矿用通风机运行状态监控系统的研究

米海峰

（霍州煤电集团三交河煤矿， 山西 临汾 041600）

引言

通风机作为向煤矿井下巷道供风的核心装备，其运行稳定性直接决定了井下的通风安全，为了保证高通风系统的运行稳定性，各煤炭生产企业均高度重视对通风系统运行状态的监测，开发了一系列的风机运行状态监测系统，实现对风机运行状态的持续监测。在实际应用过程中发现目前多数通风机运行状态监测系统对风机运行时的转速、风量、风压监测较为精确，但对风机运行时的偏心、轴承故障、转子不对中故障的监测精确性极低，无法及时识别，导致故障的不断恶化，最终造成风机停机、机架断裂等，严重影响了矿井通风安全。

针对以上难题，结合智能诊断技术的发展，提出了一种新的基于振动传感器的矿用通风机运行状态监控系统，其核心是通过对风机常见隐秘故障振动状态的监测，获取其振动特征信号，然后通过振动传感器对风机的运行振动情况进行监测，在经过小波神经网络智能分析后确定风机的运行特性，从而实现对风机运行情况的智能判断。

1 风机运行隐秘故障分析及监测需求

通过对通风机运行故障的分析，风机在运行过程中比较常见的隐秘故障主要包括转子不对中、转子运行不平衡、风机运行喘振以及机组松动，其故障率占据了风机运行整个故障率的89%以上[1]。

转子不对中：主要是指风机的转子在水平或者角度不对中，主要是制造误差以及在长期运行过程中因磨损导致的偏离。当风机转子不对中时，风机在运行过程中会出现振幅过大，通过对其运行特性的分析，其振动时还伴随有高频的振动信号，最少为2 倍倍频，且偏心越严重其运行时的倍频越高。

转子运行不平衡：主要是由风机转子在制造过程中由于质量分布不均匀导致或者由于磨损导致的偏心，在运行时会伴随有显著的高频振幅，一般为运行时的1～2 倍倍频，其他运行振动信号和转子不平衡时的振动信号类似。

风机运行喘振：风机在工作时，由于井下气流分布紊乱或者运行转速不平衡容易发生波动，导致风机系统出现剧烈的振动，在喘振发生时其特征频率为0.5 倍低频，常伴频率为1 倍低频，存在着较大的不稳定性。

风机基座松动，主要是风机固定螺丝的松动或者地基下沉、倾斜导致的，当风机运行时会在水平或者垂直方向上产生异常的波动，其工作时的特征频率为0.5～0.86 倍低频，常伴频率为2～3 倍低频。

传统风机运行状态监测系统由于存在局限性，无法对以上隐秘故障进行有效的监控，因此需要开发全新的监测系统，要求能够准确地对风机的振动状态进行监控，根据监测结果对振动特性进行分析，实现对隐秘故障的精确定位。

2 通风机运行状态监测系统

该通风机运行状态监测系统的核心，是在通风机的不同位置设置振动传感器，对风机运行时的振动特性信号进行采集，然后通过数据分析，判断其故障状态类型，其监测系统整体结构如图1 所示。

图1 风机运行状态监测系统结构示意图

由于风机工作环境恶劣，在运行过程中振动类型多、持续时间长，因此对振动传感器的可靠性和监测精度要求极高，经过多次实际测试，最终选择了AMV-70420 型振动传感器[2]，其灵敏性达到了18.2 mV/gn。为了满足监测精确性的需求，在风机的径向水平测定、径向垂直测点以及轴向测点上分别设置传感器，满足监测可靠性的需求。

系统内的数据采集仪采用了防爆型多路振动采集仪[3]，数据传输采用了高速光纤，满足各类监测数据高速的传输需求。

3 故障判断理论

由于风机在运行过程中本身就存在着一定的振动，而且在运行过程中会受到多种因素的影响，导致振动传感器监测到的振动状态信号包含很多的杂波，要想精确地对风机的运行状态进行判断，就需要能快速、精确地识别出对应的振动状态信号。传统的数据分析模式无法很好地进行振动状态信息判断，因此本文提出了一种新的小波神经网络判断逻辑。

在进行故障分析逻辑构建时，首先要对不同状态下的振动信号特征进行分析，然后确定不同类型的神经网络架构，最终再确定风机振动情况下的特征向量维数，当系统获取运行状态时的振动状态信息后，将振动信号传输到构建完成的神经网络里，通过不断的训练和匹配，最终获取一个满足给定误差的数据输出，精确地确定振动信号的特征类型并快速匹配，进而实现对故障的快速定位，该小波神经网络分析原理如图2 所示[4]。

图2 小波神经网络分析逻辑示意图

4 风机运行状态监测系统的应用

该运行状态监测系统应用以后，对风机的运行状态进行监测。煤矿井下巷道深度为443 m，工作面采用三进一回的全风压通风方式，工作面最小进风量为进风巷槽、设备安装巷与切眼的最小进风量之和为1 178.1 m3/min，工作面最大进风量为进风顺槽、设备安装巷与切眼的最大进风量之和11 785.0 m3/min。风机在运行过程中监测系统共检测出3 次转子不对中、转子运行不平衡故障，出现故障后自动进行报警，提醒作业人员进行维修。根据统计其对风机隐秘故障的检测精度达88.5%以上，显著提升了风机运行时的安全性和可靠性，风机振动监测系统如图3 所示。

图3 风机振动监测系统应用现场图

5 结论

1）风机在运行过程中比较常见的隐秘故障主要包括转子不对中、转子运行不平衡、风机运行喘振以及机组松动，其故障率占据了风机运行整个故障率的89%以上。

2）小波神经网络判断逻辑，能够精确的确定振动信号的特征类型并快速匹配，进而实现对故障的快速定位；

3）该监测系统对风机隐秘故障的检测精度达88.5%以上，对提升矿井通风机的运行安全性和稳定性具有十分重要的意义。