矿用风机故障诊断方法研究

郇郭建

霍州煤电集团吕梁山煤电有限公司方山店坪煤矿  山西吕梁  033100

摘  要：为了保障煤矿通风安全，提高矿用风机故障诊断的准确性，文中采用了时域统计分析方法对风机轴承振动数据进行了分析，综合利用峰值因子、均方根值、峭度指标和裕度系数对煤矿风机轴承进行在线监测，采用了小波包络的方法对风机轴承信号进行处理分析，同时文中深入研究了BP神经网络算法，设计并训练了收敛速度快、精度高的BP神经网络，结果表明：峭度指标和裕度系数对轴承的缺陷比较敏感，不受轴承型号、载荷、转速等条件的影响；小波包络的方法对于处理强噪声环境下的非平稳振动信号有良好的效果，能够准确的提取信号中的故障特征；运用小波包和神经网络相结合的方法能够高效的诊断出故障的类型，指导设备维护。

关键词：风机故障；时频分析；神经网络；小波变频

Study on Fault Diagnosis Method of Mine Fan

Huan Gian Jian

Ventilation Department of Lv liang shan Coal Electricity Co,. Lid. Fang Shan Dian Ping Mine Lv Liang shanxi 033100, China

Abstract: In order to ensure the security of coal mine ventilation, to improve the accuracy of fault diagnosis for mine fan, this paper USES time domain statistical analysis method of fan bearing vibration data are analyzed, the comprehensive utilization of peak factor, root mean square value, kurtosis index and coefficient of margin for online monitoring of coal mine fan bearing, the wavelet envelope method was adopted for the fan bearing signal processing analysis, this paper deeply studies the BP neural network algorithm at the same time, design and train the convergence speed, high precision of the BP neural network, the results show that the coefficient of kurtosis index and margin for the defects of bearing is more sensitive, is not affected by the bearing model, the influence of load, speed and other conditions. The method of wavelet envelopment has a good effect on processing non-stationary vibration signals under strong noise environment and can accurately extract fault features in the signals. The method of combining wavelet packet and neural network can diagnose fault type efficiently and guide equipment maintenance.

Key words: fan failure; Time-frequency analysis; Neural network; The wavelet frequency

为了保证煤矿的安全生产，世界各国煤矿行业相继引入了机械系统状态监测和故障诊断技术，在保障煤矿设备安全可靠运行以及节约维修费用等方面发挥了极大作用。本文主要是通过研究煤矿风机机械故障的振动机理，对比分析故障诊断的常用方法，确定出最佳的诊断方法，为开发矿用风机机械故障监测诊断系统提供一种技术途径^[1-2]。振动分析是煤矿风机故障诊断中比较常见的分析方法：一方面风机运转中最主要的问题就是振动^[1-2]；另一方面采集得到的振动信号里面含有大量的风机工况信息，通过采用一些信号处理方法提取有用的特征信息，可以准确有效地对风机的运行状况做出判断。目前工业应用中，比较常用的信号处理方法主要有时域分析法、时频分析法和人工神经网络诊断等^[3-5]。

1、幅值域分析法

风机故障诊断中直接对幅值域信号进行分析、识别故障是最直接、最简单的振动分析方法。由于原始信号没有产生信号的泄漏或是畸变，因而能够比较直观的反映信号的特征，易于理解。无论信号处理方法如何先进，幅值域分析仍然是现场故障诊断的基础。常用的幅值域分析方法主要是时域统计分析中的无量纲参数分析^[6]。

无量纲参数分析不受外界设备工况变化（如运转速度、机械结构参数等）的影响，无需对采集到的信号进行频谱分析，从而避免了对信号处理变化而导致的信号畸变，这些特点都是无量纲参数的优点，其适用于对轴承早期微小缺陷的诊断。

1.1 无量纲参数分析

1）波形因子

                   （1）

波形因子可以反映滚动轴承的工作状况，该值过大表明滚动轴承可能出现点蚀，过小则表明滚动轴承有可能发生了磨损，可用来判断损伤类故障。

2）峰值因子

                   （2）

峰值因子的特点是对检测轴承点蚀故障的效果比较好，采用峰值因子参数进行诊断时不用考虑传感器灵敏度的变化，因为峰值因子不受其影响影。然而，峰值因子的不足之处是检测轴承表面磨损故障的效果不是很好。正常轴承振动信号的峰值指标在4.5~5.5之间。

3）脉冲因子

                    （3）

4）裕度系数

             （4）

脉冲因子主要反映振动脉冲的频率，裕度系数则主要用来表征信号冲击振动的强烈程度，这两个参数比较适用于轴承初期缺陷引起的冲击振动故障的诊断。故障初期，它们的数值会随着故障程度的加深而变大，当轴承的故障加深到一定的严重程度以后，其值会有所降低。从而也说明了，这两个参数的稳定性不是太好。

5）峭度指标

                  （5）

峭度指标与脉冲因子、裕度系数一样对轴承缺陷（如轴承裂纹、边缘剥落等）引起的冲击振动比较敏感，因此适应于对冲击振动类的故障诊断。正常情况下峭度指标值大约为3，当其值大于3时，表明系统出现异常，对于滚动轴承的内环单点损伤峭度值约为5，外环单点损伤时峭度值约为4。以上各无量纲参数的稳定性和敏感度各不相同，如表1所示。

表1 无量纲参数的稳定性和敏感度

1.2 基于统计参数的实验验证

在实验台上面，对正常轴承和不同程度下的外圈故障、内圈故障和滚动体故障轴承进行实验，并计算其各个参数指标，汇总如表2所示。可以看出故障轴承的各个参数指标与正常轴承的各个参数指标相比，明显增大；均方根值随着故障程度的增加有逐渐上升的趋势；正常轴承的峭度指标大约在3左右，裕度系数、峭度指标随着故障程度的增加，先是逐渐上升，然后逐渐下降。

表2 统计参数计算值

由此，可以得出结论，峭度指标和裕度系数对轴承的缺陷比较敏感，不受轴承型号、载荷、转速等条件的影响，综合利用峰值因子、均方根值、峭度指标和裕度系数对煤矿风机轴承进行在线监测，能够比较可靠的反映出风机轴承的工作状况。

2、基于小波包络分析的故障诊断

对于非平稳信号而言，其频率成分往往随着时间有较大的变化所以处理非平稳信号了解其局部的时变频谱特性，傅里叶变换就不能满足要求。为了弥补傅里叶变换的不足，便引出了时频分析方法^[7]。

在风机实验台上测试，选取内圈故障轴承安装在电机的输出端。轴承型号为6205，节圆直径为，接触，滚动体个数，滚动体直径，电机转速为1494r/min。计算出轴承内圈故障频率为134.825Hz，外圈故障频率为89.275HZ，滚动体故障频率为58.722HZ。小波分析的重点是小波类型和小波变换等参数的选择，本实验选取的小波类型为db10，分解层数为4，实验数据及分析结果如图1所示。

 

（a）原始信号

 

（b）小波去噪信号

 

（c）包络谱

图1 实验数据和结果

对比图（a）和图（b）可以看出，经过小波去噪之后的信号故障特征更为明显，从图（c）包络谱中可以看到接近内圈故障频率135Hz、2倍频270Hz及3倍频405Hz处有明显波峰，由此可推断为轴承内圈故障，实验数据和试验轴承故障相吻合。

3、人工神经网络诊断

机械故障诊断的实质就是特征提取和模式识别。小波分析因其具有多分辨率的特点，所以比较适用于处理非平稳振动信号，这为煤矿风机故障诊断过程中故障特征的提取奠定了基础；人工神经网络的诞生及其较强的学习能力和自适应能力为故障模式的识别提供了新的方法^[8-9]。

3.1 BP神经网络的设计

综合分析了一个良好的神经网络需要考虑的各种因素，建立3层的BP网络。其中输入神经元节点数设为8，输出神经元节点数为4，故障的期望输出向量如表5所示。隐层神经元节点数的选择是个反复试验的过程，文献^[5]对此做了详细的介绍，综合考虑网络的性能和速度，将隐层神经元的个数定为6。隐层神经元的传递函数选为，输出神经元的传递函数选为，训练基于有动量的梯度下降法，最大训练次数设为1000，训练要求精度设为0.001，学习率设为0.01。网络结构和参数确定之后，利用MATLAB神经网络工具箱，对网络进行训练。

表5 神经网络的期望输出

3.2 基于BP神经网络的故障诊断

利用MATLAB小波分析工具箱，提取16组典型信号的特征向量，归一化处理后，分别作为神经网络的训练样本（表3）和测试样本（表4）。表6为输入测试样本（表4）之后神经网络的输出结果。

表6 神经网络实际输出向量

综上分析，在对比研究常用的机械故障诊断方法的基础上，分别运用时域统计分析、小波包络和BP神经网络改进算法对矿用风机的轴承振动数据进行了分析，时域统计分析中的峭度指标和裕度系数计算快速简单，并且对轴承的缺陷比较敏感，适合用于矿用风机的在线监测诊断；小波包络的方法对于处理强噪声环境下的非平稳振动信号有良好的效果，适用于风机轴承的初期故障诊断；改进的BP神经网络算法，收敛速度快、精度高，适用于对风机各类故障的甄别。

结论：

本文对三种风机故障诊断方法进行分析，为开发矿用风机故障监测诊断系统做准备，文中主要展开的研究和主要得到结论如下：

（1）分别从时域分析、时频分析、神经网络几个方面，介绍了风机的各个故障诊断方法，并分析了各个方法的优缺点。

（2）采用了时域统计分析方法对风机轴承振动数据进行了分析，试验表明：峭度指标和裕度系数对轴承的缺陷比较敏感，不受轴承型号、载荷、转速等条件的影响。

（3）采用了小波包络的方法对风机轴承信号进行处理分析，试验证明这种方法对于处理强噪声环境下的非平稳振动信号有良好的效果，能够准确的提取信号中的故障特征。

（4）深入研究BP神经网络算法，运用改进的算法设计并训练了收敛速度快、精度高的BP神经网络，试验证明运用小波包和神经网络相结合的方法能够有效成功的诊断出故障的类型。

 

 

参 考 文 献

[1] 牛振华. 矿井通风机故障诊断专家系统的研究[D]. 河南理工大学,2017.

[2] 司颉. 矿井主通风机在线监测与故障诊断系统研究[D]. 西安科技大学,2012.

[3] 陈士玮,胡亚非. 矿井主通风机在线监测监控现状及展望[J]. 矿业安全与环保,2000,27(2):30-32.

[4] 李舜酩,李香莲. 振动信号的现代分析技术与应用[M]. 北京:国防工业出版社;2008.

[5] 韩清凯,于涛,王德友,等. 故障转子系统的非线性振动分析与诊断方法[M]. 北京:科学出版社,2010.

[6] 李东辰. 基于LabVIEW的小波神经网络在煤矿通风机故障诊断中的应用[D]. 安徽理工大学,2012.

[7] 杨建奎,高国华,孙自力,等. 基于软件共振解调分析的滚动轴承故障诊断[J]. 煤矿机械. 2014(10):129-131.

[8] 刘建文,傅攀,任玥,等. 基于共振解调与神经网络的滚动轴承故障智能诊断[J]. 中国测试技术,2017,33(2):13-15, 25.

[9] 丁芳,高立新,崔玲丽,等. 共振解调技术在设备故障诊断中的应用[J]. 机械设计与制造. 2007(11):15-18.

 

作者简介：郇郭建，男，汉族，出生于1986年01月，山西洪洞人，本科，2014年1月毕业于重庆大学煤矿机电专业，中级工程师，，，邮箱：250431610@qq.com

 

地址：山西省吕梁市方山县大武镇店坪煤矿，邮编：033100，联系人：郇郭建

联系电话：15935187182