采煤機搖臂傳動系統滾動軸承故障診斷分析*

李 斌

(潞安化工集團漳村煤礦機電科，山西 長治 046032)

0 引 言

機械設備集成化具有體積大、結構復雜等特點，機械設備內部零件繁多，零件之間相互作用，相互影響，任何一個零件故障都會影響整體設備的運行，尤其是軸承等關鍵部件。機械在運行過程中一旦發生故障，技術人員必須在短時間內尋找到故障發生的具體位置以及故障原因。否則故障會影響到與其相關聯的其他部件，造成更大損失，甚至引起安全事故。

搖臂傳動系統中的滾動軸承作為旋轉機械的核心部件是采煤機設備使用中故障率最高的設備元件之一，其設備故障率可達40%以上，在日常開采作業中，由于設備載荷的變化與使用環境噪聲的干擾，傳統故障診斷系統無法收集準確的振動信號，故障診斷系統誤診率較高[1]。因此探究和優化采煤機搖臂傳動系統中滾動軸承的故障診斷方法是提高診斷故障率的有效途徑。

筆者通過對采煤機搖臂傳動系統滾動軸承進行故障分析，依據其相關機理，運用反卷積自編碼器與卷積神經網絡對滾動軸承實行故障診斷，建立實驗模型，以期提高設備故障診斷效率，解決和加快設備正常運行，恢復企業正常安全生產。

1 采煤機搖臂傳動系統滾動軸承故障分析

1.1 采煤機搖臂傳動系統滾動軸承結構分析

采煤機搖臂傳動系統中使用的滾動軸承一般為調心滾子滾動軸承、單列圓柱滾子滾動軸承、球式回轉滾動軸承和無內圈圓柱滾子滾動軸承。文中以球式回轉滾動軸承為例進行結構分析，該軸承主要由內圈、外圈、保持架和滾動體四部分組成。外圈主要是起支撐作用，保持固定；內圈分內部與外部兩個部分，外部是滾動體軌道內環，而軌道外環就是軸承外圈的內部，內外環中間夾著滾動體，可起到減小摩擦力，延長使用壽命的效果；保持架可以使滾子不產生摩擦；滾動體為滾動軸承的核心部件，不同的材料與數量使軸承有不同的承載性能。其結構示意圖如圖1所示。

圖1 球式回轉滾動軸承結構示意圖

1.2 滾動軸承故障種類

采煤機的工作環境一般較為惡劣，煤矸石的侵入、設備使用時的震動與過載應力都是采煤機搖臂傳動系統滾動軸承發生故障的原因。除了外部因素以外，內部零件隨著使用時間的增多而達到疲勞極限造成零件的失效也是軸承故障的原因之一。對于采煤機搖臂傳動系統滾動軸承來說，其失效形式一般分為六種[2]。

(1) 磨損失效

在采煤機的日常使用過程中，滾動軸承之間的摩擦、突變應力、設備運行過程中侵入的粉塵、煤渣等各類雜物都會導致滾動軸承的磨損。隨著時間的推移，設備磨損會不斷加劇，先會造成先兆性的損壞影響設備一部分功能的使用，隨著設備磨損的加劇，滾動軸承最終會出現裂紋等破壞，使滾動軸承徹底失效。

(2) 疲勞失效

采煤機的使用過程中，設備載荷會不斷發生變化，在設備持續運轉的工作條件下，滾動體會因此而承受較大的壓力，使得內外滾道載荷巨大，造成軸承最大應力處斷裂，導致疲勞失效。

(3) 斷裂失效

斷裂失效主要是因為采煤機在實際使用過程中常常會發生過載現象，再加上設備運行時搖臂時起時停與外來雜質的入侵，軸承的缺陷處就會發生斷裂，從而使軸承發生斷裂失效。

(4) 腐蝕失效

采煤機的切割運行接觸水或者帶有腐蝕性質的液體在所難免，這些液體就會與滾動軸承的材料發生一定的化學反應，使軸承發生腐蝕作用，造成軸承的腐蝕失效。

(5) 膠合失效

采煤機搖臂的長期運轉會使軸承滾道與滾子產生發熱現象，再加上設備的過載、高速等非正常使用情況的發生，會使滾道與滾子發生膠合，從而使滾動軸承膠合失效。

(6) 保持架失效

當采煤機所切割煤壁硬度較大時，保持架會受到來自滾動軸承的巨大壓力，從而造成保持架變形，滾動體與滾道會因保持架變形而產生巨大摩擦造成滾動軸承失效。

1.3 滾動軸承故障機理分析

通過上述分析可知，采煤機搖臂傳動系統滾動軸承故障主要是由于滾動軸承振動而造成的軸承失效。滾動軸承的振動原因主要是兩部分。其一是因為軸承內部自身存在誤差，從而造成設備運行發生振動。另外一個原因是設備內其他零件對軸承發生作用，從而使軸承發生振動。如再加以細化，可將原因分為自身特點、安裝誤差、運行故障、其他因素四大部分。其故障來源示意圖如圖2 所示。

圖2 滾動軸承來源示意圖

2 采煤機搖臂傳動系統滾動軸承故障診斷研究

依據采煤機搖臂傳動系統滾動軸承的結構、故障種類與機理，結合采煤機的設備使用環境，對故障檢測傳感器的布置如圖3所示。

圖3 故障檢測傳感器布置圖1.電機軸徑向檢測 2.電機軸軸向檢測 3.惰輪4徑向檢測 4.惰輪4軸向檢測 5.滾筒徑向檢測 6.滾筒軸向檢測

將傳感器連接至編碼器與神經網絡即可對故障進行診斷。傳統滾動軸承故障診斷圖像轉換方法由于采煤機使用環境復雜，干擾信號多，使該圖像轉換方法誤差較大，且后續圖像識別效果也很不理想。本文選取反卷積自編碼器+卷積神經網絡的故障識別方法，有效解決了上述問題，實現了圖像的有效利用。采煤機搖臂傳動系統滾動軸承故障診斷主要是通過傳感器收集信號后運用無監督學習法通過編碼器產生可使卷積神經網絡識別的二維畫面，再以3:1的比例分為測試與訓練集，再通過Softmax進行故障診斷[3]。由于滾動軸承的故障復雜多變，固定的故障診斷算法無法滿足實際的使用要求，故本系統采用無監督學習法。通過編碼器可將故障數據轉化為振動圖像，卷積神經網絡可對該圖像進行識別，從而判斷設備是否故障。其診斷方法流程如圖4所示。

其中，采煤機搖臂傳動系統滾動軸承故障診斷中，圖像識別技術是故障診斷系統的關鍵，而圖像轉換部分又是該技術的核心部分，因此振動信號的高效轉化與原始信號的保留是故障診斷方法是否可以高效運行的必要條件。傳統的圖像識別技術具有振動圖像信息利用率低、圖像轉換慢、信息保留差等問題，使得圖像識別技術無法達到故障診斷方法的要求。本文選用反卷積自編碼器的圖像轉換方法，運用卷積神經網絡將振動信號直接轉化為二維圖像，便于卷積神經網絡的識別，再從圖像的角度進行分析，從而達到快速故障識別診斷的目的，提高故障處理效率[4]。

圖4 采煤機搖臂傳動系統滾動軸承故障診斷流程示意圖

卷積神經網絡具有前饋結構系統，主要有以下三個特點：①可對局部進行定域，同時加以共享權重和子采樣功能，使得二維圖像分析能力得以加強；②卷積神經網絡由濾波級對輸入信號特征進行提取，特征參數由分類級完成，參數可同時訓練獲得；③濾波級可分為卷積層、池化層與激活層三個部分，分類級為全連接層[5]。

運用上述方法，將采煤機搖臂傳動系統滾動軸承故障診斷模型建立完成后，本文將反卷積自編碼器+卷積神經網絡(CAE+cnn)與常用故障診斷方法卷積神經網絡+長短時記憶網絡(Cnn+Lstm)、長短時記憶網絡+一維卷積神經網絡(LSTM+cnn)三種狀態之下的故障診斷方法進行測試實驗，對比傳統診斷方法模型與文中設計模型，驗證文中設計故障診斷模型的高效性。測試數據如圖5所示。通過圖5可以看出，文中的設計模型用時最短為60.43 s，其余兩種方法各66.58 s與70.26 s，診斷效率明顯提高。此設計模型的最高識別準確率為99.23%，平均準確率為88.33%，其余兩種最高識別準確率為94.55%與96.72%，平均準確率為82.73%與83.92%,設計模型準確率明顯優于另兩種模型。將該模型應用于實際生產后發現，在高噪聲、高負荷等工作狀態下診斷模型診斷平均準確率仍為88%，其診斷速度較傳統方法有顯著提高，證明該診斷方法高效、準確、可行。

圖5 三種方法故障診斷時間對比圖

3 結 論

采煤機搖臂傳動系統滾動軸承故障診斷作為采煤機故障診斷的關鍵一環，對于采煤機故障快速排除意義深遠。文中基于傳統采煤機搖臂傳動系統滾動軸承故障診斷方法的弊端進行針對性研究，得出以下結論。

(1) 反卷積自編碼器可高效解決傳統圖像處理技術信息利用率低、圖像轉換慢、信息保留差等問題，提高故障診斷速率。

(2) 卷積神經網絡可提高二維圖像分析能力，同時訓練獲得參數，減少參數模型，提高故障處理效率。

(3) 反卷積自編碼器與卷積神經網絡故障診斷模型效率高于傳統滾動軸承故障診斷方法，對于煤礦安全生產具有現實意義。