煤礦通風機遠程故障監測系統的設計分析

任孟林

（西山煤電集團有限責任公司西銘礦，山西 太原 030053）

引言

在我國煤炭資源開采過程中，由于礦山地質水文條件較為復雜，使得煤礦經常出現一系列安全事故，對礦山人員及設備的安全造成了嚴重的影響。礦井風機作為礦井重要的通風設備，其一旦發生故障，會造成工作面瓦斯聚集，造成瓦斯事故，所以對礦井風機進行故障及時診斷是十分重要的[1-2]。在進行風機的故障診斷時經常會對風機的溫度、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，為提升礦井風機的安全性及可靠性提供一定的依據，同時為實現礦井智能化作出貢獻。

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進行信息分布，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和傅里葉反交換，但由于其本質是整體對整體的交換，所以使得時間與頻率在個體上是無法對應的，所以無法實現故障定位。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 三維變化圖如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 變化后可以將信號的頻率進行有效分離，根據時頻圖可以實現準確展示時間與頻率變換的相互關系，所以較好地驗證了HHT 變化的分解性能的優越性。所以選定Hilbert-Huang 時頻法對風機振動故障進行識別及診斷。

圖1 HHT 三維變化圖

在進行振動收集過程中，由于噪音會對振動的收集有著一定的影響，所以需要對采煤機進行降噪處理，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。風機的振動是非線性的且非平穩的，在實際工況下，信號的穩定性較好時，信號多為有用信號，此時多為低頻信號且此時的小波系數也較低。噪音多為高頻信號，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，具體降重的布置為：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風機的振動信號進行分析，采樣的頻率為1 000 Hz，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 模糊神經網絡故障診斷

風機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風機的運行信息，而經過處理的信號沒有直接評判風機的故障類型，這就具有模糊性，所以結合風機故障信息、信號降噪、HHT 分析及故障的診斷對風機故障系統進行設計，故障系統如圖2 所示。

圖2 故障診斷系統示意圖

根據圖2 可以看出具體步驟為先對振動信號采集，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，最終給出風機故障類型。

在對風機的分析過程中，較為常見的故障有六種，分別為轉子不對稱、轉子的不平衡、轉子摩擦、基本的松動、油膜渦流和喘振。為了建立模糊神經網絡需要先進行樣本的的建立，選定2 000 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0.001，達到誤差后樣本停止，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，此時表示風機出現故障。模糊神經網絡計算誤差圖如3 所示。

根據圖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，此時的訓練誤差達到逐步收斂，當訓練次數來到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]。

圖3 模糊神經網絡計算誤差圖

經過模糊神經網絡系統風機故障訓練后，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如表1 所示。

表1 系統診斷輸出結果計算誤差表

根據相應的故障隸屬度設定，當輸出數據大于0.6 時，此時為風機故障的分界值，當輸出數據大于0.8 時，此時的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，根據表1 可以看出，數據1的第一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 輸出的數據均在第二個值出現最大值，此時輸出故障為轉子不對稱故障，測點5、6的輸出數據數值均較小，且均小于0.2，所以風機不會出現故障，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，可以用來對風機故障進行及時的診斷。

3 結論

利用模糊神經網絡對風機診斷系統進行設計，通過對風機的振動數據進行實際驗證，確定了模糊神經網絡風機診斷系統的可行性與可靠性，為礦山風機故障的識別及預警作出一定的貢獻。