煤矿主通风机滚动轴承的故障诊断系统研究.pdf

工程硕士学位论文 煤矿主通风机滚动轴承的故障诊断系 统研究 Research on Fault Diagnosis System of Rolling Bearing of Main Fan in Coal Mine 作者张驰 导师张栋梁教授 中国矿业大学 二○一九 年五 月 学位论文使用授权声明学位论文使用授权声明 本人完全了解中国矿业大学有关保留、使用学位论文的规定，同意本人所撰 写的学位论文的使用授权按照学校的管理规定处理 作为申请学位的条件之一， 学位论文著作权拥有者须授权所在学校拥有学位 论文的部分使用权，即①学校档案馆和图书馆有权保留学位论文的纸质版和电 子版，可以使用影印、缩印或扫描等复制手段保存和汇编学位论文；②为教学和 科研目的，学校档案馆和图书馆可以将公开的学位论文作为资料在档案馆、图书 馆等场所或在校园网上供校内师生阅读、浏览。另外，根据有关法规，同意中国 国家图书馆保存研究生学位论文。 （保密的学位论文在解密后适用本授权书） 。 作者签名导师签名 年月日年月日 中图分类号TD441学校代码10290 UDC密级公开 中国矿业大学 工程硕士学位论文 煤矿主通风机滚动轴承的故障诊断系统研究 Research on Fault Diagnosis System of Rolling Bearing of Main Fan in Coal Mine 作者 张驰导师 张栋梁 申请学位 工程硕士培养单位 电气与动力工程学院 学科专业 电气工程研究方向 电机与电器 答辩委员会主席评 阅 人 二○一九年五月 致谢致谢 感谢导师张栋梁教授在我攻读学位期间给予的指导帮助和学业引领。 本文从 最初的选题、制定研究方案、试验设计到试验数据的分析等过程都得到了导师张 栋梁教授的悉心指导。张老师治学态度严谨，紧跟学科前沿，工作一丝不苟，深 为作者敬仰，并将终生受益。除此之外，张老师对作者的学习和工作都给予了无 微不至的关心和帮助，在其中，作者学到了很多人生哲理，在此向张老师表示最 诚挚的感谢。 感谢在学习、工作中全力支持和帮助过作者的其他老师。回想在攻读学位期 间，与诸位师长生活、学习、工作的情景，仍然历历在目，无法忘怀，这一切都 终将成为作者今后人生的财富。 感谢在背后默默支持我的父母、妻子和孩子，他们永葆健康、快乐是作者最 大的心愿。 感谢所有帮助和关心过我的人。 I 摘摘要要 由于煤矿通风网络中干扰源多且变化频繁，导致煤矿主通风机的旋转叶轮上产生复 杂多变气流激振力，使主通风机叶轮转子两端的滚动轴承上承受交变应力的作用，同时 滚动轴承上亦承受着叶轮的离心力作用。因此，滚动轴承是影响煤矿主通风机运行安全 的一个重要因素，也是主通风机维修中重点关注的对象之一。对主通风机的滚动轴承进 行故障诊断的研究，不仅可以提高煤矿主通风机的安全性，同时也促使生产单位对煤矿 主通风机轴承的维护由定期维护向实时诊断的技术进步。因此，本课题开展的研究工作 不仅具有重要的理论意义，亦具有重要的社会效益和经济效益。 本文首先简要介绍了滚动轴承的结构、常见失效形式及其振动机理，由滚动轴承结 构参数计算轴承的特征频率和固有频率的理论公式。其次，根据滚动轴承在故障状态下 振动响应的特点，确定了适用于煤矿主通风机滚动轴承故障特征提取和故障类型识别的 方法基于经验的模态分解方法和基于 BP 神经网络的故障分类器。 在滚动轴承故障特征提取上，本文分别用 EMD、EEMD 和 CEEMD 方法对非稳态振动信 号特征提取的特点，通过对比发现 CEEMD 方法具有最优的分解结果和最小的重构误差。 因此，本文确定采用 CEEMD 方法对煤矿主通风机滚动轴承故障信号进行特征提取，获取 滚动轴承故障信号的固有模式函数Intrinsic Mode Functions, IMF。 利用样本熵处理复杂信号的优势，提出了基于 CEEMD 的样本熵算法，用于提取滚动 轴承的故障特征。进行轴承故障特征提取时，首先用 CEEMD 对振动信号分解，得到固有 模式函数；然后利用样本熵参数与计算时间的关系确定样本熵参数，本文在滚动轴承故 障特征提取时采用的样本熵参数为样本长度 l1024，嵌入维数 m2，阈值 r0.1；最 后利用样本熵计算 IMF 的样本熵值并构造特征向量。 利用基于 CEEMD 的样本熵算法，分别对相同工况不同故障类型和不同工况相同故障 类型故障的试验数据进行故障特征提取，提取结果验证了基于 CEEMD 的样本熵算法的可 行性。 建立了用于识别滚动轴承故障的 BP 神经网络分类器。 利用基于 CEEMD 的样本熵算 法构造的特征向量， 建立了 BP 神经网络分类器的训练样本和测试样本， 并进行训练与测 试。通过训练和测试结果发现BP 神经网络分类器能够实现滚动轴承故障的准确识别。 本文通过综合运用 CEEMD、样本熵、BP 神经网络等算法实现了煤矿主通风机滚动轴 承故障的准确识别，为实现煤矿主通风机的安全运行提供了一种新方法。 该论文有图 31 幅，表 9 个，参考文献 52 篇。 关键词关键词煤矿主通风机；滚动轴承；CEEMD；样本熵；BP 网络 II Abstract Because there are many interference sources and frequent changes in the ventilation network of coal mine, the complex and changeable air flow excitation force is produced on the rotating impeller of the main fan in coal mine, which makes the rolling bearings at both ends of the impeller rotor of the main fan bear the effect of alternating stress, and the centrifugal force of the impeller is also borne on the rolling bearings. Therefore, the rolling bearing is an important factor affecting the operation safety of the main fan in coal mine, and it is also one of the key concerns in the maintenance of the main fan. Research on fault diagnosis of rolling bearing of main fan can not only improve the safety of main fan in coal mine, but also promote the technical progress of maintenance of main fan bearing in coal mine from regular maintenance to real-time diagnosis. Therefore, the research work carried out in this subject not only has important theoretical significance, but also has important social and economic benefits. Firstly, the structure, common failure modes and vibration mechanism of rolling bearings are briefly introduced. The theoretical ulas for calculating the characteristic frequency and natural frequency of rolling bearings are derived from the structural parameters of rolling bearings. Secondly, according to the vibration response characteristics of rolling bearings in fault state, the fault feature extraction and fault type identification s for rolling bearings of main fan in coal mine are determined empirical mode decomposition and fault classifier based on BP neural network. In the feature extraction of rolling bearing fault, this paper uses EMD, EEMD and CEMD s to extract the feature of unsteady vibration signal, and finds that CEEMD has the best decomposition result and the smallest reconstruction error. Therefore, in this paper, the CEEMD is used to extract features of fault signals of rolling bearings of main fan in coal mine, and the intrinsic mode functions IMF of fault signals of rolling bearings are obtained. Based on the advantage of sample entropy in processing complex signals, a sample entropy algorithm based on CEMD is proposed to extract fault features of rolling bearings. When extracting bearing fault features, the intrinsic mode function is obtained by decomposing vibration signals with CEEMD. Then the sample entropy parameters are determined by the relationship between sample entropy parameters and calculation time. In this paper, the sample entropy parameters used in extracting rolling bearing fault features are sample length l1024, embedding dimension m2, threshold r0.1. Finally, the sample III entropy values of IMF are calculated by using sample entropy. Construct eigenvectors. Using the sample entropy algorithm based on CEMD, the fault feature is extracted from the test data of different fault types under the same working condition and different working conditions respectively. The extraction results verify the feasibility of the sample entropy algorithm based on CEMD. A BP neural network classifier for identifying rolling bearing faults is established. The training and testing samples of BP neural network classifier are established by using the eigenvectors constructed by the sample entropy algorithm based on CEMD, and the training and testing are carried out. The results of training and testing show that the BP neural network classifier can accurately identify rolling bearing faults. In this paper, by using CEEMD, sample entropy, BP neural network and other algorithms, the fault of rolling bearing of main fan in coal mine is accurately identified, which provides a new for the safe operation of main fan in coal mine. There are 31 figures, 9 tables and 52 references in this paper. Key words Coal Mine Main Fan; Rolling Bearing; CEEMD; Sample Entropy; BP Network IV 目目录录 摘要摘要ⅠⅠ 目录目录ⅣⅣ 图清单图清单ⅧⅧ 表清单表清单ⅩⅩ 变量注释表变量注释表ⅪⅪ 1 1 绪论绪论1 1 1.1 概述1 1.2 机械故障诊断的现状及发展方向2 1.3 机械故障诊断的现状及发展方向3 1.4 滚动轴承故障诊断的主要环节4 1.5 本文主要内容及文章结构4 2 2 滚动轴承振动信号分析滚动轴承振动信号分析6 6 2.1 滚动轴承结构及工作载荷6 2.2 滚动轴承的失效形式及原因7 2.3 轴承特征频率的计算8 2.4 本章小结10 3 3 振动信号特征提取算法振动信号特征提取算法1 11 1 3.1 EMD 算法11 3.2 EEMD 算法12 3.3 CEEMD 算法13 3.4 滚动轴承故障的特征提取算法17 3.5 基于 CEEMD 的样本熵算法的验证21 3.6 本章小结25 4 4 神经网络诊断原理神经网络诊断原理2727 4.1 概述27 4.2 BP 神经网络模型27 4.3 BP 网络分类性能分析31 4.4 本章小结32 5 5 滚动轴承故障诊断系统的建立滚动轴承故障诊断系统的建立3333 V 5.1 概述33 5.2 固有模式函数能量判别33 5.3 轴承故障诊断分类器的建立34 5.4 滚动轴承故障诊断系统设计38 5.5 本章小结42 6 6 结论与展望结论与展望 4343 6.1 结论43 6.2 展望43 参考文献参考文献4545 作者简历作者简历4848 论文原创性声明论文原创性声明4949 学位论文数据集学位论文数据集5050 VI Contents AbstractⅠⅠ ContentsⅣⅣ List of FiguresⅧⅧ List of TablesⅩⅩ List of VariablesⅪⅪ 1 Introduction1 1.1 Introduction 1 1.2 Situation and Development Direction mechanical fault diagnosis2 1.3 Overview of Rolling Bearing Fault Diagnosis 3 1.4 The main aspects of rolling bearing fault diagnosis 4 1.5 The main contents of this article and article structure 4 2 Vibration signal analysis of rolling bearing6 2.1 Rolling structure and work load6 2.2 Failure s and causes of rolling bearing7 2.3 Calculation of bearing characteristic frequency8 2.4 Conclusions10 3 Vibration signal feature extraction algorithm 11 3.1 EMD Algorithm 11 3.2 EEMD Algorithm 12 3.3 CEEMD Algorithm 13 3.4 Fault feature extraction algorithm for rolling bearing 17 3.5 Test validation of sample entropy algorithm based on CEEMD 21 3.6 Conclusions 25 4 Neural Network Diagnostics principle 27 4.1 Introduction 27 4.2 BP neural network model 27 4.3 BP network classifier perance analysis 31 4.4 Conclusions 32 VII 5 Establishment of Rolling Bearing Fault Diagnosis System 33 5.1 Introduction 33 5.2 Intrinsic Modal Energy discrimination 33 5.3 Bearing Fault Diagnosis classifier design 34 5.4 Design of Rolling Bearing Fault Diagnosis System38 5.5 Conclusions 42 6 Conclusions and prospects 43 6.1 Conclusions 43 6.2 Prospects 43 References45 Author’s Resume48 Declaration of Thesis Originality4949 Thesis/Dissertation Data Collection50 VIII 图清单图清单 图序号图名称页码 图 1-1轴承故障的诊断流程4 Figure 1-1Technical process of bearing fault diagnosis for mechanical equipment4 图 2-1滚动轴承的基本结构6 Figure 2-1Basic structure of rolling bearing6 图 2-2深沟球轴承的载荷分布7 Figure 2-2Load distribution of deep groove ball bearing7 图 2-3轴承元件上的载荷及应力变化7 Figure 2-3Load and stress on the rolling bearing element7 图 2-4滚动轴的承结构参数9 Figure 2-4Structural parameters of rolling bearing9 图 3-1子信号及合成信号15 Figure 3-1Sub-signal and composite signal15 图 3-2EMD 分解的前四阶 IMF15 Figure 3-2First four orders of IMF for EMD decomposition15 图 3-3EEMD 分解的前四阶 IMF16 Figure 3-3First fourth order IMF of EEMD decomposition16 图 3-4CEEMD 分解的前四阶 IMF16 Figure 3-4First four orders of IMF for CEEMD decomposition16 图 3-5EEMD 的重构误差17 Figure 3-5EEMD reconstruction error17 图 3-6CEEMD 的重构误差17 Figure 3-6CEEMD reconstruction error17 图 3-7计算时间相与样本长度、嵌入维数19 Figure 3-7Effect of sample length and embedding dimension on calculation time19 图 3-8计算时间相对于样本长度和阈值19 Figure 3-8Effect of sample length and threhold on calculation time19 图 3-9计算时间相对嵌入维数和阈值的关系20 Figure 3-9Effect of embedding dimension and threshold on calculation time20 图 3-10嵌入维数、阈值与计算时间的关系21 Figure 3-10Effect of embedding dimension and threshold on calculation time21 图 3-11外圈故障信号的 CEEMD 分解22 Figure 3-11CEEMD decomposition of outer ring fault signal22 图 3-12内圈故障信号的 CEEMD 分解23 Figure 3-12CEEMD decomposition of inner ring fault signal23 图 3-13滚动体故障信号的 CEEMD 分解23 Figure 3-13CEEMD decomposition of rolling element fault signal23 图 3-14相同工况下的样本熵24 IX Figure 3-14Sample entropy of same condition24 图 3-15不同工况下的样本熵25 Figure 3-15Sample entropy of different condition25 图 4-1单隐层 BP 网络的数学模型28 Figure 4-1Mathematical model of single hidden layer BP network28 图 4-2BP 网络的超平面分割32 Figure 4-2Hyperplane segmentation of BP network32 图 5-1BP 神经网络故障识别的流程34 Figure 5-1BP Neural Network Fault Recognition Process34 图 5-2BP 网络训练结果37 Figure 5-2BP network training results37 图 5-3煤矿主通风机转子结构39 Figure 5-3Rotor structure of main fan in coal mine39 图 5-4传感器的响应特性39 Figure 5-4 Response characteristic curve of acceleration sensor 39 图 5-5YE5864B 信号调理器40 Figure 5-5YE5864B Signal Conditioner40 图 5-6轴承参数及计算特征频率界面40 Figure 5-6Bearing parameters and calculation of characteristic frequency interface40 图 5-7正常状态下的固有模式函数分解41 Figure 5-7IMF decomposition in normal state41 图 5-8轴承特征提取针对性样本训练界面41 Figure 5-8Bearing feature extraction sample training interface41 图 5-9滚动轴承状态识别与诊断界面42 Figure 5-9Rolling bearing state recognition and diagnosis Interface42 X 表清单表清单 表序号表名称页码 表 3-1相同工况下 IMF 与信号的相关系数24 Table 3-1 Correlation coefficient between IMF and signal under the same working conditions 24 表 3-2不同工况下 IMF 与信号的相关系数25 Table 3-2 Correlation coefficient between IMF and signal under different working conditions 25 表 5-1不同状态下 IMF 的熵33 Table 5-1 IMF entropy of rolling bearing vibration signal under different condition 33 表 5-2BP 网络的期望输出35 Table 5-2The desired output of BP network35 表 5-3BP 网络参数设置35 Table 5-3Parameters setting of BP Network35 表 5-4BP 网络训练参数设置36 Table 5-4Training parameters of BP network36 表 5-5BP 网络训练样本部分数据36 Table 5-5The partial training sample data of BP network36 表 5-6BP 网络测试样本部分数据38 Table 5-6Partial test sample data of BP network38 表 5-7BP 网络测试的部分结果38 Table 5-7Partial testing results of BP network38 XI 变量注释表变量注释表 fc滚动体的公转频率 fb滚动体的自转频率 fs轴承内圈的转频 D滚动体轴心距离 z轴承滚动体的个数 d滚动体的直径 d1轴承的节经 a接触角 fo外圈的通过频率 fi内圈的通过频率 fr滚动体的通过频率 fn轴承径向弯曲振动的固有频率 n振动阶数 E弹性模量 I截面惯性矩 ρ材料密度 A截面面积 fbn滚动体的固有频率 1 绪论 1 1 1 绪论 1 Introduction 1.1 概述（Introduction） 滚动轴承是叶轮机械中应用最为广泛的标准化零件之一，随着叶轮机械向高转速、 高负荷方向的深入发展，滚动轴承已成为工矿企业中叶轮机械故障最为频繁的元器件之 一。统计数据表明在工矿企业中，叶轮机械发生的故障总起数中约有 30-40是由于 轴承或其组成元件的损坏直接造成的 [1]，滚动轴承各组成元件的完好与否度直接决定着 与之相关的叶轮机械安全与否。 滚动轴承组成元件的故障轻者造成机械运行振动的加剧、 噪声增大，严重时将导致机械设备的损坏，产生重大生产安全事故。 随着数字矿山、智能矿山建设目标的提出和建设的推进，煤矿大型机电设备的智能 化维护、维修及设备状态的故障诊断受到更大程度的关注和重视。作为机械装备的标准 部件之一的滚动轴承，在主通风机、立井提升机、掘进机等煤矿大型的机电设备中被用 广泛的应用，其运行状态中隐含的故障若不能及时发现与排除，将严重影响煤矿企业的 安全生产和生产效益。因此，对煤矿大型机电设备中的滚动轴承开展完善的状态监测和 准确的故障识别与预测，一直是国内外学者重点关注的方向，亦是当前该领域研究的热 点问题之一 [2]。因为一个看似微小的轴承故障也会引发旋转设备一连串的连锁故障，从 而影响设备使用寿命，严重时则会造成损失不可估量的安全生产事故，造成人们生命财 产和企业的重大经济损失，亦产生严重社会不良影响。例如2011 年 10 月，山东能源 新矿集团某煤矿的 2K60 主通风机在运行中频繁出现风机轴承超温报警现象， 多次停机检 修均未能解决问题。 通过大修检查发现主通风机叶轮转子两端的支撑滚动轴承严重磨损， 并已对通风机的主轴造成严重损坏，从而致使该台通风机的报废。由此可知，对煤矿主 通风机滚动轴承故障实时诊断的缺失，不仅会严重影响设备