煤矿用带式输送机减速器故障诊断方法研究

摘要：简述了研究故障诊断方法的重要性，阐述了在带式输送机减速器状态信号分解、减速器故障诊断等方面，煤矿用带式输送机减速器故障诊断方法。采用实物和对比测试方法，对本文所述故障诊断方法进行故障诊断效果测试。测试结果表明，本文设计的煤矿用带式输送机减速器故障诊断方法，能够为该减速器的故障诊断提供有效依据。

关键词：煤矿设备；带式输送机；减速器故障；诊断方法

0 引言

煤矿用带式输送机工作环境较差、运行工况复杂多变，造成其各部位零部件特别是减速器在作业过程中不断磨损、技术性能不断衰退[1]。通过对减速器故障部件进行分析发现，其齿轮是磨损较快的关键零件，占减速器故障的比例达到60%以上[2]。在故障发生前通过有效诊断及时发现减速器异常情况，并结合诊断结果采取有针对性的处理措施，可在很大程度上保障带式输送机的正常运行[3]。

1 研究故障诊断方法的重要性

煤矿设备在煤矿生产中发挥着重要作用，一旦煤矿设备发生故障，就可能造成严重后果[4]。现阶段，带式输送机在煤矿开采生产中的应用较为广泛，减速器作为带式输送机最重要的组成部分之一，其性能直接关系到生产效率和生产安全[5]。为了及时判断带式输送机减速器是否存在故障，应采取有效诊断方法。准确判断减速器关键零部件的运行状态，掌握其原始状态信息，对故障作出明确诊断，对煤炭生产具有至关重要的现实意义[6]。目前由于缺乏对带式输送机减速器原始状态信号的综合分析，导致其故障诊断结果的误差较大[7]。为此开展煤矿用带式输送机减速器故障诊断方法研究十分重要。

2 带式输送机减速器故障诊断方法

2.1 原始状态信号预处理机理

煤矿用带式输送机减速器的状态信号构成较为复杂，因此在开展减速器故障诊断之前，首先采用变分模态分解算法，对其原始状态信号进行预处理[8]。在对带式输送机减速器原始状态信号进行预处理过程中，主要通过维纳滤波、频率混合和希尔伯特变换的方式，将各个模态的带宽问题加以分解，使其以多个约束问题形式存在。在完成带式输送机减速器状态信号预处理的基础上，通过迭代求解的方式，得到减速器状态信号中心频率的最优解参数，将其作为分解结果。需要注意的是，对带式输送机减速器原始状态信号进行预处理的最终目标，是将信号f（t）分解成k个固有模态分量，并保证分解后固有模态分量的总带宽之和保持最小状态。

2.2 原始状态信号分解

先对带式输送机减速器的原始状态信号进行希尔伯特变换处理，得到各个固有模态分量的解析信号。其对应的单边频谱可以表示为：

ƒi（t）=[δ（t）+j/πt]×uk（t） （1）

式（1）中：ƒi（t）表示带式输送机减速器的原始状态信号，是信号ƒ（t）经希尔伯特变换处理后得到的固有模态分量的解析信号；δ（t）表示由高斯平滑指标计算得到的调制信号梯度参数；j表示二次惩罚因子；uk（t）表示变分约束方程转变为非约束性变分方程过程的限制参数。

需注意，进行非负频率内对半空间积分方程分解处理时，需要同时配合进行二次优化处理。基于埃尔米特信号具有对称属性特征，可借助带宽之和最小的约束条件，将等距变换转换到频域范围之内。

按照上述方式，实现对带式输送机减速器原始状态信号的分解处理，为后续带式输送机减速器故障诊断提供可靠的执行基础，最大限度地降低诊断结果的误差。

2.3 减速器故障诊断

2.3.1 提取故障特征信息

根据对煤矿用带式输送机减速器状态信号分解结果，在进行减速器故障诊断的过程中，引入多通道融合层结构，借助CNN卷积神经网络的卷积层，实现对分解后信号的特征加以提取，并利用多通道卷积层，实现对原始振动信号的故障特征信息的自动挖掘，将其作为减速器故障诊断的执行基础。

在执行减速器故障诊断的过程中，将带式输送机减速器状态信号分解得到不同方向的一维信号，作为多通道卷积层的输入信号，并建立其与多通道卷积核之间的对应关系。在此基础上，用不同的卷积分别在各通道，对带式输送机减速器状态信号分解数据进行卷积操作。

此时数据层将同步时序信号进行融合处理。其中在多通道卷积层中，具体的神经元对带式输送机减速器状态信号分解结果的计算方式如下：

Xl=∑im=1ƒi（∑xijl-1×wijl-1）×bil-1 （2）

式（2）中：Xl表示CNN网络第l层卷积层输出的带式输送机减速器状态信号分解数据卷积结果；xijl-1表示在CNN网络第l-1层卷积层中，j通道对ƒi（t）固有模态分量解析信号特征的提取结果；wijl-1表示在CNN网络第l-1层卷积层中，j通道卷积核的大小；bil-1表示在CNN网络第l-1层卷积层中，j通道偏移量大小。

2.3.2 提取故障诊断结果

按照式（2）所示的方式，借助CNN网络的卷积层，实现对带式输送机减速器状态分解后信号特征的全面提取，以保障后续故障诊断的可靠性。

结合带式输送机减速器状态分解后信号特征提取结果，在对该减速器进行故障诊断时，主要通过匹配特征与对应故障特征之间的拟合情况来实现，其计算公式如下：

g（x）=sim[Xl→G（x）] （3）

式（3）中：g（x）表示带式输送机减速器故障诊断结果，Xl表示带式输送机减速器故障及特征，G（x）表示带式输送机减速器故障及特征构成的集合。

按照式（3）所示的方式，将带式输送机减速器状态分解后信号特征拟合度最高的故障作为诊断结果，由此可实现对煤矿用带式输送机减速器故障的精准诊断，最大限度降低诊断结果的误差。

3 诊断效果测试

3.1 测试方法

3.1.1 减速器结构

对本文上述煤矿用带式输送机减速器故障诊断方法的应用效果实施诊断测试。选择对比测试方法，以某台正在运行的煤矿用带式输送机为基础开展诊断测试。该煤矿用带式输送机实物如图1所示，其减速器实物如图2所示。图2中，煤矿用带式输送机采用的是行星式摆线针轮减速器。该减速器的主要结构包括12个中心齿轮、36个行星齿轮、39个摆线轮和40个针轮。

该行星式摆线针轮减速器运行过程中，各个齿轮传动频率之间具有一定的关系。当该减速器处于正常运行状态时，中心齿轮的传动频率与转速直接相关，其传动频率为转速的1/60。行星齿轮传动频率为中心齿轮传动频率的11.9倍，摆线轮传动频率为中心齿轮传动频率的8.26倍，针轮传动频率为中心齿轮传动频率的8.33倍。

3.1.2 设置故障类型

该测试设置的故障类型为齿轮的偏心度。为了客观地对本文所述诊断方法的诊断效果作出客观评价，分别设置文献[3]提出的以阶次跟踪分析为基础的故障诊断方法（诊断方法1），以及文献[4]提出的以MCSA和Fisher-SAE为基础的故障诊断方法（诊断方法2），作为诊断测试的对照组。

3.2  测试结果与分析

3.2.1 测试结果

本文分别对齿轮的偏心度进行差异化设置，按照上述3种不同的诊断方法对该减速器实施测试，得出了该减速器齿轮的偏心度故障的诊断结果。不同诊断方法的故障诊断结果如表1所示。

3.2.2 测试结果分析

由表1可知，采用3种不同的诊断方法对该减速器齿轮偏心度进行诊断，诊断结果出现了明显差异。其中采用阶次跟踪分析诊断方法（诊断方法1），对该减速器齿轮偏心度诊断结果的误差波动较大，最大值达到了0.14mm。采用MCSA和Fisher-SAE诊断方法（诊断方法2），虽然诊断误差始终稳定在0.10mm范围以内，但是整体数值偏高，难以满足高精度的诊断需求。

相比之下，在本文所述诊断方法，对该减速器齿轮偏心度的诊断误差始终稳定在0.03mm以内，表现出了较高的准确性。以最大误差值为基础，对这3种诊断方法进行比较。本文所述诊断方法比诊断方法1的诊断误差低0.11mm，比诊断方法2的诊断误差低0.07mm，其故障诊断优势明显。由此可以得出结论：本文设计的煤矿用带式输送机减速器故障诊断方法，能够为该减速器的故障诊断提供有价值的参考。

4 结束语

为了最大限度地避免煤矿设备发生故障，降低煤矿设备故障带来的损失，本文以煤矿用带式输送机减速器为研究对象，提出一种减速器故障诊断方法。通过运用不同的故障诊断方法比较故障诊断效果，验证了本文所述故障诊断方法优于其他故障诊断方法。希望本文研究的煤矿用带式输送机减速器故障诊断方法，能够对煤矿设备的安全、正常运行起到促进作用。

参考文献

[1] 徐天贇，周俊.基于信息熵和VMD的RV减速器行星轮故障分析[J].噪声与振动控制，2023，43（1）：122-127+190.

[2] 蔺梦雄，王爽，韦克吉，等.阶次跟踪与改进小波阈值降噪的RV减速器故障诊断[J].制造技术与机床，2022（11）：9-14.

[3] 蔺梦雄，张向慧，姚良博，等.阶次跟踪分析方法在机器人用精密减速器摆动疲劳试验故障诊断中的应用[J].机械传动，2022，46（10）：156-162.

[4] 张兹勤，王贵勇，刘韬.基于MCSA和Fisher-SAE的RV减速器故障特征提取研究[J].机电工程， 2022，39（7）： 903-910.

[5] 庞涛，黄浩奇，邱雪芳，等.基于MFCC和SVM的起重机减速器故障诊断系统研究[J].自动化与仪器仪表， 2022（6）：70-74.

[6] 刘永明，叶国文，赵转哲，等.基于EEMD-PSO-ELM的RV减速器故障诊断模型[J].计算机集成制造系统， 2023，29（1）：224-235.

[7] 张凯，狄超群，林方军，等.基于Abaqus的车桥减速器漏油故障分析及设计优化[J].汽车工艺师，2021（12）： 50-51.

[8] 溥江，赵鑫，张秀华.基于动力学模型的少齿差行星轮减速器断齿点蚀故障分析[J].组合机床与自动化加工技术，2020（11）：28-32.