矿用主风机安全运转保障系统分析研究.pdf

工程硕士学位论文 矿用主风机安全运转保障系统分析研究矿用主风机安全运转保障系统分析研究 Analysis and Research on Safe Operation Guarantee System of Mine Main Fan 作作者者许继秀许继秀 导导师师于于岩岩教授教授 山东科技大学 二〇二〇年六月 万方数据 中图分类号TH432.1学校代码10424 UDC密级公开 山东科技大学 工程硕士学位论文 矿用主风机安全运转保障系统分析研究矿用主风机安全运转保障系统分析研究 Analysis and Research on Safe Operation Guarantee System of Mine Main Fan 作者许继秀入学时间2017 年 9 月 导师于岩职称教授 副 导 师宋德军职称研究员 申请学位工程硕士所在学院 机械电子工程学院 学科（类别）工程硕士方向（领域）机械工程 答辩日期2020 年6 月11日 提交日期 2020 年 6 月 15 日 万方数据 学位论文使用授权声明学位论文使用授权声明 本人完全了解山东科技大学有关保留、使用学位论文的规定，同意本人所撰写的学位 论文的使用授权按照学校的管理规定处理。 作为申请学位的条件之一，学校有权保留学位论文并向国家有关部门或其指定机构送 交论文的电子版和纸质版；有权将学位论文的全部或部分内容编入有关数据库发表，并可 以以电子、网络及其他数字媒体形式公开出版；允许学校档案馆和图书馆保留学位论文的 纸质版和电子版，可以使用影印、缩印或扫描等复制手段保存和汇编学位论文；为教学和 科研目的，学校档案馆和图书馆可以将公开的学位论文作为资料在档案馆、图书馆等场所 或在校园网上供校内师生阅读、浏览。 （保密的学位论文在解密后适用本授权） 作者签名导师签名 日期年 月日日期年月日 万方数据 学位论文原创性声明学位论文原创性声明 本人呈交给山东科技大学的学位论文，除所列参考文献和世所公认的文献外，全部是 本人攻读学位期间在导师指导下的研究成果。除文中已经标明引用的内容外，本论文不包 含任何其他个人或集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集 体，均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。 若有不实之处，本人愿意承担相关法律责任。 学位论文作者签名 年 月日 万方数据 学位论文审查认定书学位论文审查认定书 研究生在规定的学习年限内，按照培养方案及个人培养计划，完成了课程学习， 成绩合格，修满规定学分；在我的指导下完成本学位论文，论文中的观点、数据、表述和 结构为我所认同，论文撰写格式符合学校的相关规定，同意将本论文作为申请学位论文。 导师签名 日期 万方数据 摘摘要要 矿用主风机（简称通风机）是煤矿井下通风系统的核心设备，必须 24 小时连续不断 地向井下输送新鲜空气，冲淡有害气体的浓度并把有害气体排到井外，保障井下工作人员 的安全和煤矿生产的顺利进行。一旦通风机发生故障，引起煤矿事故的发生，将会造成巨 大的经济和人力的损失。因此，进行矿用主风机安全运转保障系统的研究对实现煤矿的安 全生产具有重要的意义。 本课题以轴流式通风机为研究对象，通过分析通风机的结构和工作原理，指出通风机 常见的故障类型及故障机理，对通风机关键参数进行分析计算，选取合适的传感器进行监 测，分析矿用主风机安全运转保障系统的结构和功能，为后续研究提供基础。 以通风机轴承的振动信号为研究对象，针对现有特征提取方法的优缺点，提出了基于 小波包降噪的 EMD 特征提取方法。对采集到的轴承振动信号采用小波包默认阈值降噪方 法降噪，利用经验模态分解（EMD）方法进行振动信号的分解，并计算得到信号分解后的 本征模态函数（IMF）分量的能量值，将其输入神经网络作为轴承故障诊断的依据；针对 BP 神经网络在故障诊断过程中出现收敛速度慢的问题，提出利用粒子群（PSO）算法对 BP 神经网络的连接权值和阈值进行优化的方法，通过 MATLAB 软件实现了 BP 神经网络 和 PSO-BP 神经网络故障诊断模型的对比，验证了 PSO-BP 神经网络故障诊断模型在收敛 速度上的快速性和预测的准确性；进而利用 PSO-BP 神经网络故障诊断模型对采集到的测 试样本进行测试，结果表明该模型能够准确而迅速地识别轴承的四种状态信号。 分析设计了矿用主风机安全运转保障系统的硬件组成和软件组成，硬件方面重点对 PLC 控制系统进行了分析设计， 包括 PLC 型号的选择、 模拟量 I/O 点数的确定、 数字量 I/O 点数的确定；软件设计主要为 PLC 控制程序和上位机界面的设计，利用 LabVIEW 对上位 机人机交互界面进行设计。 本课题设计的矿用主风机安全运转保障系统集智能化、信息化于一体，能够实现信号 的在线监测与故障诊断，具有性能可靠、组建简单、界面优好、易于拓展等优点，对减少 矿井安全事故的发生具有实际意义。 关键词关键词矿用主风机；安全监测；特征提取；故障诊断 万方数据 Abstract The main mine fan or ventilator is the core equipment of the underground ventilation system in coal mines, which must continuously deliver fresh air to the underground 24 hours a day to dilute the concentration of harmful gases and exhaust the harmful gases to the outside of the well, to ensure the safety of underground workers and the smooth progress of coal mine production. If the ventilator fails and causes a coal mine accident, there will be huge economic and human losses. Therefore, it is important to carry out research on the safe operation and guarantee system of mine main fan to achieve safe production in coal mines. This topic takes axial flow ventilator as the research object, analyzes the structure and working principle of ventilator, points out the common failure type and failure mechanism of ventilator, analyzes and calculates the key parameters of ventilator, selects suitable sensors for monitoring, and analyzes the structure and function of the safe operation guarantee system of the main ventilator for mining, and provides the basis for subsequent research. Based on the vibration signal of the ventilator bearing, an EMD feature extraction based on wavelet noise reduction is proposed to address the advantages and disadvantages of existing feature extraction s. In order to solve the problem of slow convergence of BP neural network in the fault diagnosis process, a is proposed to optimize the connection weights and thresholds of BP neural network by using particle swarm PSO algorithm, and the comparison between BP neural network and PSO-BP neural network fault diagnosis model is realized by MATLAB software. The hardware and software components of the safe operation guarantee system of the main fan for mining are analyzed and designed, and the hardware aspects of the PLC control system are analyzed and designed, including the selection of the PLC model, the determination of analog I/O points and the determination of digital I/O points; the software design is mainly the design of the PLC control program and the interface of the host computer, and the design of the human-machine interaction interface of the host computer is carried out by LabVIEW. This project design of the mine main fan safety operation guarantee system integrates intelligence and ination technology, can realize the signal online monitoring and fault diagnosis, has the advantages of reliable perance, simple organization, good interface, easy expansion, etc., has practical significance to reduce the occurrence of mine safety accidents. Keywords Main fan; Safety monitoring; Feature extraction; Fault diagnosis 万方数据 目目录录 图清单..Ⅰ 表清单..Ⅳ 变量注释表..Ⅴ 1绪 论....1 1.1 课题的研究背景及意义1 1.2 国内外研究现状及存在的问题2 1.3 课题主要研究内容4 2矿用主风机保障系统方案研究6 2.1 轴流式通风机的结构及工作原理6 2.2 通风机常见故障分析7 2.3 通风机关键参数及测量10 2.4 保障系统总体结构14 2.5 保障系统的功能15 2.6 本章小结..16 3通风机振动信号特征提取研究17 3.1 小波包降噪17 3.2 经验模态分解理论..23 3.3 基于 IMF 的能量特征提取30 3.4 本章小结..32 4通风机故障诊断研究33 4.1 人工神经网络33 4.2 BP 神经网络34 4.3 粒子群算法37 4.4 基于 PSO-BP 神经网络的通风机故障诊断40 4.5 本章小结..44 5矿用主风机安全运转保障系统研究46 5.1 保障系统硬件研究46 5.2 保障系统软件研究50 5.3 本章小结..56 6结论与展望57 万方数据 6.1 结论57 6.2 展望57 参考文献 作者简历 致谢 学位论文数据集 万方数据 Contents List of FiguresⅠⅠ List of TablesⅣⅣ List of Variables..ⅤⅤ 1 Introduction1 1.1Research background and significance of the subject1 1.2Research status and existing problems at home and abroad2 1.3The main research content of the subject4 2 Research on the scheme of mine main fan support system6 2.1Structure and working principle of axial fan6 2.2Analysis of common failures of ventilator7 2.3Key parameters and measurement of main fan10 2.4The overall structure of the guarantee system14 2.5Function of the guarantee system15 2.6Chapter summary16 3 Research on feature extraction of fan vibration signal17 3.1Wavelet packet noise reduction17 3.2Empirical mode decomposition theory23 3.3Energy feature extraction based on IMF30 3.4Chapter summary32 4 Research on fault diagnosis of fan33 4.1Artificial neural network33 4.2BP neural network34 4.3Particle swarm optimization37 4.4Fan fault diagnosis based on PSO-BP neural network40 4.5Chapter summary44 5 Research of the safe operation guarantee system of mine main fan46 5.1Guarantee system hardware research46 5.2Guarantee system software research50 5.3Chapter summary56 万方数据 6 Conclusions and prospects57 6.1Conclusion57 6.2Future work57 References Author’s Resume Acknowledgements Thesis Data Collection 万方数据 I 图清单 图序号图名称页码 图 2.1 轴流式通风机结构图 6 Fig.2.1Structure diagram of axial fan6 图 2.2转子不对中的三种表现形式 8 Fig.2.2Three manifestations of rotor misalignment8 图 2.3 EDA9033A 采集模块12 Fig.2.3 EDA9033Aacquisition module12 图 2.4 XMD5000 接线图12 Fig.2.4 Wiring diagram of XMD500012 图 2.5烟雾传感器14 Fig.2.5 Smoke sensor14 图 2.6 矿用主风机安全运转保障系统结构图15 Fig.2.6 Structure diagram of safe operation guarantee system of mine main fan15 图 3.1 三层小波包分解树17 Fig.3.1Three-layer wavelet packet decomposition tree17 图 3.2 轴承正常工作时原始振动信号的波形图19 Fig.3.2Wave of the original vibration signal during normal bearing operation19 图 3.3 强制去噪后信号的波形图20 Fig.3.3 Wave of signal after forced denoising20 图 3.4 默认阈值去噪后信号的波形图20 Fig.3.4 Wave of signal after default threshold denoising20 图 3.5给定软阈值去噪后信号的波形图20 Fig.3.5 Wave of the signal after denoising the soft threshold20 图 3.6 给定硬阈值去噪后信号的波形图21 Fig.3.6 Wave of signal after denoising given hard threshold21 图 3.7 滚动轴承故障信号降噪前后波形图23 Fig.3.7 Wave diagram of rolling bearing fault signal before and after noise reduction 23 图 3.8 仿真信号的 EMD 分解结果25 Fig.3.8 EMD decomposition results of simulated signals25 图 3.9前 3 个 IMF 分量的频谱图26 Fig.3.9 Spectrogram of the first 3 IMF components26 图 3.10 信号 ts的 EMD 分解结果27 Fig.3.10 EMD decomposition result of signal ts27 图 3.11 轴承正常状态的 EMD 分解28 Fig.3.11EMD decomposition of normal bearing28 图 3.12 轴承内圈故障的 EMD 分解28 Fig.3.12EMD decomposition of bearing inner ring failure28 万方数据 II 图 3.13轴承滚动体故障的 EMD 分解29 Fig.3.13 EMD decomposition of bearing rolling element failure29 图 3.14 轴承外圈故障的 EMD 分解29 Fig.3.14 EMD decomposition of bearing outer ring failure29 图 3.15 IMF 分量能量值图32 Fig.3.15IMF component energy value graph32 图 4.1 神经元结构模型33 Fig.4.1Neuron structure model33 图 4.2 BP 神经网络拓扑结构35 Fig.4.2 BP neural network topology35 图 4.3 BP 神经网络学习算法流程图37 Fig.4.3 BP neural network learning algorithm flow chart37 图 4.4PSO 算法粒子坐标更新矢量图38 Fig.4.4 PSO algorithm particle coordinate update vector38 图 4.5 PSO 算法寻优图39 Fig.4.5 PSO algorithm optimization graph39 图 4.6 群体全局寻优极值变化曲线39 Fig.4.6Group global optimization extreme value change curve39 图 4.7 PSO-BP 神经网络模型算法流程图40 Fig.4.7PSO-BP neural network model algorithm flow chart40 图 4.8 BP 神经网络误差曲线图43 Fig.4.8 BP neural network error curve43 图 4.9 PSO-BP 神经网络误差曲线图43 Fig.4.9 PSO-BP neural network error curve43 图 5.1PLC 工作过程46 Fig.5.1 PLC working process46 图 5.2 PLC 主程序控制流程图51 Fig.5.2 PLC main program control flow chart51 图 5.3 初始化程序流程图51 Fig.5.3Flow chart of initialization procedure51 图 5.4 模拟量输入处理程序52 Fig.5.4Analog processing program52 图 5.5 故障报警程序流程图53 Fig.5.5 Flow chart of fault alarm program53 图 5.6监测界面整体功能结构图 54 Fig.5.6Overall functional structure diagram of system monitoring54 图 5.7登录界面54 Fig.5.7Login interface54 图 5.8矿用主风机安全运转保障系统主界面55 Fig.5.8Main interface of safe operation guarantee system for mine main fan55 万方数据 III 图 5.9故障诊断界面55 Fig.5.9Fault diagnosis interface55 图 5.10报警信息浏览界面56 Fig.5.10Alarm ination browsing interface56 万方数据 IV 表清单 表序号表名称页码 表 2.1GFY15 型矿用风速传感器主要技术指标11 Table 2.1 Main technical indicators of GFY15 mine wind speed sensor 11 表 2.2KGS18 矿用加速度传感器性能参数 14 Table 2.2 KGS18 mine acceleration sensor perance parameters 14 表 2.3 GQL0.1 矿用烟雾传感器性能参数14 Table 2.3Perance parameters of GQL0.1 mine smoke sensor14 表 3.1 不同轴承故障的特征频率19 Table 3.1Characteristic frequencies of different bearing failures19 表 3.2 四种小波包降噪方法性能对比21 Table 3.2 Perance comparison of four wavelet packet noise reduction s 21 表 3.3 轴承不同状态下 IMF 的能量值30 Table 3.3 Energy value of IMF in different states of bearing30 表 4.1 神经网络模式对应41 Table 4.1Neural network model correspondence41 表 4.2神经网络的训练样本42 Table 4.2Neural network training samples42 表 4.3PSO -BP 神经网络的测试样本及结果44 Table 4.3Test samples and results of PSO-BP neural network44 表 5.1数字量输入点统计表47 Table 5.1Statistics table of digital points47 表 5.2数字量输出点统计表48 Table 5.2Statistics table of digital output points48 表 5.3模拟量输入点统计表50 Table 5.3Statistics table of analog points50 万方数据 V 变量注册表 变量变量注释注释初现页初现页 Q通风机进口风量，m3/s10 A通风机进口处断面积，m210 v所测气体的平均风速，m/s10 d p 所测断面的平均动压，Pa10 ρ空气密度，kg/m310 Pd通风机装置进口动压，Pa11 a P 通风机轴功率，kW11 tr  机械传动效率11 m  电动机效率11 t P 电动机输入功率，kW11 i f 内圈故障频率，Hz19 f 轴的转动频率，Hz19 Z滚动体的个数19 d滚动体直径，mm19 α轴承压力角，19 D节圆直径，mm19 o f 外圈故障频率，Hz19 c f 滚动体故障频率，Hz19 万方数据 山东科技大学工程硕士学位论文1 绪论 1 1 1 绪论绪论 1 Introduction 1.1 课题的研究背景及意义（Research background and significance of the subject） 1.1.1 研究背景 从能源结构来看，我国目前仍然是世界上最大的煤炭生产国和消费国 [1]。尽管我国正 在对风能、太阳能、天然气、可燃冰等新能源进行研究，导致煤炭在我国能源结构中的比 重有所下降， 但是在相当一段时间内煤炭仍然是能源供应主体。 但随着开采深度不断增加， 开采难度不断加大，煤炭生产的安全问题依然存在。据不完全统计，20132017 年全国煤 矿发生 1945 起死亡事故，死亡人数 3771 人。其中，顶板事故 769 起，死亡人数 1000 人； 瓦斯事故 218 起，死亡人数 1138 人；机电事故 168 起，死亡人数 476 人；运输事故 340 起，死亡人数 409 人；水灾事故 79 起，死亡人数 277 人；其他事故 328 起，死亡人数 405 人[2]。该数据反映出，顶板事故、瓦斯事故、机电事故和水灾事故是煤矿的主要事故，事 故发生不仅造成人民生命财产损失和煤矿企业经济严重损失，而且产生了较大的社会影 响。 在煤矿安全事故中，煤矿瓦斯事故，如瓦斯爆炸、瓦斯中毒等所占比例并不是很高， 但瓦斯事故影响涉及面广，在煤矿事故死亡人数中所占比例较高[3]。2014 年 4 月，云南省 曲靖市富源县后所镇红土田煤矿发生一起重大瓦斯爆炸事故，造成 14 人死亡，直接经济 损失 1498 万元。据了解，事故原因是采用局部通风机供风进行采煤，违规串联通风、循 环通风，工作面微风作业，造成瓦斯浓度上升并达到爆炸浓度界限，违章放炮产生火焰引 起瓦斯爆炸[4]。2016 年 12 月，内蒙古自治区赤峰宝马矿业有限责任公司发生一起重大瓦 斯爆炸事故，事故造成 32 人死亡，20 人受伤，直接经济损失 4399 万元。经调查发现，事 故原因是巷采工作面因停电停风，造成瓦斯积聚，1 小时后恢复供电通风，积聚的高浓度 瓦斯排入与之串联通风的综采工作面，遇到正在违规焊接支架的电火花引起瓦斯燃烧，产 生的火焰传到综采工作面进风顺槽，引起瓦斯爆炸[5]。近几年，在全国煤矿瓦斯事故中， 因煤矿通风机故障导致的瓦斯事故约占所有瓦斯事故的 42，因瓦斯事故导致的死亡人约 占总死亡人数的 44，不容忽视[6]-[8]。 煤矿在开采过程中，通风机是保障矿井安全生产的关键设备，负责连续不断地将地面 新鲜空气输送到井下，供给井下工作人员呼吸，并稀释和排出各种有毒有害气体及煤尘； 同时，调节矿井内温度和湿度，改善井下工作环境，保证煤矿安全生产[9]。因此，作为煤 矿通风系统的重要组成部分，矿用主风机运行状态直接影响到煤矿工作人员的安全和煤炭 开采工作的顺利进行。为保证通风机安全运行，煤矿安全规程中明确规定矿井必须 万方数据 山东科技大学工程硕士学位论文1 绪论 2 保证主要通风机连续运转，并且必须安装 2 套同等能力的主要通风机设备，其中 1 套作为 备用，备用通风机必须能在 10min 内开动[10]。因此，在实际生产过程中，一旦通风机出现 异常情况没有被及时发现并处理，异常情况加重，导致通风机出现故障甚至停机，将会造 成严重的煤矿安全生产事故。 1.1.2 研究意义 通风机在正常运行情况下，由于工作环境条件恶劣、连续运行时间较长，会出现不同 程度的故障问题[11]，故障产生的位置和程度不够精确，对通风机造成的影响也不一样，这 不仅关乎煤矿和人身安全，也关系着煤炭开采效率的高低和科研技术的改善[12]。通过对煤 矿通风机运行情况的调研汇总，发现通风机出现运行故障的原因主要有两个方面一是， 通风机设备落后，存在带病工作的现象；二是，对通风机实时运行状态的监测不足，监测 效率和准确性有待提高[13]-[14]。如果不能及时获取通风机实时运行状态的数据， 就没有办法 在第一时间发现通风机早期潜在的故障，导致不能采取有效措施制止，一旦故障产生并继 续蔓延将会造成重大的煤矿安全生产事故[15]。 对矿用主风机运行状态进行实时在线监测，确保能够及时、准确地发现问题，本文利 用经验模态分解方法和 BP 神经网络对矿用主风机采集的信号进行分析处理，针对经验模 态分解和 BP 神经网络在使用过程中遇到的问题，作进一步的研究分析。本文结合信号采 集和处理技术，研究了一套性能稳定、安全可靠的矿用主风机在线监测与故障诊断系统， 该系统能够保障煤矿生产顺利、安全、高效地进行，同时减少了不必要的人力、物力和财 力的浪费。 1.2 国内外研究现状及存在的问题（Research status and existing problems at home and abroad） 矿用主风机安全运转保障系统的研发是建立在通风机故障机理分析与研究的基础上， 国内外科研人员及煤矿工作者开展了一系列对煤矿通风机在线监测与故障诊断方面的研 究工作。随着传感技术、信号处理技术、故障诊断技术以及计算机技术的发展进步，煤矿 通风机监测技术进入了智能化和数字化的阶段。 国外研究的矿井生产安全监测系统，是集环境把控、安全生产、运输调度等各方面功 能于一体的综合系统[18]。上世纪七十年代初期，加拿大、美国等国家就开始着手于矿井通 风机性能监测技术的探讨工作，但受制于当时测量原件的准确性、灵敏性、耐用性不强等 壁垒，导致通风机性能参数监测技术水平不高，停滞在数据采集阶段。在八十年代初，随 着计算机的投入使用、加之测量方法的优化和通信技术水平的快速提高，融合发展了多种 在当时技术较为领先的在线监测仪器仪表，引领通风机性能监测进入了一个崭新的阶段。 到九十年代，绝大多数通风机都安装了在线监控系统，集监测、预警、控制于一体，不仅 能根据实际需求自动调节风量的大小，还能对通风机进行故障诊断，预测剩余使用寿命， 万方数据 山东科技大学工程硕士学位论文1 绪论 3 实现了对通风机的全面监测，最大限度保障煤矿通风系统的可靠运行[19]-[21]。 美国国家宇航 局研究人员 Norden E. Huang 于九十年代末创造性地提出了一种新型自适应信号时频处理 方法经验模态分解法