一種採煤機搖臂齒輪故障診斷方法與流程

2023-08-08 09:37:06

本發明屬於故障診斷領域，具體涉及一種齒輪故障診斷方法，尤其是涉及一種採煤機搖臂齒輪故障診斷方法。

技術背景

採煤機是綜採工作面的重大生產裝備，智能化、信息化和高可靠性是現代採煤機發展的方向，狀態監測和故障診斷是保證採煤機可靠運行的重要手段。搖臂齒輪是採煤機可靠性最薄弱的環節，搖臂齒輪故障佔到總故障的34.2%，搖臂齒輪故障將導致採煤機無法正常工作，從而造成工作面停工，嚴重影響煤礦的正常生產。基于振動信號的搖臂齒輪故障診斷方法包括兩個主要步驟，首先通過一些信號處理方法對原始振動信號進行處理並提取故障特徵信息，然後通過機器學習的方法，對齒輪箱故障特徵進行模式識別，達到故障診斷的目的。普遍使用的信號處理方法包括時域分析和頻域分析。其中時域分析計算簡單方便，但是只能分析一些平穩的簡單信號，由於搖臂齒輪箱振動信號的複雜性導致時域分析並不能在該領域中直接單獨使用。頻域分析只能從整體層面反映信號的特徵，忽略了信號的局部特徵。近年來，小波變換作為一種新的時頻分析方法逐漸被應用到該領域之中，通過調整尺度參數，小波分析能反映出信號的局部特徵。通常小波分析主要包括多辨分析和小波包分析。其中，多辨分析只能不斷的對低頻信號進行分解和重構，小波包分析能對信號的高頻和低頻同時分析。在搖臂齒輪故障特徵提取中另一個重要的步驟就是特徵參數計算，通常使用的時域參數有能量係數、陡度係數和偏度係數，這些參數只能描述故障振動信號的某個方面的變化規律，單獨使用在搖臂齒輪故障診斷方面不能取得很好的效果。

當前國內外學者對採煤機搖臂齒輪故障診斷領域的研究存在以下幾方面不足。首先，採煤機搖臂齒輪箱是一個多級齒輪傳動結構，產生的振動信號成分複雜，故障特徵參量提取較為困難。其次，由於齒輪箱故障模式繁多，故障振動信號往往包含集中故障模式的混合，單一特徵參量很難全面描述搖臂齒輪故障的變化規律，造成故障識別率較低。此外，故障識別模型的建立，這是實現搖臂齒輪故障診斷重要一環，目前，故障識別方法種類繁多，選擇一種適用於小樣本和多參量的故障識別方法是極其重要的。

技術實現要素：

本發明所要解決的技術問題是：目前採煤機搖臂齒輪故障診斷中存在故障特徵信息提取困難以及故障信息單一和故障識別率低的問題。

為解決上述技術問題，本發明所採取的技術方案是：提供一種採煤機搖臂齒輪故障診斷方法，其具體是基於小波包變換和支持向量機的採煤機搖臂齒輪故障診斷方法，具體操作包括以下步驟：

（1）分別收集採煤機搖臂測點，即齒輪正常、點蝕、斷齒、磨損和剝落狀態下的振動信號作為參考數據，每組數據分為兩部分，一部分作為支持向量機分類模型的訓練樣本，另一部分作為支持向量機分類模型的測試樣本，並標註數據的類型和故障類型；

（2）利用小波包分解，對振動信號進行分解得到小波係數矩陣，對每一部分的小波係數進行重構，得到小波包分解後的各部分振動信號；

（3）故障特徵信息提取，計算小波包分解每一部分振動時域信號能量係數、陡度係數和陡度係數，組成搖臂齒輪故障特徵空間；

（4）SVM分類模型參數尋優，支持向量機故障分類模型為

其中，為分類樣本數據，為分類類型，為映射函數，C為懲罰因子，b為鬆弛因子，利用粒子群算法計算得到SVM分類模型中映射函數γ和懲罰因子C參數；

（5）分類模型訓練，利用尋優得到的映射函數γ、懲罰因子C以及訓練數據對SVM分類模型進行訓練，得到分類模型中的ω和b參數，最終得到SVM最優分類模型；

（6）分類模型測試，對比測試樣本數據故障類型和SVM模型分類後的故障類型驗證模型的準確性以及本發明的有效性。

本發明中所給出的，採煤機搖臂齒輪故障診斷方法的主要適用對象為德國艾柯夫SL 500採煤機搖臂。

本發明中所涉及的基礎理論有：小波包變換、粒子群參數尋優和SVM分類原理。

1.小波包變換

小波包分解計算公式如下：

其中，為第0層小波包，為原始振動信號，為是第j層小波包分解中的第i個小波包係數，為離散低通濾波器的第k個係數，為離散高通濾波器的第k個係數。

重構算法公式如下：

式中j＝1,2...n是小波分解的層數；i＝1,2...2j，是第j 層小波包分解中的第i個小波包係數，為重構離散低通濾波器的第k個係數，為重構離散高通濾波器的第k個係數。

2.SVM分類原理

SVM的最優分類平面如下：

其中，為分類樣本數據，為分類類型，為映射函數，映射函數採用徑向基核函數（RBF），映射函數將非線性可分樣本數據轉換為線性可分的數據，RBF函數如下所示：

分類平面參數ω、b計算如下：

計算得到的最優超平面為：。

3.粒子群參數尋優

粒子群中粒子更新原理如下：

其中，k為更新次數，c1和c2為學習因子，分別對個體極值Pi和全局極值Pg做調整，r1和r2為0~1分布的隨機數，ω是用來對全局搜索能力和局部搜索能力進行協調的一個參數。

從以上POS計算原理可得，c1、c2和ω的選擇對最後的收斂精度和收斂速度起著決定性的作用，動態地調整他們的值可以調高計算的收斂精度和速度，在此採用權重計算方法對ω的選擇不斷調整，ω的計算如下：

其中，和慣性權重的極大值和極小值，和為最大迭代次數和當前迭代次數。

參數c1和c2對POS的收斂熟讀和精度特別是後期的收斂速度和進度非常重要，計算公式如下

其中cmax為c1的初始值，cmin為c1的最終值，0＜cmin＜cmax≤4。

本發明的有益效果是：本發明中應用的小波包變換實現了對振動信號的有效分解；所確定的故障特徵參量能準確全面地描述搖臂不同故障狀態下振動信號的變化規律；所提出的故障診斷方法能實現搖臂齒輪故障的準確診斷，且實現方便，效果良好。

附圖說明

圖1為採煤機搖臂結構及振動信號測點圖；

圖2為採煤機搖臂齒輪故障診斷流程圖；

圖中：1、Ⅰ級直齒輪；2、Ⅱ級直齒輪；3、Ⅰ級行星齒輪；4、Ⅱ級行星齒輪；5、剪切軸；6截割電機；7、截割滾筒。

具體實施方式

下面結合附圖對本發明進一步說明。

如圖1所示，本方法的適用對象為德國艾柯夫SL 500採煤機搖臂，它包含齒輪箱、電機和滾筒，所述的齒輪箱包含Ⅰ級直齒輪1、Ⅱ級直齒輪2、Ⅰ級行星齒輪3和Ⅱ級行星齒輪4，所述的Ⅰ級直齒輪1包含齒輪Z1、Z2、Z3和Z4，齒輪Z1與截割電機6同軸連接，齒輪Z4與齒輪Z5同軸連接，齒輪Z2軸承座外殼設置有測點A；所述的Ⅱ級直齒輪2包含齒輪Z5、Z6、Z7和Z8，齒輪Z6軸承座外殼設置有測點B，齒輪Z8與Z9同軸連接，所述的Ⅰ級行星齒輪3包含齒輪Z9、Z10和Z11，齒輪Z11外壁設置有測點C，所述的Ⅱ級行星輪4包含齒輪Z12、Z13和Z14，齒輪Z14外壁設置有測點D，所述的截割滾筒7與Ⅱ級行星輪4行星架同軸相連。

如圖2所示的搖臂故障診斷方法包含的步驟如下。

（1）獲取搖臂齒輪箱在不同故障模式下的振動信號；

在搖臂齒輪箱運行狀態下，以預先設定的採樣頻率和採樣時間，採集不同故障模式的搖臂齒輪箱振動信號。設每種故障模式採集N組振動信號，每組振動信號具有n個採樣點，振動信號的安裝位置如圖2所示。採用0~4來標記齒輪正常和四種不同的故障類型，其中0表示齒輪正常，1表示點蝕故障，2表示斷齒故障，3表示磨損故障，4表示剝落故障。將提取的特徵數據分為兩類，一類是訓練樣本數據，這一組數據用於對分類模型進行訓練，另一類樣本數據為測試數據，這組數據用於對訓練後的模型分類準確率進行驗證。

（2）振動信號小波包分解；

首先通過小波包變換對振動信號進行分解，得到小波係數矩陣Dij(k)；

其次，定義一個矩形滑動窗口對小波係數矩陣進行分塊，這樣就可以將小波係數矩陣分割為一系列的n×n方陣；其中矩形滑動窗口函數公式如下：

式中i，j為小波係數矩陣的行和列，w(i，j) 為第i，j個元素的窗函數值；

然後，對於上步所得的每一個n×n方陣計算其Frobenius 範數；這樣就將小波係數矩陣轉換為由F範數所組成的特徵矩陣Fij。其中F範數的公式如下：

式中X是一個n×n的方陣，tr(·) 是矩陣的跡。

（3）故障特徵信息的提取；

能量計算公式：

陡度計算公式：

偏度計算公式：。

（4）SVM故障分類模型參數尋優

首先，對數據進行歸一化處理；為了加快分類程序運行時的收斂速度需要對樣本數據做歸一化處理，將數據變換為[0~1]之間，歸一化的計算公式如下：

其中，為樣本數據中的最大值，為樣本數據中的最小值，歸一化範圍最小值，一般取值為0，歸一化範圍最大值，一般取值為1；

其次，SVM故障識別模型中最重要的兩個參數是懲罰因子C和徑向核函數（RBF）中的γ參數，為了更好的確定模型的最有參數，採用了粒子群（POS）參數尋優的計算方法實現模型參數的確定。

（5）SVM分類模型訓練；實現了數據的分類和歸一化處理以及模型參數的確定後，就需要應用訓練樣本數據對模型進行訓練，得到所需要的最優分類模型。

（6）SVM分類模型測試；帶入預先分類好的數據對訓練後的SVM分類模型進行測試，對實際類型和分類結果進行對比分析，驗證分類模型的準確性。

本發明中應用的小波包變換實現了對振動信號的有效分解；所確定的故障特徵參量能準確全面地描述搖臂不同故障狀態下振動信號的變化規律；所提出的故障診斷方法能實現搖臂齒輪故障的準確診斷，且實現方便，效果良好。

本發明中所涉及到的對採煤機搖臂齒輪故障診斷主要是針對德國艾柯夫SL 500採煤機搖臂，但這一點只是作為本發明的主要研究對象，並不能局限了本發明可以在其他種類的採煤機上的應用。