Professional Documents
Culture Documents
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
89
2014 年第 12 期 煤炭科学技术 第 42 卷
∑ 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
图 3 试验分析流程
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 [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.
内圈 0 467 0 263 0 163 0 062 0 029 0 009 0 004 0 001
[6] 董文志ꎬ张 超.基于小波变换和 EEMD 分解的转子系统故障
故障 0 507 0 290 0 124 0 052 0 020 0 005 0 001 0 001
诊断[ J] .机械科学与技术ꎬ2012ꎬ31(10) :972-976.
0 516 0 261 0 122 0 062 0 024 0 007 0 005 0 002
[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
0 286 0 217 0 263 0 180 0 042 0 008 0 002 0 001
中的应用[ J] .振动与冲击ꎬ2005ꎬ24(5) :26-29.
外圈 0 307 0 230 0 238 0 168 0 044 0 008 0 003 0 001 [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
故障 0 293 0 211 0 250 0 197 0 035 0 008 0 003 0 诊断[ J] .北京工业大学学报ꎬ2009ꎬ35(7) :876-881.
0 318 0 216 0 209 0 193 0 045 0 013 0 003 0 001 [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
0 278 0 474 0 170 0 059 0 013 0 004 0 002 0 001 策略研究[ J] .煤炭科学技术ꎬ2014ꎬ42(2) :78-81.
0 322 0 410 0 164 0 071 0 022 0 008 0 003 0 001 [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.
92