煤礦風機故障的智能診斷探討

趙冬建

（開灤股份呂家坨礦業分公司，河北 唐山 063017）

在煤礦生產中風機源源不斷的向礦井輸送新鮮空氣，及時排除瓦斯、粉塵等污濁氣體，保障礦井的安全生產，而一旦煤礦風機出現運行故障，會嚴重威脅工作人員的生命安全。隨著現代化煤礦風機的快速發展，其內部結構越來越復雜，加上運行環境的多變性，造成煤礦風機故障率不斷提高。通過采用多種現代化的智能診斷方法，快速、準確地診斷煤礦風機故障程度、故障類型和故障位置，有針對性采取有效的維修措施，提高煤礦風機運行的安全性和可靠性。

1 煤礦風機運行的常見故障

煤礦風機運行環境惡劣、運行參數多變和內部結構復雜，在長時間的運行中煤礦風機的故障部位和故障形式往往不同，因此煤礦工作人員應注意及時總結和歸納煤礦風機運行的常見故障，找出風機故障部位和故障類型之間存在的聯系，建立煤礦風機故障類型和故障征兆之間的定性關系，當煤礦風機發生運行故障時，能夠快速地判別故障類型，為煤礦風機的故障診斷、故障識別和故障排除奠定良好的基礎。

在煤礦風機運行中，經常出現以下常見故障：其一，由于風管連接口漏氣、葉輪上粘黏大量油污、輸送帶松弛等，風機送風量逐漸減弱；其二，由于軸承故障、潤滑油劣化、軸承安裝錯誤等，導致風機軸承釋放大量熱量；其三，由于供電線不合理、輸入電壓較高、電機超負荷運轉等，風機電機溫度過高；其四，螺栓松動、軸承碰擦、不平衡或葉輪變形[1]，導致整個風機劇烈震動；其五，輸送帶不對稱或者由于長時間磨損輸送帶松弛，使得風機輸送和跳動。雖然根據煤礦風機運行故障可以初步識別故障類型，但是不能準確的定位風機故障程度和故障位置，無法為煤礦風機故障維修提供全面的資料，有時煤礦風機故障表現不明顯，很容易淹沒在環境噪聲中，難以快速有效地識別風機故障，造成嚴重的安全事故。

為了更加準確地確定煤礦風機的故障程度和故障部位，應在煤礦風機的合適位置安裝油液、聲發射、振動等監測傳感器，采集煤礦風機的實時運行信號，再利用現代化的智能診斷方法對煤礦風機進行多層次、多角度的故障診斷。

2 煤礦風機故障的智能診斷

煤礦風機結構具有耦合性和復雜性的特點，其運行故障呈現出模糊性、相關性和非線性，煤礦風機故障診斷存在很大難度。模糊理論、專家系統和人工神經網絡等人工智能方法可實現自推理、自適應和自學習等優點，能夠很好地解決煤礦風機故障診斷的模糊性、時變性和非線性等問題，故障診斷結果更加可靠和精確。另外，煤礦風機故障的智能診斷可不斷提高煤礦企業的智能化和自動化管理水平，為煤礦風機故障維護管理奠定良好的基礎。

2.1 基于專家系統的故障診斷

專家系統是一種將多個領域專家的經驗和知識組合起來的模仿人類大腦的推理系統，包括人機交互界面、推理系統和數據庫等，專家系統具有很強的推理性和解釋性，在煤礦風機故障診斷中應用專家系統，可有效判別故障類型和部位。基于專家系統的煤礦風機故障智能診斷，首先要建立風機故障模型，對常見的煤礦風機故障類型和故障敏感特征，根據樹形結構和生成式規則等知識表示方法，建立煤礦風機故障的案例規則庫[2]。在診斷煤礦風機故障時，將故障敏感特征和故障類型輸入風機故障規則庫。通過案列推理、規則推理、模糊邏輯等推理方式，專家系統可找出最相似的故障類型和故障敏感特征，輸出準確的故障診斷結果。煤礦風機故障的專家系統智能診斷方法模擬了人類的推理邏輯和思維邏輯，符合人們正常的思維邏輯習慣，其綜合利用多個領域的知識，相關故障診斷結果比較合理，但是也由于在線實用性差、推理組合過多和知識獲取困難等問題，限制了專家系統在煤礦風機故障診斷中的廣泛應用，在未來發展過程中應加大研究力度。

2．2 基于神經網絡的故障診斷

神經網絡是一種自適應、非線性由多個處理單元組成的信息處理系統，基于神經網絡的煤礦風機故障診斷，可有效解決風機故障的非線性問題，實現智能化和自動化的煤礦風機故障。將煤礦風機常見故障振動信號的倍頻、基頻、分頻作為煤礦風機故障神經網絡診斷的輸入，將煤礦風機葉片故障、主軸不對中、不平衡等故障類型作為風機故障神經網絡診斷的輸出，進行故障診斷監督學習。神經網絡通過合理設置各個神經單元的偏置閾值和連接權重，使風機故障的敏感特征和風機故障類型相對應，進行煤礦風機故障診斷。神經網絡具有自學習、自適應、記憶、推測、聯想等功能，可并行處理煤礦風機故障模式的識別問題。當前，基于神經網絡的煤礦風機故障診斷方法主要包括LVQ神經網絡、概率神經網絡、BP神經網絡等[3]，以風機故障振動的敏感特征作為神經網絡的輸入，并且利用監督學習分析風機故障類型，從而精確診斷煤礦風機運行故障。當前，神經網絡在煤礦風機故障診斷中的應用非常廣泛，但是也存在著難以確定網絡結構、陷入局部優化等問題，在未來發展過程中，可將神經網絡和模糊邏輯、專家系統進行有效結合，不斷提高煤礦風機故障診斷效率。

2．3 基于混合智能的故障診斷

專家系統主要是借助于人的邏輯思維和經驗思維，人工神經網絡是通過模擬人的創造思維和形象思維，將專家系統和人工神經網絡結合起來用于煤礦風機故障診斷可取得更好的效果。專家系統可利用神經網絡的自學習能力來解決知識獲取難的問題，而神經網絡可利用專家系統較強的解釋能力來解決其黑箱特性，在煤礦風機故障診斷過程中，優化某些參數，如專家系統的自適應參數和隸屬度函數、神經網絡的神經元數目和隱層數，可利用蟻群算法、遺傳算法等人工智能方法來求解這些問題。基于混合智能的煤礦風機故障診斷通過綜合利用多個人工智能方法來準確診斷風機故障，可充分發揮不同診斷方法的優點，彌補不足，混合智能的故障診斷方法是未來煤礦風機故障智能診斷的主要方向。

3 結束語

煤礦風機長時間處于惡劣的運行環境中很容易出現各種運行故障，專家系統和神經網絡等人工智能方法具有自推理、自適應、自學習等能力，可用于煤礦風機設備強耦合、非線性的故障診斷中，從而提升煤礦企業的智能化和自動化故障維護和管理水平。當前，很多人工智能方法在煤礦風機故障診斷中展示出優越的特性，在未來發展過程中，應對綜合利用多種人工智能方法實現高效率、高精度、低成本的煤礦風機故障診斷加大研究力度。

［1］李晶,劉國華.基于人工智能的煤礦風機故障診斷方法[J].煤礦機械,2013,12：262-264.

［2］高兵兵,蔣占四,張應紅,胡志鵬,韓晉棟.煤礦風機小波神經網絡故障診斷系統研究[J].煤礦機械,2014,03：227-229.

［3］臧紅巖.礦井風機故障智能診斷研究[D].山東輕工業學院,2011.