淺析采煤機(jī)搖臂軸承故障診斷技術(shù)

劉建雄

0 前言

煤炭在我國(guó)的能源結(jié)構(gòu)中占有十分重要的地位，每年都要消耗大量的煤炭，因此，礦井的生產(chǎn)規(guī)模越來越大，井下所采用的各種機(jī)械設(shè)備技術(shù)含量也是逐年升高，由于設(shè)備的復(fù)雜程度較高，再加上惡劣工作環(huán)境的不利影響，這就在一定程度上降低了設(shè)備平穩(wěn)運(yùn)行的概率。采煤機(jī)是井下煤炭開采的關(guān)鍵設(shè)備，其中綜合了機(jī)械、液壓以及電子等多種技術(shù)。采煤機(jī)的搖臂一旦發(fā)生故障就會(huì)導(dǎo)致整個(gè)回采作業(yè)面發(fā)生癱瘓，從而影響井下正常的生產(chǎn)作業(yè)。因此，要結(jié)合采煤機(jī)工作的實(shí)際情況，采取科學(xué)合理的故障診斷技術(shù)，進(jìn)而確保整個(gè)生產(chǎn)過程的順利進(jìn)行。

1 采煤機(jī)搖臂結(jié)構(gòu)分析

采煤機(jī)可以分為四部分，即切割部、電動(dòng)機(jī)、牽引部以及輔助裝置。其中，搖臂屬于切割部。切割部主要用于截煤和裝煤作業(yè)中，其主要組成部分有：切割電動(dòng)機(jī)、搖臂減速箱、內(nèi)外噴霧系統(tǒng)以及割煤滾筒等，采煤機(jī)搖臂輪箱可以分為行星輪減速和直齒輪減速。

2 采煤機(jī)搖臂軸承的故障特征頻率

滾動(dòng)軸承是采煤機(jī)的重要組成部分，其能否正常工作對(duì)于維持采煤機(jī)的平穩(wěn)運(yùn)行具有十分重要的現(xiàn)實(shí)意義。滾動(dòng)軸承主要是由保持架、滾動(dòng)體、外圈、內(nèi)圈以及保持架等部分組成。滾動(dòng)軸承最常見的故障就是損傷類的故障，據(jù)不完全統(tǒng)計(jì)，采煤機(jī)軸承外圈和內(nèi)圈的故障數(shù)占到軸承故障總數(shù)的90%左右。此外，還與搖臂軸承實(shí)際工作時(shí)的旋轉(zhuǎn)頻率具有較大的關(guān)系。一般情況下，如果軸承工作時(shí)的旋轉(zhuǎn)速度越快、工作時(shí)間的越長(zhǎng)、工作環(huán)境越惡劣，軸承的故障頻率就越高。

滾動(dòng)軸承的滾動(dòng)體故障特征頻率fb的計(jì)算公式如下所示：

滾動(dòng)軸承內(nèi)圈的故障特征頻率fI的計(jì)算公式如下所示：

滾動(dòng)軸承外圈的故障特征頻率fo的計(jì)算公式如下所示：

滾動(dòng)軸承保持架內(nèi)、外環(huán)的故障特征頻率fc的計(jì)算公式如下所示：

其中，d為滾動(dòng)體的直徑大小，D為軸承節(jié)徑大小，z為滾動(dòng)體的數(shù)量多少，α為接觸角大小。

3 采煤機(jī)搖臂軸承的故障特征頻率計(jì)算

雙滾筒電牽引采煤機(jī)具有兩個(gè)左右對(duì)稱的切割部，因此，其具有非常高的工作效率，同時(shí)也會(huì)增加整個(gè)切割部出現(xiàn)故障的概率，進(jìn)而降低了工作時(shí)的穩(wěn)定性。采煤機(jī)切割部的組成部分主要是由切割電動(dòng)機(jī)、殼體、離合機(jī)構(gòu)、減速傳動(dòng)機(jī)構(gòu)、切割滾筒以及冷卻噴霧裝置等6部分組成，其中，切割部與減速箱之間通過回轉(zhuǎn)銷軸進(jìn)行有效的連接。

搖臂是采煤機(jī)切割部所有組成部分中最為重要的組成部分，搖臂軸承一共有7個(gè)不同的軸系，由于軸承數(shù)量較多，這就大大增加了軸承出現(xiàn)故障的頻率，并且每個(gè)軸承也是不盡相同的，發(fā)生故障時(shí)的振動(dòng)信號(hào)特征也是不同的，為了確保每個(gè)軸承都能進(jìn)行正常的工作，就要對(duì)故障軸承采取有針對(duì)性的故障診斷技術(shù)，進(jìn)而確保采煤機(jī)的搖臂軸承能夠進(jìn)行順利的工作。

4 采煤機(jī)搖臂軸承故障診斷技術(shù)

4.1 EEMD理論

（1）EEMD算法

EEMD算法能夠?qū)π盘?hào)進(jìn)行科學(xué)合理的分解，進(jìn)而能夠得到一系列從高頻到低頻的IFM之和，使得對(duì)信號(hào)進(jìn)行的分解具有一定的連續(xù)性，從而能夠有效提取信號(hào)中的特征[1]。當(dāng)軸承發(fā)生故障時(shí)，不同頻帶的能量所呈現(xiàn)出的信號(hào)變化也不盡相同。因此，能夠通過計(jì)算每層IMF的能量熵，對(duì)采煤機(jī)搖臂軸承的故障情況進(jìn)行有效的判斷，進(jìn)而提高了對(duì)故障的診斷效果[2]。

（2）端點(diǎn)效應(yīng)抑制方法

為了有效提高對(duì)信號(hào)的分析質(zhì)量，在采用EEMD分解方法對(duì)原信號(hào)進(jìn)行處理前要對(duì)其進(jìn)行合理的延拓，并對(duì)延拓之后的信號(hào)進(jìn)行加余弦窗函數(shù)處理。通過處理之后，不僅能夠降低延拓所造成的不確定性，而且還能對(duì)端點(diǎn)效應(yīng)所造成的影響進(jìn)行一定的降低，進(jìn)而有效地提高了信號(hào)的分解精度，為故障的診斷提供有效的數(shù)據(jù)支持。

4.2 HMM模型

HMM模型是建立在Markov鏈的基礎(chǔ)之上，其中，一個(gè)完整的HMM模型λ是由三個(gè)基本元素組成的，即λ=（A，B，α），A為隱狀態(tài)轉(zhuǎn)移概率分布矩陣；B為觀測(cè)值概率矩陣；α為模型的初始概率分布向量，對(duì)模型初始時(shí)刻各個(gè)隱狀態(tài)的概率進(jìn)行了有效的定義。

隨著HMM被廣泛地應(yīng)用于采煤機(jī)搖臂軸承的故障診斷工作中，形成了比較經(jīng)典的三大算法：（1）估計(jì)，對(duì)序列所出現(xiàn)的概率進(jìn)行科學(xué)合理的估測(cè)，一般采取由前向-后向的算法進(jìn)行精確的計(jì)算；（2）解碼，求解出可能性比較大的隱藏狀態(tài)序列；（3）學(xué)習(xí)，根據(jù)給定的觀察序列，對(duì)HMM模型參數(shù)進(jìn)行有針對(duì)性的調(diào)整，進(jìn)而確保該觀察序列的出現(xiàn)概率是最大的。

在對(duì)采煤機(jī)搖臂軸承的故障診斷過程中，通過EEMD方法有效地提取出采煤機(jī)搖臂軸承振動(dòng)信號(hào)的敏感特征集。首先，利用Baum-Welch算法對(duì)初始化設(shè)置的HMM型進(jìn)行科學(xué)合理地有效訓(xùn)練，并建立不同軸承的HMM參數(shù)模型；其次，利用Viterbi算法對(duì)推理概率進(jìn)行有效的計(jì)算，根據(jù)現(xiàn)有的模型，計(jì)算出的輸出概率值最大的樣本故障類型也就是所要求解的模型類型。

5 實(shí)驗(yàn)裝置及信號(hào)采集

通過采煤機(jī)搖臂的加載試驗(yàn)臺(tái)對(duì)軸承故障的診斷方法進(jìn)行科學(xué)合理的分析驗(yàn)證，由于工作過程中傳感器安裝在軸向和徑向?qū)S承損傷的敏感程度不同，因此，要采用靈敏度較高的三軸加速度振動(dòng)傳感器對(duì)搖臂軸承工作時(shí)的振動(dòng)信號(hào)進(jìn)行科學(xué)合理的采集。通過對(duì)搖臂的內(nèi)軸承進(jìn)行有效的更換，進(jìn)而模擬出正常軸承、內(nèi)圈點(diǎn)蝕故障、外圈點(diǎn)蝕故障以及滾動(dòng)體點(diǎn)蝕故障[3]。

根據(jù)對(duì)3個(gè)方向信號(hào)進(jìn)行一定的分析可知，相較于軸向Z和切向Y，徑向X所采集到的軸承故障信號(hào)所具有的峭度值更大，并且信號(hào)中所含有的沖擊成分更多。為了提高對(duì)信號(hào)的處理精度，要選擇在X方向上采集到的信號(hào)作為研究對(duì)象，通過對(duì)振動(dòng)信號(hào)進(jìn)行科學(xué)合理的分析，沒有發(fā)現(xiàn)比較明顯的規(guī)律，也就無法對(duì)故障類型進(jìn)行準(zhǔn)確的分析。對(duì)每組不同類型的軸承采集100組不同的數(shù)據(jù)樣本，采樣頻率為10 kHz。

6 軸承振動(dòng)信號(hào)分析

采用EEMD和HMM診斷技術(shù)對(duì)采煤機(jī)搖臂軸承故障信號(hào)進(jìn)行系統(tǒng)全面的分析。首先，要對(duì)所采集的信號(hào)兩端進(jìn)行極值點(diǎn)對(duì)稱延拓，并對(duì)延拓處理后的信號(hào)進(jìn)行余弦窗函數(shù)處理，最后對(duì)其進(jìn)行EEMD分解。在進(jìn)行分解的過程中，高斯白噪聲幅度設(shè)置為0.01，循環(huán)次數(shù)設(shè)置為100。對(duì)內(nèi)圈點(diǎn)蝕故障信號(hào)進(jìn)行分析，一共分解出了11個(gè)IMF和余量r[4-6]。

去掉經(jīng)EEMD處理得到的每個(gè)IMF延拓部分，能夠得到與原信號(hào)序列長(zhǎng)度相一致的一組IMF。對(duì)采集到的軸承信號(hào)按照上述的處理方法進(jìn)行處理，并分別求出IMF分量所對(duì)應(yīng)的能量熵，再對(duì)其進(jìn)行歸一化處理。

利用HMM對(duì)軸承故障類型進(jìn)行診斷分辨，根據(jù)故障類型建立對(duì)應(yīng)的HMM狀態(tài)識(shí)別模型，HMM對(duì)采煤機(jī)搖臂軸承故障的正確識(shí)別率高達(dá)90%以上。

7 結(jié)語

總而言之，為了提高對(duì)采煤機(jī)搖臂軸承故障的診斷質(zhì)量，就要對(duì)采煤機(jī)的實(shí)際工作狀況進(jìn)行系統(tǒng)全面的分析，進(jìn)而優(yōu)選適宜的診斷技術(shù)，確保能夠及時(shí)地將搖臂故障予以排除。本文對(duì)采煤機(jī)搖臂軸承故障診斷技術(shù)進(jìn)行了比較深入的分析研究，對(duì)于從事相關(guān)工作的技術(shù)人員具有一定的借鑒意義，進(jìn)而為采煤機(jī)搖臂的正常工作提供可靠的保障。

參考文獻(xiàn)：

［1］錢沛云，陳曦暉，胡曉，等.基于振動(dòng)信號(hào)分析的采煤機(jī)搖臂軸承故障診斷研究［J］.煤炭科學(xué)技術(shù)，2014（12）：89-92.

［2］郝尚清，龐新宇，王雪松，等.基于盲源分離的采煤機(jī)搖臂軸承故障診斷方法［J］.煤炭學(xué)報(bào)，2015（11）：2509-2513.

［3］呂棟鴻.基于雙樹復(fù)小波變換和奇異譜熵的采煤機(jī)搖臂軸承故障診斷［J］.山東煤炭科技，2015（10）：103-105.

［4］張建峰，王志華.基于EEMD降噪和HMM的采煤機(jī)搖臂滾動(dòng)軸承故障診斷［J］.煤礦機(jī)械，2016（01）：205-207.

［5］林思苗，張艷榮，郭麗萍.改進(jìn)WMRA在滾動(dòng)軸承故障診斷研究中的應(yīng)用［J］.機(jī)電工程，2017，34 （11）：1255-1258.

［6］王行剛.基于改進(jìn)EEMD和HMM的采煤機(jī)搖臂軸承故障診斷［J］.工礦自動(dòng)化，2016（09）：48-53.