CN105258942A - 一种采煤机摇臂齿轮故障诊断系统及方法 - Google Patents

Abstract

本发明涉及一种采煤机摇臂齿轮故障诊断系统及方法，它包括箱体，箱体的右部设置有电机，电机的剪力轴的上部设置有齿轮H，齿轮H通过轴与箱体连接的外侧设置有测点C，齿轮H的左侧设置有齿轮I，齿轮I的左侧设置有齿轮J，齿轮J通过轴连接有齿轮G，齿轮J的左侧设置有齿轮F，齿轮F通过轴与箱体连接的外侧设置有测点B，齿轮F的左侧设置有齿轮E，齿轮E的左侧设置有齿轮D，齿轮D的左侧设置有齿轮C，齿轮C通过轴与箱体连接的外侧设置有测点A，齿轮C通过轴连接有齿轮B，齿轮B的外侧设置有齿圈A，齿轮B通过连接架连接有齿轮K，齿轮K的外侧设置有齿轮L，齿轮L的外侧设置有齿圈B，测点A、测点B和测点C获取的信号应经EMD处理后，再通过神经网络诊断；本发明有故障诊断准确率高、适用范围广的优点。

Description

一种采煤机摇臂齿轮故障诊断系统及方法

技术领域

本发明属于故障诊断领域，具体涉及一种齿轮故障诊断系统及方法，特别涉及一种采煤机摇臂齿轮故障诊断系统及方法。

背景技术

采煤机是煤矿综采工作面的关键设备之一，大功率、高强度、高可靠性是现代采煤机的发展方向，然而采煤机的可靠性却是其发展的最为薄弱的环节，采煤机在工作过程中，摇臂齿轮箱频繁出现机械故障，其平均故障率为采煤机故障率的三分之一还多，已严重制约着采煤机的开机率，影响到煤矿综采工作面的均衡生产，一直以来，由于煤矿生产环境恶劣，条件艰苦，煤矿工人专业素质普遍偏低，专业人才缺乏，技术力量落后，严重制约了采矿设备故障诊断维修水平的发展，目前很多矿区针对采煤机摇臂齿轮的监测仍采用较传统的铁谱分析技术，并不能快速有效地做出准确判断，有时因种种因素甚至误判，给生产实践带来很大的不确定性，因此，提供一种使用方便、故障识别率高、适用范围广的采煤机摇臂齿轮故障诊断系统及方法是非常有必要的。

发明内容

本发明的目的是为了克服现有技术的不足，而提供一种使用方便、故障识别率高、适用范围广的采煤机摇臂齿轮故障诊断系统及方法。

本发明的目的是这样实现的：一种采煤机摇臂齿轮故障诊断系统，它包括箱体，所述的箱体的右部设置有电机，所述的电机的剪力轴的上部设置有齿轮H，所述的齿轮H通过轴与箱体连接的外侧设置有测点C，所述的齿轮H的左侧设置有齿轮I，所述的齿轮I的左侧设置有齿轮J，所述的齿轮J通过轴连接有齿轮G，所述的齿轮J的左侧设置有齿轮F，所述的齿轮F通过轴与箱体连接的外侧设置有测点B，所述的齿轮F的左侧设置有齿轮E，所述的齿轮E的左侧设置有齿轮D，所述的齿轮D的左侧设置有齿轮C，所述的齿轮C通过轴与箱体连接的外侧设置有测点A，所述的齿轮C通过轴连接有齿轮B，所述的齿轮B的外侧设置有齿圈A，所述的齿轮B通过连接架连接有齿轮K，所述的齿轮K的外侧设置有齿轮L，所述的齿轮L的外侧设置有齿圈B，所述的测点A、测点B和测点C获取的信号应经EMD(经验模态分解)处理，再经过神经网络诊断。

所述的电机为截割电机。

所述的测点A、测点B和测点C处均设置有加速度传感器。

所述的齿轮A、齿轮B、齿轮C、齿轮D、齿轮E、齿轮F、齿轮G、齿轮H、齿轮I、齿轮J、齿轮K、齿轮L均为直齿轮。

所述的齿圈A和齿圈B为直齿齿圈。

所述的EMD方法是运用内在模态函数(IntrinsicModeFunction，IMF)对信号进行局部特征分析，每一IMF具有严格的定义：(1)整个信号的极点数和过零点数相等或相差一个；(2)任何一点局部极大值和极小值包络线平均值为零；包括以下步骤：

步骤1)：从测点获取的信号为x(t)，其上下包络线为u(t)和v(t)，上下包络线的平均为m(t)，即：m(t)＝{u(t)-v(t)}/2；

步骤2)：用x(t)减去m(t)，剩余的部分为h₁(t)，即：h₁(t)＝x(t)-m(t)；

步骤3)：样条包络线会产生新的极值点，影响原极值点的位置和大小，因此用h₁(t)代替x(t)，与h₁(t)对应的上下包络线分别为u₁(t)和v₁(t)，经过多次移动，即：m₁(t)＝{u₁(t)-v₁(t)}/2，h₂(t)＝h₁(t)-m₁(t)……

m_k-1(t)＝{u_k-1(t)-v_k-1(t)}/2，h_k(t)＝h_k-1(t)-m_k-1(t)；

直到所得的h_k(t)满足IMF的严格定义，得到满足IMF定义的c₁(t)和残留部分r₁(t)，c₁(t)＝h_k(t)，r₁(t)＝x(t)-h_k(t)；

步骤4)：将r₁(t)继续EMD分解过程，直到所得信号为全部满足IMF定义。原信号可如下表示： $x\left(t\right)=\underset{i=1}{\overset{n}{\Σ}}{c}_i\left(t\right)+r_n\left(t\right);$

步骤5)：设e_ji为EMD分解后各IMF的能量，e_j＝{e_j1，e_j2，...，e_ji}形成对原始信号能量的一种划分，第i个IMF信号能量在总能量中存在的概率为则在各IMF上能谱熵为：

所述的测点A、测点B和测点C获取的信号经EMD(经验模态分解)处理后，还应通过神经网络诊断，所述的神经网络由输入层、模式层、求和层和输出层组成，所述的求和层的概率密度函数估计式为：

$f_A\left(X\right)=\frac{1}{{\left(2\mathrm{\π}\right)}^{P/2}{\mathrm{\δ}}^P}\frac{1}{m}\mathrm{\Σ}\exp \[-\frac{{(X-X_{ai})}^T(X-X_{ai})}{2{\mathrm{\δ}}^2}\]$

其中，θ_A为故障模式，X_ai为θ_A第i个训练向量；m为θ_A的训练样本数；δ为平滑参数；

所述的输出层的故障单元的输出为：

$f(X,W_i)=-\exp \[-\frac{{(X-W_i)}^T(X-W_i)}{2{\mathrm{\δ}}^2}\]$

其中，W_i为连接权值；δ为平滑因子。

所述的神经网络诊断还包括以下步骤：

步骤1)：分别收集正常、断齿、磨损和胶合状态下的齿轮运行状态信号作为参数数据，将每组数据分成两部分，一部分作为神经网络训练样本，另一部分作为神经网络测试样本；

步骤2)：对于获得的数据分别进行EMD分解，并求得能谱熵，利用能谱熵训练神经网络，利用训练好的神经网络进行实测样本的故障诊断。

本发明的有益效果：本发明在采煤机摇臂齿轮箱体上设置有测点A、测点B和测点C，在测点处设置加速度传感器，可以设置水平和竖直两个方向或水平、竖直及轴向三个方向的传感器，从而使得到的信号更加全面，在齿轮传动的高速区可以布置更多的传感器，以便获取更多的振动信号进行比较分析，进而保证诊断结果的准确性；本发明采用EMD分解对获取的信号进行处理，EMD方法是在基于信号的局部特征时间尺度上，把复杂的信号函数分解成有限的内在模态函数，每一内在模态函数不仅与采样频率有关，而且随信号本身变化而变化，因此EMD方法适用于非线性和非平稳过程，具有很高的信噪比，EMD能谱熵对各个模态函数进行统计分析，将各个内在模态函数的复杂度量化，利用能谱熵值准确地反应振动信号的参数变化；本发明采用神经网络对获取的能谱熵进行训练和诊断，神经网络是一种有导师的自学习算法，在网络的学习过程中不仅包括对训练数据特征量的描述，还可以表示各自对应的模式类别，并且精度很高，故障诊断准确率高；本发明具有使用方便、故障诊断准确率高、适用范围广的优点。

附图说明

图1是本发明一种采煤机摇臂齿轮故障诊断系统及方法的采煤机摇臂齿轮结构示意图。

图2是本发明一种采煤机摇臂齿轮故障诊断系统及方法的神经网络诊断示意图。

图3是本发明一种采煤机摇臂齿轮故障诊断系统及方法的故障诊断及神经网络训练图。

图中：1、滚筒2、连接架3、齿圈A4、齿轮A5、齿轮B6、齿轮C7、测点A8、齿轮D9、齿轮E10、齿轮F11、测点B12、齿轮G13、箱体14、电机15、剪力轴16、齿轮A17、测点C18、齿轮L19、齿轮J20、齿圈B21、齿轮K22、齿轮L23、输入层24、模式层25、求和层26、输出层。

具体实施方式

下面结合附图对本发明做进一步的说明。

实施例1

如图1、图2和图3所示，一种采煤机摇臂齿轮故障诊断系统及方法，它包括箱体13，所述的箱体13的右部设置有电机14，所述的电机14的剪力轴15的上部设置有齿轮H16，所述的齿轮H16通过轴与箱体13连接的外侧设置有测点C17，所述的齿轮H16的左侧设置有齿轮I18，所述的齿轮I18的左侧设置有齿轮J19，所述的齿轮J19通过轴连接有齿轮G12，所述的齿轮J19的左侧设置有齿轮F10，所述的齿轮F10通过轴与箱体14连接的外侧设置有测点B11，所述的齿轮F10的左侧设置有齿轮E9，所述的齿轮E9的左侧设置有齿轮D8，所述的齿轮D8的左侧设置有齿轮C6，所述的齿轮C6通过轴与箱体13连接的外侧设置有测点A7，所述的齿轮C6通过轴连接有齿轮B5，所述的齿轮B5的外侧设置有齿圈A3，所述的齿轮B5通过连接架2连接有齿轮K21，所述的齿轮K21的外侧设置有齿轮L22，所述的齿轮L22的外侧设置有齿圈B20，所述的测点A7、测点B11和测点C17获取的信号应经EMD(经验模态分解)处理后，再经过神经网络诊断。

所述的EMD方法是运用内在模态函数(IntrinsicModeFunction，IMF)对信号进行局部特征分析，每一IMF具有严格的定义：(1)整个信号的极点数和过零点数相等或相差一个；(2)任何一点局部极大值和极小值包络线平均值为零；包括以下步骤：

步骤1)：从测点获取的信号为x(t)，其上下包络线为u(t)和v(t)，上下包络线的平均为m(t)，即：m(t)＝{u(t)-v(t)}/2；

步骤2)：用x(t)减去m(t)，剩余的部分为h₁(t)，即：h₁(t)＝x(t)-m(t)；

步骤3)：样条包络线会产生新的极值点，影响原极值点的位置和大小，因此用h₁(t)代替x(t)，与h₁(t)对应的上下包络线分别为u₁(t)和v₁(t)，经过多次移动，即：m₁(t)＝{u₁(t)-v₁(t)}/2，h₂(t)＝h₁(t)-m₁(t)……

m_k-1(t)＝{u_k-1(t)-v_k-1(t)}/2，h_k(t)＝h_k-1(t)-m_k-1(t)；

直到所得的h_k(t)满足IMF的严格定义，得到满足IMF定义的c₁(t)和残留部分r₁(t)，c₁(t)＝h_k(t)，r₁(t)＝x(t)-h_k(t)；

步骤4)：将r₁(t)继续EMD分解过程，直到所得信号为全部满足IMF定义。原信号可如下表示： $x\left(t\right)=\underset{i=1}{\overset{n}{\Σ}}{c}_i\left(t\right)+r_n\left(t\right);$

步骤5)：设e_ji为EMD分解后各IMF的能量，e_j＝{e_j1，e_j2，...，e_ji}形成对原始信号能量的一种划分，第i个IMF信号能量在总能量中存在的概率为则在各IMF上能谱熵为：

所述的测点A、测点B和测点C获取的信号经EMD(经验模态分解)处理后，还应通过神经网络诊断，所述的神经网络由输入层、模式层、求和层和输出层组成，所述的求和层的概率密度函数估计式为：

$f_A\left(X\right)=\frac{1}{{\left(2\mathrm{\π}\right)}^{P/2}{\mathrm{\δ}}^P}\frac{1}{m}\mathrm{\Σ}\exp \[-\frac{{(X-X_{ai})}^T(X-X_{ai})}{2{\mathrm{\δ}}^2}\]$

其中，θ_A为故障模式，X_ai为θ_A第i个训练向量；m为θ_A的训练样本数；δ为平滑参数；

所述的输出层的故障单元的输出为：

$f(X,W_i)=-\exp \[-\frac{{(X-W_i)}^T(X-W_i)}{2{\mathrm{\δ}}^2}\]$

其中，W_i为连接权值；δ为平滑因子。

本发明在采煤机摇臂齿轮箱体上设置有测点A、测点B和测点C，在测点处设置加速度传感器，可以设置水平和竖直两个方向或水平、竖直及轴向三个方向的传感器，从而使得到的信号更加全面，在齿轮传动的高速区可以布置更多的传感器，以便获取更多的振动信号进行比较分析，进而保证诊断结果的准确性；本发明采用EMD分解对获取的信号进行处理，EMD方法是在基于信号的局部特征时间尺度上，把复杂的信号函数分解成有限的内在模态函数，每一内在模态函数不仅与采样频率有关，而且随信号本身变化而变化，因此EMD方法适用于非线性和非平稳过程，具有很高的信噪比，EMD能谱熵对各个模态函数进行统计分析，将各个内在模态函数的复杂度量化，利用能谱熵值准确地反应振动信号的参数变化；本发明具有使用方便、故障诊断准确率高、适用范围广的优点。

实施例2

如图1、图2和图3所示，一种采煤机摇臂齿轮故障诊断系统及方法，它包括箱体13，所述的箱体13的右部设置有电机14，所述的电机14的剪力轴15的上部设置有齿轮H16，所述的齿轮H16通过轴与箱体13连接的外侧设置有测点C17，所述的齿轮H16的左侧设置有齿轮I18，所述的齿轮I18的左侧设置有齿轮J19，所述的齿轮J19通过轴连接有齿轮G12，所述的齿轮J19的左侧设置有齿轮F10，所述的齿轮F10通过轴与箱体14连接的外侧设置有测点B11，所述的齿轮F10的左侧设置有齿轮E9，所述的齿轮E9的左侧设置有齿轮D8，所述的齿轮D8的左侧设置有齿轮C6，所述的齿轮C6通过轴与箱体13连接的外侧设置有测点A7，所述的齿轮C6通过轴连接有齿轮B5，所述的齿轮B5的外侧设置有齿圈A3，所述的齿轮B5通过连接架2连接有齿轮K21，所述的齿轮K21的外侧设置有齿轮L22，所述的齿轮L22的外侧设置有齿圈B20，所述的测点A7、测点B11和测点C17获取的信号应经EMD(经验模态分解)处理后，再经过神经网络诊断。

所述的电机14为截割电机。

所述的测点A7、测点B11和测点C17处均设置有加速度传感器。

所述的齿轮A4、齿轮B5、齿轮C6、齿轮D8、齿轮E9、齿轮FI0、齿轮G12、齿轮H16、齿轮I18、齿轮J19、齿轮K21、齿轮L22均为直齿轮。

所述的齿圈A3和齿圈B20为直齿齿圈。

所述的EMD方法是运用内在模态函数(IntrinsicModeFunction，IMF)对信号进行局部特征分析，每一IMF具有严格的定义：(1)整个信号的极点数和过零点数相等或相差一个；(2)任何一点局部极大值和极小值包络线平均值为零；包括以下步骤：

步骤1)：从测点获取的信号为x(t)，其上下包络线为u(t)和v(t)，上下包络线的平均为m(t)，即：m(t)＝{u(t)-v(t)}/2；

步骤2)：用x(t)减去m(t)，剩余的部分为h₁(t)，即：h₁(t)＝x(t)-m(t)；

步骤3)：样条包络线会产生新的极值点，影响原极值点的位置和大小，因此用h₁(t)代替x(t)，与h₁(t)对应的上下包络线分别为u₁(t)和v₁(t)，经过多次移动，即：m₁(t)＝{u₁(t)-v₁(t)}/2，h₂(t)＝h₁(t)-m₁(t)……

m_k-1(t)＝{u_k-1(t)-v_k-1(t)}/2，h_k(t)＝h_k-1(t)-m_k-1(t)；

直到所得的h_k(t)满足IMF的严格定义，得到满足IMF定义的c₁(t)和残留部分r₁(t)，c₁(t)＝h_k(t)，r₁(t)＝x(t)-h_k(t)；

步骤4)：将r₁(t)继续EMD分解过程，直到所得信号为全部满足IMF定义。原信号可如下表示： $x\left(t\right)=\underset{i=1}{\overset{n}{\Σ}}{c}_i\left(t\right)+r_n\left(t\right);$

步骤5)：设e_ji为EMD分解后各IMF的能量，e_j＝{e_j1，e_j2，...，e_ji}形成对原始信号能量的一种划分，第i个IMF信号能量在总能量中存在的概率为则在各IMF上能谱熵为： $H_i=-\underset{j=1}{\overset{N}{\Σ}}{p}_{ji}{\mathrm{logp}}_{ji}.$

所述的测点A7、测点B11和测点C17获取的信号经EMD(经验模态分解)处理后，还应通过神经网络诊断，所述的神经网络由输入层23、模式层24、求和层25和输出层26组成，所述的求和层25的概率密度函数估计式为：

$f_A\left(X\right)=\frac{1}{{\left(2\mathrm{\π}\right)}^{P/2}{\mathrm{\δ}}^P}\frac{1}{m}\mathrm{\Σ}\exp \[-\frac{{(X-X_{ai})}^T(X-X_{ai})}{2{\mathrm{\δ}}^2}\]$

其中，θ_A为故障模式，X_ai为θ_A第i个训练向量；m为θ_A的训练样本数；δ为平滑参数；

所述的输出层26的故障单元的输出为：

$f(X,W_i)=-\exp \[-\frac{{(X-W_i)}^T(X-W_i)}{2{\mathrm{\δ}}^2}\]$

其中，W_i为连接权值；δ为平滑因子。

所述的神经网络诊断还包括以下步骤：

步骤1)：分别收集正常、断齿、磨损和胶合状态下的齿轮运行状态信号作为参数数据，将每组数据分成两部分，一部分作为神经网络训练样本，另一部分作为神经网络测试样本；

步骤2)：对于获得的数据分别进行EMD分解，并求得能谱熵，利用能谱熵训练神经网络，利用训练好的神经网络进行实测样本的故障诊断。

本发明在采煤机摇臂齿轮箱体上设置有测点A、测点B和测点C，在测点处设置加速度传感器，可以设置水平和竖直两个方向或水平、竖直及轴向三个方向的传感器，从而使得到的信号更加全面，在齿轮传动的高速区可以布置更多的传感器，以便获取更多的振动信号进行比较分析，进而保证诊断结果的准确性；本发明采用EMD分解对获取的信号进行处理，EMD方法是在基于信号的局部特征时间尺度上，把复杂的信号函数分解成有限的内在模态函数，每一内在模态函数不仅与采样频率有关，而且随信号本身变化而变化，因此EMD方法适用于非线性和非平稳过程，具有很高的信噪比，EMD能谱熵对各个模态函数进行统计分析，将各个内在模态函数的复杂度量化，利用能谱熵值准确地反应振动信号的参数变化；本发明采用神经网络对获取的能谱熵进行训练和诊断，神经网络是一种有导师的自学习算法，在网络的学习过程中不仅包括对训练数据特征量的描述，还可以表示各自对应的模式类别，并且精度很高，故障诊断准确率高；本发明通过实验采集信号数据进行分析和比较，发现齿轮的故障信号主要集中在高频成分，特别是前9个IMF，将这些IMF的能谱熵值输入神经网络进行训练和诊断，其准确率达到了100％，并且能够大致区分齿轮的故障模式，可以有效实现采煤机摇臂齿轮的故障诊断；本发明具有使用方便、故障诊断准确率高、适用范围广的优点。

Claims (8)

1.一种采煤机摇臂齿轮故障诊断系统，它包括箱体，其特征在于：所述的箱体的右部设置有电机，所述的电机的剪力轴的上部设置有齿轮H，所述的齿轮H通过轴与箱体连接的外侧设置有测点C，所述的齿轮H的左侧设置有齿轮I，所述的齿轮I的左侧设置有齿轮J，所述的齿轮J通过轴连接有齿轮G，所述的齿轮J的左侧设置有齿轮F，所述的齿轮F通过轴与箱体连接的外侧设置有测点B，所述的齿轮F的左侧设置有齿轮E，所述的齿轮E的左侧设置有齿轮D，所述的齿轮D的左侧设置有齿轮C，所述的齿轮C通过轴与箱体连接的外侧设置有测点A，所述的齿轮C通过轴连接有齿轮B，所述的齿轮B的外侧设置有齿圈A，所述的齿轮B通过连接架连接有齿轮K，所述的齿轮K的外侧设置有齿轮L，所述的齿轮L的外侧设置有齿圈B，所述的测点A、测点B和测点C获取的信号应经EMD(经验模态分解)处理后，再经过神经网络诊断。

2.如权利要求1所述的一种采煤机摇臂齿轮故障诊断系统，其特征在于：所述的电机为截割电机。

3.如权利要求1所述的一种采煤机摇臂齿轮故障诊断系统，其特征在于：所述的测点A、测点B和测点C处均设置有加速度传感器。

4.如权利要求1所述的一种采煤机摇臂齿轮故障诊断系统，其特征在于：所述的齿轮A、齿轮B、齿轮C、齿轮D、齿轮E、齿轮F、齿轮G、齿轮H、齿轮I、齿轮J、齿轮K、齿轮L均为直齿轮。

5.如权利要求1所述的一种采煤机摇臂齿轮故障诊断系统，其特征在于：所述的齿圈A和齿圈B为直齿齿圈。

6.一种如权利要求1所述的一种采煤机摇臂齿轮故障诊断方法，其特征在于：所述的EMI)方法是运用内在模态函数(IntrinsicModeFunction，IMF)对信号进行局部特征分析，每一IMF具有严格的定义：(1)整个信号的极点数和过零点数相等或相差一个；(2)任何一点局部极大值和极小值包络线平均值为零；包括以下步骤：

步骤1)：从测点获取的信号为x(t)，其上下包络线为u(t)和v(t)，上下包络线的平均为m(t)，即：m(t)＝{u(t)-v(t)}/2；

步骤2)：用x(t)减去m(t)，剩余的部分为h₁(t)，即：h₁(t)＝x(t)-m(t)；

步骤3)：样条包络线会产生新的极值点，影响原极值点的位置和大小，因此用h₁(t)代替x(t)，与h₁(t)对应的上下包络线分别为u₁(t)和v₁(t)，经过多次移动，即：m₁(t)＝{u₁(t)-v₁(t)}/2，h₂(t)＝h₁(t)-m₁(t)……

m_k-1(t)＝{u_k-1(t)-v_k-1(t)}/2，h_k(t)＝h_k-1(t)-m_k-1(t)；

直到所得的h_k(t)满足IMF的严格定义，得到满足IMF定义的c₁(t)和残留部分r₁(t)，c₁(t)＝h_k(t)，r₁(t)＝x(t)-h_k(t)；

步骤4)：将r₁(t)继续EMD分解过程，直到所得信号为全部满足IMF定义。原信号可如下表示： $x\left(t\right)=\underset{i=1}{\overset{n}{\Σ}}{c}_i\left(t\right)+r_n\left(t\right);$

步骤5)：设e_ji为EMD分解后各IMF的能量，e_j＝{e_j1，e_j2，...，e_ji}形成对原始信号能量的一种划分，第i个IMF信号能量在总能量中存在的概率为则在各IMF上能谱熵为：

7.如权利要求6所述的一种采煤机摇臂齿轮故障诊断方法，其特征在于：所述的测点A、测点B和测点C获取的信号经EMI)(经验模态分解)处理后，还应通过神经网络诊断，所述的神经网络由输入层、模式层、求和层和输出层组成，所述的求和层的概率密度函数估计式为：

$f_A\left(X\right)=\frac{1}{{\left(2\mathrm{\π}\right)}^{P/2}{\mathrm{\δ}}^P}\·\frac{1}{m}\Σ\exp \[-\frac{{(X-X_{ai})}^T(X-X_{ai})}{2{\mathrm{\δ}}^2}\]$

其中，θ_A为故障模式，X_ai为θ_A第i个训练向量；m为θ_A的训练样本数；δ为平滑参数；

所述的输出层的故障单元的输出为：

$f(X,W_i)=-\exp \[-\frac{{(X-W_i)}^T(X-W_i)}{2{\mathrm{\δ}}^2}\]$

其中，W_i为连接权值；δ为平滑因子。

8.如权利要求7所述的一种采煤机摇臂齿轮故障诊断方法，其特征在于：所述的神经网络诊断还包括以下步骤：

步骤1)：分别收集正常、断齿、磨损和胶合状态下的齿轮运行状态信号作为参数数据，将每组数据分成两部分，一部分作为神经网络训练样本，另一部分作为神经网络测试样本；

步骤2)：对于获得的数据分别进行EMD分解，并求得能谱熵，利用能谱熵训练神经网络，利用训练好的神经网络进行实测样本的故障诊断。