故障诊断在煤矿通风系统中的方法和应用.docx

故障诊断在煤矿通风系统中的方法和应用.docx

《故障诊断在煤矿通风系统中的方法和应用.docx》由会员分享，可在线阅读，更多相关《故障诊断在煤矿通风系统中的方法和应用.docx（17页珍藏版）》请在冰豆网上搜索。

故障诊断在煤矿通风系统中的方法和应用

故障诊断在煤矿通风系统中的方法和应用

摘要：

通风机是煤矿安全生产的关键设备，担负着向井下输送新鲜空气、排出粉尘和污浊气流、确保矿井安全生产的重任。

作为矿井系统的动力源，该设备如果因某种故障而停机运行，将会给整个矿山的安全生产带来巨大威胁。

因此，对煤矿通风机系统进行在线监控与故障诊断的研究具有重要的理论意义和实际应用价值。

本文研究了故障诊断技术在矿井通风系统中的方法、应用现状和发展趋势，为故障诊断技术在煤矿通风系统中的应用提供指导。

关键词：

煤矿通风系统；故障诊断；主要通风机；

引言

随着现代大生产的发展和科学技术的进步，现代设备的结构越来越复杂，功能越来越完善，自动化程度也越来越高。

由于许许多多无法避免的因素的影响，有时设备会出现各种故障，以致降低或失去预先的功能，甚至造成严重的以至灾难性的事故，国内外曾经发生的各种空难、海难、矿难、爆炸、断裂、坍塌、泄漏等恶性事故，造成了人员伤亡，产生了严重的社会影响；即使是经常性的生产事故，也因生产过程不能正常运行或机器设备损坏而造成巨大的经济损失。

科技水平的发展带动了我国基础工业水平不断提高，随着各种新技术、新装备不断投入到煤炭生产中，煤矿技术装备水平和生产能力得到了大幅提升。

2015年，全国原煤总产量达到36.8亿吨，位居首位，占全球煤炭总产量的47.7%。

预计到2020年，我国对标准煤的需求总量将达到50亿吨。

我国“十一五”和“十二五”期间的能源结构如图1所示。

由此可以看出，在未来较长的一段时期内，煤炭在能源结构中的主体地位不会改变[1]-[3]，预计到2050年，煤炭在能源总量中的份额仍将在50%以上。

目前，我国煤炭产量的90%来自地下开采，采掘深度大于500米的矿井占全国矿井总数的40%，40多个矿井的采深已经超过千米。

由于我国矿井自然条件较恶劣，加上管理和生产技术发展滞后，目前煤矿生产和安全形势不容乐观，急需高产高效的大型生产装备及高可靠性的安全保障关键技术。

图1我国能源结构

煤矿机械设备（特别是主要通风机）的故障直接影响到煤矿企业的有效生产，我国是采煤大国，也是煤矿机械设备制造和使用的大国，特殊的工作环境使得矿用机电设备长期处于粉尘大、湿度大、噪音大、有害气体多的氛围，高速、高载、冲击、振动及润滑不良的工况极大的增加了机械设备故障发生的概率，导致了矿产事故的频繁发生，影响了煤矿安全生产，增加了设备维修费用。

所以，进行主动预防性检测工作是十分必要的。

矿井通风是为矿井各用风场所提供足够的新鲜风量，保证作业空间良好气候条件，冲淡或稀释有毒有害气体和矿尘等。

因此，矿井通风系统（MineVentilationSystem）是矿井生产系统中的重要组成部分，为矿井安全生产提供了重要保障。

矿井通风系统的可靠性直接决定着矿井安全生产能力，而如何利用故障诊断技术准确地判断矿井通风系统状态，及时发现劣变征兆，并对出现的故障给予正确有效的分析，对保证矿井安全开采意义重大。

1故障诊断的概念和方法

1.1故障诊断的概念

故障是指系统处于一种非正常运行状态，在该状态下，系统某些特征超出了正常范围，性能明显降低，完全或部分丧失原有功能[4-5]。

通常把设备在运行中所发生的状态异常、缺陷、性能恶化、以及事故前期的状态统统称为故障，有时也把事故直接归为故障。

故障诊断（FaultDiagnosis）是指检测系统内可能存在的故障，确定故障的类型和故障发生的位置，同时给出故障发生的时间和严重程度[4-5]。

这是一门包含了很多新科技内容的综合技术，其基本原理是根据状态监测所获得的信息，结合设备的工作原理、结构特点、运行参数、历史状况，对可能发生的故障进行分析、预报，对已经或正在发生的故障进行分析、判断，以确定故障的性质、类别、程度、部位及趋势，对维护设备的正常运行和合理检修提供正确的技术支持。

设备故障诊断的过程[6]如图2所示。

图2设备故障诊断过程

设备故障诊断技术的具体内容包括四项基本技术：

（1）监测技术。

准确采集和测量反映设备状态的各种信号和参数的技术；

（2）信号处理技术。

将现场采集的各种信号，经过各种变换，把真正反映设备状态的信息提取出来；

（3）识别技术。

根据掌握的故障征兆信息和状态参数，判断故障并找出原因；

（4）预测技术。

指对已识别出来的故障进行预测，预测故障的发展和设备的剩余寿命。

1.2故障诊断的方法

根据国际故障诊断权威专家，德国的P.M.Frank教授的观点[7]，可以将现有的故障诊断方法大致分为三类：

基于数学模型的方法、基于信号处理的方法和基于知识的方法。

（1）基于数学模型的故障诊断方法

基于数学模型的方法是一种传统的故障诊断方法，主要包括基于状态估计（StateEstimation）的方法[8，9]、基于参数估计（ParameterEstimation）的方法[10，11]和等价空间（ParitySpace）方法[12]。

这类方法的基本思想是首先建立系统精确的数学模型，获得数学模型输出与系统实际输出间的残差；然后通过对残差进行分析，提取故障特征，根据特征参数进行故障诊断。

如图3所示，对于一个动态系统，如果知道描述系统的数学模型，则根据这一模型可构成一种故障诊断系统。

图3一种基于数学模型的动态系统故障诊断框图

理论情况下，在系统输入正确、动态系统运行正常以及状态监测无差错的情况下，系统的实际输出值y和系统模型输出值ŷ之间的残差e应该为零；但是，如果系统输入、动态系统和状态监测的任何一个部分发生了故障，残差e则不为零；因此，可以通过残差值来判断系统是否发生了故障。

但考虑到实际测量中不可避免地存在误差，以及建立模型时参数的不确定性，一般根据经验设置残差的阈值ε。

当系统处于正常状态时，e应该小于ε；如果e大于ε，则认为系统处于某种故障状态。

由于现实中扰动和噪声等的干扰，信号具有随机性，因此阈值的设定不够精确，这就导致了故障检测系统存在漏报、误报现象。

基于状态估计的方法通过设计状态观测器（Luenberger观测器）或滤波器（Kalman滤波器）来获得系统状态的估计值，进而形成残差序列，然后利用适当的决策函数和规则确定故障类型和位置。

基于状态估计的方法在系统模型确定的情况下是有效的，但实际应用中很难做到模型的精确，所以建模误差、扰动以及噪声等未知输入会影响该方法对故障的诊断。

基于参数估计的方法在研究了系统工作原理的基础上，找到模型参数和实际部件参数之间的关系，通过对模型参数的辨识获得实际部件参数的估计值，根据其与标准值的残差来进行故障的判断和分离。

如文献[11]在对感应电机定子进行故障诊断时，设计了一个自适应Kalman滤波器对故障进行预分离，然后再对模型进行参数估计，实现故障的进一步诊断。

基于参数估计的方法建立在统计方法的基础上，需要事先知道干扰或噪声的统计特性，因此实用性差。

等价空间法是首先建立系统模型中输入量和输出量之间的关系，然后检查系统实际的输入和输出变量是否满足该关系，根据匹配结果进行故障诊断。

由于等价空间法需要先确定输入和输出值之间的关联方程，因此对其的应用集中在线性系统。

（2）基于信号处理的故障诊断方法

由于系统的I/O信号模型在幅值、相位、频率及相关性上与故障源之间存在一定的联系，故障发生时，可应用某种信号处理方法和特征提取方法（如各种谱分析方法、相关分析、时间序列特征提取方法、自适应信号处理方法以及信息融合等）进行故障检测与分离。

它不需要对象的准确模型，回避了建模的难点，因此适应性强。

此类方法主要有基于时序分析的方法、基于谱分析的方法和基于时频分析的方法。

时序分析方法[13]是利用统计分析技术，对系统有序的观测数据进行处理，从中提取描述系统运行的状态信息，抽象成模型参数，并基于其构造相应的判别函数进行故障诊断。

判别函数[14]通常选用几何距离或信息距离，如欧几里得和残差偏移距离、J-散度距离、Itakura信息距离和Kullback信息距离等。

由于信号包含了大量系统运行时的状态信息，对其进行频谱分析能够提取出各种信息的特征，从而进行故障判断和决策。

基于谱分析的方法即是利用各种频谱分析方法对信号进行处理，根据振幅、频率及相关图谱进行的故障分析。

文献[15]率先在旋转机械的故障诊断中使用谱分析的方法，根据不同的故障在设备振动信号中会对应于特定频率的幅值调制，因此认为信号频谱中具有较大峰值的频率是设备出现某种故障的体现。

但是传统的谱分析方法主要是基于傅里叶变换[16]，分析方法单一，基本上只能查幅值和频率；而实际系统的测量信号往往是非线性、非平稳的，因此作为一种全局变换，傅里叶变换不适用于分析复杂信号的局部特征。

基于时频分析的方法是通过分析可测信号，提取幅值、相位、频谱等特征值，找到信号之间的内在关系，从而检测故障的发生。

常用的一些时频分析技术有：

短时傅里叶变换（ShortTimeFourierTransform，STFT）[17]、Wigner-Ville时频分布（Wigner-VilleDistribution，WVD）[18]、小波变换（WaveletTransform）[19]、Hilbert-Huang变换（Hilbert-HuangTransform，HHT）[20-21]等。

从严格意义上讲，STFT是一种平稳信号分析法，只适用于对缓变信号的分析，而Wigner-Ville分布对多分量信号有严重的交叉项干扰。

目前虽然提出了一些改进方法，但上述时频分析方法仍不能满足非平稳、非线性信号的精确分析要求。

而小波变换作为一种时-频分析方法，适合于非平稳信号的分析。

它不仅能够反映信号在频域上的情况，又能够反映信号在时域上的变化规律。

小波变换具有多分辨率分析的特点，即对低频部分可以使用较高的频率分辨率和较低的时间分辨率，而在高频部分则可以使用较高的时间分辨率和较低的频率分辨率。

文献[22]最早将小波分析应用于故障检测和判断，通过对信号进行实时小波分析，提取故障特征进行诊断；文献[23]提出了小波变换和人工神经网络相结合的旋转轴承故障诊断方法，首先利用小波变换对采集的振动信号进行分析，提取故障特征，然后特征向量输入到神经网络中进行分类；文献[24]则是先利用小波变换处理相关信号，从中提取故障特征，然后利用支持向量机对故障特征进行模式识别；文献[25]将模糊模型引入小波网络，研究了利用小波模糊网络进行飞机发动机故障诊断的方法。

Hilbert-Huang变换是一种新的非线性、非平稳信号处理方法，它依据数据本身的时间尺度特征对信号进行经验模态分解（EmpiricalModeDecomposition，EMD），从而得到有限个固有模态函数（IntrinsicModeFunction，IMF），然后对各模态分量进行变换从而得到信号能量在时间尺度上的分布规律，实现信号动力特性的量化提取。

与小波分析相比，它是一种无需任何先验知识的自适应的时频分析方法，它的分解基依赖于信号本身，数据的分解有真实的物理意义，且有更高的时频分辨率。

因此自提出以来，得到了广泛的研究，已成功地应用在地球科学[26-27]、生物医学[28-29]和设备故障检测[30-33]等应用领域。

通风机作为一种大型旋转机械，其振动信号从本质上说都是非平稳、非线性的，需要更好的信号分析与特征提取方法来进行处理，因此，研究该时频分析方法及其在通风机振动信号故障特征提取上的应用即为本文研究的问题之一。

（3）基于知识的故障诊断方法

基于知识的故障诊断方法不需要定量的数学模型，它不仅能够引入更多与诊断对象有关的信息（包括直接或间接信息），而且可以充分利用人类专家的经验知识（浅知识），因此该方法适用于非线性系统和复杂大型系统的故障诊断。

根据结构的不同，可以将其分为基于定性模型的方法和基于症状的方法。

基于定性模型的方法包括符号有向图（SignedDirectedGraph，SDG）方法[34]、故障树（FaultTree）方法[35]和定性仿真（QualitativeSimulation）[36]等。

基于症状的方法包括专家系统（ExpertSystem）方法[37]、神经网络（NeuralNetwork）方法、模糊推理（FuzzyReasoning）方法和支持向量机（SupportVectorMachine，SVM）方法等；基于知识的故障诊断的过程框图如图4所示。

图4基于知识的故障检测与诊断系统框图

SDG方法和故障树方法都是基于事件的因果关系进行推理判断，建模比较简单，结果逻辑清晰、易于理解；但是当系统机理比较复杂时，这类方法的判断过程将会变得很复杂，诊断正确率较低。

专家系统方法是基于产生式规则表示的诊断知识，推理过程即是规则匹配的过程；但它存在知识获取比较困难，缺乏对新知识学习的能力等缺点，而且当规则较多时，会出现规则组合爆炸等问题，导致推理速度缓慢、效率低下。

神经网络由于具有非线性逼近、自学习能力和并行处理等特点，使其在非线性故障诊断方面得到了广泛应用。

神经网络[38]通常由输入层、单个或多个隐含层和输出层构成，隐含层及其权值分布实现了由输入层到输出层的非线性映射。

对于故障诊断来说，输入层对应诊断对象的故障症状，输出层对应故障类别，通过利用故障症状和故障结果对网络进行训练，从而实现故障诊断。

如文献[39]将液化石油气罐装过程的各工序抽象成一个神经网络，通过输入过程的状态进行故障诊断；文献[40]提出一种小波变换与神经网络相结合的方法用于模拟电路的故障诊断。

模糊推理系统[41]利用模糊集合和运算对现实世界中的模糊信息有很强的描述能力，因此适用于构造故障的模糊规则库，然后根据该规则库对当前运行状态进行模糊推理，从而得到诊断结果。

为了保证神经网络输出的准确性，需要大量历史数据进行训练，这对于进行故障诊断的系统往往是无法实现的。

因为故障具有突发性、不可逆性和破坏性，因此诊断对象的故障样本数量相对较少。

与神经网络不同，支持向量机[42]更加适用于小样本的情况。

文献[43]最早将支持向量机用于小样本情况下轴承的故障检测，并对神经网络方法和支持向量机方法进行了比较。

支持向量机作为一种基于有限样本统计学习的新理论，以得到现有信息下的最优解为目标，而不是样本数趋于无穷大时的最优值，因此能有效地避免过学习现象的产生。

从理论上说，它得到的将是全局最优解，从而有效地解决了在神经网络方法中无法避免的局部极值问题[44]。

文献[45]提出了一种利用S变换提取信号特征，并结合多类分类支持向量机来识别电能质量扰动信号类型的方法；文献[46]则提出利用多类分类支持向量机和动态聚类方法对工程车辆的滚动轴承进行故障诊断；文献[47]提出利用支持向量机和小波包技术对旋转机械的碰摩故障进行分类诊断；文献[48]提出了模糊支持向量机（FuzzySVM）的概念，解决了支持向量机中的不可分区域问题，并研究了FSVM参数的选择方法，对船用柴油机进行了故障诊断，系统有较强的抵抗噪声的能力。

文献[49]提出结合模糊Takagi-Sugeno模型和支持向量机技术用于水坝注浆工程中注浆层位的识别。

通过上述分析可以看出，基于数学模型的故障诊断方法需要对诊断对象建立精确的数学模型，而实际中存在的各种不确定因素使得精确数学模型难以建立，此时便不适合使用基于数学模型的故障诊断方法。

基于信号处理的故障诊断方法仅从与故障相关的信号的时域或频域特征进行判断，对多故障并发情况的辨识能力差，并且缺乏对新故障类型的学习能力。

基于知识的故障诊断方法能够有效地利用系统运行过程中积累的大量数据，具有较高的自适应和自学习能力，尤其适用于具有高维、非线性、时变性等特性的复杂系统。

因此本文利用信号处理技术提取系统故障特征，并将其转化为适合于模式识别的输入参数，建立基于知识的故障诊断系统。

2故障诊断技术在煤矿通风系统中的应用现状

从20世纪60年代起，计算机技术的发展使得在线监测成为可能，而信号处理技术新成果的大量涌现，使得从信号中能够提取出更多的特征信息。

智能诊断方法的相继出现，也为深入分析各个状态参数提供了理论基础，从而能够多层次、多角度、深入地对机械设备运行状态进行评估，这便是设备的状态维修。

近年来，通风设备的检修也从传统的计划性维修逐步向状态维修过渡，这一维修方式在减少资源浪费的同时也可以避免发生二次故障，保障了煤矿通风系统的安全、经济、高效运行。

状态维修包括状态在线监测和故障诊断两方面内容。

其中，状态监测是指在设备维护前，针对运行中的设备，通过高精度的传感器采集能够反映其健康状况的特征参量，通过数据分析与处理，对整台设备或设备中重要部件进行寿命评估，从而预测设备状态发展的趋势。

而故障诊断技术则以先进的状态监测系统为基础，结合高级信号处理技术及相关智能诊断方法，为设备的状态维护提供积极可靠的预防性保养建议，实现对设备状态的有效控制，节省不必要的停机检修时间和资金，有效地提高设备的使用率、降低设备的故障率。

2.1故障诊断技术应用现状

美国是第一个研究故障诊断及预警技术的国家，早在1967年美国国家航空航天局就成立了机械故障预防小组[50]。

后来由于大型机械的结构越来越复杂，对其进行故障诊断以及状态维护变得越来越重要，该技术迅速普及到钢铁、航空运输等先导行业。

例如，为了保障飞机发动机的可靠运行，美国在大规模测试飞机发动机参数信息的基础上，开发了基于智能技术的飞机发动机诊断系统（AIDS），并应用于飞机的实际运行中。

该系统能采集飞机飞行中的大量振动和噪声信息，利用先进信号处理技术对这些信息进行深入分析，判断出飞机飞行中发动机的故障征兆，以便尽早排除安全隐患。

英国从20世纪末开始研究故障诊断及预警技术，英国机器保健中心在机械故障诊断及预警方面的研究取得了良好的效果[51]。

欧洲其他国家的大型公司，如德国siemens公司、瑞士ABB公司、丹麦B&K公司等也积极推出了基于高级信号处理与故障诊断技术的状态参数釆集设备。

日本在故障诊断及预警技术研究方面起步较晚，但是在其它国家的技术基础上发展很快，并逐步确立了在钢铁、电力、能源开釆等行业故障诊断及预警技术领域的领先地位[52]。

我国在机械设备故障诊断技术领域的研究起步较晚，但发展势头良好，已取得不少可喜的成果。

对这方面的研究工作主要集中在一些对设备安全有较高要求的行业，如煤炭、电力等。

目前，国内各机构及研究院所对于机械故障诊断技术的研究主要集中在以下两个方面：

（1）故障机理的研究

对故障机理的研究是进行故障诊断的前提。

当转子、轴承等机械部件出现异常或故障时，其监测参量中通常会出现丰富的特征征兆。

电机故障机理的研究就是利用电磁场、动力学的相关理论进行特征量计算，以揭示设备的故障征兆。

通过机理分析，可以建立故障类型与目标参量之间科学的对应关系。

（2）状态参量处理技术的研究

状态参量的处理技术由信号采集技术和分析技术组成。

釆集技术是利用嵌入式系统等硬件结构实现故障敏感参数的釆集，主要有便携式测振仪、状态监测系统等，这些装置能够实现机械设备电气参数、机械参数等目标参量的釆集；分析技术则是利用高级信号处理技术对采集的参量进行深入分析，包括时频域分析、频谱分析、包络谱分析等。

特别是小波分析，其对于处理振动信号等非稳定信号具有先天性的优势。

利用上述技术提取目标参量中故障征兆值，建立故障数据库，再利用模糊理论、专家系统、神经网络等智能诊断技术以实现机械状态的可靠评估。

随着机械故障诊断技术的不断发展，围绕以上研究内容，结合主通风机故障诊断的具体要求，国内一些高校及科研院所、科技公司开始了对主通风机故障诊断技术的研究，并开发了一些监测诊断设备，其中不少设备通过了煤矿企业的试验，成功应用于工业现场。

如煤科院抚顺分院研制的ZF-1型主通风机多参数智能检测仪，该装置可实现压力、温度及风速三个参数的同步采集[53]；中国矿业大学的胡亚非教授等人研制的KJZ系列矿井主通风机在线监测与通讯系统独创了局变环节差压风量监测方法，可实现风量、风压的可靠测量，同时兼顾一些电气参数的测量[54]；湘潭平安电气集团有限公司于2004年研发了一套矿用主通风机在线监测及故障诊断装置，利用PLC实现对矿井主通风机的状态监测，可以实现对风量、负压、通风机轴承温度、配套电动机的启停、正反转、电机电参数、定子和轴承温度、瓦斯浓度和风门的开闭状态等基本参数的在线监测，并附带部分故障诊断功能[55]。

综合以上各系统的特点可以看出，虽然目前国内己经实现了设备状态的在线监测，提高了矿井通风机的运行可靠性，但是核心的控制和诊断功能都还处于研究阶段，即使有个别系统已具备诊断功能，但其可靠性、准确度和可移植性尚待进一步提高。

2.2故障诊断技术发展趋势

近年来，随着生产技术的不断发展，设备自动化、智能化水平不断提高，对设备诊断预警的要求也越来越高；同时，计算机技术与信号处理技术领域中新成果的不断涌现也为故障诊断技术的飞速发展提供了新的理论基础。

故障诊断技术今后的发展方向主要集中在以下几个方面：

1.更多的电气设备被纳入状态监测的范围。

设备的状态由多种特征参数综合决定，在线监测技术将打破监测某一台设备的局限向监测整个大系统的方向延伸[56]。

2.传感器技术的发展使得监测的状态特征量进一步增多，计算机技术、信号处理技术的发展，也使得数据处理量暴增，多监测量、多功能的在线监测系统将得到进一步发展。

3.由于数据量的大规模增加，传统的数据处理方法己无法满足监测系统的需求，智能技术如神经网络技术、专家系统、模糊逻辑等将得到进一步研究和推广。

4.随着计算机处理技术、光纤技术、数据库技术、网络技术等的发展，设备状态的远程监控和装置并网跟踪将得到进一步广泛应用。

5.状态监测领域越来越关注专家经验的知识累积，来实现从检测到的数据中提取故障特征信息进而作出相应判断的目标，加强关于检测项目和检测方法等方面更新、更实用的基础理论与实践的研究。

6.随着数据库、专家系统、神经网络等技术的发展，设备的故障诊断技术与当代最新的传感技术、信号处理技术相融合，将推动智能故障诊断技术不断向前发展，其发展趋势概括如下：

1）多种知识表示方法的结合；2）经验知识与原理知识的紧密结合；3）专家系统与神经网络的结合；4）虚拟现实技术将得到重视和应用；5）数据库技术与人工智能技术相互结合；6）基于Internet和Intranet的远程故障诊断。

参考文献：

[1]王金华.我国煤炭高效洁净利用新技术[J].煤炭科学技术，2012，40

（1）：

1-4.

[2]梁敦仕.2011年煤炭经济运行分析及走势预测[J].中国矿业，2012，21

（2）：

13-14.

[3]崔民选.2007能源蓝皮书--2007中国能源发展报告[M].社科文献出版社，2007.

[4]黄振和著.故障诊断理论与应用[M].合肥：

中国人民解放军电子工程学院出版社，2003：

8~11.

[5]周东华，叶银忠著.现代故障诊断与容错控制[M].北京：

清华大学出版社，2000：

1~275.

[6]杨军，冯振声，黄考利等.装备智能故障诊断技术[M].北京：

国防工业出版社，2004：

91~107.

[7]FrankPM.Analyticalandqualitativemodel-basedfaultdiagnosis--asurveyandsomenewresults[J].EuropeanJ.ofControl，1996，2

（1）：

6~28.

[8]D.Ichalal，B.Marx，J.Ragot，D.Maquin.AnapproachforthestateestimationofTakagi-Sugenomodelsandapplication