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(jīng)常出現(xiàn)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(fā)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(jīng)常會對風機的溫度、振動及轉速等參數(shù)進行統(tǒng)計診斷，實現(xiàn)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(jù)，同時為實現(xiàn)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(wěn)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(shù)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(xiàn)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(jīng)過HHT 變化后可以將信號的頻率進行有效分離，根據(jù)時頻圖可以實現(xiàn)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(yōu)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(shù)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(wěn)的，在實際工況下，信號的穩(wěn)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(shù)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(shù)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(jīng)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(jīng)過EEMD 分解后,信號的IMF 值振幅減小。根據(jù)風機的故障信息進行分析，發(fā)現(xiàn)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(jīng)過振動信號分解后對不同頻帶內(nèi)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(jīng)網(wǎng)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(jīng)網(wǎng)絡來實現(xiàn)風機振動信號的故障識別，礦井風機發(fā)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(jīng)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(tǒng)進行設計，故障系統(tǒng)如圖2 所示。

圖2 故障診斷系統(tǒng)示意圖

根據(jù)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(jīng)過模糊神經(jīng)網(wǎng)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(jīng)網(wǎng)絡需要先進行樣本的的建立，選定2 000 組數(shù)據(jù)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(jù)數(shù)據(jù)的計算分析故障情況，由于系統(tǒng)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(xiàn)故障。模糊神經(jīng)網(wǎng)絡計算誤差圖如3 所示。

根據(jù)圖3 可以看出，隨著訓練次數(shù)的增大模糊神經(jīng)網(wǎng)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(shù)來到65次時，此時的模糊神經(jīng)網(wǎng)絡的計算誤差已經(jīng)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(jīng)網(wǎng)絡系統(tǒng)具有一定的可行性[5-6]。

圖3 模糊神經(jīng)網(wǎng)絡計算誤差圖

經(jīng)過模糊神經(jīng)網(wǎng)絡系統(tǒng)風機故障訓練后，選定不同的檢測樣本對模糊神經(jīng)網(wǎng)絡系統(tǒng)進行驗證，選定礦井風機振動信號經(jīng)過小波變換降噪后對數(shù)據(jù)進行HHT 分析，將分析后的150 組數(shù)據(jù)進行故障分析，將故障樣本導入模糊神經(jīng)網(wǎng)絡，驗證樣本的診斷結果如表1 所示。

表1 系統(tǒng)診斷輸出結果計算誤差表

根據(jù)相應的故障隸屬度設定，當輸出數(shù)據(jù)大于0.6 時，此時為風機故障的分界值，當輸出數(shù)據(jù)大于0.8 時，此時的風機出現(xiàn)故障且風機故障相對較為嚴重，當輸出數(shù)據(jù)小于0.2 時，此時代表風機正常運行不存在故障現(xiàn)象。根據(jù)固定輸出量的最大值為風機的故障表征值，根據(jù)表1 可以看出，數(shù)據(jù)1的第一個數(shù)據(jù)出現(xiàn)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(shù)據(jù)均在第二個值出現(xiàn)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(shù)據(jù)數(shù)值均較小，且均小于0.2，所以風機不會出現(xiàn)故障，正常運行，與現(xiàn)實結果相近，所以模糊神經(jīng)網(wǎng)絡診斷系統(tǒng)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(jīng)網(wǎng)絡對風機診斷系統(tǒng)進行設計，通過對風機的振動數(shù)據(jù)進行實際驗證，確定了模糊神經(jīng)網(wǎng)絡風機診斷系統(tǒng)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。