得通风机系统关键位置的振动状态信息，根据振动特征可以实现故障类型的有效诊断，进而预测故障。

1.2 常见通风机故障剖析

根据已有的实践工程经验，煤矿通风机运行中最容易出现故障的位置主要集中在旋转结构以及电机上，可以分成为六大类型：转子不对中、转子不平衡、油膜涡动、喘振、转子与静止件摩擦、基座松动[5]。由于不同的故障发生位置也不同，零件存在差异，所以产生的振动信号也会存在差异，利用小波神经网络模型对振动信号进行分析，即可实现通风机常见故障的有效预警[6]。表1为常见通风机故障问题振动信号的时域频率、特征频率和常伴频率等的统计情况。

图1 基于小波神经网络的故障预警系统工作原理

1.3 小波神经网络模型

利用小波神经网络模型对振动信号进行处理时，首先需要基于小波分析技术对采集得到的振动信号进行多层分解，然后利用连续信号能量计算方法对获得的信号能量特征向量进行计算。利用测试数据对神经网络的权值和层数进行训练调整，通过训练后的神经网络模型即可分析得到常见的通风机故障类型。图2为小波神经网络模型原理。图2中，S1(t)、S2(t)……Si(t)为模型的输入信号，即利用传感器检测得到的振动数据信号。针对输入信号，首先通过小波技术对其进行分解，获得振动信号不同频段上的分量，再对不同频段信号能量的大小进行求解计算，对计算结果进行标准化处理，使所有结果均为0～1范围的数值，并将标准化结果作为神经网络模型的输入量。

表1 常见故障类型振动信号特征统计情况

图2 小波神经网络模型原理示意

2 通风机故障预警系统硬件设计

2.1 振动信号采集

图3为振动信号采集工作流程图。

图3 振动信号采集工作流程图

利用传感器对振动信号进行采集，获得电流信号或电压信号，对信号进行放大、滤波和变换以后，输入到工控计算机中，利用软件程序进行分析与处理。

系统中选用的振动传感器为YD系列压电加速度传感器，具体型号为YD-35。该设备主要包括芯片和压电感应模块，与传统加速度传感器相比，该设备的优势在于芯片内部内置了信号放大电路。供电电路可以为传感器提供2～20 mA的恒流电源，确保设备能够正常稳定工作。图4为振动传感器的内部结构原理图。传感器的横向灵敏度不超过5%，输出偏压和激励电压分别为8～12 V和12～30 V DC，正常使用的温度范围为-40～120 ℃。

图4 振动传感器内部结构原理图

2.2 数据采集设备

利用振动传感器采集得到的数据信息，通过数据采集设备进行收集后，上传到工控计算机中进行分析与处理，所以数据采集设备是连接振动传感器和工控计算机的桥梁。本系统中使用的数据采集设备主要为数据采集卡，可以将传感器采集得到的模拟量电压信号转换为数字量信号，然后上传至工控计算机中。系统中选用的数据采集卡型号为PCI-6259，该型号设备在工业领域应用广泛，拥有32路模拟量输入通道，48路数字量输入通道，16路模拟量输出接口，数据传输速率可以达到1.25 m/s。可以在保障较高采集频率的情况下，确保数据采集的精度和准确性,可以满足故障预警系统的实际使用要求。

2.3 工控计算机

故障预警系统利用工控计算机对数据信息进行分析处理，是整个系统的核心部分，其性能好坏会对系统运行性能产生重要影响。在工控计算机上需要对振动信号进行降噪、特征值提取等操作。为了确保系统运行性能，采用的工控计算机配置信息主要有：CPU型号为英特尔E6400，内存为16 G，硬盘空间为2 T，液晶显示器，安装Windows7操作系统。显示器用来实时展示数据分析处理过程。

3 故障预警系统的实践应用

实际生产中矿井工况非常复杂，通风机系统不仅会因为故障产生振动，外界干扰也会导致设备产生振动。普通方法难以通过振动信号来预测故障，利用小波神经网络模型可以有效剔除外界干扰信号，对设备振动信号进行高效分析，获得准确的数据。将故障预警系统方案部署到煤矿通风机工程实践中，经现场调试后正式投入应用。实践结果表明，故障预警系统可以对通风机运行过程中的振动信号进行分析，能及时发现通风机运行中存在的故障问题和安全隐患，不仅大幅度降低了通风机的故障率，还缩短了故障排除时间。通过对3个月的应用数据进行统计，故障预警系统的应用使通风机的故障率降低了17%左右，故障排除时间平均缩短了20%左右。不仅保障了矿井的安全，还为企业创造了良好的经济效益。