煤矿通风机远程故障监测系统的设计分析

任孟林

（西山煤电集团有限责任公司西铭矿，山西 太原 030053）

引言

在我国煤炭资源开采过程中，由于矿山地质水文条件较为复杂，使得煤矿经常出现一系列安全事故，对矿山人员及设备的安全造成了严重的影响。矿井风机作为矿井重要的通风设备，其一旦发生故障，会造成工作面瓦斯聚集，造成瓦斯事故，所以对矿井风机进行故障及时诊断是十分重要的[1-2]。在进行风机的故障诊断时经常会对风机的温度、振动及转速等参数进行统计诊断，实现故障分析[3-4]。本文通过对矿井通风机振动信息进行采集，利用软件对信息进行故障诊断和识别，为提升矿井风机的安全性及可靠性提供一定的依据，同时为实现矿井智能化作出贡献。

1 振动故障信息处理

时频分析法主要是对非平稳时段信号频域和时域进行信息分布，从而得到时间与频率间的函数关系。在进行信号处理时，常见的分析为傅里叶变换和和傅里叶反交换，但由于其本质是整体对整体的交换，所以使得时间与频率在个体上是无法对应的，所以无法实现故障定位。为了得到准确的定位，时频分析法可选短时傅里叶变化（STFT）、Hilbert-Huang 变化和Wigner-Ville 分布。对信号进行EMD 分解后进行希尔伯特变化，从而得出时间-频率-能量的关系，同时得出Hilbert 边际谱。为了清楚直观地对HHT 变化结果进行阐述，通过三维建模来展示HHT变化的情况，HHT 三维变化图如1 所示。

从图1 中可以看出，对收集到的振动信号进行HHT 变换，经过HHT 变化后可以将信号的频率进行有效分离，根据时频图可以实现准确展示时间与频率变换的相互关系，所以较好地验证了HHT 变化的分解性能的优越性。所以选定Hilbert-Huang 时频法对风机振动故障进行识别及诊断。

图1 HHT 三维变化图

在进行振动收集过程中，由于噪音会对振动的收集有着一定的影响，所以需要对采煤机进行降噪处理，选定二代小波变换进行降噪，该方法的思路是通过整数变化进行小波重构和分解，达到小波变换的目的。风机的振动是非线性的且非平稳的，在实际工况下，信号的稳定性较好时，信号多为有用信号，此时多为低频信号且此时的小波系数也较低。噪音多为高频信号，且小波信号较多，所以对采集的信号进行分解，完成分解后进行重构，达到降噪的目的，具体降重的布置为：确定提升小波；信号小波分解；高频系数的阈值量化；小波重构。

通过HHT 特征提取方法对矿井风机的振动信号进行分析，采样的频率为1 000 Hz，采集后的振动信号经过小波半软降噪处理后信号的幅值会有一定的降低，且波动情况也有所改善。同时经过EEMD 分解后,信号的IMF 值振幅减小。根据风机的故障信息进行分析，发现不同故障类型下的频率也是不同的，所以不同故障能量也是不同的，经过振动信号分解后对不同频带内的能量进行检测，分析风机的故障及时进行预警。

2 模糊神经网络故障诊断

风机过程中故障信号的频率及能量分布不同，所以可以利用模糊神经网络来实现风机振动信号的故障识别，矿井风机发生故障时可以对故障类型及故障位置进行精准定位和预警。振动信号中具有大量风机的运行信息，而经过处理的信号没有直接评判风机的故障类型，这就具有模糊性，所以结合风机故障信息、信号降噪、HHT 分析及故障的诊断对风机故障系统进行设计，故障系统如图2 所示。

图2 故障诊断系统示意图

根据图2 可以看出具体步骤为先对振动信号采集，将振动信号进行小波降噪，完成降噪后对信号进行HHT 时频分析，对故障的特征量进行提取，经过模糊神经网络进行故障的识别，最终给出风机故障类型。

在对风机的分析过程中，较为常见的故障有六种，分别为转子不对称、转子的不平衡、转子摩擦、基本的松动、油膜涡流和喘振。为了建立模糊神经网络需要先进行样本的的建立，选定2 000 组数据进行样本的建立，给定5 个输入点，设定样本的期望值0.001，达到误差后样本停止，根据数据的计算分析故障情况，由于系统设定为6 种故障隶属度，所以当期望误差输出为0.001 时，此时表示风机出现故障。模糊神经网络计算误差图如3 所示。

根据图3 可以看出，随着训练次数的增大模糊神经网络样本的误差逐步减小，当训练到30 次时，此时的训练误差达到逐步收敛，当训练次数来到65次时，此时的模糊神经网络的计算误差已经降低至9.1×10-4，完全满足故障分析的要求。在进行迭代过程中，曲线无较大的波动，曲线较为光滑，所以模糊神经网络系统具有一定的可行性[5-6]。

图3 模糊神经网络计算误差图

经过模糊神经网络系统风机故障训练后，选定不同的检测样本对模糊神经网络系统进行验证，选定矿井风机振动信号经过小波变换降噪后对数据进行HHT 分析，将分析后的150 组数据进行故障分析，将故障样本导入模糊神经网络，验证样本的诊断结果如表1 所示。

表1 系统诊断输出结果计算误差表

根据相应的故障隶属度设定，当输出数据大于0.6 时，此时为风机故障的分界值，当输出数据大于0.8 时，此时的风机出现故障且风机故障相对较为严重，当输出数据小于0.2 时，此时代表风机正常运行不存在故障现象。根据固定输出量的最大值为风机的故障表征值，根据表1 可以看出，数据1的第一个数据出现明显故障且故障较为严重，此时输出的结果为转子不平衡故障[7]。测点2、3、4 输出的数据均在第二个值出现最大值，此时输出故障为转子不对称故障，测点5、6的输出数据数值均较小，且均小于0.2，所以风机不会出现故障，正常运行，与现实结果相近，所以模糊神经网络诊断系统的准确性较好，可以用来对风机故障进行及时的诊断。

3 结论

利用模糊神经网络对风机诊断系统进行设计，通过对风机的振动数据进行实际验证，确定了模糊神经网络风机诊断系统的可行性与可靠性，为矿山风机故障的识别及预警作出一定的贡献。