新景礦主通風機振動故障分析

車海紅

（山西新景礦煤業有限責任公司，山西 陽泉 045000）

1 概 況

我國煤炭資源豐富，多儲存于地表以下，需掘井開采。但井下存在眾多有害氣體，且氧含量偏低，因此開采過程中必須做好通風工作。通風機是煤礦通風系統中的重要設備，若發生異常，將會導致井下通風不足，導致有害氣體不能及時排出，給安全生產帶來隱患。通風機在井下屬于常開設備，加之井下粉塵大、潮濕，環境惡劣，導致通風機容易出現各類故障，需要對礦井主通風機進行監測，保障安全生產。

新景礦主采3、8、15號煤層，采用傾斜長臂采煤法，使用綜合機械化回采、全部垮落法管理頂板。該礦屬于高瓦斯礦井，瓦斯相對涌出量平均16.0 m3/t，絕對涌出量平均78 m3/min。礦井現有張家巖、蘆南2個回風井，各有1臺主扇。2015年至2020年，主扇每年初冬都會出現異常振動，尤其是2019年和2020年，發生異常現象多次，持續時間最長達80 min，最短時長5 min，嚴重影響礦井安全生產。為保障主扇可靠運行，對異常振動進行分析研究，設計建立該礦故障監測系統。

2 振動故障分析

通風機屬于旋轉設備，運行中電動機高速旋轉并帶動轉軸運動，此過程中容易會發生零部件的磨損，磨損較大時，會造成風機運行不平穩，出現振動。經過研究分析，新景礦通風機產生振動可能是以下這些原因造成的。

2.1 軸系不對中

通風機工作必須依靠聯通軸體系，聯軸器一端與電動機的輸出軸連接，另一端與風機轉軸連接。轉軸安裝過程中在配合方面會有一定的誤差，隨著通風機長時間使用，誤差也會逐漸增加，導致轉子受壓出現形變，造成轉子軸和電動機軸發生偏移，具體如圖1所示。該類型故障可能導致聯軸器偏轉、連軸變形等，造成軸系不同心，引發通風機的振動故障，影響通風系統的可靠性。

圖1 軸系不對中示意Fig.1 Diagram of shafting misalignment

2.2 轉子不平衡

轉子不平衡也是通風機振動故障的重大因素，通風機在生產制造過程中，受到制造誤差、裝配誤差、配件材質不均等因素影響，造成轉子發生變形、錯位、磨損、脫落等，使得通風機異常振動。

2.3 轉子和零部件之間存在摩擦

轉子和靜止的零部件出現摩擦，長期運行時引發碰磨，摩擦方向分為軸向、徑向2種。轉子外緣與靜止的零部件接觸所產生的摩擦屬于徑向摩擦；轉子與靜止的零部件接觸所產生的摩擦屬于軸向摩擦。

2.4 風機葉片變形

通風機在運轉中受到氣體沖擊力的影響，造成葉片磨損、變形、裂縫，甚至發生斷裂，導致通風機運行異常。這種故障通常表現為徑向振動，但若不及時進行葉片更換，造成葉片大面積故障時，風機會出現軸向振動，嚴重影響通風系統的效率。

2.5 軸承故障

軸承是轉動部位的支撐體，可以降低轉動過程中的摩擦系數，同時保證回轉精度，因此軸承的質量必須合格。若裝配作業不規范，則會造成軸承內孔、外圈與安裝位置間隙過大，導致軸承晃動；若軸承未進行定期潤滑，就可能會出現滾動體點蝕、保持架銹蝕等現象，導致軸承損壞，出現振動。

2.6 機體振動

機體振動多發生在安裝階段，多為通風機基礎或裝配松動產生的異常振動，例如基礎或導軌不平整、變形，或是螺栓緊固不牢靠。此外，如果引風道長度較短，無法起到降低風速的作用，此時風流對風機的沖擊力較大；葉片或輪轂粉塵粘結過多，會破壞風機動平衡，引起振動。上述因素均會造成機體振動。

3 通風機振動監測系統

風機振動不利于通風系統的的正常運行，加之井下工況較差，粉塵大、濕度大，給風機運行帶來隱患。為降低風機故障頻率、減輕巡檢人員的勞動強度，根據新景礦實際情況，擬建立通風機振動監測系統，并進行軟硬件設計。

信號數據分析方面，當前常見的方法有邏輯斯蒂方程法、常微分方程法、動態預測法等。這幾種方法都需要對數據進行一定的模型假設支持。相較于這些傳統預測方法，BP神經網絡模型具有良好的非線性特性，靈活的學習方式，以及完全分布式的存儲結構。通過學習可以使用神經網絡獲取振動序列的內在規律，從而對振動序列的變化進行監測，并且神經網絡無需建模，具有很好的自適應能力和抗干擾能力。因此決定基于BP神經網絡算法建立新景礦通風機振動故障監測系統。

3.1 監測系統總體方案

為確保風機故障能夠及時發現，監測系統進行智能化設計，具有數據采集、傳輸、數據轉換、信號顯示、報警等功能。進行硬件設計、軟件2部分設計。硬件實現信號采集、信號處理和轉換，軟件實現信號顯示、分析、存儲利用，通過軟硬件有機結合，實現對振動故障的實時監測，及時發現問題，采取應對措施，保障通風系統的可靠運行。

3.1.1 硬件設計

監測系統硬件板塊設計如圖2所示。振動傳感器采集故障信號，在調理模塊的作用下，進行數據處理，再經過數據采集卡，把所得信號傳輸至工控機，供LabVIEW采集。

圖2 硬件設計Fig.2 Hardware design

3.1.2 軟件設計

監測系統軟件板塊設計如圖3所示。通過線纜將工控機和采集卡相連接，采用LabVIEW平臺開發相應程序，把所得信號傳輸至工控機，通過小波分析分解故障信號的特征值，在神經網絡模塊中進行訓練，然后用Matlab對信號進行分析和處理，實現故障監測。

圖3 軟件設計Fig.3 Software design

3.2 BP神經網絡算法

通風機的振動故障檢測系統屬于非線性系統，神經網絡屬于輸入對輸出的非線性映射，此次振動監測系統采用BP神經網絡作為載體。

3.2.1 建立樣本集

通風機在運行中出現振動故障，其不平穩狀態包含許多故障信息，運用小波分析技術，對其振動頻率進行分析，將不同頻率的信號分解至相應通道中，對頻率通道的信號能量進行匯總，提取振動信號，得出故障特征值，再將其歸一化處理，得出特征向量，由此進行故障判斷監測。根據上文內容，總結6種故障樣本訓練集，見表1。

表1 故障訓練樣本集Table 1 Fault training sample set

3.2.2 確定網絡層數和節點

依照通風機的振動故障，設計一個六進六出的神經網絡，中間設置一層隱含層，如圖4所示。該節點數取值范圍：

圖4 六進六出神經網絡圖Fig.4 Six-in-six-out neural network diagram

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。

3.2.3 參數選擇

網絡中學習的初始權值與閾值通常取（-1,1），學習效率按照階段的訓練誤差進行設定，避免過大出現系統震蕩，過小導致訓練時間和次數太多。

3.2.4 訓練神經網絡

把6個輸入節點和頻帶的能量值一一對應，隱含層的節點數設置為8，6個輸出節點和6類振動故障進行對應，期望誤差設定為0.01。訓練神經網絡如圖5所示。

圖5 訓練神經網絡Fig.5 Training neural network

3.3 數據驗證

通過BP神經網絡算法，在Matlab平臺上對故障類型進行監測，監測結果見表2。運用學習算法訓練后，可得誤差曲線，如圖6所示。

圖6 誤差變化曲線Fig.6 Error variation curve

表2 實際輸出結果Table 2 Actual output result

從表2可知，作為網絡輸入訓練樣本，對應的期 望 輸 出 為 （1，0，0，0，0，0），（0，1，0，0，0，0），（0，0，1，0，0，0），（0，0，0，1，0，0），（0，0，0，0，1，0），（0，0，0，0，0，1），分別對應軸系不對中、轉子不平衡、碰磨、葉片故障、軸承、機體振動。從圖6可知，經過180次訓練后可基本實現預期效果。

4 結 語

通過對新景礦主通風機經常出現的振動故障問題進行分析研究，表明軸系不對中、轉子不平衡、碰磨、風葉葉片、軸承、機體振動等故障均會不同程度的對通風機的安全運行帶來影響。針對分析的問題，設計故障監測系統，利用小波分析技術對故障特征信號進行提取，通過BP神經網絡控制算法對故障進行訓練跟蹤，經過180次訓練后基本可實現預期效果，表明此設計能夠達到預期的監測效果。

續表