關于礦用通風機故障預警系統的設計與應用分析

孫嘉龍

(潞安化工集團 能源事業部通風部，山西 長治 046204)

煤礦開采通常在井下進行，需要礦工進入深井內部作業。開采過程中不可避免地會產生大量粉塵，涌現有毒、有害氣體，對井下作業人員的身體健康甚至生命安全構成嚴重威脅[1]。為了確保礦井工作人員的安全，需要利用通風機不斷向井內注入新鮮空氣，及時排出井內有毒有害氣體，改善礦井工作環境，保障井下人員身體健康和生命安全[2]。一旦通風機運行時出現故障，必然會威脅礦井工作人員的生命安全[3]。由此可見，通風機對于礦井安全具有非常重要的意義。本文結合煤礦通風機具體情況，設計了故障預警系統并在煤礦成功應用，有效保證了礦井工作人員的安全。

1 故障預警系統整體方案設計

1.1 故障預警系統模型

系統基于小波神經網絡模型對通風機系統運行中檢測得到的振動信號進行處理分析[4]。基于小波神經網絡的故障預警系統工作原理見圖1。由圖1可知，首先需要利用振動傳感器對通風機系統關鍵位置的振動信息進行檢測，獲得X、Y、Z3個方向的振動信息。利用小波神經網絡模型對3個方向的振動數據進行信號調理和小波分析，獲得通風機系統關鍵位置的振動狀態信息，根據振動特征可以實現故障類型的有效診斷，進而預測故障。

1.2 常見通風機故障剖析

根據已有的實踐工程經驗，煤礦通風機運行中最容易出現故障的位置主要集中在旋轉結構以及電機上，可以分成為六大類型：轉子不對中、轉子不平衡、油膜渦動、喘振、轉子與靜止件摩擦、基座松動[5]。由于不同的故障發生位置也不同，零件存在差異，所以產生的振動信號也會存在差異，利用小波神經網絡模型對振動信號進行分析，即可實現通風機常見故障的有效預警[6]。表1為常見通風機故障問題振動信號的時域頻率、特征頻率和常伴頻率等的統計情況。

圖1 基于小波神經網絡的故障預警系統工作原理

1.3 小波神經網絡模型

利用小波神經網絡模型對振動信號進行處理時，首先需要基于小波分析技術對采集得到的振動信號進行多層分解，然后利用連續信號能量計算方法對獲得的信號能量特征向量進行計算。利用測試數據對神經網絡的權值和層數進行訓練調整，通過訓練后的神經網絡模型即可分析得到常見的通風機故障類型。圖2為小波神經網絡模型原理。圖2中，S1(t)、S2(t)……Si(t)為模型的輸入信號，即利用傳感器檢測得到的振動數據信號。針對輸入信號，首先通過小波技術對其進行分解，獲得振動信號不同頻段上的分量，再對不同頻段信號能量的大小進行求解計算，對計算結果進行標準化處理，使所有結果均為0～1范圍的數值，并將標準化結果作為神經網絡模型的輸入量。

表1 常見故障類型振動信號特征統計情況

圖2 小波神經網絡模型原理示意

2 通風機故障預警系統硬件設計

2.1 振動信號采集

圖3為振動信號采集工作流程圖。

圖3 振動信號采集工作流程圖

利用傳感器對振動信號進行采集，獲得電流信號或電壓信號，對信號進行放大、濾波和變換以后，輸入到工控計算機中，利用軟件程序進行分析與處理。

系統中選用的振動傳感器為YD系列壓電加速度傳感器，具體型號為YD-35。該設備主要包括芯片和壓電感應模塊，與傳統加速度傳感器相比，該設備的優勢在于芯片內部內置了信號放大電路。供電電路可以為傳感器提供2～20 mA的恒流電源，確保設備能夠正常穩定工作。圖4為振動傳感器的內部結構原理圖。傳感器的橫向靈敏度不超過5%，輸出偏壓和激勵電壓分別為8～12 V和12～30 V DC，正常使用的溫度范圍為-40～120 ℃。

圖4 振動傳感器內部結構原理圖

2.2 數據采集設備

利用振動傳感器采集得到的數據信息，通過數據采集設備進行收集后，上傳到工控計算機中進行分析與處理，所以數據采集設備是連接振動傳感器和工控計算機的橋梁。本系統中使用的數據采集設備主要為數據采集卡，可以將傳感器采集得到的模擬量電壓信號轉換為數字量信號，然后上傳至工控計算機中。系統中選用的數據采集卡型號為PCI-6259，該型號設備在工業領域應用廣泛，擁有32路模擬量輸入通道，48路數字量輸入通道，16路模擬量輸出接口，數據傳輸速率可以達到1.25 m/s。可以在保障較高采集頻率的情況下，確保數據采集的精度和準確性,可以滿足故障預警系統的實際使用要求。

2.3 工控計算機

故障預警系統利用工控計算機對數據信息進行分析處理，是整個系統的核心部分，其性能好壞會對系統運行性能產生重要影響。在工控計算機上需要對振動信號進行降噪、特征值提取等操作。為了確保系統運行性能，采用的工控計算機配置信息主要有：CPU型號為英特爾E6400，內存為16 G，硬盤空間為2 T，液晶顯示器，安裝Windows7操作系統。顯示器用來實時展示數據分析處理過程。

3 故障預警系統的實踐應用

實際生產中礦井工況非常復雜，通風機系統不僅會因為故障產生振動，外界干擾也會導致設備產生振動。普通方法難以通過振動信號來預測故障，利用小波神經網絡模型可以有效剔除外界干擾信號，對設備振動信號進行高效分析，獲得準確的數據。將故障預警系統方案部署到煤礦通風機工程實踐中，經現場調試后正式投入應用。實踐結果表明，故障預警系統可以對通風機運行過程中的振動信號進行分析，能及時發現通風機運行中存在的故障問題和安全隱患，不僅大幅度降低了通風機的故障率，還縮短了故障排除時間。通過對3個月的應用數據進行統計，故障預警系統的應用使通風機的故障率降低了17%左右，故障排除時間平均縮短了20%左右。不僅保障了礦井的安全，還為企業創造了良好的經濟效益。