基于振動信號的煤礦機電設備缺陷檢測與診斷方法

中圖分類號：TD67；TQ05 文獻標識碼：A 文章編號：1001-5922（2025）10-0156-04

Defect detection and diagnosis method of coal mine electromechanical equipment based on vibration signal

DING Xuhai，MI Yanjun，XU Hongliang，LIBo，AO Shuai （CHN Energy Shaanxi Deyuan Fugu Energy Co.，Ltd.，Sandaogou Coliery，Yulin ，Shaanxi China）

Abstract：The high failure rateof mechanicaland electrical equipment incoal mine affects thesafety productionof enterprises.Amethodof defectdetectionand diagnosis of mechanical and electrical equipment incoal mine based on vibrationsignal is proposed.In this method，the measured vibration signal is processedby ensemble empirical mode decomposition，and the efective IMF component is determined by correlation coefficient，kurtosis，mean square error and Euclidian distance.The IMF component is selected to construct the initial eigenvector matrix， and the singular value entropyiscalculated todetectand diagnose thedefects of the mine mechanicalandelectrical equipment.The proposed methodof equipmentdefectdetectionand diagnosis isapplied to the mechanicaland electrical equipment ofcoal mine，and compared with EMD singularvalue entropy method;the effctiveness of the proposed method is verified.EEMD singular value entropy defect detection and diagnosis methodcan clearly classify different types of faults，and has relatively high accuracy of defect detection and diagnosis.

Key words：ensemble empirical mode decomposition；singular value entropy;equipment defect detection；coal electromechanical equipment

煤礦機電設備往往在極端復雜的化學腐蝕環境與高強度機械應力環境下服役，這使得其不僅面臨來自煤塵積累導致的散熱問題，同時還有化工物質侵蝕引起的材料老化問題。各種因素交織在一起加劇了設備的磨損速度，增加了故障發生的頻次。另外，潤滑技術以及化學傳感技術的快速發展，其可以通過監測設備表面或內部的氣體泄漏、腐蝕速度等信息，有效豐富機電設備缺陷檢測的維度。基于實測振動信號來實施設備缺陷檢測與診斷是目前學術界關注的焦點，引起了廣泛的關注[1]。在前人研究的基礎上[2-5]，本研究提出采用振動信號進行煤礦機電設備缺陷檢測與診斷的新方法，期待為煤礦機電設備的運維管理提供參考。

1機電設備缺陷檢測與診斷模型

1.1 缺陷檢測與診斷思路

振動信號作為反映機電設備運行狀態的重要數據源，其具有豐富的特征，通過特征提取來達到缺陷檢測與診斷的目的。基于振動信號的煤礦機電設備缺陷檢測與診斷主要包括三步，具體如圖1所示。

圖1缺陷檢測與診斷思路 Fig.1Defectdetectionand diagnosis ideas

考慮到機電設備實測振動信號中往往包含有大量的噪聲，這使得煤礦機電設備早期的缺陷往往被淹沒在噪聲中，降低缺陷檢測與診斷的精度。通過降噪處理和濾波處理來消除實測振動信號中的干擾信息，更好地捕捉機電設備運行狀態的變化特征信息。為進行機電設備缺陷檢測與診斷，需要從處理后的信號中提取特征信息，所提取的特征信息能夠有效表征機電設備的運行狀態。對信號特征的提取涉及時域特征、頻域特征以及時頻特征，信號特征的提取直接關系到缺陷檢測與診斷的準確性。模式識別是通過特征來識別機電設備的運轉模式，從而判斷是否正常運轉

1.2 缺陷檢測與診斷理論

1.2.1集合經驗模態分解

經驗模態分解（EMD）是由美籍華人Huang從瞬時頻率的角度所提出的信號處理新方法，和小波方法所不同，其是一種自適應信號分解方法，無需基函數。EMD將時域波形分解為一系列的本征模函數（IMF），其具有不同的特征尺度。集合經驗模態分解（EEMD）是對經驗模態分解（EMD）的改進，其可以解決EMD存在的模態混疊和端點效應。和EMD所不同的是，EEMD是對實測信號加入均勻分布的白噪聲，從而達到削弱瞬時沖擊對信號分解所造成的影響。設 x（t） 為實測機電設備信號，其EEMD過程為[1]：

（1）在信號 x（t） 中加入白噪聲，對加入白噪聲的信號進行EMD分解，得到各階IMF分量；

（2）將加入白噪聲的過程重復，一般加入白噪聲的次數為50～100次之間，得到不同白噪聲水平下的各階IMF分量；

（3）將得到的所有IMF分量加權平均，得到EEMD的分解結果。

1.2.2 奇異值熵

矩陣奇異值是矩陣特征值的平方根，其常用于衡量矩陣的穩定性。用實測振動信號構造Hankel矩陣，當機電設備的運行狀態發生改變時，其所構造矩陣的特征值也隨之發生改變。熵常用來衡量信息的不確定性，其值越大，信息越不可預測，所包含的信息量也就越大。引入奇異值熵來衡量振動信號中不同脈沖分量對機電設備的影響，從而達到通過振動信號來檢測與診斷煤礦機電設備缺陷的目的。對矩陣 A_m×n ，其奇異值分解為[12-14]

A=UΣV^T

式中： v 和 V 分別為 m×m 和 n×n 的酉矩陣， Σ 為對角矩陣，其表達式為

式中： k 為矩陣 A_m×n 的秩。

對所有奇異值平方并進行歸一化處理：

定義奇異值信息熵 H 為[15-16]

1.3 缺陷檢測與診斷流程

煤礦機電設備實測振動信號中往往包含有大量的噪聲，采用EEMD對實測振動信號進行處理，通過相關系數、峭度、均方差、歐氏距離4個指標來選擇有用的IMF分量。對實測振動信號 x（t） 和分解得到的各階IMF分量，得到其相關系數 ρ^[17] 。

真實IMF分量和振動信號 x（t） 的相關系數比較大，虛假IMF分量和振動信號 x（t） 的相關系數比較小，因此通過設定合適的相關系數來選擇真實的IMF分量。

峭度是衡量信號尖峰度的無量綱參數，其對實測振動信號中含有的脈沖特別敏感，在機電設備缺陷檢測與診斷中具有廣泛的應用。振動信號峭度 K 的計算表達式為[18-20]

式中： 為信號 x 的均值， n 為信號 x 的長度， σ 為信號 x 的標準差。

大量的實踐表明，機電設備正常運轉，其信號 x 近似為正態分布；如果機電設備運轉存在故障，那么振動信號峭度 Kgt;3 。

均方差是衡量信號離散程度的參數，機電設備運行存在故障，其測試得到的振動信號中往往伴隨有大量的沖擊脈沖，進而影響到信號的均方差。基于此，通過設定合適的均方差值來選擇有效的IMF分量。

實測振動信號 x（t） 和IMF分量的歐氏距離可以反映IMF分量與原始信號 x（t） 的相似度，歐氏距離越小，其與原始信號越相似。基于此，通過設定合適的歐氏距離值來選擇有效的IMF分量。

通過相關系數、峭度、均方差、歐氏距離4個指標獲得有效的 IMF 分量，不妨設得到的IMF分量共有1個。將得到的 l 個有效 IMF 分量進行重構，得到信號重構初始特征向量矩陣，即

對矩陣 J 進行奇異值分解，得到奇異值序列。結合奇異值熵的定義可以計算得到實測振動信號的奇異值熵。對不同類型的故障，機電設備實測振動信號的奇異值熵也不同。因此，通過奇異值熵的大小來實現對煤礦機電設備的缺陷檢測與診斷。機電設備缺陷檢測與診斷流程如圖2所示。

2 實例分析

2.1 數據來源

提升機是煤礦機電設備的重要組成部分，其在服役過程中提升機減速器存在異響，使得設備運行安全、可靠性降低。采用在線檢測系統采集提升機減速器運行狀態加速度信號，將其作為分析的數據。

煤礦提升機在線檢測系統由加速度傳感器、數據采集設備、服務器等組成，加速度傳感器、數據采集設備安裝在煤礦提升機服役現場，采集得到的振動信號通過網絡傳輸到值班室的服務器，從而由專業人員進行振動信號的分析與處理。煤礦減速器軸承類型為SKF6205深溝球軸承，采樣頻率為 12kHz 分別獲取正常狀態、內圈故障、外圈故障、滾動體故障共4種狀態下的振動信號，其時域波形如圖3所示。

圖3不同運轉狀態下時域波形 Fig.3 Time-domainwaveforms under different operating conditions

2.2 結果與分析

采用EEMD對實測振動信號進行分解，通過相關系數、峭度、均方差、歐式距離共4個準則來選擇有效的IMF分量。不同狀態振動信號EEMD得到的IMF分量的4個準則值，如表1所示。考慮到文章篇幅的限制，僅給出內圈故障振動信號分解得到的IMF分量4個準則值。

由表1可知，通過對比不同IMF分量的相關系數、峭度值、均方差、歐氏距離，選擇 IMF₁ 1 IMF₂ 和IMF₄ 共3個IMF分量作為有效的IMF分量。通過所選擇的有效IMF分量來獲得初始特征向量矩陣。為了對比EMD和EEMD的性能，采用EMD和EEMD對實測振動信號進行分解，采用相關系數、峭度值、均方差、歐氏距離4個系數來選擇有效的IMF分量，并通過信息熵來進行機電設備的缺陷檢測與診斷。機電設備缺陷檢測與診斷結果對比如圖4所示。

由圖4可知，由于EMD在處理非線性、非平穩信號的過程中往往存在模態混疊、端點效應，這使得不同故障振動信號的奇異值熵差別比較小，難以對機電設備的不同故障類型進行識別。和傳統的EMD相比，EEMD所得到的不同故障振動信號的奇異值熵區分度明顯，通過奇異值熵能夠有效識別不同的故障類型。機電設備不同故障奇異值熵范圍如表2所示

表1內圈故障振動信號EEMD得到的IMF分量準則值 b.1IMF component criterion value obtained from EEMD of inner ring fault vibration si;

表2機電設備不同類型故障奇異值熵范圍 Tab.2Singular value entropyranges of different types offaultsinelectromechanical equipment

3結語

煤礦機電設備缺陷檢測與診斷是確保煤礦企業正常化運轉的關鍵，提出了基于振動信號識別煤礦機電設備缺陷的新方法。該方法采用集合經驗模態分解對實測振動信號進行處理，通過相關系數、峭度、均方差、歐式距離共4個準確選擇有效的IMF分量。通過選擇的IMF分量構造初始特征向量矩陣，并采用奇異值熵來識別機電設備缺陷。將提出的機電設備缺陷檢測與診斷方法應用于實際的煤礦機電設備中，并和EMD法進行對比，驗證了所提出方法的有效性。這為實現煤礦機電設備缺陷檢測與診斷提供了參考依據，確保煤礦開采的安全、高效運轉。

【參考文獻】

[1]楊春才，李向磊，呂曉偉.煤機設備軸承故障診斷方法[J]工礦自動化，2023，49（12）：147-151.

[2]劉鵬，皮駿，胡超.基于DBN網絡的滾動軸承故障診斷[J]組合機床與自動化加工技術，2024（1）：140-144

[3]張炎亮，李營.基于多尺度排列熵和IWOA-SVM的滾動軸承故障診斷[J].電子測量技術，2023，46（19）：29-34

[4]郭紹強.基于GOA-VMD和ISVM的滾動軸承故障診斷[J].化工設備與管道，2023，60（6）：72-79.

[5]季景方，吳宣霖，黃瑞琛.基于EEMD的滾動軸承故障診斷方法[J].湖北汽車工業學院學報，2020，34（4）：52-56.

[6]彭強.煤礦大型機械設備滾動軸承故障診斷改進方法研究[J].煤炭工程，2023，55（4）：141-146

[7]辛超，孫成田，張效源，等.基于EMD的鍋爐燃燒系統自適應動態模型優化研究[J].粘接，2024，51（1）：117-120.

[8]李良鈺，蘇鐵熊，馬富康，等.基于集合經驗模態分解-支持向量機的高壓共軌系統故障診斷方法[J].兵工學報，2022，43（5）：992-1001.

[9]田佳，王德勇，師文喜.基于集合經驗模態分解和隨機森林的短時交通流預測[J].科學技術與工程，2023，23（29）：12612-12619.

[10]李明，張帥，吳天宇，等.基于EEMD-MRA方法的LIBS信號處理研究[J].光譜學與光譜分析，2022，42（12）：3836-3841.

[11]劉小彥，劉吉，于麗霞.基于EEMD的光電式武器射頻測試信號處理[J].火炮發射與控制學報，2023，44（1）：19-23.

[12]周桂，李華，黃濤，等.基于奇異值分解理論的機械故障診斷方法綜述[J].現代制造工程，2022（12）：144-151.

[13]金斌英.高精度分割在多人重疊圖像采集中的應用研究[J].粘接，2020，41（1）：77-80.

[14]王力輝，劉通，謝代梁，等.基于SVD的渦街流量計信號處理方法[J].傳感技術學報，2023，36（5）：731-737.

[15]葉博源，梁喆，劉文帥，等.一種水聲弱信號奇異熵特征提取方法[J].艦船科學技術，2022，44（18）：155-158.

[16]張瑋.基于改進PCA的高新企業核心技術創新與專業技能提升數據分析研究[J].粘接，2023，50（6）：166-170.

[17]沈友東，賀小星，張云濤.EMD與VMD組合站坐標時間序列降噪方法[J].海洋測繪，2023，43（1：44-48.

[18]金志浩，陳廣東，汪紅，等.基于EEMD-FSK的滾動軸承故障診斷[J].機床與液壓，2023，51（4）：180-183.

[19]王鑫，江星星，宋秋昱，等.自適應變分模式提取的軸承故障診斷方法[J].振動與沖擊，2023，42（15）：83-91.

[20]董儉雄，宋冬利，李林，等.參數自適應VMD在高速列車軸箱軸承故障診斷中的應用[J]中南大學學報（自然科