礦用采煤機故障診斷系統的設計

段宇

摘要：本文主要針對截割部傳動部分開展研究，從故障信號問題出發，著重對截割部傳動齒輪部分故障信號進行分析，最后采用DSP平臺對采煤機的潛在故障問題進行實時監測，并完成故障診斷分析與預測。

關鍵詞：采煤機；DSP；信息融合；故障診斷

中圖分類號：TD421.6 文獻標識碼：A 文章編號：1007-9416（2017）07-0182-02

1 采煤機截割部介紹

1.1 概述

采煤機的截割部是用來進行破煤和裝煤工作的重要機構，采煤機在作業情況下，它的截割部受力最大，受力的變化區間也是最大的，同時功率的消耗也是最大的，大概占用了裝機功率的80-90%，所以在進行截割部傳動裝置設計時要保證裝置的強度、剛度高的同時保證設備的可靠性以及傳動效率。本文研究工作主要依據太重煤機最大裝機功率設備，因此有必要對截割部相關構成與工作原理進行研究。

1.2 故障主要表現形式

大型的電牽引采煤機主要由截割部、牽引部、破碎機構、行走部和控制系統組成，它是一個多電機配置結構，其中截割部分為左截割部和右截割部兩部分、牽引部分為左牽引部和右牽引部兩部分，通過對各部分結構進行分析，綜合了運行信號的多方面的特點，我們將故障的類別分為以下幾點：

（1）傳動齒輪的齒形誤差。齒形誤差主要由三個階段造成，第一階段是齒輪產品制造不合格，第二階段是安裝過程中齒形損傷，第三階段是使用階段產生的誤差也是最為嚴重的誤差階段，齒形的誤差會導致齒形在運行過程中偏離理想的線路。對于齒形誤差的監測，我們可以通過對采集信號進行分析，通過判斷它的固有頻率的變化判斷齒形是否發生誤差。

（2）傳動齒輪均勻磨損。隨著開采設備的投入運行，采煤機的截割部損傷最為嚴重，它的傳動齒輪會隨著設備的使用時間磨損睜大，它的磨損原因主要有兩個，一個是設備中的不明顆粒造成的磨損，一個是礦井中的腐蝕雜質造成的磨損。

（3）傳動齒輪斷齒。傳動齒輪斷齒是最嚴重的設備故障，它是指齒輪在運行中出現折斷問題，嚴重時會造成整個設備的癱瘓。

（4）綜采設備共振。綜采設備共振發生在采煤層密度不均勻時，導致在設備運行過程中設備發生不均勻的振動，降低開采設備的工作效率。

（5）傳動軸彎曲。傳動軸彎曲主要引起原因是齒輪軸受力不均造成，發生在齒輪軸的設計、安裝、運行過程中。

（6）傳動軸不平衡。傳動軸不平衡主要引起原因是設備出現離心現象，發生在傳動軸的設計、安裝、運行過程中。

（7）傳動軸軸向竄動。傳動軸軸向竄動主要產生原因是因為設備運行中齒輪軸沒有進行軸向的鎖定，因此會導致齒輪軸受力不均勻，最終發生軸向竄動現象。

（8）軸承疲勞剝落和點蝕。軸承疲勞剝落和點蝕產生的原因是因為軸承兩端在設備運行時受到不同程度的沖擊力而造成的現象。

1.3 故障特征值提取

本文我們主要從常見的齒輪故障中選取最為重要的5種故障類型進行分析驗證。首先我們要對齒輪傳動系統進行信號采集，通過對采集的信號進行預處理，分析它們的時域頻域，然后提取它們信號的特征值用來進行診斷分析。因為不同的故障類型它的特征值是不同的，因此為了有效的區分故障類型，我們將BP神經網絡引入對故障進行局部判斷，它的主要運行流程如下：

首先我們通過實驗臺采集齒輪箱的振動信號；由于信號中可能摻雜許多冗余信息，因此要進行信號的預處理；在信號預處理之后為了有效分析故障類型進行信號的特征值提取，同時進行歸一化處理；最后通過BP神經網絡對歸一化處理之后的特征向量進行決策，同時為有效避免冗余，提高決策效率，對上述決策結果進行數據融合，進行最終的決策與判斷。其中信號預處理階段是為了有效避免采集信號受到外界的干擾，對噪聲進行提前的去除，提高信號的純凈程度，降低對決策結果的影響，對于信號預處理方法一般采用低通FIR濾波和FFT頻譜變換分析。

2 BP神經網絡

上一章節我們提到采用BP神經網絡進行故障信號的分類識別，它的具體定義以及分類流程如下：

BP神經網絡其網絡結構由3個模塊組成，包括輸入層、輸出層、隱含層（一層或幾層），它是一種多層次的反饋神經網絡，主要采取誤差反向傳播算法進行訓練，它的權值和閾值需要不斷的迭代才能確定，在進行神經網絡訓練時，我們要保證最后的誤差以及誤差平方最小，這樣我們才能完成訓練樣本的學習，成果進行分類。

3 信息融合基本理論

信息融合又稱為數據融合，它是將多種決策信息通過融合得出最為可靠的結果。整個信息融合過程包含多個方面，首先要將多個傳感器對于同一監測點的數據進行讀取統計，其次對冗余數據進行一定的處理，然后將預處理后的數據進行多傳感器數據融合，最終將結果輸出，整個信息融合過程如圖1所示。因為我們監測到的數據大部分是非電量的模擬信號，因此在進行數據融合過程中還需要增加A/D轉換過程，將模擬信號轉換為可用的數字信號。

4 總體設計

本文設計的故障診斷系統，它的基本工作流程如下，首先利用傳感器完成信號的采集，然后利用A/D轉換模塊對采集的信號進行數模轉換，轉換后的信號進行濾波預處理，同時采取BP神經網絡對預處理后的信號進行數據融合，并通過通信接口將最終故障信號傳輸至服務端，實時監控齒輪傳動機構的故障狀態。

5 結語

本文從采煤機故障診斷問題作為研究切入點，采用BP神經網絡進行故障診斷結果的數據融合，為本文設計故障診斷系統提供決策理論依據，同時本文采用DSP技術，并集成了數據采集、A/D轉換、通信模塊、存儲模塊等相關模塊成功搭建了智能故障診斷系統，并經過齒輪傳動試驗臺對系統性能進行測試分析，試驗結果表明本文設計系統能夠有效實現對采煤機故障診斷的預測。

參考文獻

[1]張建文，丁恩杰，譚得健.國產電牽引采煤機工況監測和故障診斷技術的發展現狀與前景[J].煤礦機電，2000，5：111-114.

[2]丁玉蘭，石來德.機械設備故障診斷技術[M].上海：上海科學技術文獻出版社，1994：2-10.endprint