网络出版时间：2014-12-25 14:25

　 第 ４２ 卷第 １２ 期 煤炭科学技术
网络出版地址：http://www.cnki.net/kcms/doi/10.13199/j.cnki.cst.2014.12.023.html Ｖｏｌ􀆰 ４２　 Ｎｏ􀆰 １２　
　 ２０１４ 年 １２ 月 Ｃｏａｌ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｄｅｃ.　 ２０１４　

基于振动信号分析的采煤机摇臂轴承故障诊断研究
钱沛云１ꎬ２ ꎬ陈曦晖１ ꎬ胡　 晓１ ꎬ程　 刚１
(１.中国矿业大学 机电工程学院ꎬ江苏 徐州　 ２２１１１６ꎻ２.天地科技股份有限公司 上海分公司ꎬ上海　 ２０００３０)

摘　 要:针对采煤机摇臂轴承故障频发ꎬ严重影响采煤工作面安全生产的现状ꎬ进行了基于振动信号
分析的采煤机摇臂轴承故障诊断研究ꎮ 为准确识别采煤机摇臂轴承故障ꎬ采用集合经验模态分解方
法( ＥＥＭＤ) 对原始振动信号进行分解ꎬ提取前 ８ 个本征模态函数的能量占信号总能量的比例作为故
障特征信息ꎬ并输入到支持向量机( ＳＶＭ) 进行故障模式识别ꎮ 试验结果表明ꎬ结合集合经验模态分
解和支持向量机的故障诊断方法ꎬ适用于处理采煤机摇臂轴承产生的非平稳、非线性振动信号ꎬ总体
故障识别率达到 ８８􀆰 ３３％ꎬ可实现轴承故障的准确诊断ꎮ
关键词:采煤机ꎻ摇臂ꎻ轴承ꎻ振动信号ꎻ故障诊断ꎻ支持向量机
中图分类号:ＴＤ４２１􀆰 ６　 　 　 文献标志码:Ａ　 　 　 文章编号:０２５３ － ２３３６(２０１４)１２ － ００８９ － ０４
Ｓｔｕｄｙ ｏｎ Ｂｅａｒｉｎｇ Ｆａｕｌｔ Ｄｉａｇｎｏｓｉｓ ｏｆ Ｒａｎｇｉｎｇ Ｂｏｏｍ ｉｎ Ｃｏａｌ
Ｓｈｅａｒｅｒ Ｂａｓｅｄ ｏｎ Ｖｉｂｒａｔｉｏｎ Ｓｉｇｎａｌ Ａｎａｌｙｓｉｓ
ＱＩＡＮ Ｐｅｉ －ｙｕｅ １ꎬ２ ꎬＣＨＥＮ Ｘｉ －ｈｕｉ １ ꎬＨＵ Ｘｉａｏ １ ꎬＣＨＥＮＧ Ｇａｎｇ １
(１.Ｓｃｈｏｏｌ ｏｆ Ｅｌｅｃｔｒｏｍｅｃｈａｎｉｃａｌ ＥｎｇｉｎｅｅｒｉｎｇꎬＣｈｉｎａ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｍｉｎｉｎｇ ａｎｄ ＴｅｃｈｎｏｌｏｇｙꎬＸｕｚｈｏｕ　 ２２１１１６ꎬＣｈｉｎａꎻ
２.Ｓｈａｎｇｈａｉ ＢｒａｎｃｈꎬＴｉａｎｄｉ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏｍｐａｎｙ ＬｉｍｉｔｅｄꎬＳｈａｎｇｈａｉ　 ２０００３０ꎬＣｈｉｎａ)
Ａｂｓｔｒａｃｔ:Ａｃｃｏｒｄｉｎｇ ｔｏ ｆｒｅｑｕｅｎｔ ｂｅａｒｉｎｇ ｆａｕｌｔｓ ｏｃｃｕｒｒｅｄ ｉｎ ｔｈｅ ｒａｎｇｉｎｇ ｂｏｏｍ ｏｆ ｔｈｅ ｃｏａｌ ｓｈｅａｒｅｒ ａｎｄ ｓｅｒｉｏｕｓｌｙ ａｆｆｅｃｔｅｄ ｔｏ ｔｈｅ ｐｒｅｓｅｎｔ ｓａｆｅｔｙ
ｐｒｏｄｕｃｔｉｏｎ ｓｔａｔｕｓ ｏｆ ｔｈｅ ｃｏａｌ ｍｉｎｉｎｇ ｆａｃｅꎬｔｈｅ ｂｅａｒｉｎｇ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｏｆ ｔｈｅ ｒａｎｇｉｎｇ ｂｏｏｍ ｉｎ ｔｈｅ ｃｏａｌ ｓｈｅａｒｅｒ ｗａｓ ｃｏｎｄｕｃｔｅｄ ｂａｓｅｄ ｔｈｅ ｖｉｂｒａ￣
ｔｉｏｎ ｓｉｇｎａｌｓ ａｎａｌｙｓｉｓ.Ｉｎ ｏｒｄｅｒ ｔｏ ｃｏｒｒｅｃｔｌｙ ｄｉｓｔｉｎｇｕｉｓｈ ｔｈｅ ｂｅａｒｉｎｇ ｆａｕｌｔ ｏｆ ｔｈｅ ｒａｎｇｉｎｇ ｂｏｏｍꎬｔｈｅ ｉｎｔｅｇｒａｔｅｄ ｅｍｐｉｒｉｃａｌ ｍｏｄｅ ｄｅｃｏｍｐｏｓｉｔｉｏｎ
ｍｅｔｈｏｄ ｗａｓ ａｐｐｌｉｅｄ ｔｏ ｅｘｐｌａｉｎ ｔｈｅ ｏｒｉｇｉｎａｌ ｖｉｂｒａｔｉｏｎ ｓｉｇｎａｌｓ.Ｔｈｅ ｐｅｒｃｅｎｔａｇｅ ｏｆ ｔｈｅ ｆｉｒｓｔ ｅｉｇｈｔ ｉｎｔｒｉｎｓｉｃ ｍｏｄｅ ｆｕｎｃｔｉｏｎｓ ｅｎｅｒｇｙ ｉｎ ｔｈｅ ｔｏｔａｌ ｓｉｇ￣
ｎａｌ ｅｎｅｒｇｙ ｗａｓ ｓｅｌｅｃｔｅｄ ａｓ ｔｈｅ ｆａｕｌｔ ｆｅａｔｕｒｅ ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ ｔｈｅｎ ｉｎｐｕｔｔｅｄ ｔｏ ｔｈｅ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ ｆｏｒ ｔｈｅ ｆａｕｌｔ ｍｏｄｅ ｄｉｓｔｉｎｇｕｉｓｈｍｅｎｔ.
Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔ ｒｅｓｕｌｔｓ ｓｈｏｗｅｄ ｔｈａｔ ｔｈｅ ｃｏｍｂｉｎｅｄ ｉｎｔｅｇｒａｔｅｄ ｅｍｐｉｒｉｃａｌ ｍｏｄｅ ｄｅｃｏｍｐｏｓｉｔｉｏｎ ａｎｄ ｔｈｅ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｍｅｔｈｏｄ ｏｆ ｔｈｅ ｓｕｐｐｏｒｔ
ｖｅｃｔｏｒ ｍａｃｈｉｎｅ ｃｏｕｌｄ ｂｅ ｓｕｉｔａｂｌｅ ｔｏ ｐｒｏｃｅｓｓ ｔｈｅ ｕｎｓｔａｂｌｅ ａｎｄ ｎｏｎｌｉｎｅａｒ ｖｉｂｒａｔｉｏｎ ｓｉｇｎａｌｓ ｏｃｃｕｒｒｅｄ ｆｒｏｍ ｔｈｅ ｂｅａｒｉｎｇ ｉｎ ｔｈｅ ｒａｎｇｉｎｇ ｂｏｏｍ ｏｆ
ｔｈｅ ｃｏａｌ ｓｈｅａｒｅｒ.Ｔｈｅ ｔｏｔａｌ ｆａｕｌｔ ｄｉｓｔｉｎｇｕｉｓｈｉｎｇ ｒａｔｅ ｗａｓ ８８.３３％ ａｎｄ ａ ｃｏｒｒｅｃｔ ｄｉａｇｎｏｓｉｓ ｏｆ ｔｈｅ ｂｅａｒｉｎｇ ｆａｕｌｔ ｃｏｕｌｄ ｂｅ ｒｅａｌｉｚｅｄ.
Ｋｅｙ ｗｏｒｄｓ:ｃｏａｌ ｓｈｅａｒｅｒꎻｒａｎｇｉｎｇ ｂｏｏｍꎻｂｅａｒｉｎｇꎻｖｉｂｒａｔｉｏｎ ｓｉｇｎａｌꎻｆａｕｌｔ ｄｉａｇｎｏｓｉｓꎻｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ

表现出非平稳特性ꎬ因此一般的故障诊断方法并不
０　 引　 　 言
适用 [３] ꎬ经验模态分解 ( Ｅｍｐｉｒｉｃａｌ Ｍｏｄｅ Ｄｅｃｏｍｐｏｓｉ￣
　 　 采煤机摇臂工作载荷波动较大ꎬ并伴有大量冲 ｔｉｏｎꎬＥＭＤ) 是一种适用于处理非平稳振动信号的方
击ꎬ直接导致了采煤机摇臂滚动轴承故障的发生ꎬ易 法 [４－５] ꎬ但经验模态分解存在模态混叠的重要缺陷ꎬ
造成采煤机停机ꎬ严重影响煤矿安全生产ꎮ 因此实 导致信号不能有效分离ꎬ针对这一缺陷ꎬ在对 ＥＭＤ
现采煤机摇臂轴承故障诊断对提高采煤机工作可靠 研究的基础上ꎬ提出了集合经验模态分解( Ｅｎｓｅｍｂｌｅ
性ꎬ促进煤矿安全生产具有重大意义 [１－２]
ꎮ 由于煤 Ｅｍｐｉｒｉｃａｌ Ｍｏｄｅ ＤｅｃｏｍｐｏｓｉｔｉｏｎꎬＥＥＭＤ) 方法ꎬ非平稳
矿井下环境比较复杂ꎬ利用传感器提取的振动信号 的振动信号通过 ＥＥＭＤ 分解ꎬ得到模态混叠程度低

收稿日期:２０１４－０４－１５ꎻ责任编辑:代艳玲　 　 ＤＯＩ:１０.１３１９９ / ｊ.ｃｎｋｉ.ｃｓｔ.２０１４.１２.０２３

基金项目:国家高技术研究发展计划(８６３ 计划) 资助项目(２０１２ＡＡ０６Ａ４０６)
作者简介:钱沛云(１９６４—) ꎬ男ꎬ江苏靖江人ꎬ研究员ꎬ博士研究生ꎮ Ｔｅｌ:１３８０１８４３５５１ꎬＥ－ｍａｉｌ:ｃｕｍｔｃｈｅｎｘｉｈｕｉ＠ １６３.ｃｏｍ
引用格式:钱沛云ꎬ陈曦晖ꎬ胡　 晓ꎬ等.基于振动信号分析的采煤机摇臂轴承故障诊断研究[ Ｊ] .煤炭科学技术ꎬ２０１４ꎬ４２(１２) :８９－９２.
ＱＩＡＮ Ｐｅｉ－ｙｕｅꎬＣＨＥＮ Ｘｉ－ｈｕｉꎬＨＵ Ｘｉａｏꎬｅｔ ａｌ.Ｓｔｕｄｙ ｏｎ Ｂｅａｒｉｎｇ Ｆａｕｌｔ Ｄｉａｇｎｏｓｉｓ ｏｆ Ｒａｎｇｉｎｇ Ｂｏｏｍ ｉｎ Ｃｏａｌ Ｓｈｅａｒｅｒ Ｂａｓｅｄ ｏｎ Ｖｉｂｒａｔｉｏｎ Ｓｉｇｎａｌ Ａｎａｌ￣
ｙｓｉｓ[ Ｊ] .Ｃｏａｌ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙꎬ２０１４ꎬ４２(１２) :８９－９２.

８９
 ２０１４ 年第 １２ 期 煤炭科学技术 第 ４２ 卷

的本征模态函数( Ｉｎｔｒｉｎｓｉｃ Ｍｏｄｅ ＦｕｎｃｔｉｏｎꎬＩＭＦ) ꎬ当 分类超平面ꎬ将样本以间隔最大为条件实现有效分

轴承发生故障时ꎬ各 ＩＭＦ 能量会发生变化ꎬ故可通 离ꎬ假设 一 系 列 样 本 集 Ｔ ＝ { ( ｘ ｉ ꎬｙ ｉ ) } ｍｉ＝ １ ( ｉ ＝ １ꎬ...ꎬ
过各 ＩＭＦ 分量能量占总能量的比例作为故障特征 ｍ) ꎬ其中 ｘ ｉ ∈Ｒ ｎ 表示输入向量ꎬＲ ｎ 为 ｎ 维空间ꎻｙ ｉ
信息 [６－８]
ꎮ 提取故障特征信息后ꎬ准确识别是关键ꎬ 表示所属类别ꎬｙ ｉ ∈{ － １ꎬ ＋ １} ꎻｍ 为样本数ꎬ根据样
支持向量机 ( Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅꎬ ＳＶＭ) 在解决 本求解最优分类超平面:
１ ｍ ｍ

∑ α α ｙ ｙ Ｋ( ｘ ｉ ꎬｘ ｊ ) － ∑
非线性、较高维、小样本等方面有突出优点ꎬ是一种
ｍｉｎＱ( α) ＝ αｉ
有效的故障识别方法 [９－１１] ꎮ 基于此ꎬ笔者采用 ＥＥ￣ ２ ｉꎬｊ ＝ １ ｉ ｊ ｉ ｊ ｉ＝１

ＭＤ 与 ＳＶＭ 相结合的方法ꎬ提出了基于振动信号分 ｍ

∑ αｉ ｙｉ ＝ ０ꎬ０ ≤ α ｉ ≤ Ｃ (４)
析的采煤机摇臂轴承故障诊断方法ꎬ该方法有利于
Ｋ( ｘ ｉ ꎬｘ ｊ ) ＝ φ( ｘ ｉ ) φ( ｘ ｊ )
实时监测采煤机工作状态ꎬ指导采煤机安全生产ꎬ降
　 　 其中:Ｑ( α) 为最优超平面ꎻＣ 为惩罚系数ꎻα ｉ ꎬα ｊ
低采煤机故障率ꎮ
为拉格朗日乘子ꎻｙ ｉ ꎬｙ ｊ 为样本集( ｘ ｉ ꎬｙ ｉ ) 参数ꎻφ( )
１　 采煤机故障诊断关键技术分析 为径向基核函数非线性变换ꎮ 通过求解ꎬ对应的分
类决策函数 ｆ( ｘ) 为
　 　 采煤机摇臂多级传动的机械结构导致其振动信
ｍ
号具有非平稳、强耦合特性ꎬ笔者采用 ＥＥＭＤ 方法 ｆ( ｘ) ＝ ｓｇｎ[ ∑ α ｉ ｙ ｉ Ｋ( ｘ ｉ ꎬｘ ｊ ) ＋ ｂ] (５)
ｉꎬｊ ＝ １
对复杂振动信号进行分解ꎬ提取故障特征信息ꎬ基于
　 　 其中ꎬ参数 ｂ 为超平面的偏置ꎮ
提取的故障特征信息采用 ＳＶＭ 方法对故障模式进
　 　 ＳＶＭ 主要通过非线性变换转化到高维特征空
行识别ꎮ
间ꎬ然后在高维特征空间中求解最优超平面 [１３－１４] ꎬ
１􀆰 １　 故障特征信息提取
利用最优超平面将空间分为多个子空间ꎬ每个子空
　 　 集合经验模态分解是利用高斯白噪声平均分布
间对应一种故障模式ꎬ实现故障模式识别ꎮ
的统计特性ꎬ在信号中加入白噪声ꎬ使振动信号在不
同尺度保持连续性ꎬ有效减小模态混叠ꎬ具体分解步 ２　 试验装置及信号采集
骤如下 [１２]
:
　 　 在摇臂试验台上 进 行 滚 动 轴 承 故 障 试 验 ( 图
　 　 １) 设采集的振动数字信号为 ｘ( ｔ) ꎬ在 ｘ( ｔ) 中多
１) ꎬ利用加速度传感器对振动信号进行采集ꎬ共模
次加入均值为 ０、标准差为常数的白噪声 ｎ ｉ( ｔ) ꎬ即
拟正常轴承、内圈故障、外圈故障、滚动体故障 ４ 种
ｘ ｉ( ｔ) ＝ ｘ( ｔ) ＋ ｎ ｉ( ｔ)
轴承状态ꎮ 采集的振动信号如图 ２ 所示ꎮ
式中:ｘ ｉ( ｔ) 为第 ｉ 次加入高斯白噪声的信号ꎮ 高斯
白噪声的大小会直接影响信号的分解效果ꎮ
　 　 ２) 对 ｘ ｉ( ｔ) 进行 ＥＭＤ 分解ꎬ得到 ＩＭＦ 分量 ｃ ｉｊ( ｔ)
和 １ 个余项ꎬ其中 ｃ ｉｊ( ｔ) 表示第 ｉ 次加入高斯白噪声
后ꎬ所得到的第 ｊ 个 ＩＭＦ 分量ꎮ
　 　 ３) 重复步骤 １) 和步骤 ２) 共 Ｎ 次ꎬ将上述 ＩＭＦ
进行总体平均运算ꎬ消除多次加入高斯白噪声对真
实 ＩＭＦ 分量的影响ꎬ最终得到 ＥＥＭＤ 分解后的 ＩＭＦ 图 １　 采煤机摇臂加载试验台
分量 ｃ ｉ( ｔ) 为 　 　 从图 ２ 可以看出ꎬ由于采煤机摇臂轴承振动信
１ Ｎ 号比较复杂ꎬ没有明显的周期规律ꎮ 正常轴承的最
ｃ ｉ( ｔ) ＝ ∑ ｃ ( ｔ)
Ｎ ｉ ＝ １ ｉｊ 大幅值在 ０􀆰 ２ｇ 左右( ｇ 为重力加速度) ꎬ当有故障发
　 　 当 Ｎ 越大ꎬ对应的白噪声的 ＩＭＦ 分量和将趋于 生时ꎬ其振动信号幅值有一定的增大ꎬ但是根据振动
０ꎮ 此时 ＥＥＭＤ 分解结果为 ｘ ｉ ( ｔ) ＝ ∑ｃ ｊ ( ｔ) ＋ ｒ( ｔ) ꎬ其 信号的时域图形不能区分发生何种故障ꎮ
中:ｃ ｊ( ｔ) 为最终得到的 ＩＭＦ 分量ꎻｒ( ｔ) 为分解残项ꎮ
３　 轴承振动信号分析
１􀆰 ２　 故障模式识别
　 　 对故障特征信息进行有效提取后ꎬ准确识别故 　 　 在摇臂试验台上采集轴承故障信号ꎬ分正常、内
障类型是关键ꎬＳＶＭ 分类算法的原理就是找到一个 圈故障、外圈故障、滚动体故障 ４ 类ꎬ基于振动信号
９０
 钱沛云等:基于振动信号分析的采煤机摇臂轴承故障诊断研究 ２０１４ 年第 １２ 期

图 ２　 ４ 种不同状态轴承时域振动信号

分析ꎬ利用 ＥＥＭＤ 和 ＳＶＭ 相结合的采煤机摇臂轴承

故障诊断方法对 ４ 种轴承信号进行分析ꎬ分析流程
如图 ３ 所示ꎮ

图 ４　 内圈故障 ＥＥＭＤ 分解结果

图 ３　 试验分析流程

　 　 轴承振动信号对 ４ 种轴承信号进行 ＥＥＭＤ 分

解ꎬ每次加 入 的 高 斯 白 噪 声 标 准 差 为 原 始 信 号 的
０􀆰 ３ 倍ꎬ以内圈故障为例ꎬ对内圈故障信号进行 ＥＥ￣
ＭＤ 分解ꎬ结果如图 ４ 所示ꎮ
　 　 内圈故障振动信号被分解成简单的 ＩＭＦ 分量ꎬ
图 ５　 前 ８ 个 ＩＭＦ 分量占总能量比例
ＩＭＦ１—ＩＭＦ１３ 为高频到低频一系列的分解信号ꎬ这
型选择 ２０ 个训练样本ꎬ对支持向量机进行训练ꎬ训
些 ＩＭＦ 分量显示了内圈故障信号每个频率范围内
练数据的故障特征信息范围的可视化图如图 ６ 所
随时间的变化规律ꎮ 由于不同故障引起不同频率范
示ꎬ从图 ６ 可以看出ꎬ针对 ４ 种状态轴承ꎬ其特征信
围信号能量发生变化ꎬ通过分析可知ꎬ前 ８ 个 ＩＭＦ
息分布范围最广为 ＩＭＦ１—ＩＭＦ５ 分量ꎬ说明区分轴
能量占信号总能量的 ９０％ꎬ因此以 ＥＥＭＤ 分解的前
承故障的特征信息差异主要包含在 ＩＭＦ１—ＩＭＦ５ 分
８ 个 ＩＭＦ 分量能量占总能量的比例作为故障特征信
息ꎬ４ 种不同轴承故障前 ８ 个 ＩＭＦ 分量所占各自故
障信号总能量比例如图 ５ 所示ꎮ
　 　 从图 ５ 可以看出ꎬ根据前 ８ 个分量能量占总能
量比例的变化趋势大致可区分轴承故障ꎬ下面通过
支持向量机实现准确分类ꎬ表 １ 列出 ４ 种轴承状态
标准训练样本的故障特征向量( 由于篇幅原因ꎬ每
种类型列举 ５ 个样本) ꎬ在试验过程中每种轴承类 图 ６　 训练样本故障特征信息可视化图

９１
 ２０１４ 年第 １２ 期 煤炭科学技术 第 ４２ 卷

量中ꎮ 参考文献:
表 １　 ４ 种轴承故障标准训练样本各 ＩＭＦ 的能量比例 [１] 　 周久华ꎬ米　 林.采煤机摇臂齿轮箱故障与可靠性分析[ Ｊ] . 内
蒙古科技与经济ꎬ２０１１ꎬ１４(２) :１０７－１１０.
各分量 ＩＭＦ 能量占总能量比例
项目 [２] 　 胡　 俊ꎬ张世洪ꎬ汪崇建.采煤机故障诊断技术现状及其发展趋
ＩＭＦ１ ＩＭＦ２ ＩＭＦ３ ＩＭＦ４ ＩＭＦ５ ＩＭＦ６ ＩＭＦ７ ＩＭＦ８
势[ Ｊ] .煤矿机械ꎬ２００８ꎬ２９(９) :８－１０.
０􀆰 ５５９ ０􀆰 ２１２ ０􀆰 １０１ ０􀆰 ０５９ ０􀆰 ０４８ ０􀆰 ００７ ０􀆰 ０１１ ０􀆰 ００２ [３] 　 岑　 健.小波神经网络在电牵引采煤机故障诊断中的应用[ Ｊ] .
正常 ０􀆰 ５４９ ０􀆰 ２３４ ０􀆰 ０８７ ０􀆰 ０５４ ０􀆰 ０４８ ０􀆰 ０１７ ０􀆰 ０１０ ０􀆰 ００２ 煤矿机械ꎬ２００６ꎬ２７(４) :７０５－７０７.
轴承 ０􀆰 ５５４ ０􀆰 ２１６ ０􀆰 １０１ ０􀆰 ０６６ ０􀆰 ０４４ ０􀆰 ００９ ０􀆰 ００９ ０􀆰 ００２ [４] 　 张登军ꎬ薛万安ꎬ于永飞.矿山设备故障诊断复合监测技术[ Ｊ] .
０􀆰 ５３９ ０􀆰 ２２１ ０􀆰 ０９７ ０􀆰 ０５７ ０􀆰 ０５４ ０􀆰 ０１４ ０􀆰 ０１１ ０􀆰 ００４ 煤炭科学技术ꎬ２０１２ꎬ４０(１) :１１１－１１４.

０􀆰 ４８８ ０􀆰 ３０３ ０􀆰 １４０ ０􀆰 ０４２ ０􀆰 ０１７ ０􀆰 ００６ ０􀆰 ００３ ０􀆰 ００１
内圈 ０􀆰 ４６７ ０􀆰 ２６３ ０􀆰 １６３ ０􀆰 ０６２ ０􀆰 ０２９ ０􀆰 ００９ ０􀆰 ００４ ０􀆰 ００１
故障 ０􀆰 ５０７ ０􀆰 ２９０ ０􀆰 １２４ ０􀆰 ０５２ ０􀆰 ０２０ ０􀆰 ００５ ０􀆰 ００１ ０􀆰 ００１
０􀆰 ５１６ ０􀆰 ２６１ ０􀆰 １２２ ０􀆰 ０６２ ０􀆰 ０２４ ０􀆰 ００７ ０􀆰 ００５ ０􀆰 ００２
０􀆰 ２８６ ０􀆰 ２１７ ０􀆰 ２６３ ０􀆰 １８０ ０􀆰 ０４２ ０􀆰 ００８ ０􀆰 ００２ ０􀆰 ００１
外圈 ０􀆰 ３０７ ０􀆰 ２３０ ０􀆰 ２３８ ０􀆰 １６８ ０􀆰 ０４４ ０􀆰 ００８ ０􀆰 ００３ ０􀆰 ００１
故障 ０􀆰 ２９３ ０􀆰 ２１１ ０􀆰 ２５０ ０􀆰 １９７ ０􀆰 ０３５ ０􀆰 ００８ ０􀆰 ００３ ０
０􀆰 ３１８ ０􀆰 ２１６ ０􀆰 ２０９ ０􀆰 １９３ ０􀆰 ０４５ ０􀆰 ０１３ ０􀆰 ００３ ０􀆰 ００１
０􀆰 ２７８ ０􀆰 ４７４ ０􀆰 １７０ ０􀆰 ０５９ ０􀆰 ０１３ ０􀆰 ００４ ０􀆰 ００２ ０􀆰 ００１
０􀆰 ３２２ ０􀆰 ４１０ ０􀆰 １６４ ０􀆰 ０７１ ０􀆰 ０２２ ０􀆰 ００８ ０􀆰 ００３ ０􀆰 ００１
[５] 　 凌六一ꎬ黄友锐.基于多传感器信息融合的矿井通风机故障诊
断[ Ｊ] .煤炭科学技术ꎬ２００８ꎬ３６(６) :７２－７４.
[６] 　 董文志ꎬ张　 超.基于小波变换和 ＥＥＭＤ 分解的转子系统故障
诊断[ Ｊ] .机械科学与技术ꎬ２０１２ꎬ３１(１０) :９７２－９７６.
[７] 　 于德介ꎬ程军圣ꎬ杨　 宇.基于 ＥＭＤ 的时频熵在齿轮故障诊断
中的应用[ Ｊ] .振动与冲击ꎬ２００５ꎬ２４(５) :２６－２９.
[８] 　 高立新ꎬ吴丽娟ꎬ张建宇.基于 ＥＭＤ 解调方法的齿轮早期故障
诊断[ Ｊ] .北京工业大学学报ꎬ２００９ꎬ３５(７) :８７６－８８１.
[９] 　 王　 峰ꎬ何凤有ꎬ谭国俊.矿井提升机自适应神经模糊故障诊断
策略研究[ Ｊ] .煤炭科学技术ꎬ２０１４ꎬ４２(２) :７８－８１.
[１０] 　 蒋玲莉ꎬ刘义伦ꎬ李学军ꎬ等. 基于 ＳＶＭ 与多振动信息融合的

滚动体 ０􀆰 ３３１ ０􀆰 ４７８ ０􀆰 １５４ ０􀆰 ０４５ ０􀆰 ０１４ ０􀆰 ００５ ０􀆰 ００２ ０􀆰 ００２ 齿轮故障诊断[ Ｊ] .中南大学学报ꎬ２０１０ꎬ４１(６) :２１８４－２１８８.
[１１] 　 Ｗｉｄｏｄｏ ＡꎬＹａｎｇ Ｂ Ｓ.Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ ｉｎ Ｍａｃｈｉｎｅ Ｃｏｎｄｉ￣
故障 ０􀆰 ３１２ ０􀆰 ４４５ ０􀆰 １４２ ０􀆰 ０６３ ０􀆰 ０２５ ０􀆰 ００７ ０􀆰 ００２ ０􀆰 ００２
ｔｉｏｎ Ｍｏｎｉｔｏｒｉｎｇ ａｎｄ Ｆａｕｌｔ Ｄｉａｇｎｏｓｉｓ[ Ｊ] .Ｍｅｃｈａｎｉｃａｌ Ｓｙｓｔｅｍｓ ａｎｄ
Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇꎬ２００７ꎬ２１(６) :２５６０－２５７４.
　 　 训练完毕后每种轴承状态采用 １５ 组检验样本
[１２] 　 林近山.基于 ＥＥＭＤ 和 Ｈｉｌｂｅｒｔ 变换的齿轮箱故障诊断[ Ｊ] .机
进行检验ꎬ并统计 ＳＶＭ 识别率ꎬ即正常轴承、内圈故 械传动ꎬ２０１０ꎬ３４(５) :６２－６４.
障、外圈故障、滚动体故障识别率分别为 ９３􀆰 ３３％、 [１３] 　 冯辉宗ꎬ彭　 丹ꎬ袁荣棣.基于 ＰＳＯ－ＳＶＭ 的发动机故障诊断
７３􀆰 ３３％、１００％、８６􀆰 ６７％ꎮ 由此可以看出ꎬ识别率最 研究[ Ｊ] .计算机测量与控制ꎬ２０１４ꎬ２２(２) :３５５－３６０.

低的为内圈故障ꎬ识别率为 ７３􀆰 ３３％ꎬ识别率最高的 [１４] 　 袁胜发ꎬ褚福磊. 支持向量机及其在机械故障诊断中的应用

[ Ｊ] .振动与冲击ꎬ２００７ꎬ２６(１１) :２９－３５.
为外圈故 障ꎬ 识 别 率 达 到 １００％ꎬ 总 体 识 别 率 达 到
８８􀆰 ３３％ꎮ 由此证明笔者提出的基于振动信号分析ꎬ 􀤌􀤌􀤌􀤌􀤌􀤌􀤌􀤌􀤌􀤌􀤌􀤌􀤌􀤌􀤌􀤌􀤌􀤌􀤌􀤌􀤌􀤌
采用 ＥＥＭＤ 和 ＳＶＭ 相结合的故障诊断方法能够适 ( 上接第 ４７ 页)
[６] 　 魏　 宁ꎬ傅旭东ꎬ邹　 勇ꎬ等.预应力锚索抗滑桩的有限元计算
应煤矿井下恶劣环境ꎬ适用于处理非平稳振动信号ꎬ
与应用[ Ｊ] .武汉大学学报ꎬ２００４ꎬ３７(５) :７３－７６.
能够实现采煤机摇臂轴承故障的准确诊断ꎮ [７] 　 王引生ꎬ王恭先ꎬ王　 祯ꎬ等. 预应力锚索抗滑桩结构优化[ Ｊ] .
中国铁道科学ꎬ２００７ꎬ２８(５) :１１－１４.
４　 结　 　 论
[８] 　 韩艳芬ꎬ赵蔚东.八尺门滑坡锚索抗滑桩施工与监测[ Ｊ] .公路ꎬ

　 　 针对采煤机摇臂轴承表现出的非平稳特性ꎬ在 ２００５(１) :９６－１００.

[９] 　 郑明新.预应力锚索抗滑桩中预应力合理值的探讨[ Ｊ] .力学与
采煤机摇臂试验台测量振动信号的基础上ꎬ对轴承
实践ꎬ２０１１ꎬ３３(５) :１６－２０.
振动信号进行 ＥＥＭＤ 分解ꎬ将复杂非平稳信号转换
[１０] 　 茅晓辉ꎬ付厚利ꎬ李润之.预应力锚索抗滑桩实用设计方法及
成结构简单的 ＩＭＦ 分量ꎬ选择前 ８ 个 ＩＭＦ 分量能量 工程应用[ Ｊ] .煤炭技术ꎬ２００９ꎬ２８(１０) :１０６－１０８.
所占信号 总 能 量 的 比 例 作 为 故 障 特 征 信 息ꎬ 结 合 [１１] 　 许英姿ꎬ韦万正ꎬ卢玉南.竖向预应力锚索抗滑桩的优化研究
ＳＶＭ 智能分类算法进行故障模式识别ꎮ 试验结果 [ Ｊ] .工程地质学报ꎬ２０１１ꎬ１９(１) :８３－８７.

表明ꎬ提出的基于振动信号分析的摇臂轴承故障诊 [１２] 　 Ｉｔａｓｃａ Ｃｏｎｓｕｌｔｉｎｇ Ｇｒｏｕｐ Ｉｎｃ.ＦＬＡＣ Ｕｓｅｒｓ Ｍａｎｕａｌ[ Ｋ] .Ｍｉｎｎｅａｐｏ￣

ｌｉｓ:Ｉｔａｓｃａ Ｃｏｎｓｕｌｔｉｎｇ Ｇｒｏｕｐ Ｉｎｃꎬ２００５.
断方 法 针 对 ４ 种 轴 承 状 态ꎬ 总 体 识 别 率 达 到
[１３] 　 邵　 勇ꎬ覃仁辉.预应力锚索框架梁边坡支护数值模拟[ Ｊ] .地
８８􀆰 ３３％ꎬ其中外圈故障识别率达 １００％ꎬ适用于处理 球科学与环境学报ꎬ２０１１ꎬ３２(３) :３０７－３１０.
采煤机摇臂轴承故障产生的非平稳振动信号ꎬ能够 [１４] 　 徐前卫ꎬ尤春安ꎬ朱合华.预应力锚索的三维数值模拟及其应
实现轴承故障的准确识别ꎮ 用研究[ Ｊ] .岩石力学与工程学报ꎬ２００４ꎬ２３( Ｓ) :４９４１－４９４５.

９２