一種帶式輸送機滾筒組件故障診斷方法
【專利摘要】本發明公開了一種帶式輸送機滾筒組件故障診斷方法，其針對滾筒體故障和軸承組件故障采用特征頻率分析與神經網絡方法進行故障診斷。首先利用振動傳感器采集滾筒組件不同故障狀況下的振動信號，再用EMD閾值方法對振動信號進行降噪處理，提取降噪信號的頻域參量進行故障特征頻率分析以判斷軸承組件健康狀況，另外提取時域參數構成特征向量作為神經網絡系統的輸入參量，由神經網絡專家系統利用訓練樣本進行仿真訓練，得到一套規則形成神經網絡專家系統診斷機制，并根據診斷機制，基于提取的特征向量進行滾筒體故障診斷。所述方法能夠實現對滾筒組件故障的診斷，有效提高滾筒組件故障診斷的效率。
【專利說明】
一種帶式輸送機滾筒組件故障診斷方法
技術領域
[0001] 本發明涉及帶式輸送機故障診斷領域，具體是一種帶式輸送機滾筒組件故障診斷 方法。
【背景技術】
[0002] 帶式輸送機是一種摩擦驅動以連續方式運輸物料的機械。主要由機架、輸送帶、托 輥、滾筒、張緊裝置、傳動裝置等組成。滾筒是帶式輸送機的動力節點，其安全性與可靠性直 接關系到整個輸送系統的安全性與穩定性。它主要包含軸、筒體、輪轂、輻板、脹套、軸承組 件等結構。在帶式輸送機的實際運行中，滾筒體及其軸承組件故障時有產生，這對輸送系統 的安全運行產生了重大威脅。
[0003] 帶式輸送機滾筒組件的故障形式主要包括輻板和筒殼連接處出現裂紋，長期作用 下滾筒體、輻板被壓裂破壞，滾筒中出現凹陷等局部變形過大，脹套連接螺栓變形過大甚至 被剪斷，軸承組件的內外圈轉動體故障。而滾筒所在工作環境較為復雜，使用超聲，激光等 非接觸式診斷方法效果甚微;并且高速運轉的滾筒故障特征信息難以有效采集，使滾筒故 障的早期診斷更加困難。目前，國內尚未對滾筒組件故障診斷進行有效研究。
【發明內容】
[0004] 本發明的目的就是為了填補國內對于滾筒組件故障診斷的空白，提供了一種滾筒 組件故障診斷方法，以實現對滾筒組件故障的早期診斷。
[0005] 為了解決上述技術問題，本發明通過以下技術方案得以解決：
[0006] -種帶式輸送機滾筒組件故障診斷方法，包括如下步驟：
[0007] 第一步:利用振動傳感器采集滾筒故障的故障振動信號，故障類型設置包含輻板 與筒殼連接處裂紋故障，輻板裂紋故障，滾筒體筒面受壓變形故障，脹套連接螺栓剪斷故障 以及軸承組件內外圈滾動體故障；
[0008] 第二步:采用EMD閾值處理對故障信號進行降噪；
[0009] 第三步：將降噪后的故障信號導入matlab，計算得到故障振動信號的方差、方均 根、偏度、峭度、波峰因子以及頻率參數，將方差、方均根、偏度、峭度、波峰因子這五個時域 特征參數組成特征向量，并將提取的特征向量作為神經網絡專家系統的輸入參量；
[0010] 第四步:根據軸承組件的結構數據計算得到內外圈滾動體故障特征頻率，另一方 面神經網絡系統利用訓練樣本進行仿真訓練，完成對滾筒體故障識別模型的建立，得到一 套規則形成神經網絡專家系統診斷機制；
[0011] 第五步:根據第三步中得到的振動信號的頻率是否含有第四步中的故障特征頻率 信息來判斷軸承組件是否有故障以及故障類型，另一方面神經網絡專家系統根據診斷機 制，基于提取的特征向量識別滾筒體是否存在故障，故障出現的位置，以及損傷的程度。
[0012] 由上述對本發明的描述可知，本發明具有以下效果：
[0013] 本發明的一種帶式輸送機滾筒組件故障診斷方法，利用振動傳感器采集預設各種 類型故障滾筒的振動信號，采用EMD閾值降噪提高信噪比，利用故障特征頻率方法和神經網 絡專家系統方法進行綜合診斷，得到結果；
[0014] 本發明的一種帶式輸送機滾筒組件故障診斷方法，對帶式輸送機滾筒組件故障進 行診斷，不僅解決了工作人員依靠經驗判斷故障所帶來的困難，而且提高了故障診斷的效 率。
【附圖說明】
[0015] 圖1為故障診斷方法流程圖。
【具體實施方式】
[0016] 為了更進一步闡述本發明為實現預定目的所采取的技術手段，請參閱以下本發明 的詳細說明與附圖，然而附圖僅提供參考與說明用，并非用來對本發明加以限制。
[0017]如圖1所示，為一種帶式輸送機滾筒組件故障診斷方法的流程圖，包含信號的采 集，降噪處理，特征參量的提取，以及神經網絡專家系統診斷等。
[0018] 第一步:利用振動傳感器采集故障滾筒組件的振動信號，故障類型設置包含輻板 與筒殼連接處裂紋故障，輻板裂紋故障，滾筒體筒面受壓變形故障，脹套連接螺栓剪斷故障 以及軸承組件內外圈滾動體故障；
[0019] 第二步:采用EMD閾值處理對故障信號進行降噪；
[0020] EMD將信號分解成一系列不同時間尺度的IMF分量，當最后一個IMF分量為單調函 數而不能再從中提取滿足MF條件的分量時停止分解，得到若干層頂F分量hi(t);
[0021] 然后為每個IMF分量確定一個閾值Hi，利用該閾值對每個IMF分量降噪；
[0022]
[0023]其中hhi(t)為降噪之后的頂F分量；
[0024]再利用降噪后的各頂F分量進行重構，得到降噪后的信號。
[0025]第三步：將降噪后的故障信號導入matlab，計算得到故障振動信號的方差、方均 根、偏度、峭度、波峰因子以及頻率參數，將方差、方均根、偏度、峭度、波峰因子這五個時域 特征參數組成特征向量，并將提取的特征向量作為神經網絡專家系統的輸入參量；
[0026] 方差
i反應信號相對于信號均值f的穩定程度的物理 量;其中Xl為輸入信號，η為信號值的總數；
[0027] 方均根
；反應信號的能量大小； Η ?ν
[0028] 偏度
〖義上是樣本的三階標準化矩，反應信號分布相對于均 值不對稱的程度;μ為信號平均數，σ為信號標準差；
[0029] 峭度
是歸一化的四階矩，反應信號的分布特性；
[0030] 峰值因子定義為信號峰值與信號方均根值的比值；
* ' I //?,Λ
[0031] 其。
為信號峰值；
[0032] 得到的特征向量表示為Υ =[Χ var，Xrms，Xskew，Xkur，Xcf ];
[0033] 第四步:根據軸承組件的結構數據計算得到內外圈滾動體故障特征頻率，另一方 面神經網絡專家系統利用訓練樣本進行仿真訓練，完成對滾筒體故障識別模型的建立，得 到一套規則形成神經網絡專家系統診斷機制；
[0034] 軸承內外圈滾動體故障特征頻率計算公式為：
[0035] 內圈故障特征頻率
[0036] 外圈故障特征頻率
[0037] 滾筒體故障特征頻率
[0038] 其中Z為滾動體個數，fr為轉頻(Hz)，d為滾動體直徑(mm)，D為軸承節徑(mm)，α為 接觸角。
[0039]第五步:根據第三步中得到的振動信號的頻率是否含有第四步中的故障特征頻率 信息來判斷軸承組件是否有故障以及故障類型，另一方面神經網絡專家系統根據診斷機 制，基于提取的特征向量識別滾筒體是否存在故障，故障出現的位置，以及損傷的程度。
【主權項】
1. 一種帶式輸送機滾筒組件故障診斷方法，其特征在于:該方法包含如下步驟： 1) 利用振動傳感器采集滾筒不同故障狀況下的振動信號； 2) 采用EMD闊值處理對故障信號進行降噪； 3) 計算降噪后的信號的時域頻域參數，由時域特征參數組成特征向量，并將提取的特 征向量作為神經網絡專家系統的輸入參量； 4) 根據軸承組件的結構數據計算得到內外圈滾動體故障特征頻率，另外神經網絡專家 系統利用訓練樣本進行仿真訓練，完成對滾筒體故障識別模型的建立，得到一套規則形成 神經網絡專家系統診斷機制. 5) 由故障特征頻率分析法對軸承組件進行故障診斷，而神經網絡專家系統根據診斷機 審IJ，基于提取的特征向量進行滾筒體故障診斷。2. 根據權利要求1所述的一種帶式輸送機滾筒組件故障診斷方法，其特征在于，步驟1) 中的故障狀況包含W下幾種情況:福板與筒殼連接處裂紋故障，福板裂紋故障，滾筒體筒面 受壓變形故障，脹套連接螺栓剪斷故障W及軸承組件內外圈滾動體故障。3. 根據權利要求1所述的一種帶式輸送機滾筒組件故障診斷方法，其特征在于，步驟2) 中的EMD闊值降噪為： EMD將振動信號分解成一系列不同時間尺度的IMF分量，當最后一個IMF分量為單調函 數而不能再從中提取滿足IMF條件的分量時停止分解，得到若干層IMF分量hi(t); 然后為每個IMF分量確定一個闊值出，利用該闊值對每個IMF分量降噪；其中化i(t)為降噪之后的IMF分量； 再利用降噪后的各IMF分量進行重構，得到降噪后的信號。4. 根據權利要求1所述的一種帶式輸送機滾筒組件故障診斷方法，其特征在于，步驟3) 中信號的時域參數包括： 方差量反應信號相對于信號均值文的穩定程度的物理量； 其中XI為輸入信號，η為信號值的總數； 方均巧乏應信號的能量大小； 偏屆定義上是樣本的Ξ階標準化矩，反應信號分布相對于均值不 對稱的程度;μ為信號平均數，σ為信號標準差； 峭屆：歸一化的四階矩，反應信號的分布特性； 峰值因子皂義為信號峰值與信號方均根值的比值;其中為信號峰值； 得到的特征向量表示為：X' = [ Xvar，Xrms，Xskew，Xkur，Xcf ]。5. 根據權利要求1所述的一種帶式輸送機滾筒組件故障診斷方法，其特征在于，步驟4) 中神經網絡專家系統通過訓練樣本得到專家系統的知識庫;步驟4)中軸承內外圈滾動體故 障特征頻率計算公式為：其中Z為滾動體個數，fr為轉頻，d為滾動體直徑，D為軸承節徑，α為接觸角。6.根據權利要求5所述的一種帶式輸送機滾筒組件故障診斷方法，其特征在于，知識庫 中包含用于做出滾筒體故障診斷的故障特征。
【文檔編號】G06K9/00GK105976021SQ201610350471
【公開日】2016年9月28日
【申請日】2016年5月24日
【發明人】付勝, 劉坤, 程磊, 黃奕銘, 鄭浩
【申請人】北京工業大學