前言：尋找寫作靈感？中文期刊網用心挑選的煤礦通風機故障診斷方法探究，希望能為您的閱讀和創作帶來靈感，歡迎大家閱讀并分享。
摘要:為了對煤礦主要通風機故障信息進行實時診斷，以通風機振動信號為研究對象，利用小波降噪和HHT變化的方法對煤礦主要通風機的振動信號進行處理，并利用模糊神經網絡理論建立了通風機故障診斷系統。通過實際驗證，證明了該故障診斷系統是可行的、可靠的，為確保煤礦主要通風機穩定運行提供了技術保障。
關鍵詞:主要通風機;故障診斷;小波降噪;HHT;模糊神經
主要通風機作為礦井重要的通風設備，其一旦發生故障，會造成井下風量不足、工作面瓦斯超限等重大安全事故，所以對礦井通風機故障進行及時診斷是十分重要的［1-2］。在進行通風機故障診斷時，經常會對通風機的溫度、振動及轉速等參數進行統計診斷，實現故障分析［3-4］。本文通過對礦井通風機振動信息進行采集，利用軟件對信息進行故障診斷和識別，為提升礦井通風機的安全性及可靠性提供依據，同時為實現礦井智能化提供技術支持。
1振動故障信息處理
時頻分析法主要是對非平穩時段信號頻域和時域信息進行分布，從而得到時間與頻率間的函數關系。在進行信號處理時，常見的分析為傅里葉變換和傅里葉反交換，但由于其本質是整體對整體的交換，使得時間與頻率在個體上是無法對應的，無法實現故障定位。為了得到準確的定位，時頻分析法可選短時傅里葉變化(STFT)、Hilbert-Huang變化和Wigner-Ville分布。對信號進行EMD分解后進行希爾伯特變化，從而得出時間—頻率—能量的關系，同時得出Hilbert邊際譜。為了清楚直觀地對HHT變化結果進行闡述，通過三維建模來展示HHT變化的情況，HHT三維變化如圖1所示。從圖1中可以看出，對收集到的振動信號進行HHT變換，經過HHT變化后可以將信號頻率進行有效分離，根據時頻圖可以準確展示時間與頻率變換的相互關系，較好地驗證了HHT變化分解性能的優越性。所以選定Hilbert-Huang時頻法對通風機振動故障進行識別及診斷。在進行振動信號收集過程中，由于噪聲會對振動的收集有一定的影響，所以需要對通風機進行降噪處理。選定二代小波變換進行降噪，該方法的思路是通過整數變化進行小波重構和分解，達到小波變換的目的。通風機的振動是非線性的且非平穩，在實際工況下，信號的穩定性較好時，信號多為有用信號，此時多為低頻信號，此時的小波系數也較低。噪聲多為高頻信號，且小波信號較多，所以對采集的信號進行分解，完成分解后進行重構，達到降噪的目的。具體降噪的布置為:確定提升小波;信號小波分解;高頻系數的閾值量化;小波重構。通過HHT特征提取方法對礦井通風機的振動信號進行分析，采樣的頻率為1000Hz，采集后的振動信號經過小波半軟降噪處理后，信號的幅值會有一定的降低，且波動情況也有所改善。同時經過EEMD分解后，信號的IMF值振幅減小。根據通風機的故障信息進行分析，發現不同故障類型下的頻率也是不同的，所以不同故障能量也是不同的。經過振動信號分解后，對不同頻帶內的能量進行檢測，分析風機的故障及時進行預警。
2利用模糊神經網絡理論建立通風機故障診斷系統
通風機運轉過程中故障信號的頻率及能量分布不同，所以可以利用模糊神經網絡來實現風機振動信號的故障識別，礦井通風機發生故障時可以對故障類型及故障位置進行精準定位和預警。振動信號中具有大量通風機的運行信息，而經過處理的信號沒有直接評判通風機的故障類型，這就具有模糊性，所以結合通風機故障信息、信號降噪、HHT分析及故障的診斷對通風機故障系統進行設計。模糊神經網絡故障診斷系統如圖2所示。由圖2可以看出，具體步驟為先對振動信號進行采集，將振動信號進行小波降噪，完成降噪后對信號進行HHT時頻分析，對故障的特征量進行提取，經過模糊神經網絡進行故障的識別，最終給出通風機故障類型。對通風機的分析過程中，較為常見的故障有6種:轉子不對稱、轉子的不平衡、轉子摩擦、基礎的松動、油膜渦流和喘振。為了建立模糊神經網絡，需要先選定2000組數據進行樣本的建立，給定5個輸入點，設定樣本的期望值為0.001，達到誤差后停止。根據數據的計算分析故障情況，由于系統設定為6種故障隸屬度，所以當期望誤差輸出為0.001時，此時表示通風機出現故障。模糊神經網絡計算誤差如圖3所示。由圖3可以看出，隨著訓練次數的增大，模糊神經網絡樣本的誤差逐步減小。當訓練到30次時，此時的訓練誤差逐步收斂;當訓練次數到65次時，此時的模糊神經網絡的計算誤差已經降低至9.1×10－4，完全滿足故障分析的要求。在進行迭代過程中，曲線無較大的波動，曲線較為光滑，所以模糊神經網絡系統具有一定的可行性［5-6］。經過模糊神經網絡系統通風機故障訓練后，選定不同的檢測樣本對模糊神經網絡系統進行驗證，選定礦井通風機振動信號經過小波變換降噪后對數據進行HHT分析，將分析后的150組數據進行故障分析，將故障樣本導入模糊神經網絡。驗證樣本的診斷結果見表1。根據相應的故障隸屬度設定，當輸出數據大于0.6時，此時為通風機故障的分界值;當輸出數據大于0.8時，此時的通風機出現故障且風機故障相對較為嚴重;當輸出數據小于0.2時，此時代表通風機正常運行，不存在故障現象。根據固定輸出量的最大值為風機的故障表征值，由表1可知，數據1的第1個數據出現明顯故障且故障較為嚴重，此時輸出的結果為轉子不平衡故障［7］。測點2、3、4輸出的數據均在第2個值出現最大值，此時輸出故障為轉子不對稱故障;測點5、6的輸出數據均較小，且均小于0.2，表明通風機不會出現故障，正常運行，與現實結果相近。所以，模糊神經網絡診斷系統的準確性較好，可以用來對通風機故障進行及時診斷［8］。
3故障預測方法的應用
為驗證礦井主要通風機故障預測方法的可行性，鎮城底礦于2019年6月進行了測試。測試發現，故障預測系統可以對主要通風機的故障進行有效預測及預警，測試性能良好，有效提升了礦井的通風質量，保障了礦井生產的安全性，設計方案可行。
4結語
本文在分析礦井通風機常見故障過程的基礎上，以通風機振動信號為研究對象，對煤礦主要通風機振動數據進行小波降噪處理、HHT變化分析，并利用模糊神經網絡理論建立了通風機故障診斷系統。通過對通風機的振動數據進行實際驗證，證明了模糊神經網絡通風機診斷系統的可行性與可靠性，為煤礦主要通風機故障的在線診斷及預警提供了依據。
作者:陳杰 單位:西山煤電集團有限責任公司
