基于振动数据分析的煤矿主通风机轴承故障诊断方法研究.pdf

学校代码10112密级 硕 士 学 位 论 文 （专（专 业业 学学 位）位） 论文题目 英文题目 作者姓名白逸飞 学号2017520182 专业领域电气工程 研究方向 电力电子与电力传动 指导教师陈燕教授 校外导师牛乃平高工 论文提交日期 2020 年 5 月 Research on Bearing Fault Diagnosis of Coal Mine Main Fan Based on Vibration DataAnalysis 基于振动数据分析的煤矿主通风机轴 承故障诊断方法研究 万方数据 万方数据 硕士工程类专业学位 学位论文答辩信息表 论文题目基于振动数据分析的煤矿主通风机轴承故障诊断方法研究 课题来源*其他 论文类型 在[ ]内打 “√” []产品研发[]工程设计[√]应用研究 []工程/项目管理[]调研报告[]基础研究 论文答辩日期2020.5.16答辩秘书任春光 学位论文答辩委员会成员 姓名职称博导/硕导工作单位 答辩委员会主 席 郭建廷优高工 太原惠特科技有限公 司 答辩委员 1秦文萍教授博导 太原理工大学电气与 动力工程学院 答辩委员 2陈惠英副教授硕导 太原理工大学电气与 动力工程学院 万方数据 摘要 I 摘要 在煤矿安全生产中，作为矿井通风系统的核心设备，煤矿主通风机承 担着排放井下瓦斯、矿尘和污浊气体的重任，其正常运转是煤矿安全生产 的重要保障。因此，煤矿主通风机的状态监测及故障诊断就显得格外重要。 随着人类迈入“大数据”时代，利用“大数据”技术对机械设备进行 状态检测和故障诊断已成为必然趋势。当前，机械设备故障检测、诊断的 关键在于选择合适的故障诊断算法/故障检测设备。同时，如何充分利用所 监测到的海量数据，即从监测数据中及时发现并排除设备运行中的异常， 也成为当前机械故障领域内的一个重点研究方向。而传统的主要依靠人工 进行机械故障特征提取的故障诊断方法，其故障诊断的成功率主要取决于 专业人员的技术水平，显然已无法适应当前“大数据”下的分析要求。因 此，本文结合煤矿生产实际，基于振动数据，并结合神经网络及深度学习 相关理论技术，对煤矿主通风机轴承的故障诊断方法进行了研究。 本文研究了煤矿主通风机故障诊断技术的发展现状，研究了振动信号 处理技术，分析了煤矿主通风机轴承的主要故障类型及其振动机理，并在 此基础上，对煤矿主通风机轴承振动数据进行了采集与处理。 研究了神经网络及深度学习相关理论，重点研究了深度学习领域的两 大技术CNN 卷积神经网络及以 LSTM 长短期记忆网络为代表的 RNN 循 环神经网络，并分别对 CNN，LSTM 的网络构造、计算图、数学计算表达 等进行了解析。 最后，利用 CNN 的特征提取能力以及 LSTM 的时序数据分析能力，将 二者结合搭建诊断模型，以实现对煤矿主通风机轴承的故障诊断，并结合 实际振动数据，验证了所提出的故障诊断模型在煤矿主通风机轴承故障诊 断中的可行性。结果表明，本次研究中所提出的故障诊断方法能够有效地 实现煤矿主通风机轴承的故障诊断，且诊断结果具有较好的准确度，可以 在实际系统中应用。 关键词关键词煤矿主通风机；滚动轴承；故障诊断；卷积神经网络；长短时记 忆神经网络 万方数据 太原理工大学硕士学位论文 II 万方数据 ABSTRACT III ABSTRACT In the safety production of coal mines, as the core equipment of the mine ventilation system, the main fan of the coal mine is responsible for the discharge of underground gas, mine dust and dirty gas, and its normal operation is an important guarantee for coal mine safety production. Therefore, the condition monitoring and fault diagnosis of the main ventilator in the coal mine are extremely important. As mankind enters the era of “big data“, it has become an inevitable trend to use “big data“ technology to per state detection and fault diagnosis on mechanical equipment. At present, the key to the fault detection and diagnosis of mechanical equipment lies in the selection of appropriate fault diagnosis algorithms / fault detection equipment. At the same time, how to make full use of the monitored massive data, that is, to find and eliminate abnormalities in the operation of the equipment in time from the monitoring data, has also become a key research direction in the field of mechanical failure. While the traditional fault diagnosis mainly relies on manual extraction of mechanical fault features, the success rate of fault diagnosis mainly depends on the technical level of professionals. Obviously, it has been unable to adapt to the current “big data“ analysis requirements. Therefore, in this paper, based on the actual production of the coal mine, based on the vibration data, combined with the neural network and deep learning related theoretical technology, the fault diagnosis of the main fan of the coal mine is studied. This paper studies the development status of fault diagnosis technology for coal mine main ventilator, studies vibration signal processing technology, analyzes the main fault types and vibration mechanism of coal mine main ventilator bearing, and on this basis, the vibration of coal mine main ventilator bearing The data was collected and processed. Researched neural network and deep learning related theories, focusing on two major technologies in the field of deep learning-CNN convolutional neural network and RNN recurrent neural network represented by LSTM long and short-term memory network, and constructed CNN and LSTM networks respectively , Calculation charts, mathematical calculation expressions, etc. were analyzed. 万方数据 太原理工大学硕士学位论文 IV Finally, using CNNs feature extraction capabilities and LSTMs time series data analysis capabilities, the two are combined to build a diagnostic model to realize the fault diagnosis of the coal mine main fan bearing, and combined with the actual vibration data, the proposed fault diagnosis model is verified Feasibility in the fault diagnosis of coal mine main fan bearing. The results show that the fault diagnosis proposed in this study can effectively realize the fault diagnosis of the main ventilator bearing of the coal mine, and the diagnosis result has good accuracy and can be applied in practical systems.Finally, combined with actual vibration data, the proposed fault diagnosis model is verified. The results show that the fault diagnosis researched in this paper can effectively realize the fault diagnosis of the rolling bearing of the main fan of the coal mine, and the diagnosis result has good accuracy, and the can be applied in practical engineering. KeyWordsCoalminemainfan;Rollingbearing;Faultdiagnosis; Convolutional neural network; Long and short-term memory neural network 万方数据 目录 V 目录 摘要......................................................................................................................................... I ABSTRACT..............................................................................................................................III 第一章绪论.............................................................................................................................1 1.1课题背景及研究意义....................................................................................................1 1.2国内外研究现状............................................................................................................1 1.2.1故障诊断方法分类.................................................................................................1 1.2.2煤矿主通风机故障诊断技术研究现状.................................................................3 1.2.3煤矿主通风机故障诊断的主要环节.....................................................................4 1.3煤矿主通风机振动信号处理技术简介........................................................................5 1.3.1时域信号处理技术.................................................................................................5 1.3.2频域信号处理技术.................................................................................................6 1.3.3时频域信号处理技术.............................................................................................7 1.4主要研究内容................................................................................................................8 第二章主通风机轴承故障机理分析及振动数据采集.......................................................11 2.1煤矿主通风机及其振动信号概述..............................................................................11 2.1.1煤矿主通风机简介...............................................................................................11 2.1.2煤矿主通风机振动信号分类...............................................................................11 2.2主通风机滚动轴承故障类型及其振动机理..............................................................12 2.2.1滚动轴承的构成...................................................................................................12 2.2.2滚动轴承故障类型...............................................................................................12 2.2.3滚动轴承振动机理...............................................................................................13 2.3主通风机其它常见故障类型......................................................................................14 2.4主通风机轴承振动数据采集方案设计......................................................................15 2.4.1采样位置及频率的确定.......................................................................................15 2.4.2传感器选择...........................................................................................................16 2.4.3工控机及数据采集卡选择...................................................................................17 2.4.4数据采集系统软件设计.......................................................................................18 2.5本章小结......................................................................................................................19 第三章神经网络及深度学习相关理论...............................................................................21 万方数据 太原理工大学硕士学位论文 VI 3.1神经网络简介..............................................................................................................21 3.1.1神经元模型...........................................................................................................21 3.1.2神经网络的类别...................................................................................................22 3.2 反向传播网络与学习算法............................................................................................24 3.3深度学习模型..............................................................................................................27 3.3.1卷积神经网络模型...............................................................................................28 3.3.2循环神经网络模型...............................................................................................30 3.4本章小结......................................................................................................................31 第四章结合 CNN 和 LSTM 的主通风机轴承故障诊断....................................................33 4.1CNN 卷积神经网络的结构........................................................................................33 4.1.1卷积层...................................................................................................................33 4.1.2激活层...................................................................................................................34 4.1.3池化层...................................................................................................................35 4.2长短时记忆神经网络模型..........................................................................................36 4.2.1LSTM 网络基本原理...........................................................................................36 4.2.2LSTM 网络学习方法...........................................................................................37 4.3Adam 优化算法...........................................................................................................38 4.4实验与结果分析..........................................................................................................39 4.4.1实验数据准备.......................................................................................................39 4.4.2原始信号预处理...................................................................................................40 4.4.3CNN-LSTM 故障诊断模型的建立.....................................................................42 4.4.4模型故障识别实验结果及分析...........................................................................43 4.4.5模型诊断精度实验结果及分析...........................................................................44 4.5本章小结......................................................................................................................48 第五章结论...........................................................................................................................49 5.1结论..............................................................................................................................49 5.2展望..............................................................................................................................49 参考文献...................................................................................................................................51 致谢.......................................................................................................................................53 万方数据 绪论 1 第一章绪论 1.1课题背景及研究意义 在当前世界能源结构中，煤炭作为目前世界上存储量最大的常规能源，伴随着各国 经济的发展，其在生产生活中的消耗也日益增加。目前，在我国每年的能源总消耗中， 煤炭约占百分之七十以上，煤炭的产量直接制约着我国的经济发展。然而，煤炭一方面 作为我们生产生活的必需品，为我们提供能量和动力，与此同时，在另一方面，由于矿 井内部恶劣的工作环境，往往容易发生如瓦斯爆炸、井下坍塌等事故。这些事故不仅会 造成严重的公共财产损失，更严重者，可能会危及矿工的人身安全。 煤矿主通风机是煤矿系统的关键设备， 承担着往矿井内部输送新鲜空气和排出矿井 内部有毒、有害气体的重任，鉴于此，煤矿主通风机也被形象的定义为“矿井肺脏” 。 基于煤矿主通风机在煤矿生产中的重要作用，它一旦出现故障而不能正常工作，极易导 致井下瓦斯浓度超标， 有毒气体、 粉尘无法排放， 这会在很大程度导致煤矿事故的发生， 而矿井事故轻则影响煤矿正常生产，重则可能造成矿井工作人员的人身安全事故。据统 计，在我国每年所发生的煤矿安全事故中，直接或间接因煤矿主通风机故障而导致的事 故约占到整个煤矿事故百分之三十。 另外，由于当前煤矿主通风机设备的自动化程度越来越高，现场工作人员不具备相 当程度的专业知识和一定的工作经验， 很难对煤矿主通风机的故障进行及时判断和排查。 因此， 目前大部分煤矿企业都是采取停机检修的方式对煤矿主通风机进行故障排查和检 修，而这种停机检修的方式，不仅影响煤矿正常的生产，而且无法及时排查一些瞬时性 的故障，这些故障往往可能是煤矿后续生产的安全隐患。由此可见，在不影响煤矿主通 风机正常运行的状态下，通过对其进行实时的状态检测，及时、快速的对其进行故障诊 断，这对于煤矿的安全运行具有非常重要的意义。 1.2国内外研究现状 1.2.1故障诊断方法分类 当前，故障诊断（Fault Detection and Diagnosis，FDD）技术多是基于“大数据”环 境下， 首先利用传感器对数据进行采集， 然后再对数据进行分析和处理而进行的。 另外， 在分析处理中往往要结合设备的历史数据和系统本身特性， 对诊断结果的要求也不只是 要满足于当前的故障状况，更要能对后续可能出现的状况进行预测。 万方数据 太原理工大学硕士学位论文 2 现阶段，基于“大数据”环境下的故障诊断方法主要分为三类，即基于数学模型的 故障诊断方法、基于信号处理的故障诊断方法以及基于知识的故障诊断方法。 （1）基于数学模型的故障诊断方法 所谓“基于数学模型的故障诊断方法” ，首先是要结合实际研究对象，建立恰当的 数学模型，并设置合适的理论值，分析其输入和输出的理论关系；然后，将实际值送到 所建立的数学模型中，分析其输入和输出的实际关系；最后，再进行误差分析，即通过 获得的输入/输出的理论值和实际值之间关系，进行故障特征信息分析而实现故障诊断。 但当所涉及的实际系统模型未知或系统为非线性时， 系统的数学模型的建立往往十分困 难甚至无法建立，此时基于数学模型的故障诊断方法就无法使用。常见的基于数学模型 的故障诊断方法有参数估计法、状态估计法以及等价空间法等[1]。 （2）基于信号处理的故障诊断方法 所谓“基于信号处理的故障诊断方法” ，即是通过分析信号的时频特性，找到其时 频特征与相应故障类型的对应关系，通过分析其相关量的关系而实现故障诊断。此种方 法直接从实际设备入手，不需要进行复杂的建模，具有很强的适应性和实时性，且容易 实现，但相比于基于数学模型的故障诊断方法，其诊断的准确性较差。在故障诊断中， 常用的信号处理法有频谱分析、概率密度、相关分析、功率谱分析等。 （3）基于知识的故障诊断方法 所谓“基于知识的故障诊断方法” ，主要是利用专家经验进行故障诊断，非常适合 于复杂非线性系统的故障诊断。这种方法根据结构不同，又可细分为定性模型的故障 诊断方法和基于症状的故障诊断方法。前者一般意义上包括专家系统、神经网络及支持 向量机等，后者一般有定性仿真和故障树等。 由于在对实际设备进行故障诊断时，往往会有许多不确定因素的干扰，因而会导致 很难建立固定而精确的数学模型，因此在实际的故障诊断中，很少使用基于数学模型的 故障诊断方法；另外，对于单一故障的诊断而言，基于信号处理的故障诊断方法很有优 势，但它对多故障同时发生时的识别能力较差，且缺乏对新故障的学习能力；基于知识 的故障诊断方法具有较高的自适应性和学习性，非常适用于非线性、时变性系统的故障 诊断。图 1-1 为常用故障诊断方法及其分类。 万方数据 绪论 3 图 1-1 故障诊断方法 Figure 1-1 Classification of fault diagnosis s 1.2.2煤矿主通风机故障诊断技术研究现状 近些年来，各国在煤矿主通风机的故障诊断方面，展开了积极深入的研究，并相应 取得了显著的成果。美国相关研究机构从煤矿主通风机的振动数据入手，对煤矿主通风 机的运行维护以及煤矿主通风机轴承状态检测进行了深入研究[2]。日本研发人员利用电 子技术对井下通风的风量进行了测定和评估[3]。德国汉堡大学 K.Noack 等对如何驱散井 下瓦斯方法进行了分析与探索[4]。加拿大多伦多大学 S.Hardcastle 等提出了一种可调节 的风机电子叶片设计[5]。北京工业大学李林琛等[6]设计了一种“基于案例推理的矿井风 机故障诊断系统” 。中国矿业大学吕振江等[7]提出了一种基于遗传算法优化 BP 神经网络 的故障诊断方法。针对矿井风机振动信号非线性、非平稳的特性，桂林电子科技大学高 兵兵等[8]结合时频分析和神经网络技术，将煤矿主通风机振动信号各个频带的能量特征 提取出来，将其构造成特征向量作为 BP 神经网络的输入，并借助于 LabVIEW 平台， 实现了煤矿主通风机的线上实时故障诊断。 本文将各国现阶段对煤矿主通风机故障诊断的研究和及其所取得的成果进行分析 和总结，得出目前煤矿主通风机故障诊断技术的实现主要有三种方式。 （1）专家诊断系统 专家诊断系统是指将专业人士的专业理论知识和实践工作经验融合为一体， 以效仿 真实人物思维模式为功能的推导系统，主要组成包括数据系统、推敲系统以及人机交互 系统，通过系统间协调作用，可实现事故种类以及具体位置的准确诊断。使用专家诊断 系统的首要在于制作机体故障模型，模型遵循生长式规律以及树形结构的表达方式；其 万方数据 太原理工大学硕士学位论文 4 次，需储备主通风机机体事故的常见个例规律库，同时也要在规律库中详细记录事故特 点及故障种类。 专家诊断系统的主要特点就在于能够罗列出相近事故种类及其敏锐特点， 继而从中选择出最为正确的诊断结果。 （2）神经网络诊断 基于神经网络的故障诊断是由多个处理单元形成的故障检测系统而实现的， 系统具 有自适应性，能够在极大程度上处理煤矿主通风机的非线性故障，另外，能够将自动模 式以及智能模式融入到主通风机事故处理中。 在利用神经网络对煤矿主通风机进行故障 诊断时，首先需将主通风机振动信号的分频、基频和倍频数据加以汇总；然后，将其输 入到神经网络中去，通过对输入数据的分析而实现故障诊断。另外，在神经网络故障诊 断中，只有正确处理神经单元的连接权重以及偏置阈值，才能将机体事故的敏感特点与 相应的故障种类所对应，即才能保证故障检测与诊断的准确性。由于神经网络诊断具有 自学性、联想推理性等特点，因而其能在同一时间识别和处理多种不同种类的故障[9]。 （3）混合智能诊断 所谓“混合智能诊断” ，顾名思义，即为将专家系统和人工神经网络结合起来的故 障诊断系统，利用该方法对煤矿主通风机进行故障诊断，能够更加快捷地诊断出主通风 机的故障所在，加快了主通风机故障诊断的效率。在混合智能诊断中，人工神经网络为 专家系统提供知识，专家系统为人工神经网络解答它自身的黑箱特点，二者相辅相成， 共同实现煤矿主通风机的故障诊断。由此可见，混合智能诊断兼具专家系统诊断和神经 网络诊断的优点，混合智能诊断技术是今后主通风机故障诊断的一种趋势。 1.2.3煤矿主通风机故障诊断的主要环节 目前，在进行煤矿主通风机故障诊断时，涉及到的主要环节有以下几个方面。 （1）故障机理分析 故障机理分析是煤矿主通风机故障诊断的第一步，所谓“故障机理分析” ，即需分 析主通风机的内部主要产生故障的部位，故障产生的原因等，从而确定出最能反映主通 风机故障的数据，并将其作为故障诊断的依据。 （2）状态信号