一种带式输送机滚筒组件故障诊断方法
【专利摘要】本发明公开了一种带式输送机滚筒组件故障诊断方法，其针对滚筒体故障和轴承组件故障采用特征频率分析与神经网络方法进行故障诊断。首先利用振动传感器采集滚筒组件不同故障状况下的振动信号，再用EMD阈值方法对振动信号进行降噪处理，提取降噪信号的频域参量进行故障特征频率分析以判断轴承组件健康状况，另外提取时域参数构成特征向量作为神经网络系统的输入参量，由神经网络专家系统利用训练样本进行仿真训练，得到一套规则形成神经网络专家系统诊断机制，并根据诊断机制，基于提取的特征向量进行滚筒体故障诊断。所述方法能够实现对滚筒组件故障的诊断，有效提高滚筒组件故障诊断的效率。
【专利说明】
一种带式输送机滚筒组件故障诊断方法
技术领域
[0001] 本发明涉及带式输送机故障诊断领域，具体是一种带式输送机滚筒组件故障诊断 方法。
【背景技术】
[0002] 带式输送机是一种摩擦驱动以连续方式运输物料的机械。主要由机架、输送带、托 辊、滚筒、张紧装置、传动装置等组成。滚筒是带式输送机的动力节点，其安全性与可靠性直 接关系到整个输送系统的安全性与稳定性。它主要包含轴、筒体、轮毂、辐板、胀套、轴承组 件等结构。在带式输送机的实际运行中，滚筒体及其轴承组件故障时有产生，这对输送系统 的安全运行产生了重大威胁。
[0003] 带式输送机滚筒组件的故障形式主要包括辐板和筒壳连接处出现裂纹，长期作用 下滚筒体、辐板被压裂破坏，滚筒中出现凹陷等局部变形过大，胀套连接螺栓变形过大甚至 被剪断，轴承组件的内外圈转动体故障。而滚筒所在工作环境较为复杂，使用超声，激光等 非接触式诊断方法效果甚微;并且高速运转的滚筒故障特征信息难以有效采集，使滚筒故 障的早期诊断更加困难。目前，国内尚未对滚筒组件故障诊断进行有效研究。
【发明内容】
[0004] 本发明的目的就是为了填补国内对于滚筒组件故障诊断的空白，提供了一种滚筒 组件故障诊断方法，以实现对滚筒组件故障的早期诊断。
[0005] 为了解决上述技术问题，本发明通过以下技术方案得以解决：
[0006] -种带式输送机滚筒组件故障诊断方法，包括如下步骤：
[0007] 第一步:利用振动传感器采集滚筒故障的故障振动信号，故障类型设置包含辐板 与筒壳连接处裂纹故障，辐板裂纹故障，滚筒体筒面受压变形故障，胀套连接螺栓剪断故障 以及轴承组件内外圈滚动体故障；
[0008] 第二步:采用EMD阈值处理对故障信号进行降噪；
[0009] 第三步：将降噪后的故障信号导入matlab，计算得到故障振动信号的方差、方均 根、偏度、峭度、波峰因子以及频率参数，将方差、方均根、偏度、峭度、波峰因子这五个时域 特征参数组成特征向量，并将提取的特征向量作为神经网络专家系统的输入参量；
[0010] 第四步:根据轴承组件的结构数据计算得到内外圈滚动体故障特征频率，另一方 面神经网络系统利用训练样本进行仿真训练，完成对滚筒体故障识别模型的建立，得到一 套规则形成神经网络专家系统诊断机制；
[0011] 第五步:根据第三步中得到的振动信号的频率是否含有第四步中的故障特征频率 信息来判断轴承组件是否有故障以及故障类型，另一方面神经网络专家系统根据诊断机 制，基于提取的特征向量识别滚筒体是否存在故障，故障出现的位置，以及损伤的程度。
[0012] 由上述对本发明的描述可知，本发明具有以下效果：
[0013] 本发明的一种带式输送机滚筒组件故障诊断方法，利用振动传感器采集预设各种 类型故障滚筒的振动信号，采用EMD阈值降噪提高信噪比，利用故障特征频率方法和神经网 络专家系统方法进行综合诊断，得到结果；
[0014] 本发明的一种带式输送机滚筒组件故障诊断方法，对带式输送机滚筒组件故障进 行诊断，不仅解决了工作人员依靠经验判断故障所带来的困难，而且提高了故障诊断的效 率。
【附图说明】
[0015] 图1为故障诊断方法流程图。
【具体实施方式】
[0016] 为了更进一步阐述本发明为实现预定目的所采取的技术手段，请参阅以下本发明 的详细说明与附图，然而附图仅提供参考与说明用，并非用来对本发明加以限制。
[0017]如图1所示，为一种带式输送机滚筒组件故障诊断方法的流程图，包含信号的采 集，降噪处理，特征参量的提取，以及神经网络专家系统诊断等。
[0018] 第一步:利用振动传感器采集故障滚筒组件的振动信号，故障类型设置包含辐板 与筒壳连接处裂纹故障，辐板裂纹故障，滚筒体筒面受压变形故障，胀套连接螺栓剪断故障 以及轴承组件内外圈滚动体故障；
[0019] 第二步:采用EMD阈值处理对故障信号进行降噪；
[0020] EMD将信号分解成一系列不同时间尺度的IMF分量，当最后一个IMF分量为单调函 数而不能再从中提取满足MF条件的分量时停止分解，得到若干层頂F分量hi(t);
[0021] 然后为每个IMF分量确定一个阈值Hi，利用该阈值对每个IMF分量降噪；
[0022]
[0023]其中hhi(t)为降噪之后的頂F分量；
[0024]再利用降噪后的各頂F分量进行重构，得到降噪后的信号。
[0025]第三步：将降噪后的故障信号导入matlab，计算得到故障振动信号的方差、方均 根、偏度、峭度、波峰因子以及频率参数，将方差、方均根、偏度、峭度、波峰因子这五个时域 特征参数组成特征向量，并将提取的特征向量作为神经网络专家系统的输入参量；
[0026] 方差
i反应信号相对于信号均值f的稳定程度的物理 量;其中Xl为输入信号，η为信号值的总数；
[0027] 方均根
；反应信号的能量大小； Η ?ν
[0028] 偏度
〖义上是样本的三阶标准化矩，反应信号分布相对于均 值不对称的程度;μ为信号平均数，σ为信号标准差；
[0029] 峭度
是归一化的四阶矩，反应信号的分布特性；
[0030] 峰值因子定义为信号峰值与信号方均根值的比值；
* ' I //?,Λ
[0031] 其。
为信号峰值；
[0032] 得到的特征向量表示为Υ =[Χ var，Xrms，Xskew，Xkur，Xcf ];
[0033] 第四步:根据轴承组件的结构数据计算得到内外圈滚动体故障特征频率，另一方 面神经网络专家系统利用训练样本进行仿真训练，完成对滚筒体故障识别模型的建立，得 到一套规则形成神经网络专家系统诊断机制；
[0034] 轴承内外圈滚动体故障特征频率计算公式为：
[0035] 内圈故障特征频率
[0036] 外圈故障特征频率
[0037] 滚筒体故障特征频率
[0038] 其中Z为滚动体个数，fr为转频(Hz)，d为滚动体直径(mm)，D为轴承节径(mm)，α为 接触角。
[0039]第五步:根据第三步中得到的振动信号的频率是否含有第四步中的故障特征频率 信息来判断轴承组件是否有故障以及故障类型，另一方面神经网络专家系统根据诊断机 制，基于提取的特征向量识别滚筒体是否存在故障，故障出现的位置，以及损伤的程度。
【主权项】
1. 一种带式输送机滚筒组件故障诊断方法，其特征在于:该方法包含如下步骤： 1) 利用振动传感器采集滚筒不同故障状况下的振动信号； 2) 采用EMD阔值处理对故障信号进行降噪； 3) 计算降噪后的信号的时域频域参数，由时域特征参数组成特征向量，并将提取的特 征向量作为神经网络专家系统的输入参量； 4) 根据轴承组件的结构数据计算得到内外圈滚动体故障特征频率，另外神经网络专家 系统利用训练样本进行仿真训练，完成对滚筒体故障识别模型的建立，得到一套规则形成 神经网络专家系统诊断机制. 5) 由故障特征频率分析法对轴承组件进行故障诊断，而神经网络专家系统根据诊断机 审IJ，基于提取的特征向量进行滚筒体故障诊断。2. 根据权利要求1所述的一种带式输送机滚筒组件故障诊断方法，其特征在于，步骤1) 中的故障状况包含W下几种情况:福板与筒壳连接处裂纹故障，福板裂纹故障，滚筒体筒面 受压变形故障，胀套连接螺栓剪断故障W及轴承组件内外圈滚动体故障。3. 根据权利要求1所述的一种带式输送机滚筒组件故障诊断方法，其特征在于，步骤2) 中的EMD阔值降噪为： EMD将振动信号分解成一系列不同时间尺度的IMF分量，当最后一个IMF分量为单调函 数而不能再从中提取满足IMF条件的分量时停止分解，得到若干层IMF分量hi(t); 然后为每个IMF分量确定一个阔值出，利用该阔值对每个IMF分量降噪；其中化i(t)为降噪之后的IMF分量； 再利用降噪后的各IMF分量进行重构，得到降噪后的信号。4. 根据权利要求1所述的一种带式输送机滚筒组件故障诊断方法，其特征在于，步骤3) 中信号的时域参数包括： 方差量反应信号相对于信号均值文的稳定程度的物理量； 其中XI为输入信号，η为信号值的总数； 方均巧乏应信号的能量大小； 偏届定义上是样本的Ξ阶标准化矩，反应信号分布相对于均值不 对称的程度;μ为信号平均数，σ为信号标准差； 峭届：归一化的四阶矩，反应信号的分布特性； 峰值因子皂义为信号峰值与信号方均根值的比值;其中为信号峰值； 得到的特征向量表示为：X' = [ Xvar，Xrms，Xskew，Xkur，Xcf ]。5. 根据权利要求1所述的一种带式输送机滚筒组件故障诊断方法，其特征在于，步骤4) 中神经网络专家系统通过训练样本得到专家系统的知识库;步骤4)中轴承内外圈滚动体故 障特征频率计算公式为：其中Z为滚动体个数，fr为转频，d为滚动体直径，D为轴承节径，α为接触角。6.根据权利要求5所述的一种带式输送机滚筒组件故障诊断方法，其特征在于，知识库 中包含用于做出滚筒体故障诊断的故障特征。
【文档编号】G06K9/00GK105976021SQ201610350471
【公开日】2016年9月28日
【申请日】2016年5月24日
【发明人】付胜, 刘坤, 程磊, 黄奕铭, 郑浩
【申请人】北京工业大学