淺析采煤機搖臂軸承故障診斷技術

劉建雄

0 前言

煤炭在我國的能源結構中占有十分重要的地位，每年都要消耗大量的煤炭，因此，礦井的生產規模越來越大，井下所采用的各種機械設備技術含量也是逐年升高，由于設備的復雜程度較高，再加上惡劣工作環境的不利影響，這就在一定程度上降低了設備平穩運行的概率。采煤機是井下煤炭開采的關鍵設備，其中綜合了機械、液壓以及電子等多種技術。采煤機的搖臂一旦發生故障就會導致整個回采作業面發生癱瘓，從而影響井下正常的生產作業。因此，要結合采煤機工作的實際情況，采取科學合理的故障診斷技術，進而確保整個生產過程的順利進行。

1 采煤機搖臂結構分析

采煤機可以分為四部分，即切割部、電動機、牽引部以及輔助裝置。其中，搖臂屬于切割部。切割部主要用于截煤和裝煤作業中，其主要組成部分有：切割電動機、搖臂減速箱、內外噴霧系統以及割煤滾筒等，采煤機搖臂輪箱可以分為行星輪減速和直齒輪減速。

2 采煤機搖臂軸承的故障特征頻率

滾動軸承是采煤機的重要組成部分，其能否正常工作對于維持采煤機的平穩運行具有十分重要的現實意義。滾動軸承主要是由保持架、滾動體、外圈、內圈以及保持架等部分組成。滾動軸承最常見的故障就是損傷類的故障，據不完全統計，采煤機軸承外圈和內圈的故障數占到軸承故障總數的90%左右。此外，還與搖臂軸承實際工作時的旋轉頻率具有較大的關系。一般情況下，如果軸承工作時的旋轉速度越快、工作時間的越長、工作環境越惡劣，軸承的故障頻率就越高。

滾動軸承的滾動體故障特征頻率fb的計算公式如下所示：

滾動軸承內圈的故障特征頻率fI的計算公式如下所示：

滾動軸承外圈的故障特征頻率fo的計算公式如下所示：

滾動軸承保持架內、外環的故障特征頻率fc的計算公式如下所示：

其中，d為滾動體的直徑大小，D為軸承節徑大小，z為滾動體的數量多少，α為接觸角大小。

3 采煤機搖臂軸承的故障特征頻率計算

雙滾筒電牽引采煤機具有兩個左右對稱的切割部，因此，其具有非常高的工作效率，同時也會增加整個切割部出現故障的概率，進而降低了工作時的穩定性。采煤機切割部的組成部分主要是由切割電動機、殼體、離合機構、減速傳動機構、切割滾筒以及冷卻噴霧裝置等6部分組成，其中，切割部與減速箱之間通過回轉銷軸進行有效的連接。

搖臂是采煤機切割部所有組成部分中最為重要的組成部分，搖臂軸承一共有7個不同的軸系，由于軸承數量較多，這就大大增加了軸承出現故障的頻率，并且每個軸承也是不盡相同的，發生故障時的振動信號特征也是不同的，為了確保每個軸承都能進行正常的工作，就要對故障軸承采取有針對性的故障診斷技術，進而確保采煤機的搖臂軸承能夠進行順利的工作。

4 采煤機搖臂軸承故障診斷技術

4.1 EEMD理論

（1）EEMD算法

EEMD算法能夠對信號進行科學合理的分解，進而能夠得到一系列從高頻到低頻的IFM之和，使得對信號進行的分解具有一定的連續性，從而能夠有效提取信號中的特征[1]。當軸承發生故障時，不同頻帶的能量所呈現出的信號變化也不盡相同。因此，能夠通過計算每層IMF的能量熵，對采煤機搖臂軸承的故障情況進行有效的判斷，進而提高了對故障的診斷效果[2]。

（2）端點效應抑制方法

為了有效提高對信號的分析質量，在采用EEMD分解方法對原信號進行處理前要對其進行合理的延拓，并對延拓之后的信號進行加余弦窗函數處理。通過處理之后，不僅能夠降低延拓所造成的不確定性，而且還能對端點效應所造成的影響進行一定的降低，進而有效地提高了信號的分解精度，為故障的診斷提供有效的數據支持。

4.2 HMM模型

HMM模型是建立在Markov鏈的基礎之上，其中，一個完整的HMM模型λ是由三個基本元素組成的，即λ=（A，B，α），A為隱狀態轉移概率分布矩陣；B為觀測值概率矩陣；α為模型的初始概率分布向量，對模型初始時刻各個隱狀態的概率進行了有效的定義。

隨著HMM被廣泛地應用于采煤機搖臂軸承的故障診斷工作中，形成了比較經典的三大算法：（1）估計，對序列所出現的概率進行科學合理的估測，一般采取由前向-后向的算法進行精確的計算；（2）解碼，求解出可能性比較大的隱藏狀態序列；（3）學習，根據給定的觀察序列，對HMM模型參數進行有針對性的調整，進而確保該觀察序列的出現概率是最大的。

在對采煤機搖臂軸承的故障診斷過程中，通過EEMD方法有效地提取出采煤機搖臂軸承振動信號的敏感特征集。首先，利用Baum-Welch算法對初始化設置的HMM型進行科學合理地有效訓練，并建立不同軸承的HMM參數模型；其次，利用Viterbi算法對推理概率進行有效的計算，根據現有的模型，計算出的輸出概率值最大的樣本故障類型也就是所要求解的模型類型。

5 實驗裝置及信號采集

通過采煤機搖臂的加載試驗臺對軸承故障的診斷方法進行科學合理的分析驗證，由于工作過程中傳感器安裝在軸向和徑向對軸承損傷的敏感程度不同，因此，要采用靈敏度較高的三軸加速度振動傳感器對搖臂軸承工作時的振動信號進行科學合理的采集。通過對搖臂的內軸承進行有效的更換，進而模擬出正常軸承、內圈點蝕故障、外圈點蝕故障以及滾動體點蝕故障[3]。

根據對3個方向信號進行一定的分析可知，相較于軸向Z和切向Y，徑向X所采集到的軸承故障信號所具有的峭度值更大，并且信號中所含有的沖擊成分更多。為了提高對信號的處理精度，要選擇在X方向上采集到的信號作為研究對象，通過對振動信號進行科學合理的分析，沒有發現比較明顯的規律，也就無法對故障類型進行準確的分析。對每組不同類型的軸承采集100組不同的數據樣本，采樣頻率為10 kHz。

6 軸承振動信號分析

采用EEMD和HMM診斷技術對采煤機搖臂軸承故障信號進行系統全面的分析。首先，要對所采集的信號兩端進行極值點對稱延拓，并對延拓處理后的信號進行余弦窗函數處理，最后對其進行EEMD分解。在進行分解的過程中，高斯白噪聲幅度設置為0.01，循環次數設置為100。對內圈點蝕故障信號進行分析，一共分解出了11個IMF和余量r[4-6]。

去掉經EEMD處理得到的每個IMF延拓部分，能夠得到與原信號序列長度相一致的一組IMF。對采集到的軸承信號按照上述的處理方法進行處理，并分別求出IMF分量所對應的能量熵，再對其進行歸一化處理。

利用HMM對軸承故障類型進行診斷分辨，根據故障類型建立對應的HMM狀態識別模型，HMM對采煤機搖臂軸承故障的正確識別率高達90%以上。

7 結語

總而言之，為了提高對采煤機搖臂軸承故障的診斷質量，就要對采煤機的實際工作狀況進行系統全面的分析，進而優選適宜的診斷技術，確保能夠及時地將搖臂故障予以排除。本文對采煤機搖臂軸承故障診斷技術進行了比較深入的分析研究，對于從事相關工作的技術人員具有一定的借鑒意義，進而為采煤機搖臂的正常工作提供可靠的保障。

參考文獻：

［1］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（12）：89-92.

［2］郝尚清，龐新宇，王雪松，等.基于盲源分離的采煤機搖臂軸承故障診斷方法［J］.煤炭學報，2015（11）：2509-2513.

［3］呂棟鴻.基于雙樹復小波變換和奇異譜熵的采煤機搖臂軸承故障診斷［J］.山東煤炭科技，2015（10）：103-105.

［4］張建峰，王志華.基于EEMD降噪和HMM的采煤機搖臂滾動軸承故障診斷［J］.煤礦機械，2016（01）：205-207.

［5］林思苗，張艷榮，郭麗萍.改進WMRA在滾動軸承故障診斷研究中的應用［J］.機電工程，2017，34 （11）：1255-1258.

［6］王行剛.基于改進EEMD和HMM的采煤機搖臂軸承故障診斷［J］.工礦自動化，2016（09）：48-53.