尹玉璽，周常飛，史春祥，徐衛(wèi)鵬，慕 杰，許志鵬

(1.煤炭科學(xué)研究總院，北京 100013；2.天地上海采掘裝備科技有限公司，上海 201400)

采煤機作為煤炭開采的基礎(chǔ)設(shè)備，其工作環(huán)境常伴隨著粉塵、腐蝕、高溫高濕、地下水滲淋以及隨機性的基礎(chǔ)激勵和煤巖沖擊等因素，以目前煤礦廣泛采用的電牽引滾筒式采煤機為例，截割部是采煤機最主要的故障源，而其中搖臂齒輪箱故障占截割部機械故障的76.27%[1]。且在開采作業(yè)時與液壓支架、刮板輸送機及其他輔助采煤設(shè)備配套使用，周圍環(huán)境對其故障信號采集干擾極大，原始信號信噪比極低，因此如何高效、精確、智能地識別其健康狀態(tài)是智能采煤系統(tǒng)和智能化采煤機發(fā)展的關(guān)鍵問題。

為促進采煤機搖臂齒輪箱故障診斷技術(shù)的進一步發(fā)展，加快智能化采煤機研制步伐，推進煤炭智能化開采目標(biāo)建設(shè)，本文綜述了采煤機搖臂齒輪箱故障機理和故障診斷技術(shù)研究現(xiàn)狀，分析了現(xiàn)有診斷技術(shù)的不足，并對后續(xù)發(fā)展方向進行了展望，以期為發(fā)展先進采煤機故障診斷技術(shù)提供借鑒和參考。

1 搖臂齒輪箱故障診斷概述

故障診斷以設(shè)備運行狀態(tài)信息為抓手對設(shè)備進行狀態(tài)監(jiān)測、故障識別和趨勢預(yù)測。目前應(yīng)用于采煤機搖臂齒輪箱的故障診斷方法主要包括故障機理分析及基于油液分析和溫度監(jiān)測的傳統(tǒng)故障診斷方法、基于信號處理的故障診斷方法和基于數(shù)據(jù)驅(qū)動的機器學(xué)習(xí)智能故障診斷方法。故障機理分析可揭示搖臂齒輪箱內(nèi)部元件的相互作用機制和內(nèi)部故障與外部響應(yīng)間的對應(yīng)關(guān)系，為故障診斷方法提供理論依據(jù)，在具體診斷工作中，各診斷方法可相互獨立工作完成診斷，亦可互相組合以提高故障診斷結(jié)果精度。其關(guān)系如圖1所示。

圖1 故障診斷技術(shù)及邏輯關(guān)系

2 搖臂齒輪箱故障機理研究現(xiàn)狀

2.1 軸承故障機理

通過虛擬樣機對軸承進行動力學(xué)建模研究其內(nèi)部載荷分布和故障狀態(tài)的動態(tài)響應(yīng)特征是分析搖臂齒輪箱軸承故障機理的主要手段。趙麗娟等[2]建立了大采高采煤機截割部剛?cè)狁詈夏Ｐ?，綜合考慮軸承徑向載荷與轉(zhuǎn)速的影響，得到了低速重載滾動軸承與軸體間的動態(tài)響應(yīng)。毛君等[3]針對搖臂殼體與各軸上軸承滾動體與其內(nèi)外圈實時接觸力難預(yù)測問題建立了軸承—搖臂耦合模型，并分析得出軸承與搖臂殼體的接觸力響應(yīng)曲線。上述理論分析可為搖臂齒輪箱軸承結(jié)構(gòu)的優(yōu)化提供一定指導(dǎo)，但未能反映軸承故障導(dǎo)致的動力學(xué)性能變化，有鑒于此，王振乾[4]從采煤機設(shè)備結(jié)構(gòu)、受力情況和軸承游隙等方面系統(tǒng)分析了截割部軸承失效故障機理，并提出了相應(yīng)的解決措施。李曉昆等[5]以薄煤層采煤機軸承為研究對象建立傳動系統(tǒng)動力學(xué)模型，并分別仿真得到了軸承正常、內(nèi)圈故障、滾動體故障和外圈故障等4種狀態(tài)下的振動響應(yīng)。

2.2 齒輪故障機理

采煤機常采用直齒圓柱齒輪和具有大減速比的行星齒輪嚙合傳動以適應(yīng)重載工況，搖臂齒輪箱齒輪常見故障形式包括磨損、裂紋、斷齒和偏心等。趙麗娟等[6]以SL1000型采煤機搖臂末級傳動齒輪為例，分析了正常齒面與3種不同齒面磨損程度模型的輪齒嚙合運動狀態(tài)和齒面接觸應(yīng)力。徐丹等[7]對裂紋故障下采煤機高速區(qū)齒輪系統(tǒng)的動態(tài)特性進行了分析，結(jié)果表明嚙合力邊頻帶能量密集度隨損壞程度增大而增大。劉曉樂等[8]采用虛擬樣機技術(shù)對MG900/2215-GWD型采煤機截割部兩級行星齒輪進行不同程度斷齒故障的嚙合力和動態(tài)響應(yīng)仿真分析。郭鳳云等[9]建立了采煤機齒輪傳動系統(tǒng)樣機模型，并對其進行動力學(xué)仿真獲得了搖臂高速齒輪在不同幾何偏心程度故障下的嚙合力曲線。

綜合來看，對于采煤機搖臂齒輪箱動力學(xué)模型故障機理分析的研究工作仍較為不足，雖可滿足采煤機齒輪箱故障診斷基本需要，但目前故障動力學(xué)模型多只針對子傳動系統(tǒng)單獨分析且建立在諸般假設(shè)之上，缺乏整體性的精細模擬，同時對于強噪聲復(fù)雜工況下的采煤機而言，早期微弱故障難以辨識，斷齒崩刃等故障勢必已對齒輪箱造成不可逆的嚴重損傷。今后應(yīng)將研究重心置于搖臂整機動力學(xué)模型精確模擬及點蝕、裂紋等輕度損傷和多元耦合故障動力學(xué)模型故障機理的研究上。

3 搖臂齒輪箱故障診斷方法研究現(xiàn)狀

3.1 傳統(tǒng)診斷方法

油液分析是采煤機故障診斷中的關(guān)鍵組分，油液的化學(xué)特性和污染物數(shù)據(jù)通常預(yù)示著采煤機出現(xiàn)某種形式的故障，目前常見油液分析檢測技術(shù)手段主要包括理化性能、原子光譜、紅外光譜、鐵譜和顆粒計數(shù)的檢測分析。常見油液分析技術(shù)見表1。

油液分析是早期故障最有效的反饋方式，可及早判別出已發(fā)生或潛在的故障，有效規(guī)避搖臂齒輪箱故障事故，但目前在線智能化程度不高，需操作人員依據(jù)所測相關(guān)數(shù)據(jù)憑經(jīng)驗判斷設(shè)備是否發(fā)生故障，考慮到操作人員個體差異，診斷結(jié)果易出現(xiàn)誤判或漏判的情況。因此未來油液分析診斷技術(shù)應(yīng)致力于在線化、智能化和集成化的“三化”研究，“自動故障診斷”和“在線磨損檢測”將會是油液分析診斷技術(shù)發(fā)展的重要方向。

搖臂齒輪箱故障部位的異常溫度特征會在搖臂殼體體現(xiàn)，特別是在大功率采煤機發(fā)展趨勢的現(xiàn)狀下，齒輪箱傳動系統(tǒng)發(fā)熱問題更是突出，采用紅外熱成像技術(shù)對整個溫度場數(shù)據(jù)值及變化趨勢進行分析可有效地實現(xiàn)故障診斷。徐衛(wèi)鵬[10]建立了搖臂齒輪溫度場數(shù)學(xué)模型，并借助相關(guān)分析軟件對搖臂齒輪穩(wěn)態(tài)溫度場進行有限元分析，得到其溫度場和熱流密度云圖，其研究為搖臂齒輪箱溫度監(jiān)測診斷方法提供了基礎(chǔ)理論支撐。暴紅星等[11]基于FLIR-T440紅外熱成像技術(shù)，同時結(jié)合現(xiàn)場使用經(jīng)驗研發(fā)出一套故障率低，測試準(zhǔn)確性高的采煤機搖臂溫度場測試診斷系統(tǒng)。目前該技術(shù)因受制于工況環(huán)境而在采煤機實時應(yīng)用上尚顯不足，但因溫度對故障位置信息具有高度敏感性，可做補充手段以精準(zhǔn)判別故障源。

表1 常見油液分析技術(shù)

3.2 基于信號處理的方法

一般而言，從動態(tài)信號中提取出有效的故障特征信息是進行搖臂齒輪箱故障診斷的前提條件，因此需要借助信號處理進行特征提取和故障識別。常見的振動信號處理方法有時域分析法和頻域分析法，它們多適于平穩(wěn)信號的分析，而采煤機實際工況信號屬于強噪音、非平穩(wěn)信號，僅通過時域分析或頻域分析很難分析其信號特征，捕捉此類復(fù)雜非平穩(wěn)隨機振動信號的時變特性則需利用時頻分析及現(xiàn)代信號處理等高級振動信號處理方法。

時頻分析可將一維時間序列信號映射到二維時間頻率尺度上來分析特定時間內(nèi)信號的頻率變化，這樣既保留了時域特征也提取了頻域特征，可保證信號故障信息最大化利用。短時傅里葉變換(STFT)以連續(xù)短時窗口分析實現(xiàn)信號的時頻分析，包文杰等[12]提出一種基于快速路徑的自適應(yīng)STFT時頻分析法實現(xiàn)了行星齒輪箱的故障診斷。然而對于信號的時頻分析，選定分析窗口越大，時間分辨率越低，頻率分辨率越高，適合分析低頻慢波信號；選定分析窗口越小，時間分辨率越高，頻率分辨率越低，適合分析高頻快波信號。而STFT的時間和頻率分辨率均固定，不能隨著頻率的高低實現(xiàn)動態(tài)調(diào)整，因此選擇一個合適的窗函數(shù)十分困難。小波分析則采用一定范圍頻率的函數(shù)族作為基函數(shù)可實現(xiàn)動態(tài)可調(diào)的時頻分辨率。鄧郁旭等[13]采用小波分析聯(lián)合改進神經(jīng)網(wǎng)絡(luò)，提升了采煤機截割部傳動系統(tǒng)故障診斷精度。此外，基于小波分析衍生出的小波包分析將小波分析未細分的高頻部分進一步精細劃分，其可對信號進行更細致的分析。劉旭南等[14]采用Coif 4小波對采煤機截割部傳動系統(tǒng)故障數(shù)據(jù)進行了小波包分解，有效診斷了傳動系統(tǒng)的故障零件和類型。然小波分析由于小波基函數(shù)一旦確定便無法更改，不能隨分析信號特點而改變，故難以選取合適的小波基函數(shù)與故障特征頻率相匹配，因此小波基函數(shù)的合理選擇是進行小波分析的難點。

上述時頻分析方法均受限于海森堡測不準(zhǔn)原理，且并不是自適應(yīng)的方法，1998年華裔科學(xué)家Norden E.Huang等人提出的希爾伯特黃變換(HHT)則另辟蹊徑，其是一種基于數(shù)據(jù)本身的算法，它能完全自適應(yīng)地產(chǎn)生“基函數(shù)”，即經(jīng)驗?zāi)B(tài)分解分解過程產(chǎn)生的IMF分量，具有完全自適應(yīng)性。張思思等[15]提出一種改進經(jīng)驗小波變換與希爾伯特邊際譜結(jié)合的故障特征提取方法，經(jīng)改進經(jīng)驗小波變換處理得到的信號分量信噪比高、數(shù)目合理，與HHT相結(jié)合可對信號頻譜趨勢進行自適應(yīng)劃分。盡管HHT是處理復(fù)雜非平穩(wěn)信號的得力工具，但仍存在端點效應(yīng)，包絡(luò)擬合和邊界問題等未妥善解決，未來應(yīng)加強改進HHT算法基礎(chǔ)理論研究，可利用小波分析先對信號進行去噪，再與HHT相結(jié)合的方法以提高故障識別精度。

除上述振動信號處理算法外，現(xiàn)代信號處理方法也在故障診斷領(lǐng)域取得不錯成績，如盲源分離[16]、高階譜分析[17]、現(xiàn)代譜分析[18]和幾何分形理論[19]，同時除振動信號外，基于聲發(fā)射[20]、圖像處理[21]等信號的方法也可有效診斷故障信息，但目前針對采煤機搖臂齒輪箱多源信息融合診斷的研究工作較少。

3.3 基于數(shù)據(jù)驅(qū)動的方法

隨著智能礦山建設(shè)的快速推進，大數(shù)據(jù)和人工智能技術(shù)在采煤機開始廣泛應(yīng)用，基于數(shù)據(jù)驅(qū)動的機器學(xué)習(xí)智能診斷技術(shù)愈受青睞，其無需建立復(fù)雜的系統(tǒng)動力學(xué)模型，利用大量歷史數(shù)據(jù)來構(gòu)建和優(yōu)化學(xué)習(xí)模型，就可取得良好的診斷效果。如圖2所示，按機器學(xué)習(xí)故障診斷發(fā)展歷程脈絡(luò)將其分為傳統(tǒng)機器學(xué)習(xí)智能診斷方法和深度學(xué)習(xí)智能診斷方法，此外深度學(xué)習(xí)智能診斷方法近年來又引入了遷移學(xué)習(xí)用以解決數(shù)據(jù)不足的難題。

圖2 機器學(xué)習(xí)故障診斷發(fā)展歷程

3.3.1 傳統(tǒng)機器學(xué)習(xí)智能診斷方法

傳統(tǒng)機器學(xué)習(xí)智能診斷技術(shù)是相對于深度學(xué)習(xí)模型的深層次網(wǎng)絡(luò)而分類的，其發(fā)展較早，理論較為完備，最廣泛應(yīng)用于采煤機搖臂齒輪箱故障診斷的方法是人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)和支持向量機(Support Vector Machine，SVM)。同時利用智能優(yōu)化算法對故障特征進行篩選判別，并與ANN、SVM相結(jié)合可快速尋找模型最優(yōu)解參數(shù)而提高故障診斷準(zhǔn)確率。

ANN由于具有優(yōu)良的非線性學(xué)習(xí)能力和容錯性能而在故障診斷領(lǐng)域得到廣泛應(yīng)用。常用網(wǎng)絡(luò)如BP神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機、自組織映射網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)等。方偉中[22]基于改進BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)了采煤機截割部傳動系統(tǒng)的故障診斷。趙凡超等[23]用多隱層小波極限學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)實現(xiàn)了滾動軸承故障識別。賀巖松等[24]采用自組織特征映射神經(jīng)網(wǎng)絡(luò)實現(xiàn)了軸承的故障識別。馮東華[25]提出EMD能譜熵與概率神經(jīng)網(wǎng)絡(luò)相結(jié)合的采煤機搖臂齒輪診斷方法。

SVM的核心是結(jié)構(gòu)風(fēng)險最小和間隔最大化，尤適于處理高維度、中小量級的采煤機故障數(shù)據(jù)。劉沖[26]提出采用主成分分析和交叉驗證法優(yōu)化支持向量機的新方法有效實現(xiàn)了采煤機的故障診斷。但SVM本是為解決二分類問題而提出的算法，對于多類模式識別策略還需進一步研究，如集成多個SVM模型結(jié)果的一對一，一對多分類方法，以及有向無環(huán)圖[27]和二叉樹[28]等方法。

近年來，智能優(yōu)化算法也越來越多應(yīng)用于ANN及SVM機械故障診斷模型的參數(shù)優(yōu)化問題上，如遺傳算法、蟻群算法、粒子群算法、魚群算法、蜂群算法和螢火蟲算法等[29]，利用智能優(yōu)化算法優(yōu)化機器學(xué)習(xí)模型參數(shù)以提高其性能對故障診斷具有重要意義。

3.3.2 深度學(xué)習(xí)智能診斷方法

隨著新一代信息技術(shù)的快速發(fā)展，井下采煤機收集到的數(shù)據(jù)量比以往任何時候都要多，日益增長的數(shù)據(jù)量為采煤機故障診斷提供更充分的信息，進而更有可能提供準(zhǔn)確的診斷結(jié)果，傳統(tǒng)機器學(xué)習(xí)已不適于此類大數(shù)據(jù)場景，而深度學(xué)習(xí)采用深層次結(jié)構(gòu)可對海量數(shù)據(jù)深度挖掘后自動表示抽象特征并進一步直接建立學(xué)習(xí)到的特征與目標(biāo)輸出間的關(guān)系來實現(xiàn)故障精準(zhǔn)診斷。目前深度學(xué)習(xí)故障診斷算法模型主要包括堆疊自編碼器(Stacked Autoencoder，SAE)、深度置信網(wǎng)絡(luò)(Deep Belief Network，DBN)、卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)和殘差網(wǎng)絡(luò)(ResNet)。

SAE能夠自動降維表示輸入監(jiān)測數(shù)據(jù)的健康信息，在特征提取方面無需過多專家知識，毛君等[30]提出了基于SAE的采煤機截割部減速器故障診斷方法；DBN由受限玻爾茲曼機堆疊組成，通過逐層貪婪算法對整個網(wǎng)絡(luò)進行微調(diào)，有效解決深層網(wǎng)絡(luò)梯度消失問題，謝娜等[31]提出了基于改進DBN的采煤機搖臂傳動系統(tǒng)故障診斷方法；CNN可捕獲數(shù)據(jù)變化特性而直接從原始監(jiān)測數(shù)據(jù)中學(xué)習(xí)特征，無需進行頻域變換等預(yù)處理，包從望等[32]采用快速Kurtogram算法與CNN對采煤機減速器實現(xiàn)了故障診斷；ResNet是在CNN基礎(chǔ)上開發(fā)出的泛化性能更高的架構(gòu)模型，其殘差結(jié)構(gòu)和Batch Normalization處理可有效緩解梯度消失問題且自帶正則化屬性，從而提高診斷精度，李長文等[33]構(gòu)建了深度ResNet的采煤機搖臂齒輪故障診斷模型。當(dāng)前深度學(xué)習(xí)在井下采煤機大數(shù)據(jù)處理方面的優(yōu)勢已初露端倪，下一步應(yīng)針對具體情況實際分析，設(shè)計適于采煤機故障數(shù)據(jù)的合理網(wǎng)絡(luò)結(jié)構(gòu)，如合適網(wǎng)絡(luò)層數(shù)的選擇以控制模型復(fù)雜度，避免過擬合、合適參數(shù)及核函數(shù)選擇等，此外重點關(guān)注深層次網(wǎng)絡(luò)易出現(xiàn)的梯度消失及過擬合問題。

深度學(xué)習(xí)診斷模型的關(guān)鍵要求就是需要大量完備故障數(shù)據(jù)來訓(xùn)練健壯的深度學(xué)習(xí)模型，但在采煤機實際工況下則面臨大量數(shù)據(jù)無標(biāo)、故障狀態(tài)數(shù)據(jù)稀缺和數(shù)據(jù)質(zhì)量難以保證等挑戰(zhàn)。遷移學(xué)習(xí)則可為此類難題提供一種全新策略，張旭輝等[34]基于預(yù)訓(xùn)練模型加反向微調(diào)策略提出了一種深度遷移學(xué)習(xí)的采煤機搖臂傳動系統(tǒng)故障智能診斷方法，但其并未在采煤機實測故障數(shù)據(jù)上進行驗證。因此在采煤機實測故障數(shù)據(jù)不充足、不平衡情況下如何利用深度遷移學(xué)習(xí)及生成對抗網(wǎng)絡(luò)(GAN)等將其它設(shè)備的完備故障數(shù)據(jù)跨機遷移至采煤機故障診斷領(lǐng)域問題值得深入研究。

4 結(jié) 語

本文綜述了故障機理、傳統(tǒng)診斷、信號處理和機器學(xué)習(xí)等方法在采煤機搖臂齒輪箱故障診斷領(lǐng)域的研究進展及不足之處。主要存在以下問題：重故障表象而輕故障機理研究、重單一故障而輕復(fù)合故障分析、重強烈故障而輕微弱故障識別、重仿真數(shù)據(jù)而輕實測數(shù)據(jù)收集、重單一算法而輕多方算法融合、重單信息源而輕多源信息融合。

為滿足智能化采煤機發(fā)展需要，故障診斷技術(shù)未來應(yīng)著力于以下幾個方面的研究：

1)故障機理精確建模。當(dāng)下故障動力學(xué)模型建立在諸多假設(shè)之上，難以精確模擬真實響應(yīng)特性從而無法有效指導(dǎo)采煤機的故障診斷，因此應(yīng)針對采煤機特殊服役環(huán)境深入分析故障機理和故障演化動力學(xué)模型。

2)多元故障耦合分析。軸承齒輪的磨損、裂紋、剝落等多故障耦合現(xiàn)象才是常有之態(tài)，單一故障的診斷分析在工程上推廣應(yīng)用時往往由于泛化能力差而精度不高，極易出現(xiàn)漏診或誤診現(xiàn)象，故應(yīng)加強采煤機搖臂齒輪箱多故障耦合模式識別問題的研究。

3)早期微弱故障識別。強烈故障信號雖易識別但同時也預(yù)示著機械故障已進入中晚期發(fā)展階段，而在礦井強噪背景下采煤機搖臂齒輪箱早期微弱故障難以辨識，今后方向應(yīng)由強烈故障診斷向微弱故障診斷偏移，研究行之有效的噪聲過濾及強噪背景特征提取算法以實現(xiàn)早期微弱故障識別。

4)基礎(chǔ)故障數(shù)據(jù)收集。任何算法均需在數(shù)據(jù)中挖掘出有效信息用以診斷，然較其他領(lǐng)域，采煤機數(shù)據(jù)收集工作明顯不足且開放性很差，應(yīng)鼓勵相關(guān)煤企、機構(gòu)建立標(biāo)準(zhǔn)采煤機故障診斷數(shù)據(jù)庫，實現(xiàn)數(shù)據(jù)共享、模型共享、算法共享，同時依托高校和科研院所等的技術(shù)優(yōu)勢共同開展采煤機故障診斷研究工作。

5)先進算法融合創(chuàng)新。無論是信號處理、機器學(xué)習(xí)或是傳統(tǒng)診斷方法都有其優(yōu)點和不足，應(yīng)根據(jù)實際數(shù)據(jù)特點增強多方算法深度融合，對各種算法取長補短，面對數(shù)據(jù)不足情況，加強遷移學(xué)習(xí)和生成對抗網(wǎng)絡(luò)算法在采煤機的遷移應(yīng)用，同時引領(lǐng)創(chuàng)新，并積極關(guān)注其他領(lǐng)域成熟算法在采煤機搖臂齒輪箱故障診斷落地應(yīng)用的可實施性。

6)多源信息融合研究。充分利用多源信息互補優(yōu)勢，推進振動信號與油液、溫度、超聲波和圖像等多信息融合診斷技術(shù)，提升采煤機搖臂齒輪箱故障診斷精度與魯棒性。