李鑫

摘要：眾所周知，采煤機(jī)對(duì)月采煤的重要性。采煤機(jī)是煤礦井下最重要的綜采設(shè)備之一，搖臂屬于采煤機(jī)的截割部，是采煤機(jī)的重要組成部分，同時(shí)也是采煤機(jī)最易發(fā)生故障的部位，搖臂故障占采煤機(jī)故障的30%-40%。電牽引采煤機(jī)搖臂主要由齒輪、軸、軸承和箱體等組成，搖臂中一般有7個(gè)軸系，每個(gè)軸系都需要軸承的支撐，另外行星輪和行星架中也用到軸承。因此，對(duì)采煤機(jī)搖臂軸承的故障診斷進(jìn)行研究具有重要的意義。

關(guān)鍵詞：采煤機(jī)；搖臂軸承；故障診斷

引言

為了有效提高采煤機(jī)的故障診斷效率，就要采取適宜的診斷技術(shù)，進(jìn)而為采煤機(jī)搖臂的正常工作提供可靠的保障。對(duì)采煤機(jī)搖臂的結(jié)構(gòu)、搖臂軸承的故障特征頻率和計(jì)算進(jìn)行了比較詳細(xì)的介紹，提出了采煤機(jī)搖臂軸承故障診斷技術(shù)。

一、采煤機(jī)搖臂結(jié)構(gòu)分析

采煤機(jī)可以分為四部分，即切割部、電動(dòng)機(jī)、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(yè)中，其主要組成部分有：切割電動(dòng)機(jī)、搖臂減速箱、內(nèi)外噴霧系統(tǒng)以及割煤滾筒等，采煤機(jī)搖臂輪箱可以分為行星輪減速和直齒輪減速。

二、采煤機(jī)搖臂軸承的故障特征頻率

三、采煤機(jī)搖臂軸承的故障特征頻率計(jì)算

雙滾筒電牽引采煤機(jī)具有兩個(gè)左右對(duì)稱的切割部，因此，其具有非常高的工作效率，同時(shí)也會(huì)增加整個(gè)切割部出現(xiàn)故障的概率，進(jìn)而降低了工作時(shí)的穩(wěn)定性。采煤機(jī)切割部的組成部分主要是由切割電動(dòng)機(jī)、殼體、離合機(jī)構(gòu)、減速傳動(dòng)機(jī)構(gòu)、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(guò)回轉(zhuǎn)銷軸進(jìn)行有效的連接。搖臂是采煤機(jī)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(gè)不同的軸系，由于軸承數(shù)量較多，這就大大增加了軸承出現(xiàn)故障的頻率，并且每個(gè)軸承也是不盡相同的，發(fā)生故障時(shí)的振動(dòng)信號(hào)特征也是不同的，為了確保每個(gè)軸承都能進(jìn)行正常的工作，就要對(duì)故障軸承采取有針對(duì)性的故障診斷技術(shù)，進(jìn)而確保采煤機(jī)的搖臂軸承能夠進(jìn)行順利的工作。

四、采煤機(jī)搖臂軸承故障診斷技術(shù)

（一）EEMD理論

1.EEMD算法

EEMD算法能夠?qū)π盘?hào)進(jìn)行科學(xué)合理的分解，進(jìn)而能夠得到一系列從高頻到低頻的IFM之和，使得對(duì)信號(hào)進(jìn)行的分解具有一定的連續(xù)性，從而能夠有效提取信號(hào)中的特征。當(dāng)軸承發(fā)生故障時(shí)，不同頻帶的能量所呈現(xiàn)出的信號(hào)變化也不盡相同。因此，能夠通過(guò)計(jì)算每層IMF的能量熵，對(duì)采煤機(jī)搖臂軸承的故障情況進(jìn)行有效的判斷，進(jìn)而提高了對(duì)故障的診斷效果。

2.端點(diǎn)效應(yīng)抑制方法

為了有效提高對(duì)信號(hào)的分析質(zhì)量，在采用EEMD分解方法對(duì)原信號(hào)進(jìn)行處理前要對(duì)其進(jìn)行合理的延拓，并對(duì)延拓之后的信號(hào)進(jìn)行加余弦窗函數(shù)處理。通過(guò)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(duì)端點(diǎn)效應(yīng)所造成的影響進(jìn)行一定的降低，進(jìn)而有效地提高了信號(hào)的分解精度，為故障的診斷提供有效的數(shù)據(jù)支持。

（二）HMM模型

HMM模型是建立在Markov鏈的基礎(chǔ)之上，其中，一個(gè)完整的HMM模型λ是由三個(gè)基本元素組成的，即λ=（A，B，α），A為隱狀態(tài)轉(zhuǎn)移概率分布矩陣；B為觀測(cè)值概率矩陣；α為模型的初始概率分布向量，對(duì)模型初始時(shí)刻各個(gè)隱狀態(tài)的概率進(jìn)行了有效的定義。隨著HMM被廣泛地應(yīng)用于采煤機(jī)搖臂軸承的故障診斷工作中，形成了比較經(jīng)典的三大算法：（1）估計(jì)，對(duì)序列所出現(xiàn)的概率進(jìn)行科學(xué)合理的估測(cè)，一般采取由前向-后向的算法進(jìn)行精確的計(jì)算；（2）解碼，求解出可能性比較大的隱藏狀態(tài)序列；（3）學(xué)習(xí)，根據(jù)給定的觀察序列，對(duì)HMM模型參數(shù)進(jìn)行有針對(duì)性的調(diào)整，進(jìn)而確保該觀察序列的出現(xiàn)概率是最大的。在對(duì)采煤機(jī)搖臂軸承的故障診斷過(guò)程中，通過(guò)EEMD方法有效地提取出采煤機(jī)搖臂軸承振動(dòng)信號(hào)的敏感特征集。首先，利用Baum-Welch算法對(duì)初始化設(shè)置的HMM型進(jìn)行科學(xué)合理地有效訓(xùn)練，并建立不同軸承的HMM參數(shù)模型；其次，利用Viterbi算法對(duì)推理概率進(jìn)行有效的計(jì)算，根據(jù)現(xiàn)有的模型，計(jì)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。

五、軸承振動(dòng)信號(hào)分析

采用EEMD和HMM診斷技術(shù)對(duì)采煤機(jī)搖臂軸承故障信號(hào)進(jìn)行系統(tǒng)全面的分析。首先，要對(duì)所采集的信號(hào)兩端進(jìn)行極值點(diǎn)對(duì)稱延拓，并對(duì)延拓處理后的信號(hào)進(jìn)行余弦窗函數(shù)處理，最后對(duì)其進(jìn)行EEMD分解。在進(jìn)行分解的過(guò)程中，高斯白噪聲幅度設(shè)置為0.01，循環(huán)次數(shù)設(shè)置為100。對(duì)內(nèi)圈點(diǎn)蝕故障信號(hào)進(jìn)行分析，一共分解出了11個(gè)IMF和余量r。去掉經(jīng)EEMD處理得到的每個(gè)IMF延拓部分，能夠得到與原信號(hào)序列長(zhǎng)度相一致的一組IMF。對(duì)采集到的軸承信號(hào)按照上述的處理方法進(jìn)行處理，并分別求出IMF分量所對(duì)應(yīng)的能量熵，再對(duì)其進(jìn)行歸一化處理。利用HMM對(duì)軸承故障類型進(jìn)行診斷分辨，根據(jù)故障類型建立對(duì)應(yīng)的HMM狀態(tài)識(shí)別模型，HMM對(duì)采煤機(jī)搖臂軸承故障的正確識(shí)別率高達(dá)90%以上。

結(jié)語(yǔ)

總之，以上就是我個(gè)人見(jiàn)解。為了提高對(duì)采煤機(jī)搖臂軸承故障的診斷質(zhì)量，就要對(duì)采煤機(jī)的實(shí)際工作狀況進(jìn)行系統(tǒng)全面的分析，進(jìn)而優(yōu)選適宜的診斷技術(shù)，確保能夠及時(shí)地將搖臂故障予以排除。

參考文獻(xiàn)：

[1]錢沛云，基于振動(dòng)信號(hào)分析的采煤機(jī)搖臂軸承故障診斷研究[J].煤炭科學(xué)技術(shù)，2014（12）：89-92

[2]郝尚清，基于盲源分離的采煤機(jī)搖臂軸承故障診斷方法[J].煤炭學(xué)報(bào)，2015（11）：2509-2513