礦井主通風機振動故障分析及監測系統設計

許祥贇

（山西潞安郭莊煤業有限責任公司， 山西 長治 046100）

引言

礦井內由于存在很多有毒的氣體，因而對通風系統有很高的要求，通風機作為通風系統中的關鍵設備，如果出現故障，不僅會造成整個設備的故障，而且可能會出現井下無法通風而導致氣體排不出去，引發爆炸的危險。通風機在井下一直處于工作狀態，面對非常復雜的工作環境，需要對礦井主通風機的振動故障進行監測，以確保井下安全作業[1]。

1 振動故障分析

通風機作為旋轉的機械裝置，主要是通過轉軸來運動的，在運行過程中，通風機電機的轉子高速旋轉，這樣會出現一些零部件的磨損，當磨損到一定程度時，會出現故障而導致通風機運行不平穩，產生振動，進而出現通風機的振動故障。

1.1 軸系不對中

通風機的核心是一個聯通軸系統，聯軸器的一端連接電機轉軸，另一端連接風機轉軸，在進行轉子軸的安裝時，由于相互配合之間存在誤差，隨著運行時間的增加，產生的誤差也在不斷增大，轉子在承受壓力的過程中出現變形，使轉子軸和電機軸出現偏移而造成故障。軸系不對中故障就是由于轉子軸在運行中出現平行、位移以及角度的不對稱，這種故障還會使聯軸器出現偏轉、連軸出現變形等，造成通風機的破壞，影響整個通風系統的性能[2]。

1.2 轉子不平衡

轉子不平衡也是通風機振動故障的主要影響因素，在設計制造通風機過程中，會由于裝配誤差或材質的不均勻等而出現轉子結構的不平衡，在運行過程中，受外部因素的影響，導致轉子出現變形、錯位、磨損、局部破壞、脫落等影響平衡的問題。

1.3 轉子與零部件間發生碰磨故障

由于轉子和靜止的零部件之間存在摩擦，在長時間運行過程中會出現碰磨故障，主要有來自徑向和軸向兩個方向的摩擦，轉子的外部接觸到靜止的零部件產生徑向摩擦，轉子的軸向接觸到靜止的零部件產生軸向摩擦，由于轉子與靜止的零部件之間由于間隙過大或過小、轉子在安裝時沒有對準定子、轉軸在長時間運行時受熱不均勻造成殼體過大等原因影響，使得通風機的轉子出現碰磨故障。

1.4 風機葉片變形

由于通風機在運行過程中受外部氣體激烈的沖擊，導致葉片出現裂縫、變形，甚至斷裂的現象，這樣會引發通風機運行的不平衡。葉片故障引發的風機振動主要表現為徑向方向的振動，在受氣流沖擊較大造成葉片大面積故障時，風機也會出現軸向方向的振動。

1.5 軸承損壞

由于裝配時零部件配合不當，不定期的潤滑，局部出現腐蝕等問題，使軸承出現損壞而產生故障，軸承長時間不潤滑會出現點蝕、膠合、磨損等故障，導致與軸承接觸的其他元器件在表面也會產生一定周期的振動，影響通風系統穩定運行。

1.6 機體振動

機體振動故障是由于在安裝時，地基或導軌本身不平或對輪的同心度過大而產生的振動，而且由于引風道不夠長，不能降低風流對風機的沖擊而產生的振動，還有葉片或輪轂上長時間積累的粉塵，使風機動平衡遭到破壞而產生的振動，這些都會引發機體故障。

2 BP神經網絡算法

通風機的振動故障監測系統屬于非線性系統[3]，而神經網絡是輸入對輸出的非線性映射，因此采用BP神經網絡來設計監測系統。

2.1 建立樣本集

在通風機的振動故障中，運轉過程中的不平穩隨機信號中包含大量故障信息，采用小波分析技術，分析振動故障的頻率范圍，并將其信號分解到不同的頻率通道中，對頻率通道上的信號能量在統計后，對振動信號進行提取，得到故障的特征值，然后將特征值歸一化處理后得到特征向量，得到常見6種故障的訓練樣本集，如表1所示。

表1 故障訓練樣本集

2.2 確定網絡層數和節點

根據對通風機振動故障的分析，設計一個6輸入6輸出的神經網絡，中間設1層隱含層，隱含層的節點數取值范圍[4]為：

式中：N為輸入層的節點數；M為輸出層的節點數；a為整數 1～10。

2.3 選取參數

網絡中學習的初始權值和閾值一般取（-1，1），學習效率根據不同階段的訓練誤差而設置，防止過大出現系統震蕩，過小出現訓練時間和次數的增加。

2.4 訓練神經網絡

將6個輸入節點與頻帶的能量值相對應，隱含層的節點數為8，6個輸出節點與6種振動故障相對應，設置期望的誤差為0.01。

3 故障監測系統總體方案

通風機振動故障監測系統包含軟硬件設計，信號采集、處理、轉換等功能通過硬件設施來實現，對采集的信號進行顯示、分析和存儲的功能通過軟件來完成，軟硬件結合，達到對振動故障的實時監測，及時采取措施，確保生產的持續進行。

3.1 硬件設計

系統的硬件設計如圖1所示，振動傳感器用于采集故障信號，在調理模塊的作用下，對采集的數據進行處理，然后通過數據采集卡，將最終的輸出信號傳給工控機，供LabVIEW來采集。

圖1 硬件設計圖

3.2 軟件設計

系統的軟件設計如圖2所示，將工控機與采集卡連接起來，利用LabVIEW平臺開發相關程序，將采集的信號顯示在工控機上，采用小波分析技術分解故障信號的特征值，在神經網絡模塊中進行訓練，最后通過Matlab實現對信號的分析與處理，完成故障監測。

圖2 軟件設計圖

4 實驗驗證

采用BP神經網絡算法，在Matlab平臺上對故障類型進行監測，得出監測的實際結果如表2所示，且經過學習算法訓練后，得到監測的誤差曲線，如下頁圖3所示。

表2 實際輸出結果

5 結論

通過對礦井主通風機振動故障的分析，采用BP神經網絡控制算法建立故障監測系統，結果表明：

1）軸系不對中、轉子不平衡、碰磨、風機葉片、軸承、機體振動等故障都會對通風機產生影響，不僅造成機器故障，嚴重時會引發事故。

2）采用小波分析技術，對故障特征信號進行提取，并采用BP神經網絡算法，以特征向量為輸入，故障特征為輸出，對樣本進行學習訓練，實驗結果表明，在訓練180次后基本就可達到期望值，說明此網絡可以很好地實現監測。

圖3 誤差變化曲線圖

3）設計監測系統的軟硬件，在LabVIEW和Matlab平臺上，實現對故障信號的采集、顯示和存儲。