[发明专利]煤矿变频局部通风机工况监测与故障预警方法

说明书

本发明涉及一种煤矿变频局部通风机工况监测与故障预警方法，包括故障诊断和故障预警，本发明对矿井主通风机的运行状态监测、诊断与预警进行研究。通过分析矿井主通风机常见故障机理及特征，制定矿井主通风机设备运行状态监测方案，在传统的BP神经网络基础上，用粒子群算法(PSO)优化BP算法提高故障诊断的准确性。经PSO‑BPNN在电机故障类型识别中，无论是从算法收敛速度还是诊断精度都明显优于BPNN，能更好地适应实际工况下的电机故障诊断。通过仿真实验分析，可以得出结合动态时间序列的PSO‑BPNN预测方法能够在转速波动工况和变转速工况下均具有较好的预测能力。

技术领域

本发明涉及煤矿变频局部通风机工况监测与故障诊断领域。

背景技术

煤矿通风机作为煤矿井下最重要的设备之一，其作用是将地面大量的新鲜空气送入井下，将井下一氧化碳、瓦斯等有害气体进行稀释、排出井下，降低煤矿井下瓦斯的浓度，对于煤矿井下安全生产具有十分重要的意义。因此，煤矿通风机的故障直接关系到煤矿井下的生产安全和生产进度，所以对每款通风机的工况检测以及预警具有重要的意义。在现有技术中，采用安全检查表法人工定期排查矿井通风隐患，同时，在各测风点进行通风阻力测定，录入数据库，建立隐患监控系统，为灾害预警提供依据，效率低下。

发明内容

本发明的目的是提供一种煤矿变频局部通风机工况监测与故障预警方法，结合动态时间序列的PSO-BPNN故障趋势预警方法，对通风机的运行状态进行预测。

本发明的技术解决方案是：矿用变频局部通风机工况监测与故障诊断方法，包括故障诊断和故障预警，故障诊断包括以下步骤：

(1)数据采集，提取故障特征数据。

(2)建立BP神经网络模型，确定BP神经网络的拓扑结构，该结构包括神经网络的输入层m、输出层n、权值p以及阈值q；

(3)确定POS粒子维度M；

(4)确定粒子群的规模N、惯性权重ω以及学习因子c1和c2，最大进化次数T_max，位置搜索范围[-X_max,X_max]和最大速度V_max；

(5)利用采集的特征数据与步骤(4)共同确定新的适应度函数；

(6)根据新的适应度函数确定粒子个体以及全局最优值(5)适应度函数关系，得到PSO-BP故障诊断模型；

(7)根据步骤(6)建立的PSO-BP故障诊断模型确定个体、全局极值最优取值与适应度函数关系；

(8)更新粒子群的速度和位置；

(9)更新个体极值和全局极值；

(10)进行判断，是否满足结束条件，若满足结束条件进行下一步，若不满足结束条件返回步骤(8)；

(11)得到诊断模型的最优权值和阈值；

(12)计算诊断结果与训练目标的误差；

(13)根据上一步计算的误差更新模型的权值与阈值；

(14)判断训练目标是否满足要求，若不满足目标要求返回步骤(12)继续执行，满足训练目标要求输出结果。

故障预警包括以下步骤：

(15)确定基于振动信号变量的时间序列y₁，y₂，…，y_m；

(16)确定粒子群、BP神经网络BPNN的输入层m、隐含层l、输出层n具体结构参数；