煤礦用帶式輸送機減速器故障診斷方法研究

摘要：簡述了研究故障診斷方法的重要性，闡述了在帶式輸送機減速器狀態信號分解、減速器故障診斷等方面，煤礦用帶式輸送機減速器故障診斷方法。采用實物和對比測試方法，對本文所述故障診斷方法進行故障診斷效果測試。測試結果表明，本文設計的煤礦用帶式輸送機減速器故障診斷方法，能夠為該減速器的故障診斷提供有效依據。

關鍵詞：煤礦設備；帶式輸送機；減速器故障；診斷方法

0 引言

煤礦用帶式輸送機工作環境較差、運行工況復雜多變，造成其各部位零部件特別是減速器在作業過程中不斷磨損、技術性能不斷衰退[1]。通過對減速器故障部件進行分析發現，其齒輪是磨損較快的關鍵零件，占減速器故障的比例達到60%以上[2]。在故障發生前通過有效診斷及時發現減速器異常情況，并結合診斷結果采取有針對性的處理措施，可在很大程度上保障帶式輸送機的正常運行[3]。

1 研究故障診斷方法的重要性

煤礦設備在煤礦生產中發揮著重要作用，一旦煤礦設備發生故障，就可能造成嚴重后果[4]。現階段，帶式輸送機在煤礦開采生產中的應用較為廣泛，減速器作為帶式輸送機最重要的組成部分之一，其性能直接關系到生產效率和生產安全[5]。為了及時判斷帶式輸送機減速器是否存在故障，應采取有效診斷方法。準確判斷減速器關鍵零部件的運行狀態，掌握其原始狀態信息，對故障作出明確診斷，對煤炭生產具有至關重要的現實意義[6]。目前由于缺乏對帶式輸送機減速器原始狀態信號的綜合分析，導致其故障診斷結果的誤差較大[7]。為此開展煤礦用帶式輸送機減速器故障診斷方法研究十分重要。

2 帶式輸送機減速器故障診斷方法

2.1 原始狀態信號預處理機理

煤礦用帶式輸送機減速器的狀態信號構成較為復雜，因此在開展減速器故障診斷之前，首先采用變分模態分解算法，對其原始狀態信號進行預處理[8]。在對帶式輸送機減速器原始狀態信號進行預處理過程中，主要通過維納濾波、頻率混合和希爾伯特變換的方式，將各個模態的帶寬問題加以分解，使其以多個約束問題形式存在。在完成帶式輸送機減速器狀態信號預處理的基礎上，通過迭代求解的方式，得到減速器狀態信號中心頻率的最優解參數，將其作為分解結果。需要注意的是，對帶式輸送機減速器原始狀態信號進行預處理的最終目標，是將信號f（t）分解成k個固有模態分量，并保證分解后固有模態分量的總帶寬之和保持最小狀態。

2.2 原始狀態信號分解

先對帶式輸送機減速器的原始狀態信號進行希爾伯特變換處理，得到各個固有模態分量的解析信號。其對應的單邊頻譜可以表示為：

?i（t）=[δ（t）+j/πt]×uk（t） （1）

式（1）中：?i（t）表示帶式輸送機減速器的原始狀態信號，是信號?（t）經希爾伯特變換處理后得到的固有模態分量的解析信號；δ（t）表示由高斯平滑指標計算得到的調制信號梯度參數；j表示二次懲罰因子；uk（t）表示變分約束方程轉變為非約束性變分方程過程的限制參數。

需注意，進行非負頻率內對半空間積分方程分解處理時，需要同時配合進行二次優化處理。基于埃爾米特信號具有對稱屬性特征，可借助帶寬之和最小的約束條件，將等距變換轉換到頻域范圍之內。

按照上述方式，實現對帶式輸送機減速器原始狀態信號的分解處理，為后續帶式輸送機減速器故障診斷提供可靠的執行基礎，最大限度地降低診斷結果的誤差。

2.3 減速器故障診斷

2.3.1 提取故障特征信息

根據對煤礦用帶式輸送機減速器狀態信號分解結果，在進行減速器故障診斷的過程中，引入多通道融合層結構，借助CNN卷積神經網絡的卷積層，實現對分解后信號的特征加以提取，并利用多通道卷積層，實現對原始振動信號的故障特征信息的自動挖掘，將其作為減速器故障診斷的執行基礎。

在執行減速器故障診斷的過程中，將帶式輸送機減速器狀態信號分解得到不同方向的一維信號，作為多通道卷積層的輸入信號，并建立其與多通道卷積核之間的對應關系。在此基礎上，用不同的卷積分別在各通道，對帶式輸送機減速器狀態信號分解數據進行卷積操作。

此時數據層將同步時序信號進行融合處理。其中在多通道卷積層中，具體的神經元對帶式輸送機減速器狀態信號分解結果的計算方式如下：

Xl=∑im=1?i（∑xijl-1×wijl-1）×bil-1 （2）

式（2）中：Xl表示CNN網絡第l層卷積層輸出的帶式輸送機減速器狀態信號分解數據卷積結果；xijl-1表示在CNN網絡第l-1層卷積層中，j通道對?i（t）固有模態分量解析信號特征的提取結果；wijl-1表示在CNN網絡第l-1層卷積層中，j通道卷積核的大小；bil-1表示在CNN網絡第l-1層卷積層中，j通道偏移量大小。

2.3.2 提取故障診斷結果

按照式（2）所示的方式，借助CNN網絡的卷積層，實現對帶式輸送機減速器狀態分解后信號特征的全面提取，以保障后續故障診斷的可靠性。

結合帶式輸送機減速器狀態分解后信號特征提取結果，在對該減速器進行故障診斷時，主要通過匹配特征與對應故障特征之間的擬合情況來實現，其計算公式如下：

g（x）=sim[Xl→G（x）] （3）

式（3）中：g（x）表示帶式輸送機減速器故障診斷結果，Xl表示帶式輸送機減速器故障及特征，G（x）表示帶式輸送機減速器故障及特征構成的集合。

按照式（3）所示的方式，將帶式輸送機減速器狀態分解后信號特征擬合度最高的故障作為診斷結果，由此可實現對煤礦用帶式輸送機減速器故障的精準診斷，最大限度降低診斷結果的誤差。

3 診斷效果測試

3.1 測試方法

3.1.1 減速器結構

對本文上述煤礦用帶式輸送機減速器故障診斷方法的應用效果實施診斷測試。選擇對比測試方法，以某臺正在運行的煤礦用帶式輸送機為基礎開展診斷測試。該煤礦用帶式輸送機實物如圖1所示，其減速器實物如圖2所示。圖2中，煤礦用帶式輸送機采用的是行星式擺線針輪減速器。該減速器的主要結構包括12個中心齒輪、36個行星齒輪、39個擺線輪和40個針輪。

該行星式擺線針輪減速器運行過程中，各個齒輪傳動頻率之間具有一定的關系。當該減速器處于正常運行狀態時，中心齒輪的傳動頻率與轉速直接相關，其傳動頻率為轉速的1/60。行星齒輪傳動頻率為中心齒輪傳動頻率的11.9倍，擺線輪傳動頻率為中心齒輪傳動頻率的8.26倍，針輪傳動頻率為中心齒輪傳動頻率的8.33倍。

3.1.2 設置故障類型

該測試設置的故障類型為齒輪的偏心度。為了客觀地對本文所述診斷方法的診斷效果作出客觀評價，分別設置文獻[3]提出的以階次跟蹤分析為基礎的故障診斷方法（診斷方法1），以及文獻[4]提出的以MCSA和Fisher-SAE為基礎的故障診斷方法（診斷方法2），作為診斷測試的對照組。

3.2  測試結果與分析

3.2.1 測試結果

本文分別對齒輪的偏心度進行差異化設置，按照上述3種不同的診斷方法對該減速器實施測試，得出了該減速器齒輪的偏心度故障的診斷結果。不同診斷方法的故障診斷結果如表1所示。

3.2.2 測試結果分析

由表1可知，采用3種不同的診斷方法對該減速器齒輪偏心度進行診斷，診斷結果出現了明顯差異。其中采用階次跟蹤分析診斷方法（診斷方法1），對該減速器齒輪偏心度診斷結果的誤差波動較大，最大值達到了0.14mm。采用MCSA和Fisher-SAE診斷方法（診斷方法2），雖然診斷誤差始終穩定在0.10mm范圍以內，但是整體數值偏高，難以滿足高精度的診斷需求。

相比之下，在本文所述診斷方法，對該減速器齒輪偏心度的診斷誤差始終穩定在0.03mm以內，表現出了較高的準確性。以最大誤差值為基礎，對這3種診斷方法進行比較。本文所述診斷方法比診斷方法1的診斷誤差低0.11mm，比診斷方法2的診斷誤差低0.07mm，其故障診斷優勢明顯。由此可以得出結論：本文設計的煤礦用帶式輸送機減速器故障診斷方法，能夠為該減速器的故障診斷提供有價值的參考。

4 結束語

為了最大限度地避免煤礦設備發生故障，降低煤礦設備故障帶來的損失，本文以煤礦用帶式輸送機減速器為研究對象，提出一種減速器故障診斷方法。通過運用不同的故障診斷方法比較故障診斷效果，驗證了本文所述故障診斷方法優于其他故障診斷方法。希望本文研究的煤礦用帶式輸送機減速器故障診斷方法，能夠對煤礦設備的安全、正常運行起到促進作用。

參考文獻

[1] 徐天贇，周俊.基于信息熵和VMD的RV減速器行星輪故障分析[J].噪聲與振動控制，2023，43（1）：122-127+190.

[2] 藺夢雄，王爽，韋克吉，等.階次跟蹤與改進小波閾值降噪的RV減速器故障診斷[J].制造技術與機床，2022（11）：9-14.

[3] 藺夢雄，張向慧，姚良博，等.階次跟蹤分析方法在機器人用精密減速器擺動疲勞試驗故障診斷中的應用[J].機械傳動，2022，46（10）：156-162.

[4] 張茲勤，王貴勇，劉韜.基于MCSA和Fisher-SAE的RV減速器故障特征提取研究[J].機電工程， 2022，39（7）： 903-910.

[5] 龐濤，黃浩奇，邱雪芳，等.基于MFCC和SVM的起重機減速器故障診斷系統研究[J].自動化與儀器儀表， 2022（6）：70-74.

[6] 劉永明，葉國文，趙轉哲，等.基于EEMD-PSO-ELM的RV減速器故障診斷模型[J].計算機集成制造系統， 2023，29（1）：224-235.

[7] 張凱，狄超群，林方軍，等.基于Abaqus的車橋減速器漏油故障分析及設計優化[J].汽車工藝師，2021（12）： 50-51.

[8] 溥江，趙鑫，張秀華.基于動力學模型的少齒差行星輪減速器斷齒點蝕故障分析[J].組合機床與自動化加工技術，2020（11）：28-32.