礦井通風機故障預警系統的設計研究

張威

摘 要：本文對礦用通風機預警系統的硬件和軟件進行了研究，在小波神經網絡及遺傳算法的基礎上，實現了對通風機振動信號的分頻統計，通過構造的特征向量作為故障預警的參考。通過實際應用，證實了通風故障預警系統的可行性，為通風機故障預警系統的改進提供了參考。

關鍵詞：通風機;故障預警系統;波神經網絡;遺傳算法

礦井通風機對于工作面順利掘進、巷道供風有重要作用，一旦通風機發生故障，對于礦井生產以及工作人員的生命安全都構成一定程度的威脅。為此，大量學者對通風機運行過程中的系統狀態進行了研究，這些研究主要集中在通風機故障在線診斷檢測，借助分析方法，實現了對故障的初步診斷，但是礦井工作環境復雜，不同類型故障之間相互作用，很難實現對故障的準確診斷，加上已有診斷系統智能化水平較低，實現通風機故障的預警功能更是難上加難[1]。為此，本文對故障預警系統進行了研究，通過優化算法，成功實現了通風機故障診斷及預警功能，研究思路及結果供后續研究參考。

1 礦井通風機故障預警系統研究

通風機是礦井重要的通風設備，是礦井安全生產的重要保障。在井下惡劣的開采條件下，通風機經常發生故障，給生產帶來了極大的不便。目前，礦井通風機故障主要有機械故障和電氣故障兩種，機械故障居多，且對生產影響較小，在合理的數據監測和計劃檢修上，基本上都能排查;電氣故障雖發生次數少，但是對于通風機的運行影響較大，甚至可能造成工作面的停產。為了解決通風機故障，礦井多采用監測系統對通風機的運行狀態進行監測，本文以通風機監測系統為基礎，通過故障診斷方法實現對通風機故障的預警。

1.1 預警系統硬件設計

通風機故障信息主要通過機械參數和電氣參數顯示，無論是機械故障參數還是電氣故障參數，都通過振動信號顯示。對于預警系統的硬件設計，依賴于傳感器采集的振動信號，經過小波理論的特征提取，便可得到通風機運行過程中的狀態。本文研究中，利用多個傳感器對通風機運行過程中風速、風壓、電壓、功率等振動信號進行測量，通過對采集信號的處理，判斷出故障類別，在原有監測系統的基礎上，實現了對通風機的預警功能。

對于故障信息而言，主要通過設備機械參數表現出來，因此主要對通風機運行過程中的機械參數進行測量。對于硬件系統的設計，主要依賴于硬件設備，主通風機主要負責動態數據的提供，傳感器負責對振動信號進行采集，并進行信號的轉化，本文中采用YD-35型傳感器，該傳感器具有良好的擴展性能，且電路可將電流轉化為電壓，橫向靈敏度小于5%，確保了傳感器具有較好較強的靈敏性，受噪音影響較小。數據采集卡主要作用是進行信號的轉化，本文選用PCI-6259數據采集卡，轉換速率為1.25MS/s。

1.2 預警系統軟件設計

預警系統軟件的設計，主要是對故障類型識別，將傳感器采集的數據直接進行故障診斷顯然不合適，往往需要對采集數據進行預處理。數據的預處理通過小波分析得到，在此只做簡單的闡述，下文會對小波分解技術做詳細的介紹。小波分析的原理是將采集到的振動信號進行能量分解，根據頻帶的不同，將分解的能量進行分類統計，構造出特征向量作為故障預警的參考。

2 小波神經網絡與礦用通風機故障預警

小波分析法因為對頻段有較高的識別能力且具有良好的數據處理能力，被廣泛應用于機械故障的診斷中。為了提高故障識別的準確性和智能化，將神經網絡與小波分析結合，通過松散型結合的方式，實現了對不同頻帶下能量值的統計和特征向量構造。

圖1為小波神經網絡模型圖，圖中振動器采集到的信號為s1（t）、s2（t）、…Si（t），振動信號通過特征提取后，得到不同頻段的振動信號分量，通過歸一化處理，構造出0-1的特征向量，隨后通過以下方法進行神經元函數選擇：

①根據輸入層Sigmoid神經元函數，得到節點輸出公式為Qi=Pi;

②用對數型Sigmoid激活神經元隱含層函數，得到j點的輸出公式為;則j點的能量總輸入值為nj= ∑iQiWji+bj;

③同樣用Sigmoid函數激活神經元輸出函數，得到k點的輸出公式為;則k點的能量總輸入值為nk=∑iQiWki+bk。

將能量輸入值中的權值Wji、Wki和閾值bj、bk進行初始數值確定，便可得到能量輸出值和預期值之間的差值，差值關系式表達如下：

（1）

因此得到權值公式如下：

σk=f（nk）（1-f（nk））（dk-f（nk））（2）

對權值公式進行修正，得到以下公式：

Wji（t+1）=Wji（t）+ησjOi（3）

公式（3）中，效率值會影響數據處理速度，即使值不大，但是因為造成的矢量變化使得數據處理過程忽略了值較小的點，針對此現象，結合遺傳算法進行數據的處理，在這種算法下，即使會出現偏導數的誤差，但是依舊可以迭代回之前的點，這種情況下不會出現漏掉極小值點的狀況。

3 預警系統應用效果分析

在上述通風機故障預警系統的研究基礎上，對通風機運行狀態進行監測，得到表1所示的結果。

從表1中可以看出，此次故障振動數據的監測主要通過對轉子不對中、轉子不平衡、油膜渦動、喘振、動靜碰摩擦和基座松動進行了分析。其中，轉子不對中是通風機最常見的故障，造成轉子不對中的原因是設備制造或安裝時斷面與軸中心不對中造成，導致設備運行過程中出現周期性彎矩，根據這個特征對故障進行判斷。轉子不對中故障發生時，振動信號會出現高頻信號，當頻率中有2倍甚至3倍振動信號時，故障現象嚴重，隨著通風機負載的波動，振動信號波動越大。轉子不平衡故障也是通風機的常見故障之一，主要是制造和安裝不當造成。當風機轉子不平衡時，檢測到的振動信號會出現正弦波形，且故障頻率與風機基頻保持一致。

當油膜渦動出現故障時，振動信號會出現突增現象，此時轉子速度增加明顯，當轉子速度下降至較為穩定值時，監測到的振動信號為零。動靜碰摩擦是轉子突然不對中造成，當發生故障時，振動信號會出現高低頻疊加的現象，且振動信號頻率范圍較大，常伴頻的出現伴隨著基頻和2倍頻。基座松動主要是設備使用年限過長造成，當機座松動故障發生時，振動信號會出現1X頻和分數倍頻疊加的現象，同時還會伴隨高倍頻的發生，基座松動時的振動信號檢測是最為復雜的一種。在故障診斷系統和預警系統的結合下，實現了礦井通風機運行狀態的預警功能，縮短的故障診斷的同時，實現了智能化監測預警的功能，具有極大的應用價值。

4 結論

本文提出了一套完整的礦井通風機硬件以及軟件設計系統，通過小波神經網絡以及遺傳算法，實現實時、高精度故障診斷的同時，實現了故障預警功能，通過實際應用，得到了轉子不對中、轉子不平衡、油膜渦動、喘振、動靜碰摩擦和基座松動故障頻率值，供后續研究參考。

參考文獻：

[1]孫麗萍.轉子故障的小波尺度譜數字特征提取與診斷技術研究[D].南京：南京航空航天大學，2010.