矿用采煤机故障诊断系统的设计

1、    矿用采煤机故障诊断系统的设计    段宇摘要：本文主要针对截割部传动部分开展研究，从故障信号问题出发，着重对截割部传动齿轮部分故障信号进行分析，最后采用dsp平台对采煤机的潜在故障问题进行实时监测，并完成故障诊断分析与预测。关键词：采煤机；dsp；信息融合；故障诊断：td421.6 ：a ：1007-9416（2017）07-0182-021 采煤机截割部介绍1.1 概述采煤机的截割部是用来进行破煤和装煤工作的重要机构，采煤机在作业情况下，它的截割部受力最大，受力的变化区间也是最大的，同时功率的消耗也是最大的，大概占用了装机功率的80-90%，所

2、以在进行截割部传动装置设计时要保证装置的强度、刚度高的同时保证设备的可靠性以及传动效率。本文研究工作主要依据太重煤机最大装机功率设备，因此有必要对截割部相关构成与工作原理进行研究。1.2 故障主要表现形式大型的电牵引采煤机主要由截割部、牵引部、破碎机构、行走部和控制系统组成，它是一个多电机配置结构，其中截割部分为左截割部和右截割部两部分、牵引部分为左牵引部和右牵引部两部分，通过对各部分结构进行分析，综合了运行信号的多方面的特点，我们将故障的类别分为以下几点：（1）传动齿轮的齿形误差。齿形误差主要由三个阶段造成，第一阶段是齿轮产品制造不合格，第二阶段是安装过程中齿形损伤，第三阶段是使用阶段产生的

3、误差也是最为严重的误差阶段，齿形的误差会导致齿形在运行过程中偏离理想的线路。对于齿形误差的监测，我们可以通过对采集信号进行分析，通过判断它的固有频率的变化判断齿形是否发生误差。（2）傳动齿轮均匀磨损。随着开采设备的投入运行，采煤机的截割部损伤最为严重，它的传动齿轮会随着设备的使用时间磨损睁大，它的磨损原因主要有两个，一个是设备中的不明颗粒造成的磨损，一个是矿井中的腐蚀杂质造成的磨损。（3）传动齿轮断齿。传动齿轮断齿是最严重的设备故障，它是指齿轮在运行中出现折断问题，严重时会造成整个设备的瘫痪。（4）综采设备共振。综采设备共振发生在采煤层密度不均匀时，导致在设备运行过程中设备发生不均匀的振动，降

4、低开采设备的工作效率。（5）传动轴弯曲。传动轴弯曲主要引起原因是齿轮轴受力不均造成，发生在齿轮轴的设计、安装、运行过程中。（6）传动轴不平衡。传动轴不平衡主要引起原因是设备出现离心现象，发生在传动轴的设计、安装、运行过程中。（7）传动轴轴向窜动。传动轴轴向窜动主要产生原因是因为设备运行中齿轮轴没有进行轴向的锁定，因此会导致齿轮轴受力不均匀，最终发生轴向窜动现象。（8）轴承疲劳剥落和点蚀。轴承疲劳剥落和点蚀产生的原因是因为轴承两端在设备运行时受到不同程度的冲击力而造成的现象。1.3 故障特征值提取本文我们主要从常见的齿轮故障中选取最为重要的5种故障类型进行分析验证。首先我们要对齿轮传动系统进行信

5、号采集，通过对采集的信号进行预处理，分析它们的时域频域，然后提取它们信号的特征值用来进行诊断分析。因为不同的故障类型它的特征值是不同的，因此为了有效的区分故障类型，我们将bp神经网络引入对故障进行局部判断，它的主要运行流程如下：首先我们通过实验台采集齿轮箱的振动信号；由于信号中可能掺杂许多冗余信息，因此要进行信号的预处理；在信号预处理之后为了有效分析故障类型进行信号的特征值提取，同时进行归一化处理；最后通过bp神经网络对归一化处理之后的特征向量进行决策，同时为有效避免冗余，提高决策效率，对上述决策结果进行数据融合，进行最终的决策与判断。其中信号预处理阶段是为了有效避免采集信号受到外界的干扰，对

6、噪声进行提前的去除，提高信号的纯净程度，降低对决策结果的影响，对于信号预处理方法一般采用低通fir滤波和fft频谱变换分析。2 bp神经网络上一章节我们提到采用bp神经网络进行故障信号的分类识别，它的具体定义以及分类流程如下：bp神经网络其网络结构由3个模块组成，包括输入层、输出层、隐含层（一层或几层），它是一种多层次的反馈神经网络，主要采取误差反向传播算法进行训练，它的权值和阈值需要不断的迭代才能确定，在进行神经网络训练时，我们要保证最后的误差以及误差平方最小，这样我们才能完成训练样本的学习，成果进行分类。3 信息融合基本理论信息融合又称为数据融合，它是将多种决策信息通过融合得出最为可靠的结

7、果。整个信息融合过程包含多个方面，首先要将多个传感器对于同一监测点的数据进行读取统计，其次对冗余数据进行一定的处理，然后将预处理后的数据进行多传感器数据融合，最终将结果输出，整个信息融合过程如图1所示。因为我们监测到的数据大部分是非电量的模拟信号，因此在进行数据融合过程中还需要增加a/d转换过程，将模拟信号转换为可用的数字信号。4 总体设计本文设计的故障诊断系统，它的基本工作流程如下，首先利用传感器完成信号的采集，然后利用a/d转换模块对采集的信号进行数模转换，转换后的信号进行滤波预处理，同时采取bp神经网络对预处理后的信号进行数据融合，并通过通信接口将最终故障信号传输至服务端，实时监控齿轮传动机构的故障状态。5 结语本文从采煤机故障诊断问题作为研究切入点，采用bp神经网络进行故障诊断结果的数据融合，为本文设计故障诊断系统提供决策理论依据，同时本文采用dsp技术，并集成了数据采集、a/d转换、通信模块、存储模块等相关模块成功搭建了智能故障诊断系统，并经过齿轮传动试验台对系统性能进行测试分析，试验结果表明本文设计系统能够有效实现对采煤机故障诊断的预测。参考文献1张建文，丁恩杰