摘 要：对矿用通风机故障进行了详细的分类讨论，同时，利用小波神经网络诊断方法从理论上证实了该方法的可行性，并对矿用通风机进行了数值计算，发现利用Sigmoid函数激活神经网络函数后误差分析曲线精度以及收敛性更好，证实了该方法对矿用通风机故障检测的可行性，可为矿区检测通风机及其他设备故障提供依据。
关键词：通风机;小波神经网络;Sigmoid函数
0 引言
本文在已有研究的基础上，采用小波神经网络诊断方法对矿用通风机进行了理论和数学计算。这种方法在发现小波神经网络诊断通风机故障时，可以将振动信号分散为多个小窗口，有针对性地突出了部分信号的特征，预测效果更佳，更加可靠。
1 通风机常见故障的分析
通风机是煤矿掘进和生产期间的重要通风设备，通风机向井下输入新鲜的气流，带出污浊以及有毒有害的气体，保证工作面顺利高效推进的同时，也为工人提供了良好的工作环境。在实际生产过程中，因为矿井条件的复杂性，通风机经常出现各种各样的问题，当巷道内的压力过大时，作用于风机叶片上力也会增大，长时间工作状态下，叶片会出现断裂等现象;通风机零件在发生热冲击状态下，极易出现热破坏现象，这也会导致风机停止工作。对风机进行故障分析，必须全面地了解通风机故障功能发生的原因，通风机发生故障的原因，主要有以下几种。
1.1 转子不对中
通风机在运行过程中，转子不对中是最为常见的故障类型之一。转子不对中一般是因为设备在制造安装时联轴器与转轴中心不垂直造成的，在实际工作中，造成一定周期内的联轴器与转轴中心重合，而在大多数时期，设备处于不对中状态，这就造成通风机在运行过程中振动频率以及振动幅度的增加，当通风机负荷增加时，振动的频率次数以及幅度都会增加，长期工作条件下，故障会逐渐增加，影响通风效果。
1.2转子不平衡
转子不平衡不同于转子不对中故障，转子不平衡可能是因为转子材料在制造生产时质量分布不均匀导致安装后出现故障，另外一个原因是通风机在运行过程中，因为长期受力风机叶片磨损和自然磨损等原因，通风机在运行过程中出现失稳状态，其失稳状态主要表现为水平受力面出现变换的波形，且波形相对稳定，近似于正弦波形。
1.3 油膜涡动
油膜涡动故障是轴承油膜发生故障，通风机转速会明显降低，甚至转速会出现失稳状态，当转速增大时，通风机会出现失稳状态，信号频率会突增，当速度较小时，信号频率依旧会保持在较高水平，只有当转速下降到一定水平时，信号的振幅才会逐渐降为零。
1.4 喘振
在实际通风中，往往伴随着粉尘以及杂质，这对通风机性能有很大的影响，这种情况下通风机发生故障叫喘振。喘振故障对通风机的叶片有很大的影响，导致在工作时通风机整体失稳，产生大幅度的震动现象，严重情况下，通风机会直接损坏停止工作。
1.5 机座松动故障
在长期的通风作用下，机器会出现老化等现象，此主要表现为通风机在运行过程中机械振动会造成机座松动故障，机座松动故障时扥振动频率信号比其他故障时的频率高，检测到的异常波动方向一般垂直于水平方向。
以上为矿用通风机经常出现的故障原因，在实际情况中，一般不是单一故障出现，可能多种故障同时出现，这对于检测以及维修难度都会加大，因此检测并解决矿用通风机故障就显得尤为重要。
2 基于小波神经网络的通风机故障的诊断
在小波神经网络技术出现前，矿区机电设备的诊断主要依靠频谱分析，即利用傅里叶变换将采集到的信息转化为频谱图，然后进行故障分析，该方法因无法调整时频窗口有一定的局限性，小波神经在进行傅里叶变换时对其进行了扩展，因此更加方便准确。通风机故障一般表现为局部故障，采用小波神经网络分析可以将振动信号分散为多个小窗口，便于观察的同时，有针对性地突出了部分信号的特征，由此再进行傅里叶变换，高频信号以及低频信号都得到增强，因此结果也更加准确。
小波的具体定义为ψ（t）∈L2（R），对其进行傅里叶变换，得到：
称为函数X（t）的小波变换，从公式中可以看出，小波变换有以下优点：当a减小时，检测观察的范围增加，函数X（t）观察的时域减小，这时，主要分析高频信号;当 a 增大时，检测观察的范围减小，函数X（t）观察的时域增大，这时主要分析低频信号。
常用的小波函数有以下三种：其中 db6 小波函数对于小波函数的发展有重要的意义，morlet 小波函数则是将高斯窗小波乘以载波，meyer 小波函数可以将无限次的微分进行相互组合。分别如图 1、图2、图3所示。
本文利用小波神经网络对通风机进行故障分析，因为其在时域和频域里都有极强的识别能力，分析结果也更加准确，小波变换和神经网络通常以紧致结合和松散结合两种方式进行，紧致型通常是将神经网络中的函数用小波函数替代，松散型一般是将小波信号进行分段处理，然后进行神经网络处理。实际应用中，这两种方法一般结合使用，对于数据的压缩处理使用紧致型，对于通风机的故障处理中，利用松散型提出特征向量，结合这两种方式，可以充分发挥小波变换的优势，利用神经网络大大提高了处理的效率，对于特别复杂的神经网络也可以迅速准确地处理。图4为小波神经网络模型图，具体方法如下。
本文对矿用通风机常见的五种故障进行分析，通风机的频率为47.5Hz，样点数为500，根据转子不对中、转子不平衡、喘振、基座松动、油膜涡动等故障进行神经网络输出，根据振动信号进行小波分解，特区特征值进行归一化处理进行误差分析，得到图 5，利用 Sigmoid 函数激活神经网络函数后误差分析曲线如图 6 所示，误差值明显减小，曲线精度以及收敛性更好。由此可见，小波神经网络分析法检测矿用通风机故障效果更佳，可行性更加可靠。
3 结论
①矿用通风机常见故障主要有转子不对中、转子不平衡、油膜涡动、喘振、机座松动故障五种，且通常都是多种故障同时出现，影响通风效果;②小波神经网络诊断通风机故障时，可以將振动信号分散为多个小窗口，便于观察的同时，有针对性地突出了部分信号的特征，因此结果也更加准确;③对实际矿用通风机进行小波神经网络诊断分析，得到小波神经网络诊断分析方法预测效果更佳，更加可靠。
参考文献：
[1]潘俊辉，李盼池.一种遗BP网络及其在故障诊断中的应用[J].微计算机信息，2012（7）：36-37.
[2]杜永峰，李万润，李慧，等.基于时间序列分析的结构损伤识别[J].振动与冲击，2012（12）：108-111.
[3]王文欢，王细洋，万在红.基于细化谱和隐马尔科夫模型的齿轮故障分类方法[J].失效分析与预防，2014（1）：30-34.
作者简介：
