一種采煤機搖臂齒輪故障診斷系統及方法
【技術領域】
[0001] 本發明屬于故障診斷領域,具體涉及一種齒輪故障診斷系統及方法,特別涉及一 種采煤機搖臂齒輪故障診斷系統及方法。
【背景技術】
[0002] 采煤機是煤礦綜采工作面的關鍵設備之一,大功率、高強度、高可靠性是現代采煤 機的發展方向,然而采煤機的可靠性卻是其發展的最為薄弱的環節,采煤機在工作過程中, 搖臂齒輪箱頻繁出現機械故障,其平均故障率為采煤機故障率的三分之一還多,已嚴重制 約著采煤機的開機率,影響到煤礦綜采工作面的均衡生產,一直以來,由于煤礦生產環境惡 劣,條件艱苦,煤礦工人專業素質普遍偏低,專業人才缺乏,技術力量落后,嚴重制約了采礦 設備故障診斷維修水平的發展,目前很多礦區針對采煤機搖臂齒輪的監測仍采用較傳統的 鐵譜分析技術,并不能快速有效地做出準確判斷,有時因種種因素甚至誤判,給生產實踐帶 來很大的不確定性,因此,提供一種使用方便、故障識別率高、適用范圍廣的采煤機搖臂齒 輪故障診斷系統及方法是非常有必要的。
【發明內容】
[0003] 本發明的目的是為了克服現有技術的不足,而提供一種使用方便、故障識別率高、 適用范圍廣的采煤機搖臂齒輪故障診斷系統及方法。
[0004] 本發明的目的是這樣實現的:一種采煤機搖臂齒輪故障診斷系統,它包括箱體,所 述的箱體的右部設置有電機,所述的電機的剪力軸的上部設置有齒輪H,所述的齒輪H通過 軸與箱體連接的外側設置有測點C,所述的齒輪H的左側設置有齒輪I,所述的齒輪I的左 側設置有齒輪J,所述的齒輪J通過軸連接有齒輪G,所述的齒輪J的左側設置有齒輪F,所 述的齒輪F通過軸與箱體連接的外側設置有測點B,所述的齒輪F的左側設置有齒輪E,所 述的齒輪E的左側設置有齒輪D,所述的齒輪D的左側設置有齒輪C,所述的齒輪C通過軸 與箱體連接的外側設置有測點A,所述的齒輪C通過軸連接有齒輪B,所述的齒輪B的外側 設置有齒圈A,所述的齒輪B通過連接架連接有齒輪K,所述的齒輪K的外側設置有齒輪L, 所述的齒輪L的外側設置有齒圈B,所述的測點A、測點B和測點C獲取的信號應經EMD (經 驗模態分解)處理,再經過神經網絡診斷。
[0005] 所述的電機為截割電機。
[0006] 所述的測點A、測點B和測點C處均設置有加速度傳感器。
[0007] 所述的齒輪A、齒輪B、齒輪C、齒輪D、齒輪E、齒輪F、齒輪G、齒輪H、齒輪I、齒輪 J、齒輪K、齒輪L均為直齒輪。
[0008] 所述的齒圈A和齒圈B為直齒齒圈。
[0009] 所述的EMD方法是運用內在模態函數(Intrinsic Mode Function,IMF)對信號進 行局部特征分析,每一 MF具有嚴格的定義:(1)整個信號的極點數和過零點數相等或相差 一個;(2)任何一點局部極大值和極小值包絡線平均值為零;包括以下步驟:
[0010] 步驟I):從測點獲取的信號為x(t),其上下包絡線為u⑴和v(t),上下包絡線的 平均為 m(t),即:m(t) = {u(t)-v(t)}/2 ;
[0011] 步驟2):用x(t)減去m(t),剩余的部分為Ii1 (t),即也(t) = x(t)_m(t);
[0012] 步驟3):樣條包絡線會產生新的極值點,影響原極值點的位置和大小,因此用 Ii1⑴代替X⑴,與Ill⑴對應的上下包絡線分別為U1⑴和V 1⑴,經過多次移動,艮P叫⑴ ={u1(t)-v1(t)}/2, h2(t) = hi (t)-Hi1Ct)......
[0013] mkl(t) = {uk !(t)-vk i(t)}/2, hk(t) = hk ! (t)-mk ! (t);
[0014] 直到所得的hk(t)滿足頂F的嚴格定義,得到滿足頂F定義的Cl(t)和殘留部分 T1Ct), C1 (t) =hk(t),r!(t) =x(t)-hk(t);
[0015] 步驟4):將6(〇繼續EMD分解過程,直到所得信號為全部滿足頂F定義。原信號 可如下表示:
[0016] 步驟5):設ejl為EMD分解后各頂F的能量,e {e n,ej2,…,ejl}形成對原始 信號能量的一種劃分,第i個MF信號能量在總能量中存在的概率為
則在各 頂F上能譜熵為:
[0017] 所述的測點A、測點B和測點C獲取的信號經EMD (經驗模態分解)處理后,還應通 過神經網絡診斷,所述的神經網絡由輸入層、模式層、求和層和輸出層組成,所述的求和層 的概率密度函數估計式為:
[0019] 其中,θ A為故障模式,Xa$ Θ &第i個訓練向量;m為Θ &的訓練樣本數;δ為平 滑參數;
[0020] 所述的輸出層的故障單元的輸出為:
[0022] 其中,W1為連接權值;δ為平滑因子。
[0023] 所述的神經網絡診斷還包括以下步驟:
[0024] 步驟1):分別收集正常、斷齒、磨損和膠合狀態下的齒輪運行狀態信號作為參數 數據,將每組數據分成兩部分,一部分作為神經網絡訓練樣本,另一部分作為神經網絡測試 樣本;
[0025] 步驟2):對于獲得的數據分別進行EMD分解,并求得能譜熵,利用能譜熵訓練神經 網絡,利用訓練好的神經網絡進行實測樣本的故障診斷。
[0026] 本發明的有益效果:本發明在采煤機搖臂齒輪箱體上設置有測點Α、測點B和測點 C,在測點處設置加速度傳感器,可以設置水平和豎直兩個方向或水平、豎直及軸向三個方 向的傳感器,從而使得到的信號更加全面,在齒輪傳動的高速區可以布置更多的傳感器,以 便獲取更多的振動信號進行比較分析,進而保證診斷結果的準確性;本發明采用EMD分解 對獲取的信號進行處理,EMD方法是在基于信號的局部特征時間尺度上,把復雜的信號函數 分解成有限的內在模態函數,每一內在模態函數不僅與采樣頻率有關,而且隨信號本身變 化而變化,因此EMD方法適用于非線性和非平穩過程,具有很高的信噪比,EMD能譜熵對各 個模態函數進行統計分析,將各個內在模態函數的復雜度量化,利用能譜熵值準確地反應 振動信號的參數變化;本發明采用神經網絡對獲取的能譜熵進行訓練和診斷,神經網絡是 一種有導師的自學習算法,在網絡的學習過程中不僅包括對訓練數據特征量的描述,還可 以表示各自對應的模式類別,并且精度很高,故障診斷準確率高;本發明具有使用方便、故 障診斷準確率高、適用范圍廣的優點。
【附圖說明】
[0027] 圖1是本發明一種采煤機搖臂齒輪故障診斷系統及方法的采煤機搖臂齒輪結構 示意圖。
[0028] 圖2是本發明一種采煤機搖臂齒輪故障診斷系統及方法的神經網絡診斷示意圖。
[0029] 圖3是本發明一種采煤機搖臂齒輪故障診斷系統及方法的故障診斷及神經網絡 訓練圖。
[0030] 圖中:1、滾筒2、連接架3、齒圈A 4、齒輪A 5、齒輪B 6、齒輪C 7、測點A 8、齒輪 D 9、齒輪E 10、齒輪F 11、測點B 12、齒輪G 13、箱體14、電機15、剪力軸16、齒輪A 17、 測點C 18、齒輪L 19、齒輪J 20、齒圈B 21、齒輪K 22、齒輪L 23、輸入層24、模式層25、 求和層26、輸出層。
【具體實施方式】
[0031] 下面結合附圖對本發明做進一步的說明。
[0032] 實施例1
[0033] 如圖1、圖2和圖3所示,一種采煤機搖臂齒輪故障診斷系統及方法,它包括箱體 13,所述的箱體13的右部設置有電機14,所述的電機14的剪力軸15的上部設置有齒輪 H16,所述的齒輪H16通過軸與箱體13連接的外側設置有測點C17,所述的齒輪H16的左側 設置有齒輪118,所述的齒輪118的左側設置有齒輪J19,所述的齒輪J19通過軸連接有齒 輪G12,所述的齒輪J19的左側設置有齒輪F10,所述的齒輪FlO通過軸與箱體14連接的外 側設置有測點Bll,所述的齒輪FlO的左側設置有齒輪E9,所述的齒輪E9的左側設置有齒 輪D8,所述的齒輪D8的左側設置有齒輪C6,所述的齒輪C6通過軸與箱體13連接的外側設 置有測點A7,所述的齒輪C6通過軸連接有齒輪B5,所述的齒輪B5的外側設置有齒圈A3, 所述的齒輪B5通過連接架2連接有齒輪K21,所述的齒輪K21的外側設置有齒輪L22,所述 的齒輪L22的外側設置有齒圈B20,所述的測點A7、測點Bll和測點C17獲取的信號應經 EMD(經驗模態分解)處理后,再經過神經網絡診斷。
[0034] 所述的EMD方法是運用內在模態函數(Intrinsic Mode Function,IMF)對信號進 行局部特征分析,每一 MF具有嚴格的定義:(1)整個信號的極點數和過零點數相等或相差 一個;(2)任何一點局部極大值和極小值包絡線平均值為零;包括以下步驟:
[0035] 步驟1):從測點獲取的信號為X (t),其上下包絡線為u (t)和v(t),上下包絡線的 平均為 m(t),即:m(t) = {u(t)-v(t)}/2 ;
[0036] 步驟2):用x(t)減去m(t),剩余的部分為Ii1 (t),即也(t) = x(t)_m(t);
[0037] 步驟3):樣條包絡線會產生新的極值點,影響原極值點的位置和大小,因此用 Ii1⑴代替X⑴,與Ill⑴對應的上下包絡線分別為U1⑴和V 1⑴,經過多次移動,艮P叫⑴ ={u1(t)-v1(t)}/2, h2(t) = hi (t)-Hi1Ct)......
[0038] mkl(t) = {uk !(t)-vk i(t)}/2, hk(t) = hk-l (t)-mk ! (t);
[0039] 直到所得的hk(t)滿足頂F的嚴格定義,得到滿足頂F定義的Cl(t)和殘留部分 T1Ct), C1 (t) =hk(t),r!(t) =x(t)-hk(t);
[0040] 步驟4):將Γι (t)繼續EMD分解過程,直到所得信號為全部滿足頂F定義。原信號 可如下表示
[0041] 步驟5):設ejl為EMD分解后各頂F的能量,e j= {e n,ej2, . . .,ejl}形成對原始 信號能量的一種劃分,第i個MF信號能量在總能量中存在的概率為
,則在各 頂F上能譜熵為:
[0042] 所述的測點A、測點B和測點C獲取的信號經EMD (經驗模態分解)處理后,還應通 過神經網絡診斷,所述的神經網絡由輸入層、模式層、求和層和輸出層組成,所述的求和層 的概率密度函數估計式為:
[0044] 其中,θ A為故障模式,Xa$ Θ ^ i個訓練向量;m為Θ亦訓練樣本數;δ為平 滑參數;
[0045] 所述的輸出層的故障單元的輸出為:
[0047] 其中,W1為連接權值;δ為平滑因子。
[0048] 本發明在采煤機搖臂齒輪箱體上設置有測點Α、測點B和測點C,在測點處設置加 速度傳感器,可以設置水平和豎直兩個方向或水平、豎直及軸向三個方向的傳感器,從而使 得到的信號更加全面,在齒輪傳動的高速區可以布置更多的傳感器,以便獲取更多的振動 信號進行比較分析,進而保證診斷結果的準確性;本發明采用EMD分解對獲取的信號進行 處理,EMD方法是在基于信號的局部特征時間尺度上,把復雜的信號函數分解成有限的內在 模態函數,每一