一种采煤机摇臂齿轮故障诊断方法与流程

本发明属于故障诊断领域，具体涉及一种齿轮故障诊断方法，尤其是涉及一种采煤机摇臂齿轮故障诊断方法。

技术背景

采煤机是综采工作面的重大生产装备，智能化、信息化和高可靠性是现代采煤机发展的方向，状态监测和故障诊断是保证采煤机可靠运行的重要手段。摇臂齿轮是采煤机可靠性最薄弱的环节，摇臂齿轮故障占到总故障的34.2%，摇臂齿轮故障将导致采煤机无法正常工作，从而造成工作面停工，严重影响煤矿的正常生产。基于振动信号的摇臂齿轮故障诊断方法包括两个主要步骤，首先通过一些信号处理方法对原始振动信号进行处理并提取故障特征信息，然后通过机器学习的方法，对齿轮箱故障特征进行模式识别，达到故障诊断的目的。普遍使用的信号处理方法包括时域分析和频域分析。其中时域分析计算简单方便，但是只能分析一些平稳的简单信号，由于摇臂齿轮箱振动信号的复杂性导致时域分析并不能在该领域中直接单独使用。频域分析只能从整体层面反映信号的特征，忽略了信号的局部特征。近年来，小波变换作为一种新的时频分析方法逐渐被应用到该领域之中，通过调整尺度参数，小波分析能反映出信号的局部特征。通常小波分析主要包括多辨分析和小波包分析。其中，多辨分析只能不断的对低频信号进行分解和重构，小波包分析能对信号的高频和低频同时分析。在摇臂齿轮故障特征提取中另一个重要的步骤就是特征参数计算，通常使用的时域参数有能量系数、陡度系数和偏度系数，这些参数只能描述故障振动信号的某个方面的变化规律，单独使用在摇臂齿轮故障诊断方面不能取得很好的效果。

当前国内外学者对采煤机摇臂齿轮故障诊断领域的研究存在以下几方面不足。首先，采煤机摇臂齿轮箱是一个多级齿轮传动结构，产生的振动信号成分复杂，故障特征参量提取较为困难。其次，由于齿轮箱故障模式繁多，故障振动信号往往包含集中故障模式的混合，单一特征参量很难全面描述摇臂齿轮故障的变化规律，造成故障识别率较低。此外，故障识别模型的建立，这是实现摇臂齿轮故障诊断重要一环，目前，故障识别方法种类繁多，选择一种适用于小样本和多参量的故障识别方法是极其重要的。

技术实现要素：

本发明所要解决的技术问题是：目前采煤机摇臂齿轮故障诊断中存在故障特征信息提取困难以及故障信息单一和故障识别率低的问题。

为解决上述技术问题，本发明所采取的技术方案是：提供一种采煤机摇臂齿轮故障诊断方法，其具体是基于小波包变换和支持向量机的采煤机摇臂齿轮故障诊断方法，具体操作包括以下步骤：

（1）分别收集采煤机摇臂测点，即齿轮正常、点蚀、断齿、磨损和剥落状态下的振动信号作为参考数据，每组数据分为两部分，一部分作为支持向量机分类模型的训练样本，另一部分作为支持向量机分类模型的测试样本，并标注数据的类型和故障类型；

（2）利用小波包分解，对振动信号进行分解得到小波系数矩阵，对每一部分的小波系数进行重构，得到小波包分解后的各部分振动信号；

（3）故障特征信息提取，计算小波包分解每一部分振动时域信号能量系数、陡度系数和陡度系数，组成摇臂齿轮故障特征空间；

（4）SVM分类模型参数寻优，支持向量机故障分类模型为

其中，为分类样本数据，为分类类型，为映射函数，C为惩罚因子，b为松弛因子，利用粒子群算法计算得到SVM分类模型中映射函数γ和惩罚因子C参数；

（5）分类模型训练，利用寻优得到的映射函数γ、惩罚因子C以及训练数据对SVM分类模型进行训练，得到分类模型中的ω和b参数，最终得到SVM最优分类模型；

（6）分类模型测试，对比测试样本数据故障类型和SVM模型分类后的故障类型验证模型的准确性以及本发明的有效性。

本发明中所给出的，采煤机摇臂齿轮故障诊断方法的主要适用对象为德国艾柯夫SL 500采煤机摇臂。

本发明中所涉及的基础理论有：小波包变换、粒子群参数寻优和SVM分类原理。

1.小波包变换

小波包分解计算公式如下：

其中，为第0层小波包，为原始振动信号，为是第j层小波包分解中的第i个小波包系数，为离散低通滤波器的第k个系数，为离散高通滤波器的第k个系数。

重构算法公式如下：

式中j＝1,2...n是小波分解的层数；i＝1,2...2j，是第j 层小波包分解中的第i个小波包系数，为重构离散低通滤波器的第k个系数，为重构离散高通滤波器的第k个系数。

2.SVM分类原理

SVM的最优分类平面如下：

其中，为分类样本数据，为分类类型，为映射函数，映射函数采用径向基核函数（RBF），映射函数将非线性可分样本数据转换为线性可分的数据，RBF函数如下所示：

分类平面参数ω、b计算如下：

计算得到的最优超平面为：。

3.粒子群参数寻优

粒子群中粒子更新原理如下：

其中，k为更新次数，c₁和c₂为学习因子，分别对个体极值P_i和全局极值P_g做调整，r₁和r₂为0~1分布的随机数，ω是用来对全局搜索能力和局部搜索能力进行协调的一个参数。

从以上POS计算原理可得，c₁、c₂和ω的选择对最后的收敛精度和收敛速度起着决定性的作用，动态地调整他们的值可以调高计算的收敛精度和速度，在此采用权重计算方法对ω的选择不断调整，ω的计算如下：

其中，和惯性权重的极大值和极小值，和为最大迭代次数和当前迭代次数。

参数c₁和c₂对POS的收敛熟读和精度特别是后期的收敛速度和进度非常重要，计算公式如下

其中c_max为c₁的初始值，c_min为c₁的最终值，0＜c_min＜c_max≤4。

本发明的有益效果是：本发明中应用的小波包变换实现了对振动信号的有效分解；所确定的故障特征参量能准确全面地描述摇臂不同故障状态下振动信号的变化规律；所提出的故障诊断方法能实现摇臂齿轮故障的准确诊断，且实现方便，效果良好。

附图说明

图1为采煤机摇臂结构及振动信号测点图；

图2为采煤机摇臂齿轮故障诊断流程图；

图中：1、Ⅰ级直齿轮；2、Ⅱ级直齿轮；3、Ⅰ级行星齿轮；4、Ⅱ级行星齿轮；5、剪切轴；6截割电机；7、截割滚筒。

具体实施方式

下面结合附图对本发明进一步说明。

如图1所示，本方法的适用对象为德国艾柯夫SL 500采煤机摇臂，它包含齿轮箱、电机和滚筒，所述的齿轮箱包含Ⅰ级直齿轮1、Ⅱ级直齿轮2、Ⅰ级行星齿轮3和Ⅱ级行星齿轮4，所述的Ⅰ级直齿轮1包含齿轮Z1、Z2、Z3和Z4，齿轮Z1与截割电机6同轴连接，齿轮Z4与齿轮Z5同轴连接，齿轮Z2轴承座外壳设置有测点A；所述的Ⅱ级直齿轮2包含齿轮Z5、Z6、Z7和Z8，齿轮Z6轴承座外壳设置有测点B，齿轮Z8与Z9同轴连接，所述的Ⅰ级行星齿轮3包含齿轮Z9、Z10和Z11，齿轮Z11外壁设置有测点C，所述的Ⅱ级行星轮4包含齿轮Z12、Z13和Z14，齿轮Z14外壁设置有测点D，所述的截割滚筒7与Ⅱ级行星轮4行星架同轴相连。

如图2所示的摇臂故障诊断方法包含的步骤如下。

（1）获取摇臂齿轮箱在不同故障模式下的振动信号；

在摇臂齿轮箱运行状态下，以预先设定的采样频率和采样时间，采集不同故障模式的摇臂齿轮箱振动信号。设每种故障模式采集N组振动信号，每组振动信号具有n个采样点，振动信号的安装位置如图2所示。采用0~4来标记齿轮正常和四种不同的故障类型，其中0表示齿轮正常，1表示点蚀故障，2表示断齿故障，3表示磨损故障，4表示剥落故障。将提取的特征数据分为两类，一类是训练样本数据，这一组数据用于对分类模型进行训练，另一类样本数据为测试数据，这组数据用于对训练后的模型分类准确率进行验证。

（2）振动信号小波包分解；

首先通过小波包变换对振动信号进行分解，得到小波系数矩阵D_ij(k)；

其次，定义一个矩形滑动窗口对小波系数矩阵进行分块，这样就可以将小波系数矩阵分割为一系列的n×n方阵；其中矩形滑动窗口函数公式如下：

式中i，j为小波系数矩阵的行和列，w(i，j) 为第i，j个元素的窗函数值；

然后，对于上步所得的每一个n×n方阵计算其Frobenius 范数；这样就将小波系数矩阵转换为由F范数所组成的特征矩阵F_ij。其中F范数的公式如下：

式中X是一个n×n的方阵，tr(·) 是矩阵的迹。

（3）故障特征信息的提取；

能量计算公式：

陡度计算公式：

偏度计算公式：。

（4）SVM故障分类模型参数寻优

首先，对数据进行归一化处理；为了加快分类程序运行时的收敛速度需要对样本数据做归一化处理，将数据变换为[0~1]之间，归一化的计算公式如下：

其中，为样本数据中的最大值，为样本数据中的最小值，归一化范围最小值，一般取值为0，归一化范围最大值，一般取值为1；

其次，SVM故障识别模型中最重要的两个参数是惩罚因子C和径向核函数（RBF）中的γ参数，为了更好的确定模型的最有参数，采用了粒子群（POS）参数寻优的计算方法实现模型参数的确定。

（5）SVM分类模型训练；实现了数据的分类和归一化处理以及模型参数的确定后，就需要应用训练样本数据对模型进行训练，得到所需要的最优分类模型。

（6）SVM分类模型测试；带入预先分类好的数据对训练后的SVM分类模型进行测试，对实际类型和分类结果进行对比分析，验证分类模型的准确性。

本发明中应用的小波包变换实现了对振动信号的有效分解；所确定的故障特征参量能准确全面地描述摇臂不同故障状态下振动信号的变化规律；所提出的故障诊断方法能实现摇臂齿轮故障的准确诊断，且实现方便，效果良好。

本发明中所涉及到的对采煤机摇臂齿轮故障诊断主要是针对德国艾柯夫SL 500采煤机摇臂，但这一点只是作为本发明的主要研究对象，并不能局限了本发明可以在其他种类的采煤机上的应用。