本發(fā)明屬于故障診斷領(lǐng)域，具體涉及一種齒輪故障診斷方法，尤其是涉及一種采煤機(jī)搖臂齒輪故障診斷方法。

技術(shù)背景

采煤機(jī)是綜采工作面的重大生產(chǎn)裝備，智能化、信息化和高可靠性是現(xiàn)代采煤機(jī)發(fā)展的方向，狀態(tài)監(jiān)測(cè)和故障診斷是保證采煤機(jī)可靠運(yùn)行的重要手段。搖臂齒輪是采煤機(jī)可靠性最薄弱的環(huán)節(jié)，搖臂齒輪故障占到總故障的34.2%，搖臂齒輪故障將導(dǎo)致采煤機(jī)無(wú)法正常工作，從而造成工作面停工，嚴(yán)重影響煤礦的正常生產(chǎn)。基于振動(dòng)信號(hào)的搖臂齒輪故障診斷方法包括兩個(gè)主要步驟，首先通過(guò)一些信號(hào)處理方法對(duì)原始振動(dòng)信號(hào)進(jìn)行處理并提取故障特征信息，然后通過(guò)機(jī)器學(xué)習(xí)的方法，對(duì)齒輪箱故障特征進(jìn)行模式識(shí)別，達(dá)到故障診斷的目的。普遍使用的信號(hào)處理方法包括時(shí)域分析和頻域分析。其中時(shí)域分析計(jì)算簡(jiǎn)單方便，但是只能分析一些平穩(wěn)的簡(jiǎn)單信號(hào)，由于搖臂齒輪箱振動(dòng)信號(hào)的復(fù)雜性導(dǎo)致時(shí)域分析并不能在該領(lǐng)域中直接單獨(dú)使用。頻域分析只能從整體層面反映信號(hào)的特征，忽略了信號(hào)的局部特征。近年來(lái)，小波變換作為一種新的時(shí)頻分析方法逐漸被應(yīng)用到該領(lǐng)域之中，通過(guò)調(diào)整尺度參數(shù)，小波分析能反映出信號(hào)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，多辨分析只能不斷的對(duì)低頻信號(hào)進(jìn)行分解和重構(gòu)，小波包分析能對(duì)信號(hào)的高頻和低頻同時(shí)分析。在搖臂齒輪故障特征提取中另一個(gè)重要的步驟就是特征參數(shù)計(jì)算，通常使用的時(shí)域參數(shù)有能量系數(shù)、陡度系數(shù)和偏度系數(shù)，這些參數(shù)只能描述故障振動(dòng)信號(hào)的某個(gè)方面的變化規(guī)律，單獨(dú)使用在搖臂齒輪故障診斷方面不能取得很好的效果。

當(dāng)前國(guó)內(nèi)外學(xué)者對(duì)采煤機(jī)搖臂齒輪故障診斷領(lǐng)域的研究存在以下幾方面不足。首先，采煤機(jī)搖臂齒輪箱是一個(gè)多級(jí)齒輪傳動(dòng)結(jié)構(gòu)，產(chǎn)生的振動(dòng)信號(hào)成分復(fù)雜，故障特征參量提取較為困難。其次，由于齒輪箱故障模式繁多，故障振動(dòng)信號(hào)往往包含集中故障模式的混合，單一特征參量很難全面描述搖臂齒輪故障的變化規(guī)律，造成故障識(shí)別率較低。此外，故障識(shí)別模型的建立，這是實(shí)現(xiàn)搖臂齒輪故障診斷重要一環(huán)，目前，故障識(shí)別方法種類繁多，選擇一種適用于小樣本和多參量的故障識(shí)別方法是極其重要的。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問(wèn)題是：目前采煤機(jī)搖臂齒輪故障診斷中存在故障特征信息提取困難以及故障信息單一和故障識(shí)別率低的問(wèn)題。

為解決上述技術(shù)問(wèn)題，本發(fā)明所采取的技術(shù)方案是：提供一種采煤機(jī)搖臂齒輪故障診斷方法，其具體是基于小波包變換和支持向量機(jī)的采煤機(jī)搖臂齒輪故障診斷方法，具體操作包括以下步驟：

（1）分別收集采煤機(jī)搖臂測(cè)點(diǎn)，即齒輪正常、點(diǎn)蝕、斷齒、磨損和剝落狀態(tài)下的振動(dòng)信號(hào)作為參考數(shù)據(jù)，每組數(shù)據(jù)分為兩部分，一部分作為支持向量機(jī)分類模型的訓(xùn)練樣本，另一部分作為支持向量機(jī)分類模型的測(cè)試樣本，并標(biāo)注數(shù)據(jù)的類型和故障類型；

（2）利用小波包分解，對(duì)振動(dòng)信號(hào)進(jìn)行分解得到小波系數(shù)矩陣，對(duì)每一部分的小波系數(shù)進(jìn)行重構(gòu)，得到小波包分解后的各部分振動(dòng)信號(hào)；

（3）故障特征信息提取，計(jì)算小波包分解每一部分振動(dòng)時(shí)域信號(hào)能量系數(shù)、陡度系數(shù)和陡度系數(shù)，組成搖臂齒輪故障特征空間；

（4）SVM分類模型參數(shù)尋優(yōu)，支持向量機(jī)故障分類模型為

其中，為分類樣本數(shù)據(jù)，為分類類型，為映射函數(shù)，C為懲罰因子，b為松弛因子，利用粒子群算法計(jì)算得到SVM分類模型中映射函數(shù)γ和懲罰因子C參數(shù)；

（5）分類模型訓(xùn)練，利用尋優(yōu)得到的映射函數(shù)γ、懲罰因子C以及訓(xùn)練數(shù)據(jù)對(duì)SVM分類模型進(jìn)行訓(xùn)練，得到分類模型中的ω和b參數(shù)，最終得到SVM最優(yōu)分類模型；

（6）分類模型測(cè)試，對(duì)比測(cè)試樣本數(shù)據(jù)故障類型和SVM模型分類后的故障類型驗(yàn)證模型的準(zhǔn)確性以及本發(fā)明的有效性。

本發(fā)明中所給出的，采煤機(jī)搖臂齒輪故障診斷方法的主要適用對(duì)象為德國(guó)艾柯夫SL 500采煤機(jī)搖臂。

本發(fā)明中所涉及的基礎(chǔ)理論有：小波包變換、粒子群參數(shù)尋優(yōu)和SVM分類原理。

1.小波包變換

小波包分解計(jì)算公式如下：

其中，為第0層小波包，為原始振動(dòng)信號(hào)，為是第j層小波包分解中的第i個(gè)小波包系數(shù)，為離散低通濾波器的第k個(gè)系數(shù)，為離散高通濾波器的第k個(gè)系數(shù)。

重構(gòu)算法公式如下：

式中j＝1,2...n是小波分解的層數(shù)；i＝1,2...2j，是第j 層小波包分解中的第i個(gè)小波包系數(shù)，為重構(gòu)離散低通濾波器的第k個(gè)系數(shù)，為重構(gòu)離散高通濾波器的第k個(gè)系數(shù)。

2.SVM分類原理

SVM的最優(yōu)分類平面如下：

其中，為分類樣本數(shù)據(jù)，為分類類型，為映射函數(shù)，映射函數(shù)采用徑向基核函數(shù)（RBF），映射函數(shù)將非線性可分樣本數(shù)據(jù)轉(zhuǎn)換為線性可分的數(shù)據(jù)，RBF函數(shù)如下所示：

分類平面參數(shù)ω、b計(jì)算如下：

計(jì)算得到的最優(yōu)超平面為：。

3.粒子群參數(shù)尋優(yōu)

粒子群中粒子更新原理如下：

其中，k為更新次數(shù)，c₁和c₂為學(xué)習(xí)因子，分別對(duì)個(gè)體極值P_i和全局極值P_g做調(diào)整，r₁和r₂為0~1分布的隨機(jī)數(shù)，ω是用來(lái)對(duì)全局搜索能力和局部搜索能力進(jìn)行協(xié)調(diào)的一個(gè)參數(shù)。

從以上POS計(jì)算原理可得，c₁、c₂和ω的選擇對(duì)最后的收斂精度和收斂速度起著決定性的作用，動(dòng)態(tài)地調(diào)整他們的值可以調(diào)高計(jì)算的收斂精度和速度，在此采用權(quán)重計(jì)算方法對(duì)ω的選擇不斷調(diào)整，ω的計(jì)算如下：

其中，和慣性權(quán)重的極大值和極小值，和為最大迭代次數(shù)和當(dāng)前迭代次數(shù)。

參數(shù)c₁和c₂對(duì)POS的收斂熟讀和精度特別是后期的收斂速度和進(jìn)度非常重要，計(jì)算公式如下

其中c_max為c₁的初始值，c_min為c₁的最終值，0＜c_min＜c_max≤4。

本發(fā)明的有益效果是：本發(fā)明中應(yīng)用的小波包變換實(shí)現(xiàn)了對(duì)振動(dòng)信號(hào)的有效分解；所確定的故障特征參量能準(zhǔn)確全面地描述搖臂不同故障狀態(tài)下振動(dòng)信號(hào)的變化規(guī)律；所提出的故障診斷方法能實(shí)現(xiàn)搖臂齒輪故障的準(zhǔn)確診斷，且實(shí)現(xiàn)方便，效果良好。

附圖說(shuō)明

圖1為采煤機(jī)搖臂結(jié)構(gòu)及振動(dòng)信號(hào)測(cè)點(diǎn)圖；

圖2為采煤機(jī)搖臂齒輪故障診斷流程圖；

圖中：1、Ⅰ級(jí)直齒輪；2、Ⅱ級(jí)直齒輪；3、Ⅰ級(jí)行星齒輪；4、Ⅱ級(jí)行星齒輪；5、剪切軸；6截割電機(jī)；7、截割滾筒。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明進(jìn)一步說(shuō)明。

如圖1所示，本方法的適用對(duì)象為德國(guó)艾柯夫SL 500采煤機(jī)搖臂，它包含齒輪箱、電機(jī)和滾筒，所述的齒輪箱包含Ⅰ級(jí)直齒輪1、Ⅱ級(jí)直齒輪2、Ⅰ級(jí)行星齒輪3和Ⅱ級(jí)行星齒輪4，所述的Ⅰ級(jí)直齒輪1包含齒輪Z1、Z2、Z3和Z4，齒輪Z1與截割電機(jī)6同軸連接，齒輪Z4與齒輪Z5同軸連接，齒輪Z2軸承座外殼設(shè)置有測(cè)點(diǎn)A；所述的Ⅱ級(jí)直齒輪2包含齒輪Z5、Z6、Z7和Z8，齒輪Z6軸承座外殼設(shè)置有測(cè)點(diǎn)B，齒輪Z8與Z9同軸連接，所述的Ⅰ級(jí)行星齒輪3包含齒輪Z9、Z10和Z11，齒輪Z11外壁設(shè)置有測(cè)點(diǎn)C，所述的Ⅱ級(jí)行星輪4包含齒輪Z12、Z13和Z14，齒輪Z14外壁設(shè)置有測(cè)點(diǎn)D，所述的截割滾筒7與Ⅱ級(jí)行星輪4行星架同軸相連。

如圖2所示的搖臂故障診斷方法包含的步驟如下。

（1）獲取搖臂齒輪箱在不同故障模式下的振動(dòng)信號(hào)；

在搖臂齒輪箱運(yùn)行狀態(tài)下，以預(yù)先設(shè)定的采樣頻率和采樣時(shí)間，采集不同故障模式的搖臂齒輪箱振動(dòng)信號(hào)。設(shè)每種故障模式采集N組振動(dòng)信號(hào)，每組振動(dòng)信號(hào)具有n個(gè)采樣點(diǎn)，振動(dòng)信號(hào)的安裝位置如圖2所示。采用0~4來(lái)標(biāo)記齒輪正常和四種不同的故障類型，其中0表示齒輪正常，1表示點(diǎn)蝕故障，2表示斷齒故障，3表示磨損故障，4表示剝落故障。將提取的特征數(shù)據(jù)分為兩類，一類是訓(xùn)練樣本數(shù)據(jù)，這一組數(shù)據(jù)用于對(duì)分類模型進(jìn)行訓(xùn)練，另一類樣本數(shù)據(jù)為測(cè)試數(shù)據(jù)，這組數(shù)據(jù)用于對(duì)訓(xùn)練后的模型分類準(zhǔn)確率進(jìn)行驗(yàn)證。

（2）振動(dòng)信號(hào)小波包分解；

首先通過(guò)小波包變換對(duì)振動(dòng)信號(hào)進(jìn)行分解，得到小波系數(shù)矩陣D_ij(k)；

其次，定義一個(gè)矩形滑動(dòng)窗口對(duì)小波系數(shù)矩陣進(jìn)行分塊，這樣就可以將小波系數(shù)矩陣分割為一系列的n×n方陣；其中矩形滑動(dòng)窗口函數(shù)公式如下：

式中i，j為小波系數(shù)矩陣的行和列，w(i，j) 為第i，j個(gè)元素的窗函數(shù)值；

然后，對(duì)于上步所得的每一個(gè)n×n方陣計(jì)算其Frobenius 范數(shù)；這樣就將小波系數(shù)矩陣轉(zhuǎn)換為由F范數(shù)所組成的特征矩陣F_ij。其中F范數(shù)的公式如下：

式中X是一個(gè)n×n的方陣，tr(·) 是矩陣的跡。

（3）故障特征信息的提??；

能量計(jì)算公式：

陡度計(jì)算公式：

偏度計(jì)算公式：。

（4）SVM故障分類模型參數(shù)尋優(yōu)

首先，對(duì)數(shù)據(jù)進(jìn)行歸一化處理；為了加快分類程序運(yùn)行時(shí)的收斂速度需要對(duì)樣本數(shù)據(jù)做歸一化處理，將數(shù)據(jù)變換為[0~1]之間，歸一化的計(jì)算公式如下：

其中，為樣本數(shù)據(jù)中的最大值，為樣本數(shù)據(jù)中的最小值，歸一化范圍最小值，一般取值為0，歸一化范圍最大值，一般取值為1；

其次，SVM故障識(shí)別模型中最重要的兩個(gè)參數(shù)是懲罰因子C和徑向核函數(shù)（RBF）中的γ參數(shù)，為了更好的確定模型的最有參數(shù)，采用了粒子群（POS）參數(shù)尋優(yōu)的計(jì)算方法實(shí)現(xiàn)模型參數(shù)的確定。

（5）SVM分類模型訓(xùn)練；實(shí)現(xiàn)了數(shù)據(jù)的分類和歸一化處理以及模型參數(shù)的確定后，就需要應(yīng)用訓(xùn)練樣本數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，得到所需要的最優(yōu)分類模型。

（6）SVM分類模型測(cè)試；帶入預(yù)先分類好的數(shù)據(jù)對(duì)訓(xùn)練后的SVM分類模型進(jìn)行測(cè)試，對(duì)實(shí)際類型和分類結(jié)果進(jìn)行對(duì)比分析，驗(yàn)證分類模型的準(zhǔn)確性。

本發(fā)明中應(yīng)用的小波包變換實(shí)現(xiàn)了對(duì)振動(dòng)信號(hào)的有效分解；所確定的故障特征參量能準(zhǔn)確全面地描述搖臂不同故障狀態(tài)下振動(dòng)信號(hào)的變化規(guī)律；所提出的故障診斷方法能實(shí)現(xiàn)搖臂齒輪故障的準(zhǔn)確診斷，且實(shí)現(xiàn)方便，效果良好。

本發(fā)明中所涉及到的對(duì)采煤機(jī)搖臂齒輪故障診斷主要是針對(duì)德國(guó)艾柯夫SL 500采煤機(jī)搖臂，但這一點(diǎn)只是作為本發(fā)明的主要研究對(duì)象，并不能局限了本發(fā)明可以在其他種類的采煤機(jī)上的應(yīng)用。