摘要：在煤炭开采过程中，通风机起着十分重要的作用。煤矿通风机故障若不及时发现、处理，将不利于煤矿安全生产。分析了煤矿通风机转子不对中、基础或装配松动、轴承损坏、转子与静止件摩擦、叶片等常见震动故障，并采用谐波小波对煤矿通风机震动故障进行检测、分析。结果表明，当存在通风机震动故障而不容易直接判断故障类型时，采用谐波小波分析法能检测出早期故障引起的微弱震动，较好地分析故障类型，对保证煤矿生产安全稳定具有积极意义。
关键词：通风机；震动故障；分析
引言
煤矿通风机能够对矿井下的有毒有害气体和矿尘进行稀释和清除，从而给矿井工作人员创造好的工作条件。如果机体的正常运行出现了问题，就会直接给井下作业人员造成危害，甚至被夺去其宝贵的生命。在科技高速发展的今天，煤矿风机技术以及其组成呈现了多样性，因此，急需通过高科技的检测方式，迅速、正确无误的查明机体的事故地点、种类以及轻重程度，利用“具体情况具体分析”的手段对其进行紧急维修，从而提升机体运作的稳定性。
1煤矿通风机
煤矿通风机主要有两种类型，一是离心式通风机，二是轴流式通风机。离心式通风机由叶轮转动带动空气获得离心力，在通过风道导出，使叶轮中心成为负压区。轴流式通风机由叶片对空气进行切割，将空气从出风口压出，新鲜空气从进风口补充进来，在叶轮前形成负压区。
2煤矿风机常见故障
2.1因为轴承损坏、使用质量极差的润滑剂以及轴承组装的失误，都会造成机体轴承生成过多热能量，导致煤矿风机故障的形成。
2.2煤矿通风机为连续性工作，就会导致机体温度过高，易提高问题出现的频率。由于煤矿风机的组成零件较多、较为复杂，单凭以上常见故障种类，也并不能从整体角度诊断出故障位置，当表现得比较隐蔽时，会被机体的嘈杂声掩盖，很难高效率的寻觅机体故障的最终根源，为安全事故的发生埋下重大隐患。
2.3煤矿通风机轴系由转动轴、转子轴通过联轴器连接组成。安装时误差会导致转子受到压力发生形变和不均匀沉降。风机运行时，该故障可能使各转子轴线间产生位移，即对中变化误差。转子不对中故障示意见图1。
图1转子不对中故障示意
转子不对中故障不容易引起注意，特别是转子系统发生综合不对中故障时可能会有损设备的动态效应，如联轴器偏转、轴承损坏或轴的变形等，损失很大。
2.4煤矿通风机运行时在气体动压力激振的作用下，会使叶片产生裂纹，发生断裂或变形。如果叶片发生故障，还可能产生不平衡震动。震动特征主要表现为:叶片数为N时，激振频率表现为Nfr;常伴频率特征频率周围出现大量的以fr为调制的边带;径向震动变大，发生异常声音。
3煤矿风机故障的智能诊断
3.1专家诊断系统
所谓专家诊断系统，主要是指组织各个层面专业人士的专业知识和实践经验为一体，用于效仿真实人物思维模式的推导系统。主要涵括数据系统、推敲系统以及人机交互界面系统，用于准确诊断出事故的种类以及具体位置。使用专家诊断系统的首要前提就是制作出机体故障的模型，遵循生长式规律以及树形结构知识的表达方式，储备风机机体事故的常见个例规律库，同时也要在规律库中记载下事故敏锐特点和故障种类。专家诊断系统的主要特点就是能够将相近的事故种类和敏锐特点清晰罗列出来，进而得出最为正确的检测结果。
3.2混合智能诊断
利用工作人员的思维以及工作经验的系统称之为专家系统，利用对真人脑部思维和空间想象思维的模仿可称之为人工神经网络。在煤矿风机事故诊断中，既利用专家系统又使用人工神经网络的方法可称之为混合智能诊断系统，能更加快速便捷地诊断出煤矿风机的故障所在，进而在一定程度上提升了工作效率。人工神经网络可以帮助专家系统轻松地获取知识，专家系统能够为人工神经网络解答它自身的黑箱特点，当处于机体故障诊断检测时，将一些数据加以整理优化（此数据可列举为：①人工神经网络的神经元数量；②隐蔽层数目；③隶属度函数；④自适应参数等），再用遗传算法和蚁群体计算方法解决相关疑虑，是今后煤矿风机故障检测的最大趋势。
4谐波小波分析的应用
谐波小波由双正交奇偶函数构造而成，具有较强的时域局部性，同时在频域内具有盒形特性和紧支特性，能够提取频域局部的微弱信号。谐波小波函数可以作为滤波器进行信号处理，避免了小波变换中的频泄问题。煤矿通风机发生早期故障时，震动信号有时仅出现微小、短时的异常，很容易被忽略掉。采用谐波小波函数对矿井通风机故障产生的早期微弱信号进行分析、诊断，能及时发现故障，找出原因并采取相应措施。
4.1通风机参数及测点布置
BDK-6-N0．18型轴流式通风机，参数见表1。
表1BDK－6－N0．18轴流式通风机参数
采用谐波小波对通风机震动故障进行分析，震动测点分别布置在垂直、水平、轴向3个方向上布置，并在两个不同位置进行测试，测点布置示意见图2，震动烈度测量结果见表2。
图2测点位置示意
表2垂直、水平、轴向测试结果
从表2可以看出，测点2水平与轴向震动烈度均较大，因此应对其进行重点分析。
4.2故障诊断
对测点2水平方向震动信号进行分析，时域图见图3，频谱见图4。
图3测点2水平方向时域图
图4测点2水平方向频谱
从图3、图4中无法看出故障特征。首先用db5进行分解，分解后虽然可以发现异常频率，但仍然无法确定故障类型。用谐波小波对震动信号再次进行分解，得到a3、d3两段频谱，分别见图5、图6。
图5谐波小波分解后的a3段频谱
图6谐波小波分解后的d3段频谱
从图5、图6中可以看出，信号中出现的高次谐波主要有6fr(102Hz)和10fr(160．6Hz)，说明通风机运行存在故障;一级叶轮特征频率和二倍频率周围出现了685Hz高频，二级叶轮特征频率和二倍频率周围出现了432Hz高频，由此可以推断通风机故障出现在叶片上，属叶片故障。按照同样方法，对测点2轴向震动信号进行分析，可以得到相同结论。
5结 论
(1)通过分析煤矿通风机常见的震动故障发现 ，转子不对中、基础或装配松动、轴承故障、转子与静止件摩擦、叶片故障等容易使通风机产生震动故障，影响其正常工作，不利于煤矿的安全生产。
(2)采用谐波小波对 BDK-6-N0． 18 轴流式通风机震动故障进行分析，结果表明:当信号中出现高次谐波，说明通风机运行存在故障;根据一级叶轮特征频率和二倍频率周围出现高频、二级叶轮特征频率和二倍频率周围出现高频推断通风机故障出现在叶片上。因此当存在震动故障而不容易直接判断故障类型时，采用谐波小波分析法能够较好地分析其故障类型。
结语
由于煤矿风机的工作环境十分卑劣，所以能轻易诱发多种不同的运行事故。专家诊断系统以及神经网络系统能够在很大程度上提高煤矿新技术发展以及管理水平提高。人工智能检测方式在不断实践中日益完善，相信在不远的将来，多种人工智能方法能够集多种诊断方式于一身，在最大程度上将诊断效率提升至最高点。
参考文献：
［1］高兵兵，蒋占四，张应红，胡志鹏，韩晋栋.煤矿风机小波神经网络故障诊断系统研究[J].煤矿机械，2014,(3):227-229.
［2］荆双喜，简彦成，冷军发．矿用通风机滚动轴承震动故障诊断研究［J］．河北理工大学学报，2013，32(6):697-701．
［3］赵佰亭，张艳，何勇，等．矿用通风机故障诊断系统设计［J］．科技信息，2014，(1):33．
论文作者:闵祥晟,许继轲
论文发表刊物:《电力设备》2017年第24期
论文发表时间:2017/12/14
标签：通风机论文; 故障论文; 煤矿论文; 谐波论文; 转子论文; 风机论文; 小波论文; 《电力设备》2017年第24期论文;