基于数据驱动的采煤机摇臂传动系统故障诊断方法研究.pdf

万方数据 万方数据 万方数据 万方数据 Then, the fault diagnosis of rocker arm transmission system based on supervised learning network is proposed, the training process of supervised learning model is analyzed, and the learning rate and iterative times of the model are studied. Through the DDS fault diagnosis plat to verify the feasibility of the diagnosis scheme; Aiming at the problem of low efficiency of model diagnosis, a fault diagnosis model of shearer rocker arm transmission system based on PSO-BPDBN is put forward and tested. Finally, combining the s of feature extraction and pattern recognition, the ground test experiment of shearer rocker arm is carried out, the feature vector is extracted from the collected signal data, and the corresponding feature extraction sample set is constructed. The high-speed and low-speed regions of the transmission system are tested to explore the efficiency of fault diagnosis under different diagnostic schemes and to verify the validity of the model proposed in this paper. Keywords Shearer; Multi-threshold Wavelet packet; Ination entropy; DBM; Fault diagnosis ThesisApplication Research 万方数据 目录 1 绪论.........................................................................................................................................1 1.1 课题研究背景及意义......................................................................................................1 1.2 课题国内外研究现状......................................................................................................2 1.2.1 机械故障诊断技术概述...........................................................................................2 1.2.2 采煤机摇臂故障诊断技术研究现状.......................................................................3 1.2.3 基于数据驱动的故障诊断方法研究现状...............................................................4 1.3 主要研究内容和技术路线..............................................................................................6 1.3.1 主要研究内容...........................................................................................................6 1.3.2 技术路线...................................................................................................................7 2 采煤机摇臂传动系统故障征兆及振动特征分析.................................................................8 2.1 采煤机摇臂传动系统结构及工况条件..........................................................................8 2.1.1 摇臂传动系统结构...................................................................................................8 2.1.2 摇臂传动系统工况.................................................................................................10 2.2 采煤机摇臂传动系统故障征兆分析............................................................................10 2.2.1 采煤机摇臂传动系统故障特性.............................................................................10 2.2.2 摇臂齿轮失效形式和特征频率.............................................................................11 2.2.3 摇臂轴承失效形式和故障频率.............................................................................12 2.3 采煤机摇臂传动系统振动特性分析............................................................................13 2.3.1 传感器测点的布置.................................................................................................13 2.3.2 摇臂传动系统振动特性分析.................................................................................14 2.4 本章小结........................................................................................................................17 3 基于多阈值小波包和 EMD 多分量信息熵的振动特征提取............................................18 3.1 小波包降噪方法............................................................................................................18 3.1.1 小波包降噪原理.....................................................................................................18 3.1.2 降噪评价标准.........................................................................................................20 3.2 多阈值小波包降噪方法及优化....................................................................................21 3.2.1 多阈值选取准则小波包去噪.................................................................................21 3.2.2 多阈值小波包去噪方法优化.................................................................................22 3.2.3 基于多阈值小波包去噪的仿真分析.....................................................................23 3.3 基于 EMD 与 Shannon 熵结合的振动信号特征提取.................................................29 3.3.1 基于 EMD 的振动信号分解..................................................................................29 3.3.2 EMD 多分量信息熵................................................................................................31 万方数据 目录 II 3.3.3 基于多阈值小波包和 EMD 多分量信息熵的特征提取模型..............................33 3.3.4 特征提取实例.........................................................................................................33 3.4 本章小结........................................................................................................................37 4 基于 PSO-BPDBN 的采煤机摇臂传动系统故障诊断.......................................................38 4.1 深度置信网络（DBN）............................................................................................... 38 4.1.1 受限玻尔兹曼机结构.............................................................................................38 4.1.2 受限玻尔兹曼机的训练算法.................................................................................39 4.1.3 DBN 有监督分类训练过程....................................................................................40 4.2 数据处理与参数分析....................................................................................................41 4.2.1 输入向量归一化处理.............................................................................................41 4.2.2 DBN 关键参数设置................................................................................................41 4.2.3 模型性能评价指标.................................................................................................42 4.2.4 BPDBN 分类能力实验........................................................................................... 43 4.3 基于 PSO-BPDBN 的采煤机摇臂传动系统故障诊断模型........................................50 4.3.1 粒子群优化算法.....................................................................................................50 4.3.2 基于 PSO 算法优化 BPDBN.................................................................................50 4.3.3 基于 PSO-BPDBN 的采煤机摇臂传动系统故障诊断模型.................................51 4.4 轴承故障诊断实验及评估............................................................................................52 4.4.1 数据集描述.............................................................................................................52 4.4.2 模型诊断结果分析.................................................................................................52 4.5 本章小结........................................................................................................................54 5 实验验证...............................................................................................................................55 5.1 采煤机摇臂传动系统诊断流程....................................................................................55 5.2 摇臂传动系统振动数据集描述....................................................................................56 5.3 PSO-BPDBN 诊断模型实例验证分析..........................................................................57 5.3.1 测试实验平台搭建.................................................................................................57 5.3.2 高速区故障测试实验.............................................................................................58 5.3.3 低速区故障测试实验.............................................................................................61 5.4 本章小结........................................................................................................................65 6 结论与展望...........................................................................................................................66 6.1 结论................................................................................................................................66 6.2 展望................................................................................................................................66 参考文献...................................................................................................................................68 致谢...........................................................................................................................................73 万方数据 附录...........................................................................................................................................74 万方数据 1 绪论 1 1 绪论 1.1 课题研究背景及意义 我国是能源消耗大国， 而煤炭能源在我国国民经济发展中的地位举足轻重。 据 2017 年统计结果显示 煤炭占我国能源消耗总量的 60.4， 已经探知的未开采煤炭有 1388.19 亿吨[1,2]。矿井的安全、高效生产正受到越来越多的关注。在煤矿井下综采工作面上， 采煤机作为煤炭开采的主要设备，其开机率的高低与煤炭产量密切相关[3,4]。若采煤机 出现停机故障，势必造成很大的经济损失。随着采煤机的老化、人停机不停的生产运行 模式以及工作人员非标准化操作等原因， 采煤机摇臂齿轮传动系统成为采煤机整机故障 最为频发的故障区[5,6]。 据2004年-2013年不完全统计， 在采煤机故障平均比例中有34.2 是由摇臂故障引起的，其中最低比 27.5，最高比例达到了 39.8[7]。采煤机摇臂的故 障率极大的影响到煤炭开采量。因此，针对采煤机摇臂进行故障诊断研究具有重要的实 际价值和工程意义。 目前，我国国有重点煤矿一般采用油液铁谱分析技术对摇臂传动系统状态进行故障 诊断[8]，然而在大部分情况下，采煤机摇臂传动系统出现故障时，铁谱分析技术往往由 于自身方法的局限性，滞后于割煤现场诊断需求。随着振动分析技术的完善，有关机械 设备故障诊断技术得到了重视和快速发展。目前理论体系较为完整的方法是针对设备的 特定工况，结合传感器技术对相应测点位置的振动信号进行采集，最后通过现代信号处 理技术进行设备振动特征分析及故障诊断[8-10]。然而，在实际的作业现场时，采煤机摇 臂传动系统会直接受到生产环境及其他不确定因素干扰，采集得到的信号表现为非线性 复杂带噪信号。因此对信号进行振动分析之前，需要对原始信号进行去噪处理，剔除掺 杂在有效信息中的干扰成分。 随着煤矿机电设备自动化、 信息化水平的提高， 各类煤矿机电设备也越来越复杂化、 精密化和智能化，各类设备运行状态监测平台也逐步完善。在数据采集及数据存储技术 的日益发展下，大量的设备运行数据为故障诊断方法研究奠定了基础。与此同时，大数 据处理技术、深度学习算法作为新兴的方法，为采煤机摇臂传动系统故障诊断带来了新 的思路[11,12]。通过构建深层学习模型，最大化的表征监测数据及设备故障类型之间得到 复杂关系，基于数据驱动的故障诊断技术越来越受到国内外学者的关注。当前，如何有 效的应用智能诊断方法及如何优化都是当前亟待解决热点问题。 本课题来源于国家自然基金面上项目 （多源异构数据驱动的综采设备群健康评价与 多目标预知维护决策），并结合现阶段企业的实际需求，重在解决在采煤机摇臂在复杂 工况下信号特征成分复杂、诊断方法受制于人为经验且诊断效率低等实际问题。本文以 万方数据 西安科技大学硕士学位论文 2 采煤机的摇臂传动系统为研究实体，分别对其传动系统结构、振动特性、故障特征提取 及诊断模型构建等多个方面进行深入研究， 结合现代信号处理技术及深层神经网络进行 故障诊断，从而实现采煤机摇臂传动系统故障模式识别。不仅对保证煤矿安全高效生产 有着重要的意义，也为采煤机智能化故障诊断研究提供一定的理论依据。 1.2 课题国内外研究现状 1.2.1 机械故障诊断技术概述 机械故障往往是由于某种机械设备的零部件发生结构变化导致某种缺陷不断扩大， 导致设备局部功能失效或者立即丧失系统功能的现象[13]， 而故障诊断技术的目的就是根 据分析反映相关信息的数据，准确判断是否出现故障、确定故障类别、识别运行状态， 对后续维修维护有着指导性作用[14]，高效的故障诊断技术对工业生产至关重要。因此， 各国政府及相关科研人员对故障诊断技术做出了重要研究。 美国的西屋公司[15]最早对发电机及汽轮机的故障诊断方法进行研究， 并开发了智能 诊断软件，一定程度上减少了故障损失，促进故障诊断技术的发展。英国的沃福森工业 维修公司[16]在故障分析及设备状态监测及诊断仪器的研制上有着卓越的成果；瑞士 ABB 公司针对机械机构的振动特性进行分析，振动系统和信号监测系统方面取得了很 大成功；法国的动力部门针对汽轮发电机组的振动性能进行研究，成功研制了振动监测 系统；丹麦相关部门在振动信号中的噪声处理技术及声发射技术方面成果显著[17]；德国 的西门子公司在信号检测装置中也做出了突出贡献； 日本东芝电器公司研发了汽轮机组 的轴系故障诊断系统。 我国相关学者及课题组对故障诊断技术也进行深入研究。 其中西安交通大学故障诊 断课题组全息谱动平衡技术的提出，有效的提高了故障诊断效率，对机械振动故障诊断 做出了突出贡献[18]；南京航空航天大学课题组深入研究了盲源分离的故障诊断技术,并 取得了一系列成果[19]； 上海交通大学机械振动实验室课题组建立了基于的设备状态全息 场，可实现设备故障状态和正常状态准确识别[20]；东南大学机械工程学院相关课题组针 对强噪声背景下的轴承故障特征提取问题，提出了基于改进奇异谱分解（SSD）的信号 处理方法，结合特征能量比自适应的提取特征频率，实现轴承故障分类[21]；南昌航空大 学相关课题组将经验小波变换（EWT）方法应用到转子碰磨的故障诊断中[22]。 目前，故障诊断技术已然成为一项以机械、力学、计算机、物理、数学等多个学科 为基础的综合性工程学科， 其研究方法在航天航空和军事工业等多个领域取得了卓越成 果。故障诊断技术从最初依赖人的经验，发展至今已有近 60 年，形成了较为完整的理 论体系，这一过程共经历了三个阶段。 万方数据 1 绪论 3 （1）基于人工经验的故障诊断方法[23-25]。这一阶段的故障诊断技术多利用各领域 专家的人为经验及专业知识，主要用手触摸设备表面、进行观察或者听敲击声音来判断 设备是否发生故障， 检测人员通过对各个设备的结构、 原理及故障类型进行归纳和总结， 进而对故障进行分类诊断。这一阶段的维修过于依赖经验且准确率低，应用范围具有局 限性。 （2）基于信号分析的故障诊断方法[26-28]。这一阶段的故障诊断方法将传感器技术 与振动分析技术相结合，通过对传感器采集的设备状态信息监测数据进行定性定量分 析。由于采集的振动信息中包含大量与特征向量无关的干扰信息，因此，需要借鉴现代 信号处理技术，提取相关特征量并用于故障诊断，目前在工程实际中应用广泛。但在大 量冗余振动信号处理中，信号处理效率相对较低，难以满足复杂机械系统的诊断需求。 （3）基于数据驱动的智能故障诊断方法[29-31]。从 20 世纪 70 年代末开始，一些较 为先进的智能神经网路、支持向量机及专家系统等方法，为故障诊断技术领域注入了新 的活力。在工业大数据的驱动下，以人工智能为核心，将故障机理研究、故障信号获取 以及信号处理相融合的智能故障诊断技术，依靠其强大的非线性信息处理能力，充分的 考虑了系统和环境的不确定性和复杂性，能够满足复杂工况下的机械设备诊断需求，目 前正处于快速发展和不断完善之中。 综上所述， 以数据驱动为基础导向的智能故障诊断方法能够克服传统故障诊断的人 为经验因素，对复杂机械系统的特征信息处理具有强大的优势，成为当今故障诊断领域 的发展趋势。 1.2.2 采煤机摇臂故障诊断技术研究现状 为了有效的解决采煤机传动系统故障导致的重大事故， 大量学者和工程专家在传感 器技术、信号采集技术、信号处理技术、特征提取及状态识别领域进行了科学研究，引 起了高度重视。目前，采煤机传动系统常用的故障诊断方法大体可以分为油液分析法和 振动分析法。 油液分析法主要包含油液铁谱分析和油液光谱分析。在实际的工业现场中，磨屑被 称为机械磨损信息的载体，一般煤矿企业通过定期对齿轮箱油液中磨粒特征进行分析， 对采煤机的运行状态进行检测。 徐州矿务集团李令军等人[32]通过铁谱技术对 MG200-W1 采煤机进行运行状态监测，成功诊断出采煤机截割部的磨损故障，并对故障原因进行分 析；天地（常州）自动化有限公司王守艺等人[33]提出了多参数融合诊断方法，将采集润 滑油的温度、密度、介电常数及黏度组成多参数向量，分析煤矿机械设备运行状况；中 国矿业大学李群等人[34]通过对煤矿机械磨损工况进行分析， 对谱片上的磨粒进行分类并 赋予设备状态贡献大小，构建了适用于工业现场分析人员使用的铁谱综合分析方法。但 万方数据 西安科技大学硕士学位论文 4 由于操作过程中具备人为经验、过程复杂及诊断效率差等多重因素，制约着方法本身的 诊断效率，在发展中具有一定的局限性。 基于振动分析的故障诊断技术相对于铁谱分析而言，体现出其信号处理优势振动 分析法是通过提取传动系统的振动信号，实现特征信息的收集，其信号获取过程简单， 对采集人员的经验依赖性不高；另一方面，基于振动分析的信号处理方法比较多，大致 分为时域、频域及时频域的方法，且在信号处理过程中数据存储方便、文件易于管理。 而经研究发现，在采煤机的运行过程中，采集到的振动信号时频特性与设备本身的实时 运行状态具有强相关性，当采煤机中的某个部件出现故障或振动异常时，振动信号的频 率组成成分及其相应的幅值均会随着故障类型的不同而发生复杂的变化[35]， 振动信号采 集与研究较成熟，诊断效率较高。基于振动信号诊断方法是目前机械传动系统状态监测 与故障诊断广泛采用的方法， 在各种机械传动系统故障诊断方法中约占 60以上的比例 [36]。梅宏斌[37]等对滚动轴承的振动检测和诊断理论做出了深入研究；何正嘉[38]等结合 小波和小波包分析对多工况下的大型电铲车提升系统进行多故障模式诊断， 并取得了一 定成果；Nikolaou N G[39]等分析轴承振动相应特征的基础上，提出了基于小波包变换的 轴承缺陷振动分析方法；纪跃波[40]等人提出多分辨分析的短时傅里叶变化方法；Qian[42] 等基于振动信号分析， 结合经验模态分解和支持向量机对采煤机摇臂轴承信号进行故障 模式识别；毛清华[43]等提出将经验模态分解及小波去噪方法相结合，对采煤机故障源进 行准确识别及定位。 综上所述，振动分析方法的优点是具有较强的实用性，可以实现对传动系统故障信 号分析，为后续信号特征提取及模式识别夯实基础，通过基于时频域分析的摇臂故障初 级诊断，其中应用在对轴承的缺陷类型识别方面尤为突出。但对于采煤机摇臂而言，因 其具有传动链长、齿轮副多、温升快以及工作环境噪声大等特点，单一的应用时域分析 方法已经不能满足实际的需要。针对上述现状，本文在分析采煤机摇臂振动信号的特点 的基础上，将传统的振动分析方法和智能诊断模型相结合，可实现强噪声下信号的特征 提取和故障识别。 1.2.3 基于数据驱动的故障诊断方法研究现状 随着传感器技术和数据存储技术的发展，工业领域迎来了大数据时代，各个设备监 测系统的获得海量监测数据为故障诊断提供了研究基础；另一方面，系统设备的复杂程 度及智能化水平的提升， 使得传统的故障诊断方法难以满足当前复杂系统的故障诊断需 求。基于数据驱动的故障诊断方法应运而生。 近年来，深度神经网络作为数据高效分析技术受到学术界和工业界的广泛关注。最 早将其应用于大词汇量连续语音识别领域中， 使相对识别错误率降低了 20以上[44]。 除 了在语音识别[45]和计算机视觉[46]上面取得了突破性进展，由于自身强大的特征学习能 万方数据 1 绪论 5 力，同样被用在工业和故障识别领域，适用于当前复杂机械设备的诊断需求。通过对不 同的数据集进行测试， 在工业应用上都表现出远超以往浅层学习所能达到的最好的效果 [47]。在生产制造过程中，大量的设备状态数据为诊断技术提供了研究基础，基于数据驱 动的的故障诊断方法也越来越受到国内外学者的关注。 目前， 基于数据驱动和机器学习的机械设备智能故障诊断方法的关键技术主要体现 在两个方面[48,49]特征提取及故障模式识别，其诊断流程如图 1.1 所示。 图 1.1 基于数据驱动的故障诊断方法流程 （1）故障特征提取 信号特征提取是诊断流程中相对困难且至关重要的环节， 准确的特征提取是故障模 式识别的前提。由于采集的原始信号特征具有信息不足、不确定性噪声干扰或信息冗余 性质，通常将传感器技术和信号处理技术相结合，对原始信号进行筛分处理，剔除与特 征向量无关的干扰信号，并结合研究对象的信号特点进行特征提取。Zhang J[50]等针对 傅里叶分析可能出现的信号特征稀释问题， 提出了基于小波包变换的汽轮发动机故障诊 断方法，并验证其有效性；Liu[51]等通过稀疏自编码对滚动轴承进行振动分析，并提出 了一种自适应的特征提取方案，对学习到的基本函数，建立冗余信息库。张超[52]等对振 动信号进行分析，选用变分模态分解（VMD）能量熵齿轮故障诊断方法进行研究； （2）故障模式识别 模式识别是整个诊断流程中的核心，其实现过程是在信号特征提取的基础上，将选 取的特征向量构建为故障特征数据集，并对其进行特征学习，最终实现故障模式分类。 Jamil M [53]等利用前馈神经网络和 BP 网络对输电线率故障进行检测分类，验证该方法 的通用性；赵光权[54]等通过深度置信网络（DBN），实现了从原始振动信号对轴承故障 类型识别， 并具有较高的识别精度； 肖良军[55]结合卷积神经网络的在模式识别中的优势， 建立了基于卷积神经网络的胶印机滚动轴承故障诊断模型， 把那个取得了良好的识别效 果。 随着现代智能信息处理技术的发展，众多学者研究并提出了多种智能诊断方法，并 将其成功的应用到机械传动系统的故障诊断中。Samanta B [56] 等对人工神经网络 万方数据 西安科技大学硕士学位论文 6 （MLP）和遗传算法在故障诊断中的应用进行讨论，研究表明，此类方法可实现振动信 号时域特征下的故障诊断；唐茗[57]等人将经验模态分解方法和 BP 神经网络相结合，准 确的区分轴承的多故障类型；Gan M[58]等针对滚动轴承故障诊断的层次化诊断网络 （HDN），实现轴承故障类型分类；Wang[59]等提出了一种基于集成经验模态分解 （EEMD）和自组织神经网络（SOM）的旋转机械非平稳故障信号诊断方法，并验证其 可行性和高效性；曹愈远[60]等通过模糊 C-均值聚类算对连续数据进行离散化处理，结 合粗糙集方法与支持向量机理论，对航空发动机故障进行有效诊断。 综上所述，现阶段的智能诊断技术孤立了故障特征提取、特征选择及模式识别这几 个关键问题，并未充分的考虑到其中的联系；另一方面，在煤矿机电设备的故障诊断领 域存在一定的技术滞后性。基于此，本文通过对采煤机摇臂的工况及振动特性分析，在 此基础上， 对其进行特征提取与特征选择， 并考虑不同输入模式下的诊断模式识别方案。 1.3 主要研究内容和技术路线 1.3.1 主要研究内容 本文针对采煤机摇臂传动系统振动信号故障特征提取复杂、模式识别效率低等问 题，对摇臂故障诊断领域的振动机理、故障特征提取及故障模式识别三个关键问题进行 研究，具体研究内容如下 （1）本文对摇臂传动系统结构、工况条件及故障征兆进行分析，研究采煤机摇臂 传动系统故障模式分类、测试区域划分及测点位置布置方案，最终对各部件振动特性进 行分析，为特征提取和智能诊断奠定了基础。 （2）针对摇臂复杂振动信号复杂性、非线性及非稳定性的特点，本文结合小波包 对原始振动信号进行去噪，对不同频段的信号采用多种阈值函数，并利用仿真信号进行 多次实验，确定最优去噪方案