赵冬建
（开滦股份吕家坨矿业分公司，河北 唐山 063017）
【摘 要】煤矿风机作为一种重要机械设备，其运行状态直接关系着煤矿的生产运营，由于煤矿风机的工作环境恶劣、运行时间长，不可避免会发生各种故障，为了提高煤矿风机运行的安全性和稳定性，必须做好煤矿风机故障的智能诊断，采用先进的智能诊断技术，快速识别风机故障，做好煤矿风机故障排除，不断提高煤矿企业的经济效益。本文分析了煤矿风机运行的常见故障，阐述了煤矿风机故障的智能诊断。
教育期刊网 http://www.jyqkw.com
关键词 煤矿；风机故障；智能诊断
在煤矿生产中风机源源不断的向矿井输送新鲜空气，及时排除瓦斯、粉尘等污浊气体，保障矿井的安全生产，而一旦煤矿风机出现运行故障，会严重威胁工作人员的生命安全。随着现代化煤矿风机的快速发展，其内部结构越来越复杂，加上运行环境的多变性，造成煤矿风机故障率不断提高。通过采用多种现代化的智能诊断方法，快速、准确地诊断煤矿风机故障程度、故障类型和故障位置，有针对性采取有效的维修措施，提高煤矿风机运行的安全性和可靠性。
1 煤矿风机运行的常见故障
煤矿风机运行环境恶劣、运行参数多变和内部结构复杂，在长时间的运行中煤矿风机的故障部位和故障形式往往不同，因此煤矿工作人员应注意及时总结和归纳煤矿风机运行的常见故障，找出风机故障部位和故障类型之间存在的联系，建立煤矿风机故障类型和故障征兆 之间的定性关系，当煤矿风机发生运行故障时，能够快速地判别故障类型，为煤矿风机的故障诊断、故障识别和故障排除奠定良好的基础。
在煤矿风机运行中，经常出现以下常见故障：其一，由于风管连接口漏气、叶轮上粘黏大量油污、输送带松弛等，风机送风量逐渐减弱；其二，由于轴承故障、润滑油劣化、轴承安装错误等，导致风机轴承释放大量热量；其三，由于供电线不合理、输入电压较高、电机超负荷运转等，风机电机温度过高；其四，螺栓松动、轴承碰擦、不平衡或叶轮变形[1]，导致整个风机剧烈震动；其五，输送带不对称或者由于长时间磨损输送带松弛，使得风机输送和跳动。虽然根据煤矿风机运行故障可以初步识别故障类型，但是不能准确的定位风机故障程度和故障位置，无法为煤矿风机故障维修提供全面的资料，有时煤矿风机故障表现不明显，很容易淹没在环境噪声中，难以快速有效地识别风机故障，造成严重的安全事故。
为了更加准确地确定煤矿风机的故障程度和故障部位，应在煤矿风机的合适位置安装油液、声发射、振动等监测传感器，采集煤矿风机的实时运行信号，再利用现代化的智能诊断方法对煤矿风机进行多层次、多角度的故障诊断。
2 煤矿风机故障的智能诊断
煤矿风机结构具有耦合性和复杂性的特点，其运行故障呈现出模糊性、相关性和非线性，煤矿风机故障诊断存在很大难度。模糊理论、专家系统和人工神经网络等人工智能方法可实现自推理、自适应和自学习等优点，能够很好地解决煤矿风机故障诊断的模糊性、时变性和非线性等问题，故障诊断结果更加可靠和精确。另外，煤矿风机故障的智能诊断可不断提高煤矿企业的智能化和自动化管理水平，为煤矿风机故障维护管理奠定良好的基础。
2.1 基于专家系统的故障诊断
专家系统是一种将多个领域专家的经验和知识组合起来的模仿人类大脑的推理系统，包括人机交互界面、推理系统和数据库等，专家系统具有很强的推理性和解释性，在煤矿风机故障诊断中应用专家系统，可有效判别故障类型和部位。基于专家系统的煤矿风机故障智能诊断，首先要建立风机故障模型，对常见的煤矿风机故障类型和故障敏感特征，根据树形结构和生成式规则等知识表示方法，建立煤矿风机故障的案例规则库[2]。在诊断煤矿风机故障时，将故障敏感特征和故障类型输入风机故障规则库。通过案列推理、规则推理、模糊逻辑等推理方式，专家系统可找出最相似的故障类型和故障敏感特征，输出准确的故障诊断结果。煤矿风机故障的专家系统智能诊断方法模拟了人类的推理逻辑和思维逻辑，符合人们正常的思维逻辑习惯，其综合利用多个领域的知识，相关故障诊断结果比较合理，但是也由于在线实用性差、推理组合过多和知识获取困难等问题，限制了专家系统在煤矿风机故障诊断中的广泛应用，在未来发展过程中应加大研究力度。
２．２ 基于神经网络的故障诊断
神经网络是一种自适应、非线性由多个处理单元组成的信息处理系统，基于神经网络的煤矿风机故障诊断，可有效解决风机故障的非线性问题，实现智能化和自动化的煤矿风机故障。将煤矿风机常见故障振动信号的倍频、基频、分频作为煤矿风机故障神经网络诊断的输入，将煤矿风机叶片故障、主轴不对中、不平衡等故障类型作为风机故障神经网络诊断的输出，进行故障诊断监督学习。神经网络通过合理设置各个神经单元的偏置阈值和连接权重，使风机故障的敏感特征和风机故障类型相对应，进行煤矿风机故障诊断。神经网络具有自学习、自适应、记忆、推测、联想等功能，可并行处理煤矿风机故障模式的识别问题。当前，基于神经网络的煤矿风机故障诊断方法主要包括LVQ神经网络、概率神经网络、BP神经网络等[3]，以风机故障振动的敏感特征作为神经网络的输入，并且利用监督学习分析风机故障类型，从而精确诊断煤矿风机运行故障。当前，神经网络在煤矿风机故障诊断中的应用非常广泛，但是也存在着难以确定网络结构、陷入局部优化等问题，在未来发展过程中，可将神经网络和模糊逻辑、专家系统进行有效结合，不断提高煤矿风机故障诊断效率。
２．３ 基于混合智能的故障诊断
专家系统主要是借助于人的逻辑思维和经验思维，人工神经网络是通过模拟人的创造思维和形象思维，将专家系统和人工神经网络结合起来用于煤矿风机故障诊断可取得更好的效果。专家系统可利用神经网络的自学习能力来解决知识获取难的问题，而神经网络可利用专家系统较强的解释能力来解决其黑箱特性，在煤矿风机故障诊断过程中，优化某些参数，如专家系统的自适应参数和隶属度函数、神经网络的神经元数目和隐层数，可利用蚁群算法、遗传算法等人工智能方法来求解这些问题。基于混合智能的煤矿风机故障诊断通过综合利用多个人工智能方法来准确诊断风机故障，可充分发挥不同诊断方法的优点，弥补不足，混合智能的故障诊断方法是未来煤矿风机故障智能诊断的主要方向。
３ 结束语
煤矿风机长时间处于恶劣的运行环境中很容易出现各种运行故障，专家系统和神经网络等人工智能方法具有自推理、自适应、自学习等能力，可用于煤矿风机设备强耦合、非线性的故障诊断中，从而提升煤矿企业的智能化和自动化故障维护和管理水平。当前，很多人工智能方法在煤矿风机故障诊断中展示出优越的特性，在未来发展过程中，应对综合利用多种人工智能方法实现高效率、高精度、低成本的煤矿风机故障诊断加大研究力度。
教育期刊网 http://www.jyqkw.com
参考文献
［１］李晶,刘国华.基于人工智能的煤矿风机故障诊断方法[J].煤矿机械,2013,12:262-264.
［２］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,2014,03:227-229.
［３］臧红岩.矿井风机故障智能诊断研究[D].山东轻工业学院,2011.
［责任编辑：杨玉洁］