前言：寻找写作灵感？中文期刊网用心挑选的煤矿通风机故障诊断方法探究，希望能为您的阅读和创作带来灵感，欢迎大家阅读并分享。
摘要:为了对煤矿主要通风机故障信息进行实时诊断，以通风机振动信号为研究对象，利用小波降噪和HHT变化的方法对煤矿主要通风机的振动信号进行处理，并利用模糊神经网络理论建立了通风机故障诊断系统。通过实际验证，证明了该故障诊断系统是可行的、可靠的，为确保煤矿主要通风机稳定运行提供了技术保障。
关键词:主要通风机;故障诊断;小波降噪;HHT;模糊神经
主要通风机作为矿井重要的通风设备，其一旦发生故障，会造成井下风量不足、工作面瓦斯超限等重大安全事故，所以对矿井通风机故障进行及时诊断是十分重要的［1-2］。在进行通风机故障诊断时，经常会对通风机的温度、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，为提升矿井通风机的安全性及可靠性提供依据，同时为实现矿井智能化提供技术支持。
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信息进行分布，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傅里叶反交换，但由于其本质是整体对整体的交换，使得时间与频率在个体上是无法对应的，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三维变化如图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变化后可以将信号频率进行有效分离，根据时频图可以准确展示时间与频率变换的相互关系，较好地验证了HHT变化分解性能的优越性。所以选定Hilbert-Huang时频法对通风机振动故障进行识别及诊断。在进行振动信号收集过程中，由于噪声会对振动的收集有一定的影响，所以需要对通风机进行降噪处理。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。通风机的振动是非线性的且非平稳，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，此时的小波系数也较低。噪声多为高频信号，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。具体降噪的布置为: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通风机的振动信号进行分析，采样的频率为1000Hz，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。根据通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利用模糊神经网络理论建立通风机故障诊断系统
通风机运转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，矿井通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通风机的运行信息，而经过处理的信号没有直接评判通风机的故障类型，这就具有模糊性，所以结合通风机故障信息、信号降噪、HHT分析及故障的诊断对通风机故障系统进行设计。模糊神经网络故障诊断系统如图2所示。由图2可以看出，具体步骤为先对振动信号进行采集，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，最终给出通风机故障类型。对通风机的分析过程中，较为常见的故障有6种:转子不对称、转子的不平衡、转子摩擦、基础的松动、油膜涡流和喘振。为了建立模糊神经网络，需要先选定2000组数据进行样本的建立，给定5个输入点，设定样本的期望值为0.001，达到误差后停止。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，此时表示通风机出现故障。模糊神经网络计算误差如图3所示。由图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，此时的训练误差逐步收敛;当训练次数到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］。经过模糊神经网络系统通风机故障训练后，选定不同的检测样本对模糊神经网络系统进行验证，选定矿井通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见表1。根据相应的故障隶属度设定，当输出数据大于0.6时，此时为通风机故障的分界值;当输出数据大于0.8时，此时的通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，此时代表通风机正常运行，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，由表1可知，数据1的第1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2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的输出数据均较小，且均小于0.2，表明通风机不会出现故障，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，可以用来对通风机故障进行及时诊断［8］。
3故障预测方法的应用
为验证矿井主要通风机故障预测方法的可行性，镇城底矿于2019年6月进行了测试。测试发现，故障预测系统可以对主要通风机的故障进行有效预测及预警，测试性能良好，有效提升了矿井的通风质量，保障了矿井生产的安全性，设计方案可行。
4结语
本文在分析矿井通风机常见故障过程的基础上，以通风机振动信号为研究对象，对煤矿主要通风机振动数据进行小波降噪处理、HHT变化分析，并利用模糊神经网络理论建立了通风机故障诊断系统。通过对通风机的振动数据进行实际验证，证明了模糊神经网络通风机诊断系统的可行性与可靠性，为煤矿主要通风机故障的在线诊断及预警提供了依据。
作者:陈杰 单位:西山煤电集团有限责任公司
