基于数据驱动的矿井通风机轴承故障诊断研究.pdf

万方数据 万方数据 万方数据 万方数据 diagnosis, but also ensures the diagnosis rate, which has good engineering practical value. Key words Ventilator Bearing;Fault Diagnosis;LCD;Probabilistic Neural Networks; Particle Swarm Optimization; ThesisApplication Research 万方数据 目录 I 目 录 1 绪论.........................................................................................................................................1 1.1 研究背景及意义...........................................................................................................1 1.2 数据驱动的故障诊断方法研究现状...........................................................................2 1.2.1 特征提取方法研究现状.....................................................................................2 1.2.2 模式识别方法研究现状.....................................................................................4 1.3 通风机轴承故障诊断方法研究现状...........................................................................6 1.4 研究的内容与研究思路...............................................................................................7 2 煤矿通风机轴承故障形式与振动机理分析.........................................................................9 2.1 通风机的基本结构.......................................................................................................9 2.1.1 通风机结构.........................................................................................................9 2.1.2 通风机滚动轴承结构及分类...........................................................................10 2.2 滚动轴承的振动机理和振动频率.............................................................................11 2.3 滚动轴承的失效形式和故障类型.............................................................................12 2.4 本章小结.....................................................................................................................14 3 小波包改进阈值降噪方法研究...........................................................................................15 3.1 故障数据来源及特点.................................................................................................15 3.2 小波包降噪方法.........................................................................................................18 3.2.1 小波包分解原理...............................................................................................18 3.2.2 小波包阈值降噪方法.......................................................................................21 3.2.3 降噪的评价标准...............................................................................................23 3.3 仿真结果及分析.........................................................................................................23 3.3.1 最优小波基函数仿真分析...............................................................................23 3.3.2 阈值降噪方法的仿真分析...............................................................................24 3.4 本章小结.....................................................................................................................28 4 基于 LCD 的轴承故障特征提取.........................................................................................29 4.1 局部特征尺度分解.....................................................................................................29 4.1.1 内禀尺度分量ISC..........................................................................................29 4.1.2LCD 的分解过程............................................................................................31 4.2 故障特征指标选取.....................................................................................................33 4.3 信号特征提取方法的分析.........................................................................................34 4.3.1 LCD 和 EMD 的比较分析................................................................................34 4.3.2 仿真结果及分析...............................................................................................35 万方数据 目录 II 4.4 本章小结.....................................................................................................................39 5 改进 PSO 优化 PNN 网络的轴承故障诊断....................................................................... 40 5.1 概率神经网络.............................................................................................................40 5.1.1 概率神经网络原理及结构...............................................................................40 5.1.2 概率神经网络的学习算法...............................................................................43 5.2 粒子群算法研究及改进.............................................................................................45 5.2.1 粒子群优化算法...............................................................................................46 5.2.2 改进粒子群算法IPSO................................................................................... 47 5.3 基于 IPSO-PNN 的轴承故障诊断模型.....................................................................48 5.4 模型分类性能评价指标.............................................................................................49 5.5 基于 IPSO-PNN 的轴承故障诊断结果及分析.........................................................50 5.5.1 实验样本数据...................................................................................................50 5.5.2 参数设置...........................................................................................................52 5.5.3 轴承故障诊断结果及分析...............................................................................52 5.6 本章小结.....................................................................................................................57 6 结论与展望...........................................................................................................................58 6.1 结论.............................................................................................................................58 6.2 展望.............................................................................................................................59 致谢...........................................................................................................................................60 参考文献...................................................................................................................................61 附录...........................................................................................................................................65 万方数据 1 绪论 1 1 绪论 1.1 研究背景及意义 煤炭是地球上储量最丰富的能源，我国也是一个矿产资源丰富的国家。根据BP 世界能源统计年鉴显示，2018 年，全球的煤炭消费量同比增长 1.4，是近 10 年平均 增长率的两倍，其中我国的消费量达 1600 万吨油当量，全球煤炭产量同比增长 4.3， 相当于 1.62 亿吨油当量，我国占据 8200 万吨油当量[1]。由此可见，中国作为世界上的 产煤大国，煤炭工业在其经济发展中占有重要地位。 随着生产力的快速发展，安全与生产之间的矛盾变得越来越尖锐，煤炭安全生产面 临着极其严峻的形势，重特大煤矿爆炸事故频繁发生，给煤矿工作人员的人身安全和企 业造成了严重损失。根据国家煤矿安全监察局统计，2019 年 7 月，接连发生的重大煤矿 瓦斯爆炸事故，造成 21 人死亡，5 人受伤；2018 年 12 月至 2019 年 2 月，全国煤矿共 发生 4 起重大事故，造成 36 人死亡；2017 年全国煤矿共发生事故 219 起，死亡 375 人， 其中山西中煤担水沟煤业有限公司 “1 17” 事故， 造成 10 人死亡， 直接经济损失 1517.46 万元；2016 年全年煤矿共发生 249 起事故，死亡 538 人，尤其内蒙古自治区赤峰宝马矿 业公司“12.3”特重大瓦斯爆炸事故就造成了高达 32 人死亡、20 人受伤。分析各起事 故发生的原因，煤与瓦斯突出发生爆炸事故尤其之多，造成的死亡人数也更多。煤矿通 风系统的稳定运行，是避免煤矿灾难发生的关键。因此，确保通风机的正常运行显得尤 为重要。 滚动轴承作为通风机设备中的关键部件，具有支撑机械旋转体和减少摩擦等作用。 通风机运行性能的优劣取决于轴承的性能和寿命，轴承的运行状态是否正常对通风机的 运行状态有着直接的影响。 由于井下复杂的工作环境， 轴承不可避免地会出现各种故障， 一旦出现故障而未能及时发现，极易造成严重的灾难事故。高端设备制造业“十二五” 发展规划也明确指出将轴承等重大制造设备的基础部件的故障诊断和健康状态的维护 和监测作为重点科学突破问题[2]。因此，在通风机轴承正常运行的情况下尽早发现可能 出现的故障，尤其是早期无法监测的微小故障，对其进行合理的故障检测与诊断，可以 避免轴承异常事件的发生，这是一个亟待解决的重大问题。 数据驱动是以数据为基础， 利用数据处理与分析方法将数据中隐含的特征信息挖掘 出来，以此获取有用的信息，实现机械设备的故障诊断。基于数据驱动的故障诊断方法 是对海量、多源、高维振动数据进行直接有效地信息提取和故障识别，准确高效地判断 设备的运行状态[3]，在航空航天设备和矿井通风机等大型设备的故障诊断中广泛应用。 滚动轴承振动信号能够及时准确地反映设备运行状态的特征信息，将数据驱动的故障诊 万方数据 西安科技大学硕士学位论文 2 断和识别技术应用于通风机轴承的故障诊断中，可实现其故障类型的识别和分类。 1.2 数据驱动的故障诊断方法研究现状 故障诊断是指利用一定的检测方法， 判断设备工作是否正常， 并对设备的故障原因、 故障产生的部位和故障类别进行判别。传统的故障诊断方法可分为基于数学解析模型的 方法、基于知识的方法和基于信号处理的方法三大类，但是随着故障诊断方法理论知识 研究的深入，现有的诊断方法存在的弊端也逐渐呈现，因此从一个全新的角度（定量分 析法）对现有的故障诊断方法进行分析。定量分析法主要包括基于数学解析模型的方法 和基于数据驱动的方法[4]。本文重点研究基于数据驱动的故障诊断方法，数据驱动的故 障诊断技术是对采集的不同来源、不同类型的监测数据进行信息处理、特征提取、特征 降维和故障模式识别，并能够相对准确地检测出故障的类别。数据驱动的故障诊断方法 由多元统计分析法、信号处理法、粗糙集、信息融合法和机器学习法组成，具体分类如 图 1.1 所示。 图 1.1 数据驱动的故障诊断方法分类 1.2.1 特征提取方法研究现状 故障诊断中的特征提取是典型的信号处理过程，当设备在运行过程中出现故障，监 测信号的幅值、相位和频率均会发生改变。基于信号处理方法的特征提取主要是利用信 号处理和变换的方法对采集的原始数据进行处理，并提取与设备运行状态有关的参数阀 值、特征频率等信息，以此来判断设备的运行状况。信号处理方法主要有谱分析、小波 变换和自适应时频分析等方法[5]。 （1）谱分析方法 谱分析方法是一种将模态分析与已知频谱结合起来计算结构响应的方法，其主要用 途是确定结构对随时间变化载荷的动力响应[6]。基于谱分析法的故障诊断是通过分析信 万方数据 1 绪论 3 号的功率谱、倒频谱、高阶谱等统计量实现对设备的故障诊断，应用最为广泛的是频域 谱分析[7]。 Hussein A 等提出基于奇异谱分析的滚动轴承故障检测方法。该方法是根据正 常轴承振动信号的特征向量建立基线空间，利用奇异谱法的纯数据分析对基线空间进行 分解，再将新轴承测量信号的滞后版本投影在已有的基线空间上，以此来比较其与基线 条件的相似性；并根据基线空间与特征向量之间的马氏距离来确定轴承故障类别[8]。文 献[9]针对传统谱分析仪对非平稳瞬时信号不具有实时谱检测功能的问题， 提出了一种实 时谱分析法，并结合 FPGA 平台实现硬件设计。该方法使用多相滤波器组、线性调频 Z 变换频谱细化算法和谱分析算法实现信号实时谱分析，并利用系统延时和输入参数对 FPGA 各个模块时钟频率和运算参数进行设置。仿真结果表明，该方法克服了传统谱分 析的缺陷，对非平稳信号的处理具有实时性。 （2）小波变换 小波变换是一种优化了傅里叶变换思想并克服其缺点的新变换分析方法，它能够根 据时间频率分辨率分离信号的瞬时频率，并保留其主要的频域成分，是信号进行多尺 度时频分析和处理的有效方法。小波变换方法的基本原理是选择较为合适的小波基函 数，利用伸缩和平移等运算对信号逐步进行多层次细化分解，实现高频处时间细分，低 频处频率细分，能够聚焦监测信号的任意细节，从而充分地突出信号的局部特征[10]。但 小波变换仍存在一定的缺陷，小波变换只能体现故障信号的局部频率特征。 文献[11]利用决策树建模选出最优的小波基函数，并结合连续小波变换对滚动轴承 的故障进行诊断和识别， 实验结果表明该方法对滚动轴承进行故障诊断是可行的。 Rubio 等人结合小波变换和蛮力算法， 对低温质子交换膜燃料电池的标记细胞状态进行分类和 识别，实现对燃料电池性能的诊断[12]。陈仁祥等提出基于卷积神经网络和离散小波变换 的滚动轴承故障诊断方法[13]。 首先采用离散小波变换提取信号的时频特征并构建信号的 时频特征矩阵，再利用卷积神经网络的多层特征获取原始信号时频特征矩阵的分布特 征，并在输出层后加入 softmax 多分类器，结合反向传播生成特征空间到故障空间的实 用性分类器，从而达到滚动轴承故障诊断的目的，实验结果表明该方法对滚动轴承的诊 断具有一定的可靠性和稳健性。 （3）自适应时频分析法 希尔伯特-黄变换HHT一被提出，很多学者认为这是学术界的重大突破[14]。HHT 是一种基于自适应分解的时频分析方法，由经验模态分解EMD和 Hilbert 谱分析两部 分组成。EMD 可从非线性、非平稳信号中分解出本征模态函数IMF，再根据 Hilbert 变换求得瞬时频率和瞬时幅值。目前 EMD 是应用最广泛的一种特征提取方法，特别是 在故障诊断领域，但 EMD 分解存在模态混叠、端点效应、过包络欠包络等问题，会影 响其分解精度，导致其故障诊断的准确率下降[15]。游子跃、王宁等人利用总体平均经验 模式分解EEMD和 BP 神经网络对风机齿轮箱进行故障诊断。首先利用小波变换对原 万方数据 西安科技大学硕士学位论文 4 始信号进行降噪，再将降噪后的信号进行 EEMD 分解，提取故障信号的能量特征参数， 最后把归一化后的能量特征参数作为 BP 神经网络的输入参数进行故障诊断，表明该方 法可以准确、 有效地识别风机齿轮箱的故障[16]。 史庆军等人提出基于经验模态分解EMD 和局部均值分解LMD相结合构建特征量矩阵的方法[17]。 利用 EMD 分解得到振动信号 的前三阶 IMF 分量的上下包络值矩阵的奇异值， 通过 LMD 分解得到 PF 分量的能量熵， 将奇异值与能量熵融合构成特征向量矩阵，使用支持向量机多分类算法进行分类。 局部均值分解LMD是 S.smith 针对 EMD 方法的端点效应问题提出的一种改进方 法。LMD 可以将复杂的多分量信号分解成若干个具有调幅调频性质的乘积函数PF之 和的形式[18]。Tian Y 等采用局部均值分解,将滚动轴承振动信号分解成一系列 PF 分量， 然后将奇异值分解 SVD 应用于 PF 分量， 得到奇异值向量作为滚动轴承故障诊断的特征 向量，并引入极限学习机 ELM 对轴承故障进行识别和分类，实验结果分析表明，该方 法可以在相对较短的时间内准确地完成对变化条件下的轴承故障类型的确定[19]。 何雷等 将噪声辅助分析方法、局部均值分解 LMD 方法和 BP 神经网络方法相结合应用于装甲 车变速箱故障诊断中，具有较高的故障识别精度，表明该方法在军用装甲车变速箱领域 具有一定的实用价值[20]。 基于 ITD 算法的研究基础， 湖南大学的程军圣等人采用一种新的自适应时频分析方 法局部特征尺度分解LCD方法[21]， 该方法能自适应地将一个复杂信号分解为若干 个具有物理意义的内禀尺度分量ISC之和。LCD 方法在分解速度、迭代次数方面均优 于 EMD 方法，同时能够有效地抑制端点效应的产生。刘吉彪等人结合 LCD 方法、变量 高斯模型的模式识别方法VPMCD和高斯混合模型GMM， 有效地实现滚动轴承的退 化状态识别[22]。谢俐等利用 LCD 的自适应分解得到故障信号不同频段的 ISC 分量，根 据奇异值理论保留 ISC 分量中的有用成分， 这二者的结合准确地提取了轴承故障特征信 息，实现滚动轴承的故障诊断[23]。齐嘉兴等提出一种基于局部特征尺度分解LCD和数 学形态滤波的齿轮故障诊断方法[24]。利用局部特征尺度分解得到若干个 ISC 分量，根据 峭度准则选取最大的 ISC 作为故障特征分量， 运用形态差值滤波器求取频谱并进行故障 诊断。实验结果表明，该方法能够准确、有效地实现齿轮故障的精确诊断。 1.2.2 模式识别方法研究现状 （1）神经网络法 1943 年，心理学家 W.Mcculloch 和数理逻辑学家 W.Pitts 首先提出了神经网络和数 学模型[25]，即 M-P 模型，证明了单个神经元可实现逻辑功能，并且具有自适应、自组 织和自学习能力，开创了人工神经网络研究的时代。基于神经网络的故障诊断法是根据 网络层神经元之间的学习构建监测数据与故障类型之间的非线性映射关系，从而实现对 设备故障类型的识别。 万方数据 1 绪论 5 文献[26]提出一种制造系统故障分类和零部件退化预测的方法，对预处理后的振动 信号进行小波包分解，再利用快速傅里叶变换提取频域特征指标，用于神经网络训练实 现故障分类和零件退化预测。文献[27]运用小波包技术、模糊控制理论和神经网络提出 基于模糊神经网络的智能故障诊断方法，通过发动机故障诊断实例仿真分析，模糊神经 网络在诊断精度和学习速率方面均比 BP 神经网络有优势，并将其与专家系统结合建立 智能故障诊断数据库和诊断规则库，设计出一套智能诊断系统。邵继业等人提出了一种 基于主成分分析PCA和 GA-PSO 优化 BP 神经网络的压缩机气阀故障诊断方法[28]。利 用小波包分解提取故障特征向量并通过 PCA 进行降维， 引入 GA-PSO 算法优化 BP 神经 网络的参数，测试结果表明，利用 PCA 和 GA-PSO-BP 神经网络对压缩机气阀进行故障 诊断的方法是可行的。文献[29]提出了一种基于粒子群优化算法PSO与引力搜索算法 GSA优化的 BP 神经网络诊断方法。该方法利用 PSO 的记忆能力和信息共享能力对 GSA 进行改进，并以此双优化算法来优化 BP 神经网络的初始权重和阈值，建立一种适 用于滚动轴承故障诊断的双优化神经网络模型进行故障诊断。文献[30]针对滚动轴承振 动信号的非线性和非平稳性，提出了一种基于多尺度熵MSE和自组织特征映射神经网 络的滚动轴承故障识别方法，可以有效地实现滚动轴承故障类型和故障程度的智能识 别。 （2）支持向量机法 支持向量机SVM是建立在统计学习原理和结构风险最小化原则上的模式识别方 法。1995 年，Corinna Cortes 和 Vapnik 提出了软边距的非线性 SVM 并将其应用于手写 字符识别问题[31]。该模式识别方法通过引入核函数，将低维空间的样本向量映射到更高 维的属性空间上，并利用线性算法对高维空间的样本进行分析，寻找最优的分类超平面 实现故障分类。支持向量机是适合有限个样本空间的故障诊断。 针对变压器故障检测中存在的小样本、非线性问题，薛浩然等使用布谷鸟搜索算法 对支持向量机参数进行全局寻优[32]，获得具有最优参数的 SVM 分类模型，并与网格优 化算法GS、粒子群优化算法PSO和遗传算法GA优化的分类模型对比，经过实例 验证，布谷鸟算法优化的 SVM 分类模型在收敛速率和准确性方面比其他寻优算法有优 势。极限学习机ELM是一种特殊的前馈神经网络学习算法，适合用于监督、非监督学 习问题。其特点是隐含层节点权重随机给定，学习过程仅需计算输出权重，学习速率、 分类精度和泛化能力方面具有一定的优势。针对 ELM 参数设置存在随机性影响其泛化 能力和精度的问题，张莉华等提出基于微分进化算法优化极限学习机参数的方法[33]。首 先利用小波包提取故障特征信息，然后使用主成分分析法压缩数据，再利用提出的方法 优化 ELM 中的输入权值和阈值，建立椭圆滤波电路故障诊断模型，实验结果显示，该 方法明显提高了故障诊断的准确性。文献[34]提出基于粒子群优化极限学习机的电子系 统故障诊断方法。结合小波变换和主成分分析法提取样本数据的故障特征，然后利用 万方数据 西安科技大学硕士学位论文 6 PSO 算法对极限学习机随机产生的输入权值和阈值进行局部寻优， 并与萤火虫群优化算 法GSO和蝙蝠算法BA优化的 ELM 分类模型进行对比实验，结果显示，PSO 算法优 化的极限学习机在电力系统故障诊断上的性能更好。 1.3 通风机轴承故障诊断方法研究现状 滚动轴承作为通风机的关键零部件，引起其出现故障的原因有很多，且故障的表现 形式也各不相同，故障产生的原因和故障征兆之间的对应关系也相对模糊，各种故障之 间也存在着某种复杂的关系， 众多的因素导致煤矿通风机轴承的故障诊断存在巨大的困 难。在此背景下，国内外学者对通风机故轴承障诊断的理论基础做了大量的研究，提出 了多种故障诊断方法，比如基于模型的故障诊断方法、模式识别的诊断方法、灰色理论 的诊断方法、专家系统的诊断方法和神经网络的诊断方法。通风机轴承故障诊断的基本 思想是利用先进的信号处理方法和模式识别技术，对监测的实时振动数据进行处理，及 时地判断和预测轴承可能存在的故障，对轴承运行状态是否正常、异常和故障的原因及 部位、异常程度、是否需要替换等做出判断[35]。针对通风机轴承故障诊断存在的问题， 综合利用合理的故障诊断技术，建立经济高效的故障诊断模型，有利于通风机轴承运行 状态的监测和故障类型的识别。 此前，国内外大量学者对煤矿通风机轴承故障诊断方法进行了研究。印度维斯瓦卡 玛技术学院的 Priyanka 利用多尺度模糊熵MFE对滚动轴承振动信号进行特征提取， 将 故障特征向量作为变量预测模型VPMCD分类器的输入，实现滚动轴承的故障识别和 分类[36]。 Sohaib 等人提出了一种基于混合特征池和稀疏堆积自编码的深度神经网格的滚 动轴承故障诊断方法[37]。利用混合特征池提取故障信号的时域特征、包络谱特征和小波 能量特征，构成故障特征向量进行稀疏堆积自编码的深度神经网格模型的训练，有效地 识别了滚动轴承的故障类型。 Sadoughi 等提出了一种基于物理的卷积神经网络PCNN 滚动轴承的故障诊断模型[38]。利用光谱峰度和包络分析提取原始轴承振动信号的边带， 将提取的有关故障特征输入到 PCNN 模型中完成滚动轴承的故障诊断， 并与传统的卷积 神经网络模型比较，验证了该模型具有较高的识别率。 随着国外通风机故障诊断技术的发展，我国的科研学者也对通风机轴承的故障诊断 技术进行了深层次的研究，并取得巨大的进步。文献[39]针对轴承振动信号噪声干扰严 重、微小故障提取困难等问题，采用稀疏分解方法对振动信号进行预处理，构建 Gabor 原子库，利用匹配追踪算法将噪声信号和故障特征信号分离，并对故障特征信号进行包 络谱分析，实现轴承故障类型的分类与识别。文献[40]根据滚动轴承不同类别的振动信 号，提出了一种基于经验模态分解EMD和变量预测模型VPMCD的滚动轴承故障诊 断方法。使用 EMD 自适应地提取轴承信号的 IMF 分量并求其包络谱，得到故障特征向 量，采用 VPMCD 分类器进行故障识别与分类，实验结果表明，该方法提高了滚动轴承 万方数据 1 绪论 7 故障类型的识别精度，具有一定的可行性。文献[41]将软件开发平台 labVIEW 和 Matlab 相结合，开发出一套矿井主通风机滚动轴承的状态监测与故障诊断系统。通过共振稀疏 分解对滚动轴承故障特征进行提取，并利用 PSO-SVM 模型对通风机滚动轴承状态进行 识别，然后设计主通风机滚动轴承振动信号的采集、存储、频域分析、特征提取和故障 诊断模块，实现主通风机滚动轴承振动信号的实时数据采集及监测、历史数据查询和故 障诊断功能。文献[42]提出一种深度卷积神经网络和极限学习机相结合的滚动轴承自适 应故障诊断方法。将深度卷积神经网络作为特征提取器，提取低阶特征，并在全连接层 合成高层次特征， 然后将自适应提取的特征通过极限学习机进行轴承故障类型的快速分 类，实现自适应的故障诊断。 1.4 研究的内容与研究思路 本文深入分析了通风机轴承的振动机理、失效形式和特征频率，针对通风机轴承振 动信号特征提取复杂和故障诊断效率低等问题，对通风机轴承的故障特征提取和故障诊 断方法进行了研究。首先对采集的通风机轴承振动信号进行频谱分析，利用小波包改进 阈值降噪方法对振动信号进行降噪处理，使用局部特征尺度分解LCD提取轴承信号的 时频域特征值， 最后将包含故障信息的特征指标向量作为改进粒子群算法优化的概率神 经网络模型的输入进行训练，实现对通风机轴承的故障诊断和识别。本文的章节安排如 下 第一章介绍了矿井通风机轴承故障诊断的研究背景与意义，引出本文将要研究的内 容，然后详述了通风机轴承故障诊断和所使用故障诊断方法的国内外研究现状，最后对 本文的研究内容和章节安排进行简要说明。 第二章阐述了煤矿通风机滚动轴承的故障形式与振动机理。先对通风机及其轴承的 基本结构进行了介绍；详细阐述了滚动轴承常见的失效形式及产生原因、故障类型和振 动特征频率，为后续的特征提取和故障诊断奠定基础。 第三章分析小波包降噪的基本原理，并对小波包阈值函数和小波基函数选取进行详 细研究。选择最优小波基函数，利用小波包改进阈值降噪方法对轴承振动信号进行降噪 处理，并验证该降噪方法的有效性。 第四章主要对通风机轴承故障振动信号的特征提取方法进行研究。详细介绍了局部 特征尺度分解的原理和分解过程，并利用该方法完成对通风机轴承振动信号的特征提 取。最后通过 Matlab 仿真验证了该方法的有效性和准确性。 第五章利用概率神经网络对通风机轴承进行故障诊断和识别。针对概率神经网络中 存在的问题，利用改进粒子群算法优化概率神经网络，建立基于 IPSO-PNN 网络故障诊 断模型，实现通风机轴承故障的诊断和识别。 第六章是本文的总结与展望。总结本论文完成的主要内容，分析论文中的不足，并 万方数据 西安科技大学硕士学位论文 8 指明文章未来的研究方向。 根据主要的研究内容，本文的研究思路如图 1.2 所示。 图 1.2 论文研究思路 万方数据 2 煤矿通风机轴承故障形式与振动机理分析 9 2 煤矿通风机轴承故障形式与振动机理分析 轴承主要是为了保证通风机在运行过程中的润滑度和回旋精度，也是极易出现故障 的元件之一，而通风机轴承故障信息可通过振动信号的特征表现出来。本文通过对通风 机轴承振动信号进行分析，来判断轴承是否出现故障。但在对通风机轴承故障诊断进行 研究之前，若不了解通风机轴承的失效形式、振动机理和故障特征，则无法准确、高效 地对通风机轴承故障进行诊断。因此，本章首先简要分析通风机的基本结构，然后重点 研究通风机轴承的基本结构、失效形式、振动机理和故障特征，为后续章节的研究做铺 垫。 2.1 通风机的基本结构