采煤機搖臂齒輪傳動系統(tǒng)振源定位分析方法*

毛清華， 張旭輝， 馬宏偉， 邢 望， 樊紅衛(wèi)

(西安科技大學機械工程學院 西安，710054)

?

采煤機搖臂齒輪傳動系統(tǒng)振源定位分析方法*

毛清華， 張旭輝， 馬宏偉， 邢 望， 樊紅衛(wèi)

(西安科技大學機械工程學院 西安，710054)

為了研究采煤機搖臂傳動齒輪的振動分析方法并進行實機振源定位驗證，首先，采用小波分析對采煤機搖臂振動信號進行降噪處理和頻譜分析，依據特征頻率下的振幅結果確定故障齒輪的嚙合頻率；然后，通過Morlet小波包絡解調分析獲取邊頻帶信號頻譜特征，依據邊頻帶特征頻率下的振幅結果確定故障齒輪的轉動頻率；最后，對頻譜分析和Morlet小波包絡解調分析的結果進行綜合分析，鎖定故障齒輪的準確位置。對一臺國產采煤機搖臂齒輪傳動系統(tǒng)進行了振動測試與信號分析，結果表明，基于小波分析、頻譜分析和Morlet小波包絡解調分析相結合的振動分析方法可以實現對采煤機搖臂故障齒輪的準確定位，為強噪聲環(huán)境下復雜齒輪傳動系統(tǒng)的故障快速定位和現場定點維修提供了方法支持。

采煤機； 振動測試； 小波分析； 頻譜分析； Morlet小波包絡解調

引 言

采煤機是煤礦采煤工作面的核心設備之一，其運行狀態(tài)和振動水平直接影響煤礦生產的經濟性和安全性[1-2]。搖臂是采煤機切割煤層的關鍵動力部件，具有傳動鏈長、齒輪類型多及環(huán)境噪聲強的特點，給采煤機搖臂的現場故障診斷準確性帶來了極大挑戰(zhàn)。振動檢測方法是機械傳動系統(tǒng)故障診斷的良好方法，其主要是通過振動信號的時域和頻域特征提取來實現[3-5]。鑒于現代機電設備故障的多元性和耦合特征，在實際故障定位研究中，通常采用多方法聯(lián)合診斷的思路。文獻[6]運用時域波形、峭度指標、細化譜和倒頻譜判斷機械故障的具體部位，對旋轉機械的故障診斷和定位具有較高的準確率。文獻[7]運用小波包與倒頻譜分析對風電機組齒輪箱的齒輪裂紋故障進行了診斷，實現了故障的準確定位。文獻[8]運用經驗模式分解和全息譜相結合的方法實現了對轉子不平衡的準確診斷。鑒于采煤機搖臂齒輪副多、傳動鏈長且采煤機環(huán)境噪聲大的特點，對采煤機搖臂傳動系統(tǒng)振動特征頻率進行理論計算和振動信號分析發(fā)現，其振動信號中具有多個齒輪振動特征頻率相同、包含大量噪聲、振動特征頻率出現多次諧波以及特征頻率周邊具有多個邊頻帶等特點。小波分析是一種良好的信號降噪方法，能有效濾除振動信號中的強噪聲，從而有效提取故障信號[9-12]。振動信號的邊頻帶包含著齒輪傳動諸多故障信息，目前常用邊頻帶頻譜分析方法主要有希爾伯特變換解調分析和Morlet小波包絡解調分析兩種。Morlet小波包絡解調分析相比希爾伯特變換解調分析，可以減少包絡檢波分析中人為設定濾波中心頻率和帶寬的影響[13-14]。

為了提高信噪比并準確定位振源，筆者采用小波變換去除采煤機搖臂振動信號中的噪聲，運用頻譜分析與Morlet小波包絡解調分析相結合的方法獲得齒輪的故障振動特征頻率和轉動頻率，在此基礎上實現采煤機搖臂傳動系統(tǒng)振源的準確定位。

1 采煤機搖臂振源定位分析方法

采煤機搖臂齒輪傳動系統(tǒng)振動信號分析方法如圖1所示。首先，應用小波降噪方法對采集到的振動信號進行降噪處理，對比故障與正常狀態(tài)下采煤機搖臂振動信號時域均方根值，進行故障預判，當振動信號時域均方根值超過正常振動信號一定范圍時進行故障定位。故障定位分以下兩個步驟進行：

1) 對降噪后的振動信號進行頻譜分析，與正常狀態(tài)下的頻譜分析結果對比，得出故障齒輪振動特征頻率，鑒于采煤機傳動系統(tǒng)存在多個齒輪振動特征頻率相同的情況，這里頻譜分析只能初步確定故障可能部位；

2) Morlet小波包絡解調分析可以對振動特征頻率相同的齒輪族，根據各不同齒輪的轉動頻率來確定發(fā)生故障的準確部位，因此，根據頻譜分析與Morlet小波包絡解調分析即可完成故障部位的最終確定。

圖1 采煤機搖臂故障定位分析流程圖Fig.1 Flow chart of shearer ranging arm fault location analysis

2 Morlet小波包絡解調分析方法

Morlet小波是一種復數小波，其實部為零相移濾波器和虛部為90°相移濾波器，故運用Morlet小波進行復數小波變換后的小波系數的實部和虛部相位差90°。根據包絡檢波解調原理可知，當兩個信號幅值相同并且相位相差90°時，可通過解調提取幅值分量，且其具有全頻帶范圍內帶通濾波器功能。因此，可通過Morlet小波包絡解調分析方法獲得小波系數中的包絡分量。

根據小波變換原理，Morlet小波包絡解調的計算過程如下

Wf(a,b)=f(t)*ψa,b(t)=f(t)*ψa,r(t)+

f(t)*jψa，i(t)

(1)

其中：f(t)為實際信號；ψa,b(t)為復Morlet小波函數；ψa,r(t)為復Morlet小波函數實部；ψa，i(t)為復Morlet小波函數虛部。

根據Morlet小波的實部和虛部展開，得出Wf(a,b)的實部與虛部表達式為

(2)

(3)

根據式(2)和式(3)可得小波系數包絡分量計算式

(4)

式(4)中Wf(a,b)的實部和虛部可以在時域中根據式(2)和式(3)的卷積計算得出。為了提高計算速度，將其轉換到頻域用快速傅里葉變換(fast Fourier transformation,簡稱FFT)，計算公式為

(5)

(6)

根據式(5)和式(6)可得出ψ(t)的傅里葉變換式為

(7)

對式(1)進行傅里葉變換可得

(8)

對式(8)進行傅里葉反變換可得

(9)

式(8)和式(9)為其在頻域內進行復數小波變換的計算公式。將得到的Wf(a,b)的實部Re[Wf(a,b)]和虛部Im[Wf(a,b)]代入式(4)中，即得小波系數中的包絡分量。

3 測試方案和振動特征頻率計算

3.1 采煤機搖臂齒輪傳動系統(tǒng)振動測試方案

采煤機搖臂如圖2所示，振動傳感器布置在圖中按數字編號給出，振動傳感器選用DH186E-IEPE壓電加速度傳感器，其靈敏度為9.97 mV/(m·s-2)，信號采集選用DH5901手持式振動測試儀。圖2中，徑向和軸向加速度傳感器分別安裝在測點1～測點6。

1-電機軸軸向；2-惰輪軸軸向；3-傳動二軸軸向；4-電機軸徑向；5-惰輪軸徑向；6-傳動二軸徑向圖2 振動傳感器布置圖Fig.2 Vibration sensor layout

3.2 采煤機搖臂齒輪傳動系統(tǒng)振動特征頻率計算

采煤機左右搖臂為對稱結構，搖臂傳動系統(tǒng)結構如圖3所示，電機轉速為1.5 kr/min。根據圖3，通過理論計算得出搖臂齒輪轉動頻率及傳動齒輪嚙合頻率,如表1所示。

圖3 采煤機搖臂齒輪傳動系統(tǒng)圖Fig.3 Shearer ranging arm gear system

齒輪代號轉動頻率/Hz嚙合頻率/Hz齒輪代號轉動頻率/Hz嚙合頻率/HzZ1525.00700.0Z2211.81189.0Z1617.95700.0Z237.88189.0Z1717.50700.0Z2400Z1817.50472.5Z252.3642.5Z1914.32472.5Z261.8542.5Z2014.32472.5Z2700Z2111.81472.5

由表1可知，該采煤機搖臂齒輪傳動系統(tǒng)中存在多個齒輪具有相同嚙合頻率的現象。因此，需要通過Morlet小波包絡解調分析得出故障齒輪轉動頻率來實現故障齒輪的準確定位。

4 采煤機搖臂齒輪傳動系統(tǒng)振源定位分析

試驗時，對某型號采煤機搖臂處于正常狀態(tài)和故障狀態(tài)的振動信號進行了采集。測試時，故障搖臂的振動噪聲很大，通過對搖臂故障狀態(tài)的各位置傳感器時域信號分析發(fā)現，惰輪軸處軸向振動信號的幅值最大，故對惰輪軸的軸向振動信號進行分析。

4.1 時域分析

時域分析主要通過同一位置搖臂實際振動測試信號與搖臂正常狀態(tài)振動信號的峰值或均方根值對比分析來對故障預判。考慮到實際工作中振動信號峰值特征存在隨機因素，筆者采用均方根值作為故障預判指標。根據對該機型搖臂惰輪軸處多次正常狀態(tài)振動信號均方根值的計算分析發(fā)現，正常狀態(tài)均方根最大不超過17.1 m/s2。

運用小波降噪方法對所采集的振動信號進行降噪，搖臂傳動系統(tǒng)正常和故障狀態(tài)降噪處理后的時域波形如圖4所示。根據圖4可知，搖臂正常狀態(tài)下振動信號的幅值最大值和均方根值分別為126.1和12.2 m/s2， 故障狀態(tài)下振動信號幅值的最大值和均方根值分別為718.9和202.9 m/s2，其時域波形均方根值遠大于正常狀態(tài)均方根值的最大值17.1 m/s2。

圖4 正常與故障搖臂惰輪軸處振動信號時域波形圖Fig.4 Idler shaft vibration signal time-domain waveform of normal and fault ranging arm

因此，通過時域分析，初步預判搖臂齒輪傳動系統(tǒng)發(fā)生了故障。

4.2 頻譜分析

為了對搖臂齒輪傳動系統(tǒng)故障部位進行定位，對采煤機正常與故障時的搖臂惰輪軸處時域信號進行FFT分析，得到正常與故障搖臂齒輪傳動系統(tǒng)的振動信號頻譜分析結果，如圖5所示。

圖5 正常與故障搖臂惰輪軸處振動信號頻譜圖Fig.5 Idler shaft vibration signal spectrogram of normal and fault ranging arm

由圖5可知，正常搖臂在945 Hz(472.5 Hz的二倍頻)處幅值為0.978 m/s2，在1 400 Hz(700 Hz的二倍頻)處幅值為0.598 1 m/s2；故障搖臂在945 Hz(472.5 Hz的二倍頻)處幅值為28.61 m/s2， 在1 418 Hz(700 Hz的二倍頻)處幅值為16.24 m/s2。據此數據和表1中理論值對比，搖臂故障部位初定為Z15,Z16,Z17,Z18,Z19,Z20和Z21。

4.3 Morlet小波包絡解調分析

圖6 正常與故障搖臂惰輪軸處振動信號解調譜Fig.6 Idler shaft vibration signal demodulation spectrogram of normal and fault ranging arm

為了進一步準確定位故障齒輪，需獲得齒輪的轉動頻率。運用Morlet小波包絡解調分析對正常和故障搖臂惰輪軸處的振動信號進行解調譜分析，得出正常與故障搖臂振動信號解調，如圖6所示。由圖可知，在轉頻17.58和34.96 Hz(17.58 Hz的二倍頻)處，正常與故障搖臂惰輪軸處振動幅值分別為0.013 17和0.160 2 m/s2;0.022 73和0.177 9 m/s2，轉動頻率為17.5 Hz處幅值提高了約12倍，即故障齒輪發(fā)生在轉動頻率為17.5 Hz的齒輪上。由表1可知，轉動頻率為17.5 Hz的齒輪為Z17和Z18，因此，判定故障發(fā)生在齒輪Z17和Z18處。

綜合頻譜分析和Morlet小波包絡解調分析結果，確定搖臂故障齒輪為Z17和Z18。據此，將Z17和Z18齒輪更換，更換后經過測試，搖臂傳動系統(tǒng)的振動和噪聲大大降低，搖臂恢復正常工作。試驗結果表明，基于小波分析、頻譜分析與Morlet小波包絡解調分析相結合的振動分析方法實現了對采煤機搖臂齒輪故障的準確定位。

5 結束語

針對采煤機搖臂齒輪傳動系統(tǒng)的結構和振動特點，提出了一種小波分析、頻譜分析與Morlet小波包絡解調分析相結合的振源定位分析方法。運用該方法對某采煤機搖臂傳動系統(tǒng)的振源部位進行了定位試驗。試驗結果表明，小波分析、頻譜分析與Morlet小波包絡解調分析相結合的振動分析方法可以實現對采煤機搖臂傳動系統(tǒng)故障部位的準確定位，對采煤機搖臂等長傳動鏈復雜齒輪傳動系統(tǒng)的現場故障診斷提供了一種新的有效手段。

[1] 胡俊，張世洪，汪崇建.采煤機故障診斷技術現狀及其發(fā)展趨勢[J].煤礦機械,2008,29(9):8-10.

Hu Jun, Zhang Shihong, Wang Chongjian. Diagnosis of shearer faults and development trend[J]. Coal Mine Machine, 2008,29(9):8-10. (in Chinese)

[2] 錢沛云，陳曦暉，胡曉，等.基于振動信號分析的采煤機搖臂軸承故障診斷研究[J].煤炭科學技術,2014,42(12):89-92.

Qian Peiyue, Chen Xihui, Hu Xiao, et al. Study on bearing fault diagnosis of ranging boom in coal shearer based on vibration signal analysis[J]. Coal Science and Technology, 2014,42(12):89-92. (in Chinese)

[3] 李舜酩,郭海東，李殿榮.振動信號處理方法綜述[J].儀器儀表學報,2013,34(8):1907-1915.

Li Shunming, Guo Haidong, Li Dianrong. Review of vibration signal processing methods[J]. Chinese Journal of Scientific Instrument, 2013,34(8):1907-1915. (in Chinese)

[4] 李輝，鄭海起，唐力偉．基于倒雙譜分析的軸承故障診斷研究[J]．振動、測試與診斷，2010，30(4) :353-356.

Li Hui, Zheng Haiqi, Tang Liwei. Application of bi-cepstrum technique to bearing fault detection[J]. Journal of Vibration, Measurement & Diagnosis, 2010,30(4):353-356. (in Chinese)

[5] 張西寧，郭金良，吳吉利.分數階域濾波在啟停車過程轉頻振動分量提取中的應用[J].西安交通大學學報,2013,47(11):92-96.

Zhang Xining, Guo Jinliang, Wu Jili. Extracting fundamental frequency during rotating machine start-up or shut-down via fractional domain filtering[J]. Journal of Xi′an Jiaotong University, 2013,47(11):92-96. (in Chinese)

[6] 陳珊珊.時域分析技術在機械設備故障診斷中的應用[J].機械傳動，2007,31(3):79-85.

Chen Shanshan. Time domain analysis technology used in diagnosis of machinery equipment fault[J]. Journal of Mechanical Transmission, 2007,31(3):79-85. (in Chinese)

[7] 羅毅，甄立敬.基于小波包與倒頻譜分析的風電機組齒輪箱齒輪裂紋診斷方法[J].振動與沖擊,2015,34(3):210-214.

Luo Yi， Zhen Lijing. Diagnosis method of turbine gearbox gearcrack based on wavelet packet and cepstrum analysis[J]. Journal of Vibration and Shock, 2015,34(3):210-214. (in Chinese)

[8] 劉然，許寶杰.基于EMD和全息譜的設備故障診斷方法研究[J]. 機械科學與技術，2011,30(11):1922-1926.

Liu Ran, Xu Baojie. The study of the equipment failure diagnosis method based on EMD and holospectrum[J]. Mechanical Science and Technology for Aerospace Engineering, 2011,30(11):1922-1926. (in Chinese)

[9] Ales B, Joze F. Determining cracks in gears using adaptive wavelet transform approach[J]. Engineering Failure Analysis, 2010,17:664-671.

[10]趙志宏，楊紹普，劉永強．多小波系數特征提取方法在故障診斷中的應用[J]．振動、測試與診斷，2015,35(2):276-280．

Zhao Zhihong, Yang Shaopu, Liu Yongqiang. Application of feature extraction method in fault diagnosis based on multi-wavelet coefficients[J]. Journal of Vibration, Measurement & Diagnosis，2015,35(2):276-280. (in Chinese)

[11]馬倫，康建設，孟妍，等.基于Morlet 小波變換的滾動軸承早期故障特征提取研究[J]. 儀器儀表學報, 2013,34(4):920-926.

Ma Lun, Kang Jianshe,Meng Yan, et al. Research on feature extraction of rolling bearing incipient fault based on Morlet wavelet transform[J]. Chinese Journal of Scientific Instrument,2013,34(4):920-926. (in Chinese)

[12]蔣永華，湯寶平，董紹江.自適應 Morlet小波降噪方法及在軸承故障特征提取中的應用[J].儀器儀表學報,2010,31(12) :2712-2717.

Jiang Yonghua， Tang Baoping， Dong Shaojiang． Denoising method based on adaptive Morlet wavelet and its application in rolling bearing fault feature extraction[J]. Chinese Journal of Scientific Instrument, 2010,31(12):2712-2717. (in Chinese)

[13]張家凡,易啟偉,李季.復解析小波變換與振動信號包絡解調分析[J].振動與沖擊,2010,29(9):93-96.

Zhang Jiafan, Yi Qiwei, Li Ji. Complex analytic wavelet transform and vibration signals envelope-demodulation analysis[J]. Journal of Vibration and Shock, 2010,29(9):93-96. (in Chinese)

[14]梁霖,徐光華.基于自適應復平移Morlet小波的軸承包絡解調分析方法[J]. 機械工程學報,2006,42(10):151-155.

Liang Lin, Xu Guanghua. Optimal envelope demodulation method based on adaptive complex shifted morlet wavelet in beafjng diagnosis[J]. Chinese Journal of Mechanical Engineering, 2006,42(10):151-155. (in Chinese)

10.16450/j.cnki.issn.1004-6801.2016.03.009

中國博士后基金資助項目(2015M582693)；陜西省博士后科研資助項目(陜人設函[2014]907號-201406)；陜西省教育廳專項科研計劃資助項目(14JK1473)

2015-09-23；

2015-12-04

TH113.1; TB52+3

毛清華，男，1984年5月生，博士、副教授。主要研究方向為采煤機械的故障診斷、信號處理和煤礦鋼芯輸送帶缺陷識別等。曾發(fā)表《改進鄰域粗糙集的輸送帶缺陷特征約簡算法》(《儀器儀表學報》2014年第7期)等論文。

E-mail:403675968@qq.com